一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法

1.本发明属于湿地地物识别技术领域，特别涉及一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法。


背景技术：

2.滨海湿地位于陆地生态系统和海洋生态系统的交错过渡地带，具有极其重要的生态服务价值和经济价值。滨海湿地的盐沼植被在固碳(蓝碳)、维持生物多样性、缓冲风暴潮、保护岸线防止海平面上升等方面发挥着重要作用。潮间带盐地碱蓬群落作为滨海湿地盐沼植被的先锋物种，植株生长矮小(20-60cm)、密度差异较大，整个生长期地上植株呈紫红色。通常生长在潮间带或部分涝洼积水地带形成单种群落，易受高盐、低温和淹水胁迫影响，具有较高的耐盐性。目前潮间带盐地碱蓬广泛分布于东亚和欧洲的滨海湿地，具有改善土壤理化性质、维持生物多样性、为鸟类提供觅食、栖息地以及提高生态系统服务功能等作用，同时具有重要的娱乐、文化和经济价值，著名的“红海滩”景观,已成为一个重要的生态旅游资源。然而，盐地碱蓬也面临着来自人类活动(围垦造陆、旅游开发、石油开采等)、入侵物种和海平面上升等方面的严重威胁，潮间带盐地碱蓬退化严重，空间破碎度较高。近年来，“红海滩”的萎缩受到了国际社会的广泛关注，政府和相关部门陆续启动了湿地生态修复项目，开始大范围修复盐地碱蓬。监测盐地碱蓬范围和植被覆盖度变化是非常重要的，为评价盐地碱蓬退化和修复行动的有效性提供基础数据支撑。
3.滨海湿地的环境条件复杂，传统的野外调查难以开展。遥感作为一种大范围有效观测手段，提供了一种廉价的可替代现场实测的技术，在潮间带盐地碱蓬制图研究中应用广泛。目前大多数研究将盐地碱蓬作为滨海湿地盐沼中的一类，使用监督或非监督分类的方法进行制图。然而，现有方法中仍存在以下三个挑战：(1)随着区域的不同，盐地碱蓬的覆盖度差异大，年际间的差异也比较大，且新生互花米草入侵斑块前端逐渐侵占盐地碱蓬生境，两者部分生态位相近，利用传统的分类方法二者极易混淆；(2)现有研究大多采用监督分类方法进行盐地碱蓬制图，在影像中选择训练样本时，由于盐地碱蓬植株矮小，滨海湿地空间破碎化严重，中低分辨率卫星影像中容易产生与光滩的混合像元，影响纯地物样本点的选择，降低分类精度；(3)滨海湿地潮间带受潮汐作用、动态变化较强，土壤含水量和含盐量差异较大，土壤背景空间异质性较强，同时滨海湿地不同位置由于土壤水盐条件不同，受水盐胁迫的作用盐地碱蓬生长状态不同，植被覆盖度差异较大。上述这些问题给目前盐地碱蓬的识别提取和植被覆盖度估算带来较大的困难和不确定性。


技术实现要素：

4.针对上述现有技术存在的问题，本发明的目的在于提供了一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法，以解决上述背景技术中提出的问题：
5.(1)解决因潮间带盐地碱蓬的覆盖度差异大、空间异质性较强，导致现有常规分类方法识别提取困难、精度较低的技术问题；
6.(2)解决因盐地碱蓬植株矮小，滨海湿地空间破碎化严重，现有中低分辨率卫星影像中容易产生与光滩的混合像元，影响纯地物样本点的选择，使得分类精度降低的技术问题；
7.(3)解决海湿地潮间带受潮汐作用、动态变化较强，土壤含水量和含盐量差异较大，土壤背景空间异质性较强的技术问题。
8.2、技术方案
9.为了实现上述目的，本发明提供如下技术方案：
10.一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法，包括以下步骤：
11.s1、通过野外数据采集和实验室光谱测定，获取潮间带盐地土壤、盐地碱蓬和其他盐沼植被的高光谱反射曲线，然后结合所得高光谱反射曲线，通过实验室模拟不同土壤含水量背景下不同植被覆盖度的高光谱反射曲线，筛选出用于区分潮间带盐地碱蓬和其他地物的关键波段；
12.s2、构建面向覆盖度差异下遥感数据特征增强的盐地碱蓬光谱指数(即sssi指数)；
13.s3、选取盐地碱蓬生长季无云多光谱影像，基于选取的多光谱影像计算其对应的归一化植被指数(即ndvi)和sssi指数；
14.s4、识别提取盐地碱蓬范围：将ndvi＜0的范围去除，即裁剪掉研究区域内的水体范围去除，确保研究区域中仅有光滩和盐沼植被，然后对盐地碱蓬和其他盐沼植被进行可分性分析，并确定sssi指数识别提取盐地碱蓬的阈值范围，根据该阈值范围识别提取研究区域潮间带盐地碱蓬范围；
15.s5、结合基于无人机影像计算的真实植被覆盖度与基于多光谱影像计算的sssi指数值的非线性关系、以及与基于多光谱影像计算的ndvi指数值的线性关系，各自构建盐地碱蓬覆盖度估算的反演模型，并通过相关性分析，选取盐地碱蓬覆盖度估算的最优反演模型，利用最优反演模型，反演每个对应影像像元中盐地碱蓬覆盖度情况，获得研究区域盐地碱蓬覆盖度估算结果。
16.优选的，还包括s6、对步骤s4中识别提取的研究区域潮间带盐地碱蓬范围以及步骤s5得到的盐地碱蓬覆盖度估算结果进行精度评估。
17.优选的，步骤s1中，所述筛选出用于区分潮间带盐地碱蓬和其他地物的关键波段，具体步骤包括：
