结合淹没红树林指数特征与K-means聚类的滨海自然与人工湿地提取方法

滨海自然与人工湿地监测对水环境和自然资源保护具有重要意义。考虑水位变化等动态影响,湿地遥感监测涉及多时段影像合成、水位动态过程表征、不同区分度特征指数选择和聚类算法边界分割等技术难题。基于谷歌地球引擎(Google Earth Engine,GEE)遥感云平台提供的Landsat卫星遥感数据,增加淹没红树林指数(Inundated Mangrove Forest Index,IMFI)等指标作为随机森林(Random Forest,RF)算法的特征变量,通过K-means方法进行自动聚类,将非监督分类与监督分类方法结合起来开发一种自然与人工湿地提取方法。面向粤港澳大湾区,采用生产者精度、用户精度、总体精度和Kappa系数评价基于长时序影像的滨海自然与人工湿地识别。结果表明:(1)相比现有指数,IMFI能更有效区分水域、养殖坑塘和滩涂;(2)通过协同增加的K-means分类结果与IMFI,以分割人工湿地和将滩涂聚类,能增强湿地类间、湿地与其他地物的区分性,方法可以有效解决湿地类间、湿地与水域间的错分与漏分问题;(3)方法在粤港澳大湾区滨海区域分类的平均总体精度为89.23%,平均Kappa系数为0.8731,在时间上波动小。整体上,该方法为高精度滨海自然与人工湿地动态监测预警提供技术支撑。