摘要
浮叶/挺水植被是重要的湖泊水生植被类群，其面积/覆盖度是湖泊生态健康评估及固碳潜力核算的重要参数，大面积、精确获取湖泊中浮叶/挺水植被面积/覆盖度及其变化信息，对湖泊生态修复及碳汇核算至关重要。卫星遥感是获取湖泊浮叶/挺水植被面积/覆盖度最有效的手段。然而，传统的卫星监测方法只能判别卫星像元内是否存在水生植被，无法定量估算像元内植被的覆盖度，进而无法定量、精准地获取湖泊中浮叶/挺水植被的面积/覆盖度。围绕该问题，本研究利用无人机、Sentinel-2 MSI和Landsat 8 OLI遥感数据，基于XGBoost建模方法，采用逐步升尺度的思路，分别构建了基于Sentinel-2 MSI和Landsat 8 OLI像元尺度的浮叶/挺水植被覆盖度定量估算模型，并成功地应用于四大淡水湖泊。结果表明：基于Sentinel和Landsat的估算模型测试集R2分别为0.95和0.97，均方根误差分别为7.85%和4.80%，平均绝对误差分别为5.35%和3.35%。1990—2022年，鄱阳湖和洞庭湖浮叶/挺水植被面积呈显著的增加趋势，太湖呈先增后减的趋势，洪泽湖增加趋势不显著。本研究利用Sentinel和Landsat影像构建的估算模型在四大淡水湖中实现了覆盖度定量化、长时序监测，展现出较好的稳健性和应用潜力，有望为湖泊生态系统的碳汇核算和固碳潜力评估提供方法和数据支撑。
Abstract
Floating/emergent aquatic vegetation (FEAV) is an important group of aquatic vegetation in lakes, and its area or coverage is a significant parameter for assessing lake ecological health and estimating carbon sequestration potential. Accurately and extensively obtaining information on the area/coverage and changes of FEAV in lakes is crucial for lake ecological restoration and carbon sink accounting. Satellite remote sensing is the most effective means to obtain the area or coverage of FEAV in lakes. However, traditional satellite monitoring methods can only determine the presence or absence of aquatic vegetation within satellite pixels, and cannot quantitatively estimate the coverage of aquatic vegetation in the pixels. Consequently, it is impossible to obtain precise quantitative data on the area/coverage of FEAV in lakes. To address this issue, we utilized UAV, Sentinel-2 MSI, and Landsat 8 OLI data, employing the XGBoost model and a stepwise upscaling approach to develop quantitative estimation models for FEAV coverage at pixel scales based on Sentinel-2 MSI and Landsat 8 OLI, successfully applying these models to the four major freshwater lakes. The models were successfully applied to China's four largest freshwater lakes. The results showed that the test sets of the two estimation models based on Sentinel and Landsat images had R2 of 0.95 and 0.97, root mean square error of 7.85% and 4.80%, and mean absolute error of 5.35% and 3.35%, respectively. From 1990 to 2022, FEAV area in Lake Poyang and Lake Dongting showed highly significant increasing trends, while Lake Taihu showed an increasing and then decreasing trend, while Lake Hongze had a non-significant increasing trend. The estimation models constructed using Sentinel and Landsat images have achieved quantification and long-term monitoring of coverage in the four major freshwater lakes, demonstrating good robustness and application potential. These are expected to provide methodological and data support for carbon sink calculations and carbon sequestration potential assessments in lake ecosystems.
