利用遥感技术识别湿地研究的进展

高菊玲

（山东省莱州市林业局，山东 莱州 261400）

1 引言

湿地是具有多样功能的一种独特陆地生态系统，是各国重要的国土资源和自然资源[1]。卫星遥感技术凭借其低成本、快速和时空全覆盖的优势，在湿地识别研究中有广阔的应用前景。本文系统地整理了近年来相关研究文献，并在此基础上对基于卫星遥感的湿地识别提取研究的最新进展进行综述，以期为国内刚刚起步的相关研究提供有益的背景资料。

2 湿地及其分类

对湿地的定义在学术界目前并无定论，最具代表性的包括1971年《湿地公约》和1979年《美国的湿地和深水生境分类》中给出的定义。其中《湿地公约》对湿地的定义是:“湿地系指不论其为天然或人工、长久或暂时之沼泽地、泥炭地或水域地带,带有或静止或流动、或为淡水、半咸水或咸水水体者,包括低潮时水深不超过6 m的水域。”

科学合理的湿地分类体系是进行湿地研究的期初。目前湿地分类标准大致可归纳为成因分类法和特征分类法两类，其中前者被广泛使用[2]。为方便湿地定量研究和湿地模型的应用，综合分类方法随后被提出，并产生较大影响[3]。各个国家和组织都有不同的湿地分类标准。迄今，尚无世界公认的湿地分类标准。美国把湿地分为海岸湿地和内陆湿地2类，而湿地公约则将湿地分为海洋/海岸湿地、内陆湿地和人工湿地3类[4]。就我国而言，国家林业局在1995-2001年第一次全国湿地资源调查时将我国湿地分为滨海湿地、河流湿地、湖泊湿地、沼泽湿地和库塘湿地5大类28型[5]；唐小平等（2003）总结过去湿地分类系统，并结合中国独特的国情，提出了湿地分级式分类系统[5]；杨爱民等（2006）根据《湿地公约》和相关研究成果，将中国湿地分为 5大类26小类[6]。赵惠和牛振国（2009）对湿地区划的指标体系、原则、方法以及等级体系等进行了系统讨论[7]。由于不同地区不同的自然及人文地理特征差异，其湿地类型各不相同，因此湿地分类体系也各具特点，如三江平原[8,9]、东北地区[10]、大兴安岭[11]、辽河三角洲[12]、湖南[13]、浙江[14,15]、江苏[16]等。

利用卫星遥感技术识别湿地时，湿地分类体系的制定需重视针对性、实用性以及可操作性。此外，由于分类层次与研究尺度相对应，且分类系统直接影响分类精度，因此，不同研究有不同的分类体系。在目前湿地研究中，分类体系大致可以归纳为四种模式。第一种模式目前应用最为广泛，它结合中国湿地实际情况，《湿地公约》以及已有湿地分类系统，提出满足研究需求的湿地分类系统。基本上，湿地分类系统可以分为两级。卢善龙等（2011）基于中国湿地调查的分类成果和《湿地公约》，提出了海河流域湿地分类系统。该系统将湿地分为内陆湿地、近海和海岸湿地以及人工湿地3大类，其中每一大类又细分为不同亚类，并详细界定了每一亚类的基本涵义[17]。温庆可等（2011）根据国家海洋局908专项规程，并结合《湿地公约》提出了环渤海滨湿地分类系统，该系统包括天然湿地和人工湿地两大类。其中天然湿地同时包括6亚类，而人工湿地包括3亚类[18]。虽然这种湿地分类体系的模式较为全面和规范，但是有些类别无法被遥感识别，需要人工目视解译的辅助。第2种模式基于不同的研究目的制定湿地分类体系。为突出闽江河口湿地的综合性、本质特征以及湿地的人为影响，余明等（2006）制定了三级湿地分类系统[19]；为提取上海崇明岛自然保护区的滩涂植被信息，管玉娟等（2008）制定了水体和多种湿地植被分类体系[20]；为提取典型内陆淡水湿地水体，于欢等（2008）制定了多种水体和保护区分类体系[21]。第3种模式是基于植被的湿地分类系统。研究表明，利用遥感影像进行湿地类型识别和勾绘的关键是植被影纹,这不仅因为植被是土壤排水条件的良好指示器,更重要的是因为湿地植物种群有特定的反射光谱,尤其在近红外波段,不同植物的反射率差异程度较大,这一特性有利于湿地结构识别[22]。Wataru等（2002）将湿地分为地衣区和灌丛区，并分析了两区的地理特征[23]；Sai-Ming Lee等（2009）研究了红树林湿地，并根据不同红树林品种划分湿地分类体系[24]。第四种模式基于当地湿地特点、变化机制和遥感技术应用原理，制定易于卫星遥感识别且适合当地的分类体系。陈定贵等（2007）根据研究地实际情况，提出了三江平原洪河湿地分类系统。该系统分为两级，第1级是生态系统类型，第2级在第1级基础上根据植物群落类型进行划分[25]。江辉等（2008）根据湿地公约并结合当地特点，提出了鄱阳湖湿地2级分类系统，其中1级类别为湿地与非湿地[26]。Robert C.Frohn等（2009）制定了研究区孤立湿地分类体系[27]。余莉等（2010）根据鄱阳湖实地状况，制定了水体、泥滩、裸地、芦苇、苔草1级分类系统[28]。Neal D.等（2010）将湿地分成季节淹没区、周期淹没区和常驻水体等[29]；Xi Zhao等（2011）将湿地分成植被、过渡区域和开放水体[30]。

