湿地在调蓄洪水、调节河川径流、补给地下水和维持野生动植物存续等方面均具有重要的作用，在全球生态平衡中扮演着极其重要的角色，被誉为“地球之肾”^[1-2]。但是，由于人类不合理利用湿地资源，中国自然湿地大面积丧失，由此带来的负面环境效应日益严重。湿地的丧失和退化已经成为全球性的环境问题^[3]。自1992年中国加入湿地公约以来，湿地生态系统变化监测逐渐成为政府和学者们关注焦点^[4-5]。

随着遥感技术逐步成熟，应用卫星遥感对湿地进行信息提取和分类成为监测和保护湿地的主要手段^[6-7]。张雪红^[8]应用决策树分类方法提取广西山口红树林自然保护区的红树林；徐永明等^[9]采用最大似然分类法对长江三角洲进行土地覆盖分类；肖锦成等^[10]采用BP神经网络结合ETM+数据对盐城滨海自然湿地进行分类。这些分类方法普遍存在“椒盐”现象，且容易受到噪声干扰，而面向对象方法能有效减少“椒盐”现象：王娟等^[11]应用面向对象技术结合湿地地物极化散射特征对鄱阳湖湿地地物进行分类；郭亚鸽等^[12]应用面向对象方法成功实现对森林植被的二级分类；白晓燕等^[13]基于面向对象分类方法对东江流域进行土地利用信息提取。这些分类结果以对象为单元，突破传统的以像素为单元，有效减少斑噪影响, 但面向对象方法增大了特征维度^[14]。为此，BREIMAN^[15]提出随机森林分类方法，不仅能直接处理高维数据，且受噪音和异常值的影响小，不存在过度拟合问题，达到较高的分类精度^[16-17]。可见，采取面向对象随机森林分类方法对漳江口红树林国家级自然保护区(以下简称保护区)进行湿地信息提取是可行的，且可进一步分析引起保护区湿地变化的驱动因素。

1 研究区概况

保护区位于福建省漳州市云霄县漳江入海口，地理位置为东经117°24′07″~117°30′00″，北纬23°53′45″~23°56′00″，海拔(-6) ~8 m。该区气候属亚热带海洋性气候，温暖湿润，光、热、水资源丰富。保护区沿河流入海方向以桐花树[Aegiceras corniculatum (L.) Blanco]、秋茄[Kandelia candel (Linn.) Druce/Kandelia obovata]和白骨壤[Avicennia marina (Forsk.) Vierh. Hailanci]为主的红树林依次分布，另有少量的木榄[Bruguiera gymnorrhiza (L.) Poir.]和老鼠簕(Acanthus ilicifolius L.) ^[18-19]。保护区内的地物类型主要包括红树林、河流、互花米草、滩涂、陆生植被以及人工设施等。

2 研究方法 2.1 数据来源与预处理

考虑到云覆盖量和影像质量，保护区选用的数据为2000、2005、2010和2016年的Landsat TM/OLI影像，轨道号120/43 (表 1)。对数据进行初步预处理，包括辐射校正(辐射定标和大气校正)、几何精校正、裁剪。所有处理在ENVI5.1平台上进行。

为了提高分类精度，于2016年6、9和12月分别调查保护区实地，对其红树林植物群落进行采样。采用2016年2月28日成像的Google Earth高空间分辨率影像辅助分类，其他辅助数据有福建省林业规划局提供的保护区试验区范围、国家海洋局编制的《2016年中国海平面公报》。为全面、客观地分析影响保护区湿地变化的因素，收集福建省2000—2016年的气象数据(来自中国气象数据网，覆盖福建省内28个气象站点)。应用Arcgis10.2软件中地理统计分析模块的克里金插值法对气象站点数据进行插值处理，获得气象因子在空间范围内连续曲面，得到研究区2000—2016年年平均降水量及年平均气温。

