東北地理所在互花米草入侵過程遙感監測方面取得進展
互花米草自1979年引入到中國后迅速繁殖，造成嚴重的生態問題。互花米草入侵過程的精準、連續監測對了解互花米草入侵機制至關重要，也是綜合治理互花米草的重要依據。由于互花米草生長在復雜的潮間帶區域，可達性差，遙感解譯成為監測互花米草入侵的重要手段。然而，由于潮汐對互花米草的周期性淹沒，無法確保在衛星過境時互花米草全部暴露于水面之上，因此，短期內連續監測互花米草的空間范圍具有挑戰性。為解決這一問題，中科院東北地理所景觀遙感學科組的研究人員建立了淹沒互花米草的指數(SAI)，有效降低了潮汐帶來的不確定性。基于SAI構建了高質量哨兵2號連續季節數據集，然后利用面向對象的隨機森林分類方法完成互花米草的提取，獲取互花米草季節性擴張的信息。研究結果，首次發現了互花米草在休眠期亦有擴張現象。該研究提出的方法對海岸帶和水生植被的遙感監測研究具有重要的借鑒意義。研究結果有助于推進互花米草入侵遙感監測研究，對制定治理互花米草入侵的政策和方案具有指導意義。
研究人員以福建漳江口國家級自然保護區為研究區，基于實地考察和無人機航拍的方法獲得用于遙感影像分類的互花米草訓練樣本和驗證樣本，收集2016-2018年研究區生長季開始和結束日期的時間序列哨兵2號影像，根據不同地物類型在哨兵2號影像中的光譜反射曲線，利用淹沒互花米草像元與純水面像元在紅邊波段反射率差別較大的特征(圖1)，建立提取淹沒互花米草的植被指數(公式1，2)。
圖1 淹沒互花米草指數(SAI)建立的基礎。(A) 水面以上的互花米草、淹沒互花米草、紅樹林和水體光譜反射率曲線以及建立SAI的基線；(B)高潮期SAI影像；(C)淹沒互花米草的野外照片。
然后，研究人員采用面向對象的隨機森林分類方法對2016-2018年研究區互花米草的進行解譯。為了量化影像中不同目標的最佳分割尺度，研究人員使用了尺度參數優化工具(ESP)來確定分割效果是否最優(圖2)，并在隨機森林分類過程中選取最優特征參數(圖3)。通過對結果進行精度評價顯示，互花米草的解譯精度達到92%以上。
圖2不同對象的最佳分割尺度。(A)局部方差(LV)和變化率(ROC) 隨分割尺度增加的變化；(B)分割尺度為81的分割效果；(C)分割尺度為12的分割效果。
圖3隨機森林分類中最優參數數量和重要特征
分析互花米草的空間分布(圖4)發現：互花米草主要分布在紅樹林周圍， 2016-2018年，互花米草斑塊聚集性增強。對互花米草的面積變化進行分析發現：互花米草在2016年2月至2018年11月急劇擴張，從151.7公頃增加到270.3公頃，擴張比例達78%，年入侵率為39.5公頃。互花米草在生長期和休眠期都存在入侵現象，在生長期的入侵率為31.5公頃/季節，在休眠期的入侵率是12.1公頃/季節。與先前漳江口地區互花米草入侵研究結果進行對比，發現，近年來互花米草的入侵進程明顯加快。對互花米草的入侵過程進行季節性分析，為生態學家和環境管理者了解互花米草的入侵機制提供了新的視角。[3] [n4]
圖4 2016年2月-2018年11月研究區內互花米草空間分布圖
該研究由中科院東北地理所博士生田艷林，副研究員賈明明，研究員王宗明，副研究員毛德華，博士生杜保佳，武漢大學王超副教授共同完成，發表于Remote Sensing期刊。得到國家重點研發計劃(2016YFC0500201)，國家自然科學基金(41730643)，中國科學院青年創新促進會人才項目(2017277)，國家重點實驗室開放基金武漢大學測繪與遙感信息工程(批準號19I02)等共同資助，也特別感謝國家地球系統科學數據中心(www.geodata.cn)的支持。論文信息如下：
Yanlin Tian, Mingming Jia*, Zongming Wang, Dehua Mao, Baojia Du, Chao Wang. Monitoring Invasion Process of Spartina alterniflora by Seasonal Sentinel-2 Imagery and an Object-Based Random Forest Classification. Remote Sensing, 2020, 12(9), 1383. doi: 10.3390/rs12091383.
附件下載：
吉公網安備22017302000214號
