基于modis时间序列数据的洞庭湖湿地动态监测-陈燕芬.pdf

《基于modis时间序列数据的洞庭湖湿地动态监测-陈燕芬.pdf》由会员分享，可在线阅读，更多相关《基于modis时间序列数据的洞庭湖湿地动态监测-陈燕芬.pdf（12页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、水 利 学 报2016年9月 SHUILI XUEBAO 第47卷第9期文章编号：05599350(2016)09109312基于MODIS时间序列数据的洞庭湖湿地动态监测陈燕芬12牛振国，胡胜杰“2张海英1(1中国科学院遥感与数字地球研究所遥感科学国家重点实验室，北京 100101；2中国科学院大学，北京 100049)摘要：本文以洞庭湖湿地为研究对象，以2001-2014年MODIS时间序列数据产品MODIS一13Ql为主要数据源，利用一年内23景时间序列增强型植被指数(EVI)数据建立不同地表类型(包括各种湿地类型)的时间序列特征参考曲线；在此基础上采用波谱匹配的最小距离分类方法对研究区

2、进行湿地分类和制图。研究结果表明：(I)2014年研究区总体分类精度和Kappa系数分别为8787和O85，表征湿地动态性特征的季节性湿地分类精度为8485，具有较好的分类精度，说明基于时间序列遥感数据的分类方法可以满足湿地动态性特征监测的需要；(2)2001-2014年洞庭湖天然湿地(包括永久性水域、永久性沼泽和季节性沼泽、泥滩)呈现了波动减少的趋势，其中永久性水域减少约I 1，永久性沼泽减少约22，而季节性湿地减少约13；同时，林地则呈现了持续增长的特征，到2014年成为保护区内面积最大的覆盖类型，增长了29；而农田面积保持了相对的稳定；(3)洞庭湖湿地水域面积缩小、季节性湿地空间位置的变

3、化及沼泽区人工林地的大面积种植改变了洞庭湖原有生态系统格局，进而对洞庭潮湿地的生态服务功能产生潜在影响。关键词：洞庭湖湿地；MODIS；时间序列；波谱匹配；物候特征中图分类号：X87 文献标识码：A doi：10132430cnkislxb201512451研究背景湿地生态系统位于水陆过渡地带，它能提供一些特定的、陆地和海洋所无法提供的生态服务功能，例如，防洪蓄水、降解污染、生物多样性保护、碳存储和气候调节。近年来，由于气候等自然条件的波动和人类活动加剧的影响改变了湿地的生态功能，引发了一系列环境和社会问题，在世界范围内引起了广泛的关注陋。准确地监测湿地的这些时空变化和正确理解这些变化的原因对

4、湿地生态系统的保护和科学研究具有重要意义。湿地生态系统的景观类型不仅在空间上具有较大的异质性，而且随水体的变化具有较强的动态性特征，这给湿地的精确制图和变化监测带来很多挑战乜】。过去由于受到遥感数据源及其方法的限制，对湿地的监测和制图多采用单期的遥感数据。这种传统方法虽然解决了对湿地分布等信息的初步需求n，但由于湿地较强的动态性特征，使得基于单期遥感数据获取的湿地分布等信息具有较大的不确定性3；同时对特定类型的湿地(如季节性湿地等)无法进行监测。为克服湿地动态性带来的湿地监测的不确定性，一些应用和研究在进行长期监测时，选择尽可能收集相同季相(如丰水期)或相近月份的遥感数据哺1。但由于水体存在年

5、际间的变化。这种方法的结果依然存在不确定性。通过增加观测的时间频率，可以在一年内不同的季节里进行重复观测，从而可以实现对湿地季节性变化特征的反演，为在理论上解决湿地的动态监测提供了可能的途径。中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer，MODIS)是美国宇航局设计收稿日期：2015一ll一20；网络出版日期：20160722网络出版地址：http：wwwcnkinetkcmsdetailI 11882TV201607221024，005html基金项目：国家自然科学基金项目(41274123)作者简介：陈燕芬(1991-)，福

6、建漳州人，硕士生，主要从事湿地遥感变化监测研究。E-mail：chenyfradiacca通讯作者：牛振国(1972-)，山东沾化人，研究员主要从事湿地遥感与评价研究；E-mail：niuzgradiaccn一1093万方数据用于提供大范围全球数据动态测量的传感器，分别搭载在Terra卫星(1999年发射)和Aqua卫星(2001年发射)上，包括36个离散光谱波段，实现从O4 pm(可见光)到14。4拉m(热红外)的光谱覆盖，每12 d提供地球表面观察数据。对同一地点可以实现上午和下午的重复观测。因此理论上MODIS的遥感数据可以满足湿地动态监测的需要。国内外应用MODIS时间序列遥感数据主要

