2010年—2022年全球湿地高光谱遥感研究进展与展望

孙伟伟，刘围围，王煜淼，赵锐，黄明珠，王耀，杨刚，孟祥超

1.宁波大学 地理与空间信息技术系,宁波 315211;

2.宁波大学 信息科学与工程学院,宁波 315211

1 引言

湿地与森林和海洋并称为全球3 大生态系统，具有维持生态平衡，保护生态多样性、涵养水源、调节气候等重要作用（Sharma 等，2015）。联合国《2030年可持续发展议程》中涵盖了17个全球可持续发展目标SDGs（Sustainable Development Goals）和169 个指标，其中与湿地相关的多达75 个。但是，近几十年来，不合理人类活动和气候变化影响，造成了湿地面积减少、生态功能减退、生物多样性降低等问题。特别是中国湿地面积近30 年来减少了近33%（Niu 等，2012）。因此，加强湿地监测和保护非常重要。

相比人工湿地调查技术，遥感可以快速获取大范围湿地地物在不同波段的影像数据，实现湿地物种分布和生化物理参数反演（梅安新 等，2001）。全色和多光谱遥感利用地物的灰度或纹理信息差异来实现地物分类和生化物理参数估计。但是湿地群落混杂明显、地物光谱吸收特征重叠，单一的全色或多光谱遥感影像由于光谱信息有限，无法实现植物群落精细探测（Hestir 等，2008）。合成孔径雷达SAR（Synthetic Aperture Radar）等主动遥感能够发射电磁波穿透湿地植被冠层、土壤表层以及水面，但植被结构特征或介电常数特性相似的地物往往占据同一生态位，同样导致湿地植被分类和生物理化参数反演结果不准。

高光谱遥感能够捕捉湿地地物目标的细微光谱响应差异（赵春晖 等，2016），因此在参数估算和湿地精细分类中可实现更高的估算和分类精度。本文对2010 年以来湿地高光谱文献进行分析，并从载荷平台、数据处理方法、遥感分类和定量反演4 方面依次厘清了当前国内外湿地高光谱遥感的研究现状。

2 湿地高光谱遥感文献分析

2.1 资料与方法

本文所用文献来源于WOS（Web of Science）核心数据库和中国知网CNKI（China National Knowledge Infrastructure）。其中，WOS 搜索条件为TS=（hyperspectral AND wetland），CNKI的搜索条件为SU='湿地'*'高光谱'，检索年限均为2010 年—2022年，经过去重处理，得到英文文献207篇，中文文献196篇。文献分析软件为CiteSpace6.1.2，时间跨度为2010 年1 月—2022 年8 月，年份切片设置为1 年，节点类型主要分析的有关键词、作者、机构、国家，其他设置为默认。

2.2 湿地高光谱文献分析概述

发表英文文献最多的杂志是Remote Sensing（42 篇），其次是International Journal of Remote Sensing（19篇）；中文期刊发表文献最多的是生态学报（10篇），其次是湿地科学（5篇）。英文文献集中于自然保护区、国家公园、沿海湿地、大沼泽地、河口三角洲等；中文文献与英文文献类似，也集中于湿地自然保护区、湖泊湿地、河口湿地等小区域范围内，省级及以上尺度的相关研究很少（3篇）。中文和英文文献关注度最高的前3个对象都是芦苇（中文67篇，英文53篇）、互花米草（25篇，22篇）和碱蓬（20篇，19篇）。

英文文献年度发文量在2010 年—2012 年呈现逐年增加的趋势，2012 年—2017 年发文量稳定在12 篇左右。2017 年—2019 年，发文量明显增加，且首次突破20 篇，2021 年突破30 篇（图1（a））。被引量在2010 年—2022 年呈现逐年增加的趋势，特别是国内学者，2022 年发表英文文献的被引量占总被引量的44.6%（图1（b））。以国外湿地为研究区的英文文献数量在2010 年—2021 年一直处于领先或与国内湿地相同，文献数量在2022 年首次低于国内湿地（图1（c））。

