江蘇濱海濕地植被變化特征及成因分析

摘要：文章采用面向對象圖像分割與隨機森林分類相結合的方法，基于Landsat和Sentinel-2衛星影像提取了2011年、2016年、2021年江蘇濱海濕地生態系統的空間分布信息，分析了濕地植被群落的時空動態變化及濕地植被變化成因。結果顯示：基于Sentinel-2衛星影像的分類精度較高;江蘇濱海濕地植被群落主要集中分布在新洋港與斗龍港之間，少部分沿海堤呈條帶狀分布，植被類型主要為互花米草、堿蓬和蘆葦;2011—2021年江蘇濱海濕地植被呈先減少后增加的狀態，濕地開墾、城市化進程等人類活動是驅使面積縮減的原因，同時互花米草的擴張及濕地保護修復等政策的實施，使濕地面積不斷增加。

關鍵詞：江蘇海岸帶;濱海濕地植被;隨機森林分類;變化特征

中圖分類號：Q948.1;P7 文獻標志碼：A 文章編號：1005-9857（2024）09-0112-09

0 引言

濱海濕地是介于海洋與陸地之間的過渡地帶，具有開放性、復雜性及復合生態性等特點[1]。植被是濱海濕地的重要組成部分，其狀況能反映濕地的生態環境[2]，具有凈化水質、維持岸線穩定、防洪減災、固碳等作用[3]。江蘇濱海濕地主要分布著互花米草、堿蓬、蘆葦等鹽沼植被[4]，由于植被分布混合交錯且界限模糊，在遙感影像上容易產生“異物同譜”的現象，導致分類的難度較大[5]。因此，利用遙感技術手段提取濱海濕地植被信息，監測濕地植被的變化特征，對濱海濕地的管理與保護具有現實意義。

遙感數據源是實現濕地分類的重要前提，當前應用較為廣泛的是Landsat系列、Sentinel-2、MODIS等[6-7]影像數據，其中Landsat系列、Sentinel-2影像數據相較于MODIS影像數據更能滿足濕地分類的高精度要求[8]。遙感技術已廣泛應用于濕地植被監測方面[9-10]，分類方法主要包括基于像元和面向對象兩種，Lantz等[11]對比了這兩種分類方法發現面向對象的分類方法精度更高，如，謝文春等[12]基于面向對象分類技術對都蘭湖濕地植被進行分類;邵亞婷等[13]利用面向對象的分類方法提取江蘇鹽城濕地的植被信息，分類精度在90%以上。

隨著計算機技術的不斷發展，決策樹[14]、支持向量機[15]、隨機森林、神經網絡[16]等方法的運用，在一定程度上提高了影響分類精度，其中，隨機森林的分類精度相對較高，如，宗影等[17]基于面向對象的隨機森林模型對鹽城濕地植被進行分類，分類精度達97.73%;張磊等[18]基于Sentinel-2影像提取特征變量構建不同的特征組合，采用隨機森林的分類方法提取植被信息，總體精度在90%以上;張晨宇等[5]結合面向對象和隨機森林算法對黃河口保護區內典型濕地植被進行分類，總體精度為84.74%～92.39%。

因此，本文擬采取面向對象與隨機森林相結合的分類方法，基于Landsat、Sentinel-2衛星數據，對2011年、2016年、2021年江蘇濱海濕地的植被進行分類，對比不同遙感影像的分類結果，分析近10年來互花米草、蘆葦、堿蓬3種典型濕地植被的時空變化特征及變化成因，為江蘇濱海濕地的管理、保護與生態修復提供依據。

1 研究區域與數據

1.1 研究區域概況

江蘇濱海濕地是我國重要的濕地生態系統之一。選擇江蘇濱海濕地作為研究區域，以其中生長的濕地鹽沼植被為主要研究對象，開展濕地植被時空動態變化分析。研究區位于暖溫帶和北亞熱帶之間，受海洋性和大陸性氣候雙重影響，具有顯著的季風氣候特點，氣候溫和、四季分明、雨水豐沛、光照充足，年均溫為13.7℃～14.6℃，平均年降水量980～1070mm[19]。其海岸帶類型可按物質組成分為粉砂淤泥質海岸、砂質海岸和基巖海岸3類[20]，濕地植被主要以鹽沼植被為主，具有很高的生產力、豐富的生物多樣性和重要的生態系統服務功能，植被種類組成相對簡單，以單一優勢種為主要特點，其中蘆葦群落、堿蓬群落和互花米草群落分布較為廣泛[21]。