7、集中在土地覆盖分类1、植被物候、作物估产等方面研究，将此方法应用到湿地监测研究还很少。时间序列的植被指数如归一化植被指数(NormalizedDifference Vegetation Index，NDVI)、增强植被指数(Enhanced Vegetation Index，EVI)等遥感指标对植被生长特征具备良好的表达能力，具备相同或相似时间序列曲线的像元属于同一湿地类型的概率大“引，因此该方法在湿地的分类中得到了认可。马龙等n基于多时相的MODISNDVI数据使用光谱的统计特征进行湿地植被信息提取；Antieo等n卸通过时间序列的MODISNDVI数据应用独立成分分析法(ICA)对南美洲的

8、湿地植被变化进行分析；Chen等引利用MODISNDVI数据在使用ISODATA进行聚类的基础上使用决策树的方法对鄱阳湖2000-2012年进行变化监测。但以上研究中未能充分利用MODIS时间序列的植被指数所包含的植被物候特征，这些分类方法也只限于提取特定湿地类型信息。那晓东等41通过把23景MODISNDVI数据进行线性插值成45景时间序列影像，使用基于傅里叶组分的波形相似度指数方法对三江平原湿地植被(沼泽植被、沼泽化草甸植被、水田植被、林地植被、旱地植被和灌木植被)进行了分类，总体精度为79。67。但其中沼泽化草甸植被、沼泽植被的分类精度不高。另外由于NDVI作为分类指标易达到饱和，生长季

9、可能存在物候特征被抑制的现象。由于不同地物类型具有明显的物候特征差异，因此可以借鉴高光谱中的波谱匹配方法(Spectral Matching Techques，SMTs)5。”1，以地物的物候特征曲线代替波谱曲线进行地表覆盖分类。洞庭湖湿地是我国最大的淡水湖泊湿地之一，是野生鸟类和鱼类等多种珍贵野生动物重要的栖息地和繁殖地n“。湿地生态系统中水文要素是影响湿地植被和湿地演化的关键，是湿地生态系统具备动态性特征的根本原因“。三峡工程的修建和运行，改变了长江和洞庭湖之间的水文交换关系，从而对洞庭湖湿地生态系统及其功能产生了不同程度的影响n引。目前围绕三峡水库蓄水前后(2003年)洞庭湖湿地某些单独

10、要素的变化进行的研究中，未涉及季节性湿地这一重要类型，且时间周期较短(35年或者1年为研究周期)】。由于湿地水文变化引起的湿地生态系统的变化是一个相对缓慢的过程，短时间周期的研究未能反映长时间序列湿地与非湿地、季节性湿地与非季节性湿地等连续的变化情况。因此本文主要目标包括：(1)以季节性变化特征显著的洞庭湖湿地为例，针对湿地动态性特征，研究基于时间序列遥感数据的湿地分类方法；(2)利用2001-2014年较长时间序列的MODIS数据进行洞庭湖湿地的动态监测和分析；(3)在此基础上探讨不同江湖水文交换关系下洞庭湖湿地生态系统的时空变化特征及其可能的生态影响，从而为洞庭湖湿地的保护和合理利用提供科

11、学依据。2研究区域概况21研究区概况洞庭湖位于湖南省北部，长江荆江河段南岸(1 10。40，_1 13。10E，28030f_一2903l 7N)，是我国第二大淡水湖。洞庭湖北纳长江的松滋、太平、藕池三口来水(以前为四口，其中调弦口已经堵塞)，南和西接湘、资、沅、澧四水在岳阳市城陵砚注入长江n”。洞庭湖区的气候类型为亚热带季风气候，49月为雨季，l卜次年3月份为旱季，降水在季节间分配不均导致洞庭湖湿地呈现出“涨水为湖，落水为洲”的现象。季节性出露的泥滩和沼泽为候鸟和鱼类提供了不可多得的栖息地和产卵地。洞庭湖湿地生物多样性极其丰富，每年约有1 000万只候鸟在东洞庭湖湿地越冬，是白鹤、黑鹤等许多

