考慮生活史的太湖沉水植物優(yōu)勢種遙感監(jiān)測*

王 琪，周興東,羅菊花，陳 沖

(1：江蘇師范大學(xué)城建與環(huán)境學(xué)部，徐州 221000)

(2：中國科學(xué)院南京地理與湖泊研究所，南京 210008)

考慮生活史的太湖沉水植物優(yōu)勢種遙感監(jiān)測*

王 琪1，周興東1,羅菊花2，陳 沖1**

(1：江蘇師范大學(xué)城建與環(huán)境學(xué)部，徐州 221000)

(2：中國科學(xué)院南京地理與湖泊研究所，南京 210008)

水生植物是淺水湖泊的重要類群，也是湖泊環(huán)境變化的指示物，快速監(jiān)測水生植物的時空分布對湖泊生態(tài)修復(fù)和管理具有重要的指導(dǎo)意義.基于多時相環(huán)境星影像，構(gòu)建太湖水生植物分類決策樹模型，將太湖水生植物分成挺水、浮葉和沉水植物3種類別，結(jié)合沉水植物優(yōu)勢種生活史特征，提出了一種考慮生活史信息的太湖沉水植物優(yōu)勢種遙感監(jiān)測方法，并對太湖7大沉水植物優(yōu)勢種進行時空監(jiān)測.通過2013年7、8和9月野外調(diào)查樣點驗證，3期遙感影像分類后總的精度分別為83.04%、81.82%和85.47%，2013年太湖沉水植物優(yōu)勢種總體識別精度為62.20%.提出的水生植物遙感分類及沉水植物優(yōu)勢種識別方法為太湖管理部門開展水草打撈和生態(tài)修復(fù)提供依據(jù)和參考，同時為研究太湖沉水植物的歷史變遷奠定基礎(chǔ).

水生植物；太湖；遙感；優(yōu)勢種；生活史；決策樹

近年來淺水湖泊的生態(tài)修復(fù)成為水環(huán)境保護的工作熱點.研究表明，淺水湖泊生態(tài)系統(tǒng)退化的重要標志之一是大型水生植物的消失，尤其是沉水植物[1].生物修復(fù)技術(shù)是改善水體富營養(yǎng)化狀態(tài)的有效方式之一，不同水生植物生長體系對水體中的磷、氮及有機物的吸收能力各有差別，進而對水體的凈化能力也有較大差異[2].因此，大面積、準確、快速地監(jiān)測淺水湖泊水生植物的時空分布對湖泊管理和藻華治理具有重要意義.

傳統(tǒng)的水生植物監(jiān)測方法仍然是人工調(diào)查法，該方法費時、費力，代表性差，且很多水生植物生長的地方人難以到達.遙感技術(shù)能夠快速獲取大面積連續(xù)地物信息，故在水生植物時空分布信息監(jiān)測方面具有傳統(tǒng)方法不可比擬的優(yōu)勢.早期一些學(xué)者就基于航空照片開展了水生植物的研究，如Valta-Hulkkonen等[3]利用數(shù)字假彩色航拍照片對湖泊中幾種水生植物優(yōu)勢種進行識別；Zhu等[4]利用航空相片對1972、1980和1999-2002年的北美安大略湖沉水植物的空間分布和覆蓋度進行定量化監(jiān)測.近年來國內(nèi)外很多學(xué)者試圖利用衛(wèi)星遙感數(shù)據(jù)監(jiān)測水生植物的時空分布，并取得了一些成果，如Zhao等[5]提出基于Landsat ETM+數(shù)據(jù)的光譜指數(shù)閾值分類樹模型用于太湖水生植物的分類；Ma等[6]在太湖水生植物的遙感提取中，考慮到水體中的懸浮物和藻類等與沉水植物容易產(chǎn)生“異物同譜”現(xiàn)象，使得大面積的水體被誤分為沉水植物，將水體透明度和水深的先驗知識引入分類決策樹，較好地消除了分類過程的“異物同譜”現(xiàn)象，較準確地提取了太湖的水生植物.