18.a11、野外数据采集潮间带盐地土壤、盐地碱蓬和其他盐沼植被，然后于实验室内进行暗室光谱测定，获取盐地土壤、盐地碱蓬和其他盐沼植被的高光谱反射曲线；
19.a12、结合所得的盐地土壤、盐地碱蓬和其他盐沼植被的高光谱反射曲线，通过实验室模拟不同土壤含水量背景下不同植被覆盖度的高光谱反射曲线；其中，在对不同植被覆盖度的高光谱反射曲线进行模拟时，考虑其变化仅受土壤含水量背景的影响，采用下式(1)计算某盐沼植被在某植被覆盖度的光谱反射率：
[0020][0021]
其中，表示植被覆盖度为a％的盐沼植被在波段的光谱反射率；的取值范围为400-2500nm；a％为某盐沼植被的植被覆盖度，其取值范围为0-100％，以10％为
增量变化；表示实测的纯地物盐沼植被在波段的光谱反射率；表示实测相对含水量为b％的土壤在波段的光谱反射率；b％表示实验室模拟土壤的相对含水量；
[0022]
a13、通过观察实验室模拟所得的高光谱反射曲线中不同地物之间高光谱反射率的差异，筛选出不同地物差异较大的波段，并将其作为用于区分潮间带盐地碱蓬和其他地物的关键波段。
[0023]
优选的，步骤s2中，所述构建的sssi指数满足以下三个条件：1)能够区分盐地碱蓬与其他地物，便于识别盐地碱蓬范围；2)sssi指数值的大小能够表征盐地碱蓬覆盖度的高低，以进行盐地碱蓬覆盖度估算；3)能够减少土壤背景异质性的影响；所述sssi指数的计算公式如下式(2)所示：
[0024][0025]
其中，bb、bg、br和b
nir
分别为宽带光谱影像的蓝、绿、红和近红外波段，在sentinel-2msi-2中，bb、bg、br和b
nir
分别代表band 2、band 3、band 4、和band 8对应的反射率值，在landsat-8oli中分别代表band 2、band 3、band4和band 5对应的反射率值，在gf-1wfv中分别代表band 1、band 2、band 3和band 4对应的反射率值；其中，sgn(αβ
r-2bg bb)—根据其正负值能够区分绿色植被和盐地碱蓬；α表示构建参数，取α＝1.08，此时低密度绿色植被和盐地碱蓬的差异最大；b
nir-2br bg＝(b
nir-br)-(b
r-bg)—用于分离光滩和盐地碱蓬，其值大小反映了盐地碱蓬覆盖度的变化情况；br bg—表示进一步扩大盐地碱蓬不同植被覆盖度情况下sssi指数的取值范围。
[0026]
优选的，步骤s3中，所述归一化植被指数(即ndvi)计算公式如下式(3)所示：
[0027]
ndvi＝(nir-r)/(nir r)
ꢀꢀꢀꢀ
(3)
[0028]
其中，nir表示近红外波段的反射率值；r表示红波段的反射率值。
[0029]
优选的，步骤s4中，所述识别提取盐地碱蓬范围，具体步骤包括：
[0030]
a41、在多光谱影像中对研究区域的盐地碱蓬、其他盐沼植被和光滩各选取不同植被覆盖度的地物样本点；
[0031]
a42、计算研究区域中不同地物类别的sssi的频率分布直方图，定性评估sssi指数在区分盐地碱蓬和其他地物类别的可分性情况，利用可分性指数(si)定量评估盐地碱蓬和其他地物的sssi指数的光谱可分性；
[0032]
其中，可分性指数(即si)的计算公式如下式(4)所示：
[0033][0034]
其中，si
ij
表示盐地碱蓬(i)与其他地物(光滩和其他盐沼植被，j)之间的si，σi、σj分别表示类i和类j的地物指数标准差；分别表示类i和类j地物指数的平均值，(σi σj)表示给定类别的类内可变性之和，表示给定类别的类间可变性差异；i和j之间的类间差异越大，类内方差越小，si值就越大；
[0035]
a43、基于步骤a41中选取的地物样本点，利用多阈值otsu算法确定盐地碱蓬、光滩和其他盐沼植被之间的阈值范围，并以最低阈值为下限，识别提取研究区域潮间带盐地碱蓬范围。
[0036]
优选的，步骤s5中，所述获得研究区域盐地碱蓬覆盖度估算结果的具体步骤包括：
[0037]
a51、基于研究区域无人机影像计算的ndvi值，在无人机影像上建立与多光谱影像像元大小相匹配的样方，利用像元二分法计算各样方内的植被覆盖度，作为该像元的真实植被覆盖度；
[0038]
a52、利用所得各像元的真实植被覆盖度与基于多光谱影像计算的对应像元的sssi指数值，建立无人机影像计算的真实植被覆盖度和多光谱影像计算的sssi指数之间的非线性关系，以构建第一盐地碱蓬覆盖度反演模型；同时，利用所得各像元的真实植被覆盖度与基于多光谱影像计算的ndvi值，建立无人机影像计算的真实植被覆盖度和多光谱影像计算的ndvi之间的线性关系，以构建第二盐地碱蓬覆盖度反演模型；
[0039]
a53、计算步骤a52所构建的第一盐地碱蓬覆盖度估算反演模型和第二盐地碱蓬覆盖度反演模型的r2和rmse，通过相关性分析，筛选出盐地碱蓬覆盖度估算的最优反演模型，然后在步骤s4中识别提取的研究区域潮间带盐地碱蓬范围内，利用最优反演模型，反演每个对应影像像元中盐地碱蓬覆盖度情况，从而得到研究区域盐地碱蓬覆盖度估算结果。
[0040]
优选的，步骤s6中，所述对步骤s4中识别提取的研究区域潮间带盐地碱蓬范围进行精度评估时的评估指标为整体精度(oa)、用户精度(ua)、生产者精度(pa)和kappa系数。
