海洋科学  2019, Vol. 43 Issue (7): 12-22   PDF    
http://dx.doi.org/10.11759/hykx20190130001

文章信息

朱玉玲, 王建步, 王安东, 王锦锦, 赵晓龙, 任广波, 胡亚斌, 陈晓英, 马毅. 2019.
ZHU Yu-ling, WANG Jian-bu, WANG An-dong, WANG Jin-jin, ZHAO Xiao-long, REN Guang-bo, HU Ya-bin, CHEN Xiao-ying, MA Yi. 2019.
融合浅层特征的深度卷积神经网络互花米草遥感监测方法
Remote-sensed monitoring of Spartina alterniflora using deep convolutional neural network method with fusion of shallow features
海洋科学, 43(7): 12-22
Marina Sciences, 43(7): 12-22.
http://dx.doi.org/10.11759/hykx20190130001

文章历史

收稿日期:2019-01-30
修回日期:2019-03-26
融合浅层特征的深度卷积神经网络互花米草遥感监测方法
朱玉玲1, 王建步1, 王安东2, 王锦锦3, 赵晓龙1, 任广波1, 胡亚斌1,4, 陈晓英1, 马毅1     
1. 自然资源部第一海洋研究所, 山东 青岛 266061;
2. 山东黄河三角洲国家级自然保护区管理局, 山东 东营 257091;
3. 珠海欧比特宇航科技股份有限公司, 广东 珠海 519000;
4. 大连海事大学, 辽宁 大连 116026
摘要:基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deep convolutional neural network,DCNN)分类模型,开展互花米草(Spartina alterniflora Loisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine,SVM)、随机森林(random forest,RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中,DCNN有着更好的应用潜力;(2)融合浅层特征后,DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDⅡ)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。
关键词深度卷积神经网络(deep convolutional neural network, DCNN)    浅层特征融合    湿地分类    互花米草(Spartina alterniflora Loisel)    黄河口    
Remote-sensed monitoring of Spartina alterniflora using deep convolutional neural network method with fusion of shallow features
ZHU Yu-ling1, WANG Jian-bu1, WANG An-dong2, WANG Jin-jin3, ZHAO Xiao-long1, REN Guang-bo1, HU Ya-bin1,4, CHEN Xiao-ying1, MA Yi1     
1. First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China;
2. Administration Bureau of the Yellow River Delta National Nature Reserve, Dongying 257091, China;
3. Zhuhai Orbit Aerospace Science & Technology Co., Ltd., Zhuhai 519000, China;
4. Dalian Maritime University, Dalian 116026, China
Abstract: Although the deep convolutional neural network (DCNN) model has been applied to remote sensing image classification, the focus is generally on urban areas, and studies on multispectral image classification in coastal wetlands are relatively scarce. Based on the LANDSAT8 OLI imagery on both sides of the Yellow River estuary in October 2018, in this study, a total of nine-dimensional spectral features of vegetation index and the tasseled cap transformation components were extracted, and an eight-layer DCNN classification model with shallow features was constructed to identify Spartina alterniflora. The results of S. alterniflora monitoring were analyzed from different shallow features. The results indicated the following:(1) Compared with the support vector machine (SVM) and the random forest (RF) classifier, the DCNN model had the highest overall classification accuracy, reaching 90.33%; its accuracy was higher than those of the SVM and RF by 4.78% and 2.7%, respectively, and the producer's accuracy of S. alterniflora was higher by 2.56% and 0.47%, respectively. This shows that the DCNN has better application potential in coastal wetlands classification. (2) After the fusion of shallow features, the DCNN overall classification accuracy and its recognition accuracy of S. alterniflora were higher than those of SVM and RF by 0.34% and 3.25%, respectively, and the model effectively improved the monitoring ability of S. alterniflora. In addition, in the DCNN classification method that combines the shallow features of normalized vegetation water index (NDⅡ), the recognition accuracy of S. alterniflora increased the most, which was 2.56%, followed by the ratio of vegetation index (RVI), which was 2.32%.
Key words: deep convolutional neural network (DCNN)    fusion of shallow feature    wetland classification    Spartina alterniflora    the Yellow River estuary    

