鹽城濱海濕地互花米草信息提取及治理成效分析

摘 要：互花米草的持續入侵對濱海濕地生態系統健康和生物多樣性構成嚴重威脅，精準監測互花米草時空動態分布及防控管治具有重要意義。本文以鹽城濕地珍禽國家級自然保護區核心區為研究區，基于GEE平臺，調用2015年、2019年和2023年Sentinel-2影像，采用簡單非迭代聚類分割算法（SNIC）結合隨機森林（RF）機器學習算法開展互花米草遙感識別，分析互花米草的時空動態變化及與其他土地覆被類型的轉化情況。結果顯示，2015年、2019年及2023年的分類總體精度均高于90%，Kappa系數均高于0.85，基于SNIC+RF的分類結果具有較高的準確性；2015年、2019年互花米草面積趨于穩定，2023年由于保護區開展互花米草治理，約20km2互花米草被清除，清除率高達51%；研究區受互花米草入侵影響而致植被群落間存在相互演替，2023年開展的互花米草人工清除治理已顯成效。本文所得結果可進一步支持研究區互花米草的清除治理與復生防控，為濱海濕地入侵植物監測與濕地植物演替提供方法借鑒。

關鍵詞：Google Earth Engine；互花米草；隨機森林；面向對象；時空動態變化

中圖分類號：TP75" 文獻標識碼：A" 文章編號：1673-260X（2025）01-0086-06

外來植物入侵嚴重威脅著濱海生態系統健康，是全球濱海濕地最關鍵的生態問題之一[1]。互花米草（Spartina alterniflora）是一種多年生草本植物，1979年被引入中國，用于減緩海岸侵蝕[2]。由于其根系發達、耐鹽耐淹和入侵力強等特性，互花米草在我國濱海濕地迅速擴張，截至2023年年初，全國互花米草總面積達6.8萬公頃[3，4]，成為我國沿海灘涂危害最大的外來入侵植物。互花米草的擴張，不僅擠壓其他植被生存空間，致使水鳥棲息地喪失和生物多樣性下降，還制約沿海地區經濟社會可持續發展，對沿海生態系統和社會經濟造成嚴重的負面影響。2003年，互花米草被中國環境保護部列為危害最大的入侵植物之一[5]。近年來，我國積極開展互花米草防治，鹽城保護區作為互花米草治理入侵與擴散的典型區域，實現互花米草的精確提取及其空間分布、治理區域的精準監測，對濱海濕地生態系統和生態安全的可持續發展至關重要。

互花米草生長環境復雜，通常分布于沿海濕地和潮間帶，難以進行實地調查，遙感技術具有遠距離、大尺度、高效率監測地物等特點[6]，自上個世紀90年代中期遙感已經廣泛應用于監測入侵植物[7，8]。隨著遙感技術的快速發展，影像分辨率不斷提高，可以根據不同研究對象選擇遙感影像的不同空間分辨率、光譜分辨率以達到更好的提取效果。具備高時間和空間分辨率的哨兵2號衛星（Sentinel-2 A/B）分別于2015年、2017年陸續發射，為精確識別濱海濕地植被創造契機[9]。劉瑞清等基于Sentinel-2數據重構植被物候特征提取鹽城濱海濕地互花米草分布信息[10]。張磊等利用Sentinel-2數據提供的特征變量構建分類方案實現濕地信息提取[11]。時間序列的Sentinel-2數據往往占用大量存儲空間，需要大量算力支持，而免費訪問的Google Earth Engine（GEE）云平臺中存檔完整的Sentinel-2數據和機器學習算法，并支持在線處理密集時間序列影像，避免了本地計算機難以快速處理大批量數據的弊端，為快速處理大批量數據提供了可能，提高了連續監測互花米草的能力[12]。賈明明等基于GEE平臺和長時序Sentinel-2快速繪制了中國潮間帶地圖[13]，董迪等基于GEE平臺結合時間序列的Sentinel-1和Sentinel-2數據，繪制了互花米草入侵地圖[14]。

