中国科学院大学学报  2024, Vol. 41 Issue (5): 625-635   PDF    
长江正源当曲流域夏季高寒湿地信息遥感分类提取
谢婉蓉1,2,3, 刘少创1,2, 吴运佳1,3, 张烁1,2     
1. 中国科学院空天信息创新研究院 中国科学院数字地球重点实验室, 北京 100094;
2. 可持续发展大数据国际研究中心, 北京 100094;
3. 中国科学院大学, 北京 100049
摘要: 当曲作为长江正源,其流域内覆盖着成片的高寒湿地。由于早年在江源定位上存在的争议及自然环境恶劣科考困难,当曲流域未能受到广泛关注,湿地研究工作薄弱,在高分辨率湿地分类研究上仍处于空白。基于2020年8月19日的Sentinel-2B影像(10 m分辨率多光谱数据),采用面向对象特征的分层分类法,对当曲流域各类别高寒湿地的信息进行提取,结合研究区地表形态、质地等对湿地的水平及垂直分布规律进行总结。结果表明:1)当曲流域高寒湿地共分为3个一级类和9个二级类,总面积为3 364.74 km2。其中主体部分为沼泽湿地,分布面积达2 908.94 km2,占湿地总面积的86.45%,河流湿地和湖泊湿地面积相近,分别为269.28 km2和186.52 km2。除高寒湿地外,流域内覆盖有永久冰川积雪,分布面积为107.17 km2。2)当曲流域内湿地在水平分布上总体呈现东南多西北少的特点,主要集中于丘陵环绕的平滩或地势低缓、排水不畅的汇流地带,以及阴坡山脚地区。3)高寒湿地在垂直方向上的分布以海拔4 650~5 100 m为主,随着地势升高湿地资源逐渐减少,海拔5 400 m以上为冰川积雪集中覆盖区,几乎无高寒湿地分布。
关键词: 长江正源    当曲流域    高寒湿地    面向对象特征    分层分类    
Remote sensing classification and extraction of alpine wetlands information in summer in Dam Qu Watershed, the source of Yangtze River
XIE Wanrong1,2,3, LIU Shaochuang1,2, WU Yunjia1,3, ZHANG Shuo1,2     
1. CAS Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China;
2. International Research Center of Big Data for Sustainable Development Goals, Beijing 100094, China;
3. University of Chinese Academy of Sciences, Beijing 100049, China
Abstract: As the real source of the Yangtze River, Dam Qu Watershed is covered with a large number of alpine wetlands. Due to the dispute on the determination of the source of the Yangtze River in early years and difficulties in scientific research caused by the harsh natural environment, Dam Qu Watershed has not received widespread attention.Consequently, research on wetlands in this area is limited, particularly in high-resolution wetland classification, leaving a significant gap in the literature. Based on Sentinel-2B images from August 19, 2020, the information on each category of alpine wetlands in Dam Qu Watershed was extracted by using the hierarchical classification method of object-oriented features, and the horizontal and vertical distribution characteristics of wetlands were summarized in combination with the surface morphology and texture of the study area. The results show that the alpine wetlands in Dam Qu Watershed are divided into three first-level categories and nine second-level categories, with a total area of 3 364.74 km2, of which the main part is marsh wetlands, with an area of 2 908.94 km2, accounting for 86.45% of the total area of wetlands. The areas of river wetlands and lake wetlands are similar, at 269.28 km2 and 186.52 km2, respectively. In addition to alpine wetlands, there are permanent glaciers and snow in the watershed, with an area of 107.17 km2.The horizontal distribution of wetlands in the watershed is generally characterized by more wetlands in the southeast and fewer in the northwest. These wetlands are mainly concentrated in the flat beach surrounded by hills or the catchment area with low terrain and poor drainage, as well as the foot of shady slope. In the vertical direction, alpine wetlands are mainly distributed in the range of 4 650-5 100 m above sea level. As the terrain rises, wetland resources gradually decrease. Areas above 5 400 m are mainly covered by glaciers and snow, with almost no alpine wetland. This study provides a scientific basis for the effective protection and rational utilization of wetland resources in the source of the Yangtze River.
Keywords: the source of the Yangtze River    Dam Qu Watershed    alpine wetland    object-oriented features    hierarchical classification    

湿地作为地球上最重要的三大生态系统之一,在水源涵养、气候调节以及污染物的净化过滤等方面具有重要作用,被誉为“地球之肾”[1]。长江正源——当曲流域作为三江源国家级自然保护区的核心区域,地域广阔,水系复杂,是青藏高原腹地高寒沼泽的集中发育区[2-3],具有极为重要的生态功能,定量化研究尤为必要。由于海拔较高、自然条件恶劣、科研工作开展困难等限制,该地区的生态资料相对匮乏,湿地研究工作还十分薄弱。