互花米草(Spartina alterniflora Loisel)隶属于禾本科虎尾草族, 最开始种植于北美大西洋及墨西哥湾的海岸带盐沼地区[1], 其植株粗壮, 根茎稳固, 能够抗风固沙, 保滩护岸, 在当地被称为“生态系统工程师”。1979年12月, 互花米草首次引种到我国的福建省罗源湾[2], 用以保护滩涂、改善河口区生态环境, 由于自身的生物学特性和受人为影响等多重驱动机制, 在我国东南沿海湿地大规模暴发, 呈多项式的增长趋势[3]。2003年国家环境保护局公布的首批入侵物种名单中, 互花米草是唯一的海岸带盐沼植物[4], 现已被公认为我国滨海湿地中最有害的入侵植物, 成为广泛关注的热点问题。

山东省最早于1989年在黄河三角洲五号桩附近引种互花米草, 现已成为互花米草面积扩散速度最快的省份[5-6]。其中黄河三角洲国家级自然保护区内暴发最为严重, 互花米草的持续扩张将会抢占保护区内柽柳、碱蓬的生境, 进而威胁珍稀水禽丹顶鹤和黑嘴鸥的栖息地和食物来源[7-8]。已有研究表明, 互花米草的成功入侵改变了滨海湿地的生态景观格局, 对生物多样性带来了消极影响[9-11]

目前, 遥感作为大尺度区域动态观测的唯一手段, 被广泛用于入侵物种互花米草的监测研究。从所用的分类方法看, 多局限于最大似然法、支持向量机(support vector machine, SVM)等浅层学习手段[3, 12-14], 对复杂函数模型的表达能力有限, 在实际应用过程中精度难以提高。也有研究利用单一或长时间序列的影像, 通过人工分析、训练决策规则实现互花米草的范围提取[15-16], 但自动化程度不高。而面向自然资源管理的需求, 迫切需要发展高精度、自动化强的互花米草监测方法。深度学习是机器学习研究中兴起的领域, 本质上通过学习多层非线性网络结构, 将原始数据的低层属性转换成更健壮的抽象特征, 实现强大的从少数样本中集中学习数据本质特征的能力。其中卷积神经网络是图像分类领域最有主导性的监督学习深度架构, 已被证明优于传统的机器分类方法[17], 许多学者也将其应用于多光谱图像的分类, 并取得了一些成果, 其中Scott、Zhao和Rezaee等[18-20]利用DCNN网络架构分别对UC Merced土地覆盖数据集、北京市建筑场景和加拿大纽芬兰阿瓦隆半岛进行分类研究, 整体分类精度均在90%以上, 证明深度卷积神经网络在复杂环境的应用潜力。但以上针对DCNN模型的分类实验, 多选择城市、场景等典型的多光谱和航空影像集进行算法验证, 较少应用于空间异质性强的滨海湿地的分类评估, 对多光谱遥感图像分类的潜力也尚未得到彻底探索。

综上, 互花米草所处的环境中地物分布错综复杂, 而以往的分类方法在高精度、自动化方面的潜力未充分发挥, 难以满足对复杂滨海湿地精细分类的需求。本文基于LANDSAT8 OLI前7个波段组合的多光谱数据, 融合提取的多维浅层光谱特征, 结合现场踏勘资料, 利用深度卷积神经网络分类模型开展黄河口入海两侧互花米草监测方法的研究, 并从不同的浅层特征角度来评价和分析互花米草的监测结果, 为互花米草的遥感识别与管理提供技术与数据支撑。

1 研究区与数据 1.1 研究区概况

黄河三角洲, 地处山东偏北的渤海之滨, 是典型的扇形陆地, 黄河口国家级自然保护区位于此区域。由于处在黄河到渤海的交汇处, 水流携带的泥沙沉降, 形成宽阔的淤泥质海滩, 为互花米草的扩散提供了有利条件。据统计, 自1989年在五号桩引种以来互花米草的范围不断扩大, 2007年黄河三角洲互花米草的面积增加到571.6 hm2[21], 至2015年已达3 278.1 hm2[15], 空间上表现为从东北向西南不断扩展, 其中现行黄河入海口东南侧区域的互花米草呈暴发性的生长趋势[13], 影响了保护区内原有的生物群落结构。针对互花米草的分布现状, 选择黄河口入海两侧湿地为研究区(119°09′~119°18′E, 37°43′~ 37°51′N)(图 1), 此处位于黄河三角洲自然保护的核心区, 芦苇、柽柳、碱蓬等典型植被呈空间分布复杂, 适用于本文的分类方法研究。