2.2 湿地分类系统

根据《湿地公约》，参照《全国湿地资源调查技术规程(试行) 》和《福建省湿地资源调查实施细则》，结合研究区实地调查和研究目的，建立保护区土地覆盖分类系统，包括红树林、互花米草、滩涂、养殖池、河流以及其他共6类。

2.3 基于面向对象随机森林分类的湿地信息提取 2.3.1 面向对象多尺度分割

面向对象分类是依据影像光谱信息及形状信息，设置一定均质标准参数，将遥感影像进行分割以形成影像对象。与传统遥感影像分类方法比较，面向对象以影像中像素集合为分析单元，综合应用影像光谱特征、质地、纹理等信息，分类结果避免“椒盐”现象的产生，具有良好的整体性^[20-21]。

选用多尺度分割，把光谱异质性标准和空间异质性标准搭配使用，在分割前确定影响异质性最小的两种因子，即光谱因子和形状因子，达到整幅影像所有对象的平均异质性最小。影像对象异质性可通过公式(1)、(2)计算^[22]：

$ f = \omega {h_1} + \left( {1 - \omega } \right){h_2} $

(1)

$ {h_2} = {\omega _1}{h_3} + \left( {1 - {\omega _1}} \right){h_4} $

(2)

式中：f为异质性值；ω为光谱信息权重；h₁为光谱异质性值；h₂为形状异质性值：ω₁为紧密度权重；h₃为紧密度值：h₄为光滑度值。

以eCognition软件为操作平台，通过调整不同分割尺度与参数，结合目视解译，最终确定影像分割尺度、分割形状、光谱因子、光滑度和紧密度参数分别为30、0.7、0.3、0.6、0.4 (表 2)。

2.3.2 特征参数计算

根据分类规则的需要，选取遥感影像光谱特征、形状特征、纹理特征进行分类。

(1) 光谱特征。反映遥感影像上不同地物的光谱信息，表达图层中各对象的像素特点。提取影像光谱特征包括归一化植被指数(normalized difference vegetation index，I_NDV)、归一化水体指数(normalized difference water index，I_NDW)、各波段的均值、亮度值和标准差。

I_NDV是植物生长状态以及植被空间分布密度的最佳指示因子，检测植被生长状况和植被覆盖度^[23]，其计算公式如下：

$ {I_{{\rm{NDV}}}} = \frac{{{\rho _{{\rm{NIR}}}} - {\rho _{{\rm{RED}}}}}}{{{\rho _{{\rm{NIR}}}} + {\rho _{{\rm{RED}}}}}} $

(3)

I_NDW是中红外与近红外波段的归一化比值指数，能有效地提取植被冠层的水分含量^[24]，其计算公式如下：

$ {I_{{\rm{NDW}}}} = \frac{{{\rho _{{\rm{NIR}}}} - {\rho _{{\rm{MIR}}}}}}{{{\rho _{{\rm{NIR}}}} + {\rho _{{\rm{MIR}}}}}} $

(4)

公式(3)、(4)中：ρ_NIR为近红外波段的反射值；ρ_RED为红光波段的反射值；ρ_MIR为中红外波段的反射值。

均值表示各对象层(各波段)的平均值，其计算公式如下：

$ {{\bar C}_L} = \frac{1}{n}\sum\limits_{i = 1}^n {{C_{Li}}} $

(5)

亮度值表示各对象层(各波段)均值的平均值，计算公式如下：

$ L = \frac{1}{{{n_L}}}\sum\limits_{i = 1}^{{n_L}} {{{\bar C}_L}} $

(6)

标准差表示图像区域每个波段数据的集散情况，其计算公式如下：

$ \sigma = \frac{1}{{n - 1}}\sum\limits_{i = 1}^n {{{\left( {{C_{Li}} - {{\bar C}_L}} \right)}^2}} $

(7)

公式(5)、(6)、(7)中：C_L为均值；C_Li为由n个像素组成的图像中的每个像素值；L为亮度值；n_L为图像的波段总数；σ为标准差。

(2) 形状特征。描述每个对象的形状信息，突出表现某对象区域几何特征，采用形状指数表达每个对象形状特征，其计算公式如下：

$ S = \frac{1}{{4\sqrt A }} $

(8)

