漲落潮下濱海濕地植被信息遙感識別方法

摘要 濱海濕地具有岸線保護、生物多樣性保育、物質生產、能量交換以及提供休憩科研空間等多種生態服務功能。植被作為濱海濕地的重要組成部分，其分布狀況、結構變化等景觀信息在很大程度反映了濱海濕地的健康狀況。為分析濱海濕地漲落潮下遙感識別植被種類的可行性，選用兩期Landsat 8漲落潮影像，基于統計判別式、決策樹監督分類和非監督分類方法對黃河三角洲濱海濕地進行了植被分類。結果顯示，統計判別式監督分類的分類效果最佳，分類精度高達97%，能準確區分各植被類型，且漲落潮對分類結果影響不大。研究表明，基于遙感技術在漲落潮不同狀態下對濱海濕地植被信息提取具有可行性，可為濱海濕地植被監測、生態恢復以及濱海地區藍碳儲量估算提供技術和數據支持。

關鍵詞 濱海濕地；植被提取；統計判別式監督分類；非監督分類；決策樹監督分類

中圖分類號 P237 文獻標識碼 A 文章編號 0517-6611（2024）19-0218-09

doi：10.3969/j.issn.0517-6611.2024.19.045

開放科學（資源服務）標識碼（OSID）：

Remote Sensing Identification Method of Vegetation Information of Coastal Wetland Under Ebb and Flow

FAN Xian-chuang^{1， 2}， HAN Ting-ting³， WANG Jie⁴ et al

（1.College of Artificial Intelligence， North China University of Science and Technology， Tangshan， Hebei 063210; 2.Hebei Key Laboratory of Industrial Intelligent Perception， Tangshan， Hebei 063210; 3.China Water Resources Beifang Investigation， Design & Research Co.， Ltd.， Tianjin 300222; 4.Shandong Zhengyuan Yeda Environment Technology Co.， Ltd.， Jinan， Shandong 250000）

Abstract Coastal wetland has many ecological service functions such as shoreline protection， biodiversity conservation， material production， energy exchange， and providing leisure and scientific research space. Vegetation is an important part of coastal wetland， and its distribution， structural changes and other landscape information reflect the health status of coastal wetlands to a large extent. In order to analyze the feasibility of identifying vegetation species under ebb and flow of coastal wetland by remote sensing， two periods of Landsat 8 ebb and flow images were selected to classify vegetation in coastal wetland of Yellow River Delta based on statistical discriminant， decision tree supervised classification and unsupervised classification methods. The results showed that the classification effect of statistical discriminant supervised classification was the best， the classification accuracy was up to 97%， and the vegetation types could be accurately distinguished， and the ebb and flow had little effect on the classification results. The research indicated that remote sensing technology is feasible to extract vegetation information of coastal wetland under different tidal conditions， which can provide technical and data support for vegetation monitoring， ecological restoration and blue carbon storage estimation of coastal wetland.

Key words Coastal wetland;Vegetation abstraction;Statistical discriminant supervised classification;Unsupervised classification;Decision tree supervised classification

基金項目 河北省軍民融合發展研究課題（HB23JMRH038）；華北理工大學省屬高校基本科研業務費項目（JQN2022006）；國家自然科學基金項目（41801264）。

作者簡介 范憲創（1989—），男，山東兗州人，講師，碩士，從事遙感與地理信息系統研究。

*通信作者，工程師，從事遙感及攝影測量研究。

收稿日期 2023-11-15

濱海濕地是一類介于陸地和海洋生態系統間的獨特生態系統，如紅樹林、鹽沼、海草床等，其森林-河流-海洋復合生態系統的特殊交互作用孕育了豐富的濕地資源和多樣的生態環境^［1］，具有岸線保護、生物多樣性保育、物質生產能量交換、改善水環境狀態、維持元素循環、提供棲息地、保持海陸動態平衡以及提供休憩科研空間等多種生態服務功能^［2］。植被是濱海濕地的重要組成部分，“十三五”期間，國家海洋局推進的“南紅北柳”重大工程旨在以濱海濕地植物來改善濱海濕地生態系統，到2022年提出“法治守護濕地之美”的立法行動，體現出了國家對濕地保護的關切。近年來，還開展了“藍色海灣整治行動”和“渤海綜合治理攻堅戰行動計劃”等專項整治活動，體現了國家、地區對沿海地區環境治理的決心^［3］。植被的分布狀況、結構變化等景觀信息在很大程度反映了濱海濕地的健康狀況。常規植被調查從植物群落角度出發，現場設置高密度小面積樣方，描繪植被類型分布。該方法周期長、時效差，且濱海濕地環境復雜，大部分區域難以進入。遙感具有大范圍同步、經濟高效等優勢，成為地物動態監測和信息提取的重要手段^［4］。