1.2 數據與處理

從美國地質勘探局（UnitedStatesGeological"Survey，USGS）下載2011—2021年的遙感影像，根據濱海濕地植被的生長特性，選擇成像時間集中在6—10月且云覆蓋較低的Landsat影像和Sentinel-2影像，同時遙感數據的選取控制在每5年一次，總計3個時相2011 年、2016 年、2021 年（23 景遙感影像）。

為減輕大氣、地形、傳感器等因素對遙感影像的影響，分別利用ENVI5.3的RadiometricCalibration工具和FLAASH 模塊對Landsat數據進行輻射定標和大氣校正，利用SNAP軟件的SEN2COR大氣校正工具對Sentinel-2影像數據進行大氣校正。以上預處理步驟是針對單幅影像進行的，由于研究區涵蓋多景影像，還需要通過影像鑲嵌將相鄰的兩幅或多幅影像拼接成一幅影像，最后通過影像裁剪獲得僅包含濱海濕地研究區范圍的影像。

根據江蘇鹽沼濕地優勢植被及土地利用實際情況，參考國家標準、《關于特別是作為水禽棲息地的國際重要濕地公約》（簡稱《濕地公約》）和國家林業局以林濕發〔2008〕265號文件下發的《全國濕地資源調查技術規程（試行）》中關于濕地分類的相關準則，將研究區濕地劃分為互花米草、堿蓬、蘆葦、光灘、海水、河流水體、養殖塘、農田，非濕地劃分為裸地和建筑用地。

2 研究方法

2.1 面向對象分類

圖像分割是基于面向對象方法實現生態系統遙感分類的關鍵環節，指通過使用圖像分割算法，將一幅遙感影像劃分成若干個屬性特征相同的斑塊。對遙感影像進行準確的圖像分割是實現精確分類的重要基礎。對于不同空間分辨率的影像，以及對各種地物類型的提取要求，進行圖像分割的關鍵是找到最適宜的分割尺度。如果尺度選擇過大，會無法精確提取細小地物對象;而選擇過小的尺度，又會導致地塊破碎化，從而影響最終的分類精度。

目前主要的影像分割算法有棋盤分割、四叉樹分割、光譜差異分割、多尺度分割等，其中，多尺度分割是一種自下而上的區域合并分割算法，相對于其他方法能更好地避免噪聲等影響，使對象內部間異質性最小[22-23]。本文選用多尺度分割的方法對影像進行分割，分割尺度、波段權重、形狀因子和緊致度因子是影響分割效果的4個主要參數。通過eCognition中的ESP工具來確定分割尺度，該工具可以實現在非監督情況下的最佳分割尺度的自動選擇[24]。每個波段權重采用默認參數設置為1，緊致度因子和形狀因子遵循Moffett等[25]的研究結果分別設置為0.5和0.3。對比不同分割尺度的分割結果，最終確定各遙感影像的最佳分割尺度如表1所示。

2.2 隨機森林算法

隨機森林（Randomforests，RF）是指基于多棵決策樹對樣本進行訓練和預測，由Breiman[26]首先提出的一種分類器，是決策樹的集合。利用隨機森林模型進行分類時，最基本的兩個參數是樹的數量（n_estimators）和樹的最大深度（max_depth）[27]，其次，還需要對分裂內部節點需要的最少樣本數（min_samples_split）和葉子節點上需要的最少樣本數（min_samples_leaf）進行調試，從而確定各年份數據進行隨機森林分類時的最佳參數組合。

基于濱海濕地各植被群落的實際狀況，結合對遙感影像的觀察和分析經驗，選取表2所列的光譜特征、紋理特征、形狀特征和專題指數特征進行后續的研究[28]。為了確保特征的選取具有客觀性、便捷性和精確性，采用遞歸特征消除（RecursiveFeatureElimination，RFE）方法進行影像特征的篩選[29]。圖1顯示了基于2021年數據進行特征重要性排序的結果及參與分類的特征數量與分類精度的相關關系。可以發現，分類的精度先隨著特征數量的增多而提高;但到了一定的節點，參與分類的特征數量的增加并不能提高分類最終的精度。

