利用遙感技術識別濕地研究的進展

高菊玲

（山東省萊州市林業局，山東 萊州 261400）

1 引言

濕地是具有多樣功能的一種獨特陸地生態系統，是各國重要的國土資源和自然資源[1]。衛星遙感技術憑借其低成本、快速和時空全覆蓋的優勢，在濕地識別研究中有廣闊的應用前景。本文系統地整理了近年來相關研究文獻，并在此基礎上對基于衛星遙感的濕地識別提取研究的最新進展進行綜述，以期為國內剛剛起步的相關研究提供有益的背景資料。

2 濕地及其分類

對濕地的定義在學術界目前并無定論，最具代表性的包括1971年《濕地公約》和1979年《美國的濕地和深水生境分類》中給出的定義。其中《濕地公約》對濕地的定義是:“濕地系指不論其為天然或人工、長久或暫時之沼澤地、泥炭地或水域地帶,帶有或靜止或流動、或為淡水、半咸水或咸水水體者,包括低潮時水深不超過6 m的水域。”

科學合理的濕地分類體系是進行濕地研究的期初。目前濕地分類標準大致可歸納為成因分類法和特征分類法兩類，其中前者被廣泛使用[2]。為方便濕地定量研究和濕地模型的應用，綜合分類方法隨后被提出，并產生較大影響[3]。各個國家和組織都有不同的濕地分類標準。迄今，尚無世界公認的濕地分類標準。美國把濕地分為海岸濕地和內陸濕地2類，而濕地公約則將濕地分為海洋/海岸濕地、內陸濕地和人工濕地3類[4]。就我國而言，國家林業局在1995-2001年第一次全國濕地資源調查時將我國濕地分為濱海濕地、河流濕地、湖泊濕地、沼澤濕地和庫塘濕地5大類28型[5]；唐小平等（2003）總結過去濕地分類系統，并結合中國獨特的國情，提出了濕地分級式分類系統[5]；楊愛民等（2006）根據《濕地公約》和相關研究成果，將中國濕地分為 5大類26小類[6]。趙惠和牛振國（2009）對濕地區劃的指標體系、原則、方法以及等級體系等進行了系統討論[7]。由于不同地區不同的自然及人文地理特征差異，其濕地類型各不相同，因此濕地分類體系也各具特點，如三江平原[8,9]、東北地區[10]、大興安嶺[11]、遼河三角洲[12]、湖南[13]、浙江[14,15]、江蘇[16]等。

利用衛星遙感技術識別濕地時，濕地分類體系的制定需重視針對性、實用性以及可操作性。此外，由于分類層次與研究尺度相對應，且分類系統直接影響分類精度，因此，不同研究有不同的分類體系。在目前濕地研究中，分類體系大致可以歸納為四種模式。第一種模式目前應用最為廣泛，它結合中國濕地實際情況，《濕地公約》以及已有濕地分類系統，提出滿足研究需求的濕地分類系統。基本上，濕地分類系統可以分為兩級。盧善龍等（2011）基于中國濕地調查的分類成果和《濕地公約》，提出了海河流域濕地分類系統。該系統將濕地分為內陸濕地、近海和海岸濕地以及人工濕地3大類，其中每一大類又細分為不同亞類，并詳細界定了每一亞類的基本涵義[17]。溫慶可等（2011）根據國家海洋局908專項規程，并結合《濕地公約》提出了環渤海濱濕地分類系統，該系統包括天然濕地和人工濕地兩大類。其中天然濕地同時包括6亞類，而人工濕地包括3亞類[18]。雖然這種濕地分類體系的模式較為全面和規范，但是有些類別無法被遙感識別，需要人工目視解譯的輔助。第2種模式基于不同的研究目的制定濕地分類體系。為突出閩江河口濕地的綜合性、本質特征以及濕地的人為影響，余明等（2006）制定了三級濕地分類系統[19]；為提取上海崇明島自然保護區的灘涂植被信息，管玉娟等（2008）制定了水體和多種濕地植被分類體系[20]；為提取典型內陸淡水濕地水體，于歡等（2008）制定了多種水體和保護區分類體系[21]。第3種模式是基于植被的濕地分類系統。研究表明，利用遙感影像進行濕地類型識別和勾繪的關鍵是植被影紋,這不僅因為植被是土壤排水條件的良好指示器,更重要的是因為濕地植物種群有特定的反射光譜,尤其在近紅外波段,不同植物的反射率差異程度較大,這一特性有利于濕地結構識別[22]。Wataru等（2002）將濕地分為地衣區和灌叢區，并分析了兩區的地理特征[23]；Sai-Ming Lee等（2009）研究了紅樹林濕地，并根據不同紅樹林品種劃分濕地分類體系[24]。第四種模式基于當地濕地特點、變化機制和遙感技術應用原理，制定易于衛星遙感識別且適合當地的分類體系。陳定貴等（2007）根據研究地實際情況，提出了三江平原洪河濕地分類系統。該系統分為兩級，第1級是生態系統類型，第2級在第1級基礎上根據植物群落類型進行劃分[25]。江輝等（2008）根據濕地公約并結合當地特點，提出了鄱陽湖濕地2級分類系統，其中1級類別為濕地與非濕地[26]。Robert C.Frohn等（2009）制定了研究區孤立濕地分類體系[27]。余莉等（2010）根據鄱陽湖實地狀況，制定了水體、泥灘、裸地、蘆葦、苔草1級分類系統[28]。Neal D.等（2010）將濕地分成季節淹沒區、周期淹沒區和常駐水體等[29]；Xi Zhao等（2011）將濕地分成植被、過渡區域和開放水體[30]。

