基于GEE的鹽城濱海地區互花米草遙感監測

中圖分類號：X87;Q948;X171 文獻標識碼：A 文章編號：1673-260X（2025）06-0001-06

1，鄭浩2，3，4，5

（1.內蒙古自治區環境監測總站赤峰分站

互花米草（Spartinaalterniflora）是禾本科米草屬多年生草本植物，原產于北美的大西洋和海灣沿岸，主要生長在當地的鹽沼中。因其高耐鹽性、高繁殖能力和快速生長而作為生態工程物種于1979年引入中國，經過40多年的人工種植和自然擴散，已經廣泛分布于中國沿海的大部分潮間帶灘涂。目前互花米草在中國海岸帶的分布范圍北至渤海灣，南至雷州半島β。江蘇 954km 海岸線中 95% 以上屬于淤泥質海岸，沿海平均潮差在 1～4km 之間，由于淡水量大，潮水的鹽度高，適宜互花米草的生長。江蘇互花米草鹽沼的寬度和面積全國最大，是平原淤泥質海岸的代表，因此選擇江蘇鹽城核心區作為研究地點。監測互花米草的空間分布及其隨時間的變化可以揭示其擴展機制，這對沿海生態系統的管理至關重要。

隨著對地觀測技術的發展和衛星遙感影像分辨率的不斷提高，遙感技術在外來物種的入侵監測以及時空演變等領域發揮了巨大的作用和應用潛力，改變了傳統測量方式和調查費時、費力、時效性差等現狀。谷歌計算云平臺（GoogleEarthEngine，GEE）為海量的遙感數據處理提供了一個先進的云計算平臺，依托谷歌強大的后臺處理器，避免了影像數據下載及預處理的繁瑣操作過程，國外學者已經對此展開了大量的應用。GEE云計算已經在區域資源開發利用中發揮了重要作用，但對于外來入侵物種的相關研究仍然較少。

植被物候學研究植被生理屬性及其周圍環境影響產生的周期性變化，它是表征生態系統動態及其對環境線索反應的關鍵生物指標。典型的植被物候現象包括植物群落的萌芽、生長、衰老，以及農作物的發芽、開花和成熟周期。近年來，植被物候遙感得到了廣泛的應用，在植被物候變化、農林經營和全球氣候變化等多個領域取得了顯著成就。研究植被物候學對于深人研究全球氣候變化、陸地生態系統動態和指導農業生產具有至關重要的意義

基于綜合植物物候特征在入侵物種制圖中的重要性及GEE在有效提取基于像素的物候特征方面的優勢，利用多時相遙感影像提供的物候信息進行輔助分類，有助于提高分類精度。本研究基于物候學建立植被指數的時間序列以分析提取互花米草的最優時間，以便后期分類精度的提高。

時間序列定義為按時間順序排列的一組定量觀察[8-10]。通常假設時間是一個離散變量，時間序列分析的主要目的是根據已有的歷史數據對未來進行預測。大多數以時間序列的形式給出。根據觀察時間的不同，時間序列中的時間可以是年份、季度、月份或其他任何時間形式。

本文利用GEE云計算平臺高效的遙感處理和地理數據分析能力，基于多源遙感影像數據和地理環境數據，構建時間序列的光譜指數、植被指數、水體指數以及地形特征等多維特征分類合集，采用隨機森林（RandomForest，RF）支持向量機（SVM）、CART決策樹等分類算法及云端與GoogleEarth相結合的方式，進行2018年、2019年及2020年共3期的互花米草遙感分類與制圖分析，并研究江蘇鹽城互花米草分布特征和近期變化趨勢，為濱海濕地的生態修復評估提供決策支持和科學參考。

1研究區概況與數據來源

1.1 研究區概況

鹽城濕地珍禽國家級自然保護區，地處江蘇中部沿海，是太平洋西岸、亞洲大陸邊緣面積最大的濕地分布區 （32^°34^′～34^°28^′N，119^°27^′～121^°16^′E） ，是近40＼～50年逐漸淤漲起來的，其概況見圖1。現存灘面寬度平均為 6km 左右，平均坡度 0.5%sim 1.0% ，占地面積達 ，是我國最大的灘涂濕地保護區，其原生自然植物群落以堿蓬、蘆葦為主。自1979年引種以來，互花米草迅速擴張并已形成優勢群落，在江蘇濱海形成全國面積最大的分布區，沿岸呈條帶狀分布，海陸方向互花米草條帶最大寬度達 4km ，已嚴重影響原生自然植被演替進程及珍稀水禽棲息地的質量。核心區受人類活動干擾小，自然條件保存良好，故本文選取核心區及緩沖區內部典型灘涂植物群落，開展相關研究。

