苏州重要湿地资源遥感动态监测管理与应用

杨朝辉 白俊武 畅里鑫

（1 苏州科技大学地理科学与测绘工程学院，江苏 苏州 215009；2 苏州科技大学天平学院，江苏 苏州 215009）

在全球化城市化持续推进的背景下，湿地资源保护形式愈发严峻，亟需一种能够对湿地资源进行快速监测、识别和分析的技术手段和方法。遥感以其覆盖区域大、时空分辨率高、无需到达现场等特点，成为湿地资源监测和现代自然资源管理中的重要技术手段（吴志峰等, 2020; 张小伟等, 2021）。目前，多种遥感观测卫星平台可提供大量多尺度多分辨率的遥感影像。采用遥感技术能够实现对湿地的大范围多时相动态监测，减弱研究者对湿地的直接干扰，能在短时间内获取提取湿地类型及分布变化，避免花费大量的外业劳动力、财力和物力（李楠,2020），使湿地资源保护与管理工作从传统繁重而低效的人工现场调查中解放出来，大大提升湿地资源的保护和治理能力。

Landsat 系列影像被很多研究人员用于湿地分类信息提取及动态监测（Wang et al., 2020）。该系列遥感影像在区域尺度的湿地监测研究中可以识别建筑物、水体、树林和植被等类型，但受到30 m 分辨率的限制，难以在更精细尺度上完成分类（Frohn et al., 2012）。随着遥感技术快速发展，SPoT、国产的ZY 和GF 等高分辨率影像能够更细致地反映湿地不同对象的纹理和几何特征，也逐渐被用于湿地相关研究（张树文等, 2013）。此外，无人机具有更高的空间分辨率以及更加灵活机动等优势，可作为遥感卫星影像的补充数据源，也开始被应用于湿地植物群落监测和湿地景观提取（邓璐希等,2021; 张舒昱, 2020）。

使用单一影像进行湿地监测，在时空分辨率和光谱分辨率等方面均具有一定的局限性。相比之下，融合多源遥感影像可以利用不同影像数据源的优势，可摸清湿地资源现状（刘润红等, 2017; Rokni et al., 2014; Kloiber et al., 2015），实现湿地资源分布、面积统计和类型变化等分析，因此，多源遥感影像融合已成为目前湿地遥感研究中常用的手段之一。本研究采用遥感技术，通过融合多源多尺度遥感影像，实现湿地资源监测和不同时期之间湿地变化斑块提取，在此基础上构建苏州湿地资源管理系统，实现苏州重要湿地资源的科学高效管理。

1 遥感动态监测体系构建

1.1 苏州重要湿地监测对象

苏州重要湿地监测对象为省级和市级重要湿地以及市级湿地公园，其中，包括阳澄湖和太湖等15个省级重要湿地，尚湖、官塘和陶荡面等86 个市级重要湿地和市级湿地公园，苏州重要湿地监测对象如图1 所示。

图1 苏州重要湿地监测对象Fig.1 monitoring important wetlands in Suzhou

1.2 监测影像数据来源

受苏州地区多云多雾和梅雨季长等天气特征影响，区域内满足湿地动态监测要求的高质量传统遥感影像数量相对较少，亟需高分遥感影像和无人机影像等新型遥感数据源的有效补充，提高湿地植被丰度、覆盖度等指标提取和监测的准确性及稳定性。本文综合使用资源一号、Sentinel2、高分二号、中巴地球资源卫星等多源遥感影像，每半年采集一次最新影像，实现对研究区域的全覆盖监测，同时使用无人机实时监测重点区域和疑似变化区域。资源一号02D 影像分别包括2.5 m 和10 m 的全色及多光谱波段，高分二号影像含有0.81 m 和3.24 m 分辨率的全色波段和多光谱波段，Sentinel2 影像则有13个波段，波段中最高分辨率为10 m。

1.3 总体技术路线

基于多源卫星遥感影像和相关地理信息矢量数据，以省级重要湿地、市级重要湿地和市级湿地公园的红线为主要监测范围，综合采用影像自动识别分类、专家目视解译、野外现场调查和无人机调查等多种监测手段，自动提取和常态化监测苏州重要湿地资源的湿地变化斑块。在此基础上，构建动态监测数据库，编制湿地变化监测报告及相关专题图件，最终建立重要湿地资源管理地理信息系统，总体技术路线见图2。