图1 中/英文文献的年度发文量、被引量以及中英文文献中湿地研究区的所属国家和类型Fig.1 Annual published articles and citations of Chinese and English literature，and the country and type of wetlands studied in Chinese and English literature

中文文献发文量从2010年—2018年总体呈增加趋势，并且几乎每年都超过英文文献数量。2019年—2022 年，发文量呈下降趋势（图1（a））。中文文献的被引量在2010 年—2020 年呈现上升趋势，2020 年之后呈下降趋势（图1（b））。内陆湿地一直是研究热点，滨海湿地研究数量在2016 年—2021年与内陆湿地相当（图1（d））。中文文献的滨海湿地研究区集中于黄河口三角洲地区（20 篇）、江苏盐城湿地（11篇）、福建闽江河口湿地（9篇）、内陆湿地集中于北京野鸭湖湿地（8 篇）、湖南东洞庭湖湿地（8篇）、黑龙江扎龙湿地（7篇）。

2.3 国家与机构发文量和研究方向分析

英文文献发表最多的两个国家是中国和美国，分别占比41.5%和37.7%（图2（a）），且发文量前10 的机构全部属于中美两国（图2（b））。首都师范大学、中国林业科学院和福建师范大学发表中文文献较多（图2（c）），分别占比10.7%、7.1%和5.1%。其中首都师范大学、中国林业科学院在也排在WOS机构发文量前十中（图2（b））。

图2 各个国家和机构在WOS和CNKI中发表相关文章的数量以及研究方向Fig.2 The number and research subject of articles published in WOS and CNKI by countries and organizations

英文文献研究方向主要是遥感，其次是生态环境学和影像学，地质学方面也有较高的关注（图2（d））。中文文献不仅限于遥感方向，还涉及生物学、环境资源与利用以及自然地理等（图2（e））。英文文献发文量前十的作者中，自然资源部第一海洋研究所任广波、中国林业科学研究院李伟发表高质量文献较多（表1），各8 篇，宁波大学孙伟伟发表高质量文献7篇。

表1 WOS和CNKI中湿地高光谱遥感相关发文量前3的作者所属机构Table 1 Affiliated institutions of the top three authors in wetland hyperspectral remote sensing related publications in WOS and CNKI

英文文献发文量前三的作者为任广波、李伟、孙伟伟，并且文献发表时间都是在2018 年以后，且相互之间存在合作关系（图3（a））。3位作者的研究方向包括基于深度学习等方法实现湿地精细分类制图与生化物理参量的反演估算（图3（b））。中文文献发文量前3的作者为任广波、赵文吉和张杰，发文数量都为9篇。学者任广波和张杰存在合作关系，学者赵文吉的主要合作者有宫兆宁和林川（图3（c））。研究主要集中于高光谱湿地植被/水体生化物理参数反演研究，采用波段选择来构建植被指数，实现研究芦苇、香蒲等挺水植被叶片氮含量和湿地水体氮含量反演（图3（d））。

图3 WOS和CNKI中湿地高光谱遥感相关发文量前3的作者的合作网络和研究关键词分析Fig.3 Cooperation networks and keyword analysis of research of the top three authors in wetland hyperspectral remote sensing related publications in WOS and CNKI

2.4 国际合作

英文论文作者主要来自中国、美国、加拿大、德国等国家（图4）。国内学者的国际间合作较少，主要合作国家有美国（2 篇）、加拿大（2 篇）、荷兰（1 篇）；美国学者国际间合作较多，合作国家较分散，主要有中国（2 篇）、澳大利亚（2 篇）、荷兰（1 篇）。荷兰总发文量较少，仅8 篇，却与13 个国家有合作。国际合作大多发生在发达国家之间，因此，尽管国内高光谱湿地相关研究得到了长足的发展，但国际间的交流合作仍有待提高。

图4 WOS中湿地高光谱文献作者国家/地区合作网络Fig.4 Collaborative network of authors’ countries/regions in wetland hyperspectral literature in WOS

2.5 关键词共现和突现分析

关键词共现分析结果表明，英文文献的研究热点有植被分类、叶绿素含量、生物量、数据融合等；数据处理与特征提取方法有植被指数、光谱反射率、随机森林RF（Random Forest）等（图5）。地物分类是湿地高光谱遥感研究的热点。从2018年开始，滨海湿地成为重要的研究对象。

