温州市三垟湿地遥感动态检测与景观分析

摘  要：以三垟湿地为研究区，基于2013—2021年间Landsat、Sentinel-2遥感影像，分析影像光谱特征，构建基于光谱、纹理、指数的特征数据集，通过支持向量机、随机森林、极限学习三种不同分类器的比较明确适用于研究区的解译方法，得到研究区内三垟湿地土地分类图，并计算了土地利用動态度，分析了三垟湿地自生态修复开始的土地利用变化，根据解译结果计算研究区土地利用变化率与景观变化。结果表明，遥感影像能够较好的应用于城市湿地动态监测，三垟湿地修复建设已逐步完善，因长期开垦导致的土地流失也逐步恢复。

关键词：三垟湿地;遥感解译;随机森林;支持向量机

中图分类号：TP181        文献标识码：A文章编号：2096-4706（2022）02-0139-04

Abstract： Taking Sanyang wetland as the study area， based on Landsat and Sentinel-2 remote sensing images from 2013 to 2021， the image spectral features are analyzed， and the feature data set based on spectrum， texture and index is constructed. Through the comparison of three different classifiers of support vector machine， random forest and limit learning， the interpretation methods applicable to the study area are clarified， and the land classification map of Sanyang wetland in the study area is obtained， the dynamic degree of land use is calculated， the land use change of Sanyang wetland since ecological restoration is analyzed， and the land use change rate and landscape change in the study area are calculated according to the interpretation results. The results show that remote sensing images can be better applied to the dynamic monitoring of urban wetlands， the restoration and construction of Sanyang wetland has been gradually improved， and the land loss caused by long-term reclamation has been gradually restored.

Keywords： Sanyang wetland; remote sensing interpretation; random forest; support vector machine

0  引  言

湿地是陆生生态系统和水生生态系统相互作用形成的独特生态系统，具备生物多样性，同时兼有调节气候、蓄洪防旱等多种生态功能，是人类生存不可或缺的组成部分，需要对它们进行合理开发和保护[1]。根据目前文献资料，城市湿地简明定义为：分布于城市（镇）的湿地称为城市湿地[2]。湿地是城市景观规划中必不或缺的部分，是城市生态环境建设重要组成部分，其保护与利用与城市发展相辅相成。随着城市化进程推进，城市湿地能为居民带来不可估量的生态与经济效益，城市湿地在创造价值的同时也面临严峻考验：城市的快速扩张对湿地资源开发与破坏。

遥感技术具有高时间分辨率、长时间序列监测、宏观性等优势，能够获得多样性空间尺度的地物信息，能够更为全面识别生态环境的时空变化情况;高频度宏观影像信息源提供观测湿地资源利用变化具有时间上的连续性和反复性。国内外学者均对城市湿地的遥感应用开展了研究，栗小东[3]等利用Landsat数据对上海崇明岛采用改进的神经网络算法并结合水体指数、植被指数等进行湿地信息提取研究。安如[4]等以黄河源玛多县为研究区，采用TM影像与DEM数据，构建面向对象的湿地信息提取方法，并与最大似然法和决策树方法进行了比较。姚杰鹏[5]等利用Sentinel和Landsat影像对鄱阳湖湿地连续变化监测研究，并分析了各个月份对湿地水体面积的变化。梁爽[6]等采基于Sentinel-2影像采用多季相组合的方式开展对白洋淀湿地信息提取方法的提取。

因此，利用遥感技术对城市湿地的资源进行可视化、定量化的时空分析和综合分析，为经济与社会可持续发展、资源管理、环境保护以及实现资源环境、经济的宏观调控提供科学依据与决策支持。

1  研究区概况与数据源

本文以温州市三垟湿地（27°56′N～27°58′N，120°41′E～120°43′E）为研究区（如图1所示），三垟湿地位于温州市城市主城区内，紧邻大罗山，水网密布，河道纵横，中间有161个形态各异的泥洲，面积约为10.67 km2，其中水域面积占29.1%，陆域面积占70.9%。三垟湿地被长期开发，已丧失了原始湿地功能，2015年之前湿地处于原生态休憩式发展并有一定建设性开发。2015年温州市人民政府开始着手致力于三垟湿地修改改造，致力打造“桔浦芳洲、白鹭野鸭、菱角莲藕、河网人家”的三垟湿地公园。2016—2017年温州生态园总体规划修编批复，三垟湿地公园范围内的池底、上垟村展开旧村拆迁并进行生态修复。942B4164-A44E-4F6B-9773-1BEC0D66FD33