1.2 數據來源

1.2.1 Sentinel-2影像數據

Sentinel-2是歐洲航天局發射的一組衛星，旨在為地球觀測提供高分辨率、多光譜圖像數據[12.13]。研究區域的2-A級影像采用GoogleEarthEngine平臺獲取并進行預處理。2-A級產品對底部大氣反射率圖像進行了正射校正。本研究總共選擇了10個原始波段（波段1、9和10主要與大氣和水因素有關，本研究不采用）。根據研究區范圍的物候信息挑選關鍵時相、關鍵位置的影像，影像時間設置為2018年、2019年、2020年，選取每年的10月25日至12月30日，此區間適宜進行互花米草的提取。同時，為了獲得高質量的數據，對Sentinel-2數據集進行過濾，以便篩選使用小于 5% 的云覆蓋率影像。

1.2.2 ALOS地形數據

ALOS-2（2014年5月發射的AL0S-2）是由JAXA資助的衛星任務。ALOS-2衛星是ALOS衛星（2006年1月發射）的后續任務，主要目標是區域觀測、災害監測、土地覆蓋分類和全球熱帶雨林監測（JAXA，2023b）。ALOS-2號衛星軌道在赤道上方 628km 處的太陽同步亞循環軌道上運行，入射角為 97.9^° 。ALOS-2PALSAR-2雷達傳感器在L波段（ [1.2GHz] 工作，重啟周期為 14d 。ALOS-2PALSAR數據在分發到GEE之前進行了正交校正和輻射測量地形校正，研究篩選了研究區范圍的ALOS-2PALSAR數據，見表1。

1.3樣本與驗證數據

研究通過現地調查和GoogleEarth高分辨率影像兩種方式，依據具有典型性和代表性原則，選取研究區域內大于 10m×10m 大小的單一地物類型分布區域作為純凈像元樣本。其中現地調查數據為2015年8—10月，實驗組采用高精度GPS對江蘇鹽城自然保護區核心區不同濕地分布及其植被類型進行詳細的調研。GoogleEarth高分辨率影像數據為實驗組，以現地調查作為對照在室內通過GoogleEarth軟件目視解譯濕地類型。本次實驗設定各濕地類別樣本點均不低于50，以減少樣本數據過少而引起的分類誤差（由于大棚面積較少，樣本點未達到50）。

2研究方法

2.1 物候分析

對每個無云像素使用下式計算歸一化植被指數（NDVI）、增強植被指數（EVI）的時間序列，結合NDVI、EVI時間序列選取互花米草與其他種類分離程度最大的關鍵時期。

NDVI、EVI時間序列的趨勢見圖2、圖3，互花來草群落1月至4月處于休眠期，5月進入返青期，6月至8月為快速生長期，9月份為開花期，10月指數值達到峰值，標志著互花米草進入成熟期，11月開始衰老，12月進入衰老末期。蘆葦群落1月至3月處于休眠期，4月進入返青期，5月至7月指數值快速升高，為快速生長期，8月為開花期，9月指數值達到峰值，進入成熟期，10月至11月為衰老期，12月逐漸進入休眠期。堿蓬群落1月至2月處于休眠期，3月進入快速生長期，7月為開花期，8月進入成熟期，9月下旬至11月上旬為衰老期，11月下旬逐漸進入休眠期。通過觀察對比三種植物群落的物候時期發現，10月至12月為互花米草制圖的最佳時期。

2.2 分類方法

入侵物種制圖的詳細文獻綜述表明，現有方法主要是機器學習（ML）分類算法。主流分類器包括支持向量機（SupportVector Machine，SVM）人工神經網絡、決策樹分類、分類回歸樹（CART）、隨機森林（RandomForest，RF）[14-1]。鑒于物候特征在入侵物種制圖中的重要性和GEE在有效提取基于像素的物候特征方面的優勢，本研究旨在基于植被指數、水體指數及建成區指數等特征，采用RF、CART、貝葉斯（Bayes）、最小距離（mmD）、SVM、梯度提升決策樹（GRB）用于中國東部沿海多云潮濕地區的互花米草算法研究，并對比分類精度，選取最優分類算法，具體技術路線圖如圖4所示。

