黄河三角洲地物遥感分类研究进展与趋势

谢春华, 张帅影,3*, 崔丽珍, 安文韬, 唐家奎

(1. 国家卫星海洋应用中心空间海洋遥感与应用重点实验室， 北京 100081； 2. 自然资源部空间海洋遥感与应用重点实验室， 北京 100081； 3. 国家海洋环境预报中心， 北京 100081； 4.中国科学院大学生命科学学院， 北京 100049； 5. 中国科学院大学资源与环境学院， 北京 100049)

湿地和森林、海洋被誉为全球三大重要生态系统，黄河三角洲地区湿地遍布，是各种珍稀鸟类栖息繁衍的重要场所。湿地是水生生态系统向陆地生态系统的一个过渡阶段，在生态结构中的地位非常重要。然而，由于气候变化、人类活动的影响，造成黄河三角洲的生态结构发生变化，自然湿地面积减少，对在黄河三角洲生活的各种动植物生存环境造成破坏[1]。对于湿地监测，Liu等[2]利用FRAGSTATS 3.3软件对黄河三角洲的湿地进行研究，指出湿地的动态的变化主要是由人为因素引起的，因此当地政府有必要对湿地进行保护，以保护黄河三角洲地区的生物多样性。黄河三角洲地区除湿地发生变化外，同时土地盐渍化也是目前较为严重的一个问题。黄河三角洲地下水与淡水的不足，导致黄河三角洲地区土地盐渍化现象日益严重[3]。土地盐渍化影响了黄河三角洲地区的土地变迁和地物分布，Li等[4]调查了黄河三角洲垦利县典型的盐渍化区域，通过对采样点的提取和分析，为土地的科学利用和管理决策提供了决策的依据。针对土地盐渍化的问题，Guo等[5]提出了基于修正土壤调整植被指数-盐渍化指数(modified soil adjusted vegetation index-salinization index，MSAVI-SI)特征空间的两种模型，并对这两种模型进行了比较分析，找出并推荐了土壤盐化的最佳监测模型，为监测土壤盐化提供了理论支持。与此同时，黄河三角洲的总面积在不断增加，其中主要的土地类型是旱地和荒地，最常见的土地利用类型变化是耕地和荒地之间的转化，二者之间在不同时期的变化强度不同，同时地物类别也在不断发生变化[6]。通过对黄河三角洲地物进行识别和分类，监测地物变化，进而采取相应的措施，减少黄河三角洲的退化，重建生态自然结构，恢复当地的生物物种多样性，实现该地区的可持续发展。

黄河三角洲地物种类复杂繁多，沿岸由于受到季节性河水的冲击侵蚀，地物种类在不断地发生变化，主要的地物种类有养殖池塘、怪柳林、坑塘、盐地碱蓬、水稻田、潮滩、互花米草、陆生芦苇、河流、潮滩芦苇、公路、裸滩、林地、盐田、翅碱蓬等类别。并且这些植物随着季节变化而表现不同的特征，现场调查需要耗费巨大的人力物力，亟须新的技术来实现黄河三角洲的地物种类分类监测。

遥感图像是地物的电磁波谱特征的记录，是地物的光谱特征、空间特征、时间特征、纹理特征的记录，人们根据这些特征来进行判断地物的类别，进而实现对地面物体的识别和分类。Weng等[7]发现可通过光谱测量技术进行分析土地的盐渍化，并说明卫星高光谱的数据有助于大面积的预测。对于不同时段的遥感卫星拍摄到的同一地物的影像数据，通过图像差值运算，可以实现对该地区的动态变化监测，Chang等[8]运用7个时相的遥感图像和航拍照片，实现了对黄河三角洲的准圆形植被斑块(the quasi-circular vegetation patches, QVPs)动态变化监测。并且遥感具有大范围的覆盖、高时效性、多光谱、多时序、高精度可比性的特点，与传统的三角洲地物调查的区域大、不易达、变化快、地物破碎、专题多的特点相比较，采用遥感卫星进行三角洲地物监测分类的手段更有优势，能够最大限度地降低传统人工调查的时间、资金、人力成本。因此，将遥感技术应用到黄河三角洲地区的地物分类中，是未来大面积地物监测分类的趋势。通过利用遥感卫星数据可以研究黄河三角洲的海岸线的变化对于了解地物变迁，掌握其发展变化趋势对于三角洲的管理和开发具有重要的意义，Shi等[9]利用不同时相的遥感图像，研究了1976—2004年的黄河三角洲的海岸线演变，通过对21幅陆地卫星影像的数据源经过校正和配准，得出黄河三角洲在不断向海洋扩张，同时河口地区的侵蚀面积在不断增大。目前有很多学者做了地物分类的研究，但是缺乏对黄河三角洲地物分类的方法和内容的梳理总结[9-17]。因此有必要开展相关的研究，并提出合理的措施以更好地实现对黄河三角洲地区地物的分类、识别、监测。