對于沉水植物優(yōu)勢種遙感識別研究，大都基于地面高光譜遙感數(shù)據(jù)研究不同沉水植物優(yōu)勢種的光譜特征.如Yuan等[7]利用地面實測的高光譜遙感數(shù)據(jù)研究不同覆蓋度的沉水植物旋葉苦草的光譜特征；Han等[8]利用便攜式光譜儀研究不同深度、不同透明度及藻類水體中沉水植物的光譜響應(yīng)特征；袁琳等[9]利用地面實測的高光譜遙感數(shù)據(jù)對上海崇明國際濕地公園人工湖中不同蓋度的沉水植物穗花狐尾藻和苦草的反射光譜進行研究；李俊生等[10]利用地面實測的光譜數(shù)據(jù)，通過4種光譜指數(shù)建立了水華、浮葉植物、沉水植物和水體的判別公式.綜上，雖然國內(nèi)外在沉水植物光譜研究方面取得了一些進展，但對基于衛(wèi)星遙感數(shù)據(jù)的大面積沉水植物優(yōu)勢種遙感識別研究還鮮有報道.

本研究針對太湖沉水植物優(yōu)勢種的大面積遙感識別，獲取多時相環(huán)境星(HJ-CCD)影像數(shù)據(jù)，構(gòu)建太湖水生植物分類決策樹模型，利用GIS技術(shù)提取HJ-CCD影像中的沉水植物，在去除梅梁灣、竺山灣和西太湖藍藻水華的前提下，結(jié)合沉水植物優(yōu)勢種的生活史信息，提出考慮生活史信息的太湖沉水植物優(yōu)勢種遙感監(jiān)測方法，對太湖水生植物及沉水植物優(yōu)勢種的空間分布進行研究.

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

太湖(30°55′40″～31°32′58″N，119°52′32″～120°36′10″E)是我國第3大淡水湖泊，位于長江三角洲南翼坦蕩的太湖平原上，平均水深只有1.9m，是典型的淺水湖泊，同時也是我國3大富營養(yǎng)化湖泊之一.為了便于本研究對沉水植物監(jiān)測結(jié)果的定性描述和定量分析，參考已有資料和文獻[11]，初步將太湖劃分為9大區(qū)，包括竺山灣、梅梁灣、貢湖灣、湖心區(qū)、南太湖、東太湖、胥口和東山灣、鎮(zhèn)湖和光福灣、西山島附近.多年觀測結(jié)果顯示，湖心區(qū)、竺山灣和梅梁灣水體中含有高濃度的藻類和懸浮物質(zhì)；東太湖存在大規(guī)模河蟹生態(tài)圍網(wǎng)養(yǎng)殖區(qū)；每年夏季來臨，胥口灣、東太湖航道及兩側(cè)分布大量的水生植被，太湖環(huán)保部門清理任務(wù)艱巨.

1.2 遙感數(shù)據(jù)源及預(yù)處理

本研究采用HJ-CCD遙感數(shù)據(jù)，包括藍、綠、紅(波長分別為0.43～0.52、0.52～0.60、0.63～0.69μm)3個可見光波段和1個近紅外波段(波長為0.76～0.90μm)，空間分辨率為30m.本研究共計獲取了2013年11景無云狀況下的影像，獲取時間分別為：1月18日、2月20日、3月12日、4月25日、5月24日、7月11日、8月16日、9月26日、10月28日、11月17日和12月27日.通過ENVI軟件對環(huán)境星影像進行輻射校正(輻射定標和大氣校正)，消除一切與輻射有關(guān)的誤差.此外，利用精校正過的覆蓋太湖的Landsat TM 8影像對所有影像開展幾何校正，其校正誤差控制在0.5個像元之內(nèi).

1.3 野外樣點獲取

根據(jù)HJ-CCD影像的獲取時間，分別于2013年開展3次同步野外實驗，調(diào)查時間分別為7月11-13日，8月15-21日及9月23-26日，共設(shè)置了400多個樣點(圖1)，測定項目包括水生植物優(yōu)勢種的類型、蓋度、透明度和位置等.

