留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

现行黄河口保护区典型湿地植被时空动态遥感监测

张晨宇 陈沈良 李鹏 刘清兰

张晨宇,陈沈良,李鹏,等. 现行黄河口保护区典型湿地植被时空动态遥感监测[J]. 海洋学报,2021,44(x):1–12 doi: 10.12284/hyxb2021196
引用本文: 张晨宇,陈沈良,李鹏,等. 现行黄河口保护区典型湿地植被时空动态遥感监测[J]. 海洋学报,2021,44(x):1–12 doi: 10.12284/hyxb2021196
Zhang Chenyu,Chen Shenliang,Li Peng, et al. Spatiotemporal dynamic monitoring of typical wetland vegetation in the Current Yellow River Estuary Reserve[J]. Haiyang Xuebao,2021, 44(x):1–12 doi: 10.12284/hyxb2021196
Citation: Zhang Chenyu,Chen Shenliang,Li Peng, et al. Spatiotemporal dynamic monitoring of typical wetland vegetation in the Current Yellow River Estuary Reserve[J]. Haiyang Xuebao,2021, 44(x):1–12 doi: 10.12284/hyxb2021196

现行黄河口保护区典型湿地植被时空动态遥感监测

doi: 10.12284/hyxb2021196
基金项目: 国家自然科学基金(U1706214);国家重点研发计划项目(2017YFC0405503)
详细信息
    作者简介:

    张晨宇(1996-),女,江苏省徐州市人,主要从事河口海岸遥感及应用研究。E-mail:51193904010@stu.ecnu.edu.cn

    通讯作者:

    陈沈良(1964-),男,浙江省海盐市人,教授,主要从事河口海岸学及其应用研究。E-mail:slchen@sklec.ecnu.edu.cn

Spatiotemporal dynamic monitoring of typical wetland vegetation in the Current Yellow River Estuary Reserve

  • 摘要: 滩涂植被是滨海湿地的重要组成部分,其动态变化影响着湿地生态系统的结构和功能。利用遥感技术监测和评估湿地植被的长期变化对于海岸带资源管理和生态保护具有重要意义。本文以多时相Landsat卫星影像为数据源,结合面向对象和随机森林算法实现现行黄河口保护区内典型湿地植被的精准分类,揭示了2000−2020年研究区内芦苇、盐地碱蓬和互花米草的时空变化特征。经验证,湿地植被制图的总体精度为84.74%~92.39%,Kappa系数为0.81~0.91。长时序的分类结果表明,芦苇是现行黄河口保护区内的优势物种,分布面积占比维持在6%以上且总体保持平稳增长;盐地碱蓬面积自2006年开始呈下降趋势,优势度不断减小且破碎化程度剧烈。互花米草由2006年的9.36 hm2逐年增加到2020年的5267.79 hm2,其扩张过程可分为3个阶段:2008年以前为扩张初期,互花米草生长不稳定;2008−2014年为快速扩张阶段,年平均扩张速率为54%,空间上表现为向海扩张侵占光滩和向陆扩张侵占碱蓬生境;2014年至今为缓慢增长阶段,进入生长的稳定期,年平均扩张速率仅为9%。
  • 图  1  研究区位置

    Fig.  1  Location of the study area

    图  2  2000−2020年现行黄河口保护区典型湿地植被分布图

    Fig.  2  Distribution map of typical wetland vegetation in the Current Yellow River estuary reserve from 2000 to 2020

    图  3  2000−2020年3种典型湿地植被的景观格局指数变化趋势

    Fig.  3  Change trend of landscape pattern index of three typical wetland vegetations from 2000 to 2020

    图  4  2000−2020年不同入侵年份互花米草分布格局及DSAS计算所用的基线和断面分布(以2014−2020年为例)

    Fig.  4  Distribution pattern of Spartina alterniflora in different invasive years from 2000 to 2020 and the distributions of baseline and transects for DSAS analysis (take 2014−2020 as an example)

    图  5  不同区域互花米草面积变化

    Fig.  5  Variation of Spartina alterniflora area in different regions

    图  6  A-E区互花米草向海和向陆方向的扩张速率

    Fig.  6  Seaward and landward expansion rates of Spartina alterniflora salt marsh in A-E area

