EN中文

自然资源学报 >

2021 , Vol. 36 >Issue 8: 1949 - 1963

DOI: https://doi.org/10.31497/zrzyxb.20210804

“生态系统评估”专栏

中国艾比湖湿地识别及其时空动态变化

  • 丁建丽 , 1, 2 ,
  • 葛翔宇 1, 2 ,
  • 王敬哲 3
展开
  • 1.新疆大学绿洲生态教育部重点实验室,乌鲁木齐 830046
  • 2.新疆大学智慧城市与环境建模自治区普通高校重点实验室,乌鲁木齐 830046
  • 3.深圳大学海岸带地理环境监测自然资源部重点实验室,深圳 518060

丁建丽（1974- ）,男,山东菏泽人,博士,教授,博士生导师,主要从事干旱区环境演变与遥感应用研究。E-mail:

收稿日期: 2020-01-20

  修回日期: 2020-10-19

  网络出版日期: 2021-10-28

基金资助

新疆水专项(2020.B-001)

国家自然科学基金项目(41961059)

国家自然科学基金项目(41771470)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Ebinur Lake wetland identification and its spatio-temporal dynamic changes

  • DING Jian-li , 1, 2 ,
  • GE Xiang-yu 1, 2 ,
  • WANG Jing-zhe 3
Expand
  • 1. Key Laboratory of Oasis Ecology, Xinjiang University, Urumqi 830046, China
  • 2. Key Laboratory of Smart City and Environment Modelling of Higher Education Institute, Xinjiang University, Urumqi 800046, China
  • 3. Key Laboratory for Geo-Environmental Monitoring of Coastal Zone of the Ministry of Natural Resources, Shenzhen 518060, Guangdong, China

Received date: 2020-01-20

  Revised date: 2020-10-19

  Online published: 2021-10-28

Copyright

Copyright reserved © 2021.
Fold

摘要

在资料稀缺的背景下,遥感数据是提供湿地系统长时间序列的理想方案。然而面向“一带一路”沿线地区复杂下垫面,国家级湿地缺乏系统的长时序梳理。利用Landsat系列数据,基于随机森林分类模型,研究近30年中国典型尾闾湖湿地的时空分布模式、空间转换规律和景观连通性。结果表明：随机森林算法在艾比湖湿地分类应用中取得较高精度（Kappa系数大于0.9）。1991—2017年艾比湖湿地总面积增加425.06 km2,河流增加47.97 km2,湖泊增加233.95 km2,人工湿地增加48.74 km2,盐沼增加109.41 km2,沼泽减少15.01 km2。艾比湖湿地年内时空变化显著,年内季节间盐沼转化率最大,湖泊年内逐渐缩小,主要转化为沼泽。此外,艾比湖湿地空间连通性理想度排序为：春季>夏季>秋季,湿地景观连通性取决于较大面积的湿地斑块,连通效率东移。相关结果可弥补稀缺资料区基础湿地资料,为“一带一路”地区生态补水长效机制提供典型示范。

关键词： 湿地提取; 随机森林; 时间序列; 生态效应

本文引用格式

丁建丽 , 葛翔宇 , 王敬哲 . 中国艾比湖湿地识别及其时空动态变化[J]. 自然资源学报, 2021 , 36(8) : 1949 -1963 . DOI: 10.31497/zrzyxb.20210804