SVM是基于VladimirVapnik在20世紀60年代中期首次開發的統計模型的機器學習分類器。一般來說，SVM模型的目標是找到一個最優的決策（分離）邊界，使兩類之間的距離最大化。決策邊界的位置僅依賴于最接近它的訓練數據點的子集。這個最接近決策邊界的訓練數據點子集稱為支持向量。隨后對原有的SVM分類器進行改進。Cortes和Vapnik開發了一個成本函數，而Boser等人發展了核函數以允許非線性類邊界。代價函數被開發來量化錯誤分類錯誤或在決策邊界的錯誤一邊有一個訓練點的懲罰。利用多項式、徑向基和雙曲正切等核函數，將訓練數據集轉化為高維特征空間，解決非線性分類問題[7]。

CART是一種常用于濕地分類制圖的機器學習算法，同時是一種基于決策樹的方法，它根據輸入變量的值將數據劃分為不同的子集，并遞歸構建二叉樹結構以進行預測。

RF分類器是一種集成機器學習方法，它使用bootstrap抽樣來構建許多單個決策樹模型。預測變量的隨機子集（例如Sentinel-2Bands）用于將觀測數據分成同質子集，這些子集用于建立每個決策樹模型和預測。然后對單個決策樹模型預測進行平均，以產生最終分類。RF算法在各種復雜的濕地分類中表現良好。RF方法的優點是算法簡單，易于實現，計算時間少，適用于大量特征參數，有效解決冗余問題，在許多實際應用中表現出強大的性能[17]。

2.3 精度評價

本文主要選取目前普遍采用的總體精度、Kap-pa系數作為評價指標對各個方案進行評價。表征分類精度的指標有很多，本實驗采用混淆矩陣、總體分類精度（OA）Kappa系數來描述互花米草的分類精度。混淆矩陣能夠表征不同地物類型被正確分類的個數以及被錯分的類別和個數。0A是指被正確分類的類別像元數與總的類別個數的比，見式3。OA值雖然能很好地表征分類精度，但在研究區不同地物類型面積極度不平衡的情況中，OA值受地物類型面積的影響較大，表征每個地物類型被正確分類的情況受限。

Kappa系數一般用于遙感影像分類評價系統，其值越大說明分類結果一致性越好。Kappa系數能夠表征分類與完全隨機的分類錯誤減少的比例，其計算過程可用如下公式表示：

2.4 特征說明

本研究選取10＼～12月份的Sentinel2影像數據構建多時相光譜特征、植被指數、水體指數、建成區指數特征集和ALOS地形數據，表2詳細描述了各種特征及其表達方式。

3 結果與分析

3.1互花米草遙感提取結果及精度分析

利用2020年10月30日—12月30日的Sen-tinel2影像，基于GEE提供的6種不同分類器提取的研究區內互花米草，6種不同分類器的提取結果如圖5所示，通過目視解譯的方法對比原圖像可以看出，Bayes和mmD的分類結果不理想，不同類別之間存在較多的錯分情況。如研究區南部和北部裸地被錯分為大棚，核心區互花米草被錯分為堿蓬，耕地被錯分為互花米草；所有分類器在沿海光灘帶都存在光灘和裸地錯分的現象，在海陸交界地帶都存在河流和淺海水域兩種類別混分的現象。從目視對比的效果來看，RF、GRB、SVM的提取結果較好。

為了定量準確地評價不同分類器對濱海地區信息提取精度的影響，利用驗證數據，對不同方案進行精度評價分析，主要評價指標包括總體精度、Kappa系數，具體結果見表3。

由表3可知，常規監督分類方法Bayes分類器的總體精度為 68.11% ，Kappa系數為 0.64;mmD 分類器的總體精度為 70.28% ，Kappa系數為 0.67 。而機器學習方法的提取精度明顯較高，RF、GRB分類器的總體精度分別為 92.88%.91.95% ，Kappa系數分別為0.92、0.91。這說明，機器學習分類器會顯著提高濱海信息提取的精度。

3.2 土地覆蓋類型的變化

結合不同分類器的分類精度結果，選取分類精度最高的隨機森林分類器，利用2018年、2019年同時期的Sentinel-2合成影像提取研究區土地覆蓋類型，分類結果如圖6所示。研究區內濕地植被面積變化明顯，耕地、養殖池均無明顯變化，而受潮汐影響光灘和海水一直處于動態變化過程中。