    表  1  遥感影像类型及成像时间

    Tab.  1  Types of remote sensing images and their acquired dates

    影像类型成像时间影像类型成像时间影像类型成像时间
    Landsat-5 TM2000年5月2日Landsat-7 ETM+2006年10月26日Landsat-8 OLI2014年7月20日
    Landsat-5 TM2000年9月15日Landsat-5 TM2008年6月1日Landsat-8 OLI2014年10月24日
    Landsat-5 TM2000年10月17日Landsat-5 TM2008年9月5日Landsat-7 ETM+2016年5月30日
    Landsat-7 ETM+2002年5月24日Landsat-7 ETM+2008年10月31日Landsat-8 OLI2016年8月26日
    Landsat-7 ETM+2002年9月29日Landsat-5 TM2010年6月7日Landsat-8 OLI2016年10月14日
    Landsat-5 TM2002年10月23日Landsat-5 TM2010年9月11日Landsat-8 OLI2018年5月28日
    Landsat7 ETM+2004年5月13日Landsat-5 TM2010年10月13日Landsat-8 OLI2018年9月17日
    Landsat-7 ETM+2004年9月18日Landsat-7 ETM+2012年5月19日Landsat-8 OLI2018年10月19日
    Landsat-7 ETM+2004年10月20日Landsat-7 ETM+2012年8月23日Landsat-8 OLI2020年5月17日
    Landsat-7 ETM+2006年6月4日Landsat-7 ETM+2012年10月26日Landsat-7 ETM+2020年9月30日
    Landsat-7 ETM+2006年9月24日Landsat-8 OLI2014年5月1日Landsat-8 OLI2020年10月24日
    下载: 导出CSV

    表  2  2000−2020年不同地物类型的样本信息

    Tab.  2  Sample information of different feature types from 2000 to 2020

    类型训练样本个数(对象)/验证样本个数(个)
    2000年2002年2004年2006年2008年2010年2012年2014年2016年2018年2020年
    芦苇42/10445/10544/11247/13160/16074/18776/21683/21592/20398/232102/236
    碱蓬30/9238/11545/13530/11530/10232/13633/11839/11341/12044/12443/160
    互花米草6/255/212/105/3212/4638/11248/13880/22092/24095/262
    光滩37/11838/12131/10836/10542/11038/12531/11446/12945/10251/12745/132
    水体21/6826/8229/8425/8730/9642/11434/10238/11744/10345/11347/125
    其它15/3816/3217/3015/3216/3031/3232/4830/4830/5236/6438/85
      注:−代表该年份研究区内无此地物类型分布。
    下载: 导出CSV

    表  3  初始特征空间

    Tab.  3  The initial feature space

    特征名称
    光谱特征Mean B、Mean G、Mean R、Mean NIR、Mean SWIR1、Mean SWIR2、
    Standard deviation B、Standard deviation G、Standard deviation R、Standard deviation NIR、Standard deviation SWIR1、Standard deviation SWIR2、Brightness、Max_diff
    几何特征Width、Length、Length/Width、Asymmetry、Border index、Compactness、Density、Shape index
    纹理特征GLCM Homogeneity PC1、GLCM Contrast PC1、GLCM Dissimilarity PC1、GLCM Entropy PC1、GLCM Ang.2nd moment PC1、GLCM Mean PC1、GLCM StdDev PC1、GLCM Correlation PC1
    其他特征Mean NDVI、Mean RVI、Mean DVI、Mean NDWI、Mean MNDWI
    下载: 导出CSV

    表  4  优选特征分布表

    Tab.  4  Preferred feature distribution table

    月份优选特征
    5月Mean blue_05、std green_05、Mean rvi_05
    9月Std swir1_09、dvi_09、mndwi_09、brightness_09、glcm stdde_09、glcm contr_09、std blue_09、ndvi_09、compactnes_09、glcm entro_09、asymmetry_09、lengthwidt_09、mean swir2_09
    10月Brightness_10、mean swir2_10、density_10、std swir2_10、mndwi_10、ndvi_10、compactnes_10、glcm contr_10、std red_10、glcm stdde_10
    下载: 导出CSV