图2 总体技术路线Fig.2 The overall flowchart

2 动态监测关键技术与实现

2.1 湿地决策树分类方法

借鉴过去研究的相关经验，结合资源一号、高分二号和Sentinel2 等卫星影像判读解译特点，确定了适合本研究区的地类分类体系，将与湿地区域相关的地类划分为河流、湖泊、鱼塘等11 个类别（表1）。

表1 地类分类体系Table 1 Land use classification system

决策树是一种分层次的数据结构，具有运算快速、层次清晰等优点，常被应用于地类信息提取和分类。决策树分类方法通过选取整合对象的不同分类特征属性，有效提高了分类精度（杨冬等, 2016）。基于多源卫星遥感影像融合，提取湿地监测区域不同对象的面向对象特征，并将这些特征量化为决策树分类规则（杨朝辉等, 2019），其中，面向对象特征信息主要包括研究对象的光谱、形状、纹理、结构和拓扑等常见特征（张小伟等,2021）。图3 为适用于Sentinel2 影像处理的决策树分类模型流程。

图3 适用于Sentinel2 影像的决策树分类模型流程图Fig.3 Flowchart of decision tree classification model by using Sentinel2 images

2.1.1 水体和非水体区域判定 苏州湿地以湖泊和河流为主，水体是苏州湿地的重要组成部分。考虑到归一化差异水体指数（MNDWI）方法计算精度比传统方法更高（Du et al., 2016），本文首先采用MNDWI 方法将湿地区域粗分为水体和非水体区域，计算公式如下：

式中：PGreen、PSWIR为Sentinel2 影像的绿波段和短波红外波段。

非水体区域进行再次分类，将其划分为植被和非植被区域。考虑到NDVI 植被覆盖指数能有效检测植被覆盖度，因此通过合理设置NDVI 指数阈值，得到决策树分类判断条件。满足该分类判断条件的区域为植被覆盖区域，不满足该分类判断条件的则判定为非植被区域。NDVI 植被覆盖指数计算公式如下：

式中：PRed、PNIR分别是Sentinel2 影像的红波段和近红外波段。

2.1.2 面向对象特征的细分类 基于传统像元光谱特征的分类方法存在光谱混淆和混合像元的问题，本文采用面向对象特征的分类方法，将具有相似性质的像元构建为研究对象，通过组合使用研究对象的光谱、纹理和空间分布等关键信息完成进一步的细分类。影像分割是实现细分类的关键步骤，它可以将影像中具有相似灰度和纹理等特征的相邻像元提取为具有相似信息的斑块。影像分割中分割尺度的选取在很大程度上影响到提取斑块的类别、大小、数量、形状和精度（杨朝辉等,2019）。本文采用多尺度分割算法，通过设置合适的分割尺度和归并尺度，比较不同尺度的边界差异，最终得到多尺度对象分割结果。该方法可以提高分割对象的内部同质性和外部可分离性。

基于表1 列出的11 个地类分类类别，计算多尺度分割对象的光谱和这些分类类别的几何等特征信息，将这些特征信息输入决策树分类模型，最终实现细分类。将分割对象范围内所有像素的光谱均值作为光谱特征；灰度共生矩阵纹理作为纹理特征；计算分割对象的面积、矩形形状参数和延伸率作为几何特征。

以水体区域细分类为例，将面积大于4 万 m2、延伸率小于3.0 的斑块判定为湖泊；将面积小于5 000 m2、长度大于200 m、延伸率大于2.2 的斑块判定为河流；将面积位于1 500 m2和4 万 m2范围内的斑块判定为鱼塘；剩余的部分则判定为坑塘。最后在研究区内随机生成500 个检验样本点，结合野外调查和高分辨率影像目视判读，确定检验样本点的真实参考类别。在此基础上构建湿地分类混淆矩阵，计算得到总体精度为85.3%，Kappa 系数为82.9%，分类精度能够满足分类要求。