图5 WOS中湿地高光谱遥感的关键词共现图谱（出现频率≥10）Fig.5 Co-occurrence network of keywords in wetland hyperspectral remote sensing in WOS（frequency≥10）

湿地植被一直是中文文献的研究热点（图6）。互花米草、芦苇、叶绿素、生物量等都是湿地高光谱的研究对象，并且光谱特征是常用的湿地高光谱特征。机器学习、决策树是湿地高光谱研究中常用的分类和反演方法，其中随机森林应用最多。近年来，高光谱研究的湿地对象中滨海湿地受到更多的关注，与英文文献分析结果类似。

图6 CNKI中湿地高光谱遥感的关键词共现图谱（出现频率≥10）Fig.6 Co-occurrence network of keywords in wetland hyperspectral remote sensing in CNKI（frequency≥ 10）

关键词突现分析的结果表明，叶片光谱从2013到2014年是英文文献研究的热点（图7（a）），这可能是因为由于早期高光谱卫星较少且分辨率较低，因此，研究者主要基于植被叶片/冠层光谱数据开展相关研究；2016 年之后，随着高光谱卫星的发射以及无人机平台搭载的轻小型高光谱成像仪使用，高光谱数据的获取成为湿地高光谱研究的研究热点（图7（a））。近年来，数据获取的便携性提高，多种高光谱特征提取方法、生化物理参量机器学习反演方法逐渐被应用到湿地高光谱分类和反演中。另外，滨海湿地从2020 年至今成为国际学者的重点关注对象。

中文文献的研究主要集中于内陆湿地的植被、土壤和分类研究，其中湿地植被的分类一直是研究热点（图7（b））；2018年开始，以随机森林为代表的机器学习方法被广泛应用于湿地生化物理参数反演和植被分类（图7（b））。另外，滨海湿地从2019 年—2020 年成为湿地高光谱的重点研究对象，说明国内学者也开始关注滨海湿地。

3 湿地高光谱遥感载荷平台

高光谱成像仪的发展历程可以分为3 个阶段（图8），分别是积累期（1983 年—2000 年）、成熟期（2000 年—2010 年）和爆发期（2010 年至今）。积累期主要以航空载荷为主，1983 年美国成功研制出世界上第一台高光谱成像仪AIS-1（LaBaw，1984），被称为自遥感技术问世以来最重要的技术突破之一（童庆禧 等，2016）。之后，各个国家也陆续研制出不同的航空高光谱成像仪（张兵，2017）。1997 年，中国科学院上海技术物理研究所自行研制了中国首台推扫式成像光谱仪PHI（邵晖 等，1998）。尽管这时期的高光谱成像仪还处于技术探索，高光谱数据获取成本较高，但已经有学者将其应用到湿地研究中（Neuenschwander 等，1998）。

图8 高光谱成像仪的发展示意图Fig.8 Schematic diagram of the development of hyperspectral imagers

成熟期主要以航天载荷为主。2000 年11 月，美国Hyperion 成像光谱仪升空，2008 年，中国发射了第一颗高光谱仪成像卫星HJ-1A（袁艳 等，2009），同时越来越多的学者从事湿地高光谱研究（Pengra等，2007）。但这一时期的航天高光谱数据的空间分辨率较低，限制了湿地高光谱精细研究（Barducci等，2009）。

爆发期呈现两种发展方向：一是小型化近地面/地面高光谱成像仪，二是航天高光谱仪。地面一般为手持高光谱仪，常用的有ASD FieldSpec4（Dugin 等，2019）。近地面高光谱成像仪一般搭载在无人机上，研制机构有美国Headwall 公司、中国科学院上海技术物理研究所、北京欧普特科技有限公司等。中国从2018年至今分别发射了GF-5、ZY-02D 和GF-5 02 星（孙允珠 等，2018；张宏宇等，2020；孟祥超 等，2020；彭江涛 等，2020）航天高光谱仪，2022 年德国在发射了EnMAP 卫星。与上一阶段相比，本阶段的航天高光谱仪的光谱分辨率更高，在湿地研究中得到了广泛应用（徐逸 等，2021；Su等，2021）。

