极端干旱区苏干湖湿地植被分类与变化分析

doi:10.7522/j.issn.1000-694X.2024.00054

极端干旱区苏干湖湿地植被分类与变化分析

张腾^,¹^,², 苗运法^,¹^,², 邹亚国¹^,², 张孜越¹^,², 冯国平³

1.中国科学院西北生态环境资源研究院干旱区生态安全与可持续发展重点实验室，甘肃兰州 730000

2.中国科学院大学，北京 100049

3.阿克塞哈萨克族自治县大苏干湖候鸟省级自然保护区管理站，甘肃阿克塞哈萨克族自治县 736400

Classification and changes of vegetation in Sugan Lake wetland in the extreme arid region

Zhang Teng^,¹^,², Miao Yunfa^,¹^,², Zou Yaguo¹^,², Zhang Ziyue¹^,², Feng Guoping³

1.Key Laboratory of Ecological Safety and Sustainable Development in Arid Lands，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

2.University of Chinese Academy of Sciences，Beijing 100049，China

3.Management Station of Dasugan Lake Migratory Bird Provincial Nature Reserve in Akse Kazakh Autonomous County，Akse Kazakh Autonomous County 736400，Gansu，China

通讯作者: 苗运法（E-mail： miaoyunfa@lzb.ac.cn）

收稿日期: 2024-03-02 修回日期: 2024-04-12

基金资助:

国家重点研发计划项目. 2020YFA0608400
中国科学院“西部之光”-西部交叉团队重点实验室专项. xbzg-zdsys-202204

Received: 2024-03-02 Revised: 2024-04-12

作者简介 About authors

张腾（1998—），男，江苏徐州人，硕士研究生，主要从事植被遥感、荒漠化监测等研究E-mail：zhangteng21@mails.ucas.ac.cn , E-mail：zhangteng21@mails.ucas.ac.cn

摘要

湿地生物多样性极为丰富，湿地植被作为该生态系统中的核心部分，在维持系统稳定性和多功能性方面具有重要作用，掌握湿地植被类型与分布特征对生物多样性保护极其重要。然而，受湿地植被群落信息缺乏和遥感分辨率等因素的影响，对干旱区湿地植被分类的研究存在明显不足。选择中国西北极端干旱区柴达木盆地北部的苏干湖湿地作为研究对象，以116个野外植被调查点以及626个无人机影像植被样本点数据为基础，选择Sentinel-1合成孔径雷达数据（Synthetic Aperture Radar， SAR）和Sentinel-2光学遥感数据（MultiSpectral Instrument， MSI）构建新的遥感特征数据库，运用随机森林算法进行苏干湖湿地植被的分类与制图。结果表明：（1）SAR数据和MSI数据的结合使用能够提高湿地植被分类的精度，2019、2020、2021、2022、2023年湿地植被分类结果总体精度均超过0.81，Kappa系数分别为0.82、0.84、0.86、0.82、0.82。（2）2019—2023年苏干湖湿地面积总体呈稳定状态，植被分布面积为783.90 km²。芦苇（Phragmites australis）群落面积增加了28.49 km²，赖草（Leymus secalinus）群落面积增加了27.21 km²，而水麦冬（Triglochin palustre）、沼泽荸荠（Eleocharis palustris）群落面积减少了64.49 km²。初步认为径流增加和禁牧政策是湿地植被分布变化的重要原因。