2.2 变化斑块的提取

使用上述的决策树分类方法处理每期的遥感影像，得到面向对象特征的细分类结果。自动提取不同时期分类结果的变化斑块，经过数据整理和分析并结合目视判断，最终将湿地变化斑块分为变化确定类和疑似排除类两种类别。疑似排除类是经遥感影像判读和野外现场调查，排除疑似变化斑块，确认仍为湿地斑块。变化确定类一般是由湿地斑块转变为非湿地斑块，该类变化斑块需进一步重点监测和现场核实。变化确定类的斑块一般包括湿地红线范围内违法建筑物和水利工程设施等（图4），图中绿色多边形为提取出来的疑似变化斑块区域。其中，图4(a)(b)(c)分别是某临时码头的当前遥感影像（高分二号，拍摄时间2022 年5 月）、前一期遥感影像（高分二号，拍摄时间2021 年10 月）和核实影像；图4(d)(e)(g)分别是某水利设施的当前遥感影像（中巴资源卫星CB04A，拍摄时间2023 年6 月）、前一期遥感影像（高分二号，拍摄时间2022 年11 月）和核实影像；图4(g)(h)(i)分别是某地铁建设项目的当前遥感影像（资源一号，拍摄时间2022 年5 月）、前一期遥感影像（高分二号，拍摄时间2021 年10 月）和核实影像；图4(j)(k)(l)分别是某湿地公园内临时浮桥的当前遥感影像（中巴资源卫星CB04A，拍摄时间2021 年12 月）、前一期遥感影像（高分二号，拍摄时间2021 年6 月）和核实影像；图4(m)(n)(o)分别是某高铁建设项目的当前遥感影像（高分二号，拍摄时间2021 年4 月）、前一期遥感影像（高分二号，拍摄时间2020 年10 月）和核实影像。

图4 变化确定类图斑实例（图斑名称见正文）Fig.4 Examples of definite change polygons

为了方便数据管理，对变化斑块进行编码。编码为4 位数，前两位为分区代码，后两位为区内代码。张家港市、常熟市、太仓市、昆山市、吴江区、吴中区、相城区、工业园区、高新区和姑苏区的分区代码分别为01 至10。对于每个县（市）、区来说，区内代码编制规则为从北到南、自西向东，每个县（市）、区都从01 开始编码。

2.3 现场调查核实

实地调查核实变化确定类的图斑。通过无人机摄影测量方式将待核实图斑区域的现状地形地物拍摄成图像或视频资料，结合实地观察和拍照，完成现场调查核实。现场调查核实时需记录的内容包括待核实变化斑块的行政区范围及空间位置、土地利用类型和观察到的湿地动植物名称等。

2.4 专题图件编制

将采集到的最新高分遥感影像通过大气纠正、正射纠正、拼接、融合和调色等遥感图像处理步骤，生成遥感底图（张庆全等, 2021）。在此基础上，叠加变化确定类斑块数据、行政区划界线数据和湿地红线数据，再结合现场调查数据，制作动态变化监测专题图。

3 湿地资源地理信息管理系统

采用Web 端和移动端系统开发技术，分别开发实现湿地资源数据的显示管理功能和湿地资源的调查监测功能。通过这两端功能整合，结合苏州重要湿地资源动态监测管理的业务流程，开发“湿地一张图”展示功能、多时序遥感底图对比功能、变化图斑编辑管理功能、征占用工程管理功能和湿地景观健康评价功能，实现苏州重要湿地资源的动态监测与科学管理。管理信息系统架构图如图5 所示。

图5 系统架构图Fig.5 System architecture diagram

3.1 湿地一张图展示功能

以最新的高分遥感影像作为湿地基础底图，叠加苏州重要湿地红线矢量、行政边界矢量、道路等专题数据，构成“湿地一张图”，为信息查询和分析统计提供基础数据源。

3.2 多时序遥感影像对比功能

叠加历史和现状多期遥感影像，通过卷帘和多屏等不同的对比方式，直观地展示湿地在每个监测时期的现状及不同监测时期之间的变化。

3.3 变化图斑编辑管理功能

在湿地一张图的基础上，叠加历史多期遥感影像，并叠加各年度的变化图斑矢量监测数据成果，将变化图斑整改和销号等结果挂接到该变化图斑相应属性表上，实现对其数字化管理，及时掌握湿地变化图斑的处理情况。