3 利用遙感手段識別濕地

3.1 使用數據

遙感數據最大優勢是其時空全覆蓋，由于不同數據有不同的時間分辨率、空間分辨率和光譜分辨率，且存在云污染以及其他噪聲污染等問題，因此選擇合適的遙感數據進行濕地識別十分重要。TM遙感影像具有較高的空間分辨率、波譜分辨率、極為豐富的信息量和較高的定位精度，目前已經成為世界各國廣泛應用的重要環境遙感數據源。基于TM遙感影像的濕地識別研究，國內外已開展了許多相關工作。張樹清（1999）利用TM影像有效提取了三江平原的濕地類型。加拿大利用TM遙感資料，進行了全國濕地調查。于歡等（2008）基于TM影像在三江國家級濕地進行了水體信息提取實驗，得出了適合于當地的從TM遙感影像獲取濕地水體信息的有效方法。 此外，spot數據[29]、Quickbird 數據[31]、中巴資源衛星數據[18]以及航拍相片等也被應用于濕地識別中。目前，高光譜數據開始逐步被使用[32,33]。但是單一時相遙感數據能夠提供的信息量十分有限，有時不能完全滿足濕地識別的要求，多時相數據可以更好的區分濕地植被類型，同時可以幫助評估植被物候以及物種組成的季節和年際變化[22]。Xi Zhao（2011）等利用多時相TM、ETM+數據研究了濕地動態變化機制[30]。Ofer Beeri等（2007）利用多時相TM數據監測研究了農業濕地景觀水面季節及年紀變化[34]。此外，對不同遙感數據源進行信息融合，可以豐富遙感信息從而有效改善濕地識別精度。Philip A.Townsend等（2001）利用多光譜和多時間衛星數據識別了森林濕地的物種組成和結構。Wataru等（2003）融合了SPORT HRV和NOAA AVHRR兩種不同空間分辨率的遙感影像估算了濕地沼氣散發量[23]。

目前影像源是利用影像數據進行濕地分類精度難以提高的主要原因，其中不同濕地類型光譜特性之間的混淆是制約反演精度的直接原因。此外，還存在著物候景觀及其地域生境等因素的影響[26]。融合遙感影像數據與其它數據源是獲取更加充足信息的有效方法，目前被廣泛應用。Martha S.Gilmore等（2008）融合LiDAR冠層高度數據與多時相QuickBird數據來識別康涅狄格河的潮汐沼澤[31]。Shengli Huang等（2011）利用遙感數據與 Palmer干旱指數來預測濕地水體表面面積[35]。李天宏等（2002）利用六個時相TM數據和對應潮位數據，探究了深圳河口紅樹林變化情況[36]。Jessika等（2002）研究表明光譜衛星數據與雷達數據的結合可以有效提高濕地分類精度[37]。黎夏等（2006）利用TM影像和雷達數據，估算了珠江三角洲紅樹林濕地植被生物量[38]。此外可以利用的還包括地形地貌圖、野外考察等數據[39]以及環境數據[40]。目前使用最多的是數字高程模型(DEM數據)，DEM數據描述了區域高程的空間分布，其派生的坡度和坡向是進行地形特征分析和可視化處理的基本因子，可以輔助處理不同高程地物的分類，還可以幫助去除陰影對提取水體的影響。江輝等（2008）利用土地利用現狀圖、TM數據并結合DEM數據對鄱陽湖濕地進行遙感分類[26]。鄭利娟等（2009）利用 spot5遙感影像、地形圖、濕地調查資料以及DEM數據，提取洪河沼澤濕地信息[41]。王遜等（2009）將TM與DEM數據結合，提取了瑪曲濕地[42]。