表2列举了常用的湿地高光谱数据源。航空高光谱数据的空间分辨率普遍优于航天高光谱数据，但覆盖范围小且成本高。地面和无人机载高光谱成像仪具有厘米甚至更精细的空间分辨率，可用于小区域湿地的精细研究。因此，本文认为今后湿地高光谱研究主要依赖于航天高光谱仪和小型化高光谱仪。期待航天高光谱仪进一步优化空间分辨率，从而推动大范围、高精度的湿地遥感研究。小型化高光谱仪可以提供定制化服务，例如针对某种湿地地物定制光谱范围，从而减少成本，推动湿地高光谱精细化发展。

表2 湿地高光谱研究中常用数据源Table 2 Hyperspectral sensors commonly used in wetland hyperspectral research

4 湿地高光谱遥感信息提取与处理

湿地高光谱影像的信息提取与处理研究主要集中3个方面：（1）特征提取：选取包含信息量大的波段或者提取具有鲁棒表示能力的特征，在保留数据主要信息的基础上，尽可能减少数据维数；（2）分类：按照像元的空间、光谱等特征，运用机器学习方法，将像元划分为不同的类别；（3）混合像元分解：从实际光谱中求解得到混合像元中各种地物成分（端元）以及各成分所占的比例（丰度）。

4.1 湿地高光谱特征提取方法

高光谱影像特征提取是指选取包含信息量大的波段或者提取具有鲁棒表示能力的特征，在保留数据主要信息的基础上，尽可能减少数据的维数。目前，常用的高光谱数据特征提取算法有主成分分析PCA（Principal Component Analysis）、光谱指数和波段选择。

（1）PCA 是高光谱遥感数据降维和特征提取中最常用的手段之一（Xu等，2019；Ping等，2021）。PCA 的本质是将原始数据从N维映射到k维空间上（k＜＜N），多用于地面/冠层光谱观测的特征提取（李金钊 等，2014）。此外，PCA 也常与方差分析、马氏距离法MD（Mahalanobis Distance）（刘雪华等，2012）、RF、SVM（Prospere等，2014）、典型对应分析CCA（Canonical Correspondence Analysis）（Saluja 和Garg，2016）等方法结合用于湿地对象特征提取。

（2）光谱指数是波段之间进行数学计算得到的，可作为特征用于后续的遥感影像的分类或反演（Brooks 等，2019）。湿地高光谱研究中归一化差值植被指数、简单比值指数、增强型植被指数的应用最为广泛（Adam等，2014）。此外，有学者通过构建新的光谱指数用于湿地高光谱分类或反演。光谱指数的构建方式是分别改变指数的数学计算形式或参与计算的波段，或两者同时改变（田燕芹 等，2020；Goswami等，2011；任广波 等，2014b；王建步 等，2015）。

（3）波段选择的目的是在保留地物重要光谱信息的同时，消除光谱冗余，降低计算成本（Sun和Du，2019）。以遥感分类为目的波段选择方法可以分为基于波谱可分性的方法和基于分类效果的方法。基于波段可分性的方法是选择差异大的波段参与分类，包括选择波谱差异最大的波段（Du等，2021）、具有显著差异的波段（Ouyang 等，2013）、波谱差异大于两者95%置信区间和的波段（况润元 等，2017）和波段均值置信区间差别大的波段（邱琳 等，2013）以及J-M 距离大（艾金泉 等，2015）和类距离大（柴颖 等，2015）的波段。基于分类效果的波段选择是选择分类精度高的波段。分类精度的指标包括平均信息增益和边际熵（Darko等，2021）、CART分类精度（Cao等，2018a）、随机森林中的波段重要性（Adam 等，2012）。波段与目标参量的相关性是定量反演中使用最多的波段选择方法（邱琳 等，2012；张森 等，2020）。除此之外，也有学者通过方差分析（田燕芹 等，2020）、敏感性分析（章文龙 等，2014）、遗传搜索算法（Koedsin和Vaiphasa，2013）进行波段选择。