[0041]
优选的，步骤s6中，所述对步骤s5中得到的盐地碱蓬覆盖度估算结果进行精度评估，具体步骤为：随机选取若干个覆盖研究区域的无人机观测范围内的验证样本点，以无人机正射影像作为判别依据，将无人机影像像元聚合为与多光谱影像元像匹配的样方，并计算匹配样方的盐地碱蓬覆盖度，然后与最优反演模型估算的像元盐地碱蓬覆盖度结果进行相关性分析，得到相关性系数(即r2)和均方根误差(即rmse)，以此作为盐地碱蓬覆盖度反演估算结果的评估指标。
[0042]
优选的，所述计算采用envi软件、arcgis软件和google earth engine软件中的任一种。
[0043]
优选的，步骤s1和s2中，所述野外实测光谱和实验室模拟光谱通过asd fieldspec hi-res手持式光谱仪测量；步骤s5中，所述无人机影像通过大疆精灵-4-多光谱无人机拍摄获得。
[0044]
本发明具备如下有益效果：
[0045]
(1)具有地物可分性：本发明构建的盐地碱蓬光谱指数(sssi)能够较好的识别盐地碱蓬范围，将盐地碱蓬与其他盐沼地物分离，特别是低密度绿色植被和盐地碱蓬的混分；
[0046]
(2)可定量反演盐地碱蓬植被覆盖度：本发明基于sssi指数与植被覆盖度之间的非线性关系，能够定量反演影像像元的植被覆盖度，且一定程度上能有效降低土壤背景异质性对覆盖度反演结果的影响；
[0047]
(3)本发明方法通过野外数据采集和实验室模拟光谱，充分挖掘了盐地碱蓬和其他盐沼植被的光谱特征差异，构建了一个用于面向滨海湿地潮间带盐地碱蓬识别和覆盖度估算的光谱指数(sssi)，不仅有效避免传统监督分类中低密度盐地碱蓬与其他盐沼植被(光滩、低密度绿色植被)光谱曲线相近，造成的盐地碱蓬识别提取结果误差较大，精度较低
的问题；还可以有效消除不同含水量土壤背景异质性对盐地碱蓬范围识别提取的影响；同时sssi指数值大小可反演盐地碱蓬与光滩混合像元中的盐地碱蓬覆盖度，为解决滨海湿地潮间带盐地碱蓬范围识别提取和植被覆盖度估算提供了新思路，为后续评价盐地碱蓬退化和修复行动的有效性提供基础数据支撑，对维持滨海湿地生态系统的稳定、实现生态与经济的可持续发展具有重大、深远的意义。
附图说明
[0048]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1为本发明一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法流程示意图；
[0050]
图2-a为实施例2中不同盐沼地物的的高光谱反射曲线及s2、l8和gf-1影像的光谱响应曲线图；
[0051]
图2-b为实施例2中基于盐地碱蓬、光滩和其他(绿色)盐沼植被(以互花米草为代表)的宽带光谱反射曲线图；
[0052]
图2-c为实施例2中实验室模拟的不同盐地碱蓬覆盖度下蓝、绿、红及近红外波段的反射曲线图(0-100％)；
[0053]
图2-d为实施例2中实验室模拟的不同互花米草覆盖度下蓝、绿、红及近红外波段的反射率(0-100％)(d)；
[0054]
图3为实施例2中黄河口s2影像sssi指数可分性分析结果图(a)和l8影像sssi指数可分性分析结果图(b)，其中，sa-互花米草、pa-芦苇、tc-柽柳、bf-光滩、ss-盐地碱蓬；
[0055]
图4-a为实施例2中黄河口sentinel-2影像计算的sssi指数值与盐地碱蓬覆盖度(fvc)的第一盐地碱蓬覆盖度反演模型；
[0056]
图4-b为实施例2中构建的黄河口sentinel-2影像计算的ndvi指数值与盐地碱蓬覆盖度(fvc)的第二盐地碱蓬覆盖度反演模型；
[0057]
图5-a为实施例2中黄河口sentinel-2原始影像图；
[0058]
图5-b为实施例2中黄河口盐地碱蓬范围结果图；
[0059]
图5-c为实施例2中黄河口盐地碱蓬覆盖度(fvc)估算结果图；
[0060]
图6-a为实施例2中黄河口局部无人机原始影响影像一例图；
[0061]
图6-b为图6-a影像对应的黄河口局部盐地碱蓬覆盖度结果一例图；
[0062]
图7-a为实施例2中黄河口局部无人机原始影像的另一例图；
[0063]
图7-b为图7-a对应的黄河口局部盐地碱蓬覆盖度结果另一例图；
[0064]
图8为实施例3中辽河口sentinel-2影像sssi指数可分性分析结果图(a)和gf-1影像sssi指数可分性分析结果图(b)，其中，sa-互花米草、pa-芦苇、tc-柽柳、bf-光滩、ss-盐地碱蓬；
[0065]
图9-a为实施例3中辽河口sentinel-2影像计算的sssi指数值与盐地碱蓬覆盖度(fvc)的第一盐地碱蓬覆盖度反演模型；
[0066]
图9-b为实施例3中辽河口sentinel-2影像计算的ndvi指数值与盐地碱蓬覆盖度
(fvc)的第二盐地碱蓬覆盖度反演模型；
[0067]
图10-a为实施例3中辽河口sentinel-2原始影像图；
[0068]
图10-b为实施例3中辽河口盐地碱蓬范围结果图；
[0069]
图10-c为实施例3中辽河口盐地碱蓬覆盖度估算结果图；
[0070]
图11-a为实施例3中辽河口局部无人机原始影响影像一例图；
