基于多端元解混模型的博斯腾湖区域植被和水域时空变化特征及趋势分析

亚夏尔·艾斯克尔， 玉素甫江·如素力,2

（1.新疆师范大学地理科学与旅游学院，新疆 乌鲁木齐 830054；2.新疆干旱区环境与资源重点实验室，新疆 乌鲁木齐 830054）

湿地作为天然物种的基因库，在净化水质、调节流量、保留营养物质、保持气候稳定、旅游休闲等生态功能和社会经济效益方面，起到至关重要的作用［1-2］。根据《国际湿地公约》的定义，湿地系指天然或人工、永久或暂时之死水或流水地、淡水、微咸水或碱水、沼泽、湿草地、泥炭地或水域，包括在低潮时不超过6 m深的水域。博斯腾湖位于新疆焉耆盆地，2017 年获批国家湿地公园，目前是我国占地面积最大国家湿地公园。20 世纪60 年代到80 年代，博斯腾湖由淡水湖演变成微咸湖，湖水面积萎缩，湖周湿地大面积消亡。近20 a，当地政府积极推进博斯腾湖流域生态环境综合治理，湿地生态功能和水体修复得到明显改善，而开展长时间、高精度的湿地变化观测对于进一步保护与恢复博斯腾湖湿地显得尤为重要［3］。

采用遥感手段开展湿地变化观测需要对湿地地物类型进行精准的识别。由于遥感影像空间分辨率的影响，单个像元中通常会存在多种地物类型，这种像元就被称为“混合像元”［4］。而将混合像元无论归为任何单一地物都是错误的，因为它不完全属于某一种地物。混合像元的存在影响着遥感技术在地物分类上的精度［5-6］。湿地的生物多样性比较复杂，景观破碎化程度比较高，遥感影像中混合像元普遍存在，严重干扰了湿地地物分类的精度［7］。国内外专家对遥感数据混合像元分解进行了大量的研究，吴见等［8］针对干旱区中的农牧交错地带，通过改进线性光谱混合分解模型在提取出更精确的草原植被光谱信息的同时也减少了土壤端元对光谱模型的干扰，提高针对干旱区草甸类型的分类精度。李微等［9］将全约束最小二乘混合像元技术推广到我国滨海湿地面向像元的分类研究中，为滨海湿地面向像元分类提供了理论支持。李哲等［10］将面向对象方法与多端元解混模型相结合反演扎龙湿地植被覆盖度并取得较好的效果。以上研究运用混合像元分解方法提高了地物信息提取的精度，但是这些研究集中在滨海湿地、自然沼泽地区以及河流三角洲地区，对干旱区湿地，特别在博斯腾湖湿地的研究还非常少。新疆博斯腾湖湿地是中国最大的内陆湖泊湿地，也是新疆重要的生态系统和水资源。针对该湿地的研究日益增多，曾光等［11］用多源遥感数据分析博斯腾湖湿地演化规律和发展趋势，为制定合理、有效的湿地保护措施提供理论依据。王涛等［12］对博斯腾湖流域植被覆盖的空间差异变化进行研究，为评估未来流域水文水资源变化提供参考。但是大多数学者只在传统的像元尺度上进行分类，忽视了混合像元对地物提取精度的影响。

近几十年来，新疆博斯腾湖湿地环湖区域社会经济发展相当迅速，人口不断增长，农田面积持续增加［13］，湿地的植被、裸地和水体交叉分布，景观破碎化程度增加，在一块像元中掺杂了各种地物，导致混合像元现象比较严重。使用传统的像元尺度分类算法来解译，很难有效解决湿地地物交错混合的问题。多端元混合像元分解（Multiple endmember spectral mixture analysis，MESMA）模型［14］是在线性光谱混合（Linear spectral mixture analysis，LSMA）模型基础上改进而来的混合像元分解方法。MESMA模型在建立地物端元光谱库的基础上，针对每一种地物采用多种端元光谱组合进行分解，提取出像元中每种地物所占的百分比，可以有效改善椒盐现象［15-17］。