4.2 湿地高光谱分类方法

湿地地物分类经历了3个阶段，第一阶段是以光谱角制图SAM（Spectral Angel Mapper）为代表的传统分类方法；第二阶段是以RF 和支持向量机SVM（Support Vector Machine）为代表的机器学习方法；第三阶段是以深度学习方法为主的湿地地物分类研究。

4.2.1 SAM

SAM 的本质是把影像中的每个像元的光谱视为一个高维向量，通过计算两个光谱向量间的夹角来度量光谱间的相似性。具体地，在SAM 分类中，通过比较待分类像元与已知像元之间的光谱角，夹角越小，两光谱越相似，进而将相似性最大的类别赋予待分类像元。考虑到湿地中地物交错分布，混合像元问题可能会导致地物SAM 区分度不高，因此，SAM 常用于地面冠层/叶片光谱的地物分类（李明泽和张培赢，2015）。尽管如此，也有研究利用SAM 进行基于高光谱卫星数据的红树林物种分类（Koedsin 和Vaiphasa，2013；Chaube 等，2019；Kamal和Phinn，2011）、芦苇面积提取等研究。

4.2.2 机器学习

湿地高光谱分类和反演研究中最具有代表性的方法是SVM 和RF（Hladik 等，2013；韦玮 等，2011）。SVM 的基本思想是求解能够正确分类训练数据集并且几何间隔最大的分类超平面。RF 的基本思想是通过训练学习多个决策树，预测时将多个决策树的输出整合以获得最终的分类结果。值得注意的是，决策树分类模型中输入的特征选择较多，包括但不限于降维后的原始高光谱波段（艾金泉 等，2015），光谱吸收特征（柴颖 等，2016），植被光谱特征空间“三边”参数（陶婷 等，2017），光谱解混得到的丰度（王建步 等，2014）。

此外，也有研究在地物准确识别的基础上，通过SVM 或者RF 估计目标植被的生物量（Du 等，2019；Adam 等，2014）、湿地植被多样性和泥炭地类型（McPartland 等，2019）、红树林对病虫害的响应（Jiang 等，2021b）。为了进一步提高分类精度，研究者倾向于同时使用多种方法进行高光谱湿地分类制图或反演（Stratoulias 等，2018；崔小芳和刘正军，2018；吴培强 等，2015；孙钦佩 等，2017；Jiang 等，2021a）。常用的方法有基于对象的方法、最大似然分类、K-means（Rupasinghe等，2019）、K-近邻KNN（K Nearest Neighbor）（Zhang，2014）、ISODATA（初佳兰 等，2015），RF（Zhang和Xie，2013；蒋卫国 等，2010）、SVM等（Lucas和Carter，2010；Cao等，2018b）。

4.2.3 深度学习

深度学习模型能够自动学习数据的层次结构特征，并且同时优化提取特征的表示和分类。湿地高光谱深度学习分类初期主要是卷积神经网络CNN（Convolutional Neural Network）（Li 等，2021；Hu等，2019a，2019b）及其针对性细节改进（Gao等，2022a）。对深度学习算法的改进主要集中于波段选择（Hu 等，2022）、特征提取和增强（Li等，2022）。常用的方法包括图特征增强（Li 等，2022），注意力机制（Cui等，2022），空间频谱视觉Transformer（Gao 等，2022b），残差连接（Xie 等，2022），双分支多线程CNN（Liu等，2021）等。

除了对特征提取模块进行改进以外，也有研究通过改进深度学习网络参数，如学习率（陈琛，2019）、对样本添加扰动以增加样本量（Chen 等，2019）、目标函数（Su 等，2021）等方法提高滨海湿地精细分类精度。

4.3 湿地高光谱混合像元分解方法

光谱解混的目的是求解得到混合像元中不同物质光谱和对应的比例系数。现有解混算法主要包含端元提取和丰度估计两部分，这两部分可以分别进行也可以通过盲源分离法等手段同时进行。