圖1 研究區(qū)調(diào)查點的空間分布Fig.1 Study area and distribution of sampling sites

2 研究方法

2.1 沉水植物優(yōu)勢種生活史信息提取

2013年野外實地調(diào)查發(fā)現(xiàn)，太湖主要分布3種植物類型，分別為挺水、浮葉和沉水植物.挺水植物主要是蘆葦，多分布在岸邊的淺水域；浮葉植物中荇菜最為常見，主要分布在胥口灣和西山島東部的航道兩側(cè)，南太湖、光福灣和鎮(zhèn)湖灣有零星分布；沉水植物種類繁多，優(yōu)勢種共有7種.本研究首先提取了太湖沉水植物優(yōu)勢種的生活史信息(表1).7大優(yōu)勢種的生活史信息分別為：(1) 馬來眼子菜(Potamogetonmalaianus)：不能越冬生長，每年12月到次年2月進入越冬期，3月份進入萌發(fā)期，4-6月進入緩慢生長期，7-9月進入高速生長期，10-11月生長速度減緩并逐漸枯萎死亡，在10月下旬生物量達到最大值[12-14]；(2) 伊樂藻(Elodeanuttalli)：能夠忍受0℃以下的寒冷，在冬季以營養(yǎng)體越冬，5-6月進入高速生長期，在6月下旬到7月上旬伊樂藻的生物量達到最大值，隨后生長隨高溫停滯，到了秋季再度生長，形成了新的種群[15-17]；(3) 苦草(Vallisnerianatans)：不能越冬生長，3月進入萌發(fā)期，4-6月進入緩慢生長期，7-9月份進入高速生長期，在10月上旬生物量達到最大值[18-19]；(4) 微齒眼子菜(Potamogetonmaackianus)：不能越冬生長，4月上旬開始大量萌生，在7月份生物量達到最大值，隨后生長速度減緩并逐漸枯萎死亡[20]；(5) 金魚藻(Ceratophyllumdemersum)：不能越冬生長，4-5月份進入緩慢生長期，6-8月份進入高速生長期，在8月下旬生物量達到最大值，隨后生長速度減緩并逐漸枯萎死亡[21,23]；(6) 穗花狐尾藻(Myriophyllumspicatum)：不能越冬生長，4-6月份進入高速生長期，在7月份生物量達到最大值，8-9月份生長速度減緩并逐漸枯萎，在10月份其生物量達到最小值[22-23]；(7) 菹草(Potamogetoncrispus)：較為耐寒，能夠忍受0℃以下的寒冷，3-4月份進入高速生長期，在4-5月份生物量達到最大值，隨后很快枯萎死亡，在7月份其生物量達到最小值，8-10月份進入休眠狀態(tài)，11月份進入萌發(fā)期，12月至次年2月份進入緩慢生長期[24].

表1 太湖沉水植物優(yōu)勢種生活史信息*

Tab.1 Living history of dominant species of submerged vegetation in Lake Taihu

*黑色代表生物量達到最大值，白色代表生物量達到最小值.

2.2 水生植物決策樹分類模型構(gòu)建

圖2 基于CART算法構(gòu)建的決策樹(a、b、c為閾值)Fig.2 The decision tree based on CART

2.3 去除藍藻水華對沉水植物準確監(jiān)測的影響

水生植物遙感監(jiān)測研究表明，藍藻水華和懸浮物濃度較高的水體與生長沉水植物的水體光譜特征相似，容易形成“異物同譜”現(xiàn)象，從而造成不同地物的混淆，嚴重降低沉水植物的提取精度[6].根據(jù)大量的監(jiān)測研究和實測調(diào)查，太湖梅梁灣、竺山灣和湖心區(qū)是藍藻水華的頻發(fā)區(qū)[27]，且除了梅梁灣有少量菹草分布外[28]，竺山灣和湖心區(qū)基本無沉水植物分布，本研究將竺山灣和湖心區(qū)的沉水植物遙感分類結(jié)果劃為藻華頻發(fā)區(qū)進行掩膜，不參與沉水植物優(yōu)勢種的分類.針對梅梁灣藻華區(qū)的提取，中國科學(xué)院南京地理與湖泊研究所湖泊流域科學(xué)數(shù)據(jù)共享平臺的藍藻水華監(jiān)測報告顯示，2013年3月12日和5月24日梅梁灣沒有監(jiān)測到藍藻水華，而3月和5月正逢菹草的繁殖旺季，此時梅梁灣沉水植物遙感分類結(jié)果正是菹草的分布范圍，再結(jié)合剩余9個月梅梁灣沉水植物遙感分類結(jié)果來劃定2013年太湖梅梁灣的藻華分布區(qū)(圖3).