[0071]
图11-b为图11-a对应的辽河口局部盐地碱蓬覆盖度结果一例图；
[0072]
图12-a为实施例3中辽河口局部无人机原始影像的另一例图；
[0073]
图12-b为图12-a对应的辽河口局部盐地碱蓬覆盖度结果另一例图；
[0074]
图13为不同构建参数α与对应的(αr-2g b)的关系结果图；
[0075]
图14为不同植被覆盖度(fvc)与对应的(αr-2g b)的关系结果图。
具体实施方式
[0076]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。
[0077]
实施例1
[0078]
参照图1，一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法，包括以下步骤：
[0079]
s1、通过野外数据采集和实验室光谱测定，获取潮间带盐地土壤、盐地碱蓬和其他盐沼植被的高光谱反射曲线，然后结合所得高光谱反射曲线，通过实验室模拟不同土壤含水量背景下不同植被覆盖度的高光谱反射曲线，筛选出用于区分潮间带盐地碱蓬和其他地物的关键波段；具体步骤包括：
[0080]
a11、野外数据采集潮间带盐地土壤、盐地碱蓬和其他盐沼植被，然后于实验室内进行暗室光谱测定，获取盐地土壤、盐地碱蓬和其他盐沼植被的高光谱反射曲线；
[0081]
a12、结合所得的盐地土壤、盐地碱蓬和其他盐沼植被的高光谱反射曲线，通过实验室模拟不同土壤含水量背景下不同植被覆盖度的高光谱反射曲线；其中，在对不同植被覆盖度的高光谱反射曲线进行模拟时，考虑其变化仅受土壤含水量背景的影响，采用下式(1)计算某盐沼植被在某植被覆盖度的光谱反射率：
[0082][0083]
其中，表示植被覆盖度为a％的盐沼植被在波段的光谱反射率；的取值范围为400-2500nm；a％为某盐沼植被的植被覆盖度，其取值范围为0-100％，以10％为增量变化；表示实测的纯地物盐沼植被在波段的光谱反射率；表示实测相对含水量为b％的土壤在波段的光谱反射率；b％表示实验室模拟土壤的相对含水量；
[0084]
a13、通过观察实验室模拟所得的高光谱反射曲线中不同地物之间高光谱反射率的差异，筛选出不同地物差异较大的波段，并将其作为用于区分潮间带盐地碱蓬和其他地物的关键波段；
[0085]
s2、构建面向覆盖度差异下遥感数据特征增强的盐地碱蓬光谱指数(sssi)；
[0086]
考虑面向覆盖度差异下遥感数据特征增强的盐地碱蓬光谱指数(sssi)构建的基本理论，本发明构建的sssi指数满足以下三个条件：1)能够区分盐地碱蓬与其他地物(例如水体、光滩和其他盐沼植被)，便于识别盐地碱蓬范围；2)sssi指数值的大小能够表征盐地碱蓬覆盖度的高低，以进行盐地碱蓬覆盖度估算；3)能够尽可能减少土壤背景异质性的影响；采用下式(2)计算所述sssi指数：
[0087][0088]
其中，bb、bg、br和b
nir
分别为宽带光谱影像的蓝、绿、红和近红外波段，不同的传感器中bb、bg、br和b
nir
对应的蓝、绿、红和近红外波段的反射率值是不同的，在sentinel-2msi-2中，bb、bg、br和b
nir
分别代表band 2、band 3、band 4、和band 8对应的反射率值，在landsat-8oli中分别代表band 2、band3、band 4和band 5对应的反射率值，在gf-1wfv中分别代表band 1、band 2、band 3和band 4对应的反射率值；其中，sgn(αβ
r-2bg bb)—区分其他盐沼植被(绿色植被)和盐地碱蓬，α表示构建参数，当α＝1.08时，低密度其他盐沼植被和盐地碱蓬的差异最大，能够更好地分离低密度绿色植被和盐地碱蓬；b
nir-2br bg＝(b
nir-br)-(b
r-bg)—其值大小反映盐地碱蓬不同植被覆盖度的变化情况，用于分离光滩和盐地碱蓬；br bg—表示进一步扩大盐地碱蓬不同植被覆盖度情况下sssi指数的取值范围；
[0089]
s3、选取盐地碱蓬生长季无云多光谱影像，基于选取的多光谱影像计算其对应的归一化植被指数(ndvi)和sssi指数；
[0090]
其中，归一化植被指数(ndvi)计算公式如下式(3)所示：
[0091]
ndvi＝(nir-r)/(nir r)
ꢀꢀꢀ
(3)
[0092]
其中，nir表示近红外波段的反射率值；r表示红波段的反射率值；
[0093]
s4、识别提取盐地碱蓬范围：将ndvi＜0的范围去除，即裁剪掉研究区域内的水体范围去除，确保研究区域中仅有光滩和盐沼植被，然后对盐地碱蓬和其他地物进行可分性分析，并确定sssi指数识别提取盐地碱蓬的阈值范围，根据该阈值范围识别提取研究区域潮间带盐地碱蓬范围；具体步骤包括：
[0094]
a41、在多光谱影像中对研究区域的盐地碱蓬、其他盐沼植被和光滩各选取若干个不同植被覆盖度的地物样本点；
[0095]
a42、计算研究区域中不同地物类别的sssi指数值的频率分布直方图，定性评估sssi指数在区分盐地碱蓬和其他地物类别的可分性情况，利用可分性指数(si)定量评估盐地碱蓬和其他地物的sssi指数的光谱可分性；
[0096]
