EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 2: 265 - 273

DOI: https://doi.org/10.6046/zrzyyg.2023345

Classification of wetland plant communities in the Yellow River Delta based on GEE and multisource remote sensing data

  • ZHANG Nianqiu , 1, 2 ,
  • MAO Dehua , 1, 3 ,
  • FENG Kaidong 1, 2 ,
  • ZHEN Jianing 1 ,
  • XIANG Hengxing 1 ,
  • REN Yongxing 1
Expand
  • 1. Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Key Laboratory of Wetland Ecology and Environment, Northeast Institute of Geography and Agroecology, CAS, Changchun 130102, China

Received date: 2023-11-14

  Revised date: 2024-03-06

  Online published: 2026-06-03

Fold

Abstract

Accurately identifying plant communities in coastal wetlands is critical for strengthening the ecological quality monitoring and enhancing the ecosystem functions of coastal wetlands. With the Yellow River Delta as the study area, this study constructed a feature vector set including phenological, optical, red-edge, and radar features based on Sentinel-1/2 image data using the Google Earth Engine (GEE) platform. It classified the wetland plant communities in the Yellow River Delta in 2021 using the random forest algorithm. Moreover, it explored the effects of phenological features in classification. The results reveal an overall classification accuracy of 97.91 % and a Kappa coefficient of 0.97. In 2021, the distribution areas of Phragmites australis, Suaeda glauca, Spartina alterniflora, and Tamarix chinensis were 49.91 km2, 39.91 km2, 79.36 km2, and 20.86 km2, respectively. The phenological features of typical plant communities in the Yellow River Delta wetlands were effectively extracted based on the normalized difference vegetation index (NDVI) time-series fitting curves. The highly distinguishable features included the maximum value date, base value, growth amplitude, beginning-of-season growth rate, and end-of-season decline rate. Compared to other feature variables, phenological features contributed more significantly to the overall classification accuracy, suggesting their prominent role in classification. The results of this study provide a methodological reference and scientific basis for the plant community monitoring and ecological conservation of coastal wetlands in the Yellow River Delta.

Key words： GEE; Sentinel-1/2 images; phenological features; wetland plant community; Yellow River Delta

Cite this article

ZHANG Nianqiu , MAO Dehua , FENG Kaidong , ZHEN Jianing , XIANG Hengxing , REN Yongxing . Classification of wetland plant communities in the Yellow River Delta based on GEE and multisource remote sensing data[J]. Remote Sensing for Natural Resources, 2025 , 37(2) : 265 -273 . DOI: 10.6046/zrzyyg.2023345