2.3 轉移矩陣

通過使用轉移矩陣分析法[30]可以更好地研究土地利用/土地覆蓋的演變。這種方法能夠定量地描述不同時間段內土地利用類型的面積變化和類型轉移情況[31]，并確定變化的來源和方向。利用ArcGIS 將3 期分類結果進行疊加分析，得到2011—2021年江蘇濱海濕地不同景觀類型的景觀類型轉移矩陣，為了更直觀地分析濕地植被的動態變化，分別做出2011—2016年、2016—2021年的土地覆蓋轉移矩陣。其計算公式如下所示：

3 結果與分析

3.1 分類結果

本文基于python實現隨機森林模型的構建。在進行特征篩選、調試模型參數后，建立隨機森林模型對研究區的數據進行分類，最終得到2011年、2016年和2021年研究區的生態系統類型分類圖（圖2）。使用混淆矩陣對濕地的分類結果進行精度評估，選取總體精度（Overall Accuracy，OA）、Kappa系數作為評價總體分類精度的指標（表3）。2011年分類的總體精度為89.07%，Kappa系數為0.85;2016年分類的總體精度為90.65%，Kappa系數為0.89;2021 年分類的總體精度為91.02%，Kappa系數為0.89。3個年份數據分類的總精度都大于89%，分類較為合理。從數據源的角度來看，在所有分類中，基于Sentinel-2A 數據的2021年濕地分類取得了最高的精度，稍高于Landsat數據的分類精度。

3.2 濱海濕地植被的變化特征

3.2.1 植被的空間特征

從濕地類型分類圖2中可以看出，江蘇濱海濕地植被比較集中分布在新洋港到斗龍港之間，尤其是鹽城國家級珍禽自然保護區的核心區域內，3種植被類型都有所覆蓋，由陸向海植被分布的主要類型依次為蘆葦群落、堿蓬群落、互花米草群落，其他岸段存在部分以互花米草群落為主的較窄的沿海堤分布的植被帶。蘆葦群落生活在鹽堿度相對較低的潮上帶，生長茂盛，主要分布在射陽河口到川東港口之間的低潮灘區域。堿蓬具有良好的耐鹽堿性，其群落生活在鹽堿度較高的地區，主要分布在江蘇鹽城國家級珍禽自然保護區核心區內。互花米草是一種廣適鹽性植物，高度發達的通氣組織能幫助其較好地適應長期淹水的環境條件，使其能廣泛生長鹽沼濕地的潮間帶地區。

3.2.2 植被的面積特征

提取江蘇濱海濕地的植被信息進行統計，得到結果如表4所示。2011年、2016年、2021年互花米草居于主導地位：2011年濕地植被面積約為332.56km2，蘆葦、互花米草、堿蓬分別占研究區植被總面積的24.52%、66.88%、8.61%。2016年濕地植被面積約為309.41km2，其中互花米草面積最大，占59.52%，蘆葦次之。2021年濕地植被面積約為352.26 km2，互花米草面積為258.86km2，占植被總面積的73.49%;堿蓬最少，僅占植被總面積的4.55%。

3.2.3 植被的轉移演替

如表5所示，2011—2016年江蘇濱海濕地植被演替主要為互花米草→養殖塘，堿蓬→蘆葦、互花米草，蘆葦→互花米草，具體表現為：19.89%的互花米草轉化為養殖塘，分別有8.95%和10.88%的堿蓬轉化為互花米草和蘆葦;11.07%的蘆葦轉化成互花米草。這期間，互花米草、堿蓬及蘆葦分別有43.96%、72.90%、57.23%的面積保有率;各類植被除轉為養殖塘或其他植被類型外，也有其他類型的小面積轉移;同時部分光灘、養殖塘、河流水體也會轉移成互花米草，養殖塘和互花米草轉移成蘆葦，以此作為植被的補充。

如表6所示，2016—2021年江蘇濱海濕地植被演替主要為互花米草→養殖塘、建筑用地，堿蓬→互花米草、蘆葦，蘆葦→建筑用地、河流水體、養殖塘，具體表現為：8.92%和7.86%的互花米草轉化為養殖塘和建設用地，20.14%和34.19%的堿蓬轉化為互花米草、蘆葦，12.35%和11.59%、6.62%的蘆葦轉化成建設用地和河流水體、養殖塘。這期間，互花米草、堿蓬及蘆葦分別有65.37%、37.22%、55.49%的面積保有率。

3.3 濱海濕地植被變化的成因分析

江蘇濱海濕地植被呈先減少后增加的狀態，根據統計結果，2011—2021年共有96.85km2的濕地部分轉換為養殖塘，128.08km2轉換為建筑用地，其中47.60%的養殖塘和27.41%的建筑用地是由濕地植被轉化而來，說明開墾濕地、城市化進程加快都是濕地植被面積減少的原因。

