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

doi:10.12284/hyxb2022014

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/hyxb2022014

华东师范大学河口海岸学国家重点实验室，上海 200241

基金项目: 国家自然科学基金（U1706214）；国家重点研发计划（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，浙江省海盐县人，教授，主要从事河口海岸学及其应用研究。E-mail：slchen@sklec.ecnu.edu.cn

中图分类号: TP75
计量
- 文章访问数: 679
- HTML全文浏览量: 247
- PDF下载量: 130
- 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
- 刊出日期: 2022-01-14

Spatiotemporal dynamic remote sensing monitoring of typical wetland vegetation in the Current Huanghe River Estuary Reserve

State Key Laboratory of Estuarine and Coastal Research, East China Normal University, Shanghai 200241, China

摘要

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年开始呈减少趋势，优势度不断减小且破碎化程度严重。互花米草由2002年的221.85 hm²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，年平均扩展率为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，年平均扩展率仅为9%。
- 现行黄河口 /
- 湿地植被 /
- 时空变化 /
- 面向对象 /
- 随机森林
Abstract: The wetland vegetation is an important part of coastal wetlands, and its dynamic changes affect the structures and functions of wetland ecosystem. Therefore, it is of great significance to monitor and evaluate the long-term changes of wetland vegetation by remote sensing technology for the management of coastal resources and ecological protection. In this paper, we used multi-temporal Landsat satellite images as data sources, combined object-oriented method and random forest algorithm to achieve accurate classification of typical wetland vegetation in the Current Huanghe River Estuary Reserve, and revealed the spatiotemporal variation characteristics of Phragmites australis, Suaeda salsa and Spartina alterniflora in the study area from 2000 to 2020. It has been verified that the overall accuracy of wetland vegetation mapping is between 84.74% and 92.39%, and the Kappa coefficient is between 0.81 and 0.91. The results of long time series classification show that Phragmites australis is the dominant species in the Current Huanghe Estuary Reserve, and its distribution area is maintained at more than 6% and the overall growth is steady. The area of Suaeda salsa shows a decreasing trend since 2006. The dominance degree of Suaeda salsa is decreasing continuously and the degree of fragmentation is severe. The area of Spartina alterniflora increased year by year from 211.85 hm² in 2002 to 5267.79 hm² in 2020. The expansion process of Spartina alterniflora in the reserve could be divided into three stages: in the initial expansion period before 2008, the growth of Spartina alterniflora was unstable; from 2008 to 2014, there was a rapid expansion stage, with an average annual expansion rate of 54%, which showed that the seaward expansion invaded the plain and the landward expansion invaded the habitat of Suaeda salsa in space; since 2014, Spartina alterniflora has been growing slowly, entering a stable growth period, and the annual average expansion rate is only 9%.
- Current Huanghe River Estuary /
- wetland vegetation /
- spatiotemporal variation /
- object-oriented /
- random forest

HTML全文

图 1 研究区位置

Fig. 1 Location of the study area

下载: 全尺寸图片幻灯片

图 2 2000−2020年现行黄河口保护区典型湿地植被分布

Fig. 2 Distribution of typical wetland vegetation in the Current Huanghe River Estuary Reserve from 2000 to 2020

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

图 4 2002−2020年不同入侵年份互花米草分布格局及DSAS 计算2014−2020年互花米草扩张速率所用基线和断面分布

Fig. 4 Distribution pattern of Spartina alterniflora in different invasive years from 2002 to 2020 and the distributions of baseline and transects used by DSAS to calculate the expansion rate of S. alterniflora from 2014 to 2020

下载: 全尺寸图片幻灯片

图 5 不同区域互花米草斑块面积变化

Fig. 5 Variation of Spartina alterniflora plaque area in different regions

下载: 全尺寸图片幻灯片

图 6 区域A−E互花米草向海和向陆的扩张速率

Fig. 6 Seaward and landward expansion rates of Spartina alterniflora in A−E areas