关键词： 遥感监测 ; 干旱区 ; 苏干湖湿地 ; 随机森林 ; 植被分类

Abstract

Wetland is the most biodiverse ecosystem on Earth， and wetland vegetation plays a crucial role in maintaining the stability and functionality of these ecosystems， so mastering wetland vegetation types and distribution characteristics is extremely important for biodiversity conservation. Due to factors such as lacking or unsystematic vegetation community information and remote sensing resolution， the research on vegetation distribution in arid wetlands is limited. Taking the Sugan Lake wetland in the northern part of the Qaidam Basin of the extremely arid region in northwest China as the study area， based on the field vegetation survey data of 116 points and 626 unmanned aerial vehicle image sample points data， Sentinel-1 Synthetic Aperture Radar （Synthetic Aperture Radar， SAR） data and Sentinel-2 Multispectral Imager imagery （MultiSpectral Instrument， MSI） data were used to construct a new remote sensing feature database. The vegetation in Sugan Lake wetland was classified and mapped using the Random Forest algorithm. The results show that：（1） The combination of SAR and MSI data can improve the accuracy of wetland vegetation classification， with overall accuracy of wetland vegetation classification exceeding 0.81 for the years 2019-2023， and Kappa coefficients of 0.82， 0.84， 0.86， 0.82， and 0.82 respectively. （2） From 2019 to 2023， the area of Sugan Lake wetland remained stable， with a vegetation distribution area of 783.90 km². The distribution area ofreed （Phragmites australis） communities increased by 28.49 km²， and the area of leymus （Leymus secalinus） communities increased by 27.21 km². In contrast， the coverage of triglochin palustre （Triglochin palustre） and eleocharis palustris （Eleocharis palustris） communities decreased by 64.49 km². It is preliminarily considered that increased runoff and grazing prohibition policies are important reasons for the changes in wetland vegetation distribution. This study provides an effective method for surveying vegetation in arid area wetlands. High-quality dynamic monitoring of wetland vegetation offers theoretical references for the construction of ecological civilization and restoration measures.

Keywords： remote sensing monitoring ; arid region ; Sugan Lake wetland ; random forest algorithm ; vegetation classification

PDF (3835KB) 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

张腾, 苗运法, 邹亚国, 张孜越, 冯国平. 极端干旱区苏干湖湿地植被分类与变化分析. 中国沙漠[J], 2024, 44(4): 81-90 doi:10.7522/j.issn.1000-694X.2024.00054

Zhang Teng, Miao Yunfa, Zou Yaguo, Zhang Ziyue, Feng Guoping. Classification and changes of vegetation in Sugan Lake wetland in the extreme arid region. Journal of Desert Research[J], 2024, 44(4): 81-90 doi:10.7522/j.issn.1000-694X.2024.00054

0 引言

湿地被称为“地球之肾”，与森林、海洋并称为地球的三大生态系统，参与全球的物质循环和能量流动。湿地面积占全球的3%，却支撑着40%的动植物生存，生物多样性极为丰富^［1-2］，并在涵养水源^［3］、限制土地荒漠化^［4］、碳固存^［5］等方面发挥着重要的作用，具有不可忽略的生态功能和服务价值^［6］。18世纪以来，全球湿地在人类活动和气候变化的双重作用下发生了显著的退化，面积减少近20%^［7］。在中国西北干旱区，生态系统对这种双重作用更为敏感^［8-9］。湿地面积的减小不仅使区域生态变得更为脆弱，加剧荒漠化扩张的风险^［10］，还会带来生态环境压力，影响人们正常的生产生活。而湿地植被在维持生态系统稳定性和应对这种风险中扮演着重要角色，其发育程度的好坏直接影响湿地应对气候变化和碳固存的能力，具有重要的研究价值。

遥感是湿地植被分类及其生长变化监测的便捷、高效手段^［11］。目前，Google Earth Engine（GEE）具有强大的数据处理引擎，成为遥感领域中应用最为广泛和最有效的云处理平台^［12］，在干旱区生态系统的监测中发挥着重要的作用^［13-14］。Li等^［15］利用Landsat影像结合深度学习模型，量化了1990—2019年青藏高原湿地的时空变化，为高海拔地区湿地生态系统响应气候变化提供数据支撑。Geant等^［16］将Sentinel-2号和Wordview-3号影像结合绘制出南非两个流域不同类型湿地的植被分类图，详细地展示了该地区的植被物种分布和变化情况。Sentinel-1数据和Sentinel-2数据的结合使用也被证明是湿地植被分类与连续变化监测的有效手段^［17-19］。但是，针对于干旱区湿地植被遥感分类仍缺乏相应的研究，基于此，本研究以极端干旱区的苏干湖湿地为例，借用遥感数据进行该湿地的植被分类和分布变化情况的研究，为湿地的生态保护和恢复提供数据支撑。

