《Remote Sensing Applications: Society and Environment》：Mapping and Spatiotemporal Dynamics of Aquatic Vegetation in the seasonal sub-lakes of Poyang Lake Using Phenological Features
编辑推荐：
本研究针对鄱阳湖汛期子湖复杂环境，提出融合规则约束与机器学习的水生植被提取方法，基于Sentinel-2光学影像2019-2024年时序数据，结果显示该方法精度达0.943-0.987，植被面积显著下降，2020年洪水导致2021年植被锐减，空间集中于两大自然保护区，其生长与水深、水位波动及气温正相关，为区域生态管理提供科学依据。
魏亮|阮远光|谭家宝|乔家兴
江西科学技术大学土木工程与测绘工程学院，赣州341000，中国
摘要
水生植被是季节性湖泊生态系统的重要组成部分。在不断变化的水陆环境中准确提取水生植被对于诊断生态系统健康状况、分析其对极端气候事件的响应机制以及最终服务于区域适应性生态管理具有重要的理论和实践意义。本研究聚焦于鄱阳湖内的季节性子湖。研究开发了一种基于Sentinel-2光学图像的混合方法，该方法结合了基于规则的约束条件和机器学习技术，以实现水生植被的精确提取和时空分析。研究结果表明：（1）该提取方法具有较高的准确性和稳定性，2019-2024年期间的总体准确率（OA）介于0.943至0.987之间，Kappa系数介于0.820至0.940之间；（2）时间序列分析显示，2019至2024年间鄱阳湖水生植被面积呈显著下降趋势；2020年的极端洪水事件与2021年水生植被面积的急剧减少之间存在强相关性，而2022年的干旱事件影响相对较小；（3）空间上，水生植被主要分布在南矶湿地国家级自然保护区和鄱阳湖国家级自然保护区范围内。
引言
水生植被（AV）是指包括苔藓、蕨类、种子植物及某些大型藻类在内的植物群落，其光合作用部分永久或周期性浸没在水中或漂浮在水面上[1]。根据生长形式，水生植被可分为浮叶植物、沉水植物和挺水植物。作为湖泊生态系统净初级生产力的重要组成部分[2]，水生植被通过为生物提供栖息地、作为浮游生物的食物来源、储存碳、减少沉积物再悬浮以及改善水质等方式，在维持生态稳定性方面发挥着关键作用[2],[3]。然而，水生植物（尤其是大型挺水植物）的过度生长会阻碍光线穿透并导致沉积物堆积。此外，这些植物在分解过程中释放大量溶解有机物（DOM）和无机盐，对浅水湖泊生态系统产生不利影响[4],[5],[6]。过去几十年中，全球气候变化和人为干扰导致世界各地水生植被覆盖面积出现不同程度的增减[10],[11],[12],[7],[8],[9]。由于水生植物的生长受多种环境因素影响[13],[14],[15]，其生长状况可以有效地反映湖泊生态系统的富营养化和生态稳定性变化[16],[4]。因此，监测其时空分布和动态变化对于全面了解和保护湖泊生态系统至关重要，也成为研究的重点。
传统的水生植被分布制图方法主要依赖于人工野外采样[17],[18]，这一过程不仅耗时，而且劳动力和资源消耗较大。相比之下，卫星遥感技术凭借其庞大的数据量、密集的时间序列、高时间分辨率和成本效益，已成为获取大范围长时间水生植被时空分布的强大工具。现有文献充分证明了卫星观测在追踪全球湖泊变化和生态动态方面的有效性，提供了传统方法无法提供的关键见解[19],[20]。为了充分利用这些海量数据，遥感大数据云平台（如GEE）的发展进一步简化了数据处理流程，使得大规模、长期分析变得可行[21]。最近的水生植被监测技术越来越依赖于中分辨率光学图像[22],[23]以及主动-被动遥感相结合的方法[24],[25]来检测和分析水生植被的分布[26]、动态[27]及环境响应[28]。虽然传统方法（如植被指数阈值化[11]和决策树[29],[30],[31]）在稳定湖泊环境中表现有效，但在复杂的水生系统中，不同表面特征之间的光谱相似性和光谱特征的时间变化性[32]可能导致使用固定阈值进行长期时间序列提取时出现较大误差。为解决这些局限性，机器学习（ML）算法因具备更高的准确性和鲁棒性而受到重视[33]。例如，随机森林（RF）算法已成功应用于中国湖泊的时空覆盖度绘制[34]，并且其准确率优于支持向量机（SVM）[35]；此外，近期研究将RF与深度学习方法结合，用于重建长江流域的长期植被动态[9]。现有研究表明卫星遥感在水生植被提取方面具有巨大潜力。然而，大多数研究集中在稳定水体中的水生植被绘制上，对季节性子湖中的水生植被提取关注较少。季节性子湖通常由于相邻河流或主湖泊的水位季节性波动而在洪泛区湿地形成[36]，具有独特的水文动态特征。这些动态导致子湖内表面特征随水位变化而周期性变化，促进了多样化水生植被群落的发展。然而，在这些复杂环境中提取水生植被及其与季节性子湖之间的相互作用机制仍是当前研究中较少涉及的领域。
