基于Sentinel-1和Sentinel-2影像的洪泽湖国家湿地公园水生植被信息提取

收稿日期Received：2022-12-09""" 修回日期Accepted：2023-03-07

基金项目：应急管理部国家减灾中心-中国人民财产保险股份有限公司联合实验室2020年度开放基金（NDRCCPICC202003）。

第一作者：韩森（2902053779@qq.com）。

*通信作者：阮仁宗（ruanrenzong@163.com），副教授。

引文格式：

韩森，阮仁宗，傅巧妮，等. 基于Sentinel-1和Sentinel-2影像的洪泽湖国家湿地公园水生植被信息提取. 南京林业大学学报（自然科学版），2024，48（2）：19-26.

HAN S， RUAN R Z， FU Q N， et al. Extraction of aquatic vegetation in Hongze Lake National Wetland Park based on Sentinel-1 and Sentinel-2 images. Journal of Nanjing Forestry University （Natural Sciences Edition），2024，48（2）：19-26.

DOI：10.12302/j.issn.1000-2006.202212016.

摘要：【目的】探索利用光学遥感和雷达遥感数据进行湖泊湿地水生植被信息提取方法。【方法】以洪泽湖国家湿地公园为研究区，基于Sentinel-1的SAR影像和Sentinel-2的MSI影像，利用面向对象影像分析技术，结合EVSI、NDVI、SR特征指数和对象之间的上下文特征，以及挺水植被高度的差异所对应SAR影像上的后向散射系数，在对象级的基础上建立决策树模型对湿地水生植被进行分类，分析洪泽湖国家湿地公园水生植被以及挺水植被的分布状况。【结果】研究区水生植被类群分类精度为89%，Kappa系数为0.85；挺水植被种群分类精度为85.2%，Kappa系数为0.76。与基于像元分析方法的结果相比，面向对象的影像分析方法具有更高的精度；湿地水生植被以沉水植被和挺水植被为主，其中挺水植被中以荷叶和芦苇为主。【结论】本研究提出的湖泊湿地水生植被信息提取方法具可行性，可为湿地管理与决策提供科学依据。

关键词：水生植被； Sentinel-1；Sentinel-2；决策树；植被特征指数；后向散射系数；洪泽湖国家湿地公园

中图分类号：S759；TP75""""" 文献标志码：A开放科学（资源服务）标识码（OSID）：

文章编号：1000-2006（2024）02-0019-08

Extraction of aquatic vegetation in Hongze Lake National Wetland Park based on Sentinel-1 and Sentinel-2 images

HAN Sen， RUAN Renzong*， FU Qiaoni， XU Hanwei， HENG Xuebiao

（College of Hydrology and Water Resources， Hohai University， Nanjing" 210098，" China）

Abstract： 【Objective】 The objective of this study was to explore the extraction of spatio-temporal distribution of aquatic vegetation in lake wetlands using Sentinel-1 and Sentinel-2 data. 【Method】 Hongze Lake National Wetland Park was chosen as the research area. Based on the combination of Sentinel-2 MSI images and Sentinel-1 SAR images， the object-oriented image analysis was used. The feature set was constructed by using EVSI， NDVI， SR feature index and contextual features between objects， as well as differences in the backscatter coefficients of the SAR images corresponding to differences in the height of the emergent vegetation types. A decision-tree model was established at the object level to classify the wetland， and the spatio-temporal distribution of the aquatic vegetation and the emergent vegetation in the Hongze Lake National Wetland Park was acquired. 【Result】 The classification accuracy and the Kappa coefficient of aquatic vegetation were observed to be 89% and 0.85， respectively， and that of the emergent vegetation was 85.2% and 0.76， respectively. The results showed that， compared with the results of the pixel-based analysis method， the accuracy of object-based image analysis was higher. The wetland aquatic vegetation was dominated by submerged and emergent vegetation; among the emergent vegetation， lotus leaves and reeds were dominant. 【Conclusion】 The methods proposed in this study were feasible， and the results could provide a scientific basis for managers and planners of wetlands.