3.2 影像增強處理

原始的遙感影像所包含的光譜信息，不足以反映不同濕地類型之間的差異，因此需要經過圖像增強處理，目的是為了使類間差異大于類內差異，獲得濕地類型間的界限。

遙感信息增強方法主要包括:①反差增強。包括線性擴展、代數增強、非線性擴展以及直方圖調整。通過TM 3、4、5通道的比值、差值、乘積運算后的圖像,可用作某些類型的濕地分類。TM 4/TM 3可表征為植物的綠度指標,TM 4/TM 3的乘積圖像夸大了不同土壤和水分(濕度)的濕地差異[43]。②彩色增強。單波段圖像的偽彩色增強,多波段圖像的彩色合成(利用OIF值選擇波段或分)。TM影像第一波段為藍光波段，對水體的穿透力最大，可用于判別水深，研究淺海區域水下地形、水體渾濁度等；第二波段 為綠光波段，該波段位于綠色植物的反射峰附近，對植被生長敏感，可以識別植物類別和評價植物生產力，同時對水體具有一定的穿透力，可反映水下地形、沙洲、沿岸沙壩等特征，增加水下信息；第三波段為紅光波段，用于區分植被類型、覆蓋度，判斷植物生長狀況等；第四波段為近紅外波段，該波段位于植物高反射區，反映了大量的植物信息，多用于植物的識別、分類，同時它也位于水體強吸收區，可用于用于勾繪水體邊界；第五及第七波段為短波紅外波段，反映土壤植物水分含量[44]。不同波段的合成圖像目視效果不同，圖像所表現的特征也不同。若進行目視解譯，需要根據研究所提出的濕地分類體系，建立合成圖像的目視解譯判別標志。目前大部分研究中假色彩合成所采用5、4、3波段[25,28]，7、5、3 波段[45]，5、6、7 波段[43]和 7、4、3 波段[46]。 ③基于圖像統計特征的多維正交線性變換，如 KL變換(主成分分析)、KT變換(“纓帽變換”)[45,47]等。杜紅艷等（2004）研究表明經輻射增強降噪處理后的遙感影像，其濕地邊界更加明晰；對于生長期的濕地影像，經過光譜增強纓帽處理后，區分濕地亞類的精度明顯提高[45]。

3.3 濕地提取

3.3.1 目視解譯

目視解譯是提取濕地信息的基本方式。該方法首先需要根據假色彩合成圖像建立主要地物的空間解譯標志，之后根據解譯標志從遙感影像中提取濕地。盧善龍等（2011）采用人機結合與指數閾值的分類方法提取海河流域水體，對于非水體部分采用人工數字化提取[17]。溫慶可等（2011）采用實地樣點采集和目視解譯相互輔助的方法提取環渤海濱海濕地[18]。由于目視解譯很大程度上依賴對研究地區的熟悉程度以及遙感目視解譯的經驗知識，因此其應用和推廣受到一定限制，此外，若應用目視解譯的方法提取大范圍的濕地信息，不僅耗費人力物力，而且耗費時間，無法滿足快速的濕地動態監測要求。因此，開發基于計算機的高精度自動分類算法是十分必要的。