Keywords
在湖泊生态系统中，水生植被扮演着至关重要的角色。其中，浮叶/挺水植被因其较高的生物量，既是湖泊中的重要碳汇[1]，又在秋季大量腐烂死亡时可能转化为碳源[2-3]，对湖泊的生态稳态产生深远影响。因此，浮叶/挺水植被的面积和覆盖度是评估湖泊生态系统健康状况的关键生态指标[4-5]。首先，适度覆盖度的浮叶/挺水植被能够抑制藻类生长、减缓水流速度、稳定沉积物并降低再悬浮，从而提高水体透明度[6-8]。然而，过高覆盖度的浮叶/挺水植被可能会引起生态负效应[9]，尤其是浮叶植被，其浓密的叶片会阻挡阳光，降低水下光照条件和水体溶解氧，从而对水下的水生植被和其他生物生长产生不利影响，导致湖泊生物多样性下降[10-12]。因此，精确监测湖泊中浮叶/挺水植被的面积/覆盖度，对评估水生生态系统稳定状态以及制定植被恢复和管理策略具有重要意义。
卫星遥感技术因其大范围、长时序和低成本等优势而成为浮叶/挺水植被监测的重要手段[13]。浮叶植被和挺水植被位于水面以上，具有相似的植被光谱特征，难以直接区分。因此，在光学遥感分类应用时，通常将二者归为一类，即浮叶/挺水植被[14]。由于浮叶/挺水植被具有典型的植被光谱特征，因此，大多对植被敏感的植被指数都可用于提取该类植被，包括归一化差异植被指数（normalized difference vegetation index，NDVI）、增强植被指数（enhanced vegetation index，EVI）、增强浮叶/挺水植被指数（enhanced floating/emergent aquatic vegetation index，EAVI）和归一化差异浮叶/挺水植被指数（normalized difference floating/emergent aquatic vegetation index，NDAVI）[15-18]。利用这些植被指数和相应的阈值，可以在卫星影像上识别出含有浮叶/挺水植被的像元。目前，覆盖度的计算仍然依赖传统的分类方法，这种方法通过判断像元内是否存在水生植被，获取覆盖有水生植被的像元，再基于像元数量和像元面积得到水生植被面积，进而计算得到水生植被覆盖度。因此，传统的分类方法虽然能够识别像元中水生植被的存在，但无法定量反演像元内的实际植被覆盖度，从而难以精确估算湖泊水生植被的面积与空间分布。
为了能精确估算像元内的湖泊浮叶/挺水植被覆盖度，进而得到精确的植被面积，最好的方法是构建卫星像元尺度的覆盖度估算模型。首先，Hu等通过使用MODIS数据结合光谱阈值法在像元内估算了浒苔的覆盖面积和生物量，证明了利用遥感数据中的光谱信息进行水生植物覆盖度估算的可行性[19]。此外，已有研究证明了构建覆盖度定量估算模型的可行性，即通过少量实地获取的小样方估计的覆盖度与高空间分辨率卫星像元（50 cm）匹配，并在小区域的河流段落中利用机器学习方法估算沉水植被覆盖度[20]。然而，目前仍缺乏关于构建更稳健覆盖度定量估算模型的研究，主要挑战在于：湖泊等水域的复杂立地条件，导致难以获取与中低空间分辨率卫星像元尺度（10 m或30 m）相匹配的足量地面验证样本，进而限制了此类模型的开发与精度提升。无人机（unmanned aerial vehicle，UAV）遥感作为地面调查和卫星遥感之间的桥梁，具备高灵活性、低成本和高空间分辨率等优势，已逐渐取代了人工采集实地数据[21]，被广泛应用于复杂立地条件下森林、湿地的近地样方数据获取和调查[22]，为湖泊中浮叶/挺水植被的近地大样方调查和覆盖度数据获取提供了良好的契机。
因此，本研究基于无人机、Sentinel-2 MSI和Landsat 8 OLI数据，采用逐步升尺度的方法，分别构建了无人机—Sentinel-2 MSI和Sentinel-2 MSI—Landsat 8 OLI卫星像元尺度的浮叶/挺水植被覆盖度估算模型，并成功应用于中国江淮流域四大淡水湖泊的浮叶/挺水植被面积的长时序（1990—2022年）监测。本研究通过定量估算模型，精细化估算浮叶/挺水植被的覆盖度与面积，结果表明该模型在大范围应用中的潜力。未来，Sentinel和Landsat影像构建的定量估算模型可为湖泊碳汇核算和固碳潜力评估提供方法和数据支撑。
1 研究区域与方法
1.1 研究区域概况