在多光譜遙感影像分類技術發展過程中，產生了適用于植被分類的多種技術方法，概括為以下3種：①植被指數分類，該方法主要利用植被光譜所特有的陡坡效應來區分植被與非植被范圍，但對不同植物種類的區分效果有待考證^［5-6］；②基于多時相信息的植被分類，該方法利用植被生長的季節性，區分具有顯著生長周期差異的植物種類^［7-8］；③基于人工智能的植被分類，代表算法包括神經網絡^［9］、專家分類^［10］、遺傳算法^［11］等機器學習方法，知識的獲取、表示以及推理機制的建立是整個過程需重點解決的問題。隨著遙感技術的發展，高光譜分辨率遙感產品相繼發布，為植物群落的精細分類提供了更多更好的遙感數據源^［12］。有研究表明，多光譜影像較粗的光譜分辨率成為制約植被種類識別精度提高的瓶頸^［13-14］，高光譜的精細診斷特征彌補了其中的不足^［15］，逐步形成2種典型的地物分類方法。一是基于數學變換對圖像進行降維處理的數理統計方法，如主成分分析、波段比值、最小噪聲分離（minimum noise fraction，MNF）變換、小波變換等，該類方法僅利用有限的光譜信息，未體現植被光譜的物理機制。二是通過對植物類型的光譜波形分析，從光譜形成機理出發，提取地物類型的光譜特征，并用于分類，如光譜特征擬合^［16］、光譜角^［17］和導數變換^［18］等算法。在植物種類識別中，光譜信息比空間信息作用更重要，高光譜數據在植被群落監測中具有巨大的發展潛力，在植物種類識別中能獲得較好的分類效果，但在現有的濱海濕地植被的高光譜分類研究中，均未考慮海水淹沒對植物種類識別的影響。

目前，采用遙感技術對濕地植被信息提取精度較低，且未考慮潮水淹沒對濱海濕地植被信息提取的影響。基于目前研究現狀，筆者選取統計判別式、決策樹監督分類及非監督分類3種經典遙感分類方法，采取計算機自動分類與目視解譯相結合的方式，結合歸一化植被指數（normalized difference vegetation index，NDVI）、差分植被指數（difference vegetation index，DVI）、歸一化水體指數（normalized difference water index，NDWI），建立了能夠高效利用遙感影像提取濱海濕地植被景觀信息的方法，選取提取精度較高的植被提取方法對濱海植被信息進行提取研究，探討了潮水漲落對植被信息提取的影響，為濱海地區環境監測、生態系統修復以及藍碳捕捉、轉移和固定研究提供數據支撐，從而更好地服務碳中和、碳達峰國家戰略。

1 研究區與數據

1.1 研究區

黃河三角洲濱海濕地位于山東省東營市的黃河入海口，處在黃河三角洲國家級自然保護區的核心區內，地理位置為37°37′58～37°51′14″N，119°2′20～119°17′35″E，研究區位置見圖1。黃河銜泥裹沙，從東營流入大海，淤積形成了黃河三角洲，由于泥沙的不斷沉積，黃河三角洲每年會向外擴展2.2 km，由此而生成陸地面積約32 km²，成為了世界上濕地面積增長較快的地區之一^［19］。黃河三角洲的主要地形為傾斜的平原，其西南地勢較高，東北地勢較低^［20］。黃河三角洲自然保護區的植被種類豐富，植被覆蓋率達到了55.1%，其中蘆葦是黃河三角洲地區生長最為遼闊的植被，生長面積達到了2.6萬hm²，天然草地達到了1.2萬hm²，是中國沿海最大的新生濕地自然植被區^［21］。在黃河三角洲濕地中，典型植被有蘆葦、互花米草、翅堿蓬、怪柳、獐毛和補血草等^［22］。