本文针对博斯腾湖湿地目前的特点，以Landsat TM/ETM+/OLI 影像为数据源，通过MESMA 模型获取博斯腾湖湿地典型地物类型的丰度值，构建以植被、水体、裸地为组分的解混模型，反演博斯腾湖湿地地物分类结果，并通过在研究区实地拍摄的无人机影像分类结果进行精度评价，实现博斯腾湖湿地亚像元级别信息提取，动态监测博斯腾湖湿地的演变过程，明晰时空变化变化规律。其目的是探究一种提高干旱区湿地典型地物类型信息提取的方法，同时为博斯腾湿地监测与保护提供有效的理论依据和数据支持。

1 研究区概况

新疆博斯腾湖位于新疆焉耆盆地最低洼处，地势西北高东南低，是开都河的尾闾，也是孔雀河的发源地（图1）。博斯腾湖湿地植被类型以芦苇（Phragmites australis）为主，长苞香蒲（Typha angustata）、和狭叶香蒲（Typha angustifolia）为辅，形成我国第四大芦苇湿地区［18］。研究区气候干旱少雨，蒸发强烈，属温带大陆性荒漠气候，夏季干旱炎热，冬季寒冷少雪，年降水量为68.2 mm，年蒸发量为2200 mm。本文以博斯腾湖大湖区、小湖区主要水源宝浪苏木分水枢纽站（开都河第3分水站）为基准（海拔高度约1050 m），确定研究区边界［19］，并将博斯腾湖以开都河东、西支流中间线和S205公路为界区分大、小湖区。博斯腾湖总面积为2450.65 km2，其中大湖区面积为1777.43 km2，小湖区为673.22 km2。

图1 研究区与无人机航拍区示意图Fig.1 Schematic diagram of the study area and aerial drone photography area

2 数据与方法

2.1 数据来源

Landsat 系列数据：选用Landsat TM/ETM+/OLI系列数据Collection2-Level 2-Tier1地表反射率产品，该产品不仅具有较好的几何和辐射定标精度，而且各传感器图像之间也有超高的一致性。考虑博斯腾湖湿地植被物候特征，选择每年7—8月成像的云覆盖度＜20%的数据，2000—2022年共有1748景（其中，OLI为469景，ETM+为747景，TM为532景）。

无人机航拍数据：2022 年8 月3 日随团队前往研究区实地拍摄，天空晴朗可见度较高。使用大疆精灵4Pro无人机作业，设定飞行高度为100 m，速度9.7 m·s-1，拍摄角度90°，航向重叠度80%，旁向重叠度70%，拍摄面积为41400 m2，影像空间分辨率为2.73 cm［20］。飞行任务完成后，通过Argisoft Photoscan软件合成处理航拍图像，获得区域RGB影像和数字高程（Digital elevation model，DEM）［21］。

2.2 研究方法

MESMA 是一种混合像元分解方法，通过提取混合像元中各类地物的丰度值提高地物分类的精度。具体步骤为：首先对2000—2022 年23 幅合成TM、ETM+、OLI 多光谱影像进行预处理，然后根据计算出的归一化植被指数创建随机采样点，通过所提取的植被、裸地、水体随机采样点多值提取至点选取各波段中的值，在R 语言中利用MESMA 模型将各端元波谱值信息与Landsat影像叠加计算，分解混合像元得到植被、水体、裸地3 种组分的丰度值，提取出典型地物信息。接着，根据像素丰度提取出3种地物的面积。同时对更高空间分辨率的无人机航拍影像进行面向对象分类，经重采样及像元配准得到与MESMA 模型对应像元的地物面积占比，将其假定为真实的像元丰度值以作参考。计算出像元分解得到的植被和水体丰度值与真实面积占比之间的拟合度，验证混合像元模型的适用性。最后，根据提取后的影像进行一元线性回归趋势分析，得出博斯腾湖湿地典型地物变化趋势。

2.2.1 多端元混合像元分解（MESMA）模型MESMA模型选用最小二乘法误差最小的端元组合提取出像元中不同端元所占的百分比。本研究选择了植被-水体-裸地3种端元组合。混合像元分解共分为两步［22-23］，即端元确定与提取、混合像元解混。