3.3.2 基于像元的分類算法

濕地具有類型多、水環境年際變化大、生物多樣性顯著等特點。這些特點使得濕地光譜特征相對復雜，易與其它地物混淆，因此突出濕地特征信息是分類算法中的重點步驟。通過篩選參與分類的特征指標，采取適當的分類算法，可以使濕地與其它地物或者濕地亞類之間的區分度提高。這些特征指標的選取標準使得其能夠包含濕地特征的主要信息，且彼此之間信息不冗余。目前特征指標的選取大多利用主成分變化、紋理分析、各種指數以及輔助數據等。盛輝等（2006）在原始影像六個波段的基礎上結合KL變換和KT變換的六個波段（亮度、濕度、綠度等）以及NDVI等，根據前人的研究選取了其中6個變量，組成6維信息，并對其進行合成。研究表明，重新組合后的地物信息量明顯要比原始影像的信息量集中，且更加容易辨別地物[47]。

特征值確認之后，采用不同分類方法也會使濕地識別產生不同效果。那曉東等（2008）將六個波段、八個紋理特征值、三個主成分以及地形圖信息進行融合，利用分類回歸樹算法從訓練樣本數據集中挖掘分類規則，并與監督分類的效果做比較，結果表明分類回歸樹算法反演精度更高[39]。王迅等（2009）利用主成分分析、歸一化指數、DEM和TM數據構建濕地信息提取決策樹模型。通過對比表明，基于多特征決策樹分類法能夠用于濕地專題信息的提取[42]。分類樹算法雖然在識別濕地方面能夠取得較好效果，但利用該方法需要進行信息簡化，即在進行分類之前要先簡約屬性。綜合監督分類與非監督分類也能夠有效提高濕地識別精度。阮仁宗等（2005）利用聚類算法進行濕地非監督分類，并對混淆類進行多次聚類以達到更高精度。之后再以非監督分類的結果為模版進行最終的最大似然分類。研究結果表明，該方法使得濕地提取精度有了很大提高[48]。

針對濕地水體提取，于歡等（2008）對各種方法在提取的準確度、面積準確性以及視覺效果三方面做了比較，結果表明光譜分類法最好，其次是單波段閾值法與植被指數法，多波段普間關系法與水體指數法則表現較差[49]。

對于濕地水體周邊的過渡地帶（灘涂區域），由于其特殊的土壤、植被、水文狀況，其光譜特征在特征空間中并不集中，因此很難找到清晰的界限，傳統硬分類方法可能造成灘涂區域的誤分。目前對于提取過渡區域的方法主要基于不確定性模型和不確定性理論，比如隨機集、模糊集理論和概率理論等[30]。Shanmugam等（2006）將線性光譜解混模型和傳統的硬分類模型在濕地分類中的效果進行對比，結果表明，基于線性光譜解混模型的軟分類方法更符合濕地實際情況，從而能提高分類精度[50]。Xi Zhao等（2011）利用多時相數據和隨機集理論研究濕地動態變化機制，結果表明其更能滿足動態監測的要求[30]。

此外，高光譜遙感是目前遙感研究領域的熱點，其中成象光譜技術以其高光譜分辨率已成為研究地表植被地學過程對地觀測的強有力的工具。童慶禧等（1997）利用光譜波形匹配進行濕地植被分類識別，研究表明成象光譜技術在濕地植被研究方面存在潛力巨大，但是仍需要發展有效的模型和算法來分析處理成象光譜數據[32]。

3.3.3 基于對象的分類算法

面向對象的方法與一般的基于像素的方法有本質的不同，這種不同在于它不是對單個像素而是對影像進行分類的。影像是在考慮不同的特征屬性的情況下，通過影像分割獲得的，實際上它就是一組像素的集合，因此原始圖像會變為更抽象更緊湊的一種形式，有利于我們進行更高層圖像的分析。鄭利娟等（2009）將遙感影像與DEM數據疊加，采用面向對象的分類方法提取出洪河沼澤濕地，并將此結果與監督分類之后的結果進行比較，研究結果表明基于影像對象以及輔助數據DEM的目標信息提取，可以非常有效的改善遙感圖像的分類精度[41]。Frohn等（2009）使用面向對象的分類方法提取了孤立濕地，也獲得了較高的精度[27]。