作为中国最大的淡水湖，鄱阳湖与五条主要支流和长江之间存在复杂的水文联系[37],[38]。季节性水文变化与鄱阳湖浅而宽阔的水下地形相结合，形成了一个庞大而复杂的湖泊-洪泛系统[39]，促进了众多季节性子湖的发展。鄱阳湖独特的水文循环驱动了其季节性子湖中丰富湿地植被的繁茂生长，这些子湖主要位于湖泊南部。尽管对这些子湖中的陆地湿地植被进行了深入研究，包括其分布[40],[41]、生长模式[42]及其与水文连通性的相互作用[43]，但仍存在显著的研究空白。这一空白可能是由于该地区复杂性的原因，淹没周期的时间和持续时间极大地影响了植物的物候和分布[44]。现有研究表明，鄱阳湖54%的水生植被分布在这些季节性子湖中，对区域经济服务和生态价值具有重要贡献[45]。因此，了解和研究这些水生植被的生长、发育和分布对于鄱阳湖复杂的洪泛区湿地具有重要意义。为此，本研究以鄱阳湖的季节性子湖作为研究区域，利用中分辨率时间序列遥感图像对这些复杂生态系统中的水生植被进行长期提取和分析，旨在为这些子湖及其相关湿地的保护和管理提供支持。
研究区域概述
鄱阳湖（北纬28°24′-29°46′，东经115°49′–116°46′）位于江西省北部的长江南岸（图1a），是中国最大的淡水湖。它是一个典型的浅水湖泊，南北长度为170公里，东西宽度为75公里。湖泊由五条主要支流（赣江、抚河、新江、饶河和秀河）从南部注入，并通过北部狭窄的出口通道与长江相连。
研究方法
为了绘制鄱阳湖季节性子湖中的水生植被分布，本研究开发了一种结合基于规则的约束条件和机器学习的综合方法。首先利用淹没频率（IF）指数划定季节性子湖的边界，然后进行基于规则的初步水生植被制图。该初始地图是通过整合敏感的遥感指数、植被物候和野外数据设定的阈值得出的。
季节性子湖提取结果
为了精确划定季节性子湖的稳定水域范围，本研究利用2019至2024年的所有Sentinel-2图像计算了六年的淹没频率（图7）。基于该频率数据，并结合人工视觉验证，确定了最佳提取阈值为0.3。选择这一阈值是因为它能够在有效排除非稳定水域的同时，最大程度地包含子湖的核心稳定水域。
优势与局限性
本研究使用Sentinel-2光学图像提出了一种混合方法，该方法结合了先验的基于规则的约束条件和机器学习来提取季节性子湖中的水生植被。该方法的核心是一个多阶段策略，用于初步提取水生植被。具体而言，根据季节性子湖中NDVI的年度物候轨迹，通过计算得出高置信度的水生植被潜在分布区域。
结论
本研究利用Sentinel-2光学图像，并考虑了鄱阳湖流域典型季节性子湖的特征，开发了一种结合先验基于规则的约束条件和机器学习的混合方法来提取水生植被。随后探讨了植被的时空分布。研究结果表明：
（1）结合植被年际特征和指数的基于规则的方法可以有效
伦理声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
本研究未涉及人类参与者、人类数据、人体组织或动物实验。所有作者均已批准最终稿件并同意提交。该稿件尚未在其他地方发表。
作者贡献声明
乔家兴：软件、方法论、调查。魏亮：写作——审稿与编辑、撰写——初稿、可视化、验证、软件、资源、方法论、调查、正式分析、数据管理、概念化。谭家宝：调查、概念化。阮远光：写作——初稿、可视化、验证、监督、资源、项目管理、方法论、调查、资金获取、数据管理、概念化
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
数据可用性
本研究分析了公开可用的数据集。这些数据可在此处找到：Sentinel卫星图像可从欧洲航天局（ESA）获取；气象数据可通过美国国家海洋和大气管理局（NOAA）获得；水文数据由江西省水文信息中心提供，可直接向其索取。支持本文结论的衍生数据产品也可获取。
资助
本研究得到了
国家自然科学基金（编号42361055）和
江西科学技术大学研究生创新项目（XY2025-S022）的支持。
致谢
作者感谢
Google Inc.提供的
Google Earth Engine (GEE)平台。同时感谢欧洲航天局（ESA）、美国国家航空航天局（NASA）、美国国家海洋和大气管理局（NOAA）以及江西省水文信息中心为这项研究免费提供数据。衷心感谢编辑和匿名审稿人的建设性评论和建议。
