一种基于层次分类的框架，用于利用SAR时间序列和局部最优时空特征进行沿海湿地测绘

《International Journal of Applied Earth Observation and Geoinformation》：A layer-wise classification framework for coastal wetlands mapping using SAR time series and locally optimal spatiotemporal features

盐沼植被动态监测与互花米草治理效果评估：提出基于时空特征融合的分层分类框架LOSF_LC，利用Sentinel-1 SAR数据对黄河三角洲湿地和九段沙湿地2017-2024年数据进行分类，结合景观格局指数分析互花米草治理对湿地结构和碳汇功能的影响，揭示治理后的植被恢复与土地面积变化矛盾。

　　### 湿地生态系统与盐沼植被的重要性

湿地生态系统在维持海岸线稳定和促进长期生态可持续性方面发挥着至关重要的作用。盐沼植被作为湿地生态系统的重要组成部分，不仅有助于碳汇形成，还能改善水质并提供防风暴潮的自然屏障。近年来，随着气候变化、人类活动加剧以及外来物种入侵，中国沿海湿地正面临越来越多的挑战。特别是外来植物 Spartina alterniflora（互花米草）的引入，对本土盐沼植被构成了严重威胁。自1979年引入中国以来，这种植物迅速扩散，到2019年，其在中国沿海的入侵面积已超过600平方公里。为了应对这一问题，中国于2022年启动了“互花米草防控专项计划”（2022–2025），目标是在2025年前彻底清除该物种。随着大规模清除行动的展开，湿地空间格局发生了显著变化。然而，目前尚不清楚这些防控措施的实际成效及其对湿地生态系统的具体影响。因此，准确理解沿海湿地的空间格局，尤其是互花米草管理前后盐沼分布的变化，对于评估防控效果和推动湿地生态保护具有重要意义。

### 遥感技术在湿地监测中的应用

遥感技术因其大范围覆盖、高精度和低成本的特点，已成为湿地监测的重要工具。与城市或内陆湿地相比，沿海湿地包含多种盐沼类型，使得精细化测绘更具挑战性。光学遥感图像提供了丰富的光谱信息，并在高精度分类和长期监测方面表现出色，特别是在互花米草的识别方面。然而，光学图像的一个主要限制是云层和雾气的干扰，这使得在经常出现云雨雾的沿海地区难以获得完整的植被生长周期数据。为了克服这一问题，研究者们也探索了其他数据源，如航空数据和LiDAR，但这些方法通常不适合大面积和长期的监测需求。相比之下，合成孔径雷达（SAR）卫星图像因其长波长特性，能够穿透云层和雾气，实现全天候、全时段的观测，从而获取完整的植被时间序列数据。这一特性使得SAR在复杂湿地环境中具有显著优势，为盐沼植被的精细化识别提供了坚实的基础。

### 机器学习与特征优化技术的结合

在遥感技术的应用中，机器学习与特征优化技术的结合已成为提高土地覆盖分类精度的重要手段。这种技术不仅不受图像类型限制，还能够优化高维特征，避免特征冗余，从而在各种复杂的湿地场景中实现高精度分类。在SAR图像的分类优化中，研究者们通常采用构建新的雷达指数、提取纹理特征以及引入相干信息等方法。然而，这些新特征的构建和应用往往需要额外的资源投入，限制了其在大规模应用中的可行性。此外，伪彩色合成SAR图像和深度学习方法也被用于提升土地覆盖的识别能力，但样本标注和模型训练的高昂成本使其难以推广。因此，研究者们更倾向于使用回波特征，作为SAR应用中最常用的基线特征。然而，即使有完整的时序数据，盐沼植被类型的回波混淆仍然是分类中的主要障碍。

### 层级分类框架的提出

为了克服盐沼植被分类中的挑战，研究团队提出了一种基于局部最优时空特征融合的层级分类框架（LOSF_LC）。该框架首先利用JM距离量化各类土地覆盖类型的可区分性，并据此设计从简单到复杂的分类顺序。然后，通过RFE（递归特征消除）选择每层分类所需的最优时空特征，以减少因回波混淆导致的误分类。该方法特别适用于盐沼植被的识别，通过分层处理，可以逐步优化分类效果，从而实现更高的精度。在验证过程中，研究团队使用了LightGBM、XGBoost和RF等分类器，并在YRD和JDS两个典型湿地区域进行了测试。结果显示，LOSF_LC在分类精度方面优于传统方法，尤其在区分复杂盐沼植被类型方面表现出色。

