基于Landsat8 OLI遥感数据的辽河口湿地分类与动态监测研究

杜文，国斯恩，刘津如，金忠煜，潘昊，宋飞，许童羽

（1.沈阳农业大学a.信息与电气工程学院/高分辨率对地观测系统辽宁林草资源环境遥感（校企协同）研究应用中心，b.水利学院，沈阳 110161；2.辽宁省农业信息化工程技术研究中心，沈阳 110161；3.辽宁盘锦湿地生态系统国家野外科学观测研究站，辽宁 盘锦 124112）

辽宁省辽河口湿地是世界上生态系统保存完整的湿地之一，是中国高纬度地区面积最大的滨海芦苇沼泽区，拥有大面积的翅碱蓬、滩涂和浅海海域，也是非常敏感的湿地生态系统，极易发生生态退化[1-3]。近年来，随着人们不断开采油田、蟹稻共养，辽河口湿地退化迅速，如何快速、有效、准确地了解湿地地物分布情况，掌握湿地类变化，对生态资源的保护和合理利用具有重要的意义[4]。

早期的湿地信息监测主要采用野外调查和目视解译等方法，但其耗时长、误差大，且不方便[5-7]。随着遥感技术的快速发展，卫星遥感影像作为地外观测平台，能够进行大面积同步观测，具有时效性、周期性等特点，已被广泛用于地物遥感监测研究中[8-11]。遥感影像分类方法除最原始的目视翻译外，一共分为三大类，分别为：基于光谱信息的传统分类方法、基于专家知识决策树的分类方法和面向对象的分类方法[12-13]。面向对象的分类方法分类更为精准，但需要中高分辨率的数据源，且分类速度较慢；基于专家知识决策树的分类方法不需要中高分辨率的数据源，但其知识获取比较复杂；传统基于光谱的分类分为监督分类和非监督分类两种方法，分类精度相较前两者略低，但操作简单，快捷省时。其中，非监督分类自动化程度较高，无需人工参与，分类精度相对低，而监督分类需要人工选择样本，与非监督分类相比，精度通常更高[14-18]。

本研究以Landsat8 OLI卫星影像为数据源，首先采用支持向量机、最大似然法、神经网络法对辽河口湿地进行分类并进行精度评估，然后基于不同分类方法的不同湿地类别选取最优方法重新矢量融合生成最终的分类结果。在此基础上，分析2013，2015，2017，2020年间湿地动态变化情况，为研究区湿地资源的保护和合理利用提供数据支撑。

1 研究区与数据

1.1 研究区概况

本研究选择辽河口湿地为研究区域，辽河口湿地位于辽宁省盘锦市境内，位于辽河三角洲的最南端的双台子河入海口处，属于国家级自然保护区。地理坐标为东经121°28'24.58″～121°58'27.49″，北纬40°45'00″～41°05'54.13″，总面积8×105hm2，研究区示意图如图1。辽河口湿地属于北温带半湿润季风型气候区，年平均气温8.4℃，年平均降水量623.2mm[19]。区域湿地由辽河、大凌河、小凌河等诸多河流冲积而成，生态类型以芦苇沼泽、河流水域和浅海滩涂、海域为主，保护区内湿地生态景观独特，苇海浩瀚，碱蓬滩涂绵延[12]。

图1 辽河口湿地地理位置Figure 1 The geographical location of Liaohe estuary wetlands

1.2 研究数据

本研究数据从地理空间数据云(gscloud.cn)下载所得，本研究主要研究近7年间辽河口湿地分类与地物变化监测，以2013，2015，2017，2020共4年Landsat8 OLI的L1TP处理等级影像为数据源，获取月份均为5月，获取日期分别为2013年5月23日、2015年5月13日、2017年5月2日和2020年5月10日,每天获取行列号为120/31和120/32的两景影像，共获取8景影像，所有影像云量均小于5%。