3 利用遥感手段识别湿地

3.1 使用数据

遥感数据最大优势是其时空全覆盖，由于不同数据有不同的时间分辨率、空间分辨率和光谱分辨率，且存在云污染以及其他噪声污染等问题，因此选择合适的遥感数据进行湿地识别十分重要。TM遥感影像具有较高的空间分辨率、波谱分辨率、极为丰富的信息量和较高的定位精度，目前已经成为世界各国广泛应用的重要环境遥感数据源。基于TM遥感影像的湿地识别研究，国内外已开展了许多相关工作。张树清（1999）利用TM影像有效提取了三江平原的湿地类型。加拿大利用TM遥感资料，进行了全国湿地调查。于欢等（2008）基于TM影像在三江国家级湿地进行了水体信息提取实验，得出了适合于当地的从TM遥感影像获取湿地水体信息的有效方法。 此外，spot数据[29]、Quickbird 数据[31]、中巴资源卫星数据[18]以及航拍相片等也被应用于湿地识别中。目前，高光谱数据开始逐步被使用[32,33]。但是单一时相遥感数据能够提供的信息量十分有限，有时不能完全满足湿地识别的要求，多时相数据可以更好的区分湿地植被类型，同时可以帮助评估植被物候以及物种组成的季节和年际变化[22]。Xi Zhao（2011）等利用多时相TM、ETM+数据研究了湿地动态变化机制[30]。Ofer Beeri等（2007）利用多时相TM数据监测研究了农业湿地景观水面季节及年纪变化[34]。此外，对不同遥感数据源进行信息融合，可以丰富遥感信息从而有效改善湿地识别精度。Philip A.Townsend等（2001）利用多光谱和多时间卫星数据识别了森林湿地的物种组成和结构。Wataru等（2003）融合了SPORT HRV和NOAA AVHRR两种不同空间分辨率的遥感影像估算了湿地沼气散发量[23]。