鉴于类内差异和类间差异是评价盐地碱蓬与其他盐沼地物可分离程度的关键指标，本发明采用somers等人提出(somers,2010)的可分性指数(separability index，si)来评估盐地碱蓬和其他地物的sssi指数的光谱可分性，si通过类内和类间的可分性度量来定义一组类别之间的可分离性，其计算公式如下式(4)所示：
[0097][0098]
其中，si
ij
表示盐地碱蓬(i)与其他四类地物(芦苇、互花米草、柽柳和光滩，j)之间
的si，σi、σj分别表示类i和类j的地物指数标准差；分别表示类i和类j地物指数的平均值，(σi σj)表示给定类别的类内可变性之和，表示给定类别的类间可变性差异；i和j之间的类间差异越大，类内方差越小，si值就越大；一般认为，si值大于1说明地物可分性较好，数值越大，可分性越好；
[0099]
a43、基于步骤a41中选取的地物样本点，利用多阈值otsu算法确定盐地碱蓬、光滩和其他盐沼植被之间的阈值范围，并以最低阈值为下限，识别提取研究区域潮间带盐地碱蓬范围；
[0100]
s5、结合基于无人机影像计算的真实植被覆盖度与基于多光谱影像计算的sssi指数值的非线性关系、以及与基于多光谱影像计算的ndvi指数值的线性关系，各自构建盐地碱蓬覆盖度估算的反演模型，并通过相关性分析，选取盐地碱蓬覆盖度估算的最优反演模型，利用最优反演模型，反演每个对应影像像元中盐地碱蓬覆盖度情况，获得盐地碱蓬覆盖度估算结果；
[0101]
s6、对步骤s4中识别提取的研究区域潮间带盐地碱蓬范围以及步骤s5得到的盐地碱蓬覆盖度估算结果进行精度评估。
[0102]
本发明中，为探究上述构建参数α的最优取值，从α＝1开始，以0.01为增量调整α值观察变化情况。从实验室测量光谱库中选取7组涵盖不同含水量的土壤(含水量分别为0％、26％、29％、32％、53％、84％和100％)、以及以7组含水量土壤为背景模拟的植被覆盖度为10％的低密度绿色植被和10％的低密度盐地碱蓬的高光谱反射率曲线。基于sentinel-2的srf，得到b、g、r和nir四波段的宽带波谱反射率值，并计算不同α下(αr-2g b)的值，α与(αr-2g b)的对应关系图如图13所示，由图13结果可知，当α＝1.08时，低密度绿色植被(互花米草(sa))的值均为负值、类内差异最小，光滩(bf)和低密度盐地碱蓬(ss)的值均为正值，此时与低密度绿色植被(互花米草(sa))的类间差异最大；
[0103]
进一步利用可分性指数si值对低密度绿色植被(互花米草(sa))和盐地碱蓬(ss)进行定量评估，计算的si值在α＝1.08时达到最高为2.0，当α＝1.08时，盐地碱蓬(ss)不同植被覆盖度(fvc)下的(αr-2g b)值均为正值，绿色植被(互花米草(sa))为负值，如图14所示，故本发明取α值为1.08，参与sssi指数的构建。
[0104]
实施例2
[0105]
本实施例选取黄河三角洲自然保护区(黄河口)为研究区域，黄河三角洲自然保护区属于滨海湿地潮间带区域。
[0106]
参照图2-图7，一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法，包括以下步骤：
[0107]
s1、通过野外数据采集和实验室光谱测定，获取黄河口潮间带盐地土壤、盐地碱蓬和其他盐沼植被的高光谱反射曲线，然后结合所得高光谱反射曲线，通过实验室模拟不同土壤含水量背景下不同植被覆盖度的高光谱反射曲线，筛选出用于区分黄河口研究区域潮间带盐地碱蓬和其他地物的关键波段；具体步骤如下：
[0108]
a11、野外数据采集潮间带盐地土壤、盐地碱蓬(ss)、互花米草、芦苇以及柽柳，然后使用asd fieldspec hi-res手持式光谱仪于实验室内对采集的样品进行暗室光谱测定，获取100组不同含水量的潮间带盐地土壤的高光谱反射曲线，以及盐地碱蓬(ss)、互花米草
(sa)、芦苇(pa)和柽柳(tc)四种纯地物高光谱反射曲线；
[0109]
a12、结合所得的盐地土壤、盐地碱蓬(ss)、互花米草(sa)、芦苇(pa)和柽柳(tc)的高光谱反射曲线，通过实验室模拟不同土壤含水量背景下不同植被覆盖度的高光谱反射曲线；
[0110]
实验室模拟不同土壤含水量背景下不同盐沼植被覆盖度梯度下盐沼植被的高光谱反射曲线，其中，采用式(1)计算某盐沼植被在某植被覆盖度的光谱反射率：
[0111][0112]
其中，表示植被覆盖度为a％的盐沼植被在波段的光谱反射率；的取值范围为400-2500nm；a％为某盐沼植被的植被覆盖度，其取值范围为0-100％，以10％为增量变化；表示实测的纯地物盐沼植被在波段的光谱反射率；表示实测相对含水量为b％的土壤在波段的光谱反射率；b％表示实验室模拟土壤的相对含水量；模拟的植被覆盖度的范围为0-100％，以10％为增量依次累加，某类盐沼植被在一组土壤相对含水量的背景下可得到11组不同植被覆盖度的高光谱反射曲线，每一类盐沼植被，以盐地碱蓬为例，一共得到1100组不同土壤含水量背景下不同植被覆盖度梯度下的盐地碱蓬高光谱反射曲线；
[0113]
a13、通过观察实验室模拟所得的高光谱反射曲线中不同地物高光谱反射率的差异，筛选出不同地物差异较大的波段，并将其作为用于区分黄河口研究区域潮间带盐地碱蓬和其他地物的关键波段；