1 黄河三角洲概况

黄河三角洲是指黄河入海口携带泥沙在渤海凹陷处沉积形成的冲积平原。黄河三角洲覆盖的面积大约为5 400 km2，其中绝大部分(5 200 km2)都在山东省东营市境内。黄河三角洲地处海岸带，所处位置优越，地物种类繁多且资源丰富，拥有多处油气资源；同时黄河三角洲地区的湿地资源丰富，极大地促进了当地旅游产业发展。目前，黄河三角洲地区成为山东省的经济发展的重点区域，图1是2018年11月5日的黄河三角洲高分三号遥感影像。

数据来源:中国海洋卫星数据服务系统(https://osdds.nsoas.org.cn/)图1 2018年11月5日高分三号8 m空间分辨率黄河三角洲卫星遥感影像Fig.1 Gaofen-3 8 m spatial resolution satellite remote sensing image of the Yellow River Delta on November 5, 2018

经济发展的同时，也为黄河三角洲生态环境保护与可持续发展带来巨大压力。黄河三角洲的湿地是各种珍稀鸟类迁徙和繁殖的场所，具有很高的生态服务价值[18-19]。然而随着人类活动和各种自然灾害的影响，黄河三角洲的湿地面积在不断减少并遭到严重的破坏，部分的原因也在于当地政府和人民缺乏对湿地的保护[20]。

为了减少气候变化、人类活动影响，保护黄河三角洲地区的自然生态系统，实现该地区社会经济的可持续发展，山东省已在该地区成立了黄河三角洲自然保护区(118°33′E～119°20′E，37°35′N～38°12′N)，并采取了一系列法律法规来保护该地区的生态环境[21]。

2 可用于黄河三角洲地物分类的遥感卫星数据

为了研究和保护黄河三角洲生态环境，实现其社会经济可持续发展，卫星遥感技术因快速、大范围、廉价的优点已被用于研究该地区地物分类与变化。目前常用的用于黄河三角洲地物分类的卫星主要有Landsat、Sentinle-2、高分系列卫星(GF-2、GF-3)、中等分辨率成像光谱仪(medium resolution imaging spectrum，MODIS)、SPOT系列等卫星。主要研究了目前用的较多的遥感卫星以及对这些卫星的优势与不足进行了叙述。表1是遥感数据在黄河三角洲地区地物分类以及论文发表情况。

表1 遥感数据在黄河三角洲地区地物分类以及论文发表情况Table 1 The classification of remote sensing data in the Yellow River Delta and the publication of papers

2.1 Landsat系列

Landsat系列卫星是目前最多用于遥感地物分类的卫星，Landsat是一个多光谱卫星，在地物的识别与分类中取得了长足的发展。表2是Landsat系列卫星发展的主要历程。

表2 Landsat系列卫星发展历程Table 2 The development history of Landsat series satellite

21世纪初，Song等[22]通过不同时相的Landsat-5遥感图像对珠江三角洲陆地表面动态监测，发现大气的影响对最终的分类结果有较大的影响，在地物分类时，通过去除大气的影响，能够显著提高分类的精度。Chen等[23]以1976年8月、1985年11月、1990年10月、2000年10月、2010年10月和2015年10月Landsat MSS/TM/ETM+/OLI影像作为数据源，采用面向对象的遥感影像分类方法，对黄河三角洲地区的滨海湿地信息进行提取，发现黄河三角洲的滩涂面积明显减小，其中各种人类活动是造成黄河三角洲滨海天然湿地面积减少、人工湿地增加的主要因素。