3.3.4 多級分類思想

多級分類的思想是根據各類地物特殊的信息特征,將其按照一定的規則進行一步步的分解。分層分類方法著重強調將分類過程逐層的進行,而在每一層的分解過程中,使用者可以根據該層不同的特征及經驗知識,選擇合適的波段或者波段組合來進行分類。余莉等（2010）采用分層信息提取方法,利用遙感圖像對研究區進行分類解析。文章首先利用TM圖像第7波段將水體和洲灘區分開來,然后用NDVI值(歸一化植被指數)進一步提取出植被覆蓋地區，對于植被覆蓋地區,主要是利用NDVI指數結合時間序列進行區分，提取結果表明這種分層分類的效果很好[28]。

3.3.5 多種方法的結合

不同的目標地物有著各自不同的特征，使用不同的分類方法也許會獲得不同的精度，為達到整體精度最高，很多研究對擁有不同特征的目標地物采用有針對性的分類方法。余明等（2010）利用單波段紅外閾值法以及GIS數據的輔助提取出水體區域，對水體的分類采用的方式是形狀指數和經驗閾值法，而對其它地物采用的分類方法則是目視解譯提取[51]。孫波等（2010）利用人機交互與計算機自動提取的分類方法提取出黃淮海流域濕地的有關信息，并采用面向對象分類的方法提取出沼澤濕地區域，然而，對于河流濕地的提取則采用的是基于邊緣的方法[52]。江輝等（2008）系統提出了遙感綜合分類方法，即單一地物先進行分類，混合地物逐步解譯并結合特征參數進行定量分析。濕地邊界提取所用到的方法是假彩色合成方法，在混合地物分類方面，可以綜合NDVI等植被指數進行濕地遙感的分類，也可利用季相差異進行分類，還可利用濕地空間結構差異特征進行分類，最后再基于對象解譯[26]。此方法不僅減輕了人工解譯工作的重擔，而且還能夠很好的提高分類精度。但是，還是會不可避免的遇到定義復合類型的難題，因此目前急需建立濕地遙感專家分類決策模型庫。

4 總結與展望

濕地是處于陸地、水生生態系統之間的過渡地帶，其在生態系統中的水文和生態功能非常重要。然而目前濕地資源卻面臨著巨大的壓力，遙感技術對于實時、動態的監測濕地特征變化方面具有重要的作用。在濕地遙感提取研究中，研究者們對遙感濕地分類、使用的數據、數據的增強、提取的方法等方面做了大量的工作，綜上所述，應用遙感影像進行濕地的研究前景非常樂觀，但是不可忽視的是，目前仍然有許多限制的因素,未來發展需要注重以下兩方面:

4.1 數據質量的提升

雖然目前對遙感數據的處理手段多樣，但是所獲得的信息仍然不能很好的滿足濕地提取的要求。首先，一些濕地類型從光譜上還是無法區分或者識別精度比較低。目前主要使用GIS人工矢量化后掩膜處理的方法，例如利用不同時相的數據做掩膜處理，然后根據空間分布對結果進行修正（比如說某些植被應該是沿河道生長的）。對于這種情況，則需要大力發展數據挖掘技術，從大數據中提取出所需要的目標。此外，不同遙感數據源具有高空間分辨率、低時間分辯率，或者高時間分辨率、低空間分辨率等特點，如何融合多元遙感數據，提升數據質量也成為當下重要的課題。最后，由于遙感影像的分辨率限制以及實際地物的復雜性，混合像元的問題是不可避免的，對于破碎度較大的地區，濕地提取精度會因此大打折扣，因此需要對混合像元分解技術進行研究。

4.2 提取方法的改進

一塊完整濕地的組成基本分為開放水體、過渡區域和陸上植被，其中水體的光譜特征在特征空間中較為集中，易于進行區分；陸上植被的提取方法也已經有了較為深入的研究。但是，過渡區域的光譜特征非常的復雜，地理環境也復雜多樣，特別是受物候變化影響較大，目前人們對其形成的機理和變化機制也尚未清楚，因此對過渡區域的提取方法并不成熟，提取結果不夠完全，有待提高，特別是灘涂類型，受到潮汐變化影響大，所以下一步應著重提高過渡區域提取的精度。

［1］孫永濤，張金池.長江口北支濕地分類及生境特征［J］.濕地科學與管理，2010,06(2):49-52.