12、水禽的重要栖息地；同时也具有重要的洪水调蓄等其他功能乜“。东洞庭湖湿地、南洞庭湖湿地与西洞庭湖湿地分别于1992年和2002年被列入湿地公约目录，成为中国46个国际重要湿地中的3处，总面积近4 000 km2，成为世界最重要的湿地保护地之一。本文的研究区由以上3个国际重要湿地合并而成(图1)。22数据源 本文使用的数据为MODIS数据的植被指数产品(MODISl3Q1)，该数据集包括NDVI、一1094万方数据1EVI16d16d 250 m 2001 11-201412 1 23 14322EVI1 1 MO据。其中 数据集根据原始数据合成期 内的 畔吓orr，。彳下曾簿盖疆番髦嘎聪：鼍翟近

13、红外波段反射率和红光波段反射率的比值经蓝光 至】 y、一一、 I主匿ij二：=i；i孵矬!波段的反射率数据进行修正后采用最大值合成法 吝J、鲁赢、：f：竺棚、善函芷灏江：擞圆遮(Mvc)得到，已经过几何校正和大气校正，时间和 ，1 4。蔓湖南R汀甄，一，1 f黑聚豳虐鼻曩簟戳空间分辨率分别为 和 。时间覆盖 年 声 。文一己入 丽曩酱圈S_露月 年 月， 年中有 景影像， 年共 i矗丽鬲1百丽而了而&i谬毒。胡匿黔垡景影像。由于 的标准值为一 ，而 一屯些垒鹾!翌：鲤逊3研究方法31数据预处理EVI时间序列数据通过使用16 d最大值合成方法及云层检测算法进行处理，虽然在一定程度上减少了传感器、

14、观测角度和云、水汽及气溶胶等的影响，但仍然存在较大的残差，阻碍了对数据的进一步分析利用旺引。SavitzkyGolay(sG)滤波法m3采用原始数据的上包络线来拟合时间序列的变化趋势，以去除时间序列数据的突变噪声点。Bian等1通过对SG滤波算法、中值滤波算法和傅里叶变化法进行比较，证明SG滤波法在像元的时间序列曲线上具有较好的效果。本文使用TIMESAT软件瞳引对原始时间序列的EVI数据进行SG滤波处理，滤波窗口大小设置为4x4像元。从初步滤波的结果可以看出(图2(a)，经过SG滤波处理后的地物物候特征曲线的不规则波动得到了较大的改善。但是对于原始数据中存在的异常值(如图2(b)中的水域的E

15、V值为o8)，在经过滤波后依然属于异常值(O6)的范围，需要进一步的处理。表1 MODIsl3Ql(v005)产品Data pixel reliability数据集DV值及处理权重MODISl3Q1数据集中同时提供了像元可信度数据集(data pixel reliability)，参考成像时的环境特点对每个像元的可信度做出评价和说明，可为EV异常值的修正提供依据。我们通过把量化的像元可信度数据转换成质量权重数据，替换S-G滤波迭代过程中的距离权重系数，进一步修正受冰雪和云层影响的像元。经过反复试验及参考宋春桥等n71人的结果，本文中把质量控制数据中DN值为一1的权重赋予0，DN值为1的点赋值0

16、8，而DN值为2和3的点权重为02(表1)。通过在S-G滤波中加入像元质量数据进行处理，可以看出EV值异常的点得到了有效解决。如图2(b)中该点位于永久性水域，在时间序列影像的第17天(第一天为每年的1月1日，下文同理)影像中出现EVI值为08的异常值，未采用数据质量信息进行sG滤波时，无法将这些异常值修正；采用了数据质量信息进行sG滤波后，则可以将这些原始数据存在的异常值进行修复。32湿地类型划分 参照湿地公约分类体系并依据湿地生态系统的功能特征，将洞庭湖湿地保护区划分为永久性水域、永久性沼泽、季节性沼泽、泥滩、林地、农用地和建成区7种覆盖类型。永久性水域是指一年周期内，始终被水淹没的类型，