3.4 征占用工程管理功能

根据相关项目编制的征占用保护修复方案，基于苏州重要湿地红线矢量数据和湿地专题数据，对比征占用设计图斑，对涉及湿地红线范围的工程项目和人类干扰活动进行管理。将工程设计文件和项目审批文件挂接到被征占的湿地相应属性表上，实现对湿地征占用情况的展示与管理。

3.5 景观健康评价功能

使用遥感图像处理技术从多源遥感影像数据中提取湿地景观健康评价指标，指标主要包括建设用地、湖泊河流、道路和湿地植被。在此基础上根据每个指标的不同特点设计其优化参数，将指标进行归一化处理。最终建立评价模型，在多个尺度上将不同景观评价指标合理组合在一起，定量实现对苏州市湿地的景观健康评价（杨朝辉等, 2016b）。确立评价模型函数后，根据评价函数类型和相应设置的参数，依次对每个评价湿地区域计算不同的评价指标，生成单指标评价得分和多指标综合得分。多指标综合得分可以作为湿地景观健康的评价结果。为加快计算速度，可以将设计好的优化参数和评价模型预先储存在服务器上，用户可以直接调用相应函数而完成湿地景观健康的快速评价（杨朝辉等,2016c）。

4 讨论

随着遥感技术和产业的全面快速发展，不同类型遥感数据的采集和成本逐渐降低，越来越多的多源高分遥感影像数据被应用于大范围的自然资源调查和湿地监测中（李楠, 2020）。但在具体项目的应用中，仍存在如何更科学、更高效地从大规模的遥感影像数据中挖掘有用信息等难题。本研究通过每半年一次采集购买资源一号、高分二号等多源遥感影像，实现多源遥感影像数据对苏州市域的全覆盖，在此基础上研究动态监测关键技术，实现湿地变化斑块的自动提取，解决了传统湿地动态监测方法存在的劳动强度大、覆盖范围小、成果编制慢等缺陷。

选择合适的数学分类方法提取湿地分类信息是湿地监测的关键。传统的方法主要有监督分类和非监督分类法，随着遥感技术的最新发展，决策树和支持向量机等新方法逐渐取代了传统的分类方法（耿万轩等, 2021）。由于决策树方法不需要依赖任何先验的统计假设条件，只需要利用特定的专家经验，通过设置判断条件对数据进行细化类，具有直观、高效等优点。本研究结合苏州的实际情况，确定适合苏州市域的地类分类体系，将与湿地相关地类划分为河流、湖泊等11 个类别。采用决策树分类方法，提取这11 个类别的面向对象特征信息，并将光谱、形状、纹理、结构等面向对象特征量化为决策树分类规则，最终得到高精度的分类结果，为后续的动态监测提供了可靠的湿地分类成果。

湿地遥感动态监测是通过比较前后两期湿地观测数据，分析这段时间湿地的变化差异情况。湿地遥感动态监测一般分为直接比较法和分类后比较法。直接比较法对影像预处理和图像变换要求较高，易导致分类精度较低（Li et al., 2019）。分类后比较方法先提取出不同时期遥感影像的分类结果，再直接对分类结果进行比较（Ludwig et al.,2019）。这种方法适用于对不同类型传感器和不同季节遥感数据之间进行对比。本研究采用分类后比较方法，将相邻两期的湿地分类成果进行比较，自动提取出疑似变化斑块，提高了湿地资源动态监测的效率和精度，也验证了本研究方法和技术路线的科学性和可行性。

5 结论

本研究综合多源遥感影像数据和苏州湿地相关矢量数据，构建了苏州重要湿地资源遥感动态监测体系，研究了动态监测关键技术，实现了基于决策树分类方法面向对象特征的湿地区域相关地类细分类和变化斑块自动提取，为湿地保护管理工作提供基础数据和决策依据。在上述动态监测的基础上，开发了湿地资源管理地理信息系统，实现了“湿地一张图”展示、多时序遥感底图对比、变化图斑编辑管理、征占用工程管理和湿地景观健康评价等功能，实现苏州重要湿地资源的动态监测与科学管理。本研究成果可为提高湿地保护管理科学水平，加强湿地保护与修复提供技术支撑和决策依据。