GEE平台下考虑潮位变化及植被物候特征的盐城滨海湿地精细化遥感分类

滨海湿地具有重要的经济价值与生态价值,快速准确地监测其现状对滨海湿地资源的保护和管理具有重要意义。由于潮汐动态变化、植被光谱相似性以及云覆盖等因素的影响,滨海湿地的遥感监测具有较大挑战。本文提出了一个综合考虑潮位变化及植被物候特征的滨海湿地遥感分类方法,基于GEE(Google Earth Engine)平台,首先引入Fmask(Function of mask)算法进行云检测与去云处理,然后利用S-G(Savitzky-Golay)滤波算法重构NDVI(Normalized Difference Vegetation Index)时间序列数据,提取植被物候特征参数,采用随机森林算法实现互花米草(Spartina alterniflora)、芦苇(Phragmites australis)、碱蓬(Suaeda salsa)与茅草(Imperata cylindrica)4种湿地植被类型的提取;最后利用最大光谱指数合成算法(Maximum Spectral Index Composite,MSIC)生成最高与最低潮位合成影像,结合大津算法(Otsu)提取光滩与海水,实现滨海湿地的精细化遥感分类。研究结果表明,生长季开始时间、生长季结束时间、生长季时长、基准值、振幅、小季节积分是区分滨海湿地植被的重要植被物候特征参数。利用本方法对盐城滨海湿地进行分类,湿地总体分类精度达96.50%,Kappa系数为0.957 1,湿地植被中互花米草的使用者精度最高,为96.59%;其次是芦苇与碱蓬;茅草最低,为93.55%。与面向对象分类相比,本方法不仅能够提取完整的光滩范围,而且将总体精度提高了10.25%,体现出植被物候特征在滨海湿地动态变化遥感监测中的应用潜力。