圖3 太湖藻華頻發(fā)區(qū)Fig.3 Location of cyanobacteria blooms in Lake Taihu

2.4 沉水植物優(yōu)勢種分類的方法

本研究借助GIS技術(shù)，提取了2013年11個月HJ-CCD影像中的沉水植物，在去除湖心區(qū)、竺山灣和梅梁灣藍藻水華的基礎(chǔ)上，提出了考慮生活史的太湖沉水植物優(yōu)勢種分類方法(圖4)，在分類的過程中，多次使用ArcGIS空間疊加分析中的擦除與合并功能，具體操作流程為：(1) 馬來眼子菜、微齒眼子菜、穗花狐尾藻、金魚藻和苦草為喜溫類沉水植物，在0℃以下基本消亡，伊樂藻和菹草可以在0℃以下繼續(xù)生長繁殖，冬季1月最低氣溫低于0℃，此時太湖主要分布的沉水植物是伊樂藻和菹草，7月菹草的生物量達到最小值[24]，而此時伊樂藻的生物量達到最大值[15]，7月的沉水植物圖層(伊樂藻較多)擦除1月的沉水植物圖層(菹草和伊樂藻)得到菹草圖層，菹草圖層擦除1月的沉水植物圖層得到伊樂藻圖層；(2) 在7月穗花狐尾藻生物量達到最大值，10月其生物量相對最低[23]，10月的沉水植物圖層(穗花狐尾藻較少)擦除7月沉水植物圖層(穗花狐尾藻最多)得到穗花狐尾藻+伊樂藻+菹草圖層，通過擦除操作去除已經(jīng)分類出的伊樂藻+菹草圖層得到穗花狐尾藻圖層；(3) 微齒眼子菜在4-5月大量萌生[20]，3月沉水植物圖層(微齒眼子菜較少)擦除5月沉水植物圖層(微齒眼子菜較多)得到微齒眼子菜+伊樂藻+菹草+穗花狐尾藻圖層，通過擦除操作去除已經(jīng)分類出的伊樂藻+菹草+穗花狐尾藻圖層，得到微齒眼子菜圖層；(4) 金魚藻在8月下旬到9月初達到最大生物量，隨后很快消亡[23]，10月沉水植物圖層(金魚藻較少)擦除8月沉水植物圖層(金魚藻最多)，得到金魚藻+伊樂藻+菹草+穗花狐尾藻+微齒眼子菜圖層，通過擦除操作去除已經(jīng)分類出的伊樂藻+菹草+穗花狐尾藻+微齒眼子菜圖層得到金魚藻圖層；(5) 分別合并11個月份和前4步提取的5種沉水植物圖層，繼而用菹草+伊樂藻+穗花狐尾藻+微齒眼子菜+金魚藻圖層擦除總沉水植物圖層得到馬來眼子菜+苦草圖層，馬來眼子菜在10月下旬達到最大生物量[15]，10月下旬的沉水植物圖層擦除馬來眼子菜+苦草圖層得到苦草圖層，苦草圖層擦除馬來眼子菜+苦草圖層得到馬來眼子菜圖層.

圖4 沉水植物優(yōu)勢種分類流程(L1～L5和L6～L11分別為1-5月和7-12月沉水植物矢量圖層)Fig.4 Classification process of dominant species of submerged vegetation

3 結(jié)果與分析

3.1 沉水植物空間分布特征分析

執(zhí)行上述分類操作流程，合并太湖7大沉水植物優(yōu)勢種，得到2013年太湖沉水植物優(yōu)勢種空間分布(圖5).統(tǒng)計2013年太湖7大沉水植物優(yōu)勢種群落區(qū)域面積(圖6)，結(jié)果顯示：(1) 馬來眼子菜群落是目前太湖分布面積最大、總生物量最高的群落，總分布面積約為111.0km2，主要分布于東太湖、南太湖、胥口灣、東山灣和西山島附近，在胥口灣構(gòu)成馬來眼子菜+微齒眼子菜+金魚藻群落，在東山灣以單優(yōu)勢種分布，在南太湖構(gòu)成馬來眼子菜+金魚藻+苦草群落；(2) 苦草群落的總分布面積約為61.3km2，主要分布于東太湖，呈小片狀分布于貢湖灣、南太湖和西山島附近，伴生種有馬來眼子菜、穗花狐尾藻、伊樂藻和菹草等；(3) 菹草群落的總分布面積約為47.4km2，主要呈單優(yōu)勢種分布于梅梁灣，多以伴生種的形式分布于東太湖；(4) 金魚藻群落的總分布面積約為30.1km2，主要零散地分布于南太湖、東太湖和西山島附近，伴生種有馬來眼子菜、苦草和微齒眼子菜等；(5) 穗花狐尾藻群落的總分布面積約為25.3km2，主要分布于鎮(zhèn)湖灣和光福灣，常構(gòu)成穗花狐尾藻+苦草+馬來眼子菜群落和穗花狐尾藻+微齒眼子菜+馬來眼子菜群落，多以伴生種分布于東太湖網(wǎng)圍養(yǎng)殖區(qū)；(6)微齒眼子菜群落的總分布面積約為20.6km2，主要分布于胥口灣和東山灣，在胥口灣構(gòu)成微齒眼子菜+馬來眼子菜+金魚藻群落，在東太湖的伴生種有馬來眼子菜、穗花狐尾藻和苦草等；(7) 伊樂藻群落的總分布面積約為9.4km2，主要分布于東太湖網(wǎng)圍養(yǎng)殖區(qū).

