img

官方微信

遥感技术与应用, 2021, 36(4): 713-727 doi: 10.11873/j.issn.1004-0323.2021.4.0713

湿地遥感专栏

基于面向对象—深度学习的闽东南低海拔海岸带地区湿地动态遥感分析

路春燕,1,2, 雷依凡1, 苏颖1, 黄雨菲1, 刘明月3, 贾明明,2

1.福建农林大学 计算机与信息学院,福建 福州 350002

2.中国科学院东北地理与农业生态研究所 湿地生态与环境重点实验室,吉林 长春 130102

3.华北理工大学 矿业工程学院,河北 唐山 063210

Remote Sensing Analysis of Wetland Dynamics based on Object-oriented and Deep Learning in the Low-elevation Coastal Zone of Southeast Fujian

Lu Chunyan,1,2, Lei Yifan1, Su Ying1, Huang Yufei1, Liu Mingyue3, Jia Mingming,2

1.College of Computer and Information Sciences,Fujian Agriculture and Forestry University,Fuzhou 350002,China

2.Key Laboratory of Wetland Ecology and Environment,Northeast Institute of Geography and Agroecology,Chinese Academy of Sciences,Changchun 130102,China

3.College of Mining Engineering,North China University of Science and Technology,Tangshan 063210,China

通讯作者: 贾明明(1986-),女,吉林延边人,副研究员,主要从事地理景观遥感研究。E⁃mail:jiamingming@iga.ac.cn

收稿日期: 2020-06-28   修回日期: 2021-07-11   网络出版日期: 2021-09-26

基金资助: 国家自然科学基金青年基金项目.  41901375
福建农林大学杰出青年研究人才计划项目.  XJQ201920
福建农林大学科技创新专项基金项目.  CXZX2020106A
吉林省科技发展计划项目.  20200301014RQ

Received: 2020-06-28   Revised: 2021-07-11   Online: 2021-09-26

作者简介 About authors

路春燕(1986-),女,山东邹平人,讲师,主要从事资源环境遥感研究E⁃mail:luchunyan@fafu.edu.cn , E-mail:luchunyan@fafu.edu.cn

摘要

海岸带湿地具有重要的生态价值和经济开发价值,明确其时空变化特征与影响因素对于维持区域生态系统平衡和可持续发展具有重要意义。以Landsat TM/ETM+/OLI影像为基本数据源,综合利用面向对象与深度学习分类方法对1985~2015年闽东南低海拔海岸带地区的湿地信息进行提取,以揭示其时空演变特征与驱动力因素。结果表明:基于面向对象—深度学习分类方法对湿地进行信息提取,整体分类精度可达93%以上,分类结果整体性好;1985~2015年自然湿地面积呈减少趋势,人工湿地面积呈增加趋势,分别减少和增加250.31 km2和251.36 km2;湿地二级类型中,30 a间河口/浅海水域和淤泥质海滩面积减少最大,盐田/水产养殖场面积增加最大;1985~2015年湿地变化类型多样,且2000~2015年较1985~2000年湿地变化更为剧烈;湿地变化是人类活动和自然环境变化共同作用的结果,其中人类活动是影响湿地变化的主要原因。该方法及研究结果可为海岸带湿地监测与保护管理提供技术支持和决策参考。

关键词: 低海拔海岸带地区 ; 湿地 ; 面向对象分类 ; 深度学习 ; 闽东南

Abstract

Wetlands located in coastal zone have important ecological and economic development value. It is of great significance to understand spatiotemporal characteristics and influencing factors of wetland change for maintaining regional ecosystem balance and sustainable development. Taking Landsat TM/ETM+/OLI images as the basic data source, wetland information extraction of low-elevation coastal zone of Southeast Fujian in 1985, 2000, and 2015 were carried out combing with object-oriented and deep learning classification methods. The spatiotemporal evolution characteristics and driving factors of wetland change were revealed. The results showed that: using object-oriented deep learning classification method, the overall classification accuracy of wetlands was more than 93%, and the classification results were desirable. During 1985~2015, the natural wetlands showed a decreasing trend, and the human-made wetlands showed an increasing trend, with -250.31 km2 and 251.36 km2, respectively. Among the second-class wetland types, the estuary/shallow sea water and mudflats decreased the most area in 30 years, and the salt pans/aquaculture ponds increased the most area. The types of wetland change were diverse from 1985 to 2015, and the wetland changes from 2000 to 2015 were more drastic than those from 1985 to 2000. The wetland dynamics attributed to natural environment change and the influence of human activities, in which human activities were the critical causes. This study can provide technical support and decision-making references for the monitoring, conservation, and management of coastal zone wetlands.

Keywords: Low-elevation coastal zone ; Wetlands ; Object-oriented classification ; Deep learning ; Southeast Fujian

PDF (5778KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

路春燕, 雷依凡, 苏颖, 黄雨菲, 刘明月, 贾明明. 基于面向对象—深度学习的闽东南低海拔海岸带地区湿地动态遥感分析. 遥感技术与应用[J], 2021, 36(4): 713-727 doi:10.11873/j.issn.1004-0323.2021.4.0713

Lu Chunyan, Lei Yifan, Su Ying, Huang Yufei, Liu Mingyue, Jia Mingming. Remote Sensing Analysis of Wetland Dynamics based on Object-oriented and Deep Learning in the Low-elevation Coastal Zone of Southeast Fujian. Remote Sensing Technology and Application[J], 2021, 36(4): 713-727 doi:10.11873/j.issn.1004-0323.2021.4.0713

1 引 言

海岸带是陆地和海洋相互作用形成的独特生态过渡地带,自然资源丰富,生态系统结构功能复杂,在调节气候、保护生物多样性、维持生态系统平衡和促进区域社会经济可持续发展等方面均具有重要作用1-2。同时,海岸带地区也是全球环境变化最敏感脆弱和人类开发利用强度最剧烈的地区之一3。仅占全球陆地面积10%的海岸带地区,居住着全球60%的人口4。在快速城市化、人口急剧增长、海洋资源过度开发以及围填海工程规模日益扩大等多重压力的影响下,海岸带地区逐步出现海岸侵蚀、生态系统功能退化、海域水质污染以及海水倒灌等多种生态环境问题,其中低海拔海岸带地区问题尤为突出5

湿地作为海岸带地区重要的生态系统之一,具有生物生产量高、生态系统功能强大、类型多样和分布复杂的特点6。受自然环境变化和人类活动干扰的影响,海岸带地区湿地景观变化过程具有高度的动态性、复杂性和多样性,直接或间接地影响着人类社会和众多野生动植物的生存、发展与健康水平7。因此,明确海岸带地区湿地资源的时空演变过程,揭示其驱动力因素,对于促进海岸带地区的生态安全以及可持续发展均具有重要意义。