通过研究各种因素对黄河三角洲的发展变化的影响，有助于对黄河三角洲的可持续发展及时地做出规划。Liu等[24]综合利用不同年份的现代黄河三角洲的Landsat TM/ETM+图像，辅以数字地形图、数字高程图，对黄河三角洲的滩涂空间分布与演变进行了研究。采用不同卫星数据也可以实现对地物的监测，Wang等[25]收集了IKONOS和Landsat-8陆地成像仪传感器数据，通过黄河三角洲地区的人工刺槐人工林的健康水平图的不同，进而实现了对该地区的人工刺槐的健康状况的掌握。Yao等[26]对刺槐的树木活力状况进行分析，并利用监督分类的方法从Landsat TM图像种提取刺槐的面积，并得出刺槐的面积与土壤盐分和地下水深度显著相关。He等[27]利用1992年和1996年陆地卫星专题成像仪资料，通过计算黄河三角洲河口地区不同的土地覆盖的范围以及变化，然后经过图像处理和非监督分类的方法，生成相应年份的土地覆盖图，从而可以检测出黄河三角洲河口地区的碳含量的变化情况。Yue等[28]通过引入斑块连接指数，并采用无监督和有监督的分类方法，对Landsat图像的不同场景进行分类，并绘制了不同时期的黄河三角洲新生湿地土地利用图，提出了一种计算斑块连通性指数的模型，并将其应用到分类图像，结果表明，该指数能够说明生态环境多样性和人类影响强度的关系，对于黄河三角洲地物变化监测具有一定的参考意义。

虽然Landsat系列卫星已经获得了长足的发展和广泛的应用。但在如何获得高质量变化检测产品方面仍存在诸多的挑战，例如，云和条带减少时序数据栈中可用的像元的数量，影响时序变化检测产品的精度，如何减少Landsat时序影像中云污染和Landsat ETM+数据中的坏条带的影响，以提高识别分类和变化检测中的产品的质量[29]。

2.2 Sentinel-2系列

Sentinel-2卫星是高分辨率多光谱成像卫星，携带了一枚多光谱成像仪，用于陆地监测，可提供植被、土壤和水覆盖、内陆水陆及海岸带区域等图像，其包含2A和2B两颗卫星。Sentinel-2卫星在地物分类上也得到广泛的应用。对于黄河三角洲地区的地物分类，Samat等[30]发现采用Sentinel-2多光谱图像，基于面向对象的方法的分类技术要优于MODIS、Landsat的效果，同时也可联合地面测量数据、无人机多光谱图像和Sentinel-2A多光谱图像作为数据源，联合对黄河三角洲进行地物分类，相比单一的遥感数据分类方法，能有效地提高反演滨海盐渍土盐分的精度[31]。Landsat图像对长时间的地物变化监测也是很有效的，除了结合使用不同数据进行黄河三角洲地物分类的方法外，采用同系列的卫星进行研究也可以实现对黄河三角洲地区的地物进行监测，Zhang等[32]利用光学(Sentinel-2)和合成孔径雷达(Sentinel-1)图像来绘制盐沼物种的分布，同时考虑了地物的光谱特征、时间特征和空间特征，能够有效地提高三角洲地区不同种类地物之间的分类，并且提出了也有助于对滨海湿地的实时监测和管理的框架。

2.3 高分系列

合成孔径雷达能够主动地向地物发射信号，穿透云雨，能够实现全天时、全天候的观测，在地物的识别和分类中被广泛利用。Liu等[33]利用数字高程模拟资料和合成孔径雷达数据，解释了黄河三角洲沙嘴土地覆盖种类与地貌类型之间的关系，并研究了沙嘴地区的不同种类地物所占的比例，以及分布的区域。Li等[34]将高分三号(GF-3)SAR数据和Sentinel-2多光谱数据分析了黄河三角洲的7种地物，并统计分析了光谱指数、极化散射和纹理特征的信息，然后采用最大似然估计(maximum likelihood estimation, MLE)、决策树(decision tree)和支持向量机(support vector machine, SVM)实现监督分类。同时，分析了这两种数据的联合分类结果，证明了这两种数据在联合湿地分类中的潜力。Yang等[35]以GF-1和GF-2影像为数据源，提出了将空间位置与决策树分类相结合的互花米草信息抽取的方法，最终结果表明，该方法能够准确地识别和提取互花米草的信息，这对于研究黄河三角洲的互花米草分类与识别具有参考价值。全极化SAR图像能够从多个极化通道收集到地物的散射信息，Xu等[36]利用全极化合成孔径雷达对鲁北黄河三角洲地区进行图像分类，并提出了改进的子空间方法，分类结果与有监督的Wishart相比较，提出的方法产生了更好的分类结果。Cheng等[37]发现采用合成孔径雷达PALSAR数据和GPS野外采样点数据，对黄河三角洲地区的湿地情况进行研究，最终结果表明，无论是监督分类的精度还是Kappa系数都有很大的提高。

由于合成孔径雷达卫星是通过接收地物的回波信息进行探测地物的，信号在大气的传播过程中受到各种气溶胶、气体的影响，以及地物之间的相互散射，不可避免地会产生各种噪声，对最终成像的地物造成影响。如何利用各种算法，对雷达图像上的噪声进行去除，最大可能地还原地物信息，是有效提高最终地物分类的精度要解决的关键问题之一。