    表  5  景观格局指数及其生态意义

    Tab.  5  Landscape pattern index and its ecological significance

    指数公式描述生态意义
    斑块面积(Class areaCA$ CA=\sum\limits_{j=1}^{n}{a}_{ij} $某一类型所有斑块的总面积,度量景观的组分。
    斑块所占景观面积比例(Percent of landscapePLAND$ PLAND=\dfrac{\sum\limits_{j=1}^{n}{a}_{ij}}{A}\left(100\right) $表征某一斑块类型的面积占景观总面积的百分比,是确定景观中优势物种的重要依据。
    最大斑块指数
    Largest patch indexLPI
    $LPI = \mathop {max}\limits^{\mathop {j = 1}\limits_n } \left( {{a_{ij}}} \right)/A$表征某一类型中的最大斑块面积占整个景观的比例,有助于确定景观的优势类型。
    平均斑块面积(AREA_Mean$ AREA\_MN=\mathrm{C}\mathrm{A}/\mathrm{N}\mathrm{P} $表征景观的破碎程度,值越小,斑块类型越破碎。
    斑块形状指数
    Landscape shape indexLSI
    $ LSI=0.25E/\sqrt{A} $反映景观类型的形状变化,值越大,斑块形状越复杂。
    聚合指数(AggregationAI$ AI=\dfrac{{g}_{ij}}{\mathit{max}{g}_{ij}}\times 100 $反映景观类型中斑块之间的聚散程度,值越大斑块内部的连接度越高,而破碎度越低。
      注:表中aij是斑块ij的面积;A是所有景观总面积;E是所有斑块边界的总长度;gij是相应景观类型的相似邻接斑块数量。
    下载: 导出CSV

    表  6  2000−2020年分类精度统计

    Tab.  6  Classification accuracy statistics from 2000 to 2020

    类别2000年2002年2004年2006年2008年2010年2012年2014年2016年2018年2020年平均
    芦苇96.15a95.2493.7590.8492.5087.7093.5288.8498.0391.8193.6492.91
    92.59b99.0196.3388.8194.2796.4791.8283.7793.8790.6494.4492.90
    碱蓬81.5282.6182.2286.0989.2284.5688.1484.0788.3383.8787.4185.28
    84.2787.1686.7281.1581.2586.4787.3983.3380.9285.9584.2984.44
    互花84.00095.2490.0084.38082.6184.8286.9690.9192.5096.1888.57
    米草100.0090.9190.00100.0084.4489.6281.6397.5694.0793.3392.16
    总体精度88.5789.5888.5786.8889.8191.0990.7084.7491.7590.2292.3989.48
    Kappa系数0.850.870.860.830.870.890.880.810.890.880.910.87
      注:a为制图精度(%);b为用户精度(%);−代表该年份研究区内无此地物类型分布。
    下载: 导出CSV

    表  7  研究区互花米草的新增面积及扩张速率

    Tab.  7  Newly added area and expansion rate of Spartina alterniflora in the study area

    年份2008−2010年2010−2012年2012−2014年2014−2016年2016−2018年2018−2020年
    新增米草面积/(hm2·a−197.56799.88434.25322.81240.68605.84
    年扩张速率/%31.53111.4219.1610.453.1013.97
    下载: 导出CSV
  • [1] Barbier E B. Valuing ecosystem services for coastal wetland protection and restoration: progress and challenges[J]. Resources, 2013, 2(3): 213−230. doi: 10.3390/resources2030213
    [2] 宗秀影, 刘高焕, 乔玉良, 等. 黄河三角洲湿地景观格局动态变化分析[J]. 地球信息科学学报, 2009, 11(1): 91−97. doi: 10.3969/j.issn.1560-8999.2009.01.014