Keywords：aquatic vegetation; Sentinel-1; Sentinel-2; decision tree; vegetation characteristic index; backscatter coefficient；Hongze Lake National Wetland Park

水生植被是湿地的重要组分，在生长的过程中，通过吸收外源流入湖中和埋藏在底泥中的氮磷等矿物营养物质，可使水体无机氮、磷浓度大幅下降，从而促进叶绿素a（Chla）浓度下降，起到抑制藻类、吸附净化等作用。但挺水植被死亡后大量残留在湖泊中，其自然腐烂分解会向水体释放大量的营养物质以及有色、有味和有毒物质，造成湖泊水质的二次污染；同时不易分解的植物残体积累在湖底，会加剧湖泊的淤积和沼泽化，故湿地的合理利用和保护已经成为影响人类社会可持续发展的重大问题之一［4-6］。湿地的时空分布信息对于湿地的管理具有重要的意义，近年来利用遥感影像来对湿地水生植被进行了大量研究，并取得了较好的成果。然而湿地类型具有一定的复杂性和不确定性，传统基于像元的分类方法并未充分考虑地物的形状、大小以及种类之间的相对关系及上下文关系，不能充分利用影像的空间结构和纹理信息，导致分类结果容易出现椒盐噪声，视觉效果较差，难以进行更为精细的研究。而面向对象的遥感分类技术其基本单元是影像对象，不仅可以利用高分辨率遥感影像上的光谱信息，还可以利用对象的空间信息（光谱特征、几何特征、纹理特征等）进行图像的处理、分析和分类，尤其是针对具有丰富空间结构和纹理特征的高分辨率影像，面向对象的方法已被广泛用于影像信息提取。

湿地植被物种组成复杂，光谱相似性高，基于Landsat、MOIDS等中低分辨率影像分类效果不佳， Qiuckbird、IKONOS等高分辨率影像价格昂贵，而Sentinel-2A/B卫星数据免费且具有10 m的空间分辨率，用Sentinel-2影像进行水生植被信息的提取性价比较高。在挺水植被的遥感监测方面，因不同优势种群的光谱差异相对较小，仅利用光谱信息很难精准识别和区分挺水植被的不同种群，但挺水植被不同种群间高度和密度的差异，表现在雷达影像上的后向散射系数有很大区别，故多采用Sentinel-1 SAR影像来进行挺水植被的分类提取。为此，本研究以江苏省洪泽湖国家湿地公园为例，基于Sentinel-1 SAR和Sentinel-2 MSI影像数据，分析湿地公园不同地物的光谱特征、上下文关系的不同，建立了水生植被类群的决策树，并结合挺水植被在雷达影像上的后向散射系数，提出了基于雷达影像的挺水植被遥感分类方法，最后利用面向对象的方法进行湿地水生植被类别的精确提取，以期为湿地管理提供更加详细的决策依据。

1" 材料与方法

1.1" 研究区概况

洪泽湖是我国五大淡水湖之一，位于淮河下游，属于暖温带半湿润的黄淮平原区，为过水性湖泊，水域面积随水位波动较大，平均水深为1.5 m。洪泽湖国家湿地公园位于洪泽湖西南部（118°12′25″～118°28′58″ E，33°8′27″～33°19′41″N），地处北亚热带与南暖温带之间。水生植被主要有挺水植被、沉水植被和浮水植被三大类群，其中挺水植被主要包括荷叶（Nelumbo nucifera）、芦苇（Phragmites australis）和菰（Zizania latifolia）三大种群。作为淮河流域分布面积最大的湿地水生植被，它们在防洪抗旱、控制土壤侵蚀、调节气候、保护生物多样性等方面起着重要的作用。

1.2" 数据来源及预处理

选取Sentinel-1和Sentinel-2系列卫星作为遥感数据源。Sentinel-1采用了C波段的SAR传感器，工作中心频率5.405 GHz，极化方式为VV（垂直收发vertical transmit/vertical receive）和VH（垂直发射水平接收vertical transmit/horizonal receive），空间分辨率5 m ×20 m。Sentinel-2系列卫星携带一枚多光谱仪器（MSI），可覆盖13个光谱波段，具有10、20和60 m 3种空间分辨率。Sentinel-1 SAR数据和Sentinel-2 MSI数据均来源于欧空局（https：//scihub.copernicus.eu/）。本研究共获取Sentinel-1影像为IW（interferometric wide swath）模式下的GRD （ground range detected）数据，时间为2021年7月23日；Sentinel-2无云影像为L1C 级别（经正射校正和几何校正的产品）数据，波段包括B2、B3、B4、B8、B8a，各波段中心波长依次为490、560、665、842、865 nm，光谱分辨率依次为10、10、10、10、20 m，时间为2021年7月30日。