［2］馬祖陸，蔡德所，蔣忠誠.巖溶濕地分類系統研究［J］.廣西師范大學學報（自然科學版），2009,27(2):101-106.

［3］倪晉仁.濕地綜合分類研究:Ⅰ.分類［J］.自然資源學報.1998(3):214.

［4］李祿康.濕地與濕地公約［J］.世界林業研究，(1).

［5］唐小平，黃桂林.中國濕地分類系統的研究［J］.林業科學研究，2003,16(5):531-539.

［6］楊愛民，王芳，劉蒨，等.我國濕地分類與分布特征及水問題分析［J］.中國水土保持科學，2006,4(3):87-91.

［7］趙惠，牛振國.面向遙感監測的中國濕地區劃初步構想[J].濕地科學與管理.2009，(2):44-47.

［8］劉紅玉，呂憲國.三江平原濕地景觀生態制圖分類系統研究［J］.地理科學，1999,19(5):432-436.

［9］陳定貴，周德民，呂憲國，等.三江平原洪河自然保護區濕地遙感分類研究［J］.遙感技術與應用，2007,22(4):485-491.

［10］潘響亮，鄧偉，張道勇，等.東北地區濕地的水文景觀分類及其對氣候變化的脆弱性 ［J］.環境科學研究，2003,16(1):14-18,52.

［11］孫菊，李秀珍，胡遠滿，等.大興安嶺溝谷凍土濕地植物群落分類、物種多樣性和物種分布梯度［J］，應用生態學報.2009,20(9):2049-2056.

［12］黃桂林，張建軍，李玉祥.遼河三角洲濕地分類及現狀分析——遼河三角洲濕地資源及其生物多樣性的遙感監測系列論文之一［J］.林業資源管理，2000，(4):51-56.

［13］姜蕓，李錫泉.湖南省濕地標準與分類以及濕地資源[J].中南林業科技大學學報.2007,27(2):92-95.

［14］陳征海，劉安興，李根有，等.浙江天然濕地類型研究[J].浙江大學學報(農業與生命科學版)，(3).

［15］李根有，陳征海，劉安興，等.浙江省濕地植被分類系統及主要植被類型與分布特點［J］.浙江林學院學報，(2).

［16］朱葉飛，蔡則健.基于RS與GIS技術的江蘇海岸帶濕地分類［J］.江蘇地質，2007,31(3):236-241.

［17］盧善龍，吳炳方，李發鵬.海河流域濕地格局變化分析［J］.遙感學報，2011，(02):349-371.

［18］溫慶可，張增祥，徐進勇，等.環渤海濱海濕地時空格局變化遙感監測與分析 ［J］，遙感學報，2011(01):183-200.

［19］余明，李慧.基于SPOT影像的水體信息提取以及在濕地分類中的應用研究［J］.遙感信息，2006(3):44-47.

［20］管玉娟，張利權.影像融合技術在灘涂濕地植被分類中的應用［J］.海洋環境科學，2008,27(6):647-652.

［21］于歡，張樹清，李曉峰，等.基于TM影像的典型內陸淡水濕地水體提取研究 ［J］.遙感技術與應用，2008,23(3):310-315.

［22］張柏.遙感技術在中國濕地研究中的應用［J］.遙感技術與應用，1996，(01):67-71.

［23］Kumar S,Gaikwad S A,Shekdar A V,et al.Estimation method for national methane emission from solid waste landfills[J].Atmospheric Environment，2004,38(21):3481-3487.

［24］Lee T,Yeh H.Applying remote sensing techniques to monitor shifting wetland vegetation:A case study of Danshui River estuary mangrove communities,Taiwan［J］.Ecological Engineering，2009,35(4):487-496.

［25］陳定貴，周德民，呂憲國，等.三江平原洪河自然保護區濕地遙感分類研究［J］.遙感技術與應用，2007(04):485-491.

［26］江輝，周文斌，劉瑤.鄱陽湖濕地遙感分類研究及應用[J].遙感技術與應用.2008，(06):648-652.

［27］SATELLITE REMOTE SENSING OF ISOLATED WETLANDS USING［J］.

［28］余莉，何隆華，張奇，等.基于Landsat-TM影像的鄱陽湖典型濕地動態變化研究［J］.遙感信息，2010，(6):48-54.