隨著機器學習算法的不斷發展，基于隨機森林的分類方法在濱海濕地分類制圖和互花米草提取方面均取得了良好的效果，結合面向對象分類方法可取得更優分類效果，有效解決基于像元的分類方法造成的“椒鹽現象”[15]。李想等結合隨機森林和面向對象分類方法，以Sentinel-1/2為數據源實現唐山市冬小麥分布信息提取[16]。簡單非迭代聚類（SNIC）分割算法具有高效性和空間一致性等優勢[17]，Yang等人結合Sentinel-1和Sentinel-2遙感數據，利用SNIC分割算法繪制水稻分布地圖，有效提高了分類精度[18]。面向對象結合隨機森林的分類算法廣泛應用于土地覆被監測領域，因此基于GEE平臺，集成SNIC+RF算法可有效實現濱海濕地地物分類。

綜上所述，本文以鹽城濕地珍禽國家級自然保護區核心區（簡稱“核心區”）為研究對象，旨在利用Sentinel-2影像和GEE云平臺，獲取核心區2015 —2023年互花米草的時空動態分布，并對其治理成效進行分析。本文研究的具體目標為：（1）使用基于對象的簡單非迭代聚類結合基于像元的隨機森林的分類算法獲取2015—2023年濱海濕地分類結果，并分析核心區互花米草面積的時空動態變化。（2）分析核心區互花米草的治理情況與其他土地覆被類型的轉化情況。

1 數據與方法

1.1 研究區概況

研究區位于江蘇省鹽城市濕地珍禽國家級自然保護區核心區（圖1），是國際重要濕地，面積達22596公頃，為水鳥提供了合適的棲息地。屬于亞熱帶向暖溫帶過渡地帶，且海洋性暖濕季風氣候明顯，四季分明、雨量適中，受入海河流攜帶泥沙淤積作用，江蘇沿岸形成寬闊的淤泥質海岸帶，孕育大面積的灘涂濕地，原生植被群落以堿蓬、蘆葦為主。1990年互花米草首次在核心區濱海濕地定植[19]，憑借耐鹽耐淹的特性在潮間帶迅速擴張并逐漸形成優勢群落，沿岸成條帶狀分布，嚴重影響原生植被演替及珍稀水禽棲息地的質量。

1.2 數據與預處理

1.2.1 Sentinel-2數據預處理

Sentinel-2包括同軌的兩顆衛星，均搭載最先進的多光譜傳感器（MSI），具有重訪周期短、分辨率高等優勢，為增強陸地觀測能力提供了重要手段[20，21]。MSI傳感器提供13個光譜波段，包括4個10米空間分辨率波段（B2，B3，B4和B8），6個20米波段（B5，B6，B7，B8A，B11和B12）和3個60米空間分辨率波段（B1，B9和B10），軌道寬度為290千米。

本研究使用2015年、2019年和2023年存檔在GEE云平臺中的Sentinel-2 Level-2A（SR）反射率數據集，期間所有可用的Sentinel-2數據集均已經過輻射定標、大氣校正和地形矯正。使用包含云信息的QA60波段對數據集進行云掩膜處理，去除云影像素，并將云和卷云的覆蓋率設定在20%以下，以此獲取高質量影像集合。核心區濱海濕地植被間光譜相似度較高，為增強本土植被與互花米草的可分離性，篩選植被物候差異明顯的10—11月影像構建數據集[22]。

1.2.2 分類體系構建及樣本選擇

經野外實地考察及影像判讀，將核心區地物類型劃分為6類，其中包含三種濕地植被（互花米草、蘆葦、堿蓬）和水體部分（坑塘/河流、光灘、淺海水域）。

于2015年9月、2023年7月使用手持GPS和無人機分別對鹽城濱海濕地開展野外實地調查，2019年樣本數據在文獻參考的基礎上通過目視解譯判讀Google Earth高分辨率影像獲得。三期數據獲取樣本共1 978個，其中互花米草587個，堿蓬543個，蘆葦496個，所有樣本數據集70%用于訓練，30%用于驗證。

1.2.3 特征集構建

特征變量的選擇是遙感分類的重要步驟[23]，本文利用遙感數據源特征波段構建特征集，包括光譜特征、紋理特征、植被指數、水體指數和紅邊指數，各特征及其表達方式如表1所示。