0 引言

滨海湿地位于陆地生态系统与海洋生态系统相互作用的过渡地带,一般由滨海植被和潮滩组成,是众多迁徙水鸟的重要栖息地[1-2]。滨海湿地植被在海岸线保护、抵御风暴及保护候鸟迁徙等方面发挥着关键作用[3],具有重要的生态和经济价值。然而,气候变化与人类活动对滨海湿地造成了严重破坏,尤其是近年来入侵生物的迅速扩张严重威胁了本地物种的生态结构及滨海湿地的生态功能[4]。20世纪80年代互花米草被引种到黄河三角洲,其分布范围迅速扩张,造成了生物多样性下降、泥沙淤积和河道阻塞等问题[5-6],严重破坏了黄河三角洲生态系统的稳定。因此,实现黄河三角洲湿地植物群落的精准监测,掌握不同类型植被的分布格局对当地的湿地资源管理和生态环境可持续发展具有重要意义。
卫星遥感具有数据来源广、数据量大和成本低等优点,已成为湿地植被监测的主要技术手段。有着5 d时间分辨率和10 m空间分辨率的Sentinel-2影像使得湿地植物群落精细分类成为可能。如刘瑞清等[7]使用Sentinel-2卫星影像实现了对盐城滨海湿地典型植物的有效分类。此外,Sentinel-1影像是高空间分辨率的合成孔径雷达(synthetic aperture Radar,SAR)影像,其后向散射系数能够反映湿地植物群落的表面粗糙度和介电特性,且不受云雨影响,具有全天候全天时的优点,因此Sentinel-1数据能够提供不同于光学特征的信息。随着遥感大数据时代的到来,以Google Earth Engine(GEE)为代表的云计算平台大大提高了数据处理的效率和速度。此外,GEE提供了许多预定义的算法,便于用户进行调用与修改,为湿地植物群落分类算法的使用提供了多种选择。
丰富的遥感卫星数据与高效的云计算平台一定程度上促进了滨海湿地植物群落分类研究从单一数据源向多源数据融合转变,小尺度研究向大尺度研究发展。滨海湿地植物群落分类研究呈现出分类方法多样化和分类特征综合化的发展趋势。目前,部分学者通过多时相遥感数据融合[8]、光学影像与雷达影像融合[9]等方式实现了对湿地植物群落的多维特征提取[10-11]。研究区域方面,主要涵盖市域[7]、省域[12]、流域[13]及国家[14]等尺度; 研究对象方面,黄河三角洲的互花米草监测成为学者们研究的热点[4,15 -17]。现有研究中,基于机器学习的遥感分类方法已普遍应用于滨海湿地植物群落分类,主要包括决策树(decision tree, DT)[18]、支持向量机(support vector machine, SVM)[19]和随机森林(random forest, RF)[20-21]等方法。在特征提取方面,除了基本的光谱波段、植被指数及水体指数外[13],有研究还考虑了纹理特征[15]、物候特征[17]以及综合多种遥感影像特征进行特征优选[16]等方式。学者们发现从密集时间序列遥感影像中提取的物候特征能明显增强入侵物种和其他本地物种之间的可分离性[22-23],但对物候特征在湿地植物群落分类中的有效性关注较少。因此本文借助GEE云平台,以黄河三角洲为研究区,利用Sentinel-1和Sentinel-2数据构建特征向量集,利用RF算法实现黄河三角洲湿地植物群落精细制图,从而提升黄河三角洲湿地植物群落监测精度并为相关生态保护政策的制定提供科学依据。

1 研究区概况与数据源

1.1 研究区概况

黄河三角洲位于山东省东营市的东北部,介于118°33'~119°25'E,37°35'~38°12'N之间,总面积约为1 530 km2,北邻渤海湾,东邻莱州湾(图1)。研究区处于温带季风气候区,夏季炎热多雨,冬季寒冷干燥,季节差异较大,年平均气温为11.7~12.3 ℃,年平均降水量为600~700 mm。土壤类型以盐渍土和潮土为主[14]。黄河三角洲湿地是东亚—澳大利亚候鸟迁徙廊道上重要的栖息地[4],并于2013年被列入国际重要湿地名录。研究区内典型的湿地植物群落类型有芦苇、碱蓬、柽柳和互花米草。
图1 研究区概况图

Fig.1 Location of study area

1.2 数据源与预处理

1.2.1 遥感数据

基于GEE平台获取Sentinel-1雷达数据和Sentinel-2多光谱数据(表1),GEE的内嵌算法已将遥感数据的空间分辨率统一为10 m,空间坐标系统一为WGS84坐标系。存储于GEE中的Sentinel-1数据已经完成了应用轨道文件、地距多视产品(ground range detected, GRD)边界噪声消除、热噪声消除、辐射定标和地形纠正等预处理。Sentinel-1数据选择干涉宽幅模式(interferometric wide, IW)的GRD产品,其空间分辨率为10 m,共获得2021年5—10月的Sentinel-1数据17景,并对其进行中值合成,以减小异常值的影响。Sentinel-2是高分辨率多光谱成像卫星,携带一枚多光谱成像仪(multispectral instrument, MSI),记录了可见光、近红外到短波红外在内的13个光谱波段的反射辐射值,空间分辨率最高可达10 m,重访周期为2~5 d。本研究使用GEE上的Sentinel-2 MSI Level-2A图像,共收集了2021年覆盖研究区域的197景Sentinel-2影像,其中2021年1—12月的影像用于构建归一化植被指数(normalized difference vegetation index,NDVI)时间序列,2021年5—10月的影像进行中值合成后用于提取光学特征和红边特征。
表1 卫星遥感数据基本信息