2.3 样本点选取

在大量实地调查的基础上，并参考同时期Google Earth影像，利用ENVI 5.6在Landsat8 OLI影像上选择和生成训练样本。每年训练样本像元个数数据如表1。

表1 Landsat8 OLI数据信息Table 1 Landsat8 OLI data information

2 湿地分类及数据处理

2.1 湿地分类方案

参考中国土地利用现状遥感监测数据库土地利用分类系统和《湿地分类(GB/T 24708-2009)》，结合研究区土地利用具体情况，规划研究区的地物类型分类方案，11种地物分别为：运河沟渠、芦苇湿草地、旱田、翅碱蓬湿地草地、水田、房屋、水产养殖场、滩涂、池塘水库、河流、混合湿草地。本研究区一级地物类型分为：天然湿地、人工湿地和非湿地，二级地物类型共11种（表2）。

表2 辽河口湿地典型地物类别解译标志Table 2 Interpretation signs of typical feature types in Liaohe estuary wetland

2.2 影像数据预处理

在ENVI5.6软件中，将2013，2015，2017，2020年辽河口地区Landsat8遥感影像进行图像预处理，包括：辐射定标、大气校正、镶嵌、裁剪等，预处理后数据如图2。

图2 拼接后的辽河口景象Figure 2 The spliced view of Liaohe estuary wetlands

2.3 湿地分类技术流程

本研究采用支持向量机、最大似然法、神经网络3种监督分类算法，分别对2013，2015，2017，2020年辽河口湿地地物分类。训练时比较3种分类方法，针对11种地物的精度，选取用户精度最高的分类矢量结果进行融合。

2.3.1 支持向量机分类算法支持向量机（support vector machine，SVM）是一种建立在统计学习理论基础上的机器学习方法，能够自动寻找对分类有较大区分能力的支持向量，把不同类别的间隔最大化，进而提高分类准确率。

SVM通过核函数将样本集向量映射到一个高维特征空间，在该空间中随机产生一个超平面并不断移动对样本集进行分类，直至不同类别的样本点正好位于该超平面的两侧，满足样本集分类的超平面可能有多个，从中寻找到能使超平面两侧距离最大化则为最优决策超平面。假设训练样本集D={(x1,y1),(x2,y2),......,(xm,ym)}，在样本空间中，将样本分开的超平面由式（1）表示：

式中：w为法向量，决定超平面的方向；b为位移项决定超平面原点距离；x为空间中的任意点。

通过等比例地缩放w和b的值，可以使得两类到超平面的距离最大，得到SVM的基本型由式（2）表示：

在相应的约束条件yi(wTxi+b)≥1,i=1,2,3,...,myi(wTxi+b)≥1下，最大化值，其中是几何间隔。

2.3.2 最大似然法分类算法最大似然法（maximum likelihood method，MLM）也称为贝叶斯分类，是建立在贝叶斯准则的基础上，偏重于集群分布的一种常用的监督分类方法。

MLM分类过程是首先确定各类的训练样本，根据训练样本计算各类的统计特征值，建立分类判别函数，然后逐点扫描影像各像元，将像元特征向量代入判别函数，求出其属于各类的概率，将待判断像元归属于最大判别函数值的一组。

2.3.3 单层前馈神经网络分类算法前馈神经网络（feedforward neural network，FNN）是人工神经网络的一种，采用一种单向多层结构，其中每一层包含若干个神经元。在前馈神经网络中，各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层。

单层前馈神经网络只包含一个输出层，输出值由输入值乘以权重值得到，其输入到输出的变换关系由式（3）表示：

式中：x=[x1,x2,…,xn]T是输入特征向量；wji是xi到yj的连接权；输出量yj(j=1,2,…,m)是按照不同特征的分类结果。

2.3.4 精度验证本研究选取基于混淆矩阵计算的方法对分类结果进行精度验证，以总体精度、生产者精度、用户精度作为评价指标。总体精度表现所有土地覆盖类型中正确类型的面积占比情况，是对数据精度的宏观描述；用户精度与生产者精度从不同地类的角度表现数据精度。Kappa系数是分类图与参考数据吻合程度的综合反映，范围在0～1之间，通过主对角线、行列总数得出的概率一致性表达。为降低人为主观因素的影响，提高精度的可信度，使用ENVI软件中的Confusion Matrix工具进行精度验证，得到总体精度和Kappa系数以及各土地覆盖类型的生产者精度和用户精度。