快速准确地提取海岸带地区湿地空间分布信息,分析其动态变化特征是研究和保护管理海岸带湿地的前提和基础。遥感技术具有观测范围广、信息定量化、数据更新快、历史资料丰富、可对比性强等特点,已成为国内外海岸带湿地资源监测的重要手段8。目前,常用于海岸带湿地信息提取的遥感影像分类方法主要有目视解译和传统的基于像素的分类方法。例如,李婧贤等9以Landsat MSS/TM影像为基本数据源,综合利用监督分类与目视解译的方法对珠江三角洲的海岸带湿地进行信息提取,并在此基础上分析预测快速城市化对湿地变化的影响。随着遥感信息自动化提取技术研究的不断深入,面向对象分类方法以多个相邻像素组成的对象为处理单元,在分类过程中综合考虑不同地物类型的光谱、纹理和形状特征,分类结果无“椒盐”现象,整体性得到提高10。如蒋佳文等11分别利用基于像素的CART决策树分类方法和基于面向对象的CART决策树分类方法对盐城滨海湿地进行信息提取,结果发现较基于像素的CART决策树分类,基于面向对象的CART决策树分类可有效提高湿地分类精度,实现更为精细的湿地信息识别。近年来,随着图像模式识别与人工智能技术的发展,深度学习算法因具有抽象影像高层次特征和高效降维的能力,已初步用于海岸带湿地信息提取中。如陈琛12利用高光谱遥感数据和深度学习算法对黄河口湿地进行分类,结果发现与其他分类方法相比,深度学习算法在提高分类精度方面具有明显优势,但其分类结果存在“椒盐”现象。鉴于此,从整合优势角度出发,集成面向对象与深度学习分类方法对湿地信息进行提取,可达到分类结果整体性好且精度高的效果。

闽东南低海拔海岸带地区海岸漫长,湿地资源丰富,亦是我国沿海经济发展的繁荣地带。近年来,在强度高、规模大的海岸带开发背景下,海岸带湿地景观格局变化巨大,但目前对该区域湿地资源演变特征和影响因素分析的研究尚不多见。基于以上分析,以闽东南低海拔海岸带地区为研究对象,基于面向对象与深度学习分类方法对湿地信息进行提取,深入分析1985~2015年湿地分布变化特征,重点揭示其驱动力因素,以期为该区海岸带湿地资源开发利用和保护管理提供技术支持和决策参考。

2 研究区与数据来源

2.1 研究区概况

根据McGranahan等13-14的研究,定义海岸带海拔高度低于10 m的连片区域为低海拔海岸带地区。同时,依据国际公认的湿地定义,低潮时水深不超过6 m的水域亦为湿地范畴。鉴于此,根据研究目的划定研究区边界,即陆地边界为连续的10 m等高线,近海边界为6 m等深线(图1)。其中,6 m等深线参照丘仲锋等15构建的潮差修正模型,利用研究区22个潮汐监测站点(图1)的潮高信息确定。

图1

图1   研究区位置图 审图号:GS(2000)4617

Fig.1   Location of the study area


闽东南低海拔海岸带地区地处我国东南沿海,与台湾省隔海相望,地理位置为23°33′~26°34′N,117°7′~120°31′E,总面积约9.95×103 km2。该区自北向南依次涉及福州市、莆田市、泉州市、厦门市和漳州市,共计5个行政区划单元。该区夏季炎热、冬季温暖,降水主要集中于夏季,属于典型南亚热带季风气候,年平均气温为19~21 ℃,年平均降水量为878~2 002 mm。

闽东南低海拔海岸带地区地势平坦,多种湿地类型广泛分布,为众多濒危野生动物,特别是珍稀濒危水禽,提供了适宜的栖息地和迁徙驿站,在保护生物多样性和维持区域生态平衡方面发挥着不可替代的作用。截至目前,该区共建有2处国家级湿地自然保护区,分别为闽江口湿地国家级自然保护区和漳江口红树林国家级自然保护区,其中后者已被列为国际重要湿地名录。此外,该地区是海峡西岸经济区的缩影,经济发达人口密集,海岸带开发强度大,加之近海与海岸环境变化、海平面上升以及互花米草(Spartina alterniflora)等入侵物种的多重影响,湿地生态系统面临的威胁日益加剧。

2.2 数据来源及预处理

选择以1985、2000和2015年为基准年份的Landsat TM/ETM+/OLI影像为基本数据源,对研究区进行土地覆盖信息提取。为减少潮汐现象对湿地信息提取的影响,所有影像均选取低潮时影像。此外,不同年份同一行列号影像的获取时间间隔均小于15 d,以最大限度地减小因影像时差而且产生的地物信息提取误差,所选用影像具体信息见表1。首先,对影像依次进行辐射定标和大气校正,以消除大气因素对地物反射率的影响;进而,以1∶50 000地形图为参考对2015年影像进行几何精校正;最后,以校准完成的2015年影像为基准,对1985年和2000年影像进行空间配准,总体几何误差控制在0.5个像素以内。此外,研究人员于2014~2018年先后5次对研究区进行野外实地调查,并结合Google Earth高分影像进行典型湿地类型判读,分别获得1985年1 421个、2000年1 552个以及2015年1 653个验证样点,用于土地覆盖分类精度评价。

表1   研究选用影像具体信息

Table 1  Detailed information of the selected images in the study

行列号时间传感器云覆盖量质量
1180421984/04/23TM0%
1180422000/08/09、2001/04/15TM、TM0%
1180422015/04/13OLI0%
1190421986/07/25TM0%
1190422000/05/04、2000/06/29ETM+、TM0%
1190422015/01/14、2016/07/27OLI、OLI0%
1190431986/07/25TM1%
1190432000/04/18、2000/06/29ETM+、TM0%
1190432015/10/13、2016/07/27OLI、OLI0%
1200431986/11/05TM0%
1200431999/09/30、2000/11/25ETM+、TM0%
1200432014/11/18、2015/02/06OLI、OLI0%
1200441986/11/05TM0%
1200441999/10/24、2000/02/05TM、ETM+0%
1200442014/11/18、2016/02/09OLI、OLI0%

