摘要
湿地公园是构成湿地生态系统的重要组成部分，也是城市公园生态系统的重要组成部分，具有改善城市内部生态环境质量、降低碳排放、丰富物种的多样性以及提升城市内部景观水平等功能。本研究以湿地公园为研究对象，结合景观生态学、计算机科学及统计学多学科交叉的研究方法，借助遥感技术，地理信息系统（GIS），深度学习，数理统计等技术手段，开展湿地公园景观类型精准识别、时空动态变化特征以及景观格局演变和驱动力分析，以期为湿地公园的规划、建设以及保护、管理提供科学依据。主要研究内容及成果如下： （1）湿地公园的多源数据获取及预处理 采用无人机高分辨率多光谱影像、高分2号卫星影像、数字高程数据（DEM）、兴趣点（POI）和人口密度数据相结合，以唐岛湾国家湿地公园为研究对象，获取研究区地形及经济发展特征和景观类型纹理特征。通过多源数据收集和现场调查，对唐岛湾国家湿地公园景观类型现状进行调查和分析，为后续研究提供基础数据。 （2）基于迁移学习算法的湿地公园景观类型精准识别模型构建研究 以无人机多光谱影像作为输入数据，将提取的景观类型光谱特征作为预训练数据集，运用迁移学习算法对预训练模型进行参数迁移，利用ResNet18模型对研究区高分2号卫星影像构建湿地公园景观类型精准识别模型。结果如下：①迁移学习算法有效减少了人工标记的工作量，ResNet18与迁移学习方法相结合时，可以在分类精度无较大损失的情况下挑选光谱数据中有价值的信息。②运用迁移学习与ResNet18模型的总体精度和Kappa系数分别为99.78%和0.993，识别精确率优于ResNet18模型和随机森林模型。③在预训练模型中引入无人机数据，有助于减少由单一卫星遥感影像对水生植物识别错误的问题，与以单一卫星遥感数据为数据源的模型对比发现，迁移学习提取景观类型的精确度高，对图像数据量要求低。 （3）基于高分2号影像的唐岛湾国家湿地公园景观类型时空演变分析 以唐岛湾国家湿地公园为研究对象，基于上述构建的湿地公园景观类型精准识别模型，对2016年至2023年8个时相的GF-2遥感影像进行精准识别，并验证每个时期结果的制图精度、用户精度、总体精度和Kappa系数。通过各景观类型的面积占比，分析湿地公园各景观类型在时间和空间上扩展与退化的动态变化。结果如下：①2016年至2023年分类结果的总体精度为90.69~97.96%，Kappa系数为0.865-0.968，该精度符合进行湿地公园景观类型变化监测的要求。②景观类型按面积大小依次是水体、陆地植被、淤泥质海滩、水生植物和其他用地类型，从2016年到2023年，湿地公园的景观类型动态变化非常显著。③四种湿地景观类型的破碎程度大致相同，但湿地公园整体的破碎度高，说明湿地公园明显受到人为因素的影响。 （4）基于地理探测器模型的唐岛湾国家湿地公园景观格局演变及驱动力分析 借助Fragstats和ArcGIS工具，选取景观格局指数因子，包括景观类型水平以及景观水平的指数变化，对唐岛湾国家湿地公园景观格局的演变进行深入分析。同时运用地理探测器工具，采用因子探测和交互探测法，从自然因素和人文因素两个方面探究因子对景观格局空间分异的驱动力。结果如下：①景观水平上，蔓延度指数总体为下降水平，说明景观破碎度增加，香农多样性指数、破碎度指数整体上升，表明景观复杂程度增加；景观类型水平上，各景观类型形状呈现不规则化，各景观类型的聚集程度依次为水体、其他用地、陆地植被、淤泥质海滩和水生植物。②因子探测中景观格局现象解释力排名依次为人口密度、POI、归一化植被指数、景观类型、高程和坡向。人口密度因子与其他因子交互作用的解释力明显高于其他驱动因子之间的交互作用，说明人口密度因子在对景观格局空间分异交互作用分析中起到决定作用。
NETL