1.3 研究方法

1.3.1 面向對象—隨機森林算法

面向對象結合隨機森林分類方法通過將影像分割為空間上相鄰且光譜特征相似的對象，并對分割后的對象提取光譜、形狀、紋理等特征，最后使用隨機森林機器學習算法對分割對象進行分類。該方法能有效捕捉影像的空間結構信息，改善傳統基于像元分類結果中具有的“椒鹽”現象，顯著提高分類的精度和可靠性。

簡單非迭代聚類（SNIC）算法廣泛應用于高分辨率影像的分割步驟中[24]，包括分割緊密度（compactness）、連通性（connectivity）、鄰域大小（neighborhood size）和種子距離（seeds）等關鍵參數。其中“compactness”控制超級像素的形狀緊湊性，值越高，分割對象越緊湊越接近圓形；“connectivity”代表超級像素之間的連接性，通常設為8，表示8個方向的連接；“neighborhood size”的設置直接影響算法的性能，值越大分割對象越平滑，反之分割更細致，但會產生一定噪聲；“seeds”直接決定分割對象的大小，通過測試不同種子距離，結合核心區地物可分性選取最佳“seeds”值，分割效果如圖2所示。確定SNIC分割的主要參數設置如下：“compactness”=0、“connectivity”=8、“neighborhood size”=128、“seeds”=15。

隨機森林（RF）是目前最常用的一種機器學習分類算法，在圖像分類中具有較高的準確性和魯棒性。決策樹（ntree）的數量和預測變量的數量（mtry）是生成隨機森林預測模型的兩個重要參數，其中ntree從訓練樣本中隨機選擇樣本建立，mtry定義了決策樹的每個節點中的最佳分區。ntree和mtry分別設置為100和輸入特征數量的平方根，其他參數均為默認。本文基于GEE云平臺，將SNIC和RF算法的參數輸入到分類模型，探索SNIC+RF算法對核心區濱海濕地互花米草及其他地物類型的提取能力。

1.3.2 精度評價

通過混淆矩陣計算正確分類和誤分類對象數量，使用總體精度（Overall Accuracy，OA）、生產者精度（Producer’s Accuracy，PA）、用戶精度（User’s Accuracy，UA）和Kappa系數四個評價指標對濱海濕地分類結果進行評價。OA作為評估整體分類結果準確性的指標，Kappa系數用于評估分類結果與參考數據的一致性。通過應用四個精度評價指標，可以客觀、可靠地評價面向對象結合隨機森林分類結果的精度。

2 結果與分析

2.1 分類結果及精度評價

基于GEE平臺，利用高質量Sentinel-2數據對核心區濱海濕地分類的結果如圖3所示。基于SNIC+RF的分類算法能很好地將互花米草群落與非互花米草群落區分開，各用地類型間的邊界清晰明確且保證了斑塊的完整性。核心區主要由三種濕地植被和泥灘、水體組成，互花米草主要分布在沿海灘涂，蘆葦分布在陸向一側，堿蓬分布于兩種植被之間，并在植被交替地帶形成混生區。其中蘆葦大面積分布，逐漸侵占西南部干涸養殖池，群落連續性增強，互花米草由于耐鹽耐淹和強入侵性等特點，在沿海岸一側發展成較寬的互花米草條帶，堿蓬群落擴張優勢降低。

采用混淆矩陣對分類算法的分類精度進行定量評價，結果如表2所示。2015年、2019年和2023年的總體精度、生產者精度和用戶精度均高于90%，Kappa系數也遠高于0.85，表明該分類結果具有顯著的可靠性，為進一步研究2015～2023年核心區時空動態變化提供有效數據支撐。

2.2 互花米草時空動態分析

基于SNIC+RF分類算法提取的核心區2015 —2023年互花米草空間分布及面積變化如圖4所示。互花米草入侵主要發生在近海一側，呈條帶狀分布，最大面積達42.6km2，最大寬度達4.16km，已發展成為核心區濱海濕地的優勢種群。2015—2019年核心區小范圍互花米草被治理，由于其持續低速率入侵，互花米草時空動態分布相對穩定，面積增長速率趨近于0。