构建质量可靠的样本标签数据是植被分类的关键。无人机可见光影像获取方便，具有分辨率高、肉眼可识别性强的特点，能够快速获取植被物种分布信息并制作样本标签数据^［20-21］。同时，增加样本标签历史时期的特征数据能够提高训练模型的性能^［22］。因此，基于野外实地调查结果和无人机影像构建样本标签数据，提取Sentinel-1合成孔径雷达影像数据和Sentinel-2光学影像数据并计算特征指数，通过光谱距离法和动态时间规整算法计算样本标签历史特征数据，构建遥感特征数据集，通过随机森林算法对苏干湖湿地植被进行分类与制图，为苏干湖湿地植被生长的研究提供参考，以此来评价苏干湖湿地的生态建设的实际效益。

1 研究区概况和数据来源

1.1　研究区概况

苏干湖湿地（38°44′—39°07′N、93°40′—94°22′E）位于中国西北地区柴达木盆地北缘的山间凹地，被阿尔金山、土尔根达坂山、塞什腾山包围（图1）。作为哈尔腾河水系的尾闾区，发育大、小苏干湖两个湖泊，湖泊面积约119.6 km²。湿地平均海拔2 770 m，日照时间长，昼夜温差大，多年平均气温3.9~9.3 ℃，多年降水量17.6~39.9 mm，蒸发剧烈，属于典型的极端干旱条件下的冷性沙漠气候。该湿地处在山间谷地，东西风盛行，春夏季常发生小型沙尘暴。苏干湖湿地水源补给主要来自大、小哈尔腾河尾闾区地下水渗出以及周边高山冰雪融水和降水的汇流，主要有沼泽湿地、湖泊湿地和河流湿地3种类型，湿地植被类型丰富，以多年生草本为主^［23］。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 苏干湖湿地地理位置及工作点位分布

注：基于自然资源部标准地图服务网站标准地图（审图号：（2020）4619号）制作，底图边界无修改

Fig.1 The geographical location of Sugan Lake wetland and the distribution of working points

1.2　数据源及预处理

1.2.1　野外实地调查数据

在2023年7—8月，对苏干湖湿地进行植被调查，考虑到调查范围内植被代表性与遥感影像的像元匹配问题，将植被调查点设计为30 m×30 m，保证像元代表植被的纯净度，详细记录调查点内的植被类型，结合照片进行辨别，精确到种，共116个植被调查点。苏干湖湿地约有18科30属41种植物，主要植物种类有芦苇（Phragmites australis）、赖草（Leymus secalinus）、水麦冬（Triglochin palustre）、海韭菜（Triglochin maritimum）、沼泽荸荠（Eleocharis palustris）、苔草（Carex spp）、矮藨草（Scirpus pumilus）、乳苣（Lactuca tatarica）、草地风毛菊（Saussurea amara）、心叶独行菜（Lepidium cordatum）、盐角草（Salicornia europaea）、菖蒲（Acorus calamus）等。

同时，在人力不能到达的湿地沼泽深处，利用大疆Phantom 4无人机进行航拍影像的获取。设置航向和旁向重叠率60%~80%，飞行高度设置为100 m。将获得的无人机图片利用Photoscan软件进行处理，合成无人机正射影像，地面分辨率约为2.9 cm，包括红、绿、蓝3个波段，根据植被物种组成结合野外调查经验，对无人机影像中的植被种类进行判读，共获得626个样本点。根据苏干湖湿地植被组成，划分为8种植被群落类型，各植被类型样本点数量见表1。

表1 苏干湖湿地植被群落分类的样本标签

Table 1 Sample labels for vegetation community classification in Sugan Lake wetland