Tab.1 Information of satellite remote sensing data

数据
名称		 传感器
类型		 影像获取时间 空间分
辨率/m		 重访
周期/d
Sentinel-1 SAR-C 2021-05-01—2021-10-31 10 6
Sentinel-2 MSI 2021-01-01—2021-12-31 10~60 2~5
由于潮汐的周期性波动会对植物的光谱特征产生较大影响,因此有必要提取研究区的最低潮位。首先基于负改进归一化水体指数(modified normalized difference water index, mNDWI),使用GEE平台提供的 “ee.ImageCollection.qualityMosaic()”方法对全年图像进行合成,合成影像中的每个像素是全年中mNDWI指数最低的像素。其次使用OTSU算法对影像进行二值化分割,将研究区划分为水体和非水体区域,后续基于非水体范围进行分类。

1.2.2 样本数据

本研究对研究区的芦苇、碱蓬、互花米草和柽柳4种湿地植物群落进行分类,并进一步对非植被区域进行识别以提高分类精度。基于GEE和Google Earth高分辨率影像并结合实地样本点进行目视解译。最后采用随机抽样的方法抽取70%的样本作为训练样本用于建立分类器,其余30%的样本作为验证样本用于精度验证(表2)。
表2 各类植物和非植被的样本数量

Tab.2 Number of samples for each plant species and non-vegetation (个)

类型 芦苇 碱蓬 互花米草 柽柳 非植被 总计
训练样本 111 39 131 37 42 360
验证样本 36 23 53 19 13 144
合计 147 62 184 56 55 504

2 研究方法

2.1 物候特征提取

NDVI是研究植被物候变化和生物量变化最广泛接受的指标之一[5]。基于Sentinel-2数据,选取NDVI构建基于像元的时间序列。为降低异常值对分类精度的影响需对时间序列进行平滑处理,本文采用二项傅里叶函数[24]对原始NDVI时间序列进行拟合,公式为:
y = a 0 + a 1 c o s ( ω x ) + b 1 s i n ( ω x ) +   a 2 c o s 2 ω x ) + b 2 s i n 2 ω x )   ,
式中: x为一年中日期; ω为频率的系数,近似于0.017(即2π/365); a0为植被物候的总体变化; a1和b1为植被物候的大致变化; a2和b2为不同植物物候的微小波动。将6个系数[a0,a1,a2,b1,b2,ω]的初始估计值设置为[0,0,0,0,0,0.017],使用最小二乘法来获得最优系数。二项傅里叶函数构建的拟合曲线中(图2)横坐标为一年中日期(day of year, DOY)即一年中的第几天,纵坐标为该日对应的NDVI值。从中提取了生长季开始日期(start of the season, SOS)、生长季结束日期(end of the season, EOS)、生长季长度(medium of the season, LOS)、最大值日期(length of the season, MOS)、基准值(base value, BV)、生长期振幅(seasonal amplitude, SA)、季初增长率(increase rate at the beginning of the season, IRS)、季末衰减率(decrease rate at the end of the season, DRS)等8个物候指数。
图2 基于二项傅里叶函数的NDVI拟合曲线

Fig.2 Illustration of the NDVI fitted curve based on the two-term Fourier function

2.2 多源特征选择

2.2.1 特征向量集构建

为更全面地刻画黄河三角洲湿地植物群落的特征,将传统光学特征(光谱波段、植被指数、水体指数)、红边特征和雷达特征纳入特征向量集以提高湿地植物群落分类精度,其中由于Sentinel-2具有独特的红边波段,因此将3个红边波段和5个红边指数单独作为一类。最终构建的分类特征向量集共包括36个特征向量。具体特征描述如表3所示。
表3 特征集描述