17、其植被指数较低，表现为水体特征；永久性沼泽表现为常年被挺水及浮水植被所覆盖，丰水期底部被水淹没，顶部仍表现为植被特征，但由于过度湿一1095万方数据人数 人数(8)林地 (b)水体图2 EVI时间序列滤波处理对比润，水分对近红外的吸收作用，同等条件下植被指数低于非湿地植被；季节性沼泽指一年周期中，在丰水期被水淹没，表现为水体特征，而在出露期间，EVI特征曲线上表现为明显的植被特征的类型；泥滩是指在雨季被淹没，旱季出露，但植被指数较低，无植被特征出现；建成区是指城市行政区内受人为影响大的区域，被不透水面所覆盖包括部分人工形成的绿化带(图3)。不同类型的植被指数特征不仅表现为绝对值的不同，且随时间

18、变化也表现为较大的差异。这使得用时间序列数据进行洞庭湖类型划分成为可能。如永久性沼泽、季节性沼泽和农用地的全年植被指数累加值均较高，但是季节性沼泽受季节性水淹影响，呈现独特的物候特征；而农用地受人为因素影响与永久性沼泽的物候特征存在差异。永久性水域由于全年植被指数均较低易于和其他类别区分。泥滩没有植被覆盖，在雨季淹没，枯水季节出露，形成独特的物候特征。林地的植被指数变化呈现出随季节变化的波动特征。建成区受城区绿化的影响，整体和林地波动特征相似，但全年植被指数小且变化较小。这些不同覆盖类型植被指数的季节差异构成了本文分类的基础。久性水域久性沼泽泥滩节性沼泽林地农用田建成区图3不同土地覆盖类型的E

19、VI特征33 EVI参考特征曲线的建立 由于同种地物类型在不同时期的植被指数不一样，通过选取关键时期的影像进行RGB赋值，相同的地物会显示出相似的颜色，这有利于对不同湿地类型的识别。通过观察EVI特征曲线发现，第257天(9月中旬)和第353天(12月下旬)影像中不同类型的地物分别达到了EVI值最大和最小的时候，而在第113天(4月下旬)影像由于受洪水淹没的影响，季节性湿地与非季节性湿地的EVI值的差异很大。通过把第257、1 13和353天影像分别赋予R、G、B三种颜色(图4)，可以容易进行地物类型的判别。因此，(1)在上述RGB彩色图像上通过目视解译初步选取样本；(2)为进一步确定所选样本

20、的可靠性，再通过Google Earth高分影像对所选样本逐一进行判别；(3)因为同种地物类型具有相似的物候特征，我们通过将一年中23景影像构成洞庭湖植被指数时间序列图像，将上面2个步骤选取的样本在该时间序列图像上检验其曲线特征是否相近(包括起始点、终止点、宽度、波幅等特征)。由此建立代表性地物样本类型的物候曲线作为分类的参考曲线(表2)。一】096万方数据34分类方法波谱匹配是指具有同样波长范围的两个波谱向量在空间上的相似性；波谱曲线的距离越小，两者的相似性越大瞠引。波谱匹配方法(Spectral Matching Techniques，SMTs)主要包含以下4种具体的方法n纠：(1)波谱相

21、关相似性；(2)基于形状和大小的波谱相似性度量法；(3)基于欧式距离的波谱相似性度量；(4)基于改进的光谱角相似性度量法。波谱匹配的最小距离分类法(Spectral matching of minimum distance，SMMD)将图像波谱看作fv维空间向量，根据波谱向量间距离的大小确定两者的相似程度，以达到识别地物的目的。通过把时间序列MODISEVI数据构成的特征曲线替代光谱曲线，以选取样本的El特征曲线作为参考曲线，用图像中逐个像元的EV时间序列特征曲线与所选取样本的图4 R(17)、G(8)、B(23)合成图像El特征曲线进行对比计算，以此对时间序列图像进行分类。SMMD的公式如下

22、：d=lXiyii=l表2不同覆盖类型物候特征曲线(2)湿地类型及特征 参考像元EVI时间序列曲线 湿地类型及特征 参考像元EVI时间序列曲线09 09永久性水域。常年被水淹 o7 泥滩。位于浅水地带，大 o7没，该类型的湿地由于没 有植被覆盖，EvI值小且全 三o 5 部分时间被水淹没，枯水 畜05年变化小；受水中杂质等 害03 季节出露，出鼹后EVi1 d 03的影响出现局部值高于。的 呈o1 被指数略有增长。 呈o1 、卜 1-_-一，情况。 一o1 一2S7r，4、 “163-rzCq9332I 353 -U1 l 65 129 193 257 32l 352天数 天数永久性沼泽。以人