圖5 沉水植物優(yōu)勢種的空間分布Fig.5 Spatial distribution of dominant species of submerged vegetation

圖6 2013年沉水植物優(yōu)勢種群落區(qū)域面積統(tǒng)計Fig.6 Regional distribution area of dominant species of submerged vegetation in 2013

3.2 精度驗證

為了驗證本研究提出的分類特征和決策樹對太湖水生植物的分類潛力和普適性，利用水生植物實測數(shù)據(jù)對2013年7月11日、8月16日和9月26日獲取的3期影像分類結(jié)果進行驗證. 其驗證混淆矩陣如表2所示，本研究構(gòu)建的分類特征和決策樹對3期影像分類后總的精度分別為83.04%、81.82%和85.47%.

同時，利用沉水植物優(yōu)勢種的野外調(diào)查數(shù)據(jù)，對本研究得出的2013年太湖沉水植物優(yōu)勢種分布結(jié)果進行驗證，其驗證結(jié)果如表3所示，沉水植物優(yōu)勢種總體識別精度為62.20%，Kappa系數(shù)為0.53.其中馬來眼子菜識別的生產(chǎn)者精度為53.84%，使用者精度為66.67%.19.23%的馬來眼子菜被誤判成苦草，苦草生產(chǎn)者精度為66.67%，使用者精度為62.50%，20.00%的苦草被誤判成馬來眼子菜，這說明采用本文提出的生活史判別法，馬來眼子菜與苦草仍然具有一定的相關(guān)性，主要是因為馬來眼子菜和苦草的生活史極其相似，10月下旬馬來眼子菜生物量達到最大值，而苦草生物量恰恰也是在10月初達到最大值，本文采用10月28日的影像，日期上已經(jīng)接近11月，但仍有少量苦草存活下來，這樣就影響了判別精度，對于大面積沉水植物遙感識別而言，生活史判別法滿足監(jiān)測的要求.穗花狐尾藻識別的生產(chǎn)者精度為57.89%，使用者精度為78.57%，微齒眼子菜識別的生產(chǎn)者精度為77.78%，使用者精度為63.63%，在7月份穗花狐尾藻和微齒眼子菜同時達到最大生物量，4-5月都為它們的生長旺季，兩者之間并沒有產(chǎn)生大面積的誤判，因為生活史判別法避開了它們暴發(fā)的高峰期，根據(jù)最小生物量先提取穗花狐尾藻，保證了分類的精度；金魚藻識別的生產(chǎn)者精度為69.23%，使用者精度為75.00%，獨特的生活史特征使其識別精度較高.由于伊樂藻大部分分布在東太湖的網(wǎng)圍養(yǎng)殖區(qū)，水生植物太過茂密而船只無法通過，采集的樣點極少，夏季是菹草的休眠期，也未在同期獲得驗證樣點，所以兩者未開展精度驗證.

表2 基于決策樹的3期影像分類后識別混淆矩陣

表3 基于生活史的沉水植物優(yōu)勢種分類后識別混淆矩陣

4 結(jié)論

以太湖為研究區(qū)，基于HJ-CCD影像的波段特征和影像變換技術(shù)，提出了太湖挺水、浮葉和沉水植物的影像分類指數(shù)，利用CART算法確定分割閾值，分別構(gòu)建了2013年11個月份的太湖水生植物的決策樹分類模型，將太湖水生植物分成挺水、浮葉和沉水植物3種類別.通過實測樣點驗證，3期影像總體分類精度分別為83.04%、81.82%和85.47%，其中挺水植物分類精度分別為90.91%、81.82%和81.82%；浮葉植物分類精度分別為77.14%、90.63%和93.33%；沉水植物分類精度分別為79.59%、73.13%和77.55%.挺水植物和浮葉植物識別精度較高，沉水植物的識別精度偏低，20.09%的沉水植物被誤判成水體，且誤判像元覆蓋度均低于30%，因此，利用中高分辨率多光譜數(shù)據(jù)很難識別出覆蓋度較低的沉水植物.