圖7為2018—2020年鹽城濱海地區土地覆蓋類型的面積統計。由圖7可以得出，研究區內互花米草的面積一直保持在 60～70km² 之間。2018年互花米草面積為 km²，2019 年與2018年相比互花米草面積增加了 7.46km² ，而2020年同比下降了 4.68km² ，其原因可能是2019年存在一些耕地被錯分為了互花米草，導致面積提升過高。研究區內的堿蓬面積逐漸下降，也從側面印證了互花米草的小幅度擴張。總體上，互花米草在鹽城濱海地區的分布趨于穩定。

3.3結論

通過利用GEE云平臺和多時相Sentinel2影像建立NDVI和EVI時間序列，通過物候分析選取提取互花米草的最佳時期為10月份至12月份。

基于多種分類器實現了江蘇鹽城自然保護區的互花米草分類，并進行了時空動態分析。結果表明，隨機森林和梯度提升樹取得了較高的分類精度，其平均總體精度在 92% 以上。

參考文獻：

[1]ZhangR，Shen Y，Lu LX，etal.Formation ofSpartina alterniflora salt marshes on the coast ofJiangsu Province，China U].Ecological Engineer-ing，2004， 23：95-105.

[2]鄭浩，陳星彤，宋利杰，等.基于GEE的濱海濕地互花米草信息提取方法研究Ⅲ.赤峰學院學報（自然科學版），2022，38（10）：26-31.

[3]劉明月，鄭浩，陳星彤，等.GEE支持下聯合植被物候特征與機器學習的入侵植物互花米草提取J].測繪通報，2023，69（06）：36-43.

[4]Zhao S， Ke Y. A Simple Phenology-Based Veg-etation Index for Mapping Invasive Spartina Al-terniflora Using Google Earth Engine U]. IEEEJournal of Selected Topics in Applied Earth Ob-servations and Remote Sensing， 2020， 3038648.

[5]蘭楊宇，鄭先起，劉強.早稻物候算法遙感識別新技術研究]）.江西科學，2024，42（05）：968-973+1066.

[6]黃唯澄，高祥偉，陶洋，等.基于物候特征的連云港濱海濕地植被提取方法.江蘇海洋大學學報（自然科學版），2024，33（03）：26-33.

[7]張華兵，甄艷，張云峰.1997年以來4個時期鹽城互花米草鹽沼的格局及變化[.濕地科學，2018，16（05）：582-586.

[8]蔣潔，劉永學，鐘禮山，等.SAR影像時間序列支持下的互花米草鹽沼提取——以江蘇鹽城東部沿海為例[].測繪科學技術學報，2015，32（03）：6.

[9]趙欣怡.基于時序光學和雷達影像的中國海岸帶鹽沼植被分類研究[D].上海：華東師范大學，2020.

[10]李加林.基于MODIS的沿海帶狀植被NDVI/EVI季節變化研究——以江蘇沿海互花米草鹽沼為例[].海洋通報，2006，25（006）：91-96.

[11]王娟，丁晶晶.鹽城海岸帶景觀格局時空變化與生態保護研究[].江蘇林業科技，2022，49（04）：37-41.

[12]張磊，宮兆寧，王啟為，等.Sentinel-2影像多特征優選的黃河三角洲濕地信息提取Ⅲ.遙感學報，2019，23（02）：313-326.

[13]姚紅巖，劉浦東，施潤和，等.基于高分辨率遙感影像的濕地互花米草-蘆葦混合交錯帶提取方法].地球信息科學學報，2017，19（10）：7.

[14]劉春悅，張樹清，江紅星，等.江蘇鹽城濱海濕地外來種互花米草的時空動態及景觀格局Ⅲ.應用生態學報，2009，20（04）：901-908.

[15]章瑩.中國沿海灘涂入侵物種互花米草（Sparti-na alterniflora）的空間分布及生物質能估測研究[D].杭州：浙江大學，2010.

[16]邵亞奎，王蕾，朱長明，等.GEE云平臺支持下的西天山森林遙感監測與時空變化分析.測繪通報，2020，66（08）：5.

[17]鄭浩.基于深度學習的外來植物互花米草遙感分類研究[D].唐山：華北理工大學，2023.