23、工芦苇为09 季节性沼泽。以苔草为 o9主在2_4月份(33129， tN 主，在2月中旬左右形成天)EVI迅速增长后趋于稳 f、 第一个EVI波峰；在4月 一o。7定，在78月份(第200天 巨05 一u 、 底至6月底(第97到193 富l 05 1左右)洪水泛洲，EVI斜率出 言o3 ，勰曲黧鬣鼍现下降的趋势，8月底芦苇 差完成生长EV!达到峰值10 y月下旬至9月中旬(第 o1月中旬至lO月底芦苇收割， 一01 65 129 193 257 321 353 257289天左右)。草滩 一o1 l 65 129193 257 32l 353EVI值迅速降低。 天数 出露形成第二个波峰。

24、天数农用地。受人为因素的影0 q林地。包括自然林地和人07 响，在生长季有陡升的现象，而在收割季节有陡降 = 瓜值缓慢上涨，达到最大值 ， ，、票嚣汤?主囊凳嘉蓁善磊蓍篡后随着气温的降低EVI缓 荟03慢的下降，整体呈现随季 苫o1 物。双季节作物有双峰现 苫节变化的特征。65 129 193 257 321 353象，其特征与季节性沼泽 “1 存在明显差异。 一01 1 65 129 193 257 32I 353天数建成区。建成区受人工绿化带的影响，出现类似于林地的物候变化特征；但由于多为人工覆盖，植被指数(EVI)低于林地，且变化幅度较小。式中：n为分量数，一年中MODIs的EVI时间序

25、列图像共23期，因此n 23；置和yi分别为待分类像元的第i个向量的层w值和参考样本相应的第i个分量的Ew值，d为两者在23个分量上的距离累加值。-1097-袅万方数据SMMD在分类的过程中，通过比较待分像元与不同样本的距离d计算结果，把待分像元分到d值最小的样本所属的类别中。因此SMMD方法是基于像元在全年(同一年的23景遥感影像)的EVI植被指数变化特征进行分类，具备相同或相似EVI植被指数变化特征的像元被划分为一类。SMMD不同于传统监督分类方法中的最小距离分类法，SMMD中每一湿地类型的样本点均参与分类。季节性沼泽和永久性沼泽在生长季内EVI值均较高，使用单景影像进行划分可能存在错分现

26、象。但季节性沼泽在雨季洪水泛洲被水淹没，枯水季节出露，在EVI时间序列特征曲线上呈现出独特的双峰现象；而洞庭湖的永久性沼泽以人工芦苇场为主，收割季节EVI值在短时间内急剧下降。SMMD方法主要是根据地表类型的物候曲线特征进行分类。因此SMMD方法能根据季节性沼泽和永久性沼泽之间存在EVI曲线特征差异，对季节性沼泽和永久性沼泽进行有效提取。永久性水域和泥滩相对于其他地表类型EVI值保持较低的值，使用阈值分割方法不能进行有效区分。泥滩在枯水季节出露，EVl值上升，而永久性水域全年EVI值均保持较低值，使用SMMD方法过程中对差值进行累加之后有利于扩大泥滩和永久性水域的差别，因此可以有效区分永久性水

27、域和泥滩。4结果41分类结果精度验证 由于研究区的范围较大，且湿地的季节性变化明显，实地采集到的验证样本与分类影像存在时间差异。如季节性沼泽和泥滩受水域淹没范围的影响，呈现出落水为洲涨水为湖的特点，但是这种变化趋势能够被MODIS时间序列影像记录下来。Google Earth高分影像具有较高的空间分辨率可以清楚地进行地物类型识别，而根据MODIS时间序列影像建立的EVI特征曲线可以克服Google Earth时相不一致的问题，从季节变化特征上对验证样本进行判别。因此本文从2014年的分类图利用ENVI 51产生404个(1)随机样本点，综合使用Google Earth的高空间分辨率和MODIS

28、影像高时间分辨率的特点进行验证样本点的交叉识别，在此基础上进行分类结果的精度验证。目前常用的遥感影像精度评价方法有两种：混淆矩阵和ROC曲线，常用的为混淆矩阵。在ENVl51中使用混淆矩阵对分类结果进行精度评价(表3)。总体分类精度指的是所分类的结果与地面所对应区域的实际类型相一致的概率，反映了所有类型总体的分类精度汹1，由表3中数据计算总体分类精度，即有：(57+45+28+56+73+89+7)404=8787。制图精度是指相对于地面某一真实类别的任意随机样本，分类图上同一地点的分类结果与其一致的概率m，例如，永久性水域的制图精度即为5765=8769。用户精度表示从分类结果中任取某一类别