式中：S为形状指数；l为斑块周长(km)；A为斑块面积(km²)。

(3) 纹理特征。是目视解译的重要判读依据之一，反映了影像灰度统计特征和地物空间排列关系。结合主成分分析法，运用灰度共生矩阵，分析第一主成分的纹理信息，分别获取该影像各纹理特征统计指标图像。

2.3.3 随机森林分类

随机森林由大量决策树构成，每棵树进行独立分类运算得到各自分类结果，根据每棵树分类结果投票决定最终结果^[25-26]。采用随机森林分类方法，进行训练样本提取与精度验证，即采用Google Earth高空间分辨率影像及保护区野外调查数据进行解译，将解译结果作为感兴趣区域训练样本。共选取训练样本1 700个，其中红树林120个、互花米草200个、养殖池260个、滩涂500个、河流350个及其他270个。依J-M (jeffries-matusita)距离[公式(9)~(10)]与转换分离度[公式(11)~(12)]衡量训练样本的可分离性。

$ J = 2\left( {1 - {l^{ - B}}} \right) $

(9)

$ B = \frac{1}{8}{\left( {{m_i} - {m_j}} \right)^2}\frac{2}{{\sigma _i^2 + \sigma _j^2}} + \frac{1}{2}\ln \left[ {\frac{{\sigma _i^2 + \sigma _j^2}}{{2{\sigma _i}{\sigma _j}}}} \right] $

(10)

式中：J为J-M距离；B为巴氏距离；σ_i和σ_j为两个类别的某特征平均值；m_i、m_j为两个类别某特征标准差。

$ {\rm{T}}{{\rm{D}}_{ij}} = 2\left( {1 - {l^{ - {D_{ij}}/8}}} \right) $

(11)

$ {D_{ij}} = 0.5{\rm{tr}}\left[ {\left( {{C_i} - {C_j}} \right)\left( {{C_{i - 1}} - {C_{j - 1}}} \right)} \right] + 0.5{\rm{tr}}\left[ {\left( {{C_{i - 1}} - {C_{j - 1}}} \right)\left( {{\mu _i} - {\mu _j}} \right){{\left( {{\mu _i} - {\mu _j}} \right)}^T}} \right] $

(12)

式中；TD_ij为转换分离度；C_i为特征i的共变数矩阵；μ_i为特征i的平均向量；tr表示交点函数；T为转换函数。J-M距离和转换分离度的取值范围都为[0, 2]，0表示两个类别在某一特征上几乎完全混淆，2表示两个类别在某一特征上能够完全分开。

依公式(9) ~ (12)计算结果(表 3), 可知样本之间J-M距离和转换分离度均大于1.80，即样本间可分离性好，属于合格样本。

2.4 湿地变化驱动力分析

应用平均拓展速率定量表征漳江口自然保护区湿地变化情况，其计算公式如下：

$ \begin{array}{l} v/\% = \frac{{{u_j} - {u_i}}}{{{u_i}}} \times \frac{1}{T} \times 100 \end{array} $

(13)

式中：v为研究时间段内平均拓展速率(%)；u_i、u_j分别为第i和第j时间的湿地面积(km²)；T为时间段长。

3 结果与分析 3.1 随机森林分类结果与制图 3.1.1 随机森林分类结果与精度验证

根据所选光谱特征、形状特征，结合纹理分析及训练样本，运用随机森林分类法对保护区进行分类，得到分类混淆矩阵、总体精度、Kappa系数、错分误差、漏分误差、制图精度及用户精度(表 4、表 5)。随机森林分类总体精度达到94.45%，Kappa系数为0.931 2，制图精度均达到90.00%以上，除红树林外，其余类别用户精度均大于90.00%。河流错分误差和漏分误差均小，主要是河流的光谱特征以及纹理特征均较为突出，与其他5个类别易于区分；红树林的错分误差最大；互花米草、滩涂和养殖池的错分误差和漏分误差相差在4%以内，主要是部分养殖池是滩涂养殖，互花米草与滩涂交界较难区分，容易造成互花米草和滩涂、滩涂与养殖池之间的混分；其他类别错分误差和漏分误差最小，制图精度和用户精度最高。面向对象随机森林分类方法可有效区分湿地和非湿地。