    Zong Xiuying, Liu Gaohuan, Qiao Yuliang, et al. Study on dynamic changes of wetland landscape pattern in Yellow River Delta[J]. Journal of Geo-Information Science, 2009, 11(1): 91−97. doi: 10.3969/j.issn.1560-8999.2009.01.014
    [3] Fitzsimmons O N, Ballard B M, Merendino M T, et al. Implications of coastal wetland management to nonbreeding waterbirds in Texas[J]. Wetlands, 2012, 32(6): 1057−1066. doi: 10.1007/s13157-012-0336-2
    [4] Fu Bolin, Wang Yeqiao, Campbell A, et al. Comparison of object-based and pixel-based Random Forest algorithm for wetland vegetation mapping using high spatial resolution GF-1 and SAR data[J]. Ecological Indicators, 2017, 73: 105−117. doi: 10.1016/j.ecolind.2016.09.029
    [5] Jin Kangkang, Fan Jinshan, Zhao Xuan, et al. Analysis on dynamic change of vegetation coverage in coastal wetland of Yellow River Delta[J]. IOP Conference Series:Earth and Environmental Science, 2020, 450: 012108. doi: 10.1088/1755-1315/450/1/012108
    [6] 韩美, 张晓惠, 刘丽云. 黄河三角洲湿地研究进展[J]. 生态环境学报, 2006, 15(4): 872−875. doi: 10.3969/j.issn.1674-5906.2006.04.041

    Han Mei, Zhang Xiaohui, Liu Liyun. Research progress on wetland of the Yellow River Delta[J]. Ecology and Environment, 2006, 15(4): 872−875. doi: 10.3969/j.issn.1674-5906.2006.04.041
    [7] 莫利江, 曹宇, 胡远满, 等. 面向对象的湿地景观遥感分类-以杭州湾南岸地区为例[J]. 湿地科学, 2012, 10(2): 206−213. doi: 10.3969/j.issn.1672-5948.2012.02.013

    Mo Lijiang, Cao Yu, Hu Yuanman, et al. Object-oriented classification for satellite remote sensing of wetlands: a case study in southern Hangzhou Bay area[J]. Wetland Science, 2012, 10(2): 206−213. doi: 10.3969/j.issn.1672-5948.2012.02.013
    [8] Ren Kai, Sun Weiwei, Meng Xiangchao, et al. Fusing China GF-5 hyperspectral data with GF-1, GF-2 and sentinel-2A multispectral data: which methods should Be used?[J]. Remote Sensing, 2020, 12(5): 882. doi: 10.3390/rs12050882
    [9] Sun Weiwei, Du Qian. Hyperspectral band selection: a review[J]. IEEE Geoscience and Remote Sensing Magazine, 2019, 7(2): 118−139. doi: 10.1109/MGRS.2019.2911100
    [10] Zhu Yuanhui, Liu Kai, Liu Lin, et al. Retrieval of Mangrove Aboveground Biomass at the Individual Species Level with WorldView-2 Images[J]. Remote Sensing, 2015, 7(9): 12192−12214. doi: 10.3390/rs70912192
    [11] Wang Anqi, Chen Jiadai, Jing Changwei, et al. Monitoring the invasion of Spartina alterniflora from 1993 to 2014 with Landsat TM and SPOT 6 satellite data in Yueqing Bay, China[J]. PLoS ONE, 2015, 10(8): e0135538. doi: 10.1371/journal.pone.0135538
    [12] Ai Jinquan, Gao Wei, Gao Zhiqiang, et al. Phenology-based Spartina alterniflora mapping in coastal wetland of the Yangtze Estuary using time series of GaoFen satellite no. 1 wide field of view imagery[J]. Journal of Applied Remote Sensing, 2017, 11(2): 026020. doi: 10.1117/1.JRS.11.026020
    [13] Huang Huamei, Zhang Liquan. A study of the population dynamics of Spartina alterniflora at Jiuduansha shoals, Shanghai, China[J]. Ecological Engineering, 2007, 29(2): 164−172. doi: 10.1016/j.ecoleng.2006.06.005
    [14] Lee T M, Yeh H C. Applying remote sensing techniques to monitor shifting wetland vegetation: a case study of Danshui River estuary mangrove communities, Taiwan[J]. Ecological Engineering, 2009, 35(4): 487−496. doi: 10.1016/j.ecoleng.2008.01.007
    [15] Zhang Xi, Xiao Xiangming, Wang Xinxin, et al. Quantifying expansion and removal of Spartina alterniflora on Chongming island, China, using time series Landsat images during 1995-2018[J]. Remote Sensing of Environment, 2020, 247: 111916. doi: 10.1016/j.rse.2020.111916
    [16] Laba M, Downs R, Smith S, et al. Mapping invasive wetland plants in the Hudson River National Estuarine Research Reserve using quickbird satellite imagery[J]. Remote Sensing of Environment, 2008, 112(1): 286−300. doi: 10.1016/j.rse.2007.05.003
    [17] Szantoi Z, Escobedo F J, Abd-Elrahman A, et al. Classifying spatially heterogeneous wetland communities using machine learning algorithms and spectral and textural features[J]. Environmental Monitoring and Assessment, 2015, 187(5): 262. doi: 10.1007/s10661-015-4426-5
    [18] Zlinszky A, Mücke W, Lehner H, et al. Categorizing wetland vegetation byairborne laser scanning on Lake Balaton and Kis-Balaton, Hungary[J]. Remote Sensing, 2012, 4(6): 1617−1650. doi: 10.3390/rs4061617
    [19] Han Xingxing, Chen Xiaoling, Feng Lian. Four decades of winter wetland changes in Poyang Lake based on Landsat observations between 1973 and 2013[J]. Remote Sensing of Environment, 2015, 156: 426−437. doi: 10.1016/j.rse.2014.10.003
    [20] Timm B C, McGarigal K. Fine-scale remotely-sensed cover mapping of coastal dune and salt marsh ecosystems at Cape Cod National Seashore using Random Forests[J]. Remote Sensing of Environment, 2012, 127: 106−117. doi: 10.1016/j.rse.2012.08.033
    [21] 毕恺艺, 牛铮, 黄妮, 等. 基于Sentinel-2A时序数据和面向对象决策树方法的植被识别[J]. 地理与地理信息科学, 2017, 33(5): 16−20, 27. doi: 10.3969/j.issn.1672-0504.2017.05.003