1.2 數據

Landsat系列衛星數據以其成本低、易獲取以及觀察周期長等優點成為國內外學者用于遙感科學研究的首選。周林飛等^［23］應用Landsat 8 OLI影像對雙臺子河口濕地進行地物分類研究，結果顯示比采用同期的Landsat 7影像分類精度提升了11.46%，表明Landsat 8 OLI數據對于濕地分類具有可行性。因此，該研究基于Landsat 8 OLI數據進行本研究區內植被信息提取、分類。Landsat 8數據各個波段信息見表1（Landsat8 OLI陸地成像儀/TIRS熱紅外傳感器）。

為研究漲落潮對植被信息提取的影響，在選擇影像時要參考潮汐漲落規律和Landsat衛星運行規律確定。根據研究區潮汐漲落規律，東營市農歷初一的漲潮時間為北京時間04：30，Landsat衛星的運行周期為16 d，成像時間為美國時間02：45，換算到北京時間為10：45。經過時間推演，選定研究區內2017年9月30號（農歷八月十一）影像和2016年8月26日（農歷七月二十四）影像分別作為落潮和漲潮時期影像。

在獲取到基礎影像之后，首先對Landsat數據進行了數據預處理，主要包括輻射定標、FLAASH大氣校正、圖像融合和圖像裁剪等。其中，圖像融合是將低空間分辨率的多波段圖像與高空間分辨率的單波段圖像重采樣后得到高空間分辨率圖像的過程，融合后的影像不僅具備較高的空間分辨率，也保留了光譜特征^［23］。對于Landsat 8 OLI影像，band 8的空間分辨率為15 m，其余波段的空間分辨率≥30 m，因此采用band 8與大氣校正后的多光譜圖像融合，得到了分辨率為15 m的多光譜融合影像。通過原圖像與融合后（圖2）的圖像對比發現，融合后的圖像清晰度有明顯的提升。

突出研究區域，體現漲落潮對研究區植被覆蓋度的影響，裁剪出漲落潮差別較為明顯的黃河入海口進行后續研究，裁剪結果見圖1。

2 植被信息提取

2.1 典型植被及解譯標志

研究區內有蘆葦、互花米草、翅堿蓬、怪柳、獐毛和補血草等多種植被類型，其生長情況不一^［22］。根據各類植被的生長狀態，該研究主要提取灘涂、蘆葦、翅堿蓬和怪柳等地物類型（圖3）。

灘涂主要分布在三角洲邊緣，內有潮溝分布，常被潮水覆蓋，幾乎沒有植被覆蓋。蘆葦屬禾本科蘆葦屬植物，廣泛分布于黃河三角洲濕地，是濕地植物群落的重要建群種，對鹽的適應性強，是一種耐鹽植物^［24］。翅堿蓬屬于藜科植物翅堿蓬屬，是一種典型的耐鹽植被，翅堿蓬能夠有效吸收鹽堿地區土壤的大量礦物質和鹽分，生命力頑強，干旱和洪澇的極端情況下都能正常生長，在降低潮灘的鹽堿性、保持水土、重建鹽地等諸多方面發揮較大的作用。有研究結果表明，鹽地是翅堿蓬主要生長的淤泥質區域，土壤的含鹽量很高，一般在11～33 g/kg，其他濕地鹽生植物很難在此生境中繼續生存^［25］。在該研究中，翅堿蓬分為2類：翅堿蓬沼澤（鹽地翅堿蓬）和翅堿蓬群落，其中翅堿蓬沼澤內翅堿蓬分布稀疏，多為裸灘，而翅堿蓬群落的翅堿蓬生長密集，分布于三角洲東北部。怪柳又名落葉垂絲柳，耐高溫和嚴寒，為一種生性喜強烈光照的喬木樹種，平均高度在110 cm以上，多數高度在120～200 cm。黃河三角洲地區多生長于蘆葦群落的外圍或與蘆葦伴生。

該研究建立了黃河三角洲地區典型地物的遙感目視解譯標志，以便對植被分類結果進行驗證。遙感目視解譯標志見表2。

2.2 統計判別式監督分類

監督分類又稱訓練場地法、訓練分類法，是以建立統計識別函數為理論基礎、依據典型樣本訓練方法進行分類的技術，即根據已知訓練區提供的樣本，通過選擇特征參數，求出特征參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類，是模式識別的一種方法。該研究以建立的遙感解譯標志為基準選擇訓練樣本，對影像進行統計判別式監督分類。借助目視解譯與地物光譜特征，得到了較好的樣本間區分度，分離度^［26］均在1.95以上。圖4為漲落潮下統計判別式監督分類結果。