Tab.3 Description of the feature set

特征变量 特征简称 特征说明
光谱波段 B B1,B2,B3,B4,B8,B9,B11,B12
植被指数 NDVI (B8-B4)/(B8+B4)
EVI 2.5[(B8-B4)/(B8+6B4-7.5B2+1)]
RVI B8/B4
水体指数 NDWI (B3-B8)/(B3+B8)
mNDWI (B3-B11)/(B3+B11)
LSWI (B8-B11)/(B8+B11)
红边特征 Bre B5,B6,B7,B8A
NDVIre1 (B8A-B5)/(B8A+B5)
NDVIre2 (B8A-B6)/(B8A+B6)
NDre1 (B6-B5)/(B6+B5)
NDre2 (B7-B5)/(B7+B5)
CIre B7/B5-1
雷达特征 VV 垂直发射和垂直接收的极化波
VH 垂直发射和水平接收的极化波
SAR_sum VV+VH
SAR_diff VV-VH
SAR_NDVI (VV-VH)/(VV+VH)
物候特征 SOS NDVI从左最小值向右增加到季节振幅的20%对应的日期
EOS NDVI从右最小值向左增加到季节振幅的20%对应的日期
LOS 从生长季开始到生长季结束持续的时间
MOS 拟合函数在季节中达到最大值对应的日期
BV 拟合函数的最小值
SA 拟合函数最大值与基准值之差
IRS (最大值-SOS对应的NDVI)/(MOS-SOS)
DRS (最大值-EOS对应的NDVI)/(EOS-MOS)

2.2.2 特征优选

在分类研究中分类器的性能随着分类特征的增加而提高,然而当特征数量增加到一定水平后,分类精度不会有明显提升而且会导致数据冗余。因此需要筛选最优的特征组合,以提高分类制图的精度和效率。使用RF中的袋外数据(out of bag, OOB)评估特征重要性,基于GEE中提供的“ee.Classifier.explain()”函数可以计算分类特征重要性。将特征重要性进行降序排序,依次将前n个特征输入到RF分类器中进行分类,并记录每次实验的精度,绘制折线图,选取精度最大时的特征组合,进行最终的分类制图。

2.3 分类方法与精度评价

使用RF算法进行湿地植物群落分类。RF算法是一种将袋装集成学习理论与随机子空间理论相结合的机器学习算法,它使用多棵树来训练和预测样本,其本质是使用多个决策分类器来确定最终的分类结果。模型中的决策树数量N和每个决策树使用的特征的数量m是影响RF算法的分类结果的关键参数。构成RF算法的每一棵决策树中的特征数m选择总特征数M的算术平方根最为合适。
使用混淆矩阵进行精度评价,本研究选取广泛应用的生产者精度(producer’s accuracy, PA)、用户精度(user’s accuracy, UA)、总体精度(overall accuracy, OA)和Kappa系数作为精度评价指标[25]。

2.4 特征变量分类效果对比

为进一步探明物候特征在黄河三角洲湿地植物群落分类中发挥的作用,本研究设计了4种特征组合方式的分类模型(表4),通过对比不同模型精度的差异,以测试不同特征变量在湿地植物群落分类中的效果。
表4 分类模型信息

Tab.4 Information of classification model

方案 特征组合
方案1 传统光学特征
方案2 传统光学特征+红边特征
方案3 传统光学特征+红边特征+雷达特征
方案4 传统光学特征+红边特征+雷达特征+物候特征

3 结果与分析

3.1 物候特征提取结果

基于二项傅里叶函数拟合的NDVI时间序列曲线可以较好地提取黄河三角洲湿地典型群落的物候特征。图3反映了各类植物在生长季内的NDVI变化幅度及生长季的时间,图4为各类植物物候特征的箱线图。
图3 各类植物生长季内NDVI及时间对比

Fig.3 Comparison of growth season NDVI and time of different plant species

图4 不同湿地植物群落物候特征的箱线图

Fig.4 Comparison of phenological features index of different plant species

由图3(b)和图4(a)可知芦苇和柽柳的SOS集中在4月上旬,碱蓬和互花米草于3—5月开始陆续生长。4类植物的EOS相差较小,各类植物于10—12月逐渐枯萎(图4(b))。碱蓬的LOS最长,约为9个月; 芦苇、互花米草和柽柳的LOS较为相近(图4(c))。由图4(d)可知3类植物的MOS的差异较大,芦苇和碱蓬的MOS箱体重叠部分较少,互花米草的MOS箱体与芦苇和柽柳的箱体重叠部分较少。碱蓬的BV明显小于其他3类植物,在0.02~0.07之间(图3(a)); 芦苇、互花米草和柽柳的BV差异较小(图4(e)),因此BV对碱蓬的区分效果较好。图4(f)和图4(g)表明4类植物的SA和IRS差异较大,从大到小依次为芦苇、互花米草、柽柳和碱蓬,因此SA和IRS可作为区分4类植物的重要指标。4类植物的DRS同样呈现出较好的可分性,DRS从大到小依次为互花米草、芦苇、柽柳和碱蓬(图4(h))。