目前影像源是利用影像数据进行湿地分类精度难以提高的主要原因，其中不同湿地类型光谱特性之间的混淆是制约反演精度的直接原因。此外，还存在着物候景观及其地域生境等因素的影响[26]。融合遥感影像数据与其它数据源是获取更加充足信息的有效方法，目前被广泛应用。Martha S.Gilmore等（2008）融合LiDAR冠层高度数据与多时相QuickBird数据来识别康涅狄格河的潮汐沼泽[31]。Shengli Huang等（2011）利用遥感数据与 Palmer干旱指数来预测湿地水体表面面积[35]。李天宏等（2002）利用六个时相TM数据和对应潮位数据，探究了深圳河口红树林变化情况[36]。Jessika等（2002）研究表明光谱卫星数据与雷达数据的结合可以有效提高湿地分类精度[37]。黎夏等（2006）利用TM影像和雷达数据，估算了珠江三角洲红树林湿地植被生物量[38]。此外可以利用的还包括地形地貌图、野外考察等数据[39]以及环境数据[40]。目前使用最多的是数字高程模型(DEM数据)，DEM数据描述了区域高程的空间分布，其派生的坡度和坡向是进行地形特征分析和可视化处理的基本因子，可以辅助处理不同高程地物的分类，还可以帮助去除阴影对提取水体的影响。江辉等（2008）利用土地利用现状图、TM数据并结合DEM数据对鄱阳湖湿地进行遥感分类[26]。郑利娟等（2009）利用 spot5遥感影像、地形图、湿地调查资料以及DEM数据，提取洪河沼泽湿地信息[41]。王逊等（2009）将TM与DEM数据结合，提取了玛曲湿地[42]。

3.2 影像增强处理

原始的遥感影像所包含的光谱信息，不足以反映不同湿地类型之间的差异，因此需要经过图像增强处理，目的是为了使类间差异大于类内差异，获得湿地类型间的界限。

遥感信息增强方法主要包括:①反差增强。包括线性扩展、代数增强、非线性扩展以及直方图调整。通过TM 3、4、5通道的比值、差值、乘积运算后的图像,可用作某些类型的湿地分类。TM 4/TM 3可表征为植物的绿度指标,TM 4/TM 3的乘积图像夸大了不同土壤和水分(湿度)的湿地差异[43]。②彩色增强。单波段图像的伪彩色增强,多波段图像的彩色合成(利用OIF值选择波段或分)。TM影像第一波段为蓝光波段，对水体的穿透力最大，可用于判别水深，研究浅海区域水下地形、水体浑浊度等；第二波段 为绿光波段，该波段位于绿色植物的反射峰附近，对植被生长敏感，可以识别植物类别和评价植物生产力，同时对水体具有一定的穿透力，可反映水下地形、沙洲、沿岸沙坝等特征，增加水下信息；第三波段为红光波段，用于区分植被类型、覆盖度，判断植物生长状况等；第四波段为近红外波段，该波段位于植物高反射区，反映了大量的植物信息，多用于植物的识别、分类，同时它也位于水体强吸收区，可用于用于勾绘水体边界；第五及第七波段为短波红外波段，反映土壤植物水分含量[44]。不同波段的合成图像目视效果不同，图像所表现的特征也不同。若进行目视解译，需要根据研究所提出的湿地分类体系，建立合成图像的目视解译判别标志。目前大部分研究中假色彩合成所采用5、4、3波段[25,28]，7、5、3 波段[45]，5、6、7 波段[43]和 7、4、3 波段[46]。 ③基于图像统计特征的多维正交线性变换，如 KL变换(主成分分析)、KT变换(“缨帽变换”)[45,47]等。杜红艳等（2004）研究表明经辐射增强降噪处理后的遥感影像，其湿地边界更加明晰；对于生长期的湿地影像，经过光谱增强缨帽处理后，区分湿地亚类的精度明显提高[45]。

3.3 湿地提取

3.3.1 目视解译

目视解译是提取湿地信息的基本方式。该方法首先需要根据假色彩合成图像建立主要地物的空间解译标志，之后根据解译标志从遥感影像中提取湿地。卢善龙等（2011）采用人机结合与指数阈值的分类方法提取海河流域水体，对于非水体部分采用人工数字化提取[17]。温庆可等（2011）采用实地样点采集和目视解译相互辅助的方法提取环渤海滨海湿地[18]。由于目视解译很大程度上依赖对研究地区的熟悉程度以及遥感目视解译的经验知识，因此其应用和推广受到一定限制，此外，若应用目视解译的方法提取大范围的湿地信息，不仅耗费人力物力，而且耗费时间，无法满足快速的湿地动态监测要求。因此，开发基于计算机的高精度自动分类算法是十分必要的。