Abstract

Remote sensing data can provide long-term sequences for replenishing wetlands in changing environments under the context of scarce data. The accurate identification of wetland systems in arid regions is important to the comprehensive regulation and feedback mechanism of water and soil resources. However, we lack long-term data accumulation in the national wetlands in the context of the complex underlying surface of the Belt and Road region. In this study, random forest (RF) classification model was used to map the spatial distribution pattern of the typical terminal lake wetland in the arid regions over the past 30 years. Through the accurate wetland mapping, the spatial conversion rule of the wetland landscape is calculated, and the spatial connectivity of the wetland landscape is determined. We present the results of a high-precision classification study conducted in the Ebinur Lake National Wetland Reserve (Kappa coefficient is greater than 0.9). The spatial and temporal changes in the Ebinur Lake wetland during 1991-2017 was extremely significant, especially in different seasons of the year. From 1991 to 2017, the total area of wetlands, rivers, lakes, constructed wetlands, and salt marshes increased by 425.06 km2, 47.97 km2, 233.95 km2, 48.74 km2, and 109.41 km2, respecctively, while the total area of marshes decreased by 15.01 km2. The annual change in salt marsh conversion is the largest, and the lake wetlands were shrinking gradually from spring to autumn, mainly into swampy wetlands. In addition, the ideal spatial connectivity of Ebinur wetland is listed in the order of spring > summer > autumn. The connectivity between lake wetlands, marsh wetlands and non-wetlands is better than that of other types of wetlands. The connectivity of wetland landscapes depends on the wetland patches with larger areas. To a certain extent, this research compensates the basic wetland data in the scarce data area, and provides a typical demonstration for the long-term mechanism of ecological water replenishment in the Belt and Road region.

Key words： wetland data extraction; random forest; time series; ecological effect

湿地作为水陆生态系统的重要一环,提供了不可替代的生态服务价值,特别是维持水土安全、生态稳定[1,2]。然而,近几十年来,人类不合理的水土资源开发使湿地发生了剧烈变化,随即产生对环境、生态和人类活动的威胁[3,4]。随着生态文明建设的逐步推进,原本日益退化萎缩的湿地才得以有效保护、恢复。湿地在干旱半干旱地区往往扮演着生态屏障,近几十年湿地退缩问题首当其冲[5,6]。干旱区湿地受到多重因素的影响,表现出流转、干缩、消亡[7]。湿地变化的强烈反应同时映射出区域内的生态环境质量,因此,监测绘制长时序干旱区湿地的动态变化具有现实意义。
长期以来,中国干旱区湿地资料稀缺,在本就脆弱的生态环境背景下,极易引发全局性的生态灾害。“一带一路”沿线的生态稳定、基础设置及人地关系也随之加剧恶化。因此,依托空间信息遥感技术梳理中国干旱区典型湿地长时序变化恰逢其时[8,9]。然而,面向“一带一路”沿线复杂下垫面,湿地尚未存在统一的地表特征,鲜有基于遥感的长时序高精度湿地提取。实践中需要先验知识的监督分类被众多学者普遍接受,随着机器学习算法的兴起,弥补了传统监督分类的分类器优选等问题[10]。支持向量机、随机森林[11]等算法提供了更可靠的精度结果,这些监督、半监督分类器更善于挖掘影像信息。因此,机器学习算法为精准识别湿地系统提供了新的视角。此外,干旱区特殊情境下发育的湿地有其独特之处,湿地的景观格局年内发生剧烈变化[12]。然而湿地景观仅从规模、时空分布特征探究,难以厘清景观格局动态变化的复杂性。湿地系统通常是水文、土壤、生态、大气和人类活动的缓冲枢纽,物质能量交换频繁[13]。因此湿地斑块的空间连通性在湿地时空演变机制中不容忽视。
艾比湖湿地作为“一带一路”沿线最为重要的核心区域,其水土安全问题关系到国家战略实施。特别是近几十年,艾比湖湿地缺乏系统、全局、长时序的梳理和防控,湖滨盐沼已成为中国北方尘暴灾害的源头[14],生态危机向全国扩张。因此,本文基于年内变化尺度,利用随机森林算法提取近30年不同时相的艾比湖湿地,耦合景观变化,探究内陆干旱区湿地的长时序变化过程机制,阐明其景观空间连通性。相关研究结果为“一带一路”沿线地区以及国家级湿地保护区的生态恢复提供空间信息服务和典型示范应用。