2.4 SPOT系列卫星

SPOT系列卫星是由法国国家空间研究中心(CNES)，与比利时、瑞典合作研制。经过近十几年的发展，SPOT系列卫星已经从最初的SPOT-1逐步发展到SPOT-7。并被大量的学者用于遥感地物的研究，Cao等[38]发现利用SPOT-5影像，在多种尺度下分割为高度均匀的图像对象，生成对应的网络。该方法对于植被信息抽取分类的结果很有前景，且最终分类的精度明显高于监督分类。吴梦红等[39]以SPOT-5和资源一号02C星为数据源，分析了高分辨率遥感影像在土地覆盖监测中的适用性，实验结果表明，经过有效合成和融合处理的高分辨率遥感影像能最大限度保持影像中的纹理和光谱信息，对分类研究可以提供更多有用的信息。王雪娜[40]采用SPOT-6卫星影像数据，利用随机森林的方法对城市土地利用进行精细化分类研究，研究总体分类精度达到87.46%，相比最近邻分类方法能有提升7%。研究结果可为SPOT-6卫星影像数据的应用提供参考。秦园[41]采用SPOT-5卫星数据，结合ERDAS软件对土地信息提取技术进行了相关的研究，通过影像融合技术，证明融合后的SPOT-5卫星遥感数据不仅保留了多光谱图像中的光谱特征，而且具备较高的空间分辨率，适用于遥感影像分类的研究。

2.5 MODIS系列

MODIS是搭载在Terra和Aqua两颗卫星上的中分辨率成像光谱仪。它是美国地球观测系统(earth observation system, EOS)计划中主要用来观测全球生物和物理过程的重要仪器。由于MODIS成像面积大，能监测到大面积的陆表、海域，并且由于时间分辨率较高，生产了各种卫星产品，如大气、陆地、海洋产品等，并被广泛地应用到各个研究领域。Li等[42]注意到利用中等分辨率成像光谱仪(MODIS)可以实现对黄河三角洲地区地表水汽传输的估算。除了将MODIS遥感影像应用到大气方面的研究外，MODIS数据也非常适用于监测大面积的土地覆盖变化中，韦倩[43]利用MODIS陆地标准产品对加拿大土地利用覆盖进行研究，结果表明，MODIS数据在高纬度区域大尺度制图方面具有广阔的应用前景。黄炅怡[44]利用MODIS数据对全球城市区域进行提取，成功提取了全球城市区分布图，研究结果表明全球面积增长率分布情况与城市扩张面积差异较大。巴锐[45]提出新的基于卷积神经网络的改进模型(SmokeNet),利用MODIS遥感数据对野火探测和植被受灾评估进行研究，研究结果可为野火防控和植被监测提供参考。MODIS数据不仅在陆地研究中有所应用，也可以用于海洋方面的研究。卞明明[46]以MODIS为数据源，采用决策树的分类方法对秦皇岛海域的赤潮进行研究，最终结果表明，采用MODIS影像为数据源，对于秦皇岛海域具有较好的实用性和可操作性，可为其他大面积海域监测提供参考。苏婧[47]以MODIS数据为数据源，建立了基于MODIS的海雾探测算法。实验结果表明，新建立的算法总体精度达89.56%，并且MODIS数据可以很好地应用于海雾探测研究。

3 可用于黄河三角洲地物遥感分类的方法

3.1 传统分类方法

传统的用于遥感图像解译的主要方式为利用解译人员的解译经验，对遥感图像上的地物进行判读识别，最终根据实际调研确定地物的类别的过程。面向对象分析方法是一种用于分类的传统方法，有不少学者采用面向对象分割的方法对黄河三角洲地区土地覆盖类型结合目视判读、时序特征进行研究[47-50]。面向对象方法相比各种监督、非监督分类方法运行速度较快，效率高，但同时也存在一定的缺点，面向对象方法增加了前期工作,对象的划分、抽象相对复杂,控制不好更容易导致系统结构混乱。Yue等[51]]采用监督分类方法和非监督分类方法相结合用于黄河三角地物，监测湿地的自然演化情况和人口的活动。结果表明，人类活动是影响黄河三角洲发展的主要因素。最后，根据实验研究结果，提出了一些关于保护黄河三角洲湿地的建议和措施。采用监督和非监督分类方法相结合的手段，能够结合两者的优势，实现对湿地地区地物较高精度的分类，具有较为普遍的适用性。

