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。

一种基于Google Earth Engine云平台的潮间带遥感信息提取方法

潮间带是滨海湿地的重要组成部分,对生态和经济的发展具有重要意义。由于海水与陆地的动态交互作用,以瞬时性遥感图像为数据源的遥感信息提取方法难以准确获取潮滩范围。针对此问题,研究提出了一种基于Google Earth Engine(GEE)云平台和遥感指数的潮间带信息提取方法。该方法利用2021年的Landsat8时序影像数据,在最大光谱指数合成算法(maximum spectral index composite,MSIC)和大津算法(OTSU)形成多层自动决策树分类模型的基础之上,构建基于融合数字高程模型(digital elevation model,DEM)数据的决策树算法,并以舟山群岛海岸带为例,计算舟山群岛潮间带面积。研究结果显示2021年舟山群岛潮间带面积为35.19 km 2。通过谷歌地球的高空间分辨率影像进行精度评价,总体精度为97.7%,Kappa系数为0.95,具有较好的提取精度和实用效果。该方法能够实现自动、快速地提取潮间带信息,为海岸带资源的可持续管理和利用提供数据支撑,进一步促进海岸带区域的高质量发展。

Sentinel-2密集时间序列数据和Google Earth Engine的潮间带湿地快速自动分类

潮间带湿地是滨海湿地的重要组成部分,具有维持生物多样性、促进碳汇等重要生态功能。及时、准确地掌握潮间带湿地现状是实现潮间带湿地可持续管理目标的基础。先前的潮间带湿地分类研究依赖于训练样本、人工设定阈值或后处理等,本研究基于GEE(Google Earth Engine)平台开发一种自动、快速、高精度的潮间带湿地分类方法。该方法首先构建高质量密集时序Sentinel-2影像堆栈;然后,分析不同潮间带湿地的遥感特征,基于最大光谱指数合成算法(MSIC)和大津算法(Otsu)建立多层自动决策树分类模型。应用该方法对2020年福建漳江口红树林自然保护区的潮间带湿地进行分类,得到的总体精度为96.5%,Kappa系数为0.95。漳江口红树林保护区内潮间带湿地包括红树林、互花米草和滩涂3种类型,面积分别为82.46 hm^(2)、218.26 hm^(2)和496.84 hm^(2)。本研究的方法能够实现潮间带湿地的自动、快速、高精度分类,对潮间带和其他内陆湿地的精准分类研究具有重要的借鉴价值。