[0114]
s2、构建面向覆盖度差异下遥感数据特征增强的盐地碱蓬光谱指数(sssi)，参见式(2)；
[0115]
s3、选取盐地碱蓬生长季无云多光谱影像，基于选取的多光谱影像采用式(2)和式(3)，计算其对应的归一化差值植被指数(ndvi)和sssi指数值；
[0116]
本实施例采用sentinel-2和landsat-8多光谱仪器对黄河口研究区域进行测试，以进一步验证盐地碱蓬光谱指数(sssi)的适用性。具体地，在云计算(google earth engine，gee)平台上选择覆盖黄河口研究区域潮间带盐地碱蓬生长旺盛、云量最少的多光谱影像，其中，10m分辨率的sentinel-2msi影像选在2020年9月28日(tile number：50spg)，30m分辨率的landsat-8oli影像选在2020年9月22日(path 121，row 43)，然后运用envi软件计算所选取的黄河口研究区域多光谱影像对应的ndvi指数值和sssi指数值，生成黄河口研究区域对应单波段的ndvi特征影像和sssi特征影像；
[0117]
s4、识别提取盐地碱蓬范围：运用arcgis软件将ndvi＜0的范围去除，即裁剪掉黄河口研究区域内的水体范围，确保黄河口研究区域中仅有光滩和盐沼植被，然后，对盐地碱蓬和其他地物进行可分性分析，并确定sssi指数识别提取盐地碱蓬的阈值范围，根据该阈值范围识别提取黄河口研究区域潮间带盐地碱蓬范围；具体步骤如下：
[0118]
a41、在sentinel-2和landsat-8卫星影像中对黄河口研究区域的互花米草、芦苇、柽柳、光滩和盐地碱蓬地物各选取1000个不同植被覆盖度的地物样本点，且所选的地物样本点包含该地物在黄河口研究区域不同地理位置、不同植被覆盖度下的分布情况；其中，上述卫星影像中地物样本点的选取规则具体为：1)有辅助数据覆盖的区域：借助野外踏勘记
录的样本点数据、盐地碱蓬样方数据和无人机多光谱影像数据，分别均匀选取涉及不同盐沼植被覆盖度时对应的卫星影像像元作为该类盐沼植被的样本点；2)无辅助数据覆盖的区域：参考已有辅助数据覆盖区域中不同盐沼植被覆盖度下实际卫星影像像元的特征，通过目视解译在研究区域的不同位置寻找对应覆盖度下某地物的相似像元作为该类盐沼植被的样本点；
[0119]
a42、计算黄河口研究区域中不同地物类别的sssi指数值的频率分布直方图，定性评估sssi指数在区分盐地碱蓬和其他地物类别的可分性情况，然后利用可分性指数(separability index，si)来定量评估盐地碱蓬和其他盐沼植被sssi指数的光谱可分性，其中，采用式(4)计算可分性指数(si)；
[0120]
a43、基于步骤a41中选取的地物样本点，利用多阈值otsu算法确定盐地碱蓬、光滩和其他盐沼植被之间的阈值范围，并以最低阈值为下限，识别提取研究区域潮间带盐地碱蓬范围；
[0121]
由于步骤s2中构建sssi指数时，保证了研究区域所有地物类型中只有盐地碱蓬和极少部分光滩计算的sssi指数为正值，故可通过设定一个最低阈值a(a≥0)识别盐地碱蓬的范围，识别提取盐地碱蓬的最低阈值a可通过多阈值otsu算法确定。对于可分性分析时上述卫星影像上选取的地物样本点，利用多阈值otsu算法确定盐地碱蓬、光滩和绿色植被之间的阈值范围为a-b(a》b)，并以最低阈值a为下限，识别提取研究区域潮间带盐地碱蓬范围。特别注意的是，影像中均匀选取的某类地物的样本点，包含该地物在研究区不同地理位置、不同植被覆盖度下的分布情况，利用sssi值频率分布图确定的最低阈值a识别影像中研究区域潮间带盐地碱蓬分布范围；
[0122]
s5、结合基于无人机影像计算的真实植被覆盖度与基于多光谱影像计算的sssi指数值的非线性关系、以及与基于多光谱影像计算的ndvi指数值的线性关系，各自构建盐地碱蓬覆盖度估算的反演模型，并通过相关性分析，选取盐地碱蓬覆盖度估算的最优反演模型，利用最优反演模型，反演每个对应影像像元中盐地碱蓬覆盖度情况，获得盐地碱蓬覆盖度估算结果；具体步骤为：
[0123]
a51、基于黄河口研究区域无人机正射影像计算的ndvi指数值，在无人机影像上建立与sentinel-2卫星影像像元大小相匹配的10m
×
10m的样方(landsat-8影像30m
×
30m的样方)，利用像元二分法计算各样方内的植被覆盖度，作为该像元的真实植被覆盖度；
[0124]
a52、利用所得各像元的真实植被覆盖度分别与基于sentinel-2影像以及landsat-8影像计算的对应像元的sssi指数值，建立无人机影像计算的真实植被覆盖度和sssi指数之间的非线性关系，构建了第一盐地碱蓬覆盖度反演模型；同时，利用所得各像元的真实植被覆盖度分别与基于sentinel-2影像以及landsat-8影像计算的ndvi指数值，建立真实植被覆盖度和ndvi指数之间的线性关系，构建了第二盐地碱蓬覆盖度反演模型；其中，在研究区域无人机正射影像范围内随机均匀撒点，sentinel-2影像范围内有493个随机样本点，landsat-8影像选取133个样本点；
[0125]
