１引言

海濱濕地是指發(fā)育在海岸帶附近并且受海陸交互作用的濕地，是陸地生態(tài)系統(tǒng)和海洋生態(tài)系統(tǒng)的交錯過渡地帶，廣泛分布于沿海海陸交界、淡咸水交匯地帶，是一個高度動態(tài)和復雜的生態(tài)系統(tǒng)［１］。江蘇鹽城海濱濕地屬于典型的淤泥質海岸濕地類型，由于海岸的不斷淤長，海濱濕地植物覆被類型比較豐富多樣，景觀格局處于不斷演變之中［２］。遙感技術是獲取地表覆蓋信息的有效技術手段，目前廣泛用于濕地研究中并取得了顯著的成果［３－５］。采用何種方法對濕地遙感信息進行有效提取，以達到理想精度要求，一直是濕地遙感研究的重要內容。目前，濕地遙感信息提取中難度最大的是對濕地植物覆被類型的有效識別，其方法研究成為濕地遙感信息提取的難點與熱點［３－５］。而針對不同的遙感數(shù)據(jù)源，學者們采取的方法各異。如于歡等［６］選取ＡＬＯＳ遙感影像為數(shù)據(jù)源，通過對其波段的光譜及紋理特征進行分析，采用非監(jiān)督、監(jiān)督及面向對象分類方法，對三江平原濕地信息進行提取。那曉東等［７］以Ｌａｎｄｓａｔ衛(wèi)星影像為數(shù)據(jù)源，利用回歸樹集中挖掘分類規(guī)則對濕地類型進行分類研究。牛明香等［８］利用ＴＭ數(shù)據(jù)，提出了單紅外閾值法和改進的監(jiān)督分類相結合方法對濕地進行分類。從目前的研究進展來看，濕地遙感分類研究采用的數(shù)據(jù)源大部分都是ＴＭ、ＳＰＯＴ等影像，而利用ＡＬＯＳ數(shù)據(jù)的研究并不多。

本文針對江蘇海濱濕地的時空分布特征，選擇ＡＬＯＳ影像為數(shù)據(jù)源，其原因是保護區(qū)核心區(qū)面積較小，空間分辨率較高的ＡＬＯＳ影像更適合，而不選用波段與之相似的Ｌａｎｄｓａｔ衛(wèi)星數(shù)據(jù)。另外，相比于分辨率相同的ＳＰＯＴ等影像，ＡＬＯＳ影像在圖像紋理特征方面，如反映地物類別空間特征的差異性和紋理信息的豐富程度均比ＳＰＯＴ５等影像強，并且小圖斑的面積精度也優(yōu)于ＳＰＯＴ等影像［９］；從時間選擇來看，由于１１月份海濱濕地的鹽蒿呈現(xiàn)紅色，與其他濕地植被類型的色差比較明顯，是濕地遙感信息提取的較好時機。而選用的ＡＬＯＳ數(shù)據(jù)在２００６年１１月９日恰好在海濱濕地過境，故采用分辨率高、性能好、價格低的秋季ＡＬＯＳ影像作為本次研究的數(shù)據(jù)源最為合適。

為此，針對海濱濕地植物覆被類型遙感信息分類難度大，以及濕地植物覆被類型之間的生態(tài)交錯帶信息難以正確識別的問題，綜合考慮光譜信息、空間信息并附加知識規(guī)則和ＧＩＳ規(guī)則，對海濱濕地進行遙感分類方法研究，為海濱濕地研究提供重要的科學支撐。

２研究區(qū)概況

江蘇鹽城國家級珍禽自然保護區(qū)核心區(qū)是目前殘留的典型淤泥質海濱濕地代表，具有豐富多樣的濕地類型。該區(qū)域位于新洋港和斗龍港出海河之間［１０］，地理位置位于３３°２５′０″～３３°４２′４０″Ｎ，１２０°２６′４０″～１２０°４４′４０″Ｅ，面積為２０３．５７ｋｍ２，基本保持自然景觀狀態(tài)。濕地植物覆被類型包括蘆葦群落、大米草群落、鹽蒿群落等［１１］。研究區(qū)位置如圖１所示。