1 研究方法与数据来源

1.1 研究区概况

艾比湖湿地国家级保护区,位于新疆维吾尔自治区西北隅（44°43′~45°12′N,82°35′~83°40′E）,欧亚大陆腹地[15],是“一带一路”沿线的关键节点,面向“一带一路”的典型示范区。湿地保护区在三山环绕的低处,地形低洼（图1）。降水稀少（89.8~169.7 mm/年）,蒸发量大（1569~3421 mm/年）,年均气温7.8 ℃,年内温差较大,属于典型的温带大陆性气候。艾比湖为新疆第一大咸水湖,属于典型干旱区内陆尾闾湖。近五十年湖泊面积急剧萎缩至500 km2左右[15]。艾比湖常年大风,大风天数可达164天以上。湖滨湿地已成为继咸海后第二盐尘暴策源地,严重威胁天山北坡经济带生产和发展,尘暴灾害侵扰中国北方广大区域。艾比湖湿地的生态危机扩张已是全国性生态问题,不容忽视[6]。
图1 艾比湖湿地国家级自然保护区及艾比湖流域

Fig. 1 Ebinur Lake Wetland National Nature Reserve and Ebinur Lake Basin

1.2 数据来源与预处理

本文选取现存长时间序列遥感数据的Landsat影像数据（轨道编号：146/29）,该数据分辨率通常为30 m。尽可能选择4月、7月和9月三个时相的影像（云量<20%）,代表春、夏、秋三个季节,具体应用于本文的影像时间及数据源如图2所示。此外,地形数据对湿地的精准分类必不可少,本文获取的DEM数据来源于USGS（ http://gdex.cr.usgs.gov/gdex/）,其分辨率与Landsat系列影像一致。原位踏探对于分类验证不可或缺,课题组于2012—2017年进行野外实地考察,利用Google Earth数据作为参考,以确定实际地物类型。遥感数据经预处理后,进行几何精校正,其中ETM影像执行了条带修正处理。处理后的数据,用于相对应季节的艾比湖湿地分类。每年各类湿地面积则为各季节面积的平均值。
图2 Landsat系列影像的时间分布

Fig. 2 Temporal distribution of Landsat series images

1.3 随机森林分类器构建及评价

根据《土地利用现状分类》（GB/T 21010—2017）、《全国湿地资源调查与监测技术规程（试行）》（林湿发[2008]265号）（简称湿地监测章程）及实际湿地特点,进行一级分类：湿地与非湿地;在湿地类型中进行二级分类,分为五种湿地类型：河流、湖泊、人工湿地、沼泽和盐沼。艾比湖湿地分类体系如表1所示,根据2012—2017年的实地野外考察的样本库,与遥感解译标准进行分类特征的构建。
表1 艾比湖湿地分类体系及解译特征

Table 1 Classification system and interpretation characteristics of Ebinur Lake wetland

一级分类 二级分类 地表特征 光学影像特征 影像 照片
湿地 河流 河流,部分河岸多芦苇 红色与蓝黑色混杂,分布为条带状,由植被像元和河流像元混交
湖泊 艾比湖 深蓝色,明显的湖岸线
人工湿地 主要为盐场 规则矩形的盐渍化地表和水体
沼泽 因湖泊季节性扩缩露出的滩地 呈浅蓝色,零星分布的水体像元与浅蓝色土壤像元
盐沼 地表有明显盐渍化现象 呈白色,零散分布白色或连片分布
非湿地 非湿地 主要为裸露的土地、荒漠草本植物 棕灰色,连片分布
随机森林分类器是利用多重决策树来预测类分配的集成学习分类器,其最大优势在于计量变量的重要性[16]。随机森林算法利用分类树集合来产生高度准确和无偏的预测,这些预测基于跨越自适应重复的投票,这些投票在很大程度上避免了过拟合[17]。此外,随机森林一种非参数建模方法,非常适合于高维的遥感数据[18]。本文选取光谱波段、光谱指数、缨帽变换、地形等30个特征变量（图3）作为特征变量输入分类器中,并以关键节点数N（N=100）测试。基于不同数据源衍生的环境变量的重要性结果如图4所示,DEM在三个重要性评价中均为最高。在此基础上,测试抽取特征数量n,当x取值为25时,分类精度达到最高为83.44%。
图3 特征变量的分类描述