［29］Niemuth N D,Wangler B,Reynolds R E.Spatial and Temporal Variation in Wet Area of Wetlands in the Prairie Pothole Region of North Dakota and South Dakota［J］.WETLANDS，2010,30(6):1053-1064.

［30］Zhao X,Stein A,Chen X.Monitoring the dynamics of wetland inundation by random sets on multi-temporal images［J］.Remote Sensing of Environment，2011,115(9):2390-2401.

［31］Gilmore M S,Wilson E H,Barrett N,et al.Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh ［J］.Remote Sensing of Environment，2008,112(11):4048-4060.

［32］童慶禧，鄭蘭芬，王晉年，等.濕地植被成象光譜遙感研究［J］.遙感學報，1997(01):50-57.

［33］Schmidt K S,Skidmore A K.Spectral discrimination of vegetation types in a coastal wetland[J].Remote Sensing of Environment，2003,85(1):92-108.

［34］Trackingpalustrinewaterseasonalandannualvariability［J］.

［35］Huang S,Dahal D,Young C,et al.Integration of Palmer Drought Severity Index and remote sensing data to simulate wetland water surface from 1910 to 2009 in Cottonwood Lake area,North Dakota ［J］.Remote Sensing of Environment，2011,115(12):3377-3389.

［36］李天宏，趙智杰，韓鵬.深圳河河口紅樹林變化的多時相遙感分析［J］.遙感學報，2002(05):364-369.

［37］Toyra J,Pietroniro A,Martz L W,et al.A multi-sensor approach to wetland flood monitoring［J］.HYDROLOGICAL PROCESSES，2002,16(8SI):1569-1581.

［38］黎夏，葉嘉安，王樹功，等.紅樹林濕地植被生物量的雷達遙感估算［J］.遙感學報，2006，(03):387-396.

［39］那曉東，張樹清，孔博，等.基于決策樹方法的淡水沼澤濕地信息提取——以三江平原東北部為例［J］.遙感技術與應用，2008(04):365-372.

［40］Wright C,Gallant A.Improved wetland remote sensing in Yellowstone National Park using classification trees to combine TM imagery and ancillary environmental data ［J］.Remote Sensing of Environment，2007,107(4):582-605.

［41］鄭利娟，李小娟，胡德勇，等.基于對象和DEM的濕地信息提取——以洪河沼澤濕地為例［J］.遙感技術與應用，2009，(03):346-351.

［42］王迅，徐丹丹，李文龍.瑪曲濕地遙感影像提取及精度分析［J］.國土資源遙感，2009，(04):96-100.

［43］張樹清，陳春，萬恩璞.三江平原濕地遙感分類模式研究［J］.遙感技術與應用，1999，(01):54-58.

［44］孔博，張樹清，張柏，等.遙感和GIS技術的水禽棲息地適宜性評價中的應用［J］.遙感學報，2008，(06):1001-1009.

［45］杜紅艷，張洪巖，張正祥.GIS支持下的濕地遙感信息高精度分類方法研究 ［J］.遙感技術與應用，2004，(04):244-248.

［46］周昕薇，宮輝力，趙文吉，等.北京地區濕地資源動態監測與分析［J］.地理學報，2006，(6):654-662.

［47］盛輝，殷守敬.遙感與地理信息系統技術在濕地研究中的應用［J］.遙感信息，2006，(02):46-49.

［48］阮仁宗，馮學智.基于多時相遙感和GIS技術的濕地識別研究［J］.遙感信息，2005，(02):20-23.

［49］于歡，張樹清，李曉峰，等.基于TM影像的典型內陸淡水濕地水體提取研究［J］.遙感技術與應用，2008，(03):310-315.

［50］Shanmugam P,Ahn Y,Sanjeevi S.A comparison of the classification of wetland characteristics by linear spectral mixture modelling and traditional hard classifiers on multispectral remotely sensed imagery in southern India［J］.Ecological Modelling，2006,194(4):379-394.

［51］余明，李慧.基于SPOT影像的水體信息提取以及在濕地分類中的應用研究 ［J］.遙感信息，2006，(03):44-47.

［52］孫波，孫永軍，田壟.黃淮海流域濕地遙感調查［J］.國土資源遙感，2010，(z1):144-147.