2011—2021年，互花米草不斷向海推進占據光灘面積約123.68km2，為現有互花米草的47.78%。其間江蘇省緊跟國家濕地生態修復建設工作的步伐，發布《關于推進生態文明建設工程的行動計劃》《江蘇省生態紅線區域保護規劃》《江蘇省濕地保護“十三五”實施規劃》等規劃政策，不斷完善濕地管理機構，開展大量濕地保護管理與修復工作，建立了以濕地自然保護區、濕地公園等為主的濕地保護體系。

4 結論

本研究利用2011年、2016年、2021年的遙感影像，采用面向對象-隨機森林的方法提取了江蘇濱海濕地的空間分布，分析濱海植被的時空變化特征，結果如下。

（1）利用混淆矩陣對2011年、2016年、2021年的分類結果進行精度驗證，其總體精度均在90%以上，Kappa系數均大于0.8，分類效果較好，可以用于景觀變化分析。

（2）江蘇濱海濕地植被主要集中分布在從新洋港到斗龍港之間，由陸向海植被分布的主要類型依次為蘆葦群落、堿蓬群落、互花米草群落;其他岸段存在部分以互花米草群落為主的較窄的沿海堤分布的植被帶。

（3）2011—2021年濕地植被總面積先減少后增加，所減少的植被濕地面積主要轉化為建設用地和養殖塘，互花米草向海不斷推進面積增加。

（4）自2011年來，江蘇沿海城市人口不斷增加，城市化進程加快、濕地開墾等因素是江蘇濱海濕地植被面積不斷縮減的主要因素;政府政策、互花米草的擴張等是江蘇濱海濕地植被面積增加的主要原因。

參考文獻（References）：

[1] 張明亮.濱海鹽沼濕地退化機制及生態修復技術研究進展[J].大連海洋大學學報，2022，37（4）：539-549.

ZHANGMingliang.Researchadvancementondegradationmechanismandecologicalrestorationtechnologyofcoastalsalt-marsh：areview[J].JournalofDalianOceanUniversity，2022，37（4）：539-549.

[2] 張佳佳，沈永明.1992年以來鹽城濱海濕地植被動態變化研究[J].海洋科學，2018，42（8）：14-21.

ZHANGJiajia，SHENYongming.DynamicchangesofcoastalwetlandvegetationinYancheng[J].MarineSciences，2018，42（8）：14-21.

[3] 鄒雨函，李雪，張馨，等.黃河口新生濕地植物群落組成和結構[J/OL].生態學雜志，[2024-09-10].http：//kns.cnki.net/kcms/detail/21.1148.Q.20230907.1250.012.html.

ZOUYuhan，LIXue，ZHANGXin，etal.PlantcommunitycompositionandstructureofthenascentwetlandsoftheYellowRiverEstuary[J/OL].ChineseJournalofEcology，[2024-09-10].http：//kns.cnki.net/kcms/detail/21.1148.Q.20230907.1250.012.html.

[4] 張健，何祺勝，崔同，等.江蘇省濱海濕地生態系統健康評價研究[J].水電能源科學，2016，34（9）：27-30.

ZHANGJian，HEQisheng，CUITong，etal.HealthassessmentresearchofJiangsucoastalwetlandecosystem[J].WaterResourcesandPower，2016，34（9）：27-30.

[5] 張晨宇，陳沈良，李鵬，等.現行黃河口保護區典型濕地植被時空動態遙感監測[J].海洋學報，2022，44（1）：125-136.

ZHANGChenyu，CHENShenliang，LIPeng，etal.SpatiotemporaldynamicremotesensingmonitoringoftypicalwetlandvegetationinthecurrentHuangheRiverEstuaryReserve[J].HaiyangXuebao，2022，44（1）：125-136.

[6] 王婭，郭繼發，林雨.基于面向對象方法的天津市濱海新區濕地信息提取[J].山東理工大學學報（自然科學版），2023，37（6）：25-31.

WANGYa，GUOJifa，LINYu.WetlandinformationextractionfromTianjinBinhaiNewAreabasedonobject-orientedmethod[J].JournalofShandongUniversityofTechnology（NaturalScienceEdition），2023，37（6）：25-31.