图 1 研究区LANDSAT8标准假彩色合成影像和现场调查位置 Fig. 1 LANDSAT8 standard false color composite image and field survey location in the study area
1.2 遥感影像数据

黄河口区域的互花米草在9月下旬和10月上旬, 处于生长季节中的旺盛期, 叶面积指数也达到最大, 形成高密度与盖度的成熟群落, 利于光学遥感监测工作的开展。另一方面, LANDSAT8 OLI多光谱影像易获取, 为互花米草的大尺度监测提供了有力的数据支持。本文选用LANDSAT8 OLI传感器于2018年10月12日获取的研究区影像, 包含可见光至短波红外共7个光谱波段, 覆盖的波长范围为433~1 390 nm, 地面分辨率为30 m, 幅宽185 km, 覆盖周期16 d。为了消除大气散射影响, 对影像进行辐射定标、FLAASH大气校正预处理, 并结合现场踏勘的地面控制点对影像进行几何校正, 保证误差小于0.5个像元。

1.3 遥感解译标志集建立

为保证地物分类结果的精确可靠性, 分别于2018年7月和9月, 基于多种手段开展黄河口湿地的现场数据调查, 分别利用GPS和相机记录站点的位置和遥感解译信息, 基于此, 结合LANDSAT8 OLI遥感影像, 建立黄河口湿地内互花米草、芦苇沼泽、柽柳灌丛、潮滩稀疏植被、丰水潮滩、水体、光滩共7类典型地物的遥感解译标志集, 见表 1

表 1 2018年10月研究区地物解译标志 Tab. 1 Interpretation symbols of objects in the study area in October 2018

结合建立的遥感解译标志集, 利用人机交互的方式, 得到研究区LANDSAT8 OLI影像中的典型地物的分布图, 并利用现场调查数据进行精度验证, 作为分类过程中样本选取的参考, 如图 2所示。

图 2 黄河口入海两侧典型地物真实分布图 Fig. 2 Truth map of typical objects on both sides of the Yellow River estuary 注: 图 4图 7图 8的影像分类图例与图 2相同
2 研究方法 2.1 多维浅层特征提取

互花米草广泛存在于滨海滩涂的潮间带, 是高潮带下部至中潮带下部的先锋物种[1-2], 可适应淹水造成的缺氧环境, 多生长在受潮水周期性冲刷的淤泥质潮滩, 与其他植被相比光合速率更高[10]。基于上述互花米草的生态特征和生长环境, 对影像进行多维浅层特征的选择和提取。根据互花米草的群落郁闭, 盖度高的特点, 选择与叶绿素含量相关性高, 对绿色植被灵敏度高的归一化植被指数(NDVI)[22]、比值植被指数(RVI)[23]、增强植被指数(EVI)[24]和缨帽变换的绿度(Greeness)分量; 针对碱蓬、柽柳等与互花米草的覆盖密度不同致使土壤背景对植被分类结果造成的影响, 选择能减弱土壤反射率变化的修正土壤调节植被指数(MSAVI)[25]和差值植被指数(DVI)[26]; 针对互花米草所处区域湿度较大的特点, 选择水分含量敏感的归一化植被水分指数(NDII)[27]、差值植被水分指数(DII)和缨帽变换的湿度(Wetness)分量。将以上9维特征提取结果作为分类时输入的融合波段。表 2给出了几种植被指数的定义和计算公式。