根据亮度、绿度、湿度值进行分类，属于传统的分类方法，利用这3个数值，也可以实现对三角洲地区的地物分类[52]。这种方法适用于受环境影响较小的情况，这些变量易受到各种环境参数的影响，采用这些值对地物进行分类，最终的地物分类精度也会因此受到影响。Chu等[53]提出了利用向量余弦的遥感图像相似系数的分类方法，并将该方法应用于黄河三角洲的地物分类之中，经过验证，表明该方法是合理的。但该方法适用于形状差别大的地物，由于形状相似的地物散射信息大致相同，利用该方法就不能将形状相似的地物区分开，因此该方法存在一定局限性。将传统的分类方法联合起来，进行综合分类也是一种提升分类精度的方式。Fan等[54]将自动缨帽变换、非监督分类、监督分类、后分类处理等方法联合起来对黄河三角洲的地物进行分类，将黄河三角洲的土地利用类型划分为9种类型，并对盐渍化的土地分为不同的等级，相比单一的分类方法，所提出的综合分类方法在地物精度达到了89%。将这些方法综合起来对地物进行分类，能够发掘图像中蕴含的地物信息，对湿地地区的地物区分有利，适用性大。

交互式解译和人工修改的方法能够对黄河三角洲的地物变化监测的精度有所提升，Zhao等[55]以黄河三角洲的垦利县为例，采用TM数据，在研究了土地利用变化及其驱动力，表明不利的人类活动和土壤盐化、水分缺失导致黄河三角洲地区土地利用类型发生了变化。Thanh等[56]利用人机交互式解译方法，发现使用不平衡和平衡数据相结合的方式能够取得较高的分类精度。这种方法和单一的人工解译相比更具有优势，但是人工解译需要大量的人工来对地物进行判别，并且要求解译人员具有丰富的解译经验，地物的解译精度的高低也会受到人为主观因素的影响。因此，该方法主要适合经验丰富、具备专家解译知识的人员。

3.2 机器学习

计算机技术的发展催生了各种优秀的计算机分类算法，支持向量机(support vector machine, SVM)、K最近邻(K-nearest neighbor，KNN)、随机森林(random forest, RF)、决策树(decision tree, DT)等分类算法被应用到遥感图像分类中。基于各种机器学习的方法也被应用到遥感的三角洲地物解译之中。Ottinger等[57]采用基于决策树算法的监督逐像素分类方法，利用不同时期的Landsat-5专题成像仪(TM)生成土地覆盖图，得出了三角洲地区的周围经济发展涉及大量增加的建成区取代了自然植被和耕地。沿海地区的变化与人类开发水产养殖业和盐的生产相关。张珍珍等[58]采用决策树分类算法对黄河三角洲的刺槐林进行健康监测，区分健康树冠和林下禾草，最终分类总体精度达到84.32%。刘建涛[59]针对黄河三角洲地区典型地表类型，以机器学习和协同理论为指导，对该地区地物进行分类研究，取得了不错的成果。虽然决策树分类算法具有可读性、分类速度较快等优点，但决策树算法也有一定的不足，该算法对于各类别样本数量不一致的数据，信息增益偏向于那些更多数值的特征，容易过拟合，忽略属性之间的相关性。因此，该方法主要适用于样本数量较为均衡的情况，以平衡信息增益带来过拟合的影响。使决策树更好地学习地物之间的相关性，达到较高分类精度的效果。

除了单一利用机器学习的方法，也可将机器学习的方法结合传统解译手段进行黄河三角洲的地物分类，Fu等[60]提出利用支持向量机(support vector machine, SVM)和视觉解译相结合的方法，以Landsat-5 TM和SPOT影像提取景观覆盖物、海岸线和人工坝。通过相关的指数和梯度分析，研究了人工坝对于内陆地区的逆向侵蚀作用以及人工坝区潮滩景观面积的变化情况。SVM算法对大规模训练样本难以实施，用SVM解决多分类问题存在困难，对缺失数据敏感，对参数和核函数的选择敏感。因此该算法主要适用于小规模样本、类别较少的地物分类，同时在使用该算法时，要保证样本数据数量之间的均衡性，选择合适的参数和核函数，对遥感影像进行分类，进而获取较好的分类结果。此外，Li等[61]利用不同时期的遥感数据，采用层次分类和决策树分类相结合的方法对黄河三角洲的湿地情况进行研究。结果表明，黄河三角洲湿地的面积先增后减，人工湿地的面积一直在增加，所采用的层次分类方法要优于传统的监督分类和非监督分类。这种方法逐级对湿地地区的地物进行分类，充分考虑了湿地地区地物的具有区分性的特征信息，具有较强的适用性。

