结合淹没红树林指数特征与K-means聚类的滨海自然与人工湿地提取方法

主要发现

相比现有指数，IMFI能更有效区分水域、养殖坑塘和滩涂，增强湿地类间区分度。

通过协同K-means分类结果与IMFI，能增强湿地类间、湿地与其他地物的区分性，解决错分与漏分问题。

方法在粤港澳大湾区滨海区域分类的平均总体精度为89.23%，平均Kappa系数为0.8731，时间上波动小。

本文技术路线由3个部分组成：首先，对Landsat图像进行处理，通过时序数据获得各指数的分位数等数据；其次，对云量小于50%的图像进行目视解译，获得样本点；最后，采用随机森林算法分类，进行后处理与精度评价。

图1 滨海湿地监测分类流程

本文在Murray等(2019)方法的基础上，添加IMFI并结合K-means算法的聚类结果，利用其中的蓝波段增强对水下信息和浑浊水体的识别，提高湿地类间的区分度。

IMFI计算公式如下：

IMFI = (BLUE + GREEN - 2 × NIR) / (BLUE + GREEN + 2 × NIR)

式中：BLUE、GREEN、NIR分别表示Landsat卫星的蓝、绿、近红外波段。

表1 随机森林采用的特征变量
特征指数	对应指标名称
AWEI、NDWI、mNDWI	p10, p25, p50, p75, p90, stdDev, max, min, median, intMn1090, intMn0010, intMn1025, intMn1090, intMn2550, intMn2575, intMn5075, intMn90100
NIR, SWIR1, NDVI	intMn1090
地形数据	DEM, slope
IMFI	p10, p25, p50, p75, p90, stdDev
K-means	cluster

K-means分类方法与随机森林模型分类结果受参数选择影响，其中K-means分类结果受分类数和随机点个数影响，随机森林模型结果受决策树个数影响。

图2 模型各参数选择（2000年数据）

IMFI各百分位数均能增强滩涂与水域之间的区分度。以往研究中常使用IMFI增强红树林的区分度，而发现IMFI的第75与90分位数上水域、滩涂与养殖坑塘的值位于不同区间，有助于增强湿地类间区分度。

图3 文献方法与改进方法分类结果与公开数据对比图（2000年数据）

改进方法能改善湿地内部的湿地类间误分问题。利用K-means算法对地物聚类，实现对河流、养殖坑塘等具有边界地物的分割，且聚类中养殖坑塘多为同一类，减少了近岸侧养殖坑塘误分为滩涂的情况，从而提升提取效果。

图4 2000年各分类精度对比

总体精度能提高约4%，Kappa系数提升约0.05，除红树林分类精度略有降低外，其他湿地分类精度均有较大提升。

图5 1990-2020年大湾区珠江八大口门滨海湿地分布

自然湿地多呈萎缩态势，且有相当部分的自然湿地向人工湿地转化。与此同时，作为人工湿地扩张的主要区域，各出海口呈现不同程度的先扩张再萎缩变化趋势。

图6 滨海湿地逐年分类精度与动态变化

1987-2020年湿地分类数据集平均总体精度(OA)为89.23%，平均Kappa系数为0.8731，时间上具有较好的一致性，波动相对大的年份为1989、2002与2015年。

对比实验结果显示，相较于常用的水湿指数，各湿地IMFI第75和第90分位数位于不同区间，更适合同时提取2类湿地提取。IMFI不仅能有效区分湿地与水域，更能提高养殖坑塘和滩涂之间的区分度。

在添加IMFI各分位数与斜率的基础上，协同K-means聚类方法，可有效提升方法的分类精度。K-means聚类方法能有效对河流、坑塘等具有相对明确边界的地物进行分割。

采用单变量控制法优选随机森林与K-means聚类方法的参数，有效提升了模型效率与提取精度。本方法在不同研究时段之间精度较为平稳。

适用范围拓展：文献[18]方法中还使用ETOPO1数据集和全球地表水发生数据集作为特征变量。如果进行更大范围的研究，添加这2个特征变量有望提升分类精度。

模型优化与指数寻优：通过指数优选，不仅能提升模型的计算效率，更使模型利用少量特征变量即能有效提取湿地，并明确湿地分类所需的关键性指标。

结合多源专题数据的自动化提取方法开发：结合多源湿地专题数据技术框架或可一定程度降低样本点获取的难度，使方法能快速应用至大尺度区域的湿地识别。