表 2 植被指数定义 Tab. 2 Definition of vegetation index
植被指数 计算公式 描述
NDVI$\frac{{{\rho _{{\rm{NIR}}}} - {\rho _{{\rm{Red}}}}}}{{{\rho _{{\rm{NIR}}}} + {\rho _{{\rm{Red}}}}}}$ 归一化植被指数
RVI$\frac{{{\rho _{{\rm{NIR}}}}}}{{{\rho _{{\rm{Red}}}}}}$ 比值植被指数
EVI$\frac{{2.5({\rho _{{\rm{NIR}}}} - {\rho _{{\rm{Red}}}})}}{{{\rho _{{\rm{NIR}}}} + 6{\rho _{{\rm{Red}}}} - 7.5{\rho _{{\rm{Blue}}}} + 1}}$ 增强植被指数
MSAVI${\rho _{{\rm{NIR}}}} + 0.5 - \sqrt {{{(2{\rho _{{\rm{NIR}}}} + 1)}^2} - 8({\rho _{{\rm{NIR}}}} - {\rho _{{\rm{Red}}}})} /2$ 修正土壤调节植被指数
DVI${\rho _{{\rm{NIR}}}} - {\rho _{{\rm{Red}}}}$ 差值植被指数
NDII$\frac{{{\rho _{{\rm{NIR}}}} - {\rho _{{\rm{SWIR1}}}}}}{{{\rho _{{\rm{NIR}}}} + {\rho _{{\rm{SWIR1}}}}}}$ 归一化植被水分指数
DII${\rho _{{\rm{NIR}}}} - {\rho _{{\rm{SWIR1}}}}$ 差值植被水分指数
注: ρBlue, ρGreen, ρRed, ρNIR, ρSWIR1分别为LANDSAT8 OLI的影像蓝、绿、红、近红外和短波红外波段的反射率。
2.2 DCNN分类模型

DCNN(deep convolutional neural network, DCNN)受生物学上感受野的概念提出, 主要是由卷积层、非线性变换和池化层堆叠而建立的深层网络架构。DCNN的成功主要依赖于其独特的分层特征提取结构, 采用多个不同的卷积核, 与图像的局部感知域连接, 减少网络所需的训练参数, 获得对平移、旋转和缩放等畸变具有不变性的显著特征。此外, 特征映射平面上的神经元实现权值共享, 降低计算负担和模型的复杂度。

卷积层由卷积操作输出不同的特征图, 并通过激活函数来增强网络的非线性特性。池化层将输入特征图划分成多个局部区域, 以一定步长滑动, 输出每个子区域的最大值或平均值。图像的分辨率降低, 但特征变得更和稳健, 对局部变化也有一定的容忍力。

为有效地监测研究区内的互花米草, 本文构建了8层的DCNN分类模型, 包含输入层、两个卷积层与降采样层堆叠形成的特征提取层, 两个全连接层和输出层。首先提取预处理后影像的多维浅层特征, 与OLI影像的7个波段共16维光谱特征作为网络的输入, DCNN通过多种非线性结构学习到不同地物类型的深层抽象特征, 将所有的特征映射进行全连接, 然后通过反向传播算法微调网络的权重和偏差, 最后分类器输出每个像素属于所有类别的概率分布, 其中概率最大值对应的类别标签为样本类别。图 3展示了研究区DCNN分类的框架结构。

图 3 融合浅层特征的DCNN模型流程图 Fig. 3 Flowchart of the DCNN model with the fusion of shallow features
3 实验结果与讨论 3.1 实验设计

以融合后的原始7个光谱波段和9维浅层特征作为DCNN的输入数据, 进行黄河口入海两侧湿地典型地物类型的分类实验。其中样本选择是DCNN模型训练过程的关键因素, 直接影响网络特征学习的有效性。根据外业踏勘的资料集和地物的真实分布图, 遵循最具代表性、均匀分布、像元独立的原则, 共选取研究区7种地物850个训练样本和1779个测试样本, 整幅影像包含173 072个像元, 每类地物的数量如表 3所示。通过网络对数据的多次训练, DCNN模型的均方误差开始下降后呈稳定趋势, 错误率达到最小值, 为0.093。DCNN结构参数设置为:两层特征提取结构, 卷积核的数量为8个和12个, 卷积核大小均为3像素×3像素, 批训练样本个数为2, 迭代次数(epoch)为30, 学习率为0.8。支持向量机(support vector machine, SVM)分类器设置RBF核函数, 惩罚参数为100。随机森林(random forest, RF)分类器构建100个森林树, 训练特征数量为4, 用两种实验的分类结果作为对比来评估DCNN的分类潜力。

表 3 训练和测试样本个数 Tab. 3 Number of training and testing samples
地物类别
编号
地物类别 样本数量/个
训练 验证
1 互花米草 210 430
2 丰水潮滩 100 260
3 柽柳灌丛 90 161
4 水体 130 258
5 光滩 30 65
6 潮滩稀疏植被 160 309
7 芦苇沼泽 130 296
总计 850 1 779
3.2 分类结果与精度评价