Fig. 3 Description of characteristic variables

图4 特征变量重要性

Fig. 4 Importance score and optimization of characteristic variables

受数据获取、人工视觉提取等因素的限制,仅对1997年8月5日、2009年6月27日、2015年4月17日、2015年10月10日、2017年7月27日共5个时相的分类结果进行了独立验证。并通过制图精度PA（Producer's Accuracy）、用户精度（User's Accuracy,UA）以及Kappa系数（Kappa Coefficient,KC）进行评价。

1.4 空间连通性计算

本文选择的图论指数能清晰反映地物景观格局的空间连通性,考虑到不同湿地类型的影响,选择了节点度指数（Node Degree Index,NDI）和流通性指数（Flux Index,FI）[13]。两种指数均从个体尺度反映湿地生态空间连通性,量化年内不同湿地类型的空间连通性的变化过程及重要程度。在湿地时空变化分布中,探究斑块规模的相关性,阐明湿地系统空间变化的内在机制。上述基于Graphab 2.2.6获取NDI和FI。

2 结果分析

2.1 分类精度验证

由图5可以发现本文基于随机森林分类的艾比湖湿地分类系统取得较好的精度,五个时相的KC均≥0.90。根据不同的湿地类型分类精度而言,湖泊在各时相下取得较高的PA和UA。相较而言,河流和沼泽分类精度整体情况略低（PA：80.04%~87.78%）。值得一提的是,人工湿地随时间推移分类精度越来越差,人类活动的加剧使得分类难度增加。此外,参考湿地监测章程对沼泽和其他湿地的精度规范,本文中艾比湖湿地分类精度均大于80%,该结果符合要求,分类精度科学规范。
图5 艾比湖湿地分类精度验证

Fig. 5 Verification of wetland classification accuracy of Ebinur Lake in different periods

2.2 湿地的时空分布

近30年间,艾比湖湿地内部发生了极为深刻的变化,年内波动较为强烈,但整体分布相对稳定（图6、图7）。1991—2017年湿地总面积增加425.06 km2,河流增加47.97 km2,湖泊增加233.95 km2,人工湿地增加48.74 km2,盐沼增加109.41 km2,沼泽减少15.01 km2。湖泊是保护区中主要的湿地类型,多年面积占比为11.27%~31.03%,季节上湖泊面积存在春季>夏季>秋季的规律。同为水体为主的河流相对稳定,秋季占比较大。由于艾比湖特殊的地域环境,沼泽和盐沼地犬牙交错,相互转化较为显著。人工湿地较为特殊,随着时间的增加面积也相对增加,特别是2015年在保护区南部出现新开垦的人工湿地。总体而言,艾比湖保护区内六种类型的多年平均面积为：110.00 km2（河流）、604.92 km2（湖泊）、17.08 km2（人工湿地）、760.41 km2（沼泽）、322.02 km2（盐沼）、1296.02 km2（非湿地）。
图6 1991—2017年春夏秋三季艾比湖湿地类型的面积

Fig. 6 Statistical analysis of wetland area in the Ebinur Lake region from 1991 to 2017 in spring, summer, and autumn

图7 1991—2017年艾比湖湿地时空分布

Fig. 7 Spatial and temporal distributions of the Ebinur Lake wetland during 1991-2017

2.3 湿地空间转移特征

本文引入Sankey图对多年年内湿地类型转移变化进行可视化表达[19]。如图8所示,绘制了10幅Sankey图,由于篇幅限制仅对2017年做详尽分析。2017年中湖泊由春至夏再到秋,其面积比持续下降,其中10%以上的面积转移为沼泽。变化率最为显著的是盐沼,在春季—夏季（61.13%）和夏季—秋季（41.12%）均表现出极强的变动,而人工湿地与非湿地的变化率最不明显。春季—夏季盐沼的54.54%转化为沼泽,是该阶段转化率最高的类型,而夏季—秋季沼泽的23.7%转变为盐沼,可见年内盐沼与沼泽转化最为剧烈。盐沼的增加,同时增加了盐尘暴等灾害风险。
图8 多年季节艾比湖湿地转移面积Sankey图