湿地时空分布及变化信息的定量化获取是其研究的关键[4]。目前,遥感和地理信息系统技术被广泛应用于湿地信息提取和资源调查研究[5-6]。国内对于高寒湿地的研究主要集中在青藏高原、云贵高原和蒙新高原等地区。侯蒙京等[7]基于Landsat系列遥感影像,对1991—2016年青藏高原东部甘南和川西北地区沼泽湿地信息进行提取;褚琳等[8]以2000—2010年TM影像和MODIS数据产品为数据源,揭示玛曲湿地动态变化规律及其存在的时空差异性;王海军[9]利用GEE云平台整合陆地卫星数据,提取川西高原若尔盖、曼则唐等区域高寒湿地信息,并对近20年湿地时空变化及主导因素进行分析;康应东等[10]以云贵高原为研究对象,基于1977—2015年5期Landsat系列影像,对研究区湿地面积变化以及人为胁迫对湿地景观变化的影响进行分析。已有的相关研究中,由于研究区地域差异及研究尺度的不同,在高寒湿地定义的理解和遥感分类系统上存在众多龃龉[11-13]。另外,不同分辨率遥感数据的成本不同,由于时空范围较大,高寒湿地研究利用的遥感数据源多为中低分辨率影像[3],空间分辨率的制约使得湿地精细信息的提取存在较大局限性[14-15]。当曲流域是整个长江源区最为典型的高寒湿地连续发育区域,基于高分辨率遥感数据的湿地信息提取仍处于空白,给湿地资源调查与保护造成一定掣肘。

鉴于此,本文以当曲流域为研究区域,基于Sentinel-2B遥感影像,将面向对象分类与分层分类法相结合,综合利用影像光谱特征、纹理特征和形状特征建立高寒湿地分类提取规则集,对研究区的湿地信息进行高精度提取,以期为当曲流域湿地资源的有效保护与利用,以及后续流域湿地变化、景观格局分析等研究提供科学依据与分类基础。

1 研究区与数据 1.1 研究区概况

长江源区的主要源流包括当曲、布曲、尕尔曲和沱沱河,其中当曲的长度、流域面积和流量均为诸源流之冠,被确定为长江正源[16]。当曲长度为360.34 km,上源且曲发源于青藏高原唐古拉山脉东段北支,源头海拔逾5 000 m,下游在囊极巴陇处与沱沱河交汇,并入通天河[16-17]

当曲流域地处青藏高原腹地长江源区东南部,在行政上隶属于青海省玉树藏族自治州杂多县西南部查旦乡境内,面积广阔、水流丰沛。主要支流包括尕尔曲、布曲等,西部为沱沱河流域,南至唐古拉山脉北麓,东部与北部毗邻澜沧江源区,平均海拔在4 600 m以上。当曲流域不仅河湖众多,在流域中东部广袤的山间盆地内还发育着成片的高寒沼泽。由于地势平缓开阔,排水不畅,土壤下部冻土层的广泛发育使得融雪与降水向下渗透受阻,导致地表长期过湿或积水,促成了高寒湿地的形成[17]。本研究所指当曲流域以当曲与布曲交汇处为出水口,基于研究区数字高程模型(digital elevation model,DEM)进行水文分析绘制,为当曲与布曲交汇前流经区域,其地理范围为32.43°N~33.96°N,92.16°E~94.62°E,流域总面积达16 915.6 km2(图 1)。当曲流域属于高原大陆性气候,冬寒夏凉,干湿分明,雨热同季。流域湿地类型多样、分布广泛,且具有水文功能强大和生物多样性丰富等特点[18]

Download:
图 1 当曲流域地理位置及高程分布图 Fig. 1 Geographic location and elevation distribution of Dam Qu Watershed
1.2 数据来源及预处理 1.2.1 遥感数据

本文选取覆盖研究区的9景Sentinel-2B遥感影像作为湿地信息提取的主要数据源,包括可见光、近红外和短波红外共13个波段,空间分辨率最高可达10 m(表 1)。由于在雨季与非雨季高寒湿地的影像特征及分布面积不同,夏季为植物生长季, 雨水相对充沛,冬季为植物非生长季,时有积雪覆盖,地物特征不显著,因此高寒湿地遥感监测研究的最佳窗口期一般为夏季[3, 7, 13]。本文获取的Sentinel-2B影像成像时间均为2020年8月19日,对研究区夏季高寒湿地分布信息进行提取。影像下载自欧空局哥白尼开放获取中心(https://scihub.copernicus.eu/),数据为经过正射校正和亚像元级几何精校正的Level-1C级大气层顶表观反射率。利用欧空局官方提供的针对Sentinel系列影像的SNAP软件和Sen2or插件对原始影像进行大气校正,得到大气底层反射率数据;将校正后的影像像元大小重采样为10 m并转换为ENVI标准格式,其中重采样只针对分辨率为20和60 m的波段(表 1)。再基于ENVI5.3对影像进行波段合成、影像镶嵌,利用当曲流域矢量边界对影像进行裁剪。