新窗口打开| 下载CSV


同时,为更为全面客观地分析湿地变化的驱动力因素,实验收集了研究区的气象数据(http://www.nmic.cn/)、海平面高程(http://www.mnr.gov.cn/)以及人口经济发展数据(来源:中国城市统计年鉴与福建省统计年鉴)。其中,气象数据包括研究区内及其周边29个气象站点1985~2015年的月平均气温和月降水量数据,对月值数据进行均值处理得到年平均数据,进而通过空间插值方法得到各气象因子的连续空间分布数据。

3 湿地遥感分类系统

参照湿地公约与我国第二次湿地资源调查分类系统,结合研究区湿地分布概况及不同湿地类型的可分性,制定研究区湿地遥感分类系统(表2),包括近海与海岸湿地、河流湿地、沼泽湿地、湖泊湿地和人工湿地共5种湿地一级类型以及河口/浅海水域、淤泥质海滩、潮间盐水沼泽、红树林等11种湿地二级类型。同时,为明确研究区湿地变化的基本情况,根据研究目的及不同土地覆盖类型的特点,本研究对非湿地类型(即其他类型)进行区分,分为裸地、草地、林地、耕地(水田和旱地)和人工表面(居住地、交通用地和工矿用地)等5种类型。

表2   湿地遥感分类系统及其影像特征

Table 2  The classification system of wetland remote sensing and image feature descriptions

湿地一级类型湿地二级类型解译标志影像示例*
近海与海岸湿地河口/浅海水域蓝色或深蓝色,分布于河流入海口及低潮时水深不超过6 m的近海水域;边界清晰,纹理细腻,与海域相接。
沙石海滩亮白色,纹理较粗糙,边界清晰,位于海岸线沿线,呈长条带状分布。
淤泥质海滩灰色或浅灰色,颜色有层次感,分布于海岸线沿线,与海水分界明显,呈现扇形或宽条带状分布。
潮间盐水沼泽生长于淤泥质海滩上,几何形状不规则,边界清晰,呈红、浅红色或青色,影像纹理细腻。
红树林几何形状不规则,边界清晰,呈红色,影像纹理细腻,生长于淤泥质海滩上。
河流湿地河流几何形状明显,河弯曲折不定,支干渠相对较直。质地较细腻、纹理清晰,颜色呈现深蓝色、蓝色或淡蓝色。
湖泊湿地湖泊呈不规则圆形或椭圆形,边界清晰;蓝色或深蓝色,纹理细腻;水位深浅的不同,其内部色调亦不同。
沼泽湿地草本沼泽位于河流、水库坑塘及湖泊周边;呈红色或浅红色;形状不规则。
人工湿地水库坑塘形状不规则,轮廓清晰;深蓝色、蓝色或浅蓝色;纹理较细腻;水库外缘有明显水闸工程痕迹。
运河水渠蓝色或深蓝色;边界清晰,多为弯曲条带状或局部明显平直;质地及纹理细腻。
盐田/水产养殖场分布于河流入海口附近及海岸线沿线,边界清晰,蓝色或蓝黑色,形状规整;内部条纹状纹理结构清晰。

注:*影像示例波段组合为Landsat OLI R∶G∶B=5∶4∶3

新窗口打开| 下载CSV


4 研究方法

4.1 面向对象—深度学习分类方法

实验集成面向对象和深度学习分类方法,实现研究区土地覆盖类型的自动化分类。首先,对影像进行多尺度面向对象分割,确定最优分割尺度;进而提取影像分割生成对象的光谱特征、纹理特征和形状特征;再次,在各影像特征的基础上,应用U-net深度学习模型完成研究区土地覆盖类型分类;最后,结合野外调查数据对分类结果进行基于多边形的精度验证。具体流程如图2所示。

图2

图2   基于面向对象—深度学习的土地覆盖分类流程图

Fig.2   Flow chart of land cover classification based on object-oriented and deep learning


4.1.1 面向对象多尺度分割

实验选用多尺度面向对象分割方法对影像实施分割,相对于其他影像分割方法该方法可更好地避免影像细节和噪声的影响16。为避免分割结果出现“过分割”和“欠分割”现象,对影像进行多次不同尺度分割,进而利用效益分割尺度模型对影像分割效果进行评价,以此为依据确定最优分割尺度。当分割得到的对象内部具有良好的同质性(即不产生混合对象)且对象与邻接对象间具有良好的异质性(即对象可与邻接对象高效区分)时,即认为分割质量达到最优。基于此,建立分割质量函数作为分割质量的评价标准,判定对象内部同质性和对象间异质性达到最佳效果时的分割尺度,具体步骤参照文献[17]。

4.1.2 影像特征提取

为丰富不同土地覆盖类型分类的特征信息,在面向对象最优分割尺度分割结果的基础上,对各影像对象进行特征提取。结合研究区地物类型的特征,共提取6个光谱特征、6个纹理特征和3个形状特征。具体影像对象特征信息如表3所示。

表3   基于影像对象的光谱、纹理与形状特征

Table 3  Spectral, texture and shape features based on image objects

特征类型特征名称描述或公式*
光谱特征[18]波段亮度均值各影像波段亮度的均值
波段亮度标准差各影像波段亮度的标准差
NDVIρNIR-ρR/ρNIR+ρR
NDWIρG-ρNIR/ρG+ρNIR
NDBIρMIR-ρNIR/ρMIR+ρNIR
EVI2.5ρNIR-ρR/ρNIR+6ρR-7.5ρB+1
纹理特征[19]对比度

i=0L-1j=0L-1i-j2Pi,j

反映影像对象斑块的清晰度和纹理沟纹深浅的程度

均匀度

i=0L-1j=0L-1Pi,j/1+i-j2

反映影像对象斑块纹理的同质性,度量其局部变化

i=0L-1j=0L-1Pi,jlogPi,j

反映影像对象斑块纹理的非均匀程度和复杂程度

非相似性

i=0Lj=0LPi,j*i-j

反映影像对象斑块纹理的灰度差别程度

相关性

i=0Lj=0Li-Mean*j-Mean*Pi,j2Variance

反映影像对象斑块纹理的线性相关程度

角二阶矩

i=0Lj=0LPi,j2

反映影像对象斑块纹理的均匀程度

形状特征[20]凹度

S-Sx/Sx

反映影像对象斑块凹多边形的程度

精密度

S/1+VarX+VarY

反映影像对象斑块的精密程度及与正方形的相似程度

偏心角为影像对象斑块长轴两端点与质心的夹角,较偏心率具有更高的形状特征识别度

注:*NDVI(Normalized Difference Vegetation Index)为归一化植被指数;NDWI(Normalized Difference Water Index)为归一化水体指数;NDBI(Normalized Difference Build-up Index)为归一化建筑指数;EVI(Enhanced Vegetation Index)为增强型植被指数。ρBρGρRρNIRρMIR分别为蓝色波段、绿色波段、红色波段、近红外波段和中红外波段的光谱反射率。纹理特征均为基于灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)计算所得,灰度共生矩阵是在估计影像的二阶组合条件概率密度基础上建立的,主要描述在θ方向上,相隔距离d的一对像素分别具有灰度值ij出现的概率,记为pijdθ),L为影像灰度级数;Mean为灰度平均值;S为影像对象斑块面积,Sx为最小凸多边形面积;XY分别为影像斑块中像素(xy)的坐标,VarX),VarY)为相应的XY的方差。