Fig. 8 Sankey map of the Ebinur Lake wetland transfer area in different seasons over years

2.4 湿地连通性分析

图9和图10表示艾比湖湿地的节点度指数和流通性指数。图9中NDI颜色越红表示节点度指数越高,是连通性中心,其连线表示该节点与其他斑块节点的连通性。图10中FI节点越红则表示流通效率越高,其连线表示各斑块间存在不同程度的连通效率关系。与其他季节相比,湿地整体在春季NDI较高的斑块数量更多。湖泊高NDI全年都集中于湖内,沼泽NDI逐渐扩大东移,盐沼NDI全年较为稳定且多在艾比湖东南部出现。对于春季的高NDI,河流多集中于博尔塔拉河入湖口,沼泽则更靠近湖泊。夏季河流较高的NDI东移至阿其克苏河附近,盐沼在东南部出现副中心。秋季时期,河流的高NDI出现三个较高中心,其他类型湿地相对稳定。此外,各类湿地斑块的NDI与其面积呈正相关（图11）,斑块规模越大则NDI越高,表明其连通周边湿地能力越强。伴随着研究区春季至秋季节点度指数NDI的变动,FI数量也随之变化并表现出由西向东的空间转移趋势,这表明湿地的流通效率呈现相同的趋势。因此,在湿地各类型中,大面积的斑块是影响湿地间连通性的主要因素,且湿地连通效率年内向东偏移。
图9 2017年艾比湖湿地保护区不同湿地类型的NDI的变化

Fig. 9 Changes in NDI of different wetland patches in Ebinur Lake wetland in different seasons of 2017

图10 2017年艾比湖湿地保护区不同湿地类型的FI的变化

Fig. 10 Changes in FI of different patches in Ebinur Lake wetland in different seasons of 2017

图11 水文气象要素及对应的湿地面积之间的相关系数

Fig. 11 Pearson coefficients between hydro-meteorological datasets and relevant wetland area

3 讨论

3.1 气候水文要素与湿地景观的耦合关系

不同季节下,各水文气象要素与不同湿地类型间的相关关系如图12所示。春季影响湖泊的主要是博河九十团入湖量,而夏季则是精河径流量,春夏两季由于人类用水需求不同,改变了入湖量的影响。秋季湖泊面积发生明显改变,是入湖量和径流量共同影响的结果。总体而言,气象条件作用与水文条件,径流量和入湖量的变化会使得艾比湖湖泊面积发生改变,这也是湖面面积年内和年际变化的主要原因。事实上,以湖泊为主要湿地类型的保护区,湖泊的变化深刻影响着其他类型湿地。如图7和图8所示,2006年湖泊面积是历年年内变化之最,春季到秋季湖泊面积缩减了325.91 km2,萎缩的湖泊转化为沼泽和盐沼。沼泽在全年都与湖泊呈现负相关关系,湖泊的增加是入侵沼泽的结果。盐沼同湖泊存在极好的响应,矿化度高的湖水很大程度上促进盐沼的发生[20]。由于艾比湖湿地的特殊地形的影响,不同类型湿地的扩张都受限于此,也正因为这个原因,湖泊对沼泽的影响存在滞后性,进而影响盐沼发育。此外,非湿地对气候水文要素表现出负相关,特别是与湿地发育存在积极作用。1991—2017年艾比湖湿地总面积增加425.06 km2,这表明湿地有向外扩张的趋势,非湿地类型的面积逐渐发育为湿地。具体表现为2017年艾比湖湖泊面积向外扩张,同时沼泽、盐沼也随之向非湿地发展,产生湿地面积增加的原因也可能是由于近年生态治理的功效。总之,艾比湖湿地随季节和环境的变化响应,这也是湿地面积年际、年内变化和差异的主因。
图12 艾比湖湿地保护区不同湿地类型的出现概率