太湖、鄱阳湖、洞庭湖和洪泽湖是位于中国东部江淮流域（27°46′48″~36°6′0″N，111°42′0″~121°40′12″E）的四大淡水湖（图1）。该地区属于亚热带季风气候区，水资源丰富。江淮流域的湖泊平均水深在1.1~8.4 m之间，其中太湖的平均水深为1.9 m，鄱阳湖平均水深为8.4 m，洞庭湖平均水深6.4 m，洪泽湖平均水深为1.77 m，并且四大淡水湖均分布着多种浮叶/挺水植被群落[23]，例如菱角、荇菜、菰、芦苇等（表1）。
表1四大淡水湖浮叶/挺水植被优势种群落
Tab.1Dominant species communities of floating/emergent aquatic vegetation in the four major freshwater lakes
本研究选择太湖（30°55′40″~31°32′58″N，119°52′32″~120°36′10″E）作为模型开发的实验湖泊。其东部湖区是典型的草型区，水生植被群落丰富；而西部以藻类为主，全年藻类水华频繁[27-28]。东太湖湾拥有丰富的浮叶/挺水植被群落（图1 a1），本研究在东太湖湾的3个不同时期和不同区域进行了3次无人机飞行实验，具体见图1A~C。
1.2 数据获取及预处理
1.2.1 无人机数据
无人机飞行实验在东太湖湾进行（图1A~C），飞行时间分别为2022年6月22日、2023年6月16日和2023年8月6日（表2）。无人机型号为DJI Phantom 4 RTK，配备一台高分辨率可见光相机，能够捕捉RGB（红、绿、蓝）图像，手动设置飞行速度为8 m/s，飞行高度为120 m，旁向重叠率为70%，航向重叠率为80%。利用Pix4d软件处理无人机数据，包括图像几何校正、配准、融合等，获得无人机飞行区域的正射影像，空间分辨率为0.03 m。
1.2.2 卫星数据
本研究使用Sentinel-2 MSI地表反射率数据集（COPERNICUS/S2_SR）、Landsat-5 TM地表反射率数据集（LANDSAT/LT05/C02/T1_L2）（数据可用时间：1990—2011年）和Landsat-8 OLI 地表反射率数据集（LANDSAT/LT08/C02/T1_L2）（数据可用时间：2013—2022年）。上述所有卫星数据集均通过Google Earth Engine（GEE）平台进行访问、获取和处理[29]。这些数据集均已进行预处理，包括辐射定标和大气校正。研究过程中将空间分辨率20 m的波段重采样为10 m。云掩膜分别利用Quality Assurance60（QA60）波段和Quality Assurance Pixel（QA_PIXEL）波段完成。此外，本研究还将藻类水华区域分类并掩膜，以确保分析的准确性[15]。
在星地同步实验区——太湖，本研究选择与无人机近同步的高质量Sentinel-2 MSI卫星影像，日期分别为2022年6月27日、2023年6月12日和2023年8月6日。在升尺度构建模型阶段，为保证不同数据源的获取时间在5天之内且均具备高质量影像，研究选用2020年9月8日的Landsat 8 OLI卫星影像，以及近同步的2020年9月5日的Sentinel-2 MSI卫星影像（表2）。此外，在四大淡水湖泊的应用中，采用1990—2022年间6—9月的Landsat系列卫星影像。
1.3 研究方法
本研究提出的建模流程如图2所示，主要是通过两次升尺度（UAV-Sentinel-2 MSI和Sentinel-2 MSI-Landsat 8 OLI），分别构建基于Sentinel-2 MSI和Landsat 8 OLI卫星像元的浮叶/挺水植被覆盖度估算模型。
1.3.1 无人机提取浮叶/挺水植被覆盖度方法
可见光波段差异植被指数（visible-band difference vegetation index，VDVI）已广泛应用于无人机获取的数字正射影像中，以提取植被信息，大量研究/应用实践表明，VDVI具有高精度和良好的适用性[30]。本研究基于获得的高空间分辨率无人机图像（3 cm）和VDVI直方图分布，采用大津法（OTSU）结合目视解译选取合适的水生植被阈值[31]。随后，依据选取的阈值对VDVI图像进行二值化处理，将大于阈值的像元划分为浮叶/挺水植被类别，小于或等于阈值的像元划分为非浮叶/挺水植被类别。接下来，使用QGIS Desktop软件，基于无人机图像提取的浮叶/挺水植被结果，匹配Sentinel-2 MSI卫星像元大小（10 m×10 m）并进行切割，计算每个像元中浮叶/挺水植被的比例。此外，本研究对每个像元的解译结果进行详细的目视评估，并剔除可能存在较大误差的样本，特别是受到条带效应影响导致分类结果不确定的像元。最终，生成浮叶/挺水植被覆盖度样本集（图2c1）。