3.2 特征重要性评价

特征重要性排序如图5所示,当特征数量由1增加到5时OA与Kappa系数大幅增加,加入第6个特征后OA和Kappa系数变小,之后OA与Kappa系数随特征数量增加而增加,当特征数量达到9时总体精度与Kappa系数的变化幅度变小。当特征数量达到13个时,OA和Kappa系数达到最大值,分别为97.92%和0.97,此后OA与Kappa系数逐渐稳定。因此,选择重要性排在前13的特征进行最终的黄河三角洲植被分类制图,具体包括IRS,NDVI,NDWI,VV,B6,LSWI,EVI,NDVIre2,MOS,DRS,mNDWI,SA和BV。其中物候特征、传统光学特征、红边特征和雷达特征的数量分别占总数量的38.5%,38.5%,15.4%和7.7%(表5)。对该13个特征指数的重要性按特征变量的类型分别进行求和统计(表5),发现各类特征变量的重要性占比从高到低依次为传统光学特征(40.3%)、物候特征(35.9%)、红边特征(14.7%)和雷达特征(9.0%)。
图5 分类精度与特征组合关系

Fig.5 Relationship between classification accuracy and number of feature combinations

表5 特征变量重要性对比

Tab.5 Comparison of importance of different features (%)

比例 物候特征 传统光
学特征		 红边特征 雷达特征
特征变量数量占比 38.5 38.5 15.4 7.7
特征变量重要性总
和占比		 35.9 40.3 14.7 9.0

3.3 分类结果与精度评价

黄河三角洲湿地植物群落分类图(图6)较好地展示了研究区内典型植被的分布状态。4类植物的总面积达190.04 km2,占研究区总面积的18.27%。分布面积上看(图6(f)),互花米草的面积最广,为79.36 km2,占植被总面积的41.76%。互花米草主要成片分布于研究区东北部的靠海一侧以及南部的小块潮间带(图6(a))。芦苇的分布面积次之,为49.91 km2,占植被总面积的26.26%。由图6(a)可知,芦苇主要分布于研究区西部大部分地区、现行黄河河道两旁约1~1.5 km范围内以及南部旧河道两旁约500 m范围内。碱蓬的面积为39.91 km2,占总体的21.00%,主要分布于潮间带区域。柽柳的面积为20.86 km2,占总体的10.98%。柽柳零散分布于芦苇和碱蓬之间,呈狭窄的带状分布,分布面积最为稀少。在植被与水体交界处以及不同植物群落过渡区域存在大量错分像元。芦苇的错分像元主要位于河流两侧(图6(b)),易被错分为柽柳。原因是越靠近河流芦苇的淹水程度越高,其近红外波段的反射率较低,红边波段的分类效果不显著。碱蓬容易被错分为柽柳(图6(c)),因为两者的NDVI值较低且分布均较为稀疏,因此在潮间带区域会出现错分现象。互花米草容易被错分为碱蓬和柽柳(图6(d)),错分像元主要分布于水体边缘。大量混合像元分布于植物群落的过渡地带(图6(e)),从而影响了分类效果。
图6 2021年黄河三角洲湿地植物群落分类结果与面积统计

Fig.6 Classification and area of wetland plant communities in the Yellow River Delta in 2021

将筛选得到的13个重要性较高的特征应用于RF分类器,使用混淆矩阵对分类结果进行精度评价,可知基于RF分类器结合物候特征、传统光学特征、红边特征和雷达特征的分类方法可有效地对黄河三角洲湿地植物群落进行分类,并达到较高的分类精度。由混淆矩阵(表6)可知,分类结果的OA为97.91%,Kappa系数为0.97。从单一类别的分类结果看,芦苇、碱蓬和柽柳的UA较高,均达到了100.00%,互花米草的UA为98.11%。芦苇和互花米草的PA均为100.00%,碱蓬和柽柳的PA分别达到了92.00%和95.00%。
表6 黄河三角洲湿地植物分类混淆矩阵