新窗口打开| 下载CSV


4.1.3 U-net深度学习模型

鉴于U-net深度学习模型训练速度快、训练数据需求量小、可最大限度保真和还原原始影像信息的优势21,应用Tensorflow框架下的U-net模型对多尺度面向对象分割的影像特征进行深度学习。该模型遵循典型的卷积神经网络结构,通过多次卷积、下采样和上采样构成“收缩”和“扩张”对称结构,对输入影像特征数据完成高层次特征学习和特征训练库构建。利用3×3卷积核和修正线性单元(Rectified Linear Unit,ReLU)激活函数对影像进行卷积,2×2最大池化和矩阵级联的方式分别完成下采样和上采样。同时,通过设置学习率和dropout控制模型收敛速度,防止过拟合。

综合考虑研究区土地覆盖类型的特征以及复杂程度,结合验证样点数据制作64×64像素大小的影像组成标记数据集,包括训练数据集、验证数据集和测试数据集3部分。其中,训练数据集用于训练U-net深度学习网络;验证数据集用于验证和调试U-net深度学习网络;待U-net深度学习网络调试完成后生成U-net深度学习模型,进而利用测试数据集测试模型并对其运行结果进行评价,评价指标包括总体精度(Overall Accuracy,OA)、交并比(Intersection over Union,IoU)和召回率(Recall)。具体公式计算如下22

OA=TP+TNTP+FP+FN+TN
IoU=TPTP+FP+FN
Recall=TPTP+FN

其中:TP表示正确分类的像素个数;FP表示错误分类的像素个数;FN表示漏分的像素个数;TN表示与分类类型无关的像素个数。待模型测试达到精度要求,结合softmax分类器,实现研究区土地覆盖类型分类。

4.1.4 基于多边形的精度验证

科学合理的精度验证方法对于评价分类结果的准确性具有重要意义。考虑到基于像素的精度验证方法易产生误差,且验证结果存在片面性,实验应用基于多边形的精度验证方法对分类结果进行精度评价,多边形大小为500 m×500 m。各多边形内的土地覆盖分类参照野外调查的样点数据进行目视解译,进而由遥感影像分类专业人员对解译结果检查较准,以此形成精度验证数据集。基于多边形的精度验证具体公式如下23

A=i=1mj=1nCiRj/j=1nRj

其中:m为分类结果中土地覆盖类型的种类数;n为多边形的个数;Ci为分类结果中第i类土地覆盖类型的面积;Rj为第j个多边形的面积。

4.2 湿地动态变化分析

为客观分析不同湿地类型的变化程度和速率,选择土地覆盖类型变化率对其进行描述。其表达式为24

K=Ua-UbUb×100%

其中:K为某一湿地类型的变化率;UaUb分别为研究初期和末期该湿地类型的面积。实验的时间间隔分为1985~2000年、2000~2015年、1985~2015年3个阶段。

此外,为明确湿地变化的时空特征,应用空间叠置分析对1985~2000和2000~2015年湿地类型间以及湿地类型与其他土地覆盖类型间的相互转化进行分析。转化结果利用桑基图(Sankey diagram,又称桑基能量平衡图)进行可视化表达,该类型图可按照能量守恒原理表示不同地物类型间相互转化的比例与过程。

5 结果与分析

5.1 分类结果与精度评价

综合利用面向对象与深度学习分类方法对研究区土地覆盖类型进行分类,得到1985~2015年研究区湿地空间分布图(图3)。对其进行基于多边形的精度验证,得到1985、2000和2015年的总体分类精度分别为93.34%、93.52%和94.16%,且分类过程效率高,分类结果未有“椒盐”现象,整体性良好。

图3

图3   1985~2015年研究区湿地空间分布图

审图号:GS(2000)4617

Fig.3   Wetland spatial distribution map of study area from 1985 to 2015


图3可知,1985~2015年研究区湿地类型中近海与海岸湿地面积占比最大,占湿地总面积的80%以上,主要呈条带状大面积分布于海岸带;人工湿地面积占比次之,占湿地总面积的10%以上,主要分布于海陆交界地带;河流湿地占比较小,纵横交错呈树枝状分布于陆地区域;沼泽湿地和湖泊湿地最少,零星分布于研究区内。

5.2 湿地变化趋势

基于1985~2015年研究区湿地分布数据,得到各湿地类型在不同时间段变化面积及其变化率(表4)。1985~2015年研究区自然湿地(近海与海岸湿地、河流湿地、湖泊湿地和沼泽湿地)总面积呈下降趋势,由1985年的4 873.87 km2减少至2015年的4 623.56 km2,共减少250.31 km2,减少速度为8.34 km2·a-1。其中,近海与海岸湿地面积减少最大,共减少251.74 km2,且2000~2015年约是1985~2000年减少面积的2.5倍。相反,1985~2015年人工湿地面积呈增加趋势,由1985年的629.89 km2增加至2015年的881.26 km2,共增加251.37 km2,增长速度为8.38 km2·a-1。30 a内湖泊湿地、河流湿地和沼泽湿地的面积变化均较小。

表4   1985~2015年研究区各湿地类型变化面积及变化率

Table 4  Change area and rate of each wetland type in the study area from 1985 to 2015

湿地一级类型湿地二级类型1985年2000年2015年1985~2000年2000~2015年1985~2015年

面积

/km2

面积

/km2

面积

/km2

变化面积

/km2

变化率

/%

变化面积

/km2

变化率

/%

变化面积

/km2

变化率

/%

近海与海岸湿地河口/浅海水域4 030.564 005.863 844.36-24.70-0.61-161.50-4.03-186.20-4.62
沙石海滩70.9270.8669.39-0.06-0.08-1.47-2.08-1.53-2.16
淤泥质海滩632.16583.40529.90-48.76-7.71-53.50-9.17-102.26-16.18
潮间盐水沼泽35.5835.3067.58-0.28-0.7832.2891.4432.0089.94
红树林3.794.8410.041.0527.605.20107.386.25164.63
人工湿地水库坑塘85.47115.18147.2929.7234.7732.1127.8761.8272.33
运河水渠10.1610.2510.870.090.870.616.000.706.92
盐田/水产养殖场534.26641.27723.10107.0120.0381.8312.76188.8435.35
河流湿地河流98.2097.8999.45-0.31-0.321.571.601.261.28
湖泊湿地湖泊2.022.032.290.010.580.2612.660.2713.31
沼泽湿地草本沼泽0.630.700.550.0710.34-0.15-21.76-0.09-13.67