3.3.2 基于像元的分类算法

湿地具有类型多、水环境年际变化大、生物多样性显著等特点。这些特点使得湿地光谱特征相对复杂，易与其它地物混淆，因此突出湿地特征信息是分类算法中的重点步骤。通过筛选参与分类的特征指标，采取适当的分类算法，可以使湿地与其它地物或者湿地亚类之间的区分度提高。这些特征指标的选取标准使得其能够包含湿地特征的主要信息，且彼此之间信息不冗余。目前特征指标的选取大多利用主成分变化、纹理分析、各种指数以及辅助数据等。盛辉等（2006）在原始影像六个波段的基础上结合KL变换和KT变换的六个波段（亮度、湿度、绿度等）以及NDVI等，根据前人的研究选取了其中6个变量，组成6维信息，并对其进行合成。研究表明，重新组合后的地物信息量明显要比原始影像的信息量集中，且更加容易辨别地物[47]。

特征值确认之后，采用不同分类方法也会使湿地识别产生不同效果。那晓东等（2008）将六个波段、八个纹理特征值、三个主成分以及地形图信息进行融合，利用分类回归树算法从训练样本数据集中挖掘分类规则，并与监督分类的效果做比较，结果表明分类回归树算法反演精度更高[39]。王迅等（2009）利用主成分分析、归一化指数、DEM和TM数据构建湿地信息提取决策树模型。通过对比表明，基于多特征决策树分类法能够用于湿地专题信息的提取[42]。分类树算法虽然在识别湿地方面能够取得较好效果，但利用该方法需要进行信息简化，即在进行分类之前要先简约属性。综合监督分类与非监督分类也能够有效提高湿地识别精度。阮仁宗等（2005）利用聚类算法进行湿地非监督分类，并对混淆类进行多次聚类以达到更高精度。之后再以非监督分类的结果为模版进行最终的最大似然分类。研究结果表明，该方法使得湿地提取精度有了很大提高[48]。

针对湿地水体提取，于欢等（2008）对各种方法在提取的准确度、面积准确性以及视觉效果三方面做了比较，结果表明光谱分类法最好，其次是单波段阈值法与植被指数法，多波段普间关系法与水体指数法则表现较差[49]。

对于湿地水体周边的过渡地带（滩涂区域），由于其特殊的土壤、植被、水文状况，其光谱特征在特征空间中并不集中，因此很难找到清晰的界限，传统硬分类方法可能造成滩涂区域的误分。目前对于提取过渡区域的方法主要基于不确定性模型和不确定性理论，比如随机集、模糊集理论和概率理论等[30]。Shanmugam等（2006）将线性光谱解混模型和传统的硬分类模型在湿地分类中的效果进行对比，结果表明，基于线性光谱解混模型的软分类方法更符合湿地实际情况，从而能提高分类精度[50]。Xi Zhao等（2011）利用多时相数据和随机集理论研究湿地动态变化机制，结果表明其更能满足动态监测的要求[30]。

此外，高光谱遥感是目前遥感研究领域的热点，其中成象光谱技术以其高光谱分辨率已成为研究地表植被地学过程对地观测的强有力的工具。童庆禧等（1997）利用光谱波形匹配进行湿地植被分类识别，研究表明成象光谱技术在湿地植被研究方面存在潜力巨大，但是仍需要发展有效的模型和算法来分析处理成象光谱数据[32]。

3.3.3 基于对象的分类算法

面向对象的方法与一般的基于像素的方法有本质的不同，这种不同在于它不是对单个像素而是对影像进行分类的。影像是在考虑不同的特征属性的情况下，通过影像分割获得的，实际上它就是一组像素的集合，因此原始图像会变为更抽象更紧凑的一种形式，有利于我们进行更高层图像的分析。郑利娟等（2009）将遥感影像与DEM数据叠加，采用面向对象的分类方法提取出洪河沼泽湿地，并将此结果与监督分类之后的结果进行比较，研究结果表明基于影像对象以及辅助数据DEM的目标信息提取，可以非常有效的改善遥感图像的分类精度[41]。Frohn等（2009）使用面向对象的分类方法提取了孤立湿地，也获得了较高的精度[27]。