表 1 Sentinel-2B影像波段参数表 Table 1 Band setting parameters of Sentinel-2B

另外,选择当曲流域Google Earth卫星影像和不同季相的数据资料用于湿地信息提取结果的验证。在对季节性湿地提取提供参考时,由于Sentinel-2B数据缺乏合适时相,故选择Landsat-8 OLI数据进行补充。如图 2所示,由2景OLI影像拼接而成,成像时间分别为2020年12月20日和2021年1月28日,采用4、3、2波段分别赋色红绿蓝通道合成。

Download:
图 2 当曲流域冬季Landsat-8影像 Fig. 2 Landsat-8 image of Dang Qu Watershed in winter
1.2.2 其他辅助资料

地形数据为日本经济产业省和美国航空航天管理局共同发布的全球DEM数据(ASTER GDEM V3版本),空间分辨率为30 m,来源于地理空间数据云平台(http://www.gscloud.cn)。利用研究区DEM进行水文分析[19],对当曲流域矢量边界及河网矢量进行提取。其他辅助专题数据主要包括三江源区行政边界矢量数据,用于直观显示研究区地理位置,以及杂多县土地利用情况(2009年)、三江源区草场资源分布图(1 ∶250万)、三江源区地表形态分布图(1 ∶250万)、三江源区地表质地分布图(1 ∶250万)等图件资料,作为对分类结果进行人工目视校正的参考资料。

2 研究方法 2.1 高寒湿地遥感分类系统制定

湿地遥感分类是湿地信息定量化获取的基础。鉴于目前对于流域湿地类型的划分尚未有普遍适用的分类标准,本文依据《湿地公约》和中华人民共和国国家标准《湿地分类》[20],并参考现有的湿地分类研究成果,结合研究区域湿地特征和Sentinel-2影像解译判读特点,将当曲流域高寒湿地分为河流湿地、湖泊湿地和沼泽湿地。另外,流域内部分区域覆盖有永久冰川积雪,在高寒湿地水源补给方面具有重要作用[2],将其纳入非湿地范畴进行信息提取,其余地类不做细分。本文制定的当曲流域高寒湿地遥感分类系统如表 2所示。

表 2 当曲流域高寒湿地遥感分类系统 Table 2 Remote sensing classification system of alpine wetlands in Dam Qu Watershed
2.2 高寒湿地分类特征变量提取 2.2.1 光谱特征

光谱特征是遥感影像分类最基本的特征,除Sentinel-2影像预处理后的多光谱波段外,还包括图像变换提取的特征变量,以及多光谱波段经线性或非线性组合运算得到的遥感指数等。本研究采用穗帽变换[21-22]后得到的前3个分量(亮度Brightness、绿度Greenness、湿度Wetness)、改进的归一化水体指数(modified normalized digital water index,MNDWI)[23]和归一化植被指数(normalized digital vegetation index,NDVI)[24]提取高寒湿地信息。

2.2.2 纹理特征

纹理特征对应地物表面的缓慢变化或周期性变化[25],在湿地分类过程中用于提高淡水沼泽的分类精度。灰度共生矩阵作为一种经典的纹理统计分析方法,其计算得到的纹理特征在不同波段间表现出明显的相关性,因此对于多光谱影像,通常选择一个波段进行计算[26]。本文基于红光波段计算灰度共生矩阵提取纹理特征,选择5×5的窗口大小,每个滑动窗口计算一系列特征值,遍历所有像素点,得到均值、方差、标准差、熵、对比度、同质度、相关性等纹理特征值矩阵。

2.2.3 形状特征

面向对象分类中影像分割后,目标对象在空间上表现出的几何特征即为形状特征。本研究采用多尺度分割算法[27],首先根据影像中地物的空间分布信息确定分割尺度,限定影像对象大小调整过程中被允许的最大异质度,得到影像初始分割结果;然后参考斑块的破碎化程度及同一地物类别对象之间的异质性,确定合并尺度,对相邻的同类地物对象进行合并。以目视效果为依据进行多次调整,最终确定的分割尺度和合并尺度分别为80和50。在此条件下,分割对象边界清晰,对地物属性信息表征性强。分割得到的形状特征变量包括:面积(斑块的总面积)、长度(斑块的外边框周长)及延伸率(最大直径与最小直径的比值)。