2.3.5 最优矢量融合算法本研究计算支持向量机、最大似然法、前馈神经网络3种分类方法4年平均总分类精度、Kappa系数、用户精度、制图精度，进行比较，并将4年3种分类结果转换成矢量文件。对每年分类结果矢量融合时，选取4年平均总分类精度最高的分类矢量结果作为底层，避免出现影像缺口，叠加另两种分类方法中4年平均用户精度最高的地物分类矢量结果，得到当年最优矢量融合影像。

2.4 湿地时序变化分析

本研究基于2013，2015，2017，2020年湿地最优矢量融合算法分类结果，首先统计出各年11种地物类型的面积，进而对2013～2015，2015～2017，2017～2020年间研究区11种地物面积变化进行了监测，并采用平滑核为3，聚类值为9，以去除噪声和小斑块。最终得到4年11类地物面积变化情况以及3个时段翅碱蓬湿地和芦苇湿地地物空间转化情况。翅碱蓬湿地和芦苇湿地是辽河口典型湿地生态系统，是第一生产力[20]，因此本研究主要分析了天然湿地中翅碱蓬湿地草地以及芦苇湿草地转化去向。

3 结果与分析

3.1 分类结果评价

支持向量机、最大似然法、神经网络法对研究区地物类型分类结果如图3、图4和图5。最优矢量融合的分类结果如图6。

图3 支持向量机分类结果Figure 3 Classification results of support vector machine

在本研究中，4年融合后混淆矩阵如表3～表6，将4年各湿地地物类型的分类精度求平均数后分别探讨，表7列出基于混淆矩阵的辽河口国家级自然保护区分类精度评价结果，包含3种分类方法和本研究最优矢量融合算法。

在监督分类后，对于分类总体精度来说，支持向量机分类精度最高，为81%；前馈神经网络分类精度次之，为76.8%；最大似然法分类精度最低，为76.5%。其中，翅碱蓬湿地草地、旱田、水田、建筑、运河沟渠采用支持向量机用户分类精度最高；芦苇湿草地、水产养殖场、滩涂、池塘水库、河流采用最大似然法用户分类精度最高；混合湿草地采用神经网络用户分类精度最高。将用户分类精度最高的矢量数据重新融合，得到2013，2015，2017，2020年新的分类结果，平均分类精度为87.4%（图6）。

图4 最大似然法分类结果Figure 4 Classification results of maximum likelihood method

图5 前馈神经网络分类结果Figure 5 Classification results of feedforward neural network

图6 矢量融合后分类结果Figure 6 Classification results after vector fusion

3.2 辽河口湿地面积变化及主要地物转移分析

2013～2020年辽河口天然湿地、人工湿地、非湿地的面积的变化如图7a。2013～2020年天然湿地面积变化总体呈减少趋势，总面积减少12.43%，约113.46km2；人工湿地面积呈现先减少后增加的趋势，总体面积增加24.96%，约87.10km2；非湿地面积呈现先增加后减少的趋势，总体面积增加89.08%，约24.85km2。

天然湿地中地物类型的变化如图7b。翅碱蓬草湿地草地面积基本持平，2013～2020年间总面积维持在26km2。芦苇湿地、滩涂面积总体呈减少趋势，芦苇湿地总体减少126.26km2；滩涂总共减少36.41km2。混合湿草地面积波动较大，总体呈增加的趋势；河流呈先增加再减少的趋势，总体增加44.09km2；运河沟渠总体减少3.75km2，减少93.20%。