3.3.4 多级分类思想

多级分类的思想是根据各类地物特殊的信息特征,将其按照一定的规则进行一步步的分解。分层分类方法着重强调将分类过程逐层的进行,而在每一层的分解过程中,使用者可以根据该层不同的特征及经验知识,选择合适的波段或者波段组合来进行分类。余莉等（2010）采用分层信息提取方法,利用遥感图像对研究区进行分类解析。文章首先利用TM图像第7波段将水体和洲滩区分开来,然后用NDVI值(归一化植被指数)进一步提取出植被覆盖地区，对于植被覆盖地区,主要是利用NDVI指数结合时间序列进行区分，提取结果表明这种分层分类的效果很好[28]。

3.3.5 多种方法的结合

不同的目标地物有着各自不同的特征，使用不同的分类方法也许会获得不同的精度，为达到整体精度最高，很多研究对拥有不同特征的目标地物采用有针对性的分类方法。余明等（2010）利用单波段红外阈值法以及GIS数据的辅助提取出水体区域，对水体的分类采用的方式是形状指数和经验阈值法，而对其它地物采用的分类方法则是目视解译提取[51]。孙波等（2010）利用人机交互与计算机自动提取的分类方法提取出黄淮海流域湿地的有关信息，并采用面向对象分类的方法提取出沼泽湿地区域，然而，对于河流湿地的提取则采用的是基于边缘的方法[52]。江辉等（2008）系统提出了遥感综合分类方法，即单一地物先进行分类，混合地物逐步解译并结合特征参数进行定量分析。湿地边界提取所用到的方法是假彩色合成方法，在混合地物分类方面，可以综合NDVI等植被指数进行湿地遥感的分类，也可利用季相差异进行分类，还可利用湿地空间结构差异特征进行分类，最后再基于对象解译[26]。此方法不仅减轻了人工解译工作的重担，而且还能够很好的提高分类精度。但是，还是会不可避免的遇到定义复合类型的难题，因此目前急需建立湿地遥感专家分类决策模型库。

4 总结与展望

湿地是处于陆地、水生生态系统之间的过渡地带，其在生态系统中的水文和生态功能非常重要。然而目前湿地资源却面临着巨大的压力，遥感技术对于实时、动态的监测湿地特征变化方面具有重要的作用。在湿地遥感提取研究中，研究者们对遥感湿地分类、使用的数据、数据的增强、提取的方法等方面做了大量的工作，综上所述，应用遥感影像进行湿地的研究前景非常乐观，但是不可忽视的是，目前仍然有许多限制的因素,未来发展需要注重以下两方面:

4.1 数据质量的提升

虽然目前对遥感数据的处理手段多样，但是所获得的信息仍然不能很好的满足湿地提取的要求。首先，一些湿地类型从光谱上还是无法区分或者识别精度比较低。目前主要使用GIS人工矢量化后掩膜处理的方法，例如利用不同时相的数据做掩膜处理，然后根据空间分布对结果进行修正（比如说某些植被应该是沿河道生长的）。对于这种情况，则需要大力发展数据挖掘技术，从大数据中提取出所需要的目标。此外，不同遥感数据源具有高空间分辨率、低时间分辩率，或者高时间分辨率、低空间分辨率等特点，如何融合多元遥感数据，提升数据质量也成为当下重要的课题。最后，由于遥感影像的分辨率限制以及实际地物的复杂性，混合像元的问题是不可避免的，对于破碎度较大的地区，湿地提取精度会因此大打折扣，因此需要对混合像元分解技术进行研究。

4.2 提取方法的改进

一块完整湿地的组成基本分为开放水体、过渡区域和陆上植被，其中水体的光谱特征在特征空间中较为集中，易于进行区分；陆上植被的提取方法也已经有了较为深入的研究。但是，过渡区域的光谱特征非常的复杂，地理环境也复杂多样，特别是受物候变化影响较大，目前人们对其形成的机理和变化机制也尚未清楚，因此对过渡区域的提取方法并不成熟，提取结果不够完全，有待提高，特别是滩涂类型，受到潮汐变化影响大，所以下一步应着重提高过渡区域提取的精度。

［1］孙永涛，张金池.长江口北支湿地分类及生境特征［J］.湿地科学与管理，2010,06(2):49-52.