2.3 面向对象的分层分类规则集构建 2.3.1 分层分类法

分层分类法是一种用于复杂地类信息提取的逐级逻辑判别算法,根据地物分异规律设计分类树,对易于混淆的地物进行多层次的识别归类,逐步判别得到最终分类结果[28-30]。为解决各类别间重分和误分问题,采用单类要素掩膜叠加的方法降低类间干扰,提高分层分类精度。

2.3.2 高寒湿地分层分类规则集

建立高寒湿地分类规则的前提为对不同地物类型的特征分析[31]。通过目视判读针对各类高寒湿地及冰川积雪分别选取100个典型样本点,其中永久性河/溪、间歇性河/溪、永久性湖泊和季节性湖泊均为水体区域,在样本统计分析时合为“明水体”一类。对各地物类型样本在多维特征空间进行光谱特征统计分析,得到其光谱特征均值曲线(图 3),其中图 3(a)为不同地物的光谱特征响应曲线,图 3(b)为不同特征向量上各湿地类型的分异性。通过对当曲流域地物光谱特征分析,结合影像的纹理特征与形状特征,选取区分目标地物的最佳特征向量,构建研究区湿地分类树的节点,进行高寒湿地分层分类提取。

Download:
图 3 典型地物光谱特征统计分析 Fig. 3 Statistical analysis of spectral characteristics of typical ground objects

在基于规则的高寒湿地分类方法中,分类阈值的准确性直接影响分类精度。与自动分类相比,目视解译在湿地提取中精度较高[7, 32],因此在分类阈值确定过程中,普遍采用目视判读辅助的方法,根据目视预览效果对比不同阈值分类下目标地类的区分准确度以及误分漏分比例,来判断阈值选取是否合理[13, 33-36]。本文根据不同地物的样本统计分析结果(图 3),选取差异较大的特征向量作为各分类节点的判断依据,根据对应特征向量直方图分布交叉最低点初步确定阈值,结合人工判读,反复试验优化阈值点,获得最终分类阈值。各节点阈值的确定过程如下:

首先,利用MNDWI对水体敏感的特性提取冰川积雪和明水体,根据地物光谱特征分析(图 3(b)),冰川积雪和明水体的MNDWI值明显高于其他地类,依据直方图分布,结合目视判断反复调整,设置分类阈值为0.195,此时研究区内冰川积雪、明水体与内陆盐沼、洪泛湿地、淡水沼泽区分度最高。满足“MNDWI≥0.195”的区域中除冰川积雪和明水体外还包括部分裸岩石砾地,由于冰川积雪和明水体在短波红外(SWIR 1)波段反射率低(图 3(a)),而裸岩石砾地反射率较高,同理进一步设置筛选条件为“SWIR 1<0.15”,满足该条件的为冰川积雪和明水体,否则为裸岩石砾地。由地物光谱特征分析(图 3(b))可知,冰川积雪和明水体在亮度分量上存在较大差异,前者亮度值明显高于后者,基于二者的灰度直方图并参考目视预览效果,选择5 000作为冰川积雪和明水体在亮度分量上的划分阈值,满足“Brightness>5 000”的为冰川积雪,否则为明水体。

明水体区域包括永久性和季节性的河流及湖泊,在形状特征上表现出明显差异[37],通过面向对象分类进行细化。湖泊为典型的面状多边形,形状近似圆形或椭圆形,延伸率较小,永久性湖泊与季节性湖泊在遥感影像特征上的主要区别为面积大小,以1 km2为划分阈值[3, 38];河流呈狭长的线性,延伸率较大,永久性河/溪相比间歇性河/溪更为宽长,连贯性更好[37, 39]。通过对分割后随机抽取部分对象样本进行统计分析,反复试验总结得到明水体各类别提取规则为:永久性湖泊“面积≥1 km2,延伸率<2.5”;季节性湖泊“面积<1 km2,延伸率<4”;永久性河/溪“面积>5 000 m2,长度>1 000 m,延伸率>4.5”;不符合上述规则的即为间歇性河/溪。其中季节性河湖的提取参考研究区不同季相的影像资料,如图 2所示,在不同时相上给季节性湿地的提取提供了参考。

洪泛湿地和内陆盐沼的分布具有明显的空间规律,前者是汛期河水泛滥淹没的河道两岸地势平坦地区,沿河道分布,后者发育于盐湖的湖岸边。分别以河流和湖泊的边界向外建立缓冲区,根据样本统计分析(图 3(a))得出二者分别在近红外(NIR)和蓝(Blue)波段与其他地类有所差异,参考直方图设定阈值实现洪泛湿地和内陆盐沼的提取。