（1）端元光谱确定与提取。端元选取就是将混合像元中所包含的地物类型和数目设定为特征组分，端元选取直接影响混合像元分解中组分数据的准确度［24］。MESMA 模型应用到Landsat 影像时，根据研究区地物的类别，选择3 个端元组分较为合理。根据博斯腾湖湿地遥感数据植被归一化指数（NDVI）结果，按照三分模型建模原则，采取多值提取至点方法创建随机采样点，分别从植被、水体、裸土3种地物类型的样本点，数量分别为植被端元100个、水体端元100个、裸土端元50个，总计250个。

式中：RNIR和RRED分别为Landsat 影像的近红外与红光波段的反射率。

（2）混合像元分解。混合像元分解是依据提取出的混合像元的光谱特征，解析出混合像元中每个端元所占的百分比，即端元丰度。MESMA 模型通过选取多个端元波谱对像元中每种地物进行混合像元分解。最广泛的方法是由Roberts 等［25］提出的MESMA 模型。解混模型的拟合优度通常采用均方根误差（RMSE）来评价［26］，公式为：

式中：S为遥感影像波段数；λ为波段；ελ为λ的残差。

2.2.2 一元线性回归趋势分析本文运用一元线性回归趋势分析法从时间和空间上分析植被覆盖度的变化趋势，此方法根据像元分解后的植被像元丰度值得出的植被覆盖度随时间变化相结合得出整个区域的变化趋势［27］，公式为：

式中：slope为多年覆被覆盖度线性拟合斜率；n为监测年数；fvci为第i年植被覆盖度。

线性拟合斜率可以反映出博斯腾湖湿地植被2000—2022 年的覆盖度变化趋势及变化程度。斜率为正，表示覆盖度增加，斜率为负则表示减少；斜率数值越大，表示变化程度越显著，越小则表示变化程度越小。根据斜率数值将趋势变化特征划分为：显著减少（-0.040～-0.003），轻微减少（-0.003～0.005），无变化（0.005～0.014），轻微增加（0.014～0.024），显著增加（0.024～0.055）5个等级。

2.2.3 面向对象分类方法无人机影像采用面向对象的分类方法在湿地分类中有着广泛应用［28］，因此在本研究区通过eCognition 软件进行无人机影像分类是可行的。首先，将可见光影像和DEM图像进行特征融合，再运用eCognition 将影像分割后，选择参与分类的特征样本，最后根据它们在特征空间中的距离和设定的分类规则进行监督分类。

2.2.4 精度评价

（1）无人机影像精度评价。在采用无人机分类结果对混合像元分解模型进行精度验证之前，需对无人机面向对象分类结果进行精度评价。主要评定指标有制图精度（PA，%）、用户精度（UA，%）、总体精度（OA，%）、Kappa系数，公式分别为［29］：

式中：Pii为i行i列上每一类中正确分类样本数量的值；Pi+为某一类验证样本的总数；P+i为某一类型验证样本总数；n为类型数量；N为验证样本之和。

（2）混合像元分解精度评价。将无人机分类结果进行重采样与2022 年7—8 月的Landsat 影像匹配［30］，得到对应Landsat 像元的植被、水体面积比例，并以此对混合像元分解模型得到的植被和水体精度进行精度验证［31］。

3 结果与分析

3.1 MESMA精度

3.1.1 无人机分类精度对无人机影像进行分类后，定量评价湿地地物信息提取的精度。根据影像目视解译选取206 个随机样本点，结合分类结果对比分析完成精度评价（表1）。Kappa系数为0.95，总体精度（OA）达到97.09%，可以证明无人机影像用来验证Landsat混合像元分解精度是可靠的。

表1 无人机图像面向对象分类精度评价Tab.1 Accuracy evaluation of UAV image object-oriented classification

3.1.2 混合像元分解精度根据MESMA 模型生成的植被、水体、裸地组分丰度，组分丰度值的范围在0～1之间（图2），丰度值越高表示此像元中该地物所占的面积越大。通过与真彩色影像（图2a）进行对比，植被（图2b）、裸地（图2c）和水体（图2d）的地物类型划分更为明显，且能反映出研究区实际地物分布，如图2位置①中的植被、位置②中的裸地和位置③中的水体等。