对SAR影像进行预处理，主要包括热噪声消除、轨道矫正、辐射定标、相干斑滤波、地形矫正和分贝化。由于MSI影像数据已经经过几何校正，仅需辐射定标和大气校正，然后采用最邻近法进行重采样，重采样的像元大小为10 m×10 m，并将其转为Tiff格式进行波段合成与裁剪。然后将SAR影像与MSI影像进行地理配准，配准的均方根误差为0.58个像元。最后采用多尺度分割方法对影像进行分割生成对象，对象的平均异质性最小化与像素的平均异质性最小化是影像分割的标准，当异质性大于给定尺度时，区域会停止生长，区域内像元合并形成对象。异质性计算公式如下：

f=wcolorct=1wc×σc〗+（1-wcolor）×1n）〗+（1-wcpt）×（l/b）。（1）

式中：f为图像对象异质性；wcolor为光谱异质性权重；wc为数据层权重；σc为数据层上的光谱标准差；c为数据层，wcpt为紧致度异质性；l为对象长度；b为目标多边形最短边；n为像元个数。

为准确选择分割尺度，减少主观经验造成的误差，选用最佳分割尺度评价工具ESP2来处理。它是以局部方差的标准差均值（LV）代表某块影像检查窗口中的影像对象异质性，以变化率值（ROC）表示当前分割尺度与下一级分割尺度比值，用ROC-LV曲线反应不同分割尺度下局部方差（LV）的动态变化，ROC中曲线起伏最明显的波峰对应的尺度值则为最佳分割（图1）。经筛选，对106、148、176这3个尺度进行试验，通过分割地物的离散度与像元纯度对比，最终确定本研究分割尺度为106、形状因子为0.2、紧凑度因子为0.5。同时为提高分割精度，只选用了Sentinel-2影像中的B2、B3、B4、B8和B8a共5个波段（式中以B2、B3、B4、B8、B8a表示）。

1.3" 样本点的选取

结合卫星影像过境时间，于2021年7月对研究区水生植被开展野外调查。考虑到Sentinel-2影像的像元大小（10 m×10 m）和几何畸变，为减小影像偏移所产生的误差，每个调查样区约为12 m×12 m，用手持GPS接收机在样区的中心位置记录经纬度，误差约为1.5 m，共获取样本点932个。经实地考察得知当地建筑物和浮水植被较少，沉水植被、挺水植被和养殖场较多，故浮水植被点31个、挺水植被点135个、沉水植被点101个、养殖场200个、敞水区74个、建筑物11个、荷叶点117个、芦苇点114个、菰点149个。再利用面向对象影像分析方法将样本点转为样本对象。采样点空间分布如图2所示。

1.4" 研究方法

1）试验区及水生植被分类。根据研究区的区域特点， 结合土地利用现状，将试验区分为6类：①敞水区，包括湖泊、河流等无植被区域；②养殖场，为湖泊周围用于虾蟹及其他鱼类研制的池塘；③建筑，包括城镇、小区等人类活动场所；④挺水植被，包括芦苇（P. australis）、荷叶（N. nucifera）等；⑤浮水植被，包括芡实（Euryale ferox）、菱（Trapa natans）、槐叶苹（Salvinia natans）等；⑥沉水植被，包括狐尾藻（Myriophyllum verticillatum）、轮叶黑藻（Hydrilla verticillata）、马来眼子菜（Potamogeton wrightii）、金鱼藻（Ceratophyllum demersum）等。水生植被分为沉水植物、挺水植物、浮水植物和其他4类。

2）水生植被类群特征变量选择。

基于洪泽湖湿地的复杂性，采取分类决策树对洪泽湖湿地水生植被进行提取，所用指数为：挺水植被敏感指数（EVSI）、归一化植被指数（NDVI）和沉水植被敏感指数（SR）、rel.border to特征和rel.area to特征，计算方法如表1所示。

由于挺水植被和浮水植被在近红外波段都有较高的反射率。挺水植被反射率在B8a波段反射率更高，在B4波段反射率最低；浮水植被在近红外波段的反射率大于水体；沉水植被由于沉在水面以下，所以不具备显著的植被光谱特征，但对B8波段与B4波段做比值运算后可以较好地识别沉水植被（图3、图4）。由图3c与图4可知，敞水区和养殖场在光谱上具有一定的相似性，仅利用缨帽变换后的特征指数TC1难以完全区分，但结合对象的上下文关系指数就可很容易将其区分开来。因此，本研究基于上述光谱特征对B8a、B4波段进行归一化处理构建了EVSI，用于提取挺水植被和浮水植被，对B8、B4波段做比值运算处理构建了SR，用于提取沉水植被。同时利用NDVI分离出建筑，以TC1和上下文关系（Rborder to farm、Rarea to farm）来提取养殖场和敞水区。