淡水沼泽由于地表长期过湿或积水并有植被覆盖,在湿度分量和绿度分量上数值均较大,与其他地类具有显著区别(图 3(b)),根据直方图分布及目视判断设定其筛选条件为“Wetness≥-2 000,Greenness≥600”。其中泥炭沼泽、草本沼泽和灌丛沼泽在影像上的差异主要表现为绿度分量上依次增大(图 3(b)),分别设定绿度值600、725、920为其划分阈值,即泥炭沼泽、草本沼泽和灌丛沼泽的筛选条件分别为“Wetness≥-2 000,600≤Greenness<725”、“Wetness≥-2 000,725≤Greenness<920”和“Wetness≥-2 000,Greenness≥920”。同时淡水沼泽在纹理特征上具有差异,泥炭沼泽和灌丛沼泽相对均匀,对比度和熵较低,草本沼泽内密集小水面星罗棋布,纹理更为粗糙。通过设定绿度分量阈值并参考纹理特征对淡水沼泽进行细分类。

通过以上对当曲流域主要地类的光谱特征、纹理特征和形状特征的分析,以及分类树各节点特征向量和阈值的确定,建立当曲流域高寒湿地分层分类模型(图 4)。并利用聚类、过滤分析对得到的湿地分类结果进行分类后处理,同时结合人工目视校正,以提高分类精度。

Download:
图 4 面向对象的高寒湿地分层分类模型 Fig. 4 Object-oriented hierarchical classification model of alpine wetlands
3 结果分析 3.1 分类精度

为验证高寒湿地信息提取的准确度,利用研究区Google Earth卫星影像及三江源区土地利用数据作为参考影像,根据各地物类别占流域总面积的比例,在研究区内随机生成2 272个均匀分布的检验样点,其大小为像元级别(图 5),通过建立混淆矩阵对研究区高寒湿地分类结果进行精度评价(表 3)。考虑到湿地信息提取采用分层分类与目视校正相结合的串行方式,即对各湿地类别分层逐步提取结果进行目视校正,并进行掩膜处理后再执行分类树的下一节点,难以单独对仅依据分类规则得出的结果进行统计,故本研究仅对经过目视校正及分类后处理的结果进行精度验证。

Download:
图 5 检验样本点位置图 Fig. 5 Location of sample points for accuracy verification

表 3 当曲流域高寒湿地分类精度验证 Table 3 Verification of classification accuracy of alpine wetlands in Dam Qu Watershed

经验证,研究区各地类总体分类精度达到94.98 %,Kappa系数为0.942 6。其中永久性湖泊、季节性湖泊、内陆盐沼及冰川积雪的分类精度较高,永久性河/溪和灌丛沼泽以其明显的形状特征和光谱特征,也具有较高的提取准确度。间歇性河/溪和洪泛湿地的分类精度相对较低,主要误差来源于与非湿地的混淆,原因可能在于此类湿地季节性明显,部分间歇性河/溪河道连通性较差,易与裸土混淆,而洪泛湿地与裸岩石砾地影像特征相似,造成误分的可能。另外,受到光谱特征相近的影响,泥炭沼泽与草本沼泽之间存在部分误分现象。总体而言,各湿地类别的制图精度和用户精度都处于较高水平,说明本研究提出的面向对象的分层分类法能够满足极高海拔区湿地信息提取的要求,当曲流域高寒湿地分类精度通过检验。

3.2 当曲流域湿地组成特征

对研究区各地物类别进行面积统计分析(表 4),结果表明,不同湿地类型的面积存在较大差异。其中:淡水沼泽在面积上占有绝对优势,灌丛沼泽面积最大,为1 547.51 km2,占研究区高寒湿地总面积的45.99 %;其次为草本沼泽和泥炭沼泽,面积分别为878.24 km2和481.69 km2,分别占湿地总面积的26.10 % 和14.32 %。三者占比达86.41 %,构成当曲流域高寒湿地的主体。而咸水沼泽仅内陆盐沼一种类型,在各湿地类型中面积最小,为1.5 km2,占湿地总面积不足1 %。河流湿地和湖泊湿地面积相当,分别为269.28 km2和186.52 km2,各占流域湿地总面积的8 % 和5.54 %。流域中冰川积雪与各类高寒湿地相比覆盖较少,面积为107.17 km2。总体上,当曲流域高寒湿地类型丰富,主要为淡水沼泽,其次为河流湿地和湖泊湿地,湿地总面积为3 364.74 km2,占流域总面积的19.89 %。

表 4 当曲流域高寒湿地各类型面积及所占比例 Table 4 Area and proportion of each type of alpine wetlands in Dam Qu Watershed
3.3 当曲流域湿地分布特征 3.3.1 水平分布特征