表3 2013年最优矢量融合分类混淆矩阵Table 3 Classification confusion matrix of optimal algorithm vector fusion in 2013

表4 2015年最优矢量融合分类混淆矩阵Table 4 Classification confusion matrix of optimal algorithm vector fusion in 2015

人工湿地中地物类型的变化如图7c。水田面积呈现先减少后增加的趋势，总体增加13.10km2。水产养殖场呈现先增加再减少再增加的波动，总体增加73.71km2，池塘水库2013～2020年整体变化相对较少，总体增加0.29km2。

表5 2017年最优矢量融合分类混淆矩阵Table 5 Classification confusion matrix of optimal algorithm vector fusion in 2017

表6 2020年最优矢量融合分类混淆矩阵Table 6 Classification confusion matrix of optimal algorithm vector fusion in 2020

非湿地中地物类型的变化如图7d。旱田和建筑面积变化都是呈先逐渐增加，到2020年骤减的趋势，这说明在2017～2020年在辽河口湿地有更多的保护湿地政策，减少了农业用地的开发。

分析天然湿地中翅碱蓬湿地草地以及芦苇湿草地转化去向可知（表8和表9），2013～2015年，翅碱蓬的保留率仅有54.99%，有近一半的翅碱蓬转化为芦苇、水产养殖场和混合湿草地，转化为芦苇湿地的面积比例最多，为28.46%；其次为水产养殖场和混合湿草地，分别为7.56%和4.04%。向芦苇湿草地和混合湿草地的转化是自然演替的结果；水产养殖场的开发增加了翅碱蓬转移比率。2015～2017年翅碱蓬的保留率骤降至9.26%。翅碱蓬湿地约有90%转化为滩涂，这属于自然演替水产养殖场以及芦苇等土地类型。其中向水产养殖场的演化趋势没有变，但转化比率降低到2.81%；而向滩涂湿地转变得比率高达84.97%，退化严重。2017～2020年翅碱蓬保留率有所回升，回升到35.57%。其他转移去向与2013～2015年相同，但整体比例都有所增加。

表7 3种分类方法和本研究方法的湿地地物分类精度Table 7 Classification accuracy of wetland features of different classification methods

2013～2015年，水产养殖和水田种植的两种人类活动，形成芦苇湿地向水产养殖场和水田转化的趋势；此外，还有向旱地转化的趋势，这也说明错误的农业开发政策是期间芦苇湿地减少的原因。2015～2017年，芦苇的保留率增高，说明保护芦苇湿地政策对湿地演化趋势的影响。芦苇湿地的演化仍然是向水产养殖场，水田转变的趋势以及有3.36%的部分向翅碱蓬草湿地转换，总体表明人类经济活动依然是芦苇湿地减少的原因。2017～2020年，芦苇保留率由84.56%下降至67.68%，且转换为水田和水产养殖场的比率都有所上升，分别达到12.74%和8.97%，这说明人类的水田种植活动和水产养殖活动急剧增加，是影响芦苇转化率的主要原因。另外，有3.53%的芦苇向滩涂转化，表明由于2013～2017年人类建设水产养殖场和水田种植的活动增加对芦苇生态系统影响过大，芦苇湿地也出现了逆演替的趋势。由此可见，日后应制定政策减少对水产养殖场和水田对湿地的占用，更好地保护芦苇湿地生态系统，使其维持自然的状态。

4 讨论与结论

本研究各地物分类面积与沈阳农业大学水利学院苏芳莉教授团队2015年目视解译的数据相比[1]，结果如图8，结果相关系数为0.9701，表明本研究与苏芳莉教授结果整体趋势基本一致。

由于Landsat8数据的低分辨率以及地物斑块面积相较于Landsat8数据像元过小，因此易与其他地类形成混合像元，从而造成误分。芦苇错分为翅碱蓬由于芦苇像元与周围的水体滩涂混合，导致近红外反射率偏低。