在特征空间中，所有的混合像元都存在于由端元连接而成的多边形（或多面体）内，因此，直接从图像上寻找端元的提取方法可分为两类。第一类是交互式端元提取，代表性方法是像元纯度指数PPI（Pixel Purity Index）（Shive 等，2010），这类方法的优势是能够很大程度上减少目视选取的主观性，缺点是需要人工参与。第二类是自动端元提取。代表性方法有内部最大体积法（NFINDR）（Chakravortty 和Sinha，2015）、正交子空间投影法（崔宾阁 等，2015），相对于交互式提取方法，自动端元提取的结果不受个人的主观影响，但由于自它一般采用纯数学判据，可能会产生不具有物理意义的端元。

丰度估计是指在提取端元信息后，对其在混合像元中所占比例进行估计。最小二乘算法的应用最广泛，包括完全无约束（任广波 等，2015）和完全约束的最小二乘（Artigas和Pechmann，2010）。线性光谱解混假设所有像元的端元个数相同，不考虑实际像元中是否由某种端元代表的地物，而这可能会导致地物分类精度不高。因此，有学者提出了端元光谱混合分析（Byrd等，2014）和自适应约束的最小二乘线性谱混合模型（Na等，2021）。

除了独立的端元提取和丰度估计方法之外，也可以通过盲源分离方法同时完成端元和丰度估计。代表方法有非负矩阵分解等（Chang等，2021），这类方法将观测矩阵分解成两个矩阵的组合，直接作为非负端元矩阵和非负丰度矩阵，其结果具有直观性和可解释性。

5 湿地高光谱遥感制图

5.1 红树林制图

红树林是生长在热带及亚热带海岸潮间带上的生态群落，具有防风固岸，保护海岸带生物多样性等重要作用（Pastor-Guzman等，2018）。目前红树林高光谱制图的研究区域集中在亚洲，主要包括中国和印度（高常军 等，2022；薛朝辉 等，2022）。

中国红树林资源丰富，广泛分布在海岸线附近，其中南海沿岸是众多学者研究的热点区域（周在明 等，2021）。黄可等（2022）利用30 m 分辨率的Landsat 8 数据，结合时空概率阈值法获取2015 年中国东南沿海地区红树林分布结果。Wan等（2020）利用单景30 m 分辨率的GF-5 高光谱卫星数据，结合SVM 和RF 方法对香港米埔自然保护区的水笔仔、海榄雌、桐花树和老鼠筋4种主要红树林树种进行了识别和制图。Liu 等（2019）利用单景1 m 分辨率的CASI 高光谱数据，设计一种监督分类方法，制作了台湾台江国家公园的红树林地图。印度方面，Sundarban 和Bhitarkanika 是红树林重点研究区域，不少学者采用单景30 m 分辨率的Hyperion 高光谱数据，基于光谱指数和机器学习方法对两地的红树林树种进行分类和地图（Anand 等，2020）。此外，泰国南部的Nakorn Sri Thammarat 省也有部分高光谱红树林制图研究（Koedsin和Vaiphasa，2013）。

尽管高光谱遥感为红树林制图开启了新的方向，但是仍存在一些限制。例如，低空间分辨率的高光谱数据在红树林制图精度不及高空间分辨率的多光谱数据（Behera 等，2021）。因此，结合多源数据来提升红树林制图精度成为新的研究方向（Cao等，2018b）。

5.2 盐沼植被制图

盐沼植被是指生存在潮间带盐沼湿地上的植被，能有效减缓沉积物再悬浮和侵蚀，在盐沼湿地生态系统功中发挥重要作用（Leonard 和Luther，1995；吉晓强，2008）。高光谱以其精细的光谱信息捕获能力，成为目前盐沼植被制图的主要数据源。

中国的盐沼植被主要分布在杭州湾以北，典型的盐沼植被包括互花米草、芦苇和碱蓬等。近年来，黄河三角洲成为盐沼植被研究热点地区（孙钦佩 等，2017；任广波 等，2021）。例如，Sun等（2021）基于单景30 m 分辨率ZY-1 02D 数据提出一种简单高效的空间光谱方法，对黄河三角洲和盐城地区的芦苇、互花米草、怪柳等盐沼植被进行分类和制图。此外，中国东北地区也有不少盐沼植被高光谱制图的研究（Du等，2021）。国外的盐沼植被高光谱制图研究较为零散，Wang 等（2007）使用机载CASI 高光谱数据，结合ANN 绘制了意大利威尼斯盐沼中的混合植被群落，Kumar和Sinha（2019）对比了高光谱Hyperion 和多光谱Quickbird 数据在澳大利亚米卡洛岛盐沼植被制图的效果，结果显示高光谱数据可以取得与实际更相符的地图。