從圖4可以看出，通過統計判別式監督分類可以較明顯地區分三角洲地區典型地物類型，并且能夠體現不同潮水淹沒程度下的植被分布狀態。其中，怪柳的群落覆蓋度不一，在新舊河道交叉口的怪柳生長密度較低，而新河道東西兩岸怪柳的生長密度較高，由于覆蓋度的差異，這2部分存在同物異譜現象，使漲潮時的三角洲東南方向上有少部分灘涂被錯分為怪柳，但是落潮時這個問題并不明顯。

2.3 決策樹監督分類提取植被

決策樹是一種常用的分類方法。它是一種監督學習，就是給定一堆樣本，每個樣本都有一組屬性和一個類別，這些類別是事先確定的，通過學習得到一個分類器，這個分類器能夠對新出現的對象給出正確的分類。該研究將歸一化植被指數（NDVI）、差值植被指數（DVI）和歸一化水體指數（NDWI）作為分類器的類別。

歸一化植被指數（NDVI）可增加在近紅外波段范圍綠葉的散射與紅色波段范圍葉綠素吸收之間的差異，公式如下：

NDVI=R-RR+R（1）

式中：NDVI是歸一化植被指數；R和R分別是近紅外波段和紅光波段反射率值。

差值植被指數（DVI）可增強近紅外波段范圍綠葉的散射與紅色波段范圍葉綠素吸收之間的差異，公式如下：

DVI=R-R（2）

式中：DVI是差值植被指數；R和R分別是近紅外波段和紅光波段反射率值。

歸一化水體指數（NDWI）在提取水體方面有較好的效果，公式如下：

NDWI=R-RR+R（3）

式中：NDWI是歸一化水體指數；R和R分別是近紅外波段和綠光波段反射率值。

NDVI的取值范圍是-1≤NDVI≤1，負值表示水體；0表示有巖石或裸土等，NIR和R近似相等；正值表示有植被覆蓋，且NDVI值越大表示植被覆蓋度越大。DVI對土壤背景的變化敏感性較好，故有利于植被生態環境的監測，但它有局限性，因為當植被覆蓋密度≥80%時，對植被的靈敏度會下降^［26］。NDWI通過設置閾值，可以較好地提取水體。各類地物類別的NDVI與DVI最高值，最低值與平均值如表3所示，根據所選的樣本點，得到水體的NDWI的范圍為-0.2～0.1。

根據不同水體和地物的光譜特征和統計值，通過反復的人機交互找到最佳節點值作為決策樹各個節點的分類閾值。以落潮影像的決策樹監督分類閾值確定方法為例（圖5），首先設定歸一化水體指數（NDWI）閾值為-0.20～0.10，將影像中水體區域提取出來。通過將差值植被指數的閾值設置為0.06～0.20、歸一化植被指數的閾值設置為0.17～0.45提取出怪柳，由于一部分怪柳與翅堿蓬沼澤的歸一化植被指數（NDVI）和差值植被指數相近，所以根據短波紅外反射率大于近紅外波段反射率這一光譜特征區分出翅堿蓬沼澤。將歸一化植被指數的閾值設置為0.60～0.72，差值植被指數的閾值設置為0.18～0.35提取出蘆Dxs4HXcdv12t9FSXfJjl0Q==葦。將歸一化植被指數的閾值設置為0.73～0.80，差值植被指數的閾值設置為0.30～0.40提取出翅堿蓬。將歸一化植被指數的閾值設置為0.05～0.17，差值植被指數的閾值設置為0.02～0.07提取出灘涂。

依據決策樹監督分類方法提取結果見圖6。

在對落潮時的影像進行分類時發現，由于翅堿蓬沼澤中翅堿蓬生長稀疏，大部分為裸灘，所以與灘涂遙感特征相近，不易區分，在分類過程中有小部分翅堿蓬沼澤錯分為了灘涂，在此方面，統計判別式監督分類要優于決策樹監督分類。漲潮時的決策樹監督分類效果較好。

2.4 非監督分類提取植被

非監督分類是以不同影像地物在特征空間中類別特征的差別為依據的一種無先驗類別標準的圖像分類，是以集群為理論基礎，通過計算機對圖像進行集聚統計分析的方法。由于非監督分類不需要先驗知識，因此只設定預分類數即可。該研究設定分類數為20，后根據將同一地物像元合并，得到結果見圖7。