Fig. 12 Probability of occurrence of different wetland types in the Ebinur Lake Wetland Reserve

3.2 艾比湖湿地时空关联模式

艾比湖不同湿地的空间变化,在长时间尺度下可以很好地由相应地物出现概率来表达（图12）。河流90%以上出现概率集中于东部的阿其克苏河和奎屯河,而这两条河流均未同湖泊以地表径流方式连接,且均为设置水文站等监测设施。空间上明显与湖泊相连的高概率河流出现在博河入湖口及山前地带。湖泊出现概率具有较强的规律性,90%以上集中表现在艾比湖湖体,占保护区面积的12.42%。由湖体向外概率逐步降低,特别是西北部的间歇性湖体出现概率仅为20%~60%。沼泽多年概率的空间分布基本围绕艾比湖湖泊,沼泽承担湖泊与其他湿地类型的缓冲和过渡,易受到较强蒸散作用区域,如湖底裸露区、北部山前区以及南部盐场附近。然而,这些强蒸散区域又普遍会转换成盐沼[21],因而沼泽与盐沼空间上发生的概率较为相似。总体而言,全部湿地发生概率90%以上占保护区面积45.89%,多以湖泊和沼泽常发生区域。两类湿地空间分布及转换机制较为复杂,作为受人类活动影响的入湖水量,是影响湿地空间时空演变的主要因素。

3.3 艾比湖湿地及其生态效应

艾比湖湿地变化极大程度上威胁中国北方生态安全,在区域生态环境中发挥不可替代作用。特别是对于内陆干旱区而言,艾比湖湿地往往承载着北疆乃至“一带一路”沿线地区的生态屏障。通过研究发现,2017年艾比湖湖泊面积已恢复至2002年时期的历史较高水平,然而由湖面扩张引发的环境影响值得关注。2002年艾比湖水位2.41 m,同时盐渍化面积达到800 km2,随湖泊水位升高,土壤盐分相对降低[14]。研究区的土壤以沙壤土为主,土壤力较强,在阿拉山口的常年大风背景下,加速该地区的蒸散发速率。因此,湖泊的缩小导致较严重的局部盐渍化现象,裸露的湖底漫滩是盐尘、沙尘的策源地,在盛行西风作用下盐沙尘暴不仅严重威胁北疆生态安全和经济发展,也胁迫中国北方地区（河西走廊、华北地区等）的可持续发展[22]。尽管尚未确定人地耦合下湿地面积的生态阈值,但能得出相对稳定的湖泊能有效系持区域的生态稳定的结论。
过去几十年中,艾比湖流域主要地区农业用水占比达90%,如此高的农业用水直接减少入湖水量。本文亦得到相似结果,入湖水量与艾比湖湖泊面积正相关。当湖泊缩小时,土壤盐分增加,使得农业生产过程中需要利用更多的灌溉水进行排盐[23]。此外,由于入湖水量、水位的降低以及由此产生的高盐度湖水（约112.4 g/L）,艾比湖的复氧能力受到损害,进一步恶化艾比湖水质状态[24]。这也同时影响着湿地对天山北坡城市的生态服务价值,特别是在水文调节、水资源供给等方面[25]。因此,为了保护艾比湖地区脆弱的生态环境,设计综合的生态环境改善方案,监测湖面面积变化的同时,水质的监测必不可少。