指标	植被群落类型
指标	芦苇	赖草	水麦冬	沼泽荸荠	乳苣	盐角草	心叶独行菜	菖蒲
样本标签数量	186	118	49	100	57	24	40	52

新窗口打开| 下载CSV

1.2.2　Sentinel-1合成孔径雷达（SAR）数据

Sentinel-1是由两颗极地轨道卫星组成，载有C波段合成孔径雷达进行遥感成像。GEE平台中的SAR数据集为一级产品，经过了热噪声去除、辐射定标和地形校正等遥感影像预处理步骤，空间分辨率为10 m。筛选出针对陆地成像的IW模式下的“VV+VH”数据进行分析。由于Sentinel-1合成孔径雷达具有穿透云层、不受天气变化干扰的优点，能够获取连续的时间序列影像，对湿地植被的生长变化具有良好的监测能力。

1.2.3　Sentinel-2 光学遥感（MSI）数据

Sentinel-2光学遥感影像能够用于监测陆地表面，包括植被、土壤、水体等的变化情况。在GEE平台中，所选择的Sentinel-2 MSI影像数据集经过了辐射定标、大气校正、数据融合和重采样等步骤，分辨率能够达到10 m，通过去云函数和云量小于20%筛选后，可直接使用。根据苏干湖湿地植被的物候特征，筛选出生长季5—10月的数据集并合成全波段中值影像，用于特征指数的计算。

2 研究方法

在野外调查和无人机影像目视解译的基础上，构建了样本标签数据集。通过GEE平台提取和处理的SAR和MSI数据计算特征指数，主要包括原始的光谱波段、植被水体指数、红边指数、缨帽指数、纹理特征指数和极化数据的时序特征指数，共计6种特征指数，结合样本标签数据构建遥感特征数据集。动态时间规整算法（Dynamic Time Warping，DTW）是一种基于欧氏距离计算两条时间序列之间距离的算法，能够消除两条序列在时间轴上变化不一致的情况，有效衡量两条序列的相似程度^［24］。运用DTW算法和光谱距离法筛选样本光谱值序列未发生变化的样本点，计算筛选后的样本历史时期的特征指数，将其60%的数据纳入遥感特征数据集中作为训练集，40%的数据作为验证集使用。基于GEE平台中的随机森林算法建立苏干湖湿地植被分类的模型，使用总体精度和Kappa系数评价模型的分类精度，根据分类结果对2019—2023年苏干湖湿地植被分类和分布变化情况进行分析。

2.1　遥感特征指数的选择

选择多维、与样本类别相关性强的特征指数能够获得精确的湿地植被分类的结果。本研究共选择了6种特征指数，分别为原始的光谱波段、植被水体指数、红边指数、缨帽指数、纹理特征指数和极化数据的时序特征指数。其中极化数据的时序特征指数由SAR数据计算而来，其他5种类型特征指数由MSI数据计算而来。这6种特征指数的详细信息见表2。

表2 基于SAR和MSI数据的植被分类特征指数

Table 2 Selection of features for vegetation classification based on SAR dataset and MSI dataset

特征指数	特征说明	数量	数据来源
原始波段	B2、B3、B4、B8、B11、B12	6	MSI
植被水体指数	NDVI、NDWI、RVI…	24	MSI
缨帽指数	Brightness、Greenness、Wetness	3	MSI
红边指数	Ndvire1、Ndvire2、Ndvire3…	5	MSI
纹理特征指数	Asm、Contrast、Corr…	9	MSI
SAR时序特征指数	VH max、VH min、VH mean…	8	SAR

新窗口打开| 下载CSV

2.2　动态时间规整算法

基于DTW算法，能够计算出样本点在参考年（2023年）和目标年（2019—2022年）光谱值的相似程度，用于判断样本点代表的地物类型是否发生显著的变化（图2）。提取样本点SAR数据中VV和VH的光谱值构建时间序列，计算2023年分别与2019、2020、2021、2022年之间的DTW距离：