非監督分類速度快但分類精度不高，尤其體現在蘆葦、翅堿蓬、怪柳3種植被分類中，3種植被錯分情況較嚴重，落潮時的分類結果最為明顯。此外，還有小部分的灘涂被錯分為水體。雖然有的地方效果不是很好，但是整體上分類效果還可以，若在一些精度要求不高的業務性分類中，非監督分類是一個不錯的選擇。

對比圖4、6和7提取結果可知，漲落潮過程對怪柳和蘆葦的景觀格局影響不大，黃河北岸的翅堿蓬也基本沒有被潮水淹沒，變化最大的是翅堿蓬沼澤，漲潮時幾乎完全被潮水淹沒。查閱資料可知，翅堿蓬株高為15～50 cm，而且株高會隨著鹽分的增高而降低，所以鹽地翅堿蓬株高會低于研究區域北岸的翅堿蓬株高，怪柳株高為20～120 cm，蘆葦株高100～300 cm，翅堿蓬植株最低。從研究區潮位圖來看，漲潮時潮位大概為140 cm，除了翅堿蓬沼澤被淹沒之外，只在黃河新舊河岸的交界處有少部分怪柳被潮水淹沒。

3 結果與分析

3.1 精度評價

采用混淆矩陣對分類結果進行精度評價，分別計算了總體精度、Kappa系數、用戶精度以及生產者精度。該研究主要以總體精度以及Kappa系數2個值對比分析各類方法的分類精度。

表4為漲潮的精度評價，分別為統計判別式監督分類精度評價，決策樹監督分類精度評價和非監督分類精度評價。

從表4可以看出，統計判別式監督分類、決策樹監督分類、非監督分類的總體精度分別為99.12%、98.17%、95.45%，Kappa系數分別為0.98、0.94、0.93。統計判別式監督分類的精度最高，決策樹監督分類其次，非監督分類精度最低。3種分類方法對潮水、河水（清澈水體）和灘涂的分類效果都較好，說明對于這類地物來說出現的混分、錯分較少，統計判別式監督分類對蘆葦、翅堿蓬的識別效果要優于另外2種方法，怪柳分類效果不如蘆葦和翅堿蓬，主要原因是在一些地方怪柳的生長密度較低、不易區分。表5為落潮時統計判別式監督分類、決策樹監督分類和非監督分類精度評價結果。

從表5可以看出，統計判別式監督分類、決策樹監督分類、非監督分類的總體精度分別為97.91%、92.59%、90.27%，Kappa系數分別為0.97、0.89、0.87，與漲潮時的提取精度相同，都是統計判別式監督分類的精度最高，決策樹監督分類的精度其次，非監督分類的精度最低。

3.2 植被分布狀態分析

3.2.1 位置分析。

從圖4可以看出，由于每種植物只能在特定的環境存活，環境梯度的存在使黃河三角洲濕地植被具有明顯的帶狀分布的特點。蘆葦是淡水植物，多分布在河道兩側（包括舊河道），沿海區域也有分布，翅堿蓬是先鋒植物，喜鹽水，耐鹽堿，多分布在沼澤中，但是在沼澤的分布密度低，翅堿蓬沼澤大部分是光灘，即沒有植被生長，還有一部分翅堿蓬分布在研究區東北角，因為翅堿蓬能通過自身調節來適應不同的環境，所以解釋了翅堿蓬可以在研究區內不同水鹽條件下均能生長的原因^［27］。怪柳多分布于潮灘和蘆葦種群周邊細長區域。

以監督分類結果為基礎數據進行各類植被的分布狀態分析，分類提取結果見圖8。

從圖8可以看出，漲落潮前后翅堿蓬的變化很小，只有南部沿海區域的一小部分翅堿蓬被潮水淹沒，其他地區的翅堿蓬幾乎沒有變化。怪柳在漲落潮前后有小部分變化，黃河新舊河道交叉部分和交叉口南部區域有部分怪柳被潮水淹沒。蘆葦主要分布在河道兩岸以及沿海區域，因潮水難以到達河岸地區，所以在河岸地區的蘆葦不受潮水狀態影響，沿海地區有少部分蘆葦被潮水淹沒，主要集中在研究區域的中北部和中東部。翅堿蓬沼澤和翅堿蓬南部的部分灘涂漲潮時基本被潮水淹沒，這是由于翅堿蓬所處地區海拔較低的緣故。