当曲流域内高寒湿地的分布总体上呈现南多北少,东多西少的特点(图 6),空间差异性受地形影响明显。湿地集中分布于流域东南部的冲积洪积平原,流域西部和北部湿地面积较小且相对分散,间布于丘陵之间地势低洼处的汇水地带。沿着当曲从源头至下游出水口,湿地面积逐渐减小,形成明显的以查吾曲和天曲为界的3级阶梯状分布,主导湿地类型由淡水沼泽向湖泊湿地过渡。

Download:
图 6 当曲流域高寒湿地空间分布图 Fig. 6 Spatial distribution of alpine wetlands in Dam Qu Watershed

不同湿地类型的分布格局也具有显著差异。流域内的河流湿地呈网状分布,以当曲为主,南岸支流发源于唐古拉山,天曲、纽曲、查吾曲、撒当曲等水系遍布山间盆地,占流域内河流湿地的绝大部分,北岸支流较少,由西向东分布着玛日阿达州曲、果曲、萨艾曲等河流湿地。其中间歇性河流多分布于永久性河流末端或两侧,作为季节性支流出现,受降雨和水源补给的影响,具有较大的不稳定性。洪泛湿地的发育与河流密切相关,沿河道分布,以河流两侧或末端居多,其中末端发育的面积较大,受河水泛滥的冲击作用影响呈扇形分布,少部分在河流的辫状水系之间呈镶嵌状分布。湖泊湿地主要集中于流域中南部,地势低缓平坦的地区,季节性湖泊多散布于永久性湖泊周边,或以鱼鳞坑的形式与草本沼泽交错排布。内陆盐沼依傍盐湖发育,分布于湖泊湿地周边。淡水沼泽占流域内湿地的主体部分,其中泥炭沼泽受土壤内潜育泥炭层的影响,广布于排水不畅的山间汇流区域。草本沼泽和灌丛沼泽由于受到冰川融雪的影响,集中分布于流域东南部被山地和丘陵环抱的低洼盆地,以及唐古拉山脉东段北麓的河谷平原,在阴坡山脚也有少量分布。冰川积雪与高寒湿地水源补给关系密切,主要分布在流域西南部唐古拉山脉的山巅,常年覆盖于高海拔的裸岩之上。

3.3.2 垂直分布特征

当曲流域地形起伏较大,海拔范围4 484~5 934 m,垂直落差近1 500 m,以150 m为分类间隔将研究区分为10个高程分布带,以研究当曲流域湿地垂直分布规律(表 5)。受地表形态质地和土壤类型等因素影响,当曲流域湿地及冰川积雪总体上集中分布在4 650~5 100 m范围内,占比达86.43 %;随着海拔升高,湿地的面积和类型均逐渐减少,海拔5 850~5 934 m的高程带内仅覆盖着少量冰川积雪,无高寒湿地分布。河流湿地和湖泊湿地分布的高程范围相对较低,主要集中在4 484~4 950 m的3个高程带内,季节性湿地相比永久性湿地在垂直分布上更为分散。沼泽湿地在垂直分布上与湿地总体分布特征基本一致,平均海拔略高于河流和湖泊。不同于高寒湿地,冰川积雪主要分布于海拔5 250 m以上,以5 400~5 550和5 550~5 700 m 2个高程带内最为集中,分别占比37.13 % 和45.55 %。当曲流域高寒湿地的垂直分布景观差异明显,主导类型由低到高依次从河流湿地、湖泊湿地向沼泽湿地过渡。

表 5 当曲流域高寒湿地的垂直分布特征 Table 5 Vertical distribution characteristics of alpine wetlands in Dam Qu Watershed  
4 结论

本文基于Sentinel-2B遥感影像,利用面向对象的分层分类法,对长江正源当曲流域的高寒湿地信息进行提取,并对不同湿地类型的组成及分布特征进行分析,填补了当曲流域作为长江正源缺乏高分辨率湿地分类研究的空白,主要结论如下:

1) 采用面向对象的分层分类法,根据研究区不同湿地类型景观分异规律设计分类树,以Sentinel-2B影像为主要数据源,提取地物光谱特征、纹理特征和形状特征,依据先粗后细的分类思想建立分层分类规则集,并采用单类要素掩膜叠加的方法降低类间干扰,提高了分类精度。

2) 当曲流域高寒湿地总面积为3 364.74 km2,其中灌丛沼泽和草本沼泽构成湿地的主体,分别占比45.99 % 和26.10 %,而面积最小的是内陆盐沼,仅占湿地总面积的0.04 %。各湿地类型在水平和垂直方向上均表现出不均衡的分布特点,水平方向上主要集中于流域东南部地势平缓的河谷地带,垂直方向上主要集中分布在海拔4 650~5 100 m范围内。冰川积雪的垂直分布总体上高于湿地,多覆盖于海拔5 250 m以上的山巅。