江蘇是互花米草生物入侵重災區，是全國分布面積最大、治理任務最重的省份，而鹽城是江蘇治理互花米草的“主陣地”。在《互花米草防治專項行動計劃（2022—2025年）》文件的指導下，核心區開展大規模互花米草清除工作，是2023年互花米草面積下降的主要因素，核心區濱海濕地的南北兩側互花米草被治理，截至2023年年底，互花米草清除面積達20km2，清除率高達51.58%。未被治理的互花米草仍呈條帶狀分布，未發生明顯陸向擴張趨勢。2024年將是濱海濕地互花米草治理工作的攻堅之年，不僅實現互花米草面積的減少，也要防止其復生和傳播，使濱海濕地潮間帶生物多樣性逐步回歸，生態系統多樣性實現可持續發展。

2.3 互花米草與其他土地覆被轉化

為進一步研究互花米草的動態變化，分析了核心區濱海濕地土地覆被（圖5）。對比2015年、2019年和2023年核心區土地覆被類型轉化情況發現，除人為治理使互花米草大幅流向坑塘/河流外，濕地植被保持原有群落演替，濱海濕地內生態環境相對穩定。

2015—2019年，互花米草被小面積治理，因其持續入侵本土植被堿蓬和蘆葦，擴張面積和入侵速率較低，互花米草面積實現動態平衡。此外由于本土植被擴張，部分干涸坑塘/河流和堿蓬轉為蘆葦，堿蓬面積整體呈現下降趨勢。2019—2023年開展互花米草防治工作，并取得顯著成效，治理面積達20km2。治理后互花米草面積大部分轉為坑塘，少部分轉為光灘，且短時間內未發生植被群落演替。未治理區域仍保持低速群落演替，整體表現為互花米草和蘆葦擴張面積小幅增加，堿蓬面積逐漸縮減。此外受潮汐運動影響，存在淺海水域和光灘的相互轉化。

總體來看，核心區土地類型轉化主要受自然因素和人為因素的影響。自然因素影響的群落演替表現為互花米草入侵蘆葦和堿蓬群落，蘆葦擴張擠壓堿蓬生長空間，堿蓬面積呈逐漸下降趨勢，并在潮汐運動的影響下，淺海水域和光灘相互轉化。人類活動影響的土地覆被變化表現為互花米草被大面積治理，治理區域轉化為河流/坑塘。

3 結論

本文基于GEE平臺，以高質量Sentinel-2影像為數據集，使用SNIC+RF分類算法對2015年、2019年和2023年核心區濱海濕地進行分類，探討了SNIC+RF算法的適用性，分析了互花米草的時空動態變化及與其他土地覆被類型轉化情況，具體結論如下：

（1）基于SNIC+RF的分類算法在核心區濱海濕地分類中具有較高的可靠性，總體精度均高于90%，Kappa系數高于0.85。

（2）核心區濱海濕地互花米草主要分布在近海一側，呈條帶狀分布，最大面積達42.6km2，最大寬度達4.16km。2015—2019年互花米草群落面積趨于穩定，2023年由于互花米草防治工作，核心區南北兩側約20km2互花米草被清除，清除率高達51%。

（3）核心區土地覆被類型轉化主要包括自然因素和人為因素。自然因素的影響表現為互花米草入侵蘆葦和堿蓬群落，蘆葦擴張擠壓堿蓬生長空間，堿蓬面積呈逐漸下降趨勢。人類活動影響的土地覆被變化表現為互花米草被大面積治理。

——————————

參考文獻：

〔1〕Vaz A S， Alcaraz-Segura D， Campos J C， et al. Managing plant invasions through the lens of remote sensing： A review of progress and the way forward[J/OL]. Science of The Total Environment， 2018， 642： 1328-1339.

〔2〕Li B， Liao C hang， Zhang X dong， et al. Spartina alterniflora invasions in the Yangtze River estuary， China： An overview of current status and ecosystem effects[J/OL]. Ecological Engineering， 2009， 35（04）： 511-520.

〔3〕Li H， Mao D， Wang Z， et al. Invasion of Spartina alterniflora in the coastal zone of mainland China： Control achievements from 2015 to 2020 towards the Sustainable Development Goals[J/OL]. Journal of Environmental Management， 2022， 323： 116242.

〔4〕Mao D， Liu M， Wang Z， et al. Rapid Invasion of Spartina Alterniflora in the Coastal Zone of Mainland China： Spatiotemporal Patterns and Human Prevention[J/OL]. Sensors， 2019， 19（10）： 2308.