a53、计算步骤a52所构建的第一盐地碱蓬覆盖度估算反演模型和第二盐地碱蓬覆盖度估算反演模型的r2和rmse，通过相关性分析，筛选出盐地碱蓬覆盖度估算的最优反演模型，然后在步骤s4中识别提取的黄河口研究区域潮间带盐地碱蓬范围内，利用最优反演模型，反演每个对应影像像元中盐地碱蓬覆盖度情况，从而得到黄河口研究区域盐地碱蓬
覆盖度估算结果；
[0126]
s6、对步骤s4中识别提取的黄河口研究区域潮间带盐地碱蓬范围以及步骤s5获得的盐地碱蓬覆盖度估算结果进行精度评估。
[0127]
具体地，结合地物样本点以及大疆精灵4多光谱无人机(phantom4-m，p4m)拍摄的无人机多光谱影像数据等辅助验证数据，分别对识别提取的黄河口研究区域潮间带盐地碱蓬范围以及盐地碱蓬覆盖度估算结果进行精度评估：(1)对识别提取的黄河口研究区域潮间带盐地碱蓬范围进行精度评估(验证)，具体步骤为：随机选取1000个覆盖黄河口研究区域的精度评估样本点，该精度评估样本点通过野外实地调查数据、高分辨率无人机正射影像以及人工目视解译，判断识别的盐地碱蓬位置是否准确，通过上述的判别结果，分别计算盐地碱蓬和非盐地碱蓬的整体精度(oa)、用户精度(ua)、生产者精度(pa)和kappa系数作为盐地碱蓬(空间位置)范围识别的精度评估结果；(2)对盐地碱蓬覆盖度的估算结果进行精度评估(验证)，具体步骤为：随机选取200个覆盖研究区的无人机观测范围验证样本点，以无人机正射影像作为判别依据，将无人机像元聚合为与sentinel-2或landsat-8影像匹配的10m
×
10m和30m
×
30m的样方，并计算匹配样方的盐地碱蓬覆盖度，然后将计算的无人机匹配样方的植被覆盖度与反演模型估算的像元植被覆盖度结果进行相关性分析，以相关性系数r2和均方根误差rmse作为盐地碱蓬覆盖度反演估算结果的精度评估指标。
[0128]
实施例3
[0129]
本实施例选取辽河口自然保护区为研究区，辽河口自然保护区属于滨海湿地潮间带区域。
[0130]
参照图8-图12，一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法，包括以下步骤：
[0131]
s1、通过野外数据采集和实验室光谱测定，获取潮间带盐地土壤、盐地碱蓬和其他盐沼植被的高光谱反射曲线，然后结合所得高光谱反射曲线，通过实验室模拟不同土壤含水量背景下不同植被覆盖度的盐沼植被光谱曲线，筛选出不同地物差异较大的波段，并将其作为用于区分潮间带盐地碱蓬和其他盐沼植被的关键波段；步骤如下：
[0132]
a11、野外数据采集潮间带盐地土壤、盐地碱蓬(ss)、互花米草(sa)、芦苇(pa)、盐地碱蓬(ss)和柽柳(tc)，然后使用asd fieldspec hi-res手持式光谱仪于实验室内对采集的样品进行光谱测定，获取100组不同含水量的潮间带盐地土壤的高光谱反射曲线，以及盐地碱蓬(ss)、互花米草(sa)、芦苇(pa)和柽柳(tc)四种纯地物高光谱反射曲线；
[0133]
a12、结合所得的盐地土壤、盐地碱蓬(ss)、互花米草(sa)、芦苇(pa)和柽柳(tc)的高光谱反射曲线，通过实验室模拟不同土壤含水量背景下不同植被覆盖度的高光谱反射曲线；
[0134]
具体地，实验室模拟不同土壤含水量背景下不同盐沼植被覆盖度梯度下的盐沼植被高光谱反射曲线，其中，采用式(1)计算某盐沼植被在某植被覆盖度的光谱反射率，模拟的植被覆盖度的范围为0-100％，以10％为增量依次累加，某类盐沼植被在一组土壤相对含水量的背景下可得到11组不同植被覆盖度的光谱曲线，每一类盐沼植被，以盐地碱蓬为例，一共得到1100组不同土壤含水量背景下不同植被覆盖度梯度下的盐地碱蓬高光谱反射曲线；
[0135]
a13、通过观察实验室模拟所得的高光谱反射曲线中不同地物高光谱反射率的差
异，筛选出不同地物差异较大的波段，并将其作为用于区分黄河口研究区域潮间带盐地碱蓬和其他地物的关键波段；
[0136]
s2、构建面向覆盖度差异下遥感数据特征增强的盐地碱蓬光谱指数(sssi)，参见式(2)；
[0137]
s3、选取盐地碱蓬生长季无云影像，基于选取的影像计算其对应的归一化差值植被指数(ndvi)和sssi指数值；
[0138]
本实施例采用sentinel-2和gaofen-1(gf-1)多光谱仪器对辽河口研究区域进行测试，以进一步验证盐地碱蓬光谱指数(sssi)的适用性。具体地，在云计算(google earth engine，gee)平台上选择覆盖辽河口研究区域潮间带盐地碱蓬生长旺盛、云量最少的多光谱影像，其中，10m分辨率的sentinel-2msi影像选在2021年9月23日(tile number：51tuf)，15m分辨率的gf-1影像选在2021年9月22日(path 121，row 43)，然后运用envi软件计算所选取的辽河口研究区域多光谱影像对应的ndvi指数值和sssi指数值，生成辽河口研究区域对应单波段的ndvi特征影像和sssi特征影像；
[0139]
s4、识别提取盐地碱蓬范围：首先，运用arcgis软件将ndvi＜0的范围去除，即裁剪掉辽河口研究区域内的水体范围，确保辽河口研究区域中仅有光滩和盐沼植被；然后，对盐地碱蓬和其他地物进行可分性分析，并确定sssi指数识别提取盐地碱蓬的阈值范围，根据该阈值范围识别提取辽河口研究区域潮间带盐地碱蓬范围；具体步骤如下：