4 结论

本文基于长时间序列不同时相的Landsat系列遥感影像,在随机森林识别系统的框架下,识别艾比湖国家湿地保护区的湿地（河流、湖泊、人工湿地、沼泽和盐沼）与非湿地,在资料稀缺背景下,还原近30年艾比湖湿地动态变化,分析湿地间空间连通性。得出如下结论,随机森林识别复杂环境的湿地系统取得较高精度（Kappa系数大于0.9）,从中分析发现1991—2017年艾比湖湿地各类型发生深刻的时空变动,且年内波动显著。年际变化中,1991—2017年湿地总面积增加425.06 km2,河流增加47.97 km2,湖泊增加233.95 km2,人工湿地增加48.74 km2,盐沼增加109.41 km2,沼泽减少15.01 km2。在年内的春季—夏季、夏季—秋季的湿地转变中,盐沼变化率最大,湖泊面积占比不断下降并转变为沼泽。不同季节中湖泊、沼泽以及非湿地的连通程度最强。艾比湖湿地景观的空间连通性取决于规模较大的湿地,流通率年内有由西向东转移的趋势。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
PEKEL J F, COTTAM A, GORELICK N, et al. High-resolution mapping of global surface water and its long-term changes. Nature, 2016, 540(7633): 418.

DOI

[2]
HE Y, ZHANG M X. Study on wetland loss and its reasons in China. Chinese Geographical Science, 2001, 11(3): 241-245.

DOI

[3]
WANG S, MENG W, JIN X, et al. Ecological security problems of the major key lakes in China. Environmental Earth Sciences, 2015, 74(5): 3825-3837.

DOI

[4]
KINGSFORD R T, BASSET A, JACKSON L. Wetlands: Conservation's poor cousins. Aquatic Conservation: Marine and Freshwater Ecosystems, 2016, 26(5): 892-916.

DOI

[5]
陈亚宁, 李稚, 范煜婷, 等. 西北干旱区气候变化对水文水资源影响研究进展. 地理学报, 2014, 69(9): 1295-1304.

DOI

[CHEN Y N, LI Z, FAN Y T, et al. Research progress on the impact of climate change on water resources in the arid region of Northwest China. Acta Geographica Sinica, 2014, 69(9): 1295-1304.]

[6]
杨胜天, 于心怡, 丁建丽, 等. 中亚地区水问题研究综述. 地理学报, 2017, 72(1): 79-93.

DOI

[YANG S T, YU X Y, DING J L, et al. A review of water issues research in Central Asia. Acta Geographica Sinica, 2017, 72(1): 79-93.]

[7]
MCCAULEY L A, ANTEAU M J, VAN DER BURG M P, et al. Land use and wetland drainage affect water levels and dynamics of remaining wetlands. Ecosphere, 2015, 6(6): 1-22.

[8]
吕金霞, 蒋卫国, 王文杰, 等. 近30年来京津冀地区湿地景观变化及其驱动因素. 生态学报, 2018, 38(12): 4492-4503.

[LYU J X, JIANG W G, WANG W J, et al. Wetland landscape pattern change and its driving forces in Beijing-Tianjin-Hebei region in recent 30 years. Acta Ecologica Sinica, 2018, 38(12): 4492-4503.]

[9]
MCCARTHY M J, RADABAUGH K R, MOYER R P, et al. Enabling efficient, large-scale high-spatial resolution wetland mapping using satellites. Remote Sensing of Environment, 2018, 208: 189-201.

DOI

[10]
MAXWELL A E, WARNER T A, FANG F. Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 2018, 39(9): 2784-2817.

DOI

[11]
LIU T, ABD-ELRAHMAN A, MORTON J, et al. Comparing fully convolutional networks, random forest, support vector machine, and patch- based deep convolutional neural networks for object-based wetland mapping using images from small unmanned aircraft system. GIScience & Remote Sensing, 2018, 55(2): 243-264.

[12]
HALABISKY M, MOSKAL L M, GILLESPIE A, et al. Reconstructing semi-arid wetland surface water dynamics through spectral mixture analysis of a time series of Landsat satellite images (1984-2011). Remote Sensing of Environment, 2016, 177: 171-183.

DOI

[13]
穆博, 李华威, AUDREY L M, 等. 基于遥感和图论的绿地空间演变和连通性研究: 以郑州为例. 生态学报, 2017, 37(14): 4883-4895.