### 研究区域与数据来源

为了验证LOSF_LC方法的有效性，研究团队选择了中国两个典型的沿海湿地：黄河三角洲湿地（YRD）和九段沙湿地（JDS）。YRD位于山东省东北部，是黄河携带大量泥沙在河口沉积形成的湿地，具有高度复杂的盐沼植被类型。研究区域覆盖北纬37°35′至37°55′、东经118°40′至119°20′，涵盖了多种湿地生态系统和盐沼植被类型。互花米草于1990年引入YRD，并在2013年黄河改道后迅速扩散，对本土盐沼植被构成严重威胁。YRD的土地覆盖类型包括互花米草、芦苇（Phragmites australis）、柽柳（Tamarix chinensis）、盐地鼠尾草（Suaeda salsa）、水体、潮汐滩涂、农田和不透水地表。

相比之下，JDS位于上海市东部的长江入海口，是典型的潮汐平原湿地。其盐沼植被主要由潮间带常见的盐生植物组成，并呈现出沿潮汐梯度的明显分带现象。JDS的土地覆盖类型包括互花米草、芦苇、藨草（Scirpus mariqueter）、潮汐滩涂和水体。两个湿地的地理位置如图1所示，为后续研究提供了清晰的地理背景。

### SAR数据的处理与特征提取

在LOSF_LC方法的实施过程中，SAR数据的处理和特征提取是关键步骤。所有SAR图像首先经过一系列预处理，包括图像配准、Lee滤波去噪、辐射校正和地理编码，最终投影到WGS84坐标系统。校正后的图像被转换为以分贝（dB）为单位的回波值，以提高数据的可解释性。为了提高分类性能，研究团队结合了不同尺度的特征。例如，多尺度光谱特征、通过最小偏差变量选择将特征分为最小、中等和最大尺度的类别，以及在语义分割领域应用的多尺度特征融合方法。在本研究中，特征被划分为时序和空间两个尺度，其中时序特征强调回波变化，而空间特征则突出结构差异。在计算成本可控的前提下，多尺度特征提取有望进一步提升分类精度。

对于时序特征的提取，研究团队将每年的SAR图像分组，并分别对VH和VV极化的时间序列图像应用SG滤波（3×3窗口，2度），以减少噪声，从而获得平滑的时序特征。空间特征的提取则包括对每年的VH和VV回波值进行平均，以降低斑点噪声的影响，并突出空间信息。随后，利用灰度共生矩阵（GLCM）计算纹理特征，并基于平均后的VH和VV回波值计算雷达指数，以增强土地覆盖类型的区分度。所有提取的特征及其定义如表S1所示。

### 分类顺序的确定

在分类框架的构建中，确定土地覆盖类型的提取顺序至关重要。知识驱动的分类模型通常难以基于定量结果设计合理的分类顺序，因此研究团队采用了JM距离这一统计量来量化不同土地覆盖类型之间的可区分性。JM距离基于Bhattacharyya距离，将其范围限定在0–2之间，从而提供一个更稳健且一致的决策依据。较大的JM距离值表明两类之间的可区分性更强。相比于其他可区分性指标，如变换发散度，JM距离能够避免对类别可区分性的高估。通过计算不同类别之间的平均JM距离，研究团队确定了YRD和JDS的分类顺序。YRD的分类顺序为：非盐沼 < 盐地鼠尾草（S. salsa）< 互花米草（S. alterniflora）< ?柽柳（T. chinensis）< 芦苇（P. australis）。JDS的分类顺序为：藨草（S. mariqueter）< 芦苇（P. australis）< 互花米草（S. alterniflora）< 非盐沼。通过优先处理更容易区分的类别，研究团队有效减少了复杂类别对模型学习的干扰，从而提高了整体分类精度。