    Bi Kaiyi, Niu Zheng, Huang Ni, et al. Identifying vegetation with decision tree model based on object-oriented method using multi-temporal Sentinel-2A images[J]. Geography and Geo-Information Science, 2017, 33(5): 16−20, 27. doi: 10.3969/j.issn.1672-0504.2017.05.003
    [22] Lantz N J, Wang Jinfei. Object-based classification of Worldview-2 imagery for mapping invasive common reed, Phragmites australis[J]. Canadian Journal of Remote Sensing, 2013, 39(4): 328−340. doi: 10.5589/m13-041
    [23] Cao Mingchang, Liu Gaohuan, Zhang Xiaoyu. An object-oriented approach to map wetland vegetation: a case study of Yellow River Delta, 2007[C]//2007 IEEE International Geoscience and Remote Sensing Symposium. Barcelona, Spain: IEEE, 2007: 4585−4587.
    [24] 徐洋. 黄河口沙嘴地貌特征对植被分布格局的影响研究[D]. 烟台: 鲁东大学, 2019.

    Xu Yang. Study on the impacts of Yellow River estuary sand mouth geomorphological characteristics on vegetation distribution pattern[D]. Yantai: Ludong University, 2019.
    [25] 杨俊芳, 马毅, 任广波, 等. 基于国产高分卫星遥感数据的现代黄河三角洲入侵植物互花米草监测方法[J]. 海洋环境科学, 2017, 36(4): 596−602.

    Yang Junfang, Ma Yi, Ren Guangbo, et al. Monitoring method of invasive vegetation Spartina alterniflora in modern Yellow River Delta based on GF remote sensing data[J]. Marine Environmental Science, 2017, 36(4): 596−602.
    [26] 刘康, 闫家国, 邹雨璇, 等. 黄河三角洲盐地碱蓬盐沼的时空分布动态[J]. 湿地科学, 2015, 13(6): 696−701.