[MU B, LI H W, AUDREY L M, et al. Dynamic changes of green-space connectivity based on remote sensing and graph theory: A case study in Zhengzhou, China. Acta Ecologica Sinica, 2017, 37(14): 4883-4895.]

[14]
WANG J, DING J, LI G, et al. Dynamic detection of water surface area of Ebinur Lake using multi-source satellite data (Landsat and Sentinel-1A) and its responses to changing environment. Catena, 2019, 177: 189-201.

DOI

[15]
WANG J, DING J, YU D, et al. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China. Geoderma, 2019, 353: 172-187.

DOI

[16]
葛翔宇, 丁建丽, 王敬哲, 等. 基于竞争适应重加权采样算法耦合机器学习的土壤含水量估算. 光学学报, 2018, 38(10): 393-400.

[GE X Y, DING J L, WANG J Z, et al. Estimation of soil moisture content based on competitive adaptive reweighted sampling algorithm coupled with machine learning. Acta Optica Sinica, 2018, 38(10): 393-400.]

[17]
齐雁冰, 王茵茵, 陈洋, 等. 基于遥感与随机森林算法的陕西省土壤有机质空间预测. 自然资源学报, 2017, 32(6): 1074-1086.

[QI Y B, WANG Y Y, CHEN Y, et al. Soil organic matter prediction based on remote sensing data and Random Forest model in Shaanxi province. Journal of Natural Resources, 2017, 32(6): 1074-1086.]

[18]
GE X, WANG J, DING J, et al. Combining UAV-based hyperspectral imagery and machine learning algorithms for soil moisture content monitoring. PeerJ, 2019, 7: e6926, Doi: 10.7717/peerj.6926.

DOI

[19]
ZHANG F, KUNG H, JOHNSON V. Assessment of land-cover/land-use change and landscape patterns in the two national nature reserves of Ebinur Lake Watershed, Xinjiang, China. Sustainability, 2017, 9(5): 724.

DOI

[20]
WANG J, DING J, ABULIMITI A, et al. Quantitative estimation of soil salinity by means of different modeling methods and visible-near infrared (VIS-NIR) spectroscopy, Ebinur Lake Wetland, Northwest China. PeerJ, 2018, 6: e4703, Doi: 10.7717/peerj.4703.

DOI

[21]
谭娇, 丁建丽, 董煜, 等. 新疆艾比湖绿洲潜在蒸散量年代际变化特征. 农业工程学报, 2017, 33(5): 143-148.

[TAN J, DING J L, DONG Y, et al. Decadal variation of potential evapotranspiration in Ebinur Lake Oasis of Xinjiang. Transactions of the CSAE, 2017, 33(5): 143-148.]

[22]
张喆, 丁建丽, 王瑾杰. 中亚沙尘气溶胶时空分布特征及潜在扩散特性分析. 地理学报, 2017, 72(3): 507-520.

DOI

[ZHANG Z, DING J L, WANG J J. Spatio-temporal variations and potential diffusion characteristics of dust aerosol originating from Central Asia. Acta Geographica Sinica, 2017, 72(3): 507-520.]

[23]
WANG X, ZHANG F, JOHNSON V C. New methods for improving the remote sensing estimation of soil organic matter content (SOMC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR) in Northwest China. Remote Sensing of Environment, 2018, 218: 104-118.

DOI

[24]
WANG X, ZHANG F, GHULAM A, et al. Evaluation and estimation of surface water quality in an arid region based on EEM-PARAFAC and 3D fluorescence spectral index: A case study of the Ebinur Lake Watershed, China. Catena, 2017, 155: 62-74.

DOI

[25]
荔琢, 蒋卫国, 王文杰, 等. 基于生态系统服务价值的京津冀城市群湿地主导服务功能研究. 自然资源学报, 2019, 34(8): 1654-1665.

[LI Z, JIANG W G, WANG W J, et al. Study on the wetland leading service function of Jing-Jin-Ji Urban Agglomeration based on the ecosystem service value. Journal of Natural Resources, 2019, 34(8): 1654-1665.]

Options
文章导航

/

〈 〉