29、的一个随机样本，其所具有的类型与地面实际类型相同的概率，例如，永久性水域的用户精度即为5761=9344。制图精度和用户精度可以反映具体类型的分类精度。Kappa系数采用一种离散的多元技术，考虑了分类过程中的所有要素包括被正确划分的像元和错分及漏分像元的比例乜“。总体精度、Kappa系数、用户精度和制图精度基于统计学角度从不同的侧面描述了分类结果的精度，可以从定量的角度反映分类方法在实际中的分类效果，表3具体给出了各个精度评价指标计算过程中的数据分布。结果表明分类结果的总体分类精度和Kappa系数分别达到了8787和085。从表3可以看出除了林地的制图精度(7526)较低之外，其他类型的分类结

30、果均具有较高的分类精度。SMMD方法可以较好地对永久性水域与泥滩、季节性沼泽与非季节性沼泽进行区分，因此，基于时间序列MODIS遥感数据，利用SMMD方法能较好地对洞庭湖湿地进行分类。42湿地变化 洞庭湖的天然湿地(永久性水域、泥滩及沼泽)主要集中分布在东洞庭湖，农地(以水田为主)集中分布在西洞庭和南洞庭湖区。从水到陆空间上湿地各类型的分布规律依次是永久性水域、泥滩、季节性沼泽、永久性沼泽和农用地，林地交错分布在离湖较远的区域，建成区(岳阳市城区)分布在洞庭湖湿地的东北部(图5)。总体上，农用地是洞庭湖分布面积最大的类型，14年间面积基本变化不大(813934 km2)。但林地总面积处于上升之

31、中，由728 km2(2001年)上升至938 km2(2014年)，增长29，到2014年超过农用地面积，成为面积最大的类型；如南洞庭湖和西洞庭湖的洪泛平原上，发生了天然湿地与非湿地之间的类型转换，由沼泽转化为林地，林地呈现出由前期的-1098-万方数据表3洞庭湖湿地分类混淆矩阵分类后数据个参考数据永久性水域永久性沼泽 建成区息瓠 蒜永久性水域永久性沼泽泥滩季节性沼泽林地农用地建成区总和制图精度膨图5洞庭湖湿地保护区2001-2014年的分类结果零星分布到后期大面积集中分布的现象。永久性水域的面积在2001-2005年间持续下降了约1 1(571。640 km2)，2010年后处于相对稳定状

32、态，基本维持在545580 km2。永久性沼泽在地势低处向湖心扩展，面积增加，在地势高处退化面积减少；面积在前期(2001-2008年)基本稳定，2008年之后开始减少。永久性沼泽面积总体处于下降中，由598 km2(2001年)年下降至467 km2(2014年)，下降22(图6)。季节性湿地(包括泥滩和季节性沼泽)面积以2004年为界，之后面积减少约13。泥滩和季节性沼泽对水位变化敏感，和永久性沼泽存在此消彼涨的趋势(2010年之后)。整体而言，洞庭湖各种湿地类型(永久性水域、永久性沼泽、季节沼泽和泥滩)都呈现了不同程一1099一“如：2拍吼盯跖盯叭的弛：8卯s：o埘OOOOOO770堕o

33、o。，凹。粥一地一，林一o4。”。o一8泽一沼一；i藿一oo：弱。砸一季一一2滩一o勰2ooo儿泥一o3o钙o54oo弘89卯o。，：。：28万方数据1。f分图6 2001-2014年洞庭湖不同土地覆盖类型变化度的面积波动减少的特征。东洞庭湖、西洞庭湖和南洞庭湖的湖心区，永久性沼泽不断地向永久性水域和泥滩方向扩张，而离湖心较远的区域永久性沼泽转变为林地。湿地面积减少应该与三峡水库开始蓄水密切相关，而不同类型湿地面积的波动则与湖区的极端天气相关，例如2002年为洞庭湖区的丰水年，永久性沼泽面积减少，水域和泥滩面积增加，而极端干旱的2011年，永久性沼泽面积增加，水域和泥滩面积减少。5讨论51 水