Zhao等[62]利用多光谱带、灰度共生矩阵纹理信息和IKONOS影像的局部统计信息，采用随机森林的方法对刺槐进行监测，结果表明，利用该方法能够提高人工林健康水平的分类精度，增强预测的准确率。这种方法较多地考虑了影像中地物的局部信息，能够利用同种地物不同个体间的差异，适用于监测同类地物生长状况。Xu等[63]发现利用黄河三角洲地区的RADARSAR-2极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像，综合了极化目标分解、极化干涉测量、灰度共生矩阵(gray level concurrence matrix, GLCM)、纹理特征和支持向量机(SVM)方法，对黄河三角洲地区进行土地覆盖分类，最终表明该方法在黄河河口地区SAR图像分类中具有优越性。这种方法将传统分类方法和机器学习相结合，能够更多地利用PolSAR影像中的信息，但由于SVM固有的缺陷，若要进一步提升分类精度，需要改进分类所用的方法。黄河三角洲地区的互花米草的存在会对原来生长在黄河三角洲地区的植被和动物的栖息环境产生影响，并影响滩涂生态，Li等[64]综合随机森林分类技术和统计分析方法，对黄河三角洲滨海湿地的互花米草入侵过程进行了研究，结果表明，黄河三角洲地区的互花米草在不断地入侵和扩张。但随机森林方法就像一个黑盒，让人无法控制模型内部的运行，这种方法只能在不同参数和种子之间进行尝试。当只有小样本数据时，数据特征较少，采用该方法，就不能达到很好的分类效果。

高光谱图像能够获取地物的多个谱段的信息，Mou等[65]将极限学习机(extreme learning machine, ELM)与支持向量机(SVM)相结合对意大利帕维亚大学(PaviaU)ROSIS和博茨瓦纳(Botswana)奥卡瓦纳三角洲Hyperion高光谱遥感数据处理，最终发现，在时间和精度方面，所提出的方法能够有效地提高分类精度。李鹏等[66]结合最大似然法、决策树、支持向量机三种算法对黄河三角洲地区的GF-3雷达数据与Sentinel-2多光谱数据协同对黄河三角洲地区的地物覆盖类型进行研究，最终总体精度高达95.7%。这种将两种或者两种以上的机器学习算法相结合能够结合两种方法的优势，相比单一分类方法在表现效果上具备一定的提升，这种研究思路也可为其他类型分类方法提供借鉴。刘庆生等[67]根据不同地物具有不同的光谱特征的特点，收集利用不同地物的特征光谱，然后通过对光谱进行处理，进而确定地物的类别，并将算数平均法应用于黄河三角洲地区采集的Landsat TM数据，采用决策树方法进行测试，验证了采用算术平均法是快速绘制黄河三角洲主要种群的可行方法。作为最简单的时序预测法，该方法需要考虑当前研究数据的各种因素，虽然在预测时间上能得到较大的提升，但现实中会受到各种因素的影响，造成最终分类结果很不稳定，适用性较差。

3.3 深度学习

自2006年深度学习这个术语被提出以后，伴随着计算机技术的飞速发展，各种深度学习模型也在不断地被提出和改进，并应用到图像处理和计算机视觉领域。各种网络如AlexNet、VGGNets、ResNet被应用到遥感图像分类中，并取得了很好的分类结果[68-75]。Feng等[76]提出多分支卷积神经网络，利用Sentinel-1/2数据对中国沿海地区土地覆盖地物进行分类，提出的卷积神经网络有助于提高黄河三角洲土地覆盖的分类精度。深度卷积神经网络(deep convolutional neural network, DCNN)拥有多个卷积层，能够实现对地物的精细分类。DCNN利用多个卷积层对地物信息进行提取，能够更多地发掘遥感影像中所蕴含的地物信息，特别是对于那些特征相似的地物，该网络可以提取地物间具有差别的特征，具有较大的适用性。Aung等[77]使用AlexNet对伊洛瓦底三角洲进行地物分类，对比Multiclass SVM分类结果精度较高。AlexNet网络结构简单，并且由于网络中加入了ReLU函数，能够很好地防止训练的模型出现过拟合的现象，适用于光学和SAR影像中的地物分类。除此之外，Chen等[78]通过研究超分辨率卷积神经网络(super-resolution convolutional neural network, SPCNN)对黄河三角洲的互花米草进行识别研究，并指出互花米草分布会受到海拔和潮汐的影响。超分辨率卷积神经网络能够在亚米级对地物的特征进行提取和分类，对于需要进行精细分类的地区的研究具有一定参考意义。各种深度学习算法已应用到遥感领域，但是目前可用于深度学习的遥感训练集还比较少，深度学习适用于样本较为充足的数据类型，以便得到较好的分类。但是目前可用于深度学习的训练集较少，适合于黄河三角洲地物分类的各种数据集更少，因此，深度学习需要更多的样本集的支持。同时，深度学习对于学习遥感地物的特征较多，计算机所需要的计算量大，大量的数据需要很大量的算力。面对具有复杂特征的地表地物特征，降低地物特征数量、扩大可用于地物分类的样本集，同时提高硬件的性能，以提升深度学习分类的速度、缩短分类所用的时间。由于受限于计算机硬件、各种模型算法的参数量较大的问题以及人们对于黄河三角洲地物的了解程度，目前黄河三角洲地物分类识别的精度还有待提高。