图1太湖（a）、鄱阳湖（b）、洞庭湖（c）和洪泽湖（d）的Landsat假彩色影像与 Landsat真彩色背景影像；东太湖湾（a1）的三景无人机真彩色图像（A~C）
Fig.1False RGB Landsat images in Lake Taihu (a) , Lake Poyang (b) , Lake Dongting (c) , Lake Hongze (d) with true RGB Landsat background images; Three true RGB unmanned aerial vehicle (UAV) images (A-C) in East Taihu Bay (a1)
表2用于匹配建模的影像数据源及其获取时间
Tab.2Image data sources and acquisition time used for matching modeling
/表示没有获取到对应日期范围的影像。
图2逐步升尺度构建像元尺度浮叶/挺水植被覆盖度模型的工作流程
Fig.2Workflow for developing models for estimating pixel-scale floating/emergent aquatic vegetation coverage by stepwise upscaling method
(1)
式中，ρRed、ρGreen、ρBlue分别为无人机图像红、绿、蓝波段的反射率值。
1.3.2 Sentinel像元浮叶/挺水植被覆盖度估算模型构建
通过文献搜索筛选与浮叶/挺水植被敏感的卫星影像特征[13]，本研究选择14个Sentinel-2 MSI遥感特征变量，包括光谱波段和植被指数（表3）。研究使用Python语言的“scikit-learn”库，采用递归特征消除算法（recursive feature elimination，RFE）对特征变量筛选。首先，根据重要性得分对特征变量进行排序，删除得分最低的若干个特征，重复以上步骤直至找到最优的特征变量组合。将卫星特征样本与无人机的覆盖度样本进行匹配（图2c1和c2），最终得到输入模型的总样本集，分为70%训练集和30%测试集。其中，无人机图像解译的覆盖度数据在2023年8月6日有1117个样本，2023年6月16日有890个样本，2022年6月22日有2002个样本，共计4009个样本。
本研究选择逐步多元线性回归（multiple linear regression，MLR）[32]、支持向量回归（support vector regression，SVR）[33]和极端梯度提升（extreme gradient boosting，XGBoost）[34]3种机器学习方法来构建模型。利用Python语言中的“scikit-learn”库进行模型构建、网格搜索以找到最优参数组合，并进行交叉验证以评估模型性能。
表3Sentinel-2 MSI卫星影像的特征变量
Tab.3Feature variables of Sentinel-2 MSI satellite image
1.3.3 Landsat像元浮叶/挺水植被覆盖度估算模型构建
本研究选取另外两景近同步且无云的Sentinel-2 MSI和Landsat 8 OLI卫星影像，分别为2020年9月5日的Sentinel-2 MSI影像和2020年9月8日的Landsat 8 OLI影像，利用Sentinel像元浮叶/挺水植被覆盖度估算模型，生成Sentinel-2 MSI像元尺度的浮叶/挺水植被覆盖度图（图2b4）。接下来，研究对比了3种常见的重采样方法的性能：最邻近插值法（nearest neighbor interpolation）、双线性插值法（bilinear interpolation）和三次卷积插值法（cubic convolution interpolation）。研究使用了ArcMap软件中的重采样工具，将Sentinel像元尺度的浮叶/挺水植被覆盖度图重采样至Landsat卫星像元大小（30 m×30 m），以匹配Landsat 8 OLI数据的空间分辨率。为评估不同重采样方法对覆盖度估算结果的影响，本研究通过可视化效果和模型性能指标（R2、RMSE和MAE）进行对比分析（附图Ⅰ和附表Ⅰ）。结果表明，不同重采样方法对结果的影响较小，但双线性插值法在模型精度方面表现最佳。因此，最终采用双线性插值法重采样的新像元值作为每个Landsat 8 OLI卫星像元的实测覆盖度，从而构建了Landsat卫星像元尺度的浮叶/挺水植被覆盖度样本集。