3.1.2 保护区湿地空间分布与制图

运用ENVI 5.2以及eCognition 9.0建立工程文件进行分析，可得2000—2005年、2005—2010年及2010—2016年的湿地类型转换数据，结合2016年保护区土地覆盖数据，运用ArcGIS10.2的空间叠置分析, 可得2000、2005、2010和2016年保护区土地覆盖数据(图 1)。养殖池分布面积最大，在漳江的南北两侧均有分布，并有部分养殖池分布在漳江南侧的滩涂上；互花米草主要分布在漳江南部，少量生长在漳江北部；红树林分布在漳江南侧，互花米草东部，漳江北部的养殖池边缘也有少量分布；滩涂与养殖池、互花米草、红树林接壤，分布在漳江两侧。

保护区各年份湿地面积及其拓展速率见表 6。2000—2016年，河流面积基本保持不变；养殖池面积一直以正的拓展速率增加；2000—2010年，红树林面积以较高扩展速率持续上升，但是2010—2016年却不再增加；互花米草正好相反，2000—2005年，互花米草的扩展速率为负数，面积极速锐减，而2005年后却大幅增加；滩涂在此期间则呈现面积持续下降的趋势；其他类型面积先是大幅下降，后基本保持不变。

3.2 保护区湿地空间分布变化 3.2.1 红树林湿地变化空间分布

2000—2005年、2005—2010年及2010—2016年保护区湿地空间变化分布见图 2。2000—2005年，湿地面积变化最大，变化主要发生在保护区南部以及中部，主要是养殖池的扩增，包括互花米草、滩涂以及其他类型转化为养殖池；其次是红树林面积的增长，部分滩涂转化为红树林；最后是互花米草与滩涂的相互转换，少量滩涂转化为互花米草以及部分互花米草转化为滩涂。2005—2010年，湿地面积变化最小，主要发生在保护区南部，由滩涂转化为互花米草，以及滩涂转化为红树林。2010—2016年，湿地转化类型最少，主要表现为互花米草面积的增长，迅速占据保护区内的大量滩涂；其次为养殖池面积的扩增，主要发生在保护区中部，同时，保护区的东北部有少量养殖池转化为其他类型。

2000—2005年、2005—2010年以及2010—2016年的湿地类型转换数据见表 7。结合图 2与表 7，红树林面积扩增的主要原因是自然演变，从与滩涂交界处开始向外繁衍，到一定程度后与互花米草接壤，受到互花米草的制约，红树林的生长率大幅降低。而互花米草面积起初减少的主要原因是渔民为了发展经济，扩增养殖池面积，将互花米草人为破坏以养殖池代之，后期的面积增加则是互花米草的自然繁衍，其凭借自身强大的生命力和繁衍能力迅速扩增，占据保护区内的大面积光滩、红树林边缘以及红树林内的林窗，严重影响红树林的生长。滩涂面积呈现持续减少的一部分原因是由于渔民将滩涂挖成养殖池以发展渔业，另一部分原因则是因为红树林和互花米草的繁衍。养殖池面积则由于人类活动影响持续增加。

3.2.2 红树林湿地变化驱动因素分析

(1) 气候。对保护区2000—2016年年平均气温、年降水量进行分析，得到其在该时间段的变化趋势(图 3)。尽管个别年份的平均气温和降水量出现较大波动，但整体上呈现年平均气温下降，年降水量基本不变的情况。而红树林主要生长在热带、亚热带地区，气温低的其他地区基本没有分布，因此, 气温的下降会对此造成一定影响。随着红树林、互花米草和养殖池等湿地面积的增长，该趋势使得大量自然湿地和人工湿地在自然状态下的水源补给减少。水资源的不足使得自然湿地的正常生长受到约束，湿地扩增受到严重影响，湿地植被逐渐按水分减少的逆向演替方向发展, 湿地空间分布界线逐渐退缩。因此，2000—2016年气候变化对湿地的存在具有不利影响。