Tab.6 The confusion matrix of classification of YRD wetland plant species

类型 芦苇 碱蓬 互花米草 柽柳 非植被 UA/%
芦苇 36 0 0 0 0 100.00
碱蓬 0 23 0 0 0 100.00
互花米草 0 0 52 1 0 98.11
柽柳 0 0 0 19 0 100.00
非植被 0 2 0 0 11 84.62
PA/% 100.00 92.00 100.00 95.00 100.00 —
OA: 97.91% Kappa系数: 0.972 2

3.4 不同特征组合精度对比

图7为4种方案中每种植物的PA及OA。由图可知,当仅有传统光学特征变量时,所有种类的精度均达到了80%以上。加入红边特征后,互花米草、柽柳和OA分别提升了4.8,12.5和2.8百分点,但芦苇和碱蓬的精度分别下降了2.6和2.8百分点。加入雷达特征后,碱蓬的精度大幅提升了10.6百分点; 柽柳的精度下降了4.9百分点,芦苇和互花米草的精度略有下降。加入物候特征后,除碱蓬的精度略有下降外,其余类别精度均达到了4种方案里的最大值,其中芦苇、互花米草、柽柳的PA和OA分别提升了5.7,7.3,11.1和4.2百分点。总体而言,以传统光学特征为基础的植物分类可达到较好的分类效果; 红边特征对互花米草和柽柳的提升效果较好; 雷达特征对精度提升的作用有限,但有助于碱蓬的分类; 纳入物候特征后黄河三角洲湿地植被分类OA提升幅度最大,分类效果较好,但不利于提升碱蓬的分类精度。
图7 4种实验方案精度对比

Fig.7 Accuracy comparisons of classification results of each scheme

4 讨论

物候特征能够有效提高黄河三角洲湿地植物群落分类的精度,但对不同植物的分类效果略有差异。首先,物候特征相比传统光学特征、红边特征和雷达特征能更好地反映植物生长的季节变化规律。其中IRS在13个特征中的重要性得分最高(图5),这是由于芦苇的NDVI时间序列曲线在生长季内的变化较快,而碱蓬的NDVI时间序列曲线在生长季内较为平缓,这与Ai等[26]的研究可以相互印证。且已有研究证明IRS,MOS,DRS,SA和BV等物候特征在江苏中部海岸[7]、长江三角洲[24]和莫莫格湿地[27]等其他地区的植物分类中同样体现出较大的差异,进一步说明以上物候特征是湿地植物群落分类需考虑的重要参数。
其次,物候特征可以明显提升湿地植物分类的精度(图7)。这与前人研究可以相互印证,如薛朝辉等[28]利用物候信息对以恒河三角洲孙德尔本斯地区的红树林进行提取,发现基于数据融合、物候信息提取和指数特征级联的分类方法可有效提高红树林制图的精度; Tian等[22]提出了基于像素的物候特征复合方法(pixel-based phenological feature composite method, PpfCM)并发现整合了PpfCM方法提取的新的物候特征对互花米草的识别有显著改善。以上研究进一步证明了物候特征在滨海湿地植被监测中的巨大潜力。

5 结论

本文基于Sentinel-1/2卫星影像数据,提取黄河三角洲湿地典型植物的传统光学特征、物候特征、红边特征和雷达特征以构建特征向量集,使用RF算法进行特征优选,对研究区植物进行分类,并探讨了物候特征在滨海湿地分类中的可分性与适用性,主要结论如下:
1)基于Sentinel-2影像构建逐像元的NDVI时间序列拟合曲线,可有效获取黄河三角洲湿地植物的SOS,EOS,LOS,MOS,BV,SA,IRS,DRS等物候指数。其中,MOS,BV,SA,IRS和DRS在黄河三角洲湿地植物分类中对湿地植物群落的区分效果较好。
2)特征重要性的结果表明当特征数量达13个时,分类效果最好。各类特征变量重要性总和从高到低依次为传统光学特征、物候特征、红边特征和雷达特征。对比不同方案下分类精度发现,加入物候特征之后OA提高了4.2百分点,在4种方案中精度提高幅度最大,说明物候特征在黄河三角洲湿地植物分类中具有较强的适用性。
3)基于RF算法使用特征优选的13个特征对2021年黄河三角洲湿地植物群落进行分类,分类效果较好,OA为97.91%,Kappa系数为0.972 2。2021年黄河三角洲湿地的芦苇面积为49.91 km2,柽柳面积为20.86 km2,碱蓬面积为39.91 km2,互花米草面积为79.36 km2,4种湿地植物群落从河流沿岸至潮滩再至海岸渐次分布。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Scott D B, Frail J, Mudie P J. Coastal wetlands of the world[M]. Cambridge: Cambridge University Press, 2014:17.