３數(shù)據(jù)源

采用的數(shù)據(jù)為ＡＬＯＳ數(shù)據(jù)，重訪周期為４６ｄ，衛(wèi)星軌道為太陽同步。ＡＶＮＩＲ－２傳感器可以接收４個波段的數(shù)據(jù)，分別為藍波段（０．４２～０．５０μｍ）、綠波段（０．５２～０．６０μｍ）、紅波段（０．６１～０．６９μｍ）、近紅外波段（０．７６～０．８９μｍ）。多光譜分辨率１０ｍ，全色波段空間分辨率２．５ｍ。為了更準確地提取信息，還采用了其他相關輔助資料，包括１∶４０００００江蘇省海岸土地利用圖以及野外調查時３８個點ＧＰＳ數(shù)據(jù)。

３．１數(shù)據(jù)預處理

本文采用ＥＮＶＩ下的ＦＬＡＡＳＨ模塊對ＡＬＯＳ影像進行大氣校正。ＦＬＡＡＳＨ是基于ＭＯＤＴ－ＲＡＮ４大氣校正模塊，可以從多光譜遙感影像中復原地物的地表反射率，是多光譜能量影像反射率反演的首選大氣校正模型［１２］。影像幾何校正通常選取圖像上有定位識別明顯的標志，如道路交叉點、河流岔口等ＧＰＳ記錄點為控制點。采用二次多項式變換和最鄰近像元重采樣的方法對原始影像進行幾何糾正，ＲＭＳ小于０．５個像元。

３．２濕地分類系統(tǒng)的建立

根據(jù)研究區(qū)濕地類型的特征，綜合考慮遙感影像數(shù)據(jù)的可解譯性，建立濕地土地利用／覆被分類系統(tǒng)，見表１。

４對ＡＬＯＳ影像的非監(jiān)督分類

針對本研究區(qū)特點，海岸帶地物在遙感影像上的光譜比較復雜。選擇的訓練區(qū)不可能包括所有的光譜類型，也就是說有一部分像元會出現(xiàn)漏分的現(xiàn)象。所以本文采用人機交互的非監(jiān)督分類方法，算法是重復自組織數(shù)據(jù)分析技術（ＩＳＯＤＡＴＡ）。

４．１分類的過程及結果

海岸帶地物的波譜相關性較大，也就是“同物異譜”和“異物同譜”的情況比較多。鑒于這種情況，使用非監(jiān)督分類時，一般設置分類的數(shù)目比最終分類數(shù)量多３～４倍，再進行合并，防止錯分漏分，以提高分類精度。本次研究初始分類數(shù)定為３０類，輸出分類圖像后再對３０類地物進行合并，找到最佳的合并方案，然后再對其進行重新合并。把原始影像和分類的結果進行對比，并且參考１∶４０００００江蘇海岸土地利用數(shù)據(jù)，對３０類地物進行同類合并刪減。合并時盡量遵循以下規(guī)則，盡可能地把地物歸為：養(yǎng)殖塘、河流、蘆葦、鹽蒿、米草和光灘６類。利用上述規(guī)則，在ＥＮＶＩ中對非監(jiān)督分類的圖像進行重新歸類，結果如圖２所示。

４．２分類精度檢驗

精度檢驗是遙感分類的必備工作，通過精度分析可以清楚地發(fā)現(xiàn)哪些類別的分類精度還有待提高，從而改進分類模式，修改分類結果，提高分類精度。根據(jù)所選擇的樣本，大致為１５０個樣本點，其中包括野外調查時３８個點ＧＰＳ數(shù)據(jù)，每類樣本至少２０個，在ＥＮＶＩ４．７軟件的分類后處理中選擇混淆矩陣法通過地表真實感興趣區(qū)進行精度檢驗。經檢驗，總體分類精度為７８．８７８６％，Ｋａｐｐａ系數(shù)為０．７４１５，具體參數(shù)見表２。