[7] 張猛，曾永年，朱永森.面向對象方法的時間序列MODIS數據濕地信息提取：以洞庭湖流域為例[J].遙感學報，2017，21（3）：479-492.

ZHANG Meng，ZENGYongnian，ZHUYongsen.WetlandmappingofDontingLakeBasinbasedontime-seriesMODISdataandobjectorientedmethod[J].NationalofRemoteSensingBulletin，2017，21（3）：479-492.

[8] 姚杰鵬，楊磊庫，陳探，等.基于Sentinel-1，2和Landsat8時序影像的鄱陽湖濕地連續變化監測研究[J].遙感技術與應用，2021，36（4）：760-776.

YAOJiepeng，YANGLeiku，CHENTan，etal.ConsecutivemonitoringofthePoyangLakeWetlandbyIntegratingSentinel-2withSentinel-1andLandsat8Data[J].RemoteSensingTechnologyandApplication，2021，36（4）：760-776.

[9] SZANTOIZ，ESCOBEDOFJ，ABD-ELRAHMAN A，etal.Classifvingspatiallyheterogeneouswetlandcommunitiesusingmachinelearningalgorithmsandspectralandtexturalfeatures[J].EnvironmentalMonitoringandAssessment，2015，187（5）：262.

[10] TIMMBC，MCGARIGALK.Fine-scaleremotely-sensedcovermappingofcoastalduneandsaltmarshecosystemsatCapeCodNationalSeashoreusingRandomForests[J].RemoteSensingofEnvironment，2012，127：106-117.

[11] LANTZNS，WANGJinfei.Object-basedclassificationofWorldview-2imageryformappinginvasivecommonreed，Phragmitesaustralisl[J].CanadianJournalofRemoteSensing，2013，39（4）：328-340.

[12] 謝文春，李強峰，李艷春，等.基于面向對象的吉林一號遙感影像濕地植被群落分類[J].林業資源管理，2023（1）：141-152.

XIE Wenchun，LIQiangfeng，LIYanchun，etal.Object-orientedclassificationofwetlandvegetationcommunityinJilin-1remotesensingimage[J].ForestandGrasslandResourcesResearch，2023（1）：141-152.

[13] 邵亞婷，盧霞，葉慧，等.濱海濕地土地覆蓋面向對象分類及變化監測[J].海洋科學，2020，44（1）：52-66.

SHAOYating，LUXia，YEHui，etal.Object-orientedclassificationandchangemonitoringofcoastalwetlandlandcovers[J].MarineSciences，2020，44（1）：52-66.

[14] ZLINSZKYA，MIUICKE W，LEHNER H，etal.CategorizingwetlandvegetationbyairbornelaserscanningonLakeBalatonandKis-Balaton，Hungary[J].Remotesensing，2012，4（6）：1617-1650.

[15]HANXingxing，CHENXiaoling，FENGLian.FourdecadesofwinterwetlandchangesinPoyangLakebasedonLandsatobservationsbetween1973and2013[J].RemoteSensingofEnvironment，2015，156：426-437.

[16] 謝錦瑩，丁麗霞，王志輝，等.基于FCN與面向對象的濱海濕地植被分類[J].林業科學，2020，56（8）：98-106.

XIEJinying，DINGLixia，WANGZhihui，etal.ClassificationofcoastalwetlandvegetationutilizingFCNandobject-orientedmethods[J].ScientiaSilvaeSinicae，2020，56（8）：98-106.

[17] 宗影，李玉鳳，劉紅玉.基于面向對象隨機森林方法的濱海濕地植被分類研究[J].南京師范大學學報（工程技術版），2021，21（4）：47-55.

ZONGYing，LIYufeng，LIUHongyu.Astudyofcoastalwetlandvegetationclassificationbasedonobject-orientedrandomforestmethod[J].JournalofNanjingNormalUniversity（EngineeringandTechnologyEdition），2021，21（4）：47-55.

[18] 張磊，宮兆寧，王啟為，等.Sentinel-2影像多特征優選的黃河三角洲濕地信息提取[J].遙感學報，2019，23（2）：313-326.

ZHANGLei，GONGZhaoning，WANGQiwei，etal.WetlandmappingofYellowRiverDeltawetlandsbasedonmulti-featureoptimizationofSentinel-2images[J].NationalRemoteSensingBulletin，2019，23（2）：313-326.

[19] 張濛，濮勵杰.近30年來江蘇省濱海濕地變化過程及其受圍墾活動的影響[J].濕地科學與管理，2017，13（3）：56-60.