由于研究区湿地类型的复杂性,本研究分类所采用的光谱特征、纹理特征和形状特征仅来源于遥感影像,对于复杂地类的提取尚有局限性,在后续的研究中将考虑结合非遥感的地学知识及空间拓扑关系等参与分类特征空间的构建,进一步提高分类精度。

参考文献
[1]
吕宪国. 湿地生态系统保护与管理[M]. 北京: 化学工业出版社, 2004.
[2]
白军红, 欧阳华, 徐惠风, 等. 青藏高原湿地研究进展[J]. 地理科学进展, 2004, 23(4): 1-9. Doi:10.11820/dlkxjz.2004.04.001
[3]
张继平, 张镱锂, 刘峰贵, 等. 长江源区当曲流域高寒湿地类型划分及分布研究[J]. 湿地科学, 2011, 9(3): 218-226. Doi:10.13248/j.cnki.wetlandsci.2011.03.011
[4]
汪爱华, 张树清, 张柏. 遥感和地理信息系统技术在湿地研究中的应用[J]. 遥感技术与应用, 2001, 16(3): 200-204. Doi:10.3969/j.issn.1004-0323.2001.03.013
[5]
Di Vittorio C A, Georgakakos A P. Land cover classification and wetland inundation mapping using MODIS[J]. Remote Sensing of Environment, 2018, 204: 1-17. Doi:10.1016/j.rse.2017.11.001
[6]
张树文, 颜凤芹, 于灵雪, 等. 湿地遥感研究进展[J]. 地理科学, 2013, 33(11): 1406-1412. Doi:10.13249/j.cnki.sgs.2013.11.012
[7]
侯蒙京, 高金龙, 葛静, 等. 青藏高原东部高寒沼泽湿地动态变化及其驱动因素研究[J]. 草业学报, 2020, 29(1): 13-27. Doi:10.11686/cyxb2019148
[8]
褚琳, 黄翀, 刘高焕, 等. 2000-2010年黄河源玛曲高寒湿地生态格局变化[J]. 地理科学进展, 2014, 33(3): 326-335. Doi:10.11820/dlkxjz.2014.03.004
[9]
王海军. 川西高寒湿地多源遥感监测及其时空变化特征研究[D]. 成都: 成都理工大学, 2021. DOI: 10.26986/d.cnki.gcdlc.2021.000058.
[10]
康应东, 李晓燕, 毛德华, 等. 云贵高原国际重要湿地景观人为胁迫遥感解析[J]. 生态学杂志, 2020, 39(10): 3379-3387. Doi:10.13292/j.1000-4890.202010.005
[11]
燕云鹏, 徐辉, 邢宇, 等. 1975-2007年间三江源不同源区湿地变化特点及对气候变化的响应[J]. 测绘通报, 2015(S2): 5-10. Doi:10.13474/j.cnki.11-2246.2015.0674
[12]
温兆飞, 张树清, 陈春, 等. 三江源区湖泊和沼泽遥感影像分类研究[J]. 湿地科学, 2010, 8(2): 132-138. Doi:10.13248/j.cnki.wetlandsci.2010.02.013
[13]
邹文涛, 张怀清, 鞠洪波, 等. 基于决策树的高寒湿地类型遥感分类方法研究[J]. 林业科学研究, 2011, 24(4): 464-469. Doi:10.13275/j.cnki.lykxyj.2011.04.022
[14]
Landmann T, Schramm M, Colditz R R, et al. Wide area wetland mapping in semi-arid Africa using 250-meter MODIS metrics and topographic variables[J]. Remote Sensing, 2010, 2(7): 1751-1766. Doi:10.3390/rs2071751
[15]
Dronova I, Gong P, Clinton N E, et al. Landscape analysis of wetland plant functional types: the effects of image segmentation scale, vegetation classes and classification methods[J]. Remote Sensing of Environment, 2012, 127: 357-369. Doi:10.1016/j.rse.2012.09.018
[16]
青海省测绘地理信息局, 武汉大学. 三江源头科学考察地图集[M]. 北京: 中国地图出版社, 2015.
[17]
陈进. 长江源--当曲水系及其生态系统特征探讨[J]. 长江科学院院报, 2014, 31(10): 1-6. Doi:10.3969/j.issn.1001-5485.2014.10.02
[18]
黄桂林. 青海三江源区湿地状况及保护对策[J]. 林业资源管理, 2005(4): 35-39. Doi:10.13466/j.cnki.lyzygl.2005.04.009
[19]
贾岸斌, 佘高杰, 卢舟, 等. 基于数字高程模型的河网和流域边界提取[J]. 陕西气象, 2020(2): 43-47. Doi:10.3969/j.issn.1006-4354.2020.02.008
[20]