相邻某确定类别与图斑面积比 Rarea to farmRarea to farm=∑u∈Nv（d，m）#pu∑u∈Nv（d）#pu

相邻某确定类别与图斑共享的边界长度除以总边界长度Rborder to farmRborder to farm=/bvB.波段值the band value；b（v，u）.类型v、u的公共边界长度the common boundary length of types v and u；Nv（d）.对象v在距离d处的相邻对象the adjacent object of object v at a distance of d；bv.图像对象的边界长度the boundary length of the image object；#Pu.包含在Pu中的像素总数 the total number of pixels included in Pu

3）挺水植被种群特征变量选择。由于洪泽湖国家湿地公园夏季挺水植被主要有菰、荷叶和芦苇，其平均高度分别约为1.5、1.0、2.5 m。根据植被高度的雷达后向散射系数对其进行区分，依据野外实测数据选取典型均质点，统计不同极化方式下的像元均值，结果如图5。由图5可知：VV极化方式下菰跟荷叶出现混淆，VH极化方式下，荷叶跟芦苇出现混淆；而VV极化方式下，芦苇与其他地物分离性较好，VH极化方式下菰与其他地物分离性较好。因此，可以先利用VV极化方式提取芦苇，再利用VH极化方式区分菰与荷叶。

4）决策树模型构建。

决策树方法是根据一系列测试变量将数据集逐步分类为均匀性更高子集的过程，是一种非参数、分层的分类方法，不需要数据的分布假设。 由图3a、3b可知，挺水植被、浮水植被、沉水植被和敞水区在不同的敏感指数上有明显的差异可分性。EVSI大于0.65时只存在挺水植被的频率单峰；SRlt;418时，只存在沉水植被的单峰；由图3c与图4可知，先选取TC1大于625筛选出部分养殖场，再利用Rborder to farmgt;0.5和Rarea to farmgt;0.5将养殖场与敞水区及沉水植被完全区分开。由图5可知，当VV≥-9时，可将芦苇提取出来；再利用VH小于-18将菰和荷叶区分开；最后根据各地物指数的敏感阈值，建立分类规则，构建洪泽湖湿地植被的决策树模型，结果见图6。

2" 结果与分析

2.1" 洪泽湖国家湿地公园水生植被类群分析

研究区总面积约为3.30 km2，其中水生植被约为1.50 km2，养殖场、建筑和敞水区总计1.80 km2。在水生植被中沉水植被约0.86 km2，占57.6%；挺水植被约0.56 km2，占37.2%；浮水植被约0.08 km2，仅占5.2%。挺水植被和浮水植被主要分布在养殖场附近的浅水区域，沉水植被主要分布在距离岸边有一定距离且较深的水域，养殖场广泛分布于湖的周边。

2021年夏季洪泽湖国家湿地公园水生植被分布见图7。由图7可知，基于像元的湿地水生植被提取结果中，养殖场、沉水植被和敞水区发生严重混淆现象，水生植被支离破碎，不完整、不连贯，这是由于在野外，处于浅水和养殖区的部分大型沉水植物会露出水面。在面向对象的提取结果中，除了利用决策树规则，还借助了分割对象之间的上下文关系（如包含关系、相邻关系和公共边所占比关系），即使是沉水植被浮出了水面，被误分为浮水植被或养殖区，最后也能将其归类为沉水植被。

得到湿地分类结果后，再利用误差矩阵和分类精度指标进行评价，结果如表2。由表2可知：面向对象（object based，OB）的分类总精度达到了89.00%，Kappa系数为0.85；浮水植被、挺水植被和沉水植被的用户精度分别达到了78.30％、84.32％和91.30％。精度评价结果理想，分类基本一致，而基于像元（pixel based，PB）的分类总精度达到了75.90%，Kappa系数为0.68，显然比面向对象的方法精度低，因此，基于面向对象影像分析技术的决策树分类方法对湿地的水生植被提取有效。其中，利用此法得到的分类结果中浮水植被的精度较低，这是由于部分浮水植被零散分布，其范围不足以达到Sentinel-2影像的像元大小（10 m×10 m），且多存于养殖场与建筑围栏附近，大部分以细长状存在，多尺度分割后不能很好地将浮水植被与其他类别完全分开。另外，由于渔民在养殖场中大量饲养龙虾、螃蟹、黄鳝、狐尾藻、金鱼藻等，沉水植被与养殖场在影像上表现为光谱特征相似，易被混分。