新窗口打开| 下载CSV


对于湿地二级类型,1985~2015年盐田/水产养殖场面积增加最剧烈,共增加188.84 km2,增加速度为6.29 km2·a-1;其次,水库坑塘、潮间盐水沼泽和红树林分别增加61.82 km2、32.00 km2和6.25 km2。相比之下,河口/浅海水域面积减少最大,共减少186.20 km2,且2000~2015年约是1985~2000年减少面积的6.5倍,减少速度为6.21 km2·a-1;再者,淤泥质海滩面积减少102.26 km2,减少速度为3.41 km2·a-1。其余湿地二级类型的面积变化相对较小,30 a内变化面积均小于2 km2

就变化率而言,1985~2015年红树林的变化率最高达164.63%;潮间盐水沼泽和水库坑塘次之,变化率分别为89.94%和72.33%;再次为盐田/水产养殖场,变化率为35.35%;淤泥质海滩、草本沼泽和湖泊的变化率绝对值在15%左右,其余类型变化率绝对值均低于7%。

5.3 湿地时空转化特征

通过对研究区土地覆盖数据进行空间分析,得到1985~2000和2000~2015年湿地类型间以及湿地类型与其他类型间的相互转化结果(表5图4图5)。由表4可知,湿地一级类型间以及湿地一级类型与其他类型间的相互转化,2000~2015年较1985~2000年变化更为剧烈,前者转化面积是后者转化面积的2倍之多。1985~2000年,其他类型变为人工湿地的面积最大为101.74 km2,占该时间段湿地变化面积的49.13%;其次,近海与海岸湿地变为人工湿地的面积为54.40 km2,占该时间段湿地变化面积的26.27%。2000~2015年,近海与海岸湿地变为人工湿地以及人工湿地与其他类型间的相互转化面积共303.91 km2,占该时间段湿地变化面积的70.37%;其次,近海与海岸湿地变为其他类型和近海与海岸湿地类型间的相互转化面积分别为70.14 km2和47.13 km2,共占该时间段湿地变化面积的27.15%。

表5   1985~2015年研究区湿地一级类型转化对比

Table 5  Conversion comparison of the first-class wetland types in the study area from 1985 to 2015

一级变化类型1985~2000年2000~2015年

面积

/km2

百分比

/%

面积

/km2

百分比

/%

其他→人工湿地101.7449.1399.5523.05
其他→湖泊湿地0.010.010.260.06
其他→河流湿地1.730.843.060.71
其他→沼泽湿地0.000.000.000.00
河流湿地→其他1.850.891.240.29
河流湿地→人工湿地0.010.000.250.06
河流湿地→沼泽湿地0.260.130.210.05
近海与海岸湿地→其他18.739.0470.1416.24
近海与海岸湿地→近海与海岸湿地8.554.1347.1310.91
近海与海岸湿地→人工湿地54.4026.27110.2225.52
人工湿地→其他18.929.1494.1421.80
人工湿地→河流湿地0.070.030.040.01
人工湿地→近海与海岸湿地0.440.211.380.32
人工湿地→人工湿地0.040.023.480.80
人工湿地→沼泽湿地0.070.030.220.05
沼泽湿地→河流湿地0.000.000.150.03
沼泽湿地→其他0.100.050.210.05
沼泽湿地→人工湿地0.170.080.220.05
总计207.09100.00431.90100.00

新窗口打开| 下载CSV


图4

图4   1985~2015年研究区湿地二级类型时空变化

(11为河口/浅海水域、12为沙石海滩、13为淤泥质海滩、14为潮间盐水沼泽、15为红树林、21为河流、31为湖泊、41为草本沼泽、51为水库坑塘、52为运河水渠、53为盐田/水产养殖场、60为裸地、70为草地、80为林地、90为耕地、10为人工表面)

审图号:GS(2000)4617

Fig.4   Spatiotemporal change of the second-class wetland types in the study area from 1985 to 2015


图5

图5   研究区各湿地二级类型转化桑基图

Fig.5   Sankey diagram of the conversation for each second-class wetland type in the study area


图4图5可知,1985~2015年湿地二级变化类型众多,主要集中分布于各海湾的海陆交界地带。1985~2000年,耕地变为盐田/水产养殖场、淤泥质海滩变为盐田/水产养殖场、耕地变为水库坑塘和河口/浅海水域变为盐田/水产养殖场的面积分别为64.30、35.70、35.05和14.05 km2,共占该时间段湿地二级类型变化总面积的71.99%;其次,淤泥质海滩变为耕地、河口/浅海水域变为人工表面、盐田/水产养殖场变为人工表面和盐田/水产养殖场变为耕地的面积共计25.18 km2,占该时间段湿地二级类型变化总面积的12.16%;其余湿地二级变化类型的面积均小于5 km2。2000~2015年,河口/浅海水域变为盐田/水产养殖场、盐田/水产养殖场变为人工表面、河口/浅海水域变为人工表面、耕地变为盐田/水产养殖场、耕地变为水库坑塘、淤泥质海滩变为潮间盐水沼泽和淤泥质海滩变为盐田/水产养殖场的面积分别为84.28、69.22、61.86、47.96、32.62、31.51和14.61 km2,共占该时间段湿地二级类型变化总面积的79.20%;其次,水库坑塘变为耕地、河口/浅海水域变为潮间盐水沼泽、裸地变为盐田/水产养殖场、河口/浅海水域变为水库坑塘、林地变为盐田/水产养殖场和淤泥质海滩变为红树林的面积共计47.44 km2,占该时间段湿地二级类型变化总面积的10.99%;其余湿地二级类型的变化面积均小于5 km2

5.4 湿地变化驱动力因素分析

5.4.1 人类活动影响

(1)水产养殖业发展。为促进区域经济发展,提高居民收入,近年来闽东南海岸带地区水产养殖业飞速发展。在此背景下,一方面可供养殖的河口/浅海水域、淤泥质海滩、潮间盐水沼泽、沙石海滩等被大力改造利用,用以扩大养殖面积;另一方面,随着高新水产养殖技术的推广与应用,内陆地区水产养殖潜力不断被挖掘,河流、湖泊、水库等湿地类型以及部分非湿地类型被开发为用于养殖的坑塘,内陆水产养殖规模逐步扩大。1985~2015年间研究区盐田/水产养殖场和水库坑塘面积共增加250.66 km2,是30 a内研究区面积增加最多的两种湿地类型。

