摘要
湿地是与海洋、森林齐名的三大重要地球自然生态系统之一，在保护生物多样性、净化水质、调节径流和大气等方面发挥着重要作用，北京市已将湿地修复和重建纳入新的“百万亩造林绿化行动计划”工程。湿地植物作为湿地生态系统的最重要、最活跃的组成之一，其类型、分布及变化能够直接反映和指示外界环境特征。因此准确识别北京市的湿地植物，把握北京市湿地的整体格局，对于湿地植物资源保护和合理开发利用、维持区域生物多样性和生态可持续发展作用重大。遥感技术的快速发展与数据源的不断丰富，不仅为大范围、长时间的湿地植物监测提供技术手段，还能记录丰富的特征变量信息，为湿地植物分类识别提供支持。 本研究基于时间序列MODIS遥感影像和GOSIF数据集，利用归一化植被指数(NDVI)、增强型植被指数(EVI)和日光诱导叶绿素荧光(SIF)构建基于时序的植物物候期观测模型。融合Sentinel-2多时相影像，耦合决策树分类方法+混合像元分解，充分考虑光谱特征、Landsat提取的归一化差异水体指数(NDWI)、DEM等信息，以薹草和柳树为例，引入对象的多种特征、挖掘分类有效信息，建立一种适用于北京市两种湿地植物类型识别的新方法，对湿地植物资源保护和管理具有重要意义。主要研究结果如下: (1)对于北京市影像特征指数数据集构建，评价各拟合方法的重构效果，发现SIF指数在生长周期内变化幅度大，对不同年份物候趋势及差异表现不显著;EVI指数变化幅度小，异常值较多;NDVI指数幅度范围适中，对不同年份物候变化趋势表现最明显，异常值较少，总体上能够较细致地表现物候特征。D-L方法和S-G方法在拟合平滑后的保真性、相关性、数据差值效果较好;各模型的表现为A-G方法在反映植被物候变化趋势方面有所长，D-L方法不能很好凸显植物生长峰值等重要特征，S-G方法可以保留部分物候特性的细节，但对抗异常值干扰的效果较差。 (2)对于北京市柳树和薹草专有影像特征指数时间序列数据集进行构建，发现NDVI时间序列提供的信息丰富，能反映整个生长周期内物候变化趋势，稳定性较好。基于两种植物NDVI时序数据进行拟合，S-G模型曲线能够细致刻画真实值特征，与实际的物候期最吻合，但有异常值时易受到干扰。综合考虑最终选取的最佳组合为NDVI指数+S-G滤波平滑模型，据此重建两种湿地植物专有影像特征指数数据集，开展下一步对于两种湿地植物分类识别的研究。 （3）分析NDVI时序数据体现的物候特征发现，柳树与薹草的物候变化趋势均呈现单峰变化，2020年全年柳树NDVI值均高于薹草，在非生长季内两种植被的NDVI差值小于生长季内的差值。对柳树和薹草的物候拟合曲线与NDVI真实值对比并分析曲线体现的物候特征参量，得出基于该模型提取的柳树EOS与真实值一致，可用于柳树判别，薹草SOS与POS与真实值一致，可用于区别薹草和其他植被。 （4）引入7种植被物候特征变量进行分析，为湿地植物的精准识别提供支撑，最终选定的参数阈值为季初增长率（高于0.025）、季末递减率（大于0.032）、振幅（大于0.4）用于柳树的判别;季末递减率（小于0.015）、振幅（小于0.4）用于薹草判别。EOS（10月以后）和SOS（3月中旬之前）分别用作柳树和薹草的辅助数据。 （5）采用基于决策树的分类方法获得北京市2020年湿地植物识别结果，空间上呈现永久性水域—薹草（季节性淹水湿地）—柳树（未淹水区域）由内到外的分布特征。可分离性评价结果表明柳树、薹草与永久性水域之间可分离性较好，精度评价得出总体分类精度为86.91％,Kappa系数为0.8026,结果质量较好，但永久性水域、薹草和柳树三者之间存在错分现象，其原因包括环境复杂、验证样本选取不典型、光谱特征受到影响使生长期错判等。 （6）基于本研究方法得到的结果比基于单一时相的识别结果总体精度高约17.19％,表明本研究的方法能够有效改善湿地植物识别的效果。在基于单一时相的分类结果中，柳树和薹草在生长季内分类精度高于非生长季的精度;永久性水域在不同季节精度差异相对较小，总体精度为最高。
NETL