从欧空局数据共享网站以及地理数据云上收集2013—2021期间的Sentinel-2和Landsat8影像数据，植被生长初期与末期是植被指数变化最为剧烈的月份，选择10—11月份质量较好的影像数据为本文的数据源（如表1所示）。

2  实验过程与方法

遥感影像信息提取与分类包括了数据预处理、分类方案与特征提取、样本库建立、分类方法比较与确定、土地利用变化分析与生态评价等过程，具体技术路线如图2所示。

2.1  数据预处理

数据为覆盖研究区多光谱Sentinel-2和Landsat8 OLI遥感影像，其中使用SNAP中Sen2Cor插件对原始影像1C级数据进行大气与辐射校正并导出2A级数据，并将所有波段重采样为10 m分辨率，并对研究区范围进行裁剪。使用ENVI软件对Landsat8影像进行大气与辐射校正，由于Landsat多光谱系列数据为30 m分辨率，使用第8波段全色波段进行数据融合并重采样为10 m分辨率后对研究范围进行裁剪，以保证影像数据空间分辨率的一致性。

2.2  分类方案与特征提取

在实地野外考察基础上，依据《土地利用现状分类》（GB/T21010-2007）标准中的一级分类，调用相关基础性地理信息数据针对三垟湿地受人为开发与影响的变化，建立如表2所示的土地利用分类方案。

构建有效的特征空间是分类数据集的重要基础，本文采用了多特征的分类数据，包括了光谱特征、纹理特征与指数特征。光谱特征是在遥感影像分类中最为主要的特征信息，选取Sentinel-2和Landsat遥感影像中4个波段。纹理特征是反应图像灰度变化并兼顾了宏观、微观结构。使用PCA主成分分析的方法，主成分数量为6并使用前3个处理波段。指数特征是有效提高分类进度的特征指标之一，本文采取NDVI（归一化植被指数），MNDWI（改进的归一化差异水体指数），土壤亮度指数（BI2），并将指数计算结果进行归一化运算处理，最终形成由光谱、纹理、指数构成的多特征空间。

2.3  样本库建立

根据温州市土地利用分布调查数据，1 m覆盖研究区的高分辨率航空影像，利用目视解译构建分类样本库。实验总样本数量为1 476个，各个地类样本数量均高于200个，各类样本以6：4比例随机划分为训练样本和验证样样本。针对以建立好的样本，根据样本点的地理信息位置抽样10%到实地进行考察验证样本的确定性。

2.4  分类方法比较与确定

为提高信息提取结果的普适性，本文采用机器学习中支持向量机、基于核函数的极限学习机、多特征随机森林3种分类方法进行分类，能够较为有效的避免分类器自身因素导致对分类结果的影响，也能够筛选出适合研究区的最优分类方法。分类精度评价是用分类结果与标准数据图或地面实测值进行比较，以正确分类的百分率来表示精度，本文采用混淆矩阵进行分类类别的基本评定。

支持向量机是以统计学习理论为基础的机器学习的算法，其优势是能够在最小的训练样本误差内来提高其泛化能力，具有效率高、精度高、泛化强的优点。随机森林算法是一种参数的决策树组合的机器学习算法，相较于支持向量机其对参数设置的要求更低，以分类回归树理论为基础，通过组成随機生成的决策树构成随机森林，采用投票方式决定样本类型，具有能高精度，高维数据能力的特性。基于核函数的极限学习机，是根据模式识别理论，将隐含层假设隐含层特征映射函数以内积形式用核函数表达出来，具有更稳定、高精度的优势[7]。