利用高精度的无人机分类结果进行重采样，对应MESMA 模型分解后地物类型，以此为依据对MESMA 模型得到的地物丰度提取效果作精度评价。由图3可知，MESMA模型的分类结果与无人机分类结果拟合度比较高。其中，MESMA 模型分解出的水体像元与无人机分类结果之间的拟合优度为0.84，植被像元与无人机分类结果的拟合优度为0.75。综上分析可知，采用MESMA模型精度满足要求，能较为准确地分类出研究区不同地物的分布情况，是一种较为理想的地物分类方法。

图3 无人机影像地物面积占比与MESMA地物像元丰度拟合优度（R2）Fig.3 R2 of percentage of feature area by UAV and MESMA fraction

3.2 博斯腾湖湿地典型地物时空变化特征

2000—2022 年博斯腾湖湿地植被面积从453.58 km2增加到990.23 km2，水域面积从1607.2 km2减少到1011.44 km2，裸地面积从389.87 km2增加到448.99 km2（图4）。不同时段湿地覆被面积变化特征不尽相同，以2012 年为界面积变化分为3 个阶段。第一阶段为2000—2011 年，博斯腾湖湿地植被面积总体上呈显著增加趋势，从453.58 km2增加到854.12 km2，共增加400.54 km2；水域面积持续减少，从1607.20 km2减 少 到1113.14 km2，共 减 少494.06 km2。植被在大湖区西北部滨湖湿地、小湖区北部增加幅度较大，水域面积则以大湖区湿地西北部湖滨湿地区、博斯腾湖南部边缘狭长水带以及东部边缘缩减程度较大（图5）。第二阶段为2011—2012 年，湿地植被面积骤降，从854.12 km2减少到489.93 km2；水域面积则剧增，从1113.14 km2增加到1419.86 km2。植被在大湖区西北部滨湖湿地、以及整个小湖区减少幅度较大，该区域水域面积则相应大幅增加（图5）。第三阶段为2012—2022 年，博斯腾湖湿地植被面积呈显著增加趋势，从489.93 km2增加到990.23 km2，共增加500.3 km2；水域面积持续减少，从1419.86 km2减少到1011.44 km2，共减少408.42 km2。植被在大湖区西北部滨湖湿地、小湖北部增加幅度较大，水域面积缩减较大区域主要位于大湖区西北部湖滨湿地、博斯腾湖南部以及东部，但是在大湖北部呈增加趋势（图5）。截止2022年博斯腾湖湿地植被面积共增加536.65 km2（183.14%），水域面积共减少595.76 km2（37.07%），裸地面积共增加99.12 km2（25.42%）。

图4 2000—2022年博斯腾湖湿地典型地物变化Fig.4 Changes of typical features in Bosten Lake Wetland from 2000 to 2022

3.3 博斯腾湖湿地植被丰度变化趋势

对博斯腾湖湿地植被丰度进行趋势变化分析（图6）发现，博斯腾湖湿地植被显著减少（-0.040～-0.003）的区域面积占比为5.1%，包括小湖区和黄水沟入水口的芦苇覆盖区域；轻微减少（-0.003～0.005）的区域面积占比为29.5%，包括大湖区北岸滨湖湿地和东岸；轻微增加（0.014～0.024）、显著增加（0.024～0.055）的区域面积占比分别为23.4%、7.2%，包括博斯腾湖湿地西北部和小湖区北部区域；基本无变化区域面积占比为34.8%，主要为农田以及大湖区南部沙漠地带。

4 讨论

湿地是陆地生态系统的重要组成部分，也是气候变化的评价指标，科学精准地获取水体、植被信息，掌握湿地变化规律特征，对于开展湿地生态环境保护等方面有重要的意义。本文基于MESMA模型探究博斯腾湖湿地典型地物的提取精度，分析了3 种典型地物的时空变化特征，结果显示：2000—2022 年博斯腾湖湿地中水体时空变化趋势呈现扩张-退缩-扩张的增减交替变化特征，博斯腾湖湿地植被与裸地面积变化呈反比增减趋势。