2.2" 洪泽湖国家湿地公园挺水植被提取结果

洪泽湖国家湿地公园挺水植被2021年夏季的分布结果见图8。由图8可知，基于像元提取的挺水植被中出现混分较多的问题，“同物异谱”和“同谱异物”现象严重；由图8b可知，在面向对象的提取结果中，芦苇、荷叶和菰3种植被都被较好地提取了出来，没有过多零碎现象，这是由于在基于面向对象的方法中还借助了分割对象之间的上下文关系。两种提取方法效果对比可知，基于面向对象的雷达影像对种间分类效果要比基于像元的好。

利用误差矩阵进行提取精度评价的结果如表3。由表3可知，在面向对象的种间分类中，总体精度达到了85.2%，Kappa系数为0.76，荷叶、芦苇和菰的用户精度分别为89.9％、94.3％和79.8％，而基于像元的分类总体精度为73.6%，Kappa系数为0.61，都没有面向对象的精度高，这也进一步证明了面向对象影像分析技术的可行性。从表3还可以看出，荷叶跟菰的混分现象比较明显，这可能是由于部分菰零碎分布于荷叶中且与荷叶高度相似，在多尺度分割后并没有完全将两者分开，这才导致了精度较低，并且水的流速、湿地植被的密度差异以及植被物候期的不同都会影响对湿地挺水植被的准确分类。这就需要实地考察得到更多的数据，如水的化学性质、各种植被的物候期等，以此来进一步提高制图精度。

3" 结" 论

基于面向对象的决策树遥感分类方法，对洪泽湖国家湿地公园水生植被和挺水植被进行分类，可以得到较为精确的分类结果。首先借鉴了面向对象影像分析中的多尺度分割技术，采用影像对象代替传统的像元，通过ESP方法选取最佳分割尺度，使分割结果接近湿地地物，保证了水生植被类群和挺水植被种群的提取纯度；再根据Sentinel-2影像构造的特征指数NDVI、EVSI和SR可以增大地类之间的差别；利用NDVI可以分离建筑与挺水植被和浮水植被。借助缨帽变换的TC1指数虽不能很好地区分养殖场，但进一步借助养殖场与水生植被的上下文关系可以将其与敞水区有效区分；再结合Sentinel-1雷达影像对于高度差异的挺水植被所对应的后向散射系数的不同来进行区分，从而达到挺水植被的物种分类，这些结合决策树分类法可以有效地提高分类精度。

本研究最终得到洪泽湖湿地国家湿地公园以养殖场和水生植被为主，水生植被中以沉水植被和挺水植被为主，浮水植被仅占一小部分；挺水植被中以芦苇和荷叶为主，菰只有少量。该方法尚存在需完善之处，如在对影像的分割尺度选择上，缺少对单类地物最佳尺度的选择，因此，仅靠单景光学影像和雷达影像难以进行更加详细的划分。在后续的研究中，还需要多时序的光学影像以及结合其他数据源来进行物种之间更加精确的划分。

参考文献（reference）：

［1］MURPHY F，SCHMIEDER K，BAASTRUP-SPOHR L，et al．Five decades of dramatic changes in submerged vegetation in lake constance．Aquat Bot，2018，144：31-37．DOI： 10.1016/j.aquabot.2017.10.006.

［2］罗菊花，杨井志成，段洪涛，等．浅水湖泊水生植被遥感监测研究进展．遥感学报，2022，26（1）：68-76．LUO J H，YANG J，DUAN H T，et al．Research progress of aquatic vegetation remote sensing in shallow lakes．J Remote Sens，2022，26（1）：68-76．

［3］MASSICOTTE P，BERTOLO A，BRODEUR P，et al．Influence of the aquatic vegetation landscape on larval fish abundance．J Gt Lakes Res，2015，41（3）：873-880．DOI： 10.1016/j.jglr.2015.05.010.

［4］RUAN R Z，ZHANG L．Changes of Hongze Lake wetlands in the past three decades//2010 6th International Conference on Wireless Communications Networking and Mobile Computing （WiCOM）．Chengdu：IEEE，2010：1-4．DOI： 10.1109/WICOM.2010.5601034.