与人工解译的验证结果相比, DCNN模型对水体和芦苇沼泽的识别效果最接近于两种地物的真实分布, 尤其是潮滩上的细小潮沟也可以进行有效呈现, 而SVM方法对芦苇和柽柳混生的情况出现错分, 可以证明DCNN分类模型的优越性。表 4显示黄河口入海两侧地物在几种分类方法下的精度, 分类结果如图 4所示。SVM和RF分类方法在芦苇、柽柳区内错分出较多小斑块的互花米草, 而DCNN对互花米草的识别效果更好, 除去DCNN在图 4中A区出现的多分。仅利用原始7维光谱波段进行分类时, DCNN模型的总体分类精度为90.33%, 比SVM高出4.78%, 比RF高2.7%, 有效提高了研究区内湿地地物的总体分类精度。增加7种植被指数和缨帽变换的绿度、湿度分量作为浅层特征输入时, DCNN的分类结果进一步提高了0.34%。从生产者精度来看, DCNN对芦苇沼泽、水体、丰水潮滩和互花米草的分类精度均高于SVM和RF方法的分类精度, 其中, 芦苇沼泽的精度提高最为显著, 分别比SVM和RF高13.17%和8.18%, 水体的精度均提高超过7%, 丰水潮滩的精度分别提升5%和7.69%, 而互花米草的精度增加了2.56%和0.47%。加入多维浅层特征后, 互花米草、丰水潮滩、柽柳灌丛和光滩的分类精度分别提高了3.25%, 3.46%, 2.48%和12.3%。结果表明, 多维浅层特征的输入可以深入挖掘到利于地物区分的特征信息, 同时进一步提高总体分类精度和互花米草的识别精度。

图 4 典型地物分类结果图 Fig. 4 Classification maps of typical objects 注: a: SVM; b: RF; c: DCNN; d: V-DCNN

表 4 不同分类方法的精度评价 Tab. 4 Evaluation of different classification methods accuracy
地物类别
编号
SVM分类 RF分类 DCNN分类 V-DCNN分类
PA UA PA UA UA UA PA UA
1 89.07 90.12 91.16 97.27 91.63 96.10 94.88 95.55
2 81.54 80.92 78.85 88.36 86.54 87.55 90.00 84.48
3 87.58 67.79 88.82 65.30 83.23 77.01 85.71 74.59
4 86.43 100 86.05 97.80 93.80 97.58 88.76 99.13
5 80.00 100 98.46 78.05 83.08 93.10 95.38 87.43
6 92.88 86.71 95.79 86.80 95.47 92.48 93.85 95.71
7 75.68 80.58 80.07 86.18 93.85 95.71 85.14 88.42
OA 85.55 87.63 90.33 90.67
Kappa系数 0.83 0.85 0.88 0.89
注: OA、PA和UA分别为总体分类精度、生产者精度和用户精度, V-DCNN为融合浅层特征后的DCNN。

表 4图 4的结果得出, 浅层特征的融入可有效提高分类精度和互花米草的识别精度, 但不能得到具体的有效特征类型, 为进一步分析不同浅层特征对互花米草提取的响应机制, 保证基本网络参数不变前提下, 在原始7个波段基础上, 分别增加EVI、NDVI、NDII、RVI、DII、Greeness、Wetness、DVI、MSAVI特征, 比较DCNN分类精度的变化趋势。图 5为不同浅层特征对研究区分类精度的影响, 可得出加入EVI、NDII、RVI、DII、Wetness、MSAVI的DCNN总体分类精度都得到了提高, 其中NDII提高最多, 为0.62%, RVI次之, 为0.45%。针对互花米草的提取上, 所有特征的生产者精度均有所提升, 其中贡献最大的植被指数为NDII, 生产者精度提高2.56%。缨帽变换的绿度分量和DVI对互花米草的生产者精度提高的最少, 均为0.7%, 而用户精度除MSAVI外, 均有稍微降低, 但差别不大。

图 5 浅层特征对互花米草和总体分类精度的影响 Fig. 5 Effects of shallow features on Spartina alterniflora and the overall classification accuracy
3.3 互花米草分布区域与结果分析

