论文部分内容阅读
湿地是地球上最大的“碳库”之一,对区域生态环境及气候十分关键。由于自然和人为因素的综合影响,湿地大面积退化和消失,面临着重大威胁。利用遥感技术完成高精度湿地制图、分析湿地植被时空变化,并探讨其驱动机制,对湿地资源的保护与管理、恢复与重建具有重要意义。本文基于光学和合成孔径雷达遥感影像构建了多时相光谱反射率、植被指数、物候参数和后向散射系数等多特征遥感数据集,提出了面向对象Stacking集成学习算法,并用于洞庭湖湿地植被精细分类。其次,采用STNLFFM（Spatial and Temporal Non-Local Filter-Based Data Fusion Method）时空融合模型,重构2000～2019 年高时空分辨率 NDVI（Normalized Difference Vegetation Index）数据,通过 BFAST（Breaks For Additive Seasonal and Trend）断点检测算法对湿地植被时空变化进行了分析。最后,利用偏相关量化算法定量地探讨了湿地植被时空变化驱动机制。主要研究结论如下:（1）协同使用多源、多时相、多特征遥感数据可显著提高湿地植被分类精度。使用多时相Sentinel-2多光谱数据的湿地植被分类总体精度OA（Overall accuracy）=80.73%,Kappa=0.79。结合30期时序 Sentinel-1后向散射系数和23期融合NDVI数据后,OA和Kappa系数分别提高至90.67%、0.89。利用多时相Sentinel-2光谱数据、植被指数、Sentinel-1后向散射系数、融合NDVI以及物候参数时,湿地植被分类精度最高（OA=91.37%,Kappa=0.90）。（2）本文提出的面向对象Stacking集成学习算法在洞庭湖湿地植被分类的OA和Kappa系数分别为91.37%和0.90,相比基于像元的Stacking方法分别提高了 4.13个百分点和0.04。提出的算法在高异质性湿地的植被分类显著优于随机森林、k最邻近和支持向量机等传统分类方法,具备大尺度湿地植被精细分类的应用潜力。（3）联合STNLFFM时空融合模型与BFAST断点识别算法可以有效分析湿地时空变化格局及其分异特征。通过STNLFFM模型融合Landsat和MODIS影像,生成了 240景30m分辨率NDVI月度产品,并利用BFAST算法进行湿地植被变化检测。湿地植被变化检测在空间和时间尺度的精度分别为82.6%和84.6%。2000～2019年间,洞庭湖湿地50%以上的植被区域至少具有2个突变点,约5%的植被区域发生了 8次突变。（4）利用偏相关量化方法对洞庭湖湿地植被进行了驱动力分析。2000～2019年间,洞庭湖湿地NDVI以0.006a-1速率增加。气候变化是洞庭湖湿地时空变化的主要驱动力,主导了洞庭湖湿地植被退化（59.19%）。其中,太阳辐射对植被的影响大于气温和降水量。人为活动是促进湿地植被恢复的主要因素（58.85%）。