根據(jù)大量的文獻調(diào)研和野外實測數(shù)據(jù)，獲取了太湖沉水植物優(yōu)勢種生活史信息，基于多時相HJ-CCD影像的水生植物分類結(jié)果，提出了一種考慮生活史信息的太湖沉水植物遙感監(jiān)測方法，該方法對太湖沉水植物優(yōu)勢種總體識別精度達到62.20%，對于沉水植物中等分辨率遙感影像識別而言實屬不易，為太湖沉水植物優(yōu)勢種大面積監(jiān)測開創(chuàng)了一種新的思路和方法.

[1] 金相燦,劉樹坤,章宗涉.中國湖泊環(huán)境:第1冊.北京:海洋出版社,1995: 234-302.

[2] 王慶海,段留生,李瑞華等.幾種水生植物凈化能力的比較.華北農(nóng)學(xué)報,2008,23(2): 217-222.

[3] Valta-Hulkkonen K, Pellikka P, Tanskanen Hetal. Digital false colour aerial photographs for discrimination of aquatic macrophyte species.AquaticBotany, 2003， 75(1): 71-88.

[4] Zhu B, Fitzgerald DG, Susan BHetal. Quantification of historical change of two bays of Lake Ontario with three complementary methods.JournalofGreatLakesResearch, 2007, 33: 122-135.

[5] Zhao DH, Jiang H, Yang TW. Remote sensing of aquatic vegetation distribution in Taihu Lake using an improved classification tree with modified thresholds.JournalofEnvironmentalManagement, 2012，95(1): 98-107.

[6] Ma RH, Duan HT, Gu XHetal. Detecting aquatic vegetation changes in Taihu Lake. China using multi-temporal satellite imagery.Sensors, 2008，8(6): 3988-4005.

[7] Yuan L, Zhang L. Identification of the spectral characteristics of submerged plantVallisneriaspiralis.ActaEcologicaSinica, 2006, 26(4): 1005-1011.

[8] Han L, Rundquist DC. The spectral responses ofCeratophyllumdemersumat varying depths in an experimental tank.InternationalJournalofRemoteSensing, 2003, 60: 1463-1471.

[9] 袁 琳.大型沉水植物遙感監(jiān)測研究[學(xué)位論文].上海:華東師范大學(xué),2007.

[10] 李俊生,吳 迪,吳遠峰等.基于實測光譜數(shù)據(jù)的太湖水華和水生高等植物識別.湖泊科學(xué),2009,21(2): 215-222. DOI 10.18307/2009.0209.

[11] 劉偉龍,胡維平,陳永根等.西太湖水生植物時空變化.生態(tài)學(xué)報,2007,27(1): 1-12.

[12] 蒲云海,李 偉.中國竹葉眼子菜的生態(tài)學(xué)研究.武漢植物學(xué)研究，1999,17(增刊): 65-72.

[13] 劉偉龍,胡維平,谷孝鴻.太湖馬來眼子菜生物量變化及影響因素.生態(tài)學(xué)報,2007,27(8): 3324-3333.

[14] 蒲云海,劉貴華,李 偉.竹葉眼子菜種子的萌發(fā)實驗研究.武漢植物學(xué)研究,2005,23(2): 179-182.

[15] 何 俊,谷孝鴻,劉國鋒.東太湖水生植物及其與環(huán)境的相互作用.湖泊科學(xué),2008,20(6): 790-795. DOI 10.18307/2008.0618.

[16] 谷孝鴻,陳開寧,胡耀輝等.東太湖伊樂藻的營養(yǎng)繁殖及對漁業(yè)污水的凈化.上海環(huán)境科學(xué),2002,21(1): 43-45.

[17] 連光華,張圣照.伊樂藻等水生高等植物的快速營養(yǎng)繁殖技術(shù)和栽培方法.湖泊科學(xué),1996,8(Z1): 11-16. DOI 10.18307/1996.sup02.

[18] 陳開寧,蘭策介,史龍新等.苦草繁殖生態(tài)學(xué)研究.植物生態(tài)學(xué)報,2006,30(3): 487-495.