选取图 4标示的B和C两个典型区域, 并结合互花米草分类精度贡献较大的NDII和RVI指数, 来具体探讨互花米草的空间分布特点。NDII指数可表征植被含水率, 而互花米草是研究区低潮位的先锋物种, 与其他植被相比含水率较高, 即NDII指数值在互花米草区偏大, 如图 6a所示, 因此该指数在滨海湿地互花米草监测中更具优势。结合现场调查和王建步等人开展的黄河口湿地植被盖度估测结果[28]可得, 互花米草沿水边界向陆地的盖度特征一般是从稀疏到密集, 再到稀疏, 这也是互花米草与其他植被空间分布特征的差异。另一方面, 由图 6b可知, RVI值与互花米草的盖度在空间分布上具有很好的一致性, 故该指数在互花米草的监测中贡献较大。为更好的展示NDII和RVI指数在互花米草监测中的优势, 分别给出了研究区影像、植被指数和分类结果的局部区域图, 如图 7图 8所示。从结果分析看, 互花米草多生长在离水边线较近的距离, 虽然单期影像的分类结果不能看出研究区内互花米草对芦苇和其他植被的生态位替代, 但是互花米草对环境具有超强的适应力, 需要加以重视。

图 6 研究区植被指数空间分布 Fig. 6 Distribution of vegetation index in study area 注: a: NDII; b: RVI

图 7 B区互花米草分布与分类结果 Fig. 7 Distribution and analysis of Spartina alterniflora in region B 注: a:原始影像; b: RVI; c: NDII; d:原始影像的DCNN分类; e:原始影像+RVI的DCNN分类; f:原始影像+NDII的DCNN分类

图 8 C区互花米草分布与分类结果 Fig. 8 Distribution and analysis of Spartina alterniflora in region C 注: a:原始影像; b: RVI; c: NDII; d:原始影像的DCNN分类; e:原始影像+RVI的DCNN分类; f:原始影像+NDII的DCNN分类
4 结论与讨论

基于2018年10月黄河口入海两侧的LANDSAT8 OLI遥感影像和现场踏勘数据, 融合原始光谱和植被指数等多维浅层特征, 构建了深度卷积神经网络的分类模型, 开展黄河口湿地互花米草的监测研究。得到以下结论:

1) 仅使用光谱特征时, DCNN的总体分类精度达到90.33%, Kappa系数为0.88, 分别比SVM, RF分类精度高出4.78%, 2.7%; DCNN模型能很好地提取芦苇沼泽、水体、丰水潮滩3种湿地类型, 生产者精度分别为88.85%, 93.8%和86.54%, 比其他两种方法精度均提高了超过5%。

2) 融入浅层特征来增加DCNN的输入特征维数, 最终DCNN总体分类精度提高0.34%, 互花米草、丰水潮滩、柽柳灌丛和光滩的生产者精度得到进一步提高, 分别提高了3.25%, 3.46%, 2.48%和12.3%。7种植被指数和缨帽变换分量均可有效提高互花米草的识别精度, 其中NDII提高最多, 为2.56%, RVI次之, 为2.32%。EVI、NDII、RVI、DII、Wetness、MSAVI都提高了总体分类精度, 以NDII增加最多, 为0.62%, RVI次之, 0.45%。表明NDII和RVI是有效的浅层特征, 可有效提高总体分类精度和互花米草的识别精度。

3) 黄河口入海两侧互花米草在与水体边界线距离近的区域, 长势较好, 形成高覆盖度的密集群落, 对互花米草的监测, 是对其入侵防治和海洋生态管理的重点, 应引起相关部门的足够重视。