为了更直观地了解深度学习方法在三角洲的分类研究，在中国知网上统计了2006—2021年该领域的文献发表趋势。图2是深度学习三角洲地物分类的走势图，可以看出，目前深度学习方法正在被广泛地应用到三角洲、海岸带地物分类中。

数据来源：中国知网(https://www.cnki.net/)图2 2006—2021年深度学习在三角洲遥感地物分类论文发表走势图Fig.2 Trend chart of the publication of deep learning papers on the classification of remote sensing features in the delta from 2006 to 2021

4 黄河三角洲遥感地物分类的应用

4.1 湿地生态系统研究

湿地又有“地球之肾”之称，它是自然界中最富生物多样性和生产力最高的生态系统，也是人类最重要的生存环境之一[79]。湿地对人类的生产生活方面具有重要的作用，同时，由于湿地具有独特的生态水文环境，孕育出了丰富的动植物资源，是众多野生动物栖息和繁衍的场所，被誉为“世界物种的基因库”，对于保护生物多样性也具有重要的意义[80-83]。

徐振田[84]利用6个不同时期的Landsat遥感卫星图像，对黄河三角洲湿地近30年时空分布和动态变化特征进行研究，最终发现层次分类方法可以提高分类的精度，适用于黄河三角洲地区的信息提取，并发现，CA-Markov预测的2022年黄河三角洲湿地信息，2022年东营养殖池塘、盐田有进一步扩张的趋势，未来的湿地保护工作需要合理规划人工湿地修建与污染防控。王敬哲[85]收集了近30年艾比湖湿地3个季节的卫星遥感数据，采用随机森林算法为主要的分类器对该地区的湿地进行研究，获取了该湿地的在空间和时间尺度上的变化。彭凯锋等[86]基于1995—2005年5期土地利用数据和连续时间序列的水体数据集，使用Logistic模型对武汉城市圈的湿地受损程度及其对应的水体变化特征进行研究，得出人类活动分工是湿地受损的主要因素。王意可等[87]以江苏盐城湿地为研究对象，分析景观格局的时空动态特征对珍稀鸟类的影响，研究的结果可以为滨海湿地资源的保护规划提供数据支持和理论参考。

4.2 服务海岸带开发与管理

海岸带位于陆地与海洋的交界地带，是陆地系统与海洋系统之间的一个敏感过度区域。中国的海岸带沿岸濒临4个海区，主要的大城市和大多数人口都集中在海岸带地区，并且拥有丰富的自然资源，但是黄河三角洲海岸带地区面临着统筹规划不足，缺乏陆海统筹的总体空间布局以及产业布局、环境保护筹划。因此，研究海岸带地区主要分布的地物类型并制定相应的法律规章制度对海岸带地区的地物种类进行规划和保护，这对于人类的正常生产和生活具有重要的意义。

刘艳芬等[88]利用Landsat-7 ETM+遥感影像，融合地学知识，逐级分层次对提取海岸带的地物进行分类，最终总体的分类精度达到了95.8%，实现了研究区域较快速和较高精度的地物自动化信息提取。同时，何厚军等[89]采用决策树模型对江苏省的海岸带ETM+图像进行研究，将图像的光谱和纹理特征以及地学知识融入所构建的决策树模型中，解决了遥感图像中复杂地物分类过程中的混淆现象。但是由于海岸带地区的地物种类繁多且复杂，不可避免地造成地物分类的精度较低，如何利用现有技术，实现快速、高效、自动化地进行海岸带地物分类是后续研究发展的趋势。

4.3 海岸线提取

海岸线是海洋和陆地的分界线。由于受到潮汐涨落的影像，海岸线实际处于变动中，一般将平均的大潮高潮线作为海岸线[90]。海岸线是重要的海岸地貌标志，其时空演化是海岸带资源环境变化的直接体现[91-93]。