特征选择过程中，同样使用递归特征消除算法提取并筛选最优Landsat 8 OLI卫星特征变量组合，将Landsat 8 OLI卫星特征样本（图2c3））与重采样后的覆盖度样本匹配，得到输入模型的总样本集，共有11146个样本，样本集被分为70%训练集和30%测试集。研究继续使用性能表现最佳的XGBoost机器学习算法构建模型。同时，本研究也使用同步无人机图像生成的浮叶/挺水植被覆盖度（图2c1）来验证Landsat像元浮叶/挺水植被覆盖度估算模型反演的像元尺度浮叶/挺水植被覆盖度结果（图2a5）。
1.3.4 评估指标
模型精度通过以下指标来评价：决定系数（coefficient of determination，R2）、均方根误差（root mean square error，RMSE）和平均绝对误差（mean absolute error，MAE）。R2值越高表示模型性能越好，而RMSE和MAE值越小表示精度越高。此外，本研究采用Mann-Kendall趋势检验法对长时间序列的植被面积数据进行显著性分析。
(2)
(3)
(4)
式中，N为样本数量；xi表示以无人机数据作为实测值的第i个覆盖度值（或者表示以精度更高反演结果的重采样参考值的第i个覆盖度值）；yi表示模型估计的第i个覆盖度值；和分别表示实测覆盖度的平均值和模型估计覆盖度的平均值。
2 结果与分析
2.1 基于无人机图像的浮叶/挺水植被提取结果
本研究基于3景不同日期的无人机图像，采用VDVI提取浮叶/挺水植被信息，结合目视解译和阈值法进行二值化分类，白色为浮叶/挺水植被，黑色为非浮叶/挺水植被。由于无人机图像具有厘米级的高空间分辨率，结合目视解译和地面调查，基于该方法可以准确提取浮叶/挺水植被（图3）。
图3浮叶/挺水植被的提取结果
Fig.3Extraction results of floating/emergent aquatic vegetation
2.2 Sentinel像元浮叶/挺水植被覆盖度估算模型与验证
通过递归特征消除算法的特征选择，本研究最终输入模型的特征变量分别是Band3、Band4、Band8、NDVI、GNDVI、NDAVI、NDWI。分别基于MLR、SVR和XGBoost机器学习算法构建浮叶/挺水植被覆盖度估算模型，性能评价结果如表4所示。XGBoost模型表现最佳，训练集和测试集的R2分别为0.98和0.95，RMSE分别为5.41%和7.85%，MAE分别为3.75%和5.35%（图4a）。因此，选用XGBoost构建的Sentinel像元浮叶/挺水植被覆盖度估算模型对整个实验区（太湖）进行浮叶/挺水植被覆盖度反演（图4b~d）。结果显示，浮叶/挺水植被主要分布在太湖东部草型湖区，与实地调查结果相符。模型估算结果成功识别了覆盖度超过20%的像元，2022年6月27日的覆盖度反演结果略大于2023年6月12日，2023年8月6日的覆盖度反演结果也大于2023年6月12日，符合物候生长规律。
表4不同模型精度评估
Tab.4Accuracy evaluation of different models
2.3 Landsat像元浮叶/挺水植被覆盖度估算模型与验证
通过递归特征消除算法完成特征选择，本研究最终输入模型的特征变量分别是Band3、Band4、Band5、NDVI、GNDVI。利用XGBoost机器学习算法构建Landsat像元浮叶/挺水植被覆盖度估算模型，性能评价结果如表4所示。XGBoost模型训练集和测试集的R2分别为0.98和0.97，RMSE分别为3.90%和4.80%，MAE分别为2.77%和3.35%。在空间上，使用该模型生成的2020年9月8日太湖的浮叶/挺水植被反演结果成功识别了覆盖度超过30%的像元，该结果与基于Sentinel像元浮叶/挺水植被覆盖度估算模型计算的2020年9月5日 Sentinel-2 MSI 影像像元覆盖度结果相比，具有良好的空间一致性（图5a~b）。
图4基于Sentinel-2 MSI数据和XGBoost模型的浮叶/挺水植被覆盖度性能评估（a）； Sentinel像元覆盖度估算模型反演的浮叶/挺水植被覆盖度（b~d）