(2) 人类活动。由表 6、表 7可知，随着水产养殖业发展，渔民为了提高经济效益，大面积天然湿地被开垦为养殖池, 另一方面，随着经济的快速增长和人口的急剧增加，人类活动对自然生态系统的影响范围和强度加大，生活、工业用水不断增加，地下水、河流和湖泊水资源的开采逐步增加，造成湿地水资源不足，对湿地的水资源供给产生了极大的影响。同时，由于周边养殖池业的发展，尤其是网箱养殖所用到的泡沫制品等会随着潮汐的影响而流入保护区，对水质造成一定影响致使湿地供水不足而退减。

(3) 海平面升高。根据国家海洋局编制的《2016年中国海平面公报》，1980—2016年，中国沿海海平面变化总体呈波动上升趋势，海平面上升速率达到3.2 mm · a^-1。2016年，中国沿海各省(自治区、直辖市)海平面均高于常年。其中，上海、浙江和福建沿海海平面升幅最大，福建沿海海平面比常年高100 mm，比2015年高68 mm。海平面上升导致波浪和潮汐能量增加、风暴潮作用增强、海岸坡降加大、海岸沉积物组成改变，加剧海岸蚀退和岸滩下蚀，导致滩涂面积下降。同时，海平面上升对红树林也会造成一定影响，红树林的生长需要周期性潮汐，而海平面的上升会减少红树林扩增的空间，外围红树林及互花米草幼苗受到淹没会停止生长。导致沿海湿地面积下降。

(4) 互花米草。从图 2、图 3可知，2000—2010年，互花米草的面积总体上呈下降趋势，主要是被渔民破坏当成养殖池发展渔业。从2010年开始，红树林面积基本不再增长，而互花米草面积迅速增长。一方面，空间分布上，互花米草逐渐向红树林边缘增长，直到与红树林接壤，直接影响到了红树林的生长空间，使红树林的幼苗缺少生长发育的土地。另一方面，红树林的生长发育较为缓慢，而互花米草则生长迅速，快速长大的互花米草与红树林争夺阳光、土壤、空气等资源，导致红树林缺乏阳光等生长的必要条件，对红树林的生长造成了极大的影响。

4 讨论与结论

通过面向对象随机森林分类法对保护区湿地进行分类，分类结果总体精度达到94.45%，Kappa系数为0.931 2，制图精度均达到90.00%以上，其他类别错分误差和漏分误差最小，制图精度和用户精度最高, 表明该方法能有效区分湿地与非湿地类型，提取水体效果尤为显著。相较于传统的分类方法，分类精度显著提高, 但该方法受训练样本约束较大，当选取的训练样本不同，分类的结果也会有很大的差异。其次，特征参数的选择也会对分类结果产生较大的影响，特征参数的筛选以及选取的特征参数量都至关重要。如何采用有效的方法将没有贡献的特征剔除，使特征参数组合达到最佳分类效果是下一步的研究方向。2000—2016年，湿地变化主要是养殖池的扩增，包括互花米草、滩涂以及其他类型转化为养殖池，说明当时保护区受人为因素影响较大。而2010—2016年湿地变化主要是护花米草面积迅速增长，占据保护区内的大量光滩，表明保护区受人为因素影响降低或保护区保护力度增大，使得互花米草凭借自身繁殖能力迅速扩增。结合其余数据分析可得引起湿地变化的主要原因包括气候变化、人类活动以及海平面上升，但并未对湿地的土壤及水质等进行取样分析，无法得知水质等因素是否会对湿地变化造成影响，作为下一步的研究方向，将进一步分析引起湿地变化的更深层次原因。