然而，仅利用高光谱数据进行盐沼植被制图仍存在空间分辨率不高和光谱信息冗余导致的精度过低问题（Belluco 等，2006），结合高光谱数据和其他多源数据成为目前盐沼植被制图的新手段（Hladik等，2013）。

5.3 其他制图应用

高光谱数据在湿地制图中的应用除了红树林和盐沼植被以外，还被应用在入侵物种分布制图，如入侵物种毛锈线菊（Kopeć 等，2020）和马利筋（Papp 等，2021），泥炭地类型制图（Granlund 等，2021）、泥滩类型（Manjunath 等，2013）、土壤有机质分布制图（荣媛 等，2017；Wang 等，2018）等方面。此外，受数据源和成本影响，目前高光谱湿地制图研究多采用单景影像，随着高光谱卫星的发展，有望利用时序数据捕获更连贯的信息，从而进一步提高湿地制图精度。

6 湿地高光谱遥感定量反演

6.1 叶绿素反演

叶绿素（Chlorophyll）是光合效率、氮素胁迫、植物发育状况和病虫害监测的重要指示器。目前在湿地进行叶绿素高光谱反演的研究按其研究对象可以分为两类：湿地水体叶绿素反演和湿地植被叶绿素反演。

湿地水体叶绿素反演主要是针对湿地水体中藻类或浮游植物的叶绿素含量，藻类和浮游植物的大量繁殖是引起水体富营养化的重要原因。Lu等（2022）利用ZY-1 02D 高光谱图像的光谱反射率与叶绿素-a 浓度的相关性，利用单波段、波段比、三波段等算法建立了叶绿素的定量高光谱模型，测定了中国白洋淀自然保护区的湿地水体的叶绿素（Lu 等，2022）。Proctor 和He（2013）利用FieldSpec3 Max 便携式光谱仪采集了加拿大多伦多地区湿地的浮游植物的光谱信息，采用线性模型建立了光谱植被指数与叶绿素浓度的反演模型。湿地植被能够综合反映湿地的生态特征，在湿地的物质交换和能量转换中发挥着极其重要的作用。由于湿地植被分布复杂，一般采用无人机或者手持高光谱仪采集植被光谱信息，从而建立准确的叶绿素反演模型（郭啸川 等，2012）。例如，章文龙等（2014）使用ASD FieldSpec2500 测定闽江口鳝鱼滩湿地秋茄的光谱信息，通过敏感性分析选取与叶绿素相关系数较高的参数，分别用线性、对数和指数模型建立估算模型。Zhuo 等（2022）利用无人机搭载GaiaSky-mini2 成像系统测定了上海崇明岛湿地混合植被的叶绿素的光谱信息，采用调和分析的频率变换理论和希尔伯特变换将光谱维数转换为频率维数，并利用偏最小二乘构建叶绿素含量的估算模型。

然而，水体悬浮物浓度差异会对高光谱数据捕捉叶绿素光谱信息时产生不同程度的干扰，湿地植被中复杂的生物组成也会影响光谱信息精度，这些都是制约高光谱精确反演湿地叶绿素的重要因素。

6.2 植物生物量反演

湿地植被生物量包括地上部分和地下部分以及凋落物生物量，它是衡量湿地生态系统健康状况的一个重要指标。目前植物生物量高光谱反演主要应用在地上生物量，按照数据来源对当前研究进行划分，可以分为航天和无人机/地面数据。