M_{(i, j)} = |u_{i} - v_{j}|

（1）

\begin{array}{l} L_{m i n} (i, j) = M_{(i, j)} + m i n (L_{m i n (i, j - 1)}, \\ L_{m i n (i - 1, j)}, L_{m i n (i - 1, j - 1)})) \end{array}

（2）

式中：M_（_i_，_j_）表示参考年与目标年的欧氏距离；u_i 和v_j 表示计算欧氏距离的两个序列的不同的点；L_min（_i_，_j_）表示计算出u序列的点i、i-1与v序列上的点j、j-1的最小距离，用于匹配两个序列的变化特征，最终确定参考年与目标年之间的距离。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2019—2023年苏干湖湿地样本点光谱变化特征

Fig.2 Spectral change characteristics of sample points in Sugan Lake wetland from 2019 to 2023

2.3　光谱距离法

Huang等^［22］提出的样本迁移理论中主要基于光谱距离法来获取历史时期的样本标签，主要包括了欧氏距离ED和角距离SAD，这两个参数被证明是处理两个长度相同的序列之间相似性的最佳参数^［25］。本研究使用光谱距离法计算样本MSI数据参考年和目标年光谱值之间的距离，选择了样本点在每一年的第49天、第120天、第238天和第295天4个时间点的数据来构建样本点的序列（图2）。如果时间点的数据缺失，则选择离该时间点最近的数据代替。提取样本点MSI数据点的B2、B3、B4、B8、B11、B12作为光谱值的提取的波段，计算每个样本点光谱值的欧氏距离ED和角距离SAD：

E D = \sqrt[]{\sum_{i = 1}^{N} {(X_{i (t 1)} - Y_{i (t 2)})}^{2}}

（3）

θ = c o s^{- 1} \frac{\sum_{i = 1}^{N} X_{i (t 1)} Y_{i (t 2)}}{\sqrt[]{\sum_{i = 1}^{N} X_{i (t 1)}^{2} \sum_{i = 1}^{N} Y_{i (t 1)}^{2}}}

（4）

S A D = c o s θ

（5）

式中：X和Y表示参考年与目标年；ED表示二者之间的光谱距离；t₁与t₂表示参考年与目标年的两个时间点的光谱值；N表示选择的光谱数量；θ表示参考年与目标年的光谱值构成序列的角度；SAD表示角距离。将DTW计算的结果与光谱距离法计算的结果合并，取他们的交集，用于筛选符合条件的样本，提取这些样本历史时期的遥感特征指数构建遥感特征数据集。

2.4　随机森林算法

随机森林是基于决策树的并行式集成学习算法，在分类和回归问题中被广泛应用^［26］。随机森林基于样本随机性、重复性抽取构建决策树，并基于每棵树中样本随机属性中的最佳特征属性（最高信息增益）来进行子树的分裂，最终将多个决策树构建的弱分类器组合成一个强分类器进行使用。本研究中，基于构建的遥感特征数据集进行随机森林模型的训练，其中60%作为训练集，40%作为验证集，根据特征指数的不同组合，选择最优决策树的棵数进行模型的训练。模型的最小叶子节点样本数设置为1，决策树最大深度、最大分离特征数等参数均为GEE平台中的默认值。

3 结果

3.1　采用DTW算法和光谱距离法构建的遥感特征数据集

获取样本历史时期特征指数能够提高样本训练模型的准确率，由于样本点在历史时期所代表的植被类型可能发生变化，在提取样本历史时期的遥感特征指数时，需要判断样本点是否发生这种变化^［27］。根据DTW算法和光谱距离法计算出参考年（2023年）与目标年（2019—2022年）的最短距离、欧氏距离ED和角距离SAD，而确定合适的阈值是判断样本所在像元是否发生变化的关键。在本研究中，以2023年同类型的样本标签之间的计算结果为依据，用以确定合适的阈值。2023年同类型样本之间的计算结果见图3，图中DTW_VH和DTW_VV表示SAR数据基于DTW算法计算的结果，ED和SAD表示MSI数据基于光谱距离法计算的结果。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 苏干湖湿地2023年同类型样本标签计算结果的箱线图