虽然水产养殖业的发展促进了人工湿地面积的增加,但对生态环境造成了许多不利的影响。一方面,水产养殖业发展侵占了大面积的淤泥质海滩、潮间盐水沼泽和河口/浅海水域等近海与海岸湿地,不仅使得海岸带自然湿地面积大量减少,同时使众多湿地野生动植物的适宜生境发生改变甚至消失,危及其生存和繁衍。1985~2000年和2000~2015年淤泥质海滩、河口/浅海水域和潮间盐水沼泽被开垦为盐田/水产养殖场的面积分别高达53.72和103.70 km2,开发强度不断加强。

(2)耕地开垦。福建省是我国耕地资源较少的省份之一,绝对量少、人均占有量低,中低产耕地占全省耕地资源的80%以上,且海岸带地区的耕地资源尤为稀少。为扩大耕地面积,增加粮食产量,湿地往往被作为开垦的优先选择,这不仅使得湿地面积减少,生态功能降低,同时对湿地动植物的生存造成不利影响。水库坑塘被填埋改造为耕地和围海造田的现象屡有发生,1985~2000年和2000~2015年两个时间段内,湿地转变为耕地的面积分别为20.06 km2和15.90 km2。此外,为满足耕地的供水需求,包括水库以及灌溉水渠在内的水利工程的修建,均使得湿地面积及空间分布发生变化。

(3)城市扩张及围填海工程建设。随着闽东南地区人口数量的增加和经济的快速发展(图6),城镇化进程不断加快,城市建设用地规模扩增的需求也随之增大。为扩大城市范围,内陆地区填埋河流、水库坑塘,沿海地区围填海工程用以建设居住地、交通用地、工业用地等。城市边界不断向外扩张,直接导致了湿地面积的减少。1985~2000年和2000~2015年研究区城市扩张和围填海工程占用湿地的面积分别为16.26 km2和139.71 km2。与此同时,在城市扩张和围填海工程建设的基础上,人类活动对湿地生态系统干扰的强度、广度和频度逐步增大,深刻地影响着湿地的存在及被破坏湿地的恢复。

图6

图6   1985~2015年闽东南地区人口与GDP变化趋势

Fig.6   Change trend of population and GDP in Southeast Fujian from 1985 to 2015


(4)外来物种入侵与治理。闽东南低海拔海岸带地区湿地植物入侵物种主要包括互花米草、大米草(Spartina anglica)和凤眼莲(又名水葫芦,Eichhornia crassipes)等。入侵物种由于其适应性强且缺少天敌,在海岸带地区迅速繁殖,截至目前闽东南海岸带地区的多数海湾及河流入海口,互花米草和大米草均有大面积分布。互花米草和大米草的扩增大面积侵占沿海淤泥质海滩,与本地湿地植物竞争生长空间,使得红树林等本土湿地植物的生存空间减少甚至被取代;同时,改变湿地生态系统的结构及底栖生物和水鸟的生存环境,对湿地生态系统造成严重破坏25。凤眼莲主要分布于河道和水库坑塘中,其主要危害包括:一方面阻塞河道、阻碍发电、影响河运和旅游业;另一方面,造成水质缺氧,导致鱼类等水生生物大量死亡,使得水产养殖减产26。随着入侵植被危害程度的加大以及社会各界湿地保护意识的进一步增强,为抑制入侵植被的生长繁殖,相关部门投入了大量的人力物力财力对其进行除治。

(5)湿地保护政策推行与湿地生态修复工程建设。为保护湿地资源,福建省先后颁发了《福建省湿地保护条例》和《福建省湿地保护修复制度实施方案的通知》,为湿地保护提供了法律和政策依据。在此基础上,为加强湿地保护与修复工作,维护湿地生态安全,提升湿地生态系统功能,福建省制定了湿地生态恢复工程建设措施,把湿地自然保护区、重要湿地、湿地公园、水产种质资源保护区、海洋特别保护区等均纳入保护范围,生态修复工程的实施对于湿地面积的增加以及水禽栖息生境的保护均起到了至关重要的作用27。例如,研究区红树林湿地面积在30 a内增加了6.25 km2,其中人工种植面积约占85%。

5.4.2 自然环境变化影响

(1)海平面上升。通过收集中国海平面公报2000~2015年福建省海平面数据分析可知,福建省海平面呈上升趋势(图7)。海平面的上升对湿地的存在,尤其是近海与海岸湿地,具有较大的威胁。主要影响包括:淤泥质海滩、沙石海滩等湿地被淹没,使一部分潮间带变为潮下带,湿地整体面积减少;浅海水域边界向陆地方向推进;向海前缘红树林和潮间盐水沼泽减少甚至消失。

图7

图7   2000~2015年福建省海平面变化趋势

Fig.7   Change trend of sea level in Fujian from 2000 to 2015


(2)区域气候变化。由研究区年平均气温和年降水量的变化趋势分析可知(图8):尽管1985~2015年福建省年平均气温和年降水量存在不同程度的波动,但总体均呈上升趋势,即年平均气温逐步上升,年降水量逐步增加。温度是影响植物生长发育极为重要的生态因子之一,气温的适度升高可为区域植被提供良好的热量条件,有利于植被的生长。研究区湿地植物区系具有明显的热带和亚热带性,区系成分以热带分布或泛热带分布为主,气温升高对于区域植物的生长发育较为有利。但气温升高也存在负面影响,气温的变化影响水资源的分布,从而引起湿地面积的变化,改变湿地生态环境。气温升高的同时海水表层温度也出现不同程度的上升,海水温度上升直接导致海岸带水生生物的生境改变。降水量的增多导致部分区域易出现洪涝和泥石流灾害,对湿地造成物理性的侵蚀和破坏,影响湿地生物的生存与繁衍28

图8

图8   1985~2015年研究区年平均气温与年降水量变化趋势

Fig.8   Change trend of annual mean temperature and annual precipitation in the study area from 2000 to 2015


6 结论与讨论

6.1 结论与建议

实验以1985、2000和2015年Landsat系列影像为基本数据源,集成面向对象和深度学习分类方法对闽东南低海拔海岸带地区进行湿地信息提取与变化分析,得出以下结论:

(1)基于面向对象—深度学习的分类方法在分类效率和分类精度方面均具有一定的优势,因此该方法在复杂湿地类型分布地区湿地信息提取方面具一定的潜力。

(2)1985~2015年间,研究区自然湿地面积呈减少趋势,人工湿地面积呈增加趋势,其中,河口/浅海水域和淤泥质海滩面积减少最大,盐田/水产养殖场面积增加最大。而且,2000~2015年较1985~2000年湿地变化更为剧烈。

(3)研究区湿地变化是多种人类活动和自然环境变化共同作用的结果,其中自然环境变化是内因,人类活动在多个方面加速了湿地分布与类型的变化,是影响湿地变化的主要原因。

结合实验研究结果,今后闽东南低海拔海岸带地区湿地资源的保护管理应着重从以下方面开展:

(1)提升科研水平,加强入侵物种的监测与治理。在重要湿地分布区建立生态监测站点,提升湿地管理人员的科研水平,及时掌握湿地生态系统的健康状况以及演变过程。特别是需加强对湿地入侵物种的监测,明确入侵物种的分布、扩散情况,开展防治工作及时遏制入侵物种对本土动植物的影响,力求将其对湿地原有生态环境造成的损害降至最低。

(2)完善自然保护区建设管理,重视湿地生态恢复工程。在湿地立法的前提下,积极推进湿地自然保护区建设,进一步完善湿地自然保护区建设管理的标准与制度。根据当地湿地分布特点及健康程度,在掌握湿地资源动态变化的基础上,积极组织实施相应的湿地生态恢复工程,提高湿地生态系统功能。

(3)重视水产养殖污染,提高公众湿地保护意识。当地政府与相关部门应当发挥行政职能,严格控制水产养殖污水排放,合理规划水产养殖区域,有效防止水产养殖对湿地的污染与侵害。此外,应积极采取多种形式开展全民性的湿地保护宣传教育工作,增强公众对湿地保护的意识。

6.2 讨论与展望

尽管实验将面向对象与深度学习分类方法进行结合在提取湿地信息中取得了较好的分类效果,但仍存在以下不足:

(1)深度学习模型构建涉及多个超参数(如用于训练、验证和测试模型数据的划分比例、标记数据集图片的大小、卷积核大小等),其设置不同,所构建模型的性能亦不同29。在实验中,深度学习模型超参数的设置主要根据研究人员的先验经验进行选择,主观性强。虽然,目前已有专家学者对如何确定深度学习模型的超参数进行了有效探究,但其研究对象多为耕地和森林,而针对湿地类型的研究鲜有报道30

(2)湿地,尤其是内陆河流湿地受降水、蒸发等因素的影响较大,尽管实验所使用影像以最大程度避免时相影响为原则,但仍无法完全避免由于短期降水或强蒸散而引起的湿地信息提取误差。Jia等31基于GEE平台通过集成密集时间序列影像数据以避免时相影响的方法可为解决该问题提供可行思路。

鉴于以上,在今后的实践研究中应从优化模型性能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提供科学的参考和借鉴。

参考文献

Liu J Y.

Status of marine biodiversity of the China seas

[J]. PLoS One, 201381): e50719. DOI: 10.1371/journal.pone.0050719.

[本文引用: 1]

Thorne KMacDonald GGuntenspergen Get al.

US Pacific coastal wetland resilience and vulnerability to sea-level rise

[J]. Science Advances,201842):eaao3270. DOI: 10.1126/sciadv.aao3270.

[本文引用: 1]

Hou XiyongXu Xinliang.

Spatial patterns of land use in coastal zones of China in the early 21st century

[J]. Geographical Research, 2011308): 1370-1379.

[本文引用: 1]

侯西勇徐新良.

21世纪初中国海岸带土地利用空间格局特征

[J]. 地理研究, 2011308): 1370-1379.

[本文引用: 1]

Thia-Eng C.

Essential elements of integrated coastal zone management

[J]. Ocean & Coastal Management, 1993211-3): 81-108.

[本文引用: 1]

Li H YMan W DLi X Yet al.

Remote sensing investigation of anthropogenic land cover expansion in the low-elevation coastal zone of Liaoning Province, China

[J]. Ocean & Coastal Management, 2017148245-259.

[本文引用: 1]

Liu FuqiangWu TaoJiang Guojunet al.

Dynamic response of the coastline and coastal landscape patterns to Hemeroby: A case study along the south coast of Yingkou

[J]. Acta Ecologica Sinica, 2017372): 7427-7437

[本文引用: 1]

刘富强吴涛蒋国俊.

海岸线与海岸景观格局对人为干扰度的动态响应—以营口市南部海岸为例

[J].生态学报,2017372):7427-7437.

[本文引用: 1]

Bai YehuiLi HongzhongLi Xiangxinet al.

Landscape patterns of coastline and coastal zone in Shenzhen City and their responses to intensity of human activities for 4 periods since 1990

[J]. Wetland Science, 2019173): 335-343.

[本文引用: 1]

柏叶辉李洪忠李向新.

1990年以来4个时期深圳市海岸线与海岸带景观格局及其对人类活动强度的响应

[J].湿地科学,2019173):335-343.

[本文引用: 1]

Yan XiaoluZhong JingqiuHan Zenglinet al.

Driving forces analysis and landscape succession features of coastal wetland both outside and inside reclamation areas in the Northern Liaodong Bay, China in recent 40 years

[J]. Scientia Geographica Sinica, 2019397): 1155-1165.

[本文引用: 1]

闫晓露钟敬秋韩增林.

近40年辽东湾北部围垦区内外滨海湿地景观演替特征及驱动力分析

[J]. 地理科学,2019397):1155-1165.

[本文引用: 1]

Li JingxianWang JunDu Yihanget al.

Change characteristics of coastal wetlands in the Pearl River Delta under rapid urbanization

[J]. Wetland Science, 2019173): 267-276.

[本文引用: 1]

李婧贤王钧杜依杭.

快速城市化背景下珠江三角洲滨海湿地变化特征

[J].湿地科学,2019173):267-276.

[本文引用: 1]

Lu ChunyanGao YibinChen Yuanliet al.

Dynamic change analysis of mangrove swamps based on RS/GIS in Quanzhou Bay

[J]. Journal of Forest and Environment, 2019392): 143-152.

[本文引用: 1]

路春燕高弋斌陈远丽.

基于RS/GIS的泉州湾红树林湿地时空动态变化分析

[J].森林与环境学报,2019392):143-152.

[本文引用: 1]

Jiang JiawenWen XiaorongWang Hailonget al.