[19] 熊秉紅,李 偉.我國苦草屬(VallisneriaL.)植物的生態(tài)學(xué)研究.武漢植物學(xué)研究,2000,18(6): 500-508.

[20] 靳寶鋒,郭友好.微齒眼子菜繁殖生物學(xué)特性的初步研究.水生生物學(xué)報,2001,25(5): 439-448.

[21] 王 珺,顧宇飛,朱增銀等.不同營養(yǎng)狀態(tài)下金魚藻的生理響應(yīng).應(yīng)用生態(tài)學(xué)報,2005,16(2): 337-340.

[22] 欒會妮.若干環(huán)境因子對穗狀穗花狐尾藻光合作用的影響及魚草混養(yǎng)研究[學(xué)位論文].重慶:西南農(nóng)業(yè)大學(xué),2005.

[23] 程 玉,李 偉.洪湖主要沉水植物群落的定量分析.水生生物學(xué)報,1999,23(3): 240-244.

[24] 光瑋潔.不同湖泊沉積物營養(yǎng)特征與沉水植物菹草生長的應(yīng)答關(guān)系研究[學(xué)位論文].武漢:華中農(nóng)業(yè)大學(xué),2008.

[25] Breiman L, Friedman JH, Olshen RAetal. Classification and regression tree. Monterey: Wadsworth International Group, 1984:1-358.

[26] 陳 云,戴錦芳.基于遙感數(shù)據(jù)的太湖藍藻水華信息識別方法.湖泊科學(xué),2008,20(2): 179-183. DOI 10.18307/2008.0207.

[27] 馬榮華,孔繁祥,段洪濤等.基于衛(wèi)星遙感的太湖藍藻水華時空分布規(guī)律認識.湖泊科學(xué),2008,20(6): 687-694. DOI 10.18307/2008.0605.

[28] 陳書琴,李法松,許秋瑾等.菹草在太湖梅梁灣生存對策分析.環(huán)境保護科學(xué),2008,34(6): 4-7.

The remote sensing monitoring of dominant species of submerged vegetation of Lake Taihu with the consideration of their living histories

WANG Qi1，ZHOU Xingdong1，LUO Jühua2& CHEN Chong1

(1:DepartmentofUrbanConstructionandEnvironment,JiangsuNormalUniversity,Xuzhou221000,P.R.China)

(2:NanjingInstituteofGeographyandLimnology,ChineseAcademyofSciences,Nanjing210008,P.R.China)

Aquatic vegetation is not only an important group/type of shallow lakes, but also an indicator of lake environment. It plays an important role in ecological restoration and management of shallow lakes. To monitor real-time spatial-temporal distributions of aquatic vegetation in this study, classification tree(CT) model for mapping aquatic vegetation types was developed through HJ-CCD images. Aquatic vegetation of Lake Taihu was classified into emergent, floating-leaved and submerged vegetation by CT model. Living histories of dominant species of submerged vegetation were extracted from literatures and surveys. Combining with living histories and multi-temporal HJ-CCD images, a method was proposed for mapping dominant species of submerged vegetation of Lake Taihu. Based on the method, submerged vegetation in Lake Taihu was subdivided into seven dominant species. By verification of the using field survey points, the overall accuracies of CT model for mapping aquatic vegetation were 83.04%, 81.82% and 85.47%, respectively during three periods of the investigations on July, August and September of 2013. The overall accuracy of dominant species of submerged vegetation was 62.20%. Therefore, CT model and the method for mapping dominant species of submerged vegetation proposed in this study could be helpful for lake management including guiding aquatic vegetation harvesting and ecological restoration. Meanwhile, it lays foundation for further research of historical changes in submerged vegetation of Lake Taihu.

Aquatic vegetation; Lake Taihu; remote sensing; dominant species; living histories; classification tree

*國家自然科學(xué)基金重大項目(41230853)、國家自然科學(xué)基金項目(41301375)和江蘇省普通高校研究生科研創(chuàng)新計劃項目(KYLX_1434)聯(lián)合資助.2014-11-23收稿；2015-03-11收修改稿.王琪(1990～)，男，碩士研究生;E-mail: wangqi099x@163.com.

J.LakeSci.(湖泊科學(xué))， 2015， 27(5)： 953-961

DOI 10.18307/2015.0523

?2015 byJournalofLakeSciences

**通信作者;E-mail:zxdzy111@sina.com.