Fig.3 Boxplot of the calculation results for the same type of sample labels in Sugan Lake wetland in 2023

去掉样本离群值，对每一种植被群落选择箱线图中的上边缘值作为阈值，确保在合适的范围内保证样本质量最优。芦苇群落根据DTW_VH、DTW_VV、ED和SAD确定的阈值分别为19.46、12.88、0.44和0.96，赖草群落4种类型阈值分别为19.44、12.45、0.37和0.98，水麦冬群落阈值分别为13.78、8.15、0.52和0.97，沼泽荸荠群落阈值分别为16.16、7.32、0.63和0.96，乳苣群落阈值分别为15.79、6.67、0.31和0.98，盐角草群落阈值分别为19.40、5.33、0.33和0.99，心叶独行菜群落阈值分别为16.86、4.96、0.23和0.99，菖蒲群落阈值分别为20.25、10.97、0.35和0.98（表3）。

表3 苏干湖湿地植被群落样本历史时期特征提取的阈值设定

Table 3 The threshold setting for feature extraction of historical period samples in Suhan Lake wetland

指标	植被群落类型
指标	芦苇	赖草	水麦冬	沼泽荸荠	乳苣	盐角草	心叶独行菜	菖蒲
DTW_VH	19.46	19.44	13.78	16.16	15.79	19.40	16.86	20.25
DTW_VV	12.88	12.45	8.15	7.32	6.67	5.33	4.96	10.97
ED	0.44	0.37	0.52	0.63	0.31	0.33	0.23	0.35
SAD	0.96	0.98	0.97	0.96	0.98	0.99	0.99	0.98

新窗口打开| 下载CSV

通过对2023年的626个样本进行阈值的筛选，确定2019、2020、2021年和2022年样本数分别为399、604、570个和310个，提取这些样本点的遥感特征指数作为遥感特征数据集的一部分，用于湿地植被分类模型的构建。

3.2　不同特征组合下的植被分类精度

使用单一特征指数进行植被分类，容易造成结果分类精度差、模型欠拟合等问题。本研究通过增加特征的维度，构建多组特征组合参与训练，这些组合扩大了不同植被类型特征的可分性，提高了湿地植被分类的精度（表4）。

表4 2023年苏干湖湿地不同特征指数组合的植被群落分类精度评价

Table 4 Evaluation of vegetation community classification accuracy for different features combinations in Sugan Lake wetland in 2023

编号	特征指数组合	总体分类精度	Kappa系数
1	原始波段	0.79	0.75
2	原始波段+植被水体指数	0.82	0.79
3	原始波段+植被水体指数+纹理特征指数	0.83	0.80
4	原始波段+植被水体指数+红边指数+缨帽指数	0.83	0.81
5	原始波段+植被水体指数+红边指数+纹理特征指数+缨帽指数	0.84	0.82
6	原始波段+植被水体指数+红边指数+纹理特征指数+缨帽指数+SAR时序特征指数	0.85	0.82

新窗口打开| 下载CSV

B2、B3、B4、B8、B11、B12作为Sentinel-2 MSI数据的原始波段，能够对光谱差异较大的地物进行分类，使用单一的原始波段进行分类，总体精度能够达到0.79。但是，针对于分辨率需求更高的植被群落的划分，特征指数的选择尤为重要。在增添植被水体指数之后，提高了群落的分类精度，达到了0.82，Kappa系数达到了0.79。纹理特征指数是植被分类研究中重要且有效的一种指数^［28］，在应用之后使总体精度达到了0.83，对植被分类的精度提升不明显。红边指数和缨帽指数的引入也提高分类的精度，使总体分类精度达到了0.84，Kappa系数达到了0.82。将SAR数据的时序特征指数代入到分类模型的训练中，最终实现总体分类精度最优的组合，总体分类精度能够达到0.85，Kappa能够达到0.82。根据不同特征组合输出的结果，确定第6组进入到随机森林模型中进行计算。