［2］马祖陆，蔡德所，蒋忠诚.岩溶湿地分类系统研究［J］.广西师范大学学报（自然科学版），2009,27(2):101-106.

［3］倪晋仁.湿地综合分类研究:Ⅰ.分类［J］.自然资源学报.1998(3):214.

［4］李禄康.湿地与湿地公约［J］.世界林业研究，(1).

［5］唐小平，黄桂林.中国湿地分类系统的研究［J］.林业科学研究，2003,16(5):531-539.

［6］杨爱民，王芳，刘蒨，等.我国湿地分类与分布特征及水问题分析［J］.中国水土保持科学，2006,4(3):87-91.

［7］赵惠，牛振国.面向遥感监测的中国湿地区划初步构想[J].湿地科学与管理.2009，(2):44-47.

［8］刘红玉，吕宪国.三江平原湿地景观生态制图分类系统研究［J］.地理科学，1999,19(5):432-436.

［9］陈定贵，周德民，吕宪国，等.三江平原洪河自然保护区湿地遥感分类研究［J］.遥感技术与应用，2007,22(4):485-491.

［10］潘响亮，邓伟，张道勇，等.东北地区湿地的水文景观分类及其对气候变化的脆弱性 ［J］.环境科学研究，2003,16(1):14-18,52.

［11］孙菊，李秀珍，胡远满，等.大兴安岭沟谷冻土湿地植物群落分类、物种多样性和物种分布梯度［J］，应用生态学报.2009,20(9):2049-2056.

［12］黄桂林，张建军，李玉祥.辽河三角洲湿地分类及现状分析——辽河三角洲湿地资源及其生物多样性的遥感监测系列论文之一［J］.林业资源管理，2000，(4):51-56.

［13］姜芸，李锡泉.湖南省湿地标准与分类以及湿地资源[J].中南林业科技大学学报.2007,27(2):92-95.

［14］陈征海，刘安兴，李根有，等.浙江天然湿地类型研究[J].浙江大学学报(农业与生命科学版)，(3).

［15］李根有，陈征海，刘安兴，等.浙江省湿地植被分类系统及主要植被类型与分布特点［J］.浙江林学院学报，(2).

［16］朱叶飞，蔡则健.基于RS与GIS技术的江苏海岸带湿地分类［J］.江苏地质，2007,31(3):236-241.

［17］卢善龙，吴炳方，李发鹏.海河流域湿地格局变化分析［J］.遥感学报，2011，(02):349-371.

［18］温庆可，张增祥，徐进勇，等.环渤海滨海湿地时空格局变化遥感监测与分析 ［J］，遥感学报，2011(01):183-200.

［19］余明，李慧.基于SPOT影像的水体信息提取以及在湿地分类中的应用研究［J］.遥感信息，2006(3):44-47.

［20］管玉娟，张利权.影像融合技术在滩涂湿地植被分类中的应用［J］.海洋环境科学，2008,27(6):647-652.

［21］于欢，张树清，李晓峰，等.基于TM影像的典型内陆淡水湿地水体提取研究 ［J］.遥感技术与应用，2008,23(3):310-315.

［22］张柏.遥感技术在中国湿地研究中的应用［J］.遥感技术与应用，1996，(01):67-71.

［23］Kumar S,Gaikwad S A,Shekdar A V,et al.Estimation method for national methane emission from solid waste landfills[J].Atmospheric Environment，2004,38(21):3481-3487.

［24］Lee T,Yeh H.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.

［25］陈定贵，周德民，吕宪国，等.三江平原洪河自然保护区湿地遥感分类研究［J］.遥感技术与应用，2007(04):485-491.

［26］江辉，周文斌，刘瑶.鄱阳湖湿地遥感分类研究及应用[J].遥感技术与应用.2008，(06):648-652.

［27］SATELLITE REMOTE SENSING OF ISOLATED WETLANDS USING［J］.

［28］余莉，何隆华，张奇，等.基于Landsat-TM影像的鄱阳湖典型湿地动态变化研究［J］.遥感信息，2010，(6):48-54.