［5］夏双，阮仁宗，颜梅春，等．洪泽湖湿地类型变化分析．南京林业大学学报（自然科学版），2012，36（1）：38-42．XIA S，RUAN R Z，YAN M C，et al．Analysis of long-term change in Hongze Lake wetlands．J Nanjing For Univ （Nat Sci Ed），2012，36（1）：38-42．DOI： 10.3969/j.issn.1000-2006.2012.01.008.

［6］阮仁宗，冯学智，肖鹏峰，等．洪泽湖天然湿地的长期变化研究．南京林业大学学报（自然科学版），2005，29（4）：57-60．RUAN R Z，FENG X Z，XIAO P F，et al．Long-term change of natural wetland of Hongze Lake．J Nanjing For Univ，2005，29（4）：57-60．DOI： 10.3969/j.issn.1000-2006.2005.04.014.

［7］FLP G．Performance of Sentinel-2 data in unsupervised classification：a case study of statistical comparison with Landsat 8 OLI．J Agric Inform，2016，7（1）：1-12．DOI： 10.17700/jai.2016.7.1.280.

8〗阮仁宗，夏双，陈远，等．1979—2006年洪泽湖西岸临淮镇附近湖泊变化研究．湿地科学，2012，10（3）：344-349．RUAN R Z，XIA S，CHEN Y，et al．Change of lake nearby Linhuai Town in west bank of Hongze Lake during 1979-2006．Wetl Sci，2012，10（3）：344-349．DOI： 10.13248/j.cnki.wetlandsci.2012.03.014.

9〗张殿岱，王雪梅．基于高分辨率遥感影像的植被分类方法比较．林业资源管理，2021（3）：108-113．ZHANG D D，WANG X M．Comparison of vegetation classification methods based on high resolution remote sensing image．For Resour Manag，2021（3）：108-113．DOI： 10.13466/j.cnki.lyzygl.2021.03.017.

COLKESEN I，KAVZOGLU T．Ensemble-based canonical correlation forest （CCF） for land use and land cover classification using Sentinel-2 and Landsat OLI imagery．Remote Sens Lett，2017，8（11）：1082-1091．DOI： 10.1080/2150704X.2017.1354262.

PULETTI N，CHIANUCCI F，CASTALDI C．Use of Sentinel-2 for forest classification in Mediterranean environments.2017，12（4）：1463-1450．DOI：10.12899/ASR-1463.

WANG Y Q，MITCHELL B R，NUGRANAD-MARZILLI J，et al．Remote sensing of land-cover change and landscape context of the National Parks：a case study of the Northeast Temperate Network．Remote Sens Environ，2009，113（7）：1453-1461．DOI： 10.1016/j.rse.2008.09.017.

XUE B，LIN X H．Water system segmentation method of high resolution remote sensing image based on eCognition．J Phys：Conf Ser，2020，1651（1）：012162．DOI： 10.1088/1742-6596/1651/1/012162.

聂倩，七珂珂，赵艳福．融入超像素分割的高分辨率影像面向对象分类．测绘通报，2021（6）：44-49．NIE Q，QI K K，ZHAO Y F．Object-oriented classification of high-resolution image combining super-pixel segmentation．Bull Surv Mapp，2021（6）：44-49．DOI： 10.13474/j.cnki.11-2246.2021.0174.

STEINHAUSEN M J，WAGNER P D，NARASIMHAN B，et al．Combining Sentinel-1 and Sentinel-2 data for improved land use and land cover mapping of monsoon regions．Int J Appl Earth Obs Geoinf，2018，73：595-604．DOI： 10.1016/j.jag.2018.08.011.

RUIZ L F C，GUASSELLI L A，SIMIONI J P D，et al．Object-based classification of vegetation species in a subtropical wetland using Sentinel-1 and Sentinel-2A images．Sci Remote Sens，2021，3：100017．DOI： 10.1016/j.srs.2021.100017.

WHYTE A，FERENTINOS K P，PETROPOULOS G P．A new synergistic approach for monitoring wetlands using Sentinels-1 and 2 data with object-based machine learning algorithms．Environ Model Softw，2018，104：40-54．DOI： 10.1016/j.envsoft.2018.01.023.