34、域面积变化趋势及原因 在洞庭湖湿地与长江的水体交换中，入湖的水量包括分泄长江水的松滋、太平及藕池(三口)及湖南省边境发源的湘江、资水、沅江、澧水(四水)，经过洞庭湖调蓄后主要在城陵矶这个唯一的出口注入长江。图7(a)为提取的洞庭湖最大最小水域面积与城陵矶水文站水位观测结果的对比图，结果表明城陵矶水位变化与洞庭湖水面面积保持较大的一致性，其中最小水域面积为永久性水域面积，最大水域面积包括永久性水域、泥滩和季节性沼泽三种类型。图7(b)表明城陵矶年均流量变化与洞庭湖水域面积变化存在显著相关(p躺量一万方数据】=I口口目-_-_-_10 1 2 3 4 5 6 7 8 9 10 lI 12 13 1

35、4图8季节性沼泽时空分布永久性沼泽转化t t季节性沼泽转化为林地 为林地图9沼泽转化为林地的空间分布(1)季节性沼泽的减少导致珍惜鸟类及鱼类食物来源及栖息地面积减少；(2)季节性沼泽空间分布的变化导致季节性沼泽与水位的组合关系发生变化对鸟类及鱼类的种群结构产生影响；(3)季节性沼泽减少主要是转化为永久性沼泽及人工林地，两者相比季节性沼泽根系更发达易形成静水条件，容易滋生细菌，降低鸟类及鱼类栖息地的质量。54沼泽转化为林地的变化及影响洞庭湖植被变化中最显著的是西洞庭湖和南洞庭湖区林地面积的快速增加，主要由沼泽转化而来，如图9，其中永久性沼泽转化为林地共148 km2，由季节性沼泽转化为林地为79

36、 km2。由于南方性黑杨适应性强、生长快和经济价值高，被大量引进。在20012014年的动态监测图中，人工林地种植从最初的零星种植，绿化造林发展到最后形成以工业原料造林为目的大面积种植。滩地造林有助于当地经济发展、抑制钉螺繁殖和防浪护堤，但其作为外来物种，大面积种植后侵占原有天然湿地植被，打破了洞庭湖湿地生态系统平衡，影响了洞庭湖湿地生态系统的服务功能。大面积的滩地造林导致植被覆盖单一破坏生态系统结构；和沼泽相比，林地植被根系发达破坏地下水系，影响洞庭湖的调蓄功能；同时林地植被发达的通气组织利于湿地碳的排放，使洞庭湖湿地从碳汇转化为碳源。6结论传统应用单期遥感数据对湿地进行分类和制图不能满足湿

37、地的动态性特征监测的需要。基于不同地物的物候特征的差异，本文以湿地动态性特征显著的洞庭湖湿地为例，使用时间序列的MODIS遥感数据对2001-2014年洞庭湖湿地进行了动态监测和分析，初步得出以下结论：(1)由于云量等的影响，时间序列的光学遥感数据在实际应用中依然存在很多限制。本文利用MODIS数据产品提供的数据质量信息，扩展了sG滤波方法，有效地提高了时间序列MODIS数据的可用性。(2)借鉴高光谱分类中波谱匹配的思想，以MODISEVI时间序列特征曲线替代光谱特征曲线，利用波谱匹配的最小距离分类法对洞庭湖湿地保护区进行分类。总体分类精度和Kappa系数分别达到了8787和o85，说明该方法

38、可以充分利用地物的时间序列特征来提取季节性湿地的信息，对于湿地的动态性监测具有很好的潜在应用价值。(3)对2001-2014年洞庭湖区的监测表明，洞庭湖天然湿地(包括永久性水域、永久性沼泽和季节性沼泽、泥滩)呈现了波动减少的趋势，其中永久性水域面积减少约11，永久性沼泽减少约22，而季节性湿地减少约13；同时，林地则呈现了持续增长的特征，到2014年成为保护区内面积最大的覆盖类型，增长了29；而农田面积保持了相对的稳定。(4)洞庭湖湿地作为中国3个国际重要湿地的分布区域，在生物多样性保护和生态环境维系方面都具有重要作用。水域面积短期内的波动及长时间条件下的减少改变了季节性湿地的时空分布，进而对