［29］Niemuth N D,Wangler B,Reynolds R E.Spatial and Temporal Variation in Wet Area of Wetlands in the Prairie Pothole Region of North Dakota and South Dakota［J］.WETLANDS，2010,30(6):1053-1064.

［30］Zhao X,Stein A,Chen X.Monitoring the dynamics of wetland inundation by random sets on multi-temporal images［J］.Remote Sensing of Environment，2011,115(9):2390-2401.

［31］Gilmore M S,Wilson E H,Barrett N,et al.Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh ［J］.Remote Sensing of Environment，2008,112(11):4048-4060.

［32］童庆禧，郑兰芬，王晋年，等.湿地植被成象光谱遥感研究［J］.遥感学报，1997(01):50-57.

［33］Schmidt K S,Skidmore A K.Spectral discrimination of vegetation types in a coastal wetland[J].Remote Sensing of Environment，2003,85(1):92-108.

［34］Trackingpalustrinewaterseasonalandannualvariability［J］.

［35］Huang S,Dahal D,Young C,et al.Integration of Palmer Drought Severity Index and remote sensing data to simulate wetland water surface from 1910 to 2009 in Cottonwood Lake area,North Dakota ［J］.Remote Sensing of Environment，2011,115(12):3377-3389.

［36］李天宏，赵智杰，韩鹏.深圳河河口红树林变化的多时相遥感分析［J］.遥感学报，2002(05):364-369.

［37］Toyra J,Pietroniro A,Martz L W,et al.A multi-sensor approach to wetland flood monitoring［J］.HYDROLOGICAL PROCESSES，2002,16(8SI):1569-1581.

［38］黎夏，叶嘉安，王树功，等.红树林湿地植被生物量的雷达遥感估算［J］.遥感学报，2006，(03):387-396.

［39］那晓东，张树清，孔博，等.基于决策树方法的淡水沼泽湿地信息提取——以三江平原东北部为例［J］.遥感技术与应用，2008(04):365-372.

［40］Wright C,Gallant A.Improved wetland remote sensing in Yellowstone National Park using classification trees to combine TM imagery and ancillary environmental data ［J］.Remote Sensing of Environment，2007,107(4):582-605.

［41］郑利娟，李小娟，胡德勇，等.基于对象和DEM的湿地信息提取——以洪河沼泽湿地为例［J］.遥感技术与应用，2009，(03):346-351.

［42］王迅，徐丹丹，李文龙.玛曲湿地遥感影像提取及精度分析［J］.国土资源遥感，2009，(04):96-100.

［43］张树清，陈春，万恩璞.三江平原湿地遥感分类模式研究［J］.遥感技术与应用，1999，(01):54-58.

［44］孔博，张树清，张柏，等.遥感和GIS技术的水禽栖息地适宜性评价中的应用［J］.遥感学报，2008，(06):1001-1009.

［45］杜红艳，张洪岩，张正祥.GIS支持下的湿地遥感信息高精度分类方法研究 ［J］.遥感技术与应用，2004，(04):244-248.

［46］周昕薇，宫辉力，赵文吉，等.北京地区湿地资源动态监测与分析［J］.地理学报，2006，(6):654-662.

［47］盛辉，殷守敬.遥感与地理信息系统技术在湿地研究中的应用［J］.遥感信息，2006，(02):46-49.

［48］阮仁宗，冯学智.基于多时相遥感和GIS技术的湿地识别研究［J］.遥感信息，2005，(02):20-23.

［49］于欢，张树清，李晓峰，等.基于TM影像的典型内陆淡水湿地水体提取研究［J］.遥感技术与应用，2008，(03):310-315.

［50］Shanmugam P,Ahn Y,Sanjeevi S.A comparison of the classification of wetland characteristics by linear spectral mixture modelling and traditional hard classifiers on multispectral remotely sensed imagery in southern India［J］.Ecological Modelling，2006,194(4):379-394.

［51］余明，李慧.基于SPOT影像的水体信息提取以及在湿地分类中的应用研究 ［J］.遥感信息，2006，(03):44-47.

［52］孙波，孙永军，田垄.黄淮海流域湿地遥感调查［J］.国土资源遥感，2010，(z1):144-147.