参考文献
[1]
王卿, 安树青, 马志军, 等. 入侵植物互花米草:生物学、生态学及管理[J]. 植物分类学报, 2006, 44(5): 559-588.
Wang Qing, An Shuqing, Ma Zhijun, et al. Invasive Spartina alterniflora:biology, ecology and management[J]. Acta Phytotaxonomica Sinica, 2006, 44(5): 559-588.
[2]
邓自发, 安树青, 智颖飙, 等. 外来种互花米草入侵模式与爆发机制[J]. 生态学报, 2006, 26(8): 2678-2686.
Deng Zifa, An Shuqing, Zhi Yingbiao, et al. Preliminary studies on invasive model and outbreak mechanism of exotic species, Spartina alterniflora Loisel[J]. Acta Ecologica Sinica, 2006, 26(8): 2678-2686. DOI:10.3321/j.issn:1000-0933.2006.08.034
[3]
Zhang Danhua, Hu Yuanman, Liu Miao, et al. Introduction and spread of an exotic plant, Spartina alterniflora, along coastal marshes of China[J]. Wetlands, 2017, 37(6): 1181-1193. DOI:10.1007/s13157-017-0950-0
[4]
中华人民共和国环境保护部.关于发布中国第一批外来入侵物种名单的通知[EB/OL].[2003-01-10]. http://www.zhb.gov.cn/gkml/zj/wj/200910/t20091022_172155.htm.
Ministry of Environmental Protection of the People's Republic of China. Notice on releasing the first batch external invasion species name list in China[EB/OL].[2003-01-10].http://www.zhb.gov.cn/gkml/zj/wj/200910/t20091022_172155.htm.
[5]
张帆, 刘长安, 姜洋. 滩涂盐沼湿地退化机制研究[J]. 海洋开发与管理, 2008, 25(8): 99-101.
Zhang Fan, Liu Chang'an, Jiang Yang. Research on degradation mechanism of tidal saltmarsh wetland[J]. Marine Development and Management, 2008, 25(8): 99-101. DOI:10.3969/j.issn.1005-9857.2008.08.018
[6]
刘明月.中国滨海湿地互花米草入侵遥感监测及变化分析[D].北京: 中国科学院大学, 2018.
Liu Mingyue. Remote sensing analysis of Spartina alterniflora in the coastal areas of China during 1990 to 2015[D]. Beijing: University of Chinese Academy of Sciences, 2018. http://cdmd.cnki.com.cn/Article/CDMD-80062-1018961863.htm
[7]
吕培茹, 田家怡, 申保忠. 外来生物米草入侵对黄河三角洲盐沼生物群落的影响[J]. 海洋湖沼通报, 2010(3): 157-165.
Lü Peiru, Tian Jiayi, Shen Baozhong. Effect of Spartina spp. invasion on saltmarsh community of Yellow River delta[J]. Transactions of Oceanology and Limnology, 2010(3): 157-165. DOI:10.3969/j.issn.1003-6482.2010.03.024
[8]
田家怡, 于祥, 申保忠, 等. 黄河三角洲外来入侵物种大米草对滩涂鸟类的影响[J]. 中国环境管理干部学院学报, 2008, 18(3): 87-90.
Tian Jiayi, Yu Xiang, Shen Baozhong, et al. Effect of an alien invasive species Spartina anglica on birds in shoal in Yellow River delta[J]. Journal of EMCC, 2008, 18(3): 87-90. DOI:10.3969/j.issn.1008-813X.2008.03.027
[9]
Wan Shuwen, Qin Pei, Liu Jine, et al. The positive and negative effects of exotic Spartina alterniflora in China[J]. Ecological Engineering, 2009, 35(4): 444-452. DOI:10.1016/j.ecoleng.2008.05.020
[10]
陈中义, 李博, 陈家宽. 互花米草与海三棱藨草的生长特征和相对竞争能力[J]. 生物多样性, 2005, 13(2): 130-136.
Chen Zhongyi, Li Bo, Chen Jiakuan. Some growth characteristics and relative competitive ability of invasive Spartina alterniflora and native Scirpus mariqueter[J]. Biodiversity Science, 2005, 13(2): 130-136. DOI:10.3321/j.issn:1005-0094.2005.02.006
[11]
钦佩, 李思宇. 互花米草的两面性及其生态控制[J]. 生物安全学报, 2012, 21(3): 167-176.
Qin Pei, Li Siyu. Positive and negative effects of the non-native plant, Spartina alterniflora and its ecological control[J]. Journal of Biosafety, 2012, 21(3): 167-176. DOI:10.3969/j.issn.2095-1787.2012.03.001
[12]
Lu Jianbo, Zhang Ying. Spatial distribution of an invasive plant Spartina alterniflora and its potential as biofuels in China[J]. Ecological Engineering, 2013, 52: 175-181. DOI:10.1016/j.ecoleng.2012.12.107
[13]
任广波, 刘艳芬, 马毅, 等. 现代黄河三角洲互花米草遥感监测与变迁分析[J]. 激光生物学报, 2014, 23(6): 596-603.
Ren Guangbo, Liu Yanfen, Ma Yi, et al. Spartina alterniflora monitoring and change analysis in Yellow River delta by remote sensing technology[J]. Acta Laser Biology Sinica, 2014, 23(6): 596-603. DOI:10.3969/j.issn.1007-7146.2014.06.015