### 时空特征的选择

在确定分类顺序后，研究团队使用五折交叉验证的RFE方法选择每层分类所需的最优时空特征。对于YRD，第一层保留72个特征，第二层保留39个特征，第三层保留45个特征，第四层保留19个特征。对于JDS，第一层保留74个特征，第二层保留16个特征，第三层保留15个特征，第四层保留23个特征。这些特征的选择有助于在不同分类阶段优化模型性能，从而实现更高的分类精度。例如，在YRD的第三层中，互花米草在8月至10月达到生物量峰值，其高密度、直立茎的结构特征使得其回波值更强，从而增强了分类的可区分性。而在区分芦苇和柽柳时，由于两者结构差异较小，空间特征的识别效果有限，因此需要依赖时序特征。

### 分类框架的构建

基于上述分类顺序和最优特征选择，研究团队构建了完整的LOSF_LC分类框架。以YRD为例，该框架的结构如图6所示。第一层用于区分盐沼与非盐沼区域，以及具有显著结构差异的盐沼物种，如盐地鼠尾草。第二层则专注于提取互花米草，利用其在特定生长阶段的结构特征。第三层用于区分芦苇和柽柳，通过其在8月至11月的时序特征实现更精确的分类。第四层则用于最终的分类结果，结合所有层次的特征优化，提高分类的整体准确性。对于JDS，分类框架同样遵循从易到难的顺序，确保分类过程的稳定性。通过这种分层处理，LOSF_LC在复杂盐沼植被分类中表现出色，为后续的生态分析提供了可靠的数据基础。

### 分类方法的验证与评估

为了验证LOSF_LC方法的性能，研究团队使用了LightGBM、XGBoost和RF三种分类器，并在YRD和JDS两个区域进行了测试。结果表明，LOSF_LC在分类精度方面优于传统方法。在YRD中，LOSF_LC的总体精度（OA）分别比RFE方法提高了2.62%、3.44%和1.64%，其中LightGBM表现最佳，总体精度达到96.07%。在JDS中，LOSF_LC的总体精度也显著提升，分别为95.83%、94.91%和96.30%。此外，研究团队还计算了每个土地覆盖类型的F1分数，以评估分类的平衡性。结果显示，LOSF_LC在盐沼植被分类中取得了显著进展，尤其在区分复杂盐沼类型方面效果突出。然而，在某些情况下，如使用XGBoost分类器时，互花米草的F1分数略有下降，这表明分类器的选择对结果有一定影响。

### 湿地面积变化与生态影响

通过LOSF_LC方法，研究团队生成了2017年至2024年YRD和JDS的10米分辨率土地覆盖分布图，并分析了互花米草管理前后的湿地变化。在YRD中，互花米草的面积从2017年的41.57平方公里扩展到2021年的47.11平方公里，逐渐扩散至河口和南部湿地。随着2022年清除行动的启动，互花米草的分布变得更加碎片化，部分区域被重新转化为潮汐滩涂。然而，由于其强大的入侵能力和再生能力，互花米草的面积仍持续增长。在清除过程中，一些芦苇和盐地鼠尾草的区域被误清，导致其覆盖面积下降。2023年，随着清除措施的加强，互花米草的面积急剧下降至13.86平方公里，许多区域恢复为潮汐滩涂。然而，机械清除方法对盐地鼠尾草的潮汐滩涂栖息地造成了破坏，导致其覆盖面积未能恢复至2017–2022年的水平。因此，清除互花米草后，实施盐地鼠尾草的恢复计划成为重要任务。

相比之下，JDS的结构相对简单，大部分区域由盐沼植被占据。互花米草主要分布在中下沙洲，并与芦苇在岛屿的中西部区域混合生长。芦苇则主要集中在上沙洲，而互花米草在东部边缘的入侵较为有限。藨草的分布较为稀疏，沿两个岛屿的海岸线分布。从2017年至2024年，由于持续的沉积作用，JDS的陆地面积逐渐扩大。然而，清除互花米草后，一些原本被其占据的区域转化为潮汐滩涂，导致藨草的覆盖面积显著下降。在2022年至2024年期间，互花米草的面积从49.52平方公里增加至61.07平方公里，但在2023年，随着控制措施的实施，芦苇的覆盖面积显著增加，部分区域重新被芦苇占据。同时，藨草也表现出明显的恢复迹象，其面积增加了3.44平方公里。这些变化表明，互花米草的清除对湿地生态系统的恢复具有积极作用。