下载: 全尺寸图片幻灯片

表 1 卫星数据信息

Tab. 1 Satellite data information

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-7 ETM+	2000年5月2日	Landsat-7 ETM+	2006年10月26日	Landsat-8 OLI	2014年7月20日
Landsat-5 TM	2000年9月15日	Landsat-5 TM	2008年6月1日	Landsat-8 OLI	2014年10月24日
Landsat-5 TM	2000年10月17日	Landsat-5 TM	2008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 OLI	2016年8月26日
Landsat-7 ETM+	2002年9月29日	Landsat-5 TM	2010年6月7日	Landsat-8 OLI	2016年11月14日
Landsat-5 TM	2002年10月23日	Landsat-5 TM	2010年9月11日	Landsat-8 OLI	2018年5月28日
Landsat-7 ETM+	2004年5月13日	Landsat-5 TM	2010年10月13日	Landsat-8 OLI	2018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 OLI	2018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 OLI	2020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 OLI	2014年5月1日	Landsat-8 OLI	2020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）
类型	2000年	2002年	2004年	2006年	2008年	2010年	2012年	2014年	2016年	2018年	2020年
芦苇	42/104	45/105	44/112	47/131	60/160	74/187	76/216	83/215	92/203	98/232	102/236
碱蓬	30/92	38/115	45/135	30/115	30/102	32/136	33/118	39/113	41/120	44/124	43/160
互花米草	−	6/25	5/21	2/10	5/32	12/46	38/112	48/138	80/220	92/240	95/262
光滩	37/118	38/121	31/108	36/105	42/110	38/125	31/114	46/129	45/102	51/127	45/132
水体	21/68	26/82	29/84	25/87	30/96	42/114	34/102	38/117	44/103	45/113	47/125
其他	15/38	16/32	17/30	15/32	16/30	31/32	32/48	30/48	30/52	36/64	38/85
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	蓝波段均值、绿波段均值、红波段均值、近红外波段均值、短波红外1波段均值、短波红外2波段均值、蓝波段标准差、绿波段标准差、红波段标准差、近红外波段标准差、短波红外1波段标准差、短波红外2波段标准差、亮度、最大化差异
几何特征	宽度、长度、长宽比、不对称性、边界指数、紧凑性、密度、形状指数
纹理特征	基于灰度共生矩阵的第一主成分的平均值、方差、同质性、对比度、非相似性、熵、角二矩阵和相关性
其他特征	归一化植被指数、差值植被指数、比值植被指数、归一化水体指数、改进归一化水体指数

下载: 导出CSV

表 4 优选特征分布

Tab. 4 Preferred feature distribution

月份	优选特征
5月	蓝波段均值、绿波段标准差、比值植被指数
9月	蓝波段标准差、短波红外1波段标准差、短波红外2波段均值、亮度、归一化植被指数、差值植被指数、改进归一化水体指数、不对称性、长宽比、紧凑性、基于灰度共生矩阵的方差、对比度、熵
10月	红波段标准差、短波红外2波段均值、短波红外2波段标准差、亮度、归一化植被指数、改进归一化水体指数、紧凑性、密度、基于灰度共生矩阵的对比度、方差

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 Area，CA）	${{\rm{CA} }=\sum\limits_{j=1}^{n}{a}_{ij} }$	表征某一类型所有斑块的总面积，可度量景观的组分
斑块所占景观面积比例（Percent of Landscape，PLAND）	${ {\rm{PLAND} }=\dfrac{\sum\limits_{j=1}^{n}{a}_{ij} }{A}\times 100\text{%}}$	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 Index，LPI）	${{\rm{LPI} } = \max\limits_ {j = 1}^n \left( { {a_{ij} } } \right)/A}$	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）	${{\rm{AREA} }\_{\rm{Mean} }=\mathrm{C}\mathrm{A}/NP}$	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 Index，LSI）	${ {\rm{LSI} }=0.25E/\sqrt{A} }$	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（Aggregation Index，AI）	$ {{\rm{AI} }=\dfrac{ {g}_{ij} }{ {\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：a_ij表示斑块ij的面积；A表示所有景观总面积；E表示所有斑块边界的总长度；g_ij表示相应景观类型的相似邻接斑块数量；NP表示斑块个数。

下载: 导出CSV

表 6 精度验证结果

Tab. 6 Results of accuracy verification

类别	2000年	2002年	2004年	2006年	2008年	2010年	2012年	2014年	2016年	2018年	2020年	平均值
芦苇	96.15^a	95.24^a	93.75^a	90.84^a	92.50^a	87.70^a	93.52^a	88.84^a	98.03^a	91.81^a	93.64^a	92.91^a
芦苇	92.59^b	99.01^b	96.33^b	88.81^b	94.27^b	96.47^b	91.82^b	83.77^b	93.87^b	90.64^b	94.44^b	92.90^b
碱蓬	81.52^a	82.61^a	82.22^a	86.09^a	89.22^a	84.56^a	88.14^a	84.07^a	88.33^a	83.87^a	87.41^a	85.28^a
碱蓬	84.27^b	87.16^b	86.72^b	81.15^b	81.25^b	86.47^b	87.39^b	83.33^b	80.92^b	85.95^b	84.29^b	84.44^b
互花米草	−	84.00^a	95.24^a	90.00^a	84.380^a	82.61^a	84.82^a	86.96^a	90.91^a	92.50^a	96.18^a	88.57^a
	−	100.00^b	90.91^b	90.00^b	100.00^b	84.44^b	89.62^b	81.63^b	97.56^b	94.07^b	93.33^b	92.16^b
总体精度/%	88.57	89.58	88.57	86.88	89.81	91.09	90.70	84.74	91.75	90.22	92.39	89.48
Kappa系数	0.85	0.87	0.86	0.83	0.87	0.89	0.88	0.81	0.89	0.88	0.91	0.87
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增速及年扩展率

Tab. 7 Area increasing rate and annual expansion rate of Spartina alterniflora in the study area

项目	2008−2010年	2010−2012年	2012−2014年	2014−2016年	2016−2018年	2018−2020年
面积增速/（hm²·a⁻¹）	97.56	799.88	434.25	322.81	240.68	605.84
年扩展率/%	31.53	111.42	19.16	10.45	3.10	13.97

下载: 导出CSV

参考文献(37)

[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]	赵可夫, 冯立田, 张圣强, 等. 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