Fig.4Performance evaluation of floating/emergent aquatic vegetation coverage derived from Sentinel-2 MSI data using XGBoost-based model (a) ; maps of floating/emergent aquatic vegetation coverage derived from the Sentinel-pixel coverage estimation model (b-d)
本研究进行了两个尺度的精度验证。将基于Sentinel-2 MSI卫星影像的覆盖度数据重采样到30 m，与Landsat 8 OLI卫星像元匹配，保证了覆盖度数据在空间尺度上的一致性，同时避免了覆盖度范围不匹配的问题。结果显示，在低覆盖度时，Landsat像元浮叶/挺水植被覆盖度估算模型存在高估，在高覆盖度时存在低估，但总体而言，模型性能依然具备一定的准确性（R2=0.57，RMSE=11.36%，MAE=8.59%）（图5c）。其次，使用2022年6月18日和2023年6月21日获得的同步无人机图像进一步验证Landsat像元浮叶/挺水植被覆盖度估算模型的估算结果。结果表明，在低覆盖度时，Landsat像元浮叶/挺水植被覆盖度估算模型存在高估，在高覆盖度（＞ 80%）时存在低估。尽管如此，模型的整体估算性能具有一定的合理性（R2=0.49，RMSE=15.66%，MAE=13.20%）（图5d）。
图5基于Sentinel和Landsat像元覆盖度估算模型反演的浮叶/挺水植被覆盖度（a~b）； 基于太湖所有样本的Sentinel像元和Landsat像元覆盖度估算模型反演的浮叶/挺水植被覆盖度的验证（c）； 使用无人机的浮叶/挺水植被覆盖度验证Landsat像元覆盖度估算模型的浮叶/挺水植被覆盖度（d）
Fig.5Floating/emergent aquatic vegetation coverage map derived from Sentinel-pixel and Landsat-pixel coverage estimation model; validation of floating/emergent aquatic vegetation coverage between Sentinel-pixel and Landsat-pixel coverage estimation models based on all samples in Lake Taihu (c) ; validation of floating/emergent aquatic vegetation coverage by Landsat-pixel coverage estimation model using UAV floating/emergent aquatic vegetation coverage (d)
2.4 模型在四大淡水湖泊的应用
基于Landsat系列影像，利用Landsat像元浮叶/挺水植被覆盖度估算模型，本研究选取江淮流域的四大淡水湖泊作为研究对象，分析其浮叶/挺水植被面积的长时序变化。在1990—2022年期间，将每年6—9月份（丰水期）无云的所有Landsat系列影像（Landsat 5 TM和Landsat 8 OLI）进行反演，从中选取浮叶/挺水植被面积最大的一景结果来做年际变化分析。尽管如此，依然有部分年份缺少高质量影像，但整体趋势仍具备可靠性。通过定量计算浮叶/挺水植被的面积，发现太湖浮叶/挺水植被面积从1992年的53.75 km2增加到2004年的212.23 km2，之后逐渐减少至2022年的101.75 km2（R2=0.40，P＜0.01），整体呈先增后减的趋势。鄱阳湖浮叶/挺水植被面积从1991年的714.86 km2增加到2022年的1651.84 km2，总体上呈显著增加趋势（R2=0.27，P＜0.01）。洞庭湖浮叶/挺水植被面积从1990年的535.60 km2增加到2022年的1614.96 km2，总体上呈显著增加趋势（R2=0.36，P＜0.01）。洪泽湖浮叶/挺水植被面积从1991年的141.68 km2增加到2022年的176.36 km2，增加趋势不显著（R2=0.01，P＞0.05）（图6）。
图6太湖（a）、鄱阳湖（b）、洞庭湖（c）和洪泽湖（d）的浮叶/挺水植被面积变化趋势
Fig.6Change trend of floating/emergent aquatic vegetation area in Lake Taihu (a) , Lake Poyang (b) , Lake Dongting (c) and Lake Hongze (d)