［18］王靖，吴见．融入空间信息的湿地信息提取技术．南京林业大学学报（自然科学版），2014，38（4）：19-22．WANG J，WU J．Wetland information extraction technology integrated by spatial information．J Nanjing For Univ （Nat Sci Ed），2014，38（4）：19-22．DOI： 10.3969/j.issn.1000-2006.2014.04.004.

［19］刘瑞清，李加林，孙超，等．基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类．地理学报，2021，76（7）：1680-1692．LIU R Q，LI J L，SUN C，et al．Classification of Yancheng coastal wetland vegetation based on vegetation phenological characteristics derived from Sentinel-2 time-series．Acta Geogr Sin，2021，76（7）：1680-1692．DOI： 10.11821/dlxb202107008.

黄启武，王克孟．江苏省淮阴市土壤志．北京：科学技术文献出版社，1990．HUANG Q W，WANG K M．Soil fauna of Huaiyin City，Jiangsu Province．Beijing：Scientific and Technical Documents Publishing House，1990．

吴翼，戴蓉，徐勇峰，等．洪泽湖河湖交汇区土地利用时空动态．南京林业大学学报（自然科学版），2016，40（4）：22-28．WU Y，DAI R，XU Y F，et al．Spatial and temporal changes in wetland use in the meeting place of Hung-tse Lake and Huaihe River．J Nanjing For Univ （Nat Sci Ed），2016，40（4）：22-28．DOI： 10.3969/j.issn.1000-2006.2016.04.004.

张楼香，阮仁宗，夏双．洪泽湖湿地纹理特征参数分析．国土资源遥感，2015，27（1）：75-80．ZHANG L X，RUAN R Z，XIA S．Parameter analysis of image texture of wetland in the Hongze Lake．Remote Sens Land Resour，2015，27（1）：75-80．DOI： 10.6046/gtzyyg.2015.01.12.

姚建平．洪泽湖自然资源的开发和利用．自然资源，1994，16（5）：25-30． YAO J P．The development and utilization of natural resources in Hongze Lake．Nat Resour，1994，16（5）：25-30．

杨斌，李丹，王磊，等．基于Sentinel-2A岷江上游地表生物量反演与植被特征分析．科技导报，2017，35（21）：74-80．YANG B，LI D，WANG L，et al．Retrieval of surface vegetation biomass information and analysis of vegetation feature based on Sentinel-2A in the upper of Minjiang River．Sci Technol Rev，2017，35（21）：74-80．DOI： 10.3981/j.issn.1000-7857.2017.21.009.

DEFINIENTS IMAGE GMBH. eCognition User Guide.Germany ： Trimble， 2004.

BAATZ M， BENZ U， DEHGHANI S. eCognition Developer 8.0.1-User Guide. Germany ： Trimble， 2010.

DRGU瘙塃 L，TIEDE D，LEVICK S R．ESP：a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data．Int J Geogr Inf Sci，2010，24（6）：859-871．DOI： 10.1080/13658810903174803.

国土资源部.TD/T 1063-1994 土地利用现状调查省级汇总技术规程.北京：中国标准出版社，1994.

疏小舟，尹球，匡定波．内陆水体藻类叶绿素浓度与反射光谱特征的关系．遥感学报，2000，4（1）：41-45．SHU X Z，YIN Q，KUANG D B．Relationship between algal chlorophyll concentration and spectral reflectance of inland water．J Remote Sens，2000，4（1）：41-45．DOI： 10.3321/j.issn：1007-4619.2000.01.008.

FRIEDL M A，BRODLEY C E．Decision tree classification of land cover from remotely sensed data．Remote Sens Environ，1997，61（3）：399-409．DOI： 10.1016/s0034-4257（97）00049-7.

HANSEN M，DUBAYAH R，DEFRIES R．Classification trees：an alternative to traditional land cover classifiers．Int J Remote Sens，1996，17（5）：1075-1081．DOI： 10.1080/01431169608949069.

LUO J H，LI X C，MA R H，et al．Applying remote sensing techniques to monitoring seasonal and interannual changes of aquatic vegetation in Taihu Lake，China．Ecol Indic，2016，60：503-513．DOI： 10.1016/j.ecolind.2015.07.029.

ZHU J G，HU W P，LIU X，et al．A review of the studies on the response of aquatic vegetation to hydrodynamic stress in lakes．Acta Eco Sin，2019，39（2）：454-459．DOI： 10.5846/stxb201801300245.

（责任编辑" 郑琰燚）