3.3　2019—2023年苏干湖湿地植被分类结果

2023年苏干湖湿地面积约为955.78 km²，主要湿地类型为湖泊湿地和沼泽湿地，植被分布的面积约为783.90 km²。芦苇、赖草和沼泽荸荠植被群落所占面积最大，分别为241.25、217.15、159.84 km²，盐角草群落分布面积最小，仅有11.71 km²（图4）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2019—2023年苏干湖湿地植被群落分类结果

Fig.4 Classification results of vegetation community in Sugan Lake wetland from 2019 to 2023

从植被分布状况来看，芦苇主要分布在湿地的外围，在湿地的北缘和大苏干湖的周围分布密集，是苏干湖的优势种群。赖草在湿地东部呈大面积分布，在两湖之间呈连续的带状分布。水麦冬和沼泽荸荠群落主要分布在地下水出露汇流而成的河道和泉眼附近，水源丰富的地方生长密集。盐角草群落主要分布在盐碱程度比较高的地区，包括小苏干湖的北部和大苏干湖的西部无水淹没的区域。心叶独行菜主要分布在湿地的东侧与戈壁的交界处，由于该区域缺乏水分的补给，植被较为稀疏。乳苣主要掺杂在赖草群落之间呈零散状分布，分布在土壤较为贫瘠的区域。菖蒲分布在湿地东北部的部分河道中，呈点状分布，受其他水生植被的影响，分布的面积很小。

2019—2023年，湿地面积和植被分布面积总体比较稳定。芦苇群落面积出现先增长后减小的趋势，总体呈现净增长，增加面积为28.49 km²。赖草群落呈增加趋势，相比于2019年，赖草群落增加面积为27.21 km²。水麦冬和沼泽荸荠群落在这期间分布面积在持续减小，但在2022年之后面积有所增加，总体来说，面积相较于2019年减少了42.84 km²和21.65 km²。乳苣、盐角草、心叶独行菜和菖蒲群落分布的面积总体稳定（图5）。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2019—2023年苏干湖湿地植被群落面积变化

Fig.5 Changes in the vegetation community area in Sugan Lake wetland from 2019 to 2023

4 讨论

4.1　苏干湖湿地植被分类特征指数的选择

由于苏干湖湿地植被生长季较短，筛选了生长季5—10月的云量小于20%的MSI数据，经过去云函数处理合成中值影像进行特征指数的计算。目前，已有大量基于不同波段的组合计算的特征指数用于湿地植被的分类^［29-30］。本研究计算了55种与湿地植被分类相关的指数，每个指数对随机森林分类训练模型的重要性排序如图6所示。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 苏干湖湿地植被分类特征指数的重要性排序

Fig.6 The importance ranking of vegetation classification features in Sugan Lake wetland

不同特征之间由于存在自相关性，可能会出现特征冗余的现象，这些特征指数整体的重要性差异较小，但是，仍然存在对植被分类模型重要性较弱的特征指数。原始光谱都可以作为植被分类的优选特征进行应用，通过缨帽转换计算出的湿度指数、绿度指数和亮度指数对不同类型的植被更为敏感^［31］。而在植被水体指数中，红边叶绿素指数CL、归一化植被指数NDVI、红边位置指数REPI等3种植被指数的重要性较小，NDVI是最常用的植被指数，但在本研究中不代表是最优的植被分类指数。绿度指数GI、修正归一化水体指数MNDWI、归一化植被湿度指数NDMI等的重要性明显相对于其他指数较高，在湿地植被分类中，可以优先考虑这些植被水体指数。通过SAR数据计算的VV和VH的时序特征的重要性较高，说明SAR数据在湿地植被分类有较好的效果，该数据的获取不受天气的影响，能够获取湿地植被较为完整的后向散射数据，在识别湿地植被类型有较好的应用前景。基于B5、B6、B7和B8 a波段计算的红边指数重要性较高，对湿地不同类型的植被有较高的敏感度^［32］。纹理特征的输入在一定程度上能够提高训练模型的性能，受限于遥感影像分辨率和识别对象的大小，可能会降低训练模型的性能，应谨慎使用。