Extraction and dynamic change analysis of coastal wetland type information in Yancheng over the past decade

[J]. Journal of Northwest Forestry University, 2019343):167-173184.

[本文引用: 1]

蒋佳文温小荣王海龙.

10年间盐城滨海湿地类型信息提取及动态变化分析

[J].西北林学院学报,2019343):167-173184.

[本文引用: 1]

Chen Chen.

Research on classification of hyperspectral remote sensing images of coastal wetlands based on deep learning CNN

[D]. QingdaoFirst Institute of Oceanography, Ministry of Natural Resources of China2018.

[本文引用: 1]

陈琛.

基于深度学习CNN的滨海湿地高光谱遥感影像分类研究

[D].青岛国家海洋局第一海洋研究所2018.

[本文引用: 1]

McGranahan GBalk DAnderson B.

The rising tide: assessing the risks of climate change and human settlements in low elevation coastal zones

[J]. Environment and Urbanization, 2007191): 17-37.

[本文引用: 1]

Jia MLiu MWang Zet al.

Evaluating the effectiveness of conservation on mangroves: a remote sensing-based comparison for two adjacent protected areas in Shenzhen and Hong kong,China

[J].Remote Sensing,201688):627. DOI:10. 3390/rs8080627.

[本文引用: 1]

Qiu ZhongfengHe YijunXianqing .

Tidal adjoint assimilation with the TOPEX/Poseidon altimetry data in the Huanghai and Bohai Seas

[J]. Acta Oceanologica Sinica, 2005274): 10-18.

[本文引用: 1]

丘仲锋何宜军吕咸青.

黄海、渤海TOPEX/Poseidon高度计资料潮汐伴随同化

[J].海洋学报, 2005274): 10-18.

[本文引用: 1]

Yan LiTan Fuhong.

Watershed segmentation based on multiscale marking for remote sensing images

[J]. Journal of Geomatics, 2020453): 16-19.

[本文引用: 1]

闫利谭福宏.

基于多尺度标记的遥感影像分水岭分割

[J].测绘地理信息,2020453):16-19.

[本文引用: 1]

Lu C YLiu J FJia M Met al. 2018.

Dynamic analysis of mangrove forests based on an optimal segmentation scale model and multi-seasonal images in Quanzhou Bay, China

[J]. Remote Sensing, 20201012). DOI:10.3390/rs10122020.

[本文引用: 1]

Cao J JLiu KLiu Let al.

Identifying mangrove species using field close-range snapshot Hyperspectral imaging and machine-learning techniques

[J]. Remote Sensing,20181012):2047. DOI:10.3390/rs10122047.

[本文引用: 1]

Cao J JLeng W CLiu Ket al.

Object-based mangrove species classification using unmanned aerial vehicle Hyperspectral images and digital surface models

[J]. Remote Sensing, 2018101):89. DOI:10.3390/rs10010089.

[本文引用: 1]

Jia Mingming.

Remote sensing analysis of China’s mangrove forests dynamics during 1973 to 2013

[D]. ChangchunNortheast Institute of Geography and Agroecology, Chinese Academy of Sciences2014.贾明明. 1973~2013年中国红树林动态变化遥感分析[D].长春:中国科学院东北地理与农业生态研究所,2014.

[本文引用: 1]

Wei SZhang HWang Cet al.

Multi-temporal SAR data large-scale crop mapping based on U-Net model

[J]. Remote Sensing, 2019111):68. DOI:10.3390/rs11010068.

[本文引用: 1]

Li YueshuaiZheng HongweiLuo Gepinget al.

Extraction and counting of Populus Euphratica crown using UAV images integrated with U-Net method

[J]. Remote Sensing Technology and Application, 2019345):939949.

[本文引用: 1]

李越帅郑宏伟罗格平.

集成U-Net方法的无人机影像胡杨树冠提取和计数

.遥感技术与应用,2019345):939949.

[本文引用: 1]

Ma LLi MGao Yet al.

A novel wrapper approach for feature selection in object-based image classification using polygon-based cross-validation

[J]. IEEE Geoscience and Remote Sensing Letters, 2017143): 409-413.

[本文引用: 1]

Lu ChunyanWang ZongmingLiu Mingyueet al.

Analysis of conservation effectiveness of wetland protected areas based on remote sensing in West Songnen Plain

[J]. China Environmental Science, 2015352): 599-609.

[本文引用: 1]

路春燕王宗明刘明月.

松嫩平原西部湿地自然保护区保护有效性遥感分析

[J]. 中国环境科学,2015352): 599-609.

[本文引用: 1]

Liu MLi HLi Let al.

Monitoring the invasion of Spartina alterniflora using multi-source high-resolution imagery in the Zhangjiang Estuary, China

[J]. Remote Sensing, 201796): 539. DOI: 10.3390/rs9060539.

[本文引用: 1]

Zhang YingLu Jianbo.

Progress on Monitoring of Two Invasive Species Smooth Cordgrass (Spatina alternifloraand Water Hyacinth (Eichhornia crassipes) by Remote Sensing

[J]. Bulletin of Science and Technology, 2010261):130-137.

[本文引用: 1]

章莹卢剑波.

外来入侵物种互花米草(Spartina alterniflora)及凤眼莲(Eichhornia crassipes)的遥感监测研究进展

[J].科技通报,2010261):130-137.

[本文引用: 1]

Zhong LianxiuLu ChunyanWang Zongminget al.

Health assessment of mangrove swamp in Zhangjiang Estuary based on GIS and RS

[J]. Chinese Journal of Ecology, 2019388):2553-2563.

[本文引用: 1]

钟连秀路春燕王宗明.

基于GIS与RS的漳江口红树林湿地生态系统健康评价

[J].生态学杂志,2019388):2553-2563.

[本文引用: 1]

Lu Chunyan.

Spatial distribution patterns and evolution of wetlands in Fujian province in recent 30 years

[M]. Xi’anXi'an Jiaotong University Press2019.路春燕. 近30年福建省湿地空间分布格局及其演变[M]. 西安: 西安交通大学出版社, 2019.

[本文引用: 1]

Yuan QShen HLi Tet al.

Deep learning in environmental remote sensing: achievements and challenges

[J]. Remote Sensing of Environment, 2020241111716. DOI: 10.1016/j.rse.2020.111716.

[本文引用: 1]

Sun ZDi LFang Het al.

Deep Learning Classification for Crop Types in North Dakota

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020132200-2213.

[本文引用: 1]

Jia MWang ZMao Det al.

Rapid, robust, and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine

[J]. Remote Sensing of En-vironment,2021255112285. DOI: 10.1016/j.rse.2021. 112285.

[本文引用: 1]