[2]
Song S, Wu Z F, Wang Y F, et al. Mapping the rapid decline of the intertidal wetlands of China over the past half century based on remote sensing[J]. Frontiers in Earth Science, 2020:8.

[3]
Murray N J, Clemens R S, Phinn S R, et al. Tracking the rapid loss of tidal wetlands in the Yellow Sea[J]. Frontiers in Ecology and the Environment, 2014, 12(5):267-272.

[4]
Qiu Z Q, Mao D H, Feng K D, et al. High-resolution mapping changes in the invasion of Spartina alterniflora in the Yellow River Delta[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15:6445-6455.

[5]
马喜君, 陆兆华, 林涛. 盐城海滨湿地生态风险评价[J]. 海洋环境科学, 2010, 29(4):599-602.

Ma X J, Lu Z H, Lin T. Ecological risk assessment of Yancheng Coastal Wetland[J]. Marine Environmental Science, 2010, 29(4):599-602.

[6]
许婕, 刘加珍, 张天举, 等. 黄河口湿地柽柳灌丛土壤盐渍化特征[J]. 生态学报, 2022, 42(17):7118-7127.

Xu J, Liu J Z, Zhang T J, et al. Soil salinization characteristics under the crown of Tamarix chinensis in the wetland of the Yellow River Estuary[J]. Acta Ecologica Sinica, 2022, 42(17):7118-7127.

[7]
刘瑞清, 李加林, 孙超, 等. 基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类[J]. 地理学报, 2021, 76(7):1680-1692.

DOI

Liu R Q, Li J L, Sun C, et al. Classification of Yancheng coastal wetland vegetation based on vegetation phenological characteristics derived from Sentinel-2 time-series[J]. Acta Geographica Sinica, 2021, 76(7):1680-1692.

DOI

[8]
Chen B Q, Xiao X M, Li X P, et al. A mangrove forest map of China in 2015:Analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 131:104-120.

[9]
Zhao Y X, Mao D H, Zhang D Y, et al. Mapping Phragmites australis aboveground biomass in the momoge wetland ramsar site based on sentinel-1/2 images[J]. Remote Sensing, 2022, 14:694.

[10]
许青云, 李莹, 谭靖, 等. 基于高分六号卫星数据的红树林提取方法[J]. 自然资源遥感, 2023, 35(1):41-48.doi:10.6046/zrzyyg.2022048.

Xu Q Y, Li Y, Tan J, et al. Information extraction method of mangrove forests based on GF-6 data[J]. Remote Sensing for Natural Resources, 2023, 35(1):41-48.doi:10.6046/zrzyyg.2022048.

[11]
Zhang C, Gong Z N, Qiu H C, et al. Mapping typical salt-marsh species in the Yellow River Delta wetland supported by temporal-spatial-spectral multidimensional features[J]. Science of the Total Environment, 2021, 783:147061.

[12]
Zhu W Q, Ren G B, Wang J P, et al. Monitoring the invasive plant Spartina alterniflora in Jiangsu coastal wetland using MRCNN and long-time series landsat data[J]. Remote Sensing, 2022, 14(11):2630.

[13]
宁晓刚, 常文涛, 王浩, 等. 联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取[J]. 遥感学报, 2022, 26(2):386-396.

Ning X G, Chang W T, Wang H, et al. Extraction of marsh wetland in Heilongjiang basin based on GEE and multi-source remote sensing data[J]. National Remote Sensing Bulletin, 2022, 26(2):386-396.