4.2　苏干湖湿地植被分布的影响因素

苏干湖湿地位于极端干旱区，植被生长受温度和土壤水文条件的影响显著^［33-34］，同时也可能受到了禁牧政策实施的影响。

大哈尔腾河的水源补给是支撑湿地植被发育的主要因素。由于地下水的出露和聚集在苏干湖地区发育大、小两个湖泊，以及周边形态不一的河道和泉眼，携带大量矿物和盐分进入苏干湖的土壤中，为植被的生长提供理想条件。2016—2021年，哈尔腾河流域径流量不断增加^［35］，致使大苏干湖的面积在2021年突然扩大，面积增加了15.28 km^2［36-37］。在湿地植被调查中，发现湖泊扩张的区域发育了大量的盐角草等盐生植被，虽然植被分布较为稀疏，但对湖泊扩张可能促进了植被的生长和分布产生重要的认识。

苏干湖湿地不同类型的植被分布受控于地下水埋深和土壤盐离子的双重影响^{［34，38］}。在地下水位较深、盐离子含量较低的砂质土壤的区域多发育根系发达的芦苇群落；而在缺乏地表水但地下水位较浅时，黏土含量较高的区域往往是连续分布的赖草群落，心叶独行菜群落和乳苣群落在其中呈斑块状分布；在泉眼和河道等浅水区域，水麦冬、沼泽荸荠、菖蒲等植被群落分布广泛。由于输入湿地的水量增大，导致地表水上涨，淹没水麦冬和沼泽荸荠等植被群落的适生区域，可能受赖草植被群落适应力和竞争力强的影响，分布的面积在持续缩小。芦苇和心叶独行菜群落的耐旱能力比赖草群落和乳苣群落更强，水麦冬、沼泽荸荠和菖蒲植被群落比赖草群落更依赖水源的补给。

2017年，对苏干湖湿地实行了全面禁牧的政策，禁止对湿地进行乱开乱挖、破坏草地的行为，并致力于解决超载过牧、水资源不合理利用等对湿地生态安全产生影响的人类活动问题。结合本研究的湿地植被分布与变化的结果进行分析，赖草群落作为畜牧的主要区域，在2019—2023年面积增长了27.21 km²，可能与禁牧政策的实施有关。放牧活动的减少在促进草本植被生长和扩张中发挥重要作用^［39］。

目前，西北干旱区正经历“暖湿化”^［40］，预计还将持续到2050年之前^［41］。温度升高、降水增加对湿地植被的生长具有促进作用，这可能会带来湿地湖泊面积的扩大和植被分布的扩张。苏干湖湿地未来仍以芦苇群落和赖草群落占优势，它们在维持湿地生态系统稳定性中占据重要位置。

5 结论

湿地植被调查数据能够为随机森林模型提供质量可靠的样本数据，SAR数据时序特征指数的引入提升了训练模型的性能，与MSI数据计算的特征组合为湿地植被分类提供了一个有效且科学的方法。2019、2020、2021、2022、2023年湿地植被分类总体分类精度均超过0.81，Kappa系数分别为0.82、0.84、0.86、0.82、0.82。

2019—2023年苏干湖湿地植被分布的面积呈稳定状态，以芦苇、赖草、水麦冬和沼泽荸荠群落为主，芦苇和赖草群落的面积在增加，分别增加了28.49 km²和27.21 km²，而水麦冬和沼泽荸荠群落分布的面积减少了64.49 km²，径流增加和禁牧政策可能是湿地植被分布变化的重要原因。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Levandowski

M L

， Litt

A R

， McKenna

M F

，et al.

Multi-method biodiversity assessments from wetlands in Grand Teton National Park

［J］.Ecological Indicators，2021，131：108205.