〔5〕Chung C H. Forty years of ecological engineering with Spartina plantations in China[J/OL]. Ecological Engineering， 2006， 27（01）： 49-57.

〔6〕Sun S， Zhu X B， Lu C Q. Function assessment and ecological controls on alien species cordgrass[J]. 2001， 23： 93-98.

〔7〕Nagendra H， Lucas R， Honrado J P， et al. Remote sensing for conservation monitoring： Assessing protected areas， habitat extent， habitat condition， species diversity， and threats[J/OL]. Ecological Indicators， 2013， 33： 45-59.

〔8〕Ghosh S， Mishra D R， Gitelson A A. Long-term monitoring of biophysical characteristics of tidal wetlands in the northern Gulf of Mexico — A methodological approach using MODIS[J/OL]. Remote Sensing of Environment， 2016， 173： 39-58.

〔9〕Rapinel S， Fabre E， Dufour S， et al. Mapping potential， existing and efficient wetlands using free remote sensing data[J/OL]. Journal of Environmental Management， 2019， 247： 829-839.

〔10〕劉瑞清，李加林，孫超，等.基于Sentinel-2遙感時間序列植被物候特征的鹽城濱海濕地植被分類[J].地理學報，2021，76（07）：1680-1692.

〔11〕Zhang L， Gong Z， Wang Q， et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J/OL]. National Remote Sensing Bulletin， 2019， 23（02）： 313-326.

〔12〕譚深，吳炳方，張鑫.基于Google Earth Engine與多源遙感數據的海南水稻分類研究[J].地球信息科學學報，2019，21（06）：937-947.

〔13〕Jia M， Wang Z， Mao D， et al. Rapid， robust， and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine[J]. 2021， 255： 112285.

〔14〕Dong D， Wang C， Yan J H， et al. Combing Sentinel-1 and Sentinel-2 image time series for invasive mapping on Google Earth Engine： a case study in Zhangjiang Estuary[J/OL]. Journal of Applied Remote Sensing， 2020， 14（04）.

〔15〕Lu C， Liu J， Jia M， et al. Dynamic Analysis of Mangrove Forests Based on an Optimal Segmentation Scale Model and Multi-Seasonal Images in Quanzhou Bay， China[J/OL]. Remote Sensing， 2018， 10（12）： 2020.

〔16〕李想，張永彬，劉瑋佳，等.融合主被動遙感與隨機森林算法的冬小麥信息提取[J].赤峰學院學報（自然科學版），2023，39（10）：44-50.

〔17〕Tassi A， Vizzari M. Object-Oriented LULC Classification in Google Earth Engine Combining SNIC， GLCM， and Machine Learning Algorithms[J/OL]. Remote Sensing， 2020， 12（22）： 3776.

〔18〕Yang L， Wang L， Abubakar G A， et al. High-Resolution Rice Mapping Based on SNIC Segmentation and Multi-Source Remote Sensing Images[J/OL]. Remote Sensing， 2021， 13（06）： 1148.

〔19〕鄭浩.基于深度學習的外來植物互花米草遙感分類研究[D/OL].華北理工大學， 2023[2024-08-05].

〔20〕Wang Q， Atkinson P M. Spatio-temporal fusion for daily Sentinel-2 images[J/OL]. Remote Sensing of Environment， 2018， 204： 31-42.

〔21〕Li S， Ganguly" sangram， Dungan J， et al. Sentinel-2 MSI Radiometric Characterization and Cross-Calibration with Landsat-8 OLI[J/OL]. Advances in Remote Sensing， 2017， 06： 147-159.

〔22〕孟祥珍，劉丹，黃可，等.基于植被物候特征的互花米草提取方法研究——以長三角濕地為例[J].海洋通報，2021，40（05）：591-600.

〔23〕賈坤，李強子.農作物遙感分類特征變量選擇研究現狀與展望[J].資源科學，2013，35（12）：2507-2516.

〔24〕鄭浩，陳星彤，宋利杰，等.基于GEE的濱海濕地互花米草信息提取方法研究[J].赤峰學院學報（自然科學版），2022，38（10）：26-31.