3 讨论
本研究采用逐步升尺度构建样本集的方法，结合无人机、Sentinel-2 MSI和Landsat 8 OLI的数据，提出了一种像元尺度估算浮叶/挺水植被覆盖度的新思路。无人机作为地面和卫星之间的桥梁，不仅解决了在复杂立地条件下获取地面覆盖度样本的困难，还很好地完成了与卫星像元大小匹配的挑战，促进了模型的成功构建。本研究再次证明了无人机能够获取高精度和大范围的地面样本数据，特别是在湿地和湖泊等人类难以进入的立地环境中[22，35-36]。此外，不同遥感数据源相匹配过程中，获取准同步的数据源构建的模型是最理想的实验方案。然而，由于实验环境、条件等限制，在实际实验中获取与卫星准同步无人机数据往往具有一定挑战。本研究的研究对象为浮叶/挺水植被，物候变化表明，在几天内其生长位置稳定，面积、覆盖度等植被参数变化很小[37-38]。因此，在未能获取到准同步的匹配数据源时，使用几天内的数据匹配开展覆盖度模型构建是可行的。本研究用于匹配建模的不同数据源获取时间误差控制在5天内，对年尺度的浮叶/挺水植被物候变化来说，覆盖度、面积的变化可以被忽略。
虽然本研究构建的像元植被覆盖度模型具有较高的精度和鲁棒性，然而，在将模型应用于富营养化湖泊之前，需要先识别和掩膜藻类水华暴发区，以避免因为浮叶/挺水植被与藻类水华的光谱特征相似而导致的植被覆盖度高估。不仅是藻类水华，长势较好且长到水面的少量沉水植被可能也会被模型归类为浮叶/挺水植被。在湖泊水生植被监测研究中，这一问题普遍存在，目前传统的分类方法也同样难以解决这种异物同谱的问题。本研究的模型使用了分类方法中相同的植被光谱和指数，因此结果也可能会导致浮叶/挺水植被的高估。然而，由于本文的研究湖泊主要由浮叶/挺水植被组成，因此受到的影响较小；但在生长旺盛期以沉水植被为主导的湖泊，模型反演结果预计会受到较大影响。
此外，通过模型测试，本研究发现Sentinel-2 MSI影像上植被覆盖度低于20%和Landsat 8 OLI影像上覆盖度低于30%的像元，模型表现出显著的不确定性，因此被排除在研究范围之外。这可能是由于在富营养化湖泊中，在低覆盖度区域，部分富含有机质和叶绿素a的水体像元，因其光谱特征与低覆盖度植被像元高度相似，而构成了异物同谱，导致将这些水体像元误判为植被像元而造成植被覆盖度高估[39-40]，具体原因还需要通过进一步的定点和定量实验来验证。在高覆盖度区域，由于模型中使用的典型特征为红光波段及NDVI等植被指数，这些特征本身在植被高覆盖度时就会出现饱和现象[41-42]，导致高覆盖度像元的反演结果低估。目前，这种低估和高估的问题难以被有效校正，未来可以只针对模型高估和低估的区域，使用更多的光谱指标构建更为精准的模型，即通过覆盖度分段建模解决和优化这一问题。
最后，由于浮叶植被和挺水植被具有相似的光谱特征，在光学遥感分类时通常将它们归为一类。本研究中，同样使用光学特征变量输入模型，模型估算的结果是浮叶植被和挺水植被的总覆盖度和面积。然而，考虑到浮叶植被和挺水植被在湖泊生态系统中扮演不同角色且生物量存在差异，进一步准确区分它们具有重要意义。未来的研究可以结合水生植被分类方法，以实现湖泊中浮叶植被和挺水植被的区分，并分别准确估算浮叶植被和挺水植被的面积。
4 结论
本研究提出了一种升尺度方法，利用无人机、Sentinel-2 MSI和Landsat 8 OLI遥感数据，基于XGBoost机器学习算法，分别构建了两个基于Sentinel-2 MSI和Landsat 8 OLI卫星像元尺度的浮叶/挺水植被覆盖度定量估算模型。
基于Sentinel和Landsat像元的两个估算模型测试集R2分别为0.95和0.97，RMSE分别为7.85%和4.80%，MAE分别为5.35%和3.35%，模型表现出较高的精度。将构建的模型应用于四大淡水湖泊，结果表明：1990—2022年，鄱阳湖和洞庭湖浮叶/挺水植被面积呈显著增加趋势（P＜0.01），太湖呈先增后减的趋势（P＜0.01），洪泽湖增加趋势不显著（P＞0.05）。本研究构建的卫星像元尺度浮叶/挺水植被覆盖度遥感定量估算模型，应用在四大淡水湖泊的长时序监测，证明了模型的稳健性，表现出巨大的应用潜力，预期能为湖泊生态系统碳汇核算和固碳潜力评估提供方法和数据支撑。
5 附录
附图Ⅰ和附表Ⅰ见电子版（DOI: 10.18307/2025.0633）。