39、该区域的生物多样性保护等湿地的生态功能产生诸多潜在的影响。气候变化、三峡水库的运行和滩地造林等因素十多年来对湖区生态系统产生了广泛的影响。这一1102万方数据些变化对洞庭湖湿地生态系统在防洪蓄水、降解污染、生物多样性保护、碳存储和调节气候等方面的功能产生了影响。2001年以来洞庭湖区湿地生态系统格局发生了显著变化，并逐渐过渡到新的平衡状态。在这种新的江湖水文关系影响下，湿地分布及其对生态系统的影响需做进一步分析，包括对珍惜鸟类、鱼类生活习性的改变及裸露洲滩碳存储的影响等。致谢：衷心感谢审稿专家、主编及编辑老师提出的各项严谨意见和建议!参 考 文 献：12 34 5 6 789101516171

40、8192021Costanza R，Arge R D，Groot R D，et a1The value of the world8 ecosystem services and natural capitalJ JNa-ture，1997，387：253260Ozesmi S LBauer M ESatellite remote sensing ofwetlandsJWetlands Ecology and Management，2002，10(5)：381402Huang C Q，Peng Y，Lang M，et a1Wetland inundation mapping and change

41、 monitoring using Landsat and air-borne LiDAR dataJRemote Sensing ofEnvironment，2014，141：231-242牛振国。宫鹏，程晓，等中国湿地初步遥感制图及相关地理特征分析J中国科学，2009，39(2)：188-203宫鹏，牛振国，程晓，等中国1990和2000基准年湿地变化遥感J中国科学，2010，40(6)：768775Han X X，Chen X L，Lian F，et a1Four decades of winter wetland changes in Poyang Lake based on Land

42、sat observation between 1973 and 2013JRemote Sensing ofEnvironment，2015，156：426-437Kiptala J K，Mohamed Y，Mul M L，et a1Land use and land cover classification suing phonological variabilityfrom MODIS vegetation in the Upper Pangani River Basin，Eastern Africa【JJPhysics and Chemistry of theEarth。2013。66

43、：112-122ZhangX，FriedlMA，SchaafC，et a1Monitoring vegetation phenology usingMODISJRemote Sensing ofEn-vironment，2003。84(3)：471-475Mariano F，Lopresti，Cados M，et a1Relationship between MODIS-NDVI data and wheat yield：A case study inNorthern Buenos Aires province，ArgentinaJInformation Processing in Agric

44、ulture，2015(2)：7384殷守敬，吴传庆，王桥，等洞庭湖多时相遥感影像变化监测方法研究进展综述J光谱学与光谱分析，2013。33：33393342马龙，刘闯MODIS在三江平原湿地分布研究中的应用J地理与地理信息科学，2006，22(3)：5760Antico AIndependent component analysis of MODIS-NDVI data in a large South American wetlandJRemoteSensing Letters，2014，3(5)：383392Chen L F，Jin Z Y，Michishita R，et a1Dynam

45、ic monitoring of wetland cover changes suing time-series remotesensing imageryJEcological Informatics，2014，24：17-26那晓东，张树清，李晓峰，等MODIS NDVI时间序列在三江平原湿地植被信息提取中的应用J湿地科学。2007，5(3)：227236Thenkabail P S，GangadharaRao P。Biggs T，et a1Spectral matching techniques to determine historical land useland cover(LUL

46、C)and irrigated areas using time-series AVHRR pathfinder datasets in the Kfishna river basinIndiaJPhotogrammetric Engineering and Remote Sensing，2007，73(9)：1029-1040Teluguntla P，Thenkabail P S，Xiong J，et a1Global Food Security Support Analysis Data at Nominal l km(GFSAD l km)Derived from Remote Sens

47、ing in Support of Food Security in the TwentyFirst Century：CurrentAchievements and Future PossibilitiesPrasad SThenkabail，Remote Sensing HandbookM2ndCRCPressBoca Raton，Florida，USA，2015龙勇东洞庭湖湿地植被及其生物量研究与三峡工程影响分析D湖南：湖南大学，2013Hu Y X，Huang J L，Du Y，et a1Monitoring Spatial and Temporal Dynamics of Flood

48、Regimes and Their Relation to Wetland Landscape Patterns in Dongting Lake from MODIS TimeSeries ImageryJRemote Sensing，2015，7(6)：74947520谢永宏，陈心胜三峡工程对洞庭湖湿地植被演替的影响J农业现代化研究，2008，29(6)：684687付静，杨霞。刘勇三峡库区建成前后洞庭湖湿地动态分析J地理空间信息，2015，13(3)：114116Yuan Y J，Zeng G M，Liang JVariation of water level in Dongting Lake over a 50一year period：Implications for一110311J他nHrrL万方数据222324252627282930t