航天高光谱数据主要应用在较大面积的湿地对象（任广波 等，2014a），例如，Wang等（2022）采用珠海一号OSH 高光谱卫星，利用经验线性方法反演了北京汉石桥湿地自然保护区内的芦苇生物量。Pandey 等（2019）采用线性、对数和多项式等方法，评估了利用Hyperion 高光谱数据估算红树林生物量的潜力。但是，卫星高光谱影像一般采用像元对应范围内若干个样方的生物量均值作为像元生物量的“相对真值”（张正健 等，2016），而真实像元内的植物生长不同状况会带来计算偏差。此外，由于卫星影像空间分辨率较低也会导致反演精度存在不足。因此，当前高精度的植被生物量高光谱反演主要采用无人机和地面高光谱数据（卢霞 等，2017）。例如，Eon等（2019）基于PROSAIL 辐射传输模型，利用Headwall VNIR光谱仪航拍采集的高空间分辨率高光谱图像中估算盐沼地上生物量。但是光谱数据估算生物量存在特征信息不足的明显问题。不少学者利用多源遥感数据来提高湿地生物量的反演精度，例如通过增加激光雷达数据来提高反演精度（Luo 等，2017；Räsänen等，2020）。

6.3 其他反演

除了叶绿素反演和生物量反演外，高光谱遥感还在其他湿地反演应用中发挥重要作用，例如湿地地表水分和地下水位位置（Meingast等，2014）、湿地土壤重金属含量（袁中强 等，2016）、湿地湖泊水深（李丽丽 等，2013）、湿地土壤氮磷含量（王莉雯和卫亚星，2016；刘云根 等，2019）、红树林叶面积指数（George等，2018）。

7 结语

本文梳理和分析2010 年—2022 年全球湿地高光谱遥感的研究现状和前沿进展。中国和美国是湿地高光谱遥感研究最多的两个国家，但与美国相比，国内学者的国际间交流合作仍有待提高。目前湿地高光谱分类一直是国内外学者的主要研究方向，且国内学者在国际上的影响力逐渐提升，但近几年中文文献的发文量逐渐下降，文章被引量增加速度放缓，这可能是因为国内学者热衷于发表国际期刊，忽视了在国内期刊发文以及引用中文文献。现有湿地高光谱研究大多集中于自然保护区等小区域，主要利用卫星或地面高光谱遥感数据，采用传统特征提取、SVM 及RF 分类方法来实现湿地制图，或通过简单线性模型来研究叶绿素和地上生物量的定量反演。当前研究存在空间尺度小、数据单一且方法传统的问题。现有湿地高光谱研究多关注小区域湿地，大范围高光谱湿地应用缺失；研究多采用单源高光谱遥感数据，如何集成其与多源遥感数据（如激光雷达、多光谱和SAR）的共同优势，实现协同应用目前还较少涉及。而且现有湿地高光谱数据处理与特征提取方法以传统方法为主，无法适应海量数据的自动智能高精度处理需求。

高光谱遥感数据得益于数十至数百个波段的观测能力，能够提供精确连续的光谱信息，可获取丰富的地表特征信息，可以为湿地高光谱分类和反演提供充足的光谱信息。随着多源遥感协同对地观测技术和人工智能理论的发展，未来的湿地高光谱遥感的研究亟待突破以下方面：

（1）在载荷研制方面，考虑到地面/近地面高光谱遥感平台便携特性，未来的载荷研制需要加强全谱段地面/近地面高光谱平台研发，特别是涵盖1000—2500 nm光谱波段的低成本轻小型装备。

（2）在信息提取方面，考虑到高光谱遥感的海量高维数据特性和湿地的高时空异质地理特性，未来可以引入深度学习和领域自适应等机器学习前沿理论，研究融合光谱成像机理和地学特性的快速智能信息提取方法。

（3）在湿地制图和分类方面，未来可以考虑联合多光谱、SAR 和多源高光谱卫星影像数据，集成多源卫星的观测优势，提升高光谱遥感数据的时空分辨率，满足长时序、大尺度的湿地精细制图和动态监测需求。

（4）在湿地遥感定量反演方面，未来可以考虑结合研究机理—学习耦合的定量遥感反演模型，发挥深度学习数据驱动方法和参量估计机理模型的联合优势，实现空天地一体的大范围、高精度湿地生物理化特性反演，为碳汇估算和生物多样性评估等提供精细的数据支持。