3.2.2 面積分析。

為精確對比漲落潮下對植被信息提取的影響，計算了漲落潮下各類植被覆蓋面積進行對比分析，具體面積統計結果見表6。

由表6可知，蘆葦在落潮時的面積稍大于漲潮時的面積；怪柳和翅堿蓬在漲落潮狀態下面積變化不大；翅堿蓬沼澤在漲潮時基本被潮水淹沒，灘涂有一部分被潮水淹沒，落潮時翅堿蓬沼澤與灘涂的面積和是1 089.5 hm²，而漲潮時潮水與灘涂的面積和是948.9 hm²，二者相差了140.6 hm²，結合監督分類結果圖可以發現，主要原因是同物異譜導致一部分潮水被識別成了清澈水體，同時在落潮時的河道中有一部分裸土會在漲潮時充滿海水并被識別為清澈水體，這也是導致清澈水體面積漲潮時相比落潮時要增加很多的原因。

結合監督分類提取結果和面積分析結果可以發現，黃河三角洲濕地在漲潮時會有很多區域會被潮水淹沒，土壤可以吸附潮水中的鹽分^［28］，如果土壤中鹽分過高，會導致植物吸水困難，引起生理干旱，極大限制植被的生長^［29］。翅堿蓬沼澤及灘涂區域植被生長稀疏，該地區地勢較低，長期受海水倒灌、土壤的高鹽含量以及淹水脅迫的影響，對植物的生長造成了極大的限制，只有少數的翅堿蓬在此生長，黃河新舊河道附近由于受到黃河水的稀釋作用，土壤的鹽分較低，適合蘆葦生長且生長旺盛，而怪柳生長區域多分布于蘆葦群落的外側，多處于潮間帶，鹽分低于沿海區域，適合怪柳生長。怪柳、翅堿蓬與蘆葦均屬于耐鹽植被，對黃河三角洲的土壤有改善作用，但目前黃河三角洲濕地區域植被類型少，結構單純，新生濕地形成時間短，養分少而含鹽量高，使整個生態系統不穩定，自我調節能力也較差，因而如何能夠更好保護黃河三角洲濕地仍是未來研究的重點問題。

4 結論

該研究以黃河三角洲濕地為研究區域，基于多光譜影像Landsat 8 OLI數據，開展了黃河三角洲濕地漲落/nMhJKpt/gpH3VGgzs4lWtvAiLJM4QKvS3ZlbQvQAck=潮2個時期的植被信息提取，對比了統計判別式、決策樹監督分類和非監督分類3種分類方法的分類精度，結果表明結合目視解譯和像元光譜信息建立分離度較好的訓練樣本進行統計判別式監督分類，可獲得精度較高的分類結果；潮水對淹沒區域內的植被影響較大，對其他區域植被影響較小，主要影響因素是高鹽、高濕。

該研究針對Landsat 8 OLI數據進行漲落潮植被信息提取研究，由于數據空間分辨率的限制對植被種類提取精度有待提高，未來需結合其他具有較高空間分辨率數據進行植被信息提取研究。

參考文獻

［1］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.

［2］吳大千.黃河三角洲植被的空間格局、動態監測與模擬［D］.濟南：山東大學，2010.

［3］劉書錦，曹海，李丹，等.濱海濕地生態保護及修復研究進展［J］.海洋開發與管理，2022，39（7）：29-34.

［4］陶婷，阮仁宗，張樓香，等.洪澤湖濕地植被信息提取方法研究［J］.地理空間信息，2017，15（3）：93-96，99.

［5］KLEYNHANS W，OLIVIER J C，WESSELS K J，et al.Detecting land cover change using an extended kalman filter on MODIS NDVI time-series data［J］.IEEE geoscience & remote sensing letters，2011，8（3）：507-511.

［6］KOVACS J M，DE SANTIAGO F F，BASTIEN J，et al.An assessment of mangroves in Guinea，West Africa，using a field and remote sensing based approach［J］.Wetlands，2010，30（4）：773-782.

［7］AURDAL L，HUSEBY R B，EIKVIL L，et al.Use of hidden markov models and phenology for multitemporal satellite image classification：Applications to mountain vegetation classification［C］//International workshop on the analysis of multi-temporal remote sensing images.Biloxi，MS，USA：IEEE，2005：220-224.