[0140]
a41、在sentinel-2和gf-1卫星影像中对辽河口研究区域的互花米草、芦苇、柽柳、光滩和盐地碱蓬地物各选取600个覆盖不同的植被覆盖度和区域的地物样本点，且所选的地物样本点包含该地物在黄河口研究区域不同地理位置、不同植被覆盖度下的分布情况，选取卫星影像中地物样本点的规则同实施例2；
[0141]
a42、计算辽河口研究区域中不同地物类别的sssi指数值的频率分布直方图，定性评估sssi指数在区分盐地碱蓬和其他地物类别的可分性情况，然后利用可分性指数(si)来定量评估盐地碱蓬和其他盐沼植被sssi指数的光谱可分性，其中，采用式(4)计算可分性指数(si)；
[0142]
a43、基于步骤a41中选取的地物样本点，利用多阈值otsu算法确定盐地碱蓬、光滩和其他盐沼植被之间的阈值范围，并以最低阈值为下限，识别提取研究区域潮间带盐地碱蓬范围；
[0143]
由于步骤s2中构建sssi指数时，保证了研究区域所有地物类型中只有盐地碱蓬和极少部分光滩计算的sssi指数为正值，故可通过设定一个最低阈值a(a≥0)识别盐地碱蓬的范围，识别提取盐地碱蓬的最低阈值a可通过多阈值otsu算法确定。对于可分性分析时上述卫星影像上选取的地物样本点，利用多阈值otsu算法确定盐地碱蓬、光滩和绿色植被之间的阈值范围为a-b(a》b)，并以最低阈值a为下限，识别提取研究区域潮间带盐地碱蓬范围。特别注意的是，影像中均匀选取的某类地物的样本点，包含该地物在研究区不同地理位置、不同植被覆盖度下的分布情况，利用sssi值频率分布图确定的最低阈值a识别影像中研究区域潮间带盐地碱蓬分布范围；
[0144]
s5、结合基于无人机影像计算的真实植被覆盖度与基于多光谱影像计算的sssi指数值的非线性关系、以及与基于多光谱影像计算的ndvi指数值的线性关系，各自构建盐地碱蓬覆盖度估算的反演模型，并通过相关性分析，选取盐地碱蓬覆盖度估算的最优反演模
型，利用最优反演模型，反演每个对应影像像元中盐地碱蓬覆盖度情况，获得盐地碱蓬覆盖度估算结果；具体步骤为：
[0145]
a51、基于辽河口研究区域无人机正射影像计算的ndvi指数值，在无人机影像上建立与sentinel-2卫星影像像元匹配的10m
×
10m的样方(gf-1影像15m
×
15m的样方)，利用像元二分法计算各样方内的植被覆盖度，作为该像元的真实植被覆盖度；
[0146]
a52、利用所得各像元的真实植被覆盖度分别与基于sentinel-2影像以及gf-1影像计算的对应像元的sssi指数值，建立无人机影像计算的真实植被覆盖度和sssi指数之间的非线性关系，构建了第一盐地碱蓬覆盖度反演模型；同时，利用所得各像元的真实植被覆盖度分别与基于sentinel-2影像以及gf-1影像计算的ndvi指数值，建立真实植被覆盖度和ndvi指数之间的线性关系，构建了第二盐地碱蓬覆盖度反演模型，其中，sentinel-2影像范围内有1114个随机样本点，gf-1影像选取187个样本点；
[0147]
a53、计算步骤a52所构建的第一盐地碱蓬覆盖度估算反演模型和第二盐地碱蓬覆盖度估算反演模型的r2和rmse，通过相关性分析，筛选出盐地碱蓬覆盖度估算的最优反演模型，然后在步骤s4中识别提取的辽河口研究区域潮间带盐地碱蓬范围内，利用最优反演模型，反演每个对应影像像元中盐地碱蓬覆盖度情况，从而得到辽河口研究区域盐地碱蓬覆盖度估算结果；
[0148]
s6、对步骤s4中识别提取的辽河口研究区域潮间带盐地碱蓬范围以及步骤s5获得的盐地碱蓬覆盖度估算结果进行精度评估。
[0149]
具体地，结合地物样本点以及大疆精灵4多光谱无人机(phantom4-m，p4m)拍摄的无人机多光谱影像数据等辅助验证数据，分别对识别提取的辽河口研究区域潮间带盐地碱蓬范围以及盐地碱蓬覆盖度估算结果进行精度评估：(1)对识别提取的辽河口研究区域潮间带盐地碱蓬范围进行精度评估(验证)，具体步骤为：随机选取1000个覆盖辽河口研究区域的精度评估样本点，该精度评估样本点通过野外实地调查数据、高分辨率无人机正射影像以及人工目视解译，判断识别的盐地碱蓬位置是否准确，通过上述判别结果，分别计算盐地碱蓬和非盐地碱蓬的整体精度(oa)、用户精度(ua)、生产者精度(pa)和kappa系数作为盐地碱蓬(空间位置)范围识别提取的精度评估结果；(2)对盐地碱蓬覆盖度的估算结果进行精度评估(验证)，具体步骤为：随机选取200个覆盖辽河口研究区域的无人机观测范围验证样本点，以无人机正射影像作为判别依据，将无人机像元聚合为与sentinel-2或gf-1影像匹配的10m
×
10m和15m
×
15m的样方，并计算匹配样方的盐地碱蓬覆盖度，然后将计算的无人机匹配样方的盐地碱蓬覆盖度与反演模型估算的像元盐地碱蓬覆盖度结果进行相关性分析，以相关性系数r2和均方根误差rmse作为盐地碱蓬覆盖度反演估算结果的精度评估指标。
[0150]
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。