通过2021年11月份 Sentinel-2影像数据分类提取比较，三种方法分类结果如表3所示，由此看出，其中基于多特征的随机树分类方法精度最高，本文最终选取该方法作为五个时相的信息提取，解译结果如图3所示。

2013—2021年5个时相的遥感解译总体精度分别为95.80%，94.78%，98.45%，96.80%  94.79%，Kappa系数分别为0.940 1，0.9301 7，0.951 1，0.957 8，0.930 7。

定量化分析各个地物面积变化情况，将5年的分类结果导出对地物面积进行统计（表4所示），并使用土地利用动态度来评价与分析三垟湿地地物变化。土地利用动态度是鉴定土地变化速度，在土地变化差异与预测趋势都具有重要作用。其表达式为：

LC为某一土地利用类型的动态度，T1，T2为两期遥感图像的成像年份，LUt1为T1年份某一土地利用类型的面积，LUt2为T2年份某一土地利用类型的面积，表5为计算结果。

从以上结果可以发现，三垟湿地公园范围内，草地面积在2017年前趋于平衡，随着湿公园逐步完善，逐年增加。三垟湿地内原以种植瓯柑、杨梅为主，随着湿地修复建设园林地的面积也有所增加。2017年未用地大幅度提高，与该年公园内旧村改造改造相关，几乎所有居民用房均已拆迁，2017—2021年是三垟湿地持续建成的年份，随着生态修复的建设发展，部分建设用地根据公园规划建成相应旅游观光设施，目前三垟湿地公园仍处于建设与生态修复时期，从影像结果也可以发现截止2021年研究区的东北处仍处于建设期。

2.5  景观格局分析

基于以上分类结果，本文利用遥感解译数据在Fragstats软件中进行三垟湿地公园范围内景观格局分析，相关指标计算如表6所示。

从统计数据可以发现，2017年是研究区遥感解译5个年份中重要的转折点，其中面积特征指标NP指数最低，LPI指数最高，随着湿地公园的建设发展，2017年稳定性指标SHDI最低，SHEI代表稳定性的多样性逐年增加。聚散性指标中CONTAG和AI指数均为2017年最高。

3  结  论

本文使用基于多特征的随机森林分类方法，通过遥感解译方法分析了温州市三垟湿地土地利用变化，并基于解译结果进行景观根据分析。实验结果表明2013年以来的5个时期，随着政府对三垟湿地生态修复与重建，研究区拆除了长期因开垦导致的土地流失，其中草地、园林地等绿地资源恢复，2017年是研究区修复建设的转折点，随着园区建设发展生态修复将得以实现。本文为后续开展生态评价研究奠定基础，未来将持续针对三垟湿地建设开展长序列的动态监测，为相关部门提供决策支持。

参考文献：

[1] 李禄康.湿地与湿地公约 [J].世界林业研究，2001（1）：1-7.

[2] MALV?REZ A. Temperate freshwater wetlands：types，status，and threats [J]. Environmental Conservation，2002，29（2）：115-133.

[3] 栗小东，过仲阳，朱燕玲，等.结合GIS数据的神经网络湿地遥感分类方法：以上海崇明岛东滩湿地为例 [J].华东师范大学学报（自然科学版），2010（4）：26-34.

[4] 安如，陈志霞，陆玲，等.面向对象的黄河源典型区湿地信息提取 [J].河海大学学报（自然科学版），2011，39（4）：355-360.

[5] 姚杰鹏，杨磊库，陈探，等.基于Sentinel-1，2和Landsat 8时序影像的鄱阳湖湿地连续变化监测研究 [J].遥感技术与应用，2021，36（4）：760-776.

[6] 梁爽，宫兆宁，赵文吉，等.基于多季相Sentinel-2影像的白洋淀湿地信息提取 [J].遥感技术与应用，2021，36（4）：777-790.

[7] 赵宇虹.随机森林遥感信息提取研究进展及应用研究 [J].测绘与空间地理信息，2021，44（3）：133-136+139.

作者简介：沈茗戈（1990.12—），女，汉族，浙江温州人，讲师，本科，研究方向：无人机技术应用、环境遥感、无人机专业教学改革。942B4164-A44E-4F6B-9773-1BEC0D66FD33