### 景观格局指数的应用

为了进一步分析湿地变化对生态系统的影响，研究团队引入了景观格局指数（Landscape Pattern Indices, LPI、PD和AI）。这些指数能够反映景观的结构变化和空间特征，为评估互花米草清除对盐沼植被的影响提供了定量依据。在YRD中，PD（景观破碎度）在2017年至2021年期间逐渐下降，表明互花米草的扩张导致了盐沼植被的破碎化。随着2022年清除行动的启动，PD开始上升，表明互花米草的分布变得更加分散。与此同时，芦苇和柽柳的分布变得更加密集，整个湿地景观趋于稳定。AI（聚集指数）则反映了清除互花米草后，芦苇在湿地中的主导地位。此外，LPI（景观优势度）也显示出芦苇景观优势的增强，表明其在湿地生态系统中的重要性增加。

在JDS中，由于互花米草占据大量面积，其LPI一直是最高的。然而，随着清除行动的推进，互花米草的PD上升，而AI下降，表明其分布变得更加分散。同时，芦苇和藨草的PD增加，AI下降，表明其在清除互花米草后表现出更强的聚集性。这些变化表明，清除互花米草有助于提升湿地的稳定性，同时为盐沼植被的恢复提供了有利条件。然而，景观格局指数也揭示了JDS仍然面临湿地破碎化加剧的风险。

### 分类方法的局限性与未来展望

尽管LOSF_LC方法在盐沼植被分类中表现出色，但仍存在一定的局限性。例如，在YRD中，由于农田与盐沼植被在某些区域具有相似的特征，导致误分类。研究团队在实验中发现，当将农田作为独立的分类层处理时，总体精度（OA）下降了3.43%，Kappa系数下降了0.042。这表明，农田与盐沼植被之间的混淆仍然是一个挑战。因此，未来的研究可以考虑引入基于对象的分类方法，以更有效地识别农田区域。此外，LOSF_LC方法的可扩展性使其适用于其他复杂土地覆盖类型，特别是在区分高度混淆的盐沼植被和非盐沼类（如红树林和互花米草）方面具有潜力。然而，当类别之间区分度较高时，LOSF_LC的分层分类机制可能难以有效应用。

在未来的应用中，LOSF_LC方法可以与光学遥感数据相结合，以进一步提升分类精度。尽管SAR图像不受云层干扰，但在数据获取过程中，由于传感器限制，2022年至2024年的图像数量有限，这可能影响湿地监测的准确性。然而，有限的光学图像仍然能够显著提高分类效果。通过结合SAR和光学数据，研究团队认为可以实现更全面的湿地监测。这种多源数据融合的方法不仅能够弥补单一数据源的不足，还能提供更丰富的地表信息，从而提高分类的鲁棒性。

### 研究的结论与意义

综上所述，LOSF_LC方法在盐沼植被分类中表现出显著的优势，特别是在区分复杂盐沼类型方面。通过分层处理和时空特征优化，该方法有效提升了分类精度，为湿地监测和生态评估提供了新的思路。在YRD和JDS两个研究区域中，互花米草的清除显著改善了本土盐沼植被的生存条件，促进了湿地生态系统的稳定。然而，清除互花米草也带来了新的生态风险，如潮汐滩涂的减少可能加剧土壤和水体流失，影响湿地的缓冲能力。因此，在清除互花米草的同时，应优先考虑种植具有强海岸稳定性的本土盐沼植被，以增强湿地的生态功能。

此外，研究团队发现，空间特征在识别具有明显结构差异的土地覆盖类型方面效果显著，尤其是在区分盐沼与非盐沼区域，以及盐沼植被之间的差异时。相比之下，SAR纹理特征在大多数分类任务中作用有限。因此，结合空间结构特征与植被生长周期的时序特征，是实现精准湿地分类的关键。未来的研究可以进一步探索如何优化特征选择策略，以适应不同湿地类型和环境条件，从而提升分类的适应性和准确性。