［8］馬麗，徐新剛，劉良云，等.基于多時相NDVI及特征波段的作物分類研究［J］.遙感技術與應用，2008，23（5）：520-524.

［9］SETO K C，LIU W G.Comparing ARTMAP neural network with the maximum-likelihood classifier for detecting urban change［J］.Photogrammetric engineering & remote sensing，2003，69（9）：981-990.

［10］SCHMIDT K S，SKIDMORE A K，KLOOSTERMAN E H，et al.Mapping coastal vegetation using an expert system and hyperspectral imagery［J］.Photogrammetric engineering & remote sensing，2004，70（6）：703-715.

［11］李儀，陳云浩，李京.基于微種群遺傳算法和自適應BP算法的遙感圖像分類［J］.光學技術，2005，31（1）：17-20，23.

［12］劉麗麗.基于不同植被指數提取GF-1植被覆蓋度比較分析！［J］.西部大開發（土地開發工程研究），2018，3（1）：1-6，16.

［13］劉澤，陳建平.基于Landsat-8影像數據的北京植被覆蓋度時空特征與地形因子的關系［J］.成都理工大學學報（自然科學版），2022，49（1）：119-128.

［14］何霜.基于MODIS數據的植被指數與植被覆蓋度關系研究：以比值植被指數和歸一化植被指數為例［J］.科技創新與應用，2015（28）：285.

［15］李曉松，李增元，高志海，等.基于Hyperion植被指數的干旱地區稀疏植被覆蓋度估測［J］.北京林業大學學報，2010，32（3）：95-100.

［16］溫興平，胡光道，楊曉峰.基于光譜特征擬合的高光譜遙感影像植被覆蓋度提取［J］.地理與地理信息科學，2008，24（1）：27-30.

［17］HIRANO A，MADDEN M，WELCH R.Hyperspectral image data for mapping wetland vegetation［J］.Wetlands，2003，23（2）：436-448.

［18］WANG X P，ZHANG J，REN G B，et al.Yellow river estuary typical wetlands classification based on hyperspectral derivative transformation［C］//OJEDA-CASTANEDA J，HAN S，JIA P，et al.Proceedings of SPIE-The international society for optical engineering.Suzhou，China：SPIE，2014.

［19］傅宇，王建步.基于Landsat8 OLI數據的山東黃河三角洲國家自然保護區土地利用/覆蓋現狀遙感監測［J］.山東林業科技，2019，49（6）：19-22.

［20］孟巖.基于RS與GIS的生態環境評價及其遙感反演模型研究：以黃河三角洲墾利縣為例［D］.泰安：山東農業大學，2009.

［21］CHIANG S，CHANG C I，GINSBERG I，et al.Unsupervised hyperspectral image analysis using independent component analysis［C］//IGARSS 2000.Piscataway：IEEE，2000.

［22］邢尚軍，郗金標，張建鋒，等.黃河三角洲植被基本特征及其主要類型［J］.東北林業大學學報，2003，31（6）：85-86.

［23］周林飛，姚雪，王鶴翔，等.基于 Landsat-8 遙感影像的濕地覆被監督分類研究［J］.中國農村水利水電，2015（9）：62-67.

［24］李敏，劉帥帥，徐飛.黃河三角洲蘆葦、鹽地堿蓬單生與混生群落生長差異分析［J］.山東農業科學，2017，49（3）：52-57.

［25］劉雪華.鹽分和水文干擾對鹽地堿蓬個體及種群的影響［D］.濟南：山東師范大學，2016.

［26］劉延榮.黃河三角洲新生濕地植被的空間分異及其影響因素研究［D］.濟南：山東師范大學，2017.

［27］管博，于君寶，陸兆華，等.黃河三角洲濱海濕地水鹽脅迫對鹽地堿蓬幼苗生長和抗氧化酶活性的影響［J］.環境科學，2011，32（8）：2422-2429.

［28］陳重安，王維奇.閩江河口鱔魚灘蘆葦濕地潮水理化特征及其對濕地土壤的影響［J］.長江大學學報（自然科學版）農學卷，2009，6（3）：66-69.

［29］李倩，李曉霞，齊冬梅，等.黃河三角洲地區耐鹽植物研究進展與展望［J］.西南民族大學學報（自然科學版），2019，45（3）：266-271.