ZHANGMeng，PULijie.ThechangingprocessofcoastalwetlandsandtheeffectsofreclamationinJiangsuProvinceinrecent30years[J].WetlandScienceamp; Management，2017，13（3）：56-60.

[20] 鄒欣慶.江蘇海岸帶環境的壓力分析與政策響應[J].海洋地質動態，2004，20（7）：20-24.

ZOUXinqing.EnvironmentalpressureanalysisandpolicyguidelinesforcoastalenvironmentalmanagementoftheJiangsucoastalzone[J].MarineGeologyFrontiers，2004，20（7）：20-24.

[21] 周金戈，覃國銘，張靖凡，等.中國鹽沼濕地藍碳碳匯研究進展[J].熱帶亞熱帶植物學報，2022，30（6）：765-781.

ZHOUJinge，QINGuoming，ZHANGJingfan，etal.ResearchprogressofbluecarbonsinkinChinesesaltmarshes[J].JournalofTropicalandSubtropicalBotany，2022，30（6）：765-781.

[22] 常文濤，陳歡，常偉綱.結合時間序列Sentinel-1數據和面向對象的濕地信息提取方法[J].北京測繪，2020，34（3）：365-370.

CHANG Wentao，CHEN Huan，CHANG Weigang.Combiningtime-seriesSentinel-1dataandobject-orientedwetlandinformationextractionmethod[J].BeijingSurveyingandMapping，2020，34（3）：365-370.

[23] 黃雨菲，路春燕，賈明明，等.基于無人機影像與面向對象-深度學習的濱海濕地植物物種分類[J].生物多樣性，2023，31（3）：143-158.

HUANGYufei，LUChunyan，JIA Mingming，etal.ClassificationofplantspeciesincoastalwetlandsbasedonUAVimageryandobject-oriented-deeplearning[J].BiodiversityScience，2023，31（3）：143-158.

[24]DRAGUTL，TIEDED，LEVICKSR.ESP：atooltoestimatescaleparameterformultiresolutionimagesegmentationofremotelysenseddata[J].InternationalJournalofGeographicalInformationScience，2010，24（5-6）：859-871.

[25] MOFFETTKB，GORELICKSM.Distinguishingwetlandvegetationandchannelfeatureswithobject-basedimagesegmentation[J].InternationalJournalofRemoteSensing，2013，34（4）：1332-1354.

[26] BREIMANL.Randomforests[J].MachineLearning，2001，45（1）：5-32.

[27] 張揚.基于少量標記樣本的城市土地利用分類[D].深圳：中國科學院大學（中國科學院深圳先進技術研究院），2021.

ZHANGYang.Urbanlanduseclassificationbasedonafewlabeledsamples[D].Shenzhen：UniversityofChineseAcademyofSciences（ShenzhenInstituteofAdvancedTechnology，ChineseAcademyofSciences），2021.

[28] 許盼盼.基于高時空分辨率數據的濕地精細分類研究[D].北京：中國科學院大學（中國科學院遙感與數字地球研究所），2018.

XUPanpan.Researchonfineclassificationofwetlandsbasedonhighspatialandtemporalresolutiondata[D].Beijing：UniversityofChineseAcademyofSciences（InstituteofRemoteSensingandDigitalEarth，ChineseAcademyofSciences），2018.

[29] GRANITTOPM，FURLANELLOC，BIASIOLIF，etal.RecursivefeatureeliminationwithrandomforestforPTR-MSanalysisofagroindustrialproducts[J].Chemometricsamp;IntelligentLaboratorySystems，2006，83（2）：83-90.

[30] 李輝，張曉媛，國洪磊.基于土地利用的三峽庫區近30年生態系統服務價值時空變化特征[J].水土保持研究，2021，28（2）：309-318.

LIHui，ZHANGXiaoyuan，GUOHonglei.Spatialandtemporalchangesofecosystemservicevalueinthethreegorgesreservoirareainthepast30yearsbasedonlanduse[J].ResearchofSoilandWaterConservation，2021，28（2）：309-318.

[31] 張學儒，周杰，李夢梅.基于土地利用格局重建的區域生境質量時空變化分析[J].地理學報，2020，75（1）：160-178.

ZHANGXueru，ZHOUJie，LIMengmei.Analysisonspatialandtemporalchangesofregionalhabitatqualitybasedonthespatialpatternreconstructionoflanduse[J].ActaGeographicaSinica，2020，75（1）：160-178.