    Liu Kang, Yan Jiaguo, Zou Yuxuan, et al. Dynamics of spatial and temporal distribution of Suaeda salsas salt marshes in the Yellow River Delta[J]. Wetland Science, 2015, 13(6): 696−701.
    [27] Ren Guangbo, Zhao Yajie, Wang Jianbu, et al. Ecological effects analysis of Spartina alterniflora invasion within Yellow River Delta using long time series remote sensing imagery[J]. Estuarine, Coastal and Shelf Science, 2021, 249: 107111. doi: 10.1016/j.ecss.2020.107111
    [28] Ding Qiong, Chen Wu, King B A, et al. Coastal wetland investigations by airborne LiDAR: a case study in the Yellow River Delta, China[J]. Marine Technology Society Journal, 2011, 45(5): 59−70. doi: 10.4031/MTSJ.45.5.6
    [29] Sun Chao, Li Jialin, Liu Yongxue, et al. Plant species classification in salt marshes using phenological parameters derived from Sentinel-2 pixel-differential time-series[J]. Remote Sensing of Environment, 2021, 256: 112320. doi: 10.1016/j.rse.2021.112320
    [30] 耿仁方, 付波霖, 蔡江涛, 等. 基于无人机影像和面向对象随机森林算法的岩溶湿地植被识别方法研究[J]. 地球信息科学学报, 2019, 21(8): 1295−1306. doi: 10.12082/dqxxkx.2019.180631

    Geng Renfang, Fu Bolin, Cai Jiangtao, et al. Object-based karst wetland vegetation classification method using unmanned aerial vehicle images and random forest algorithm[J]. Journal of Geo-Information Science, 2019, 21(8): 1295−1306. doi: 10.12082/dqxxkx.2019.180631
    [31] Moffett K B, Gorelick S M. Distinguishing wetland vegetation and channel features with object-based image segmentation[J]. International Journal of Remote Sensing, 2013, 34(4): 1332−1354. doi: 10.1080/01431161.2012.718463
    [32] Liu Jianhua, Du Mingyu, Mao Zhengyuan. Scale computation on high spatial resolution remotely sensed imagery multi-scale segmentation[J]. International Journal of Remote Sensing, 2017, 38(18): 5186−5214. doi: 10.1080/01431161.2017.1325536
    [33] Drǎguţ L, Tiede D, Levick S R. ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010, 24(6): 859−871. doi: 10.1080/13658810903174803
    [34] 张磊, 宫兆宁, 王启为, 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报, 2019, 23(2): 313−326.

    Zhang Lei, Gong Zhaoning, Wang Qiwei, et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J]. Journal of Remote Sensing, 2019, 23(2): 313−326.
    [35] 刘明月. 中国滨海湿地互花米草入侵遥感监测及变化分析[D]. 长春: 中国科学院大学(中国科学院东北地理与农业生态研究所), 2018.

    Liu Mingyue. Remote sensing analysis of Spartina alterniflora in the coastal areas of China during 1990 to 2015[D]. Changchun: University of Chinese Academy of Sciences (Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences), 2018.
    [36] Zhang Cheng, Gong Zhaoning, Qiu Huachang, et al. Mapping typical salt-marsh species in the Yellow River Delta wetland supported by temporal-spatial-spectral multidimensional features[J]. Science of the Total Environment, 2021, 783: 147061. doi: 10.1016/j.scitotenv.2021.147061
    [37] 黄河三角洲不同生态型芦苇对盐度适应生理的研究Ⅱ. 不同生态型芦苇的光合气体交换特点[J]. 生态学报, 2000, 20(5): 795−799. doi: 10.3321/j.issn:1000-0933.2000.05.014

    Zhao Kefu, Feng Litian, Zhang Shengqiang, et al. The salinity-adaptation physiology in different ecotypes of Phragmites communis in the Yellow River Delta Ⅱ. The characteristics of photosynthetic gas exchange in different ecotypes of Phragmites communis[J]. Acta Ecologica Sinica, 2000, 20(5): 795−799. doi: 10.3321/j.issn:1000-0933.2000.05.014
  • 加载中
图(6) / 表(7)
计量
  • 文章访问数:  16
  • HTML全文浏览量:  3
  • PDF下载量:  10
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-04-12
  • 修回日期:  2021-08-26
  • 网络出版日期:  2021-09-14

目录

    /

    返回文章
    返回