[14]
Li H Y, Mao D H, Wang Z M, et al. Invasion of spartina alterniflora in the coastal zone of mainland China:Control achievements from 2015 to 2020 towards the Sustainable Development Goals[J]. Journal of Environmental Management, 2022, 323:116242.

[15]
张磊, 宫兆宁, 王启为, 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报, 2019, 23(2):313-326.

Zhang L, Gong Z N, Wang Q W, et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J]. National Remote Sensing Bulletin, 2019, 23(2):313-326.

[16]
Gong Z N, Zhang C, Zhang L, et al. Assessing spatiotemporal characteristics of native and invasive species with multi-temporal remote sensing images in the Yellow River Delta,China[J]. Land Degradation & Development, 2021, 32(3):1338-1352.

[17]
Han X, Wang Y, Ke Y, et al. Phenological heterogeneities of invasive Spartina alterniflora salt marshes revealed by high-spatial-resolution satellite imagery[J]. Ecological Indicators, 2022, 144:109492.

[18]
Friedl M A, Sulla-Menashe D, Tan B, et al. MODIS Collection 5 global land cover:Algorithm refinements and characterization of new datasets[J]. Remote Sensing of Environment, 2010, 114(1):168-182.

[19]
Wang T, Zhang H S, Lin H, et al. Textural-spectral feature-based species classification of mangroves in Mai Po Nature Reserve from Worldview-3 imagery[J]. Remote Sensing, 2016, 8(1):24.

[20]
陈健, 李虎, 刘玉锋, 等. 基于Sentinel-2数据多特征优选的农作物遥感识别研究[J]. 自然资源遥感, 2023, 35(4):292-300.doi:10.6046/zrzyyg.2022272.

Chen J, Li H, Liu Y F, et al. Crops identification based on Sentinel-2 data with multi-feature optimization[J]. Remote Sensing for Natural Resources, 2023, 35(4):292-300.doi:10.6046/zrzyyg.2022272.

[21]
Li A, Song K, Chen S, et al. Mapping African wetlands for 2020 using multiple spectral,geo-ecological features and Google Earth Engine[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 193:252-268.

[22]
Tian J, Wang L, Yin D, et al. Development of spectral-phenological features for deep learning to understand Spartina alterniflora invasion[J]. Remote Sensing of Environment, 2020, 242:111745.

[23]
Zhang X, Xiao X, Wang X, et al. Quantifying expansion and removal of Spartina alterniflora on Chongming Island,China,using time series Landsat images during 1995-2018[J]. Remote Sensing of Environment, 2020, 247:111916.

[24]
Sun C, Li J, Liu Y, et al. Plant species classification in salt marshes using phenological parameters derived from Sentinel-2 pixel-differential time-series[J]. Remote Sensing of Environment, 2021, 256:112320.

[25]
李恒凯, 王利娟, 肖松松. 基于多源数据的南方丘陵山地土地利用随机森林分类[J]. 农业工程学报, 2021, 37(7):244-251.

Li H K, Wang L J, Xiao S S. Random forest classification of land use in hilly and mountaineous areas of Southern China using multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(7):244-251.

[26]
Ai J, Gao W, Gao Z, et al. Phenology-based Spartina alterniflora mapping in coastal wetland of the Yangtze Estuary using time series of GaoFen satellite No.1 wide field of view imagery[J]. Journal of Applied Remote Sensing, 2017, 11:026020.

[27]
Feng K, Mao D, Qiu Z, et al. Can time-series Sentinel images be used to properly identify wetland plant communities?[J]. GIScience & Remote Sensing, 2022, 59(1):2202-2216.

[28]
薛朝辉, 钱思羽. 融合Landsat 8与Sentinel-2数据的红树林物候信息提取与分类[J]. 遥感学报, 2022, 26(6):1121-1142.

Xue Z H, Qian S Y. Fusion of Landsat 8 and Sentinel-2 data for mangrove phenology information extraction and classification[J]. National Remote Sensing Bulletin, 2022, 26(6):1121-1142.

Options
Outlines

/

〈 〉