[14]
Wang Anqi, Chen Jiadai, Jing Changwei, et al. Monitoring the invasion of Spartina alterniflora from 1993 to 2014 with Landsat TM and SPOT 6 satellite data in Yueqing Bay, China[J]. Plos One, 2015, 10(8): 1-17.
[15]
杨俊芳, 马毅, 任广波, 等. 基于国产高分卫星遥感数据的现代黄河三角洲入侵植物互花米草监测方法[J]. 海洋环境科学, 2017, 36(4): 596-602.
Yang Junfang, Ma Yi, Ren Guangbo, et al. Monitoring method of invasive vegetation Spartina alterniflora in modern Yellow River delta based on GF remote sensing data[J]. Marine Environmental Science, 2017, 36(4): 596-602.
[16]
Sun Chao, Liu Yongxue, Zhao Saishuai, et al. Saltmarshes response to human activities on a prograding coast revealed by a dual-scale time-series strategy[J]. Estuaries and Coasts, 2016, 40(2): 1-18.
[17]
Rawat W, Wang Zenghui. Deep convolutional neural networks for image classification:A comprehensive review[J]. Neural Computation, 2017, 29(9): 2352-2449. DOI:10.1162/neco_a_00990
[18]
Scott G J, England M R, Starms W A, et al. Training deep convolutional neural networks for land-cover classification of high-resolution imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(4): 549-553. DOI:10.1109/LGRS.2017.2657778
[19]
Zhao Wenzhi, Du Shihong, Emery W J. Object-based convolutional neural network for high-resolution imagery classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(7): 3386-3396. DOI:10.1109/JSTARS.2017.2680324
[20]
Rezaee M, Mahdianpari M, Zhang Yun, et al. Deep convolutional neural network for complex wetland classification using optical remote sensing imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(9): 3030-3039. DOI:10.1109/JSTARS.2018.2846178
[21]
于祥, 田家怡, 李建庆, 等. 黄河三角洲外来入侵物种大米草的分布面积与扩展速度[J]. 海洋环境科学, 2009, 2(6): 684-686.
Yu Xiang, Tian Jiayi, Li Jianqing, et al. Distribution area and expanding speed of alien invasive species Spartina spp. in Yellow River delta[J]. Marine Environmental Science, 2009, 2(6): 684-686. DOI:10.3969/j.issn.1007-6336.2009.06.021
[22]
Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the great plains with ERTS[C]//Freden S C, Mercanti E P, Becker M A. The third Earth Resource Satellite-1 Symposium. Washington: Goddard Space Flight Center, 1974: 309-317.
[23]
Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie[J]. Remote Sensing of Environment, 1972, 45(2): 7-12.
[24]
Huete A R, Liu H Q, Batchily K, et al. A comparison of vegetation indices over a global set of TM images for EOS-MODIS[J]. Remote Sensing of Environment, 1997, 59(3): 440-451. DOI:10.1016/S0034-4257(96)00112-5
[25]
Qi Jiaguo, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119-126. DOI:10.1016/0034-4257(94)90134-1
[26]
Li Xuwen, Ji Gengshan, Yang Jing. Estimating cyanophyta biomass standing crops in Meiliang Gulf of Lake Taihu by satellite remote sensing[J]. Remote Sensing for Land and Resources, 1995, 7(2): 23-28.
[27]
Hardisky M A, Klemas V, Smart R M. The influence of soil salinity, growth form, and leaf moisture on the spectral radiance of Spartina alterniflora canopies[J]. Photogrammetric Engineering and Remote Sensing, 1983, 49(1): 77-83.
[28]
王建步, 张杰, 马毅, 等. 基于GF-1 WFV影像的黄河口湿地植被盖度估测及分析[J]. 海洋学报, 2018, 40(6): 40-50.
Wang Jianbu, Zhang Jie, Ma Yi, et al. Vegetation fraction coverage estimation and analysis of the Yellow River Estuary wetland based on GF-1 WFV satellite image[J]. Haiyang Xuebao, 2018, 40(6): 40-50. DOI:10.3969/j.issn.0253-4193.2018.06.004