国家质量监督检验检疫总局, 中国国家标准化管理委员会. 湿地分类: GB/T 24708-2009[S]. 北京: 中国标准出版社, 2010.
[21]
罗开盛, 陶福禄. 融合面向对象与缨帽变换的湿地覆被类别遥感提取方法[J]. 农业工程学报, 2017, 33(3): 198-203. Doi:10.11975/j.issn.1002-6819.2017.03.027
[22]
Nedkov R. Orthogonal transformation of segmented images from the satellite Sentinel-2[J/OL]. Comptes rendus de l'Academie bulgare des Sciences, 2017, 70(5): 687-691(2017-05-31)[2023-03-28]. https://www.researchgate.net/publication/329183655_ORTHOGONAL_TRANSFOR-MATION_OF_SEGMENTED_IMAGES_FROM_THE_SATELLITE_SENTINEL-2_Roumen_Nedkov.
[23]
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005, 9(5): 589-595. Doi:10.3321/j.issn:1007-4619.2005.05.012
[24]
Hill M J. Vegetation index suites as indicators of vegetation state in grassland and savanna: an analysis with simulated SENTINEL 2 data for a North American transect[J]. Remote Sensing of Environment, 2013, 137: 94-111. Doi:10.1016/j.rse.2013.06.004
[25]
黄昕. 高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 武汉: 武汉大学, 2009.
[26]
侯群群, 王飞, 严丽. 基于灰度共生矩阵的彩色遥感图像纹理特征提取[J]. 国土资源遥感, 2013, 25(4): 26-32. Doi:10.6046/gtzyyg.2013.04.05
[27]
黄慧萍, 吴炳方. 地物提取的多尺度特征遥感应用分析[J]. 遥感技术与应用, 2003, 18(5): 276-281. Doi:10.3969/j.issn.1004-0323.2003.05.002
[28]
赵英时, 等. 遥感应用分析原理与方法[M]. 2版. 北京: 科学出版社, 2013.
[29]
刘炜, 王聪华, 赵尔平, 等. 基于分层分级的遥感图像植被分类方法[J]. 中国矿业大学学报, 2016, 45(4): 828-835. Doi:10.13247/j.cnki.jcumt.000544
[30]
周宇津. 基于决策树的多分类器遥感影像分层分类研究与系统实现[D]. 武汉: 华中科技大学, 2012.
[31]
宋伟东, 杨冬, 李恩宝, 等. 盘锦市湿地信息提取与动态变化监测[J]. 测绘科学, 2016, 41(9): 60-65, 79. Doi:10.16251/j.cnki.1009-2307.2016.09.013
[32]
颜凤芹, 于灵雪, 杨朝斌, 等. 基于Landsat 8影像的湿地信息提取最佳波段组合[J]. 地球环境学报, 2014, 5(5): 339-343, 352. Doi:10.7515/JEE201405005
[33]
张继平, 刘林山, 张镱锂, 等. 面向对象的极高海拔区水体及冰川信息提取: 以珠穆朗玛峰国家级自然保护区核心区为例[J]. 地球信息科学学报, 2010, 12(4): 517-523.
[34]
杨朝辉, 白俊武, 陈志辉, 等. 利用Sentinel-2A影像的面向对象特征湿地决策树分类方法[J]. 测绘科学技术学报, 2019, 36(3): 262-268. Doi:10.3969/j.issn.1673-6338.2019.03.008
[35]
杨娅楠, 习晓环, 王成, 等. 基于缨帽变换与匹配滤波的大熊猫生境影像分类[J]. 中国科学院大学学报, 2015, 32(6): 797-802. Doi:10.7523/j.issn.2095-6134.2015.06.011
[36]
刘勇洪, 牛铮, 徐永明, 等. 多种分类器在华北地区土地覆盖遥感分类中的性能评价[J]. 中国科学院研究生院学报, 2005, 22(6): 724-732. Doi:10.7523/j.issn.2095-6134.2005.6.011
[37]
孙永军. 黄河流域湿地遥感动态监测研究[D]. 北京: 北京大学, 2008.
[38]
段鹏, 姚步青, 赵之重, 等. 黄河源区季节性湖泊湿地退化对土壤微生物碳源利用的影响[J]. 草地学报, 2022, 30(11): 2975-2985. Doi:10.11733/j.issn.1007-0435.2022.11.014
[39]
青海省市场监督管理局. 高寒湿地遥感分类技术指南: DB63/T 1746-2019[S/OL]. (2019-06-19)[2019-09-01]. http://www.csres.com/detail/338757.html.