海岸线是近岸海域空间存在的基础，是海岸带开发活动的重要空间载体。近年来，由于陆地环境资源压力的不断增加和人类生活区域向陆地的扩张，人类持续高强度的海域开发活动，造成了海岸线人工趋势不断加剧，自然的海岸线比例不断降低[94-95]。李飞等[96]利用遥感技术提取了2014年海岸线指标，采用基线法和统计方法对海岸线指标空间分布特征以及海岸演变的特征进行分析，得出江苏中部地区的沿海海岸带自北向南纵深逐步增大。詹雅婷等[97]采用海岸线遥感光谱的角度实现了海岸线的自动化提取，但是由于基于遥感影像提取的海岸线只是瞬时水边线，需要进一步结合海岸线的类型以及潮位数据和数字高程模型(digital elevation model，DEM)数据进行修正得到最终的海岸线。杜佳威[98]提出了中小比例尺海岸线基于双向斜拉式弯曲划分的海岸线渐进化方法、适应于中比例尺海岸线的河口湾海岸线渐进化简方法、适用于大比例尺海岸线的基于平行结构的人工海岸线渐进化简方法，对海岸线进行提取。姜怀刚[99]采用激光雷达技术对海岸线进行提取及性质识别进行了研究，并提出了一种粗细格网多约束条件下的海岸线提取方法和海岸线属性性质自动识别的方法。由于大尺度的海岸线提取往往因为地域复杂和卫星遥感影像分辨率的不足，最终提取的精度往往难以满足大比例尺成图要求，麻德明等[100]以无人机影像为数据，采用面向对象的方法对青岛小岛湾海岸线进行提取，最终面向对象的方法提取的海岸线能够满足海岸线动态变化监测需求，可以在海岸线资源管理中推广应用。

5 黄河三角洲地物遥感分类未来发展趋势

黄河三角洲遥感经历了近40年的发展，应用研究内容逐步扩大，黄河三角洲资源监测精度明显提升，黄河三角洲生态监测时效大幅增强，对地观测卫星体系的时空分辨率取得飞跃发展，但由于黄河三角洲生态环境自身的复杂性和遥感技术自身发展的规律，仍有许多关键技术问题值得关注和研究解决，进而提升遥感技术对黄河三角洲生态系统管理的支撑能力和水平，通过现有资料的研究，认为黄河三角洲地物分类的未来发展主要有以下几个方面的趋势。

5.1 极化SAR应用于黄河三角洲地物监测

黄河三角洲地物种类繁多，各种地物混杂，同时利用光学数据所含的光谱信息极易受到不同地物的干扰，影响最终分类的结果。极化SAR数据采用不同的极化方式对地物进行探测以获取不同地物的后向散射信息。相比单极化的SAR，极化SAR数据能够极大地提高对地面目标散射信息的能力，并且目前中国具备获取极化SAR数据能力的高分三号(GF-3)卫星已于2016年发射升空，同系列的一米C-SAR卫星已于2021年11月23日在酒泉卫星发射中心成功发射，并于2022年1月4日完成平台与载荷系统的主要在轨测试工作，是中国首颗合成孔径雷达业务卫星，可完成对陆地、海洋的业务化观测。极大地丰富了目前极化SAR的数据源，可利用这些数据实现对黄河三角洲的监测。

5.2 建立用于黄河三角洲深度学习分类的样本集

目前各种优秀的深度学习算法如支持向量机、AlexNet、VGG-Net、GoogleNet、ResNet已经被应用到遥感领域中，并取得了一定的成果，但目前深度学习均需要各种大量的标记样本用于神经网络的训练，多数遥感分类均需要手动标注训练集以制作用于神经网络分类的样本集。神经网络最终分类的精度取决于所标注样本集的好坏，运行速度和时间也受到标记样本数量和质量的影响。因此还需构建用于不同数据类型(光学、SAR等)的样本集，为相关的研究人员提供数据支撑，以便更好地实现对黄河三角洲的监测。

5.3 构建黄河三角洲生态遥感监测网络综合集成平台

由于黄河三角洲生态遥感监测指标和内容的复杂性和综合性，现有遥感产品的精度不能满足黄河三角洲生态管理的发展需求，迫切需要基于生态系统结构、过程和功能解决生态遥感监测业务化应用技术问题，在实现黄河三角洲生态环境遥感的高性能专用载荷建设和提高黄河三角洲遥感图像解译、遥感数据建模反演的基础上，不断实现产品的高精度、实时化。实现全球黄河三角洲精细化、标准化管理，构建黄河三角洲生态遥感监测网络综合集成平台，实现多元数据融合，在遥感大数据时代不断推进黄河三角洲观测系统的发展与应用。