最优方法矢量融合前选取的3种方法均直接采用的所有波段的原始反射率，这样是为了分类操作时间更短，但对精度也有所影响，未来应继续在分类方法中融合纹理特征、特征指数等以提高分类精度。

辽河口湿地所在地盘锦市是一座因油而兴的石油化工城市，保护与开发矛盾比较突出，随着周边地区经济社会迅速发展，对湿地的人为干扰逐步增大[21]。在2013～2020年盘锦市的人口逐年递增，推动辽河口经济发展，加深了人类活动对自然湿地的威胁[22]。李有志等[23]就研究区是否被潮汐淹没将研究区分为潮上带与潮间带两大类，潮上带与潮间带间优势物种有所不同，在潮上带优势物种主要为芦苇；而在潮间带优势物种为盐地碱蓬。芦苇湿地2013～2020年间共减少126.26km2，芦苇湿地群落局部减少是受到土壤盐分升高的影响。而造成土壤盐分升高主要由于农业用水导致湿地生态需水不足，或道路、建成区的破坏等导致的土壤返盐所引起的[24]。由于芦苇湿地缺水，降低了芦苇生长密度，导致苇田面积降低[25]。

图7 2013～2020辽河口湿地类型变化Figure 7 Changes in the types of wetland in Liaohe estuary from 2013 to 2020

翅碱蓬湿地群落2013～2020年基本保持不变，是由于动态转换的平衡，主要生长在潮间带的翅碱蓬在7年期间除了因自然演替转化成滩涂外，转化率最高的是芦苇湿地，这是由于受油田开发、围海造田等人为活动影响[26],辽河口湿地微地貌在逐步改变,导致潮汐范围急剧缩小,大范围的潮间带转变为潮上带,致使盐地碱蓬逐渐演替成芦苇[23]。

表8 翅碱蓬湿地面积转移比例Table 8 Transfer ratio of Suaedaheteroptera wetland area

表9 芦苇湿地面积转移比例Table 9 Transfer ratio of reed wetland area

在湿地保护方面，要尊重湿地植物资源与地物自然演替规律[27]，争取做长久性改变。可采取退田还海恢复土壤盐水平衡、恢复潮汐通道,增加潮间带范围等措施保护第一生产力的芦苇和翅碱蓬湿地。

辽河口湿地地物类型分布和变化监测能够对区域湿地管理和资源保护提供科学依据，对可持续发展具有重要的意义。本研究以2013，2015，2017，2020年Landsat8 OLI影像为数据源，集成支持向量机、最大似然法、前馈神经网络分类算法对辽宁辽河口地区进行湿地地物类型提取与变化监测分析表明：（1）针对不同地物类型选取最优矢量融合的分类方法，总精度有所提高，较支持向量机方法总精度提高6.4个百分点。（2）2013～2020年，研究区天然湿地面积呈减少趋势，人工湿地面积呈增加趋势，其中，天然湿地中的芦苇湿草地面积减少最大，人工湿地中的水田和水产养殖场面积增加最大。（3）研究区两个主要地物翅碱蓬和芦苇湿地湿地变化是自然演替和人类活动共同作用的结果，辽宁盘锦水产养殖业，水稻种植、油田开采等人类活动导致研究区微地貌以及土壤含水量的改变，成为影响研究区翅碱蓬和芦苇湿地面积的主要原因。

图8 地物类别验证结果比较Figure 8 Feature category verification results

尽管本研究中的分类方法在提取湿地信息中取得了较好的分类效果，但仍存在不足。本研究对于不同湿地类型选取最优分类算法时，用到了4年的平均数，如果逐年进行分类处理，精度是否更有提高，有待进一步研究探讨。在今后的研究中，应从优化模型和完善技术方法方面予以改进，进一步提高分类效果以更好地为湿地资源保护和合理利用提供科学的参考依据和借鉴。