本文针对传统分类方法忽略混合像元而导致的分类精度低的问题，在植被指数的基础上，引入MESMA模型，基于植被-水体-裸地三分模型，通过提取的像元丰度值，解决中等空间分辨率遥感影像在地物分类过程中遇到混合像元的问题。经过与实地拍摄的无人机影像分类结果进行像元叠置计算出水体像元拟合度为0.84，植被像元拟合程度为0.75。MESMA 模型对不同的类型像元采用不同的端元组合模型，提高了地物分类的精度，研究结果具有一定的参考价值。但是基于3种地物提取的混合像元中的地物丰度，无法做到地物边界的精确分割。运用大量实测数据获取动态水体及信息，能提高分类的准确性。

植被面积整体增加区域在研究区西北黄水沟滨湖湿地和小湖区北部区域，呈减少趋势的地区主要为大小湖相邻接区域、小湖湿地中部和西北滨湖湿地艾比拉苇区南部入水口区域。首先，当地政府的一系列生态修复工程促进了博斯腾湖湿地的恢复。2001年，国家计委批准实施博斯腾湖水环境保护域治理工程，2009 年实施的“干旱半干旱地区湖泊水环境综合治理与生态修复技术研究及工程示范工程”，博斯腾湖为试验示范区；2011年博斯腾湖被列入国家首批8 个“生态环境保护试点”湖泊，根据博斯腾湖生态安全现状及发展趋势，通过多层次、多途径调整流域产业结构，采取工程及非工程措施降低流域污染负荷，修复湖滨湿地，有效遏制湖泊咸化趋势，博斯腾湖滨湖湿地尤其是黄水沟滨湖湿地得到一定程度的恢复。同时也可以看出，近湖区域的芦苇湿地与水域面积的变化呈现相反的变化态势，芦苇生长在浅水水域，水位过高会制约芦苇的生长，这与陈昂［31］、买尔哈巴·买买提汗［32］得出的结论相似。同样，除了积极作用，人类活动和气候变化叠加对于博斯腾湖湿地水域和植被的负面影响不容忽视，博斯腾湖大湖水域面积因为1999年的特大洪水，在2000 年面积达到最高值，2003—2012 年塔里木河流域生态输水工程增加了博斯腾湖的出湖水量，区域降水减少导致干旱频率叠加，加之流域农业灌溉面积不断增加，之后湖水面积呈减少趋势，主要体现在大湖沿岸［33］。2015年之后入湖径流量增加的同时人为对出湖水量的进行控制，水域面积得以快速回升［34］。不容忽视的是，博斯腾湖湿地区植被长势衰退的区域主要在小湖区，重点区域为大小湖隔堤以西以及中部区域，其主要原因可能是2003 年前后博斯腾湖大小湖隔堤和放水闸的兴建以及向塔里木河输水，使得小湖区水量减少，进而引起小湖区苇地长势衰退。总之，气候变化叠加人类活动共同影响了博斯腾湖湿地水域与湿地的变化，其影响既有正面，亦有负面，针对不同时期博斯腾湖湿地的空间分布特征及影响主导因素，采取针对性的有效措施显得尤为重要。

5 结论

（1）MESMA 模型针对不同的像元采用不同的端元模型，对遥感影像中的混合像元分解，提高了地物分类的精度。经过与无人机面向对象分类结果（总体精度97.09%、Kappa 系数0.95）进行地物占比拟合度计算，与植被像元R2为0.75，与水体像元R2为0.84，表明Landsat 系列影像通过MESMA 模型反演方法适用于分布面积零散的干旱区湿地，提高了地物分类的精度。

（2）2000—2022年博斯腾湖湿地植被面积增加536.65 km2（183.14%），主要体现在大湖湿地西北、小湖区北部区域；水域面积共减少595.76 km2（37.07%），在大湖区西北湖滨地带、博斯腾湖南岸以及东岸缩减程度较大，但是在大湖北部呈增加趋势；裸地面积共增加99.12 km2（25.42%），主要体现在博斯腾湖大湖北岸区域。

（3）博斯腾湖湿地植被30.6%的区域呈增加趋势，主要包括湿地西北部和小湖区北部区域，34.6%的区域呈减少趋势，主要包括小湖区、大湖北岸黄水沟入湖口和东岸带区域。