EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 11: 2626 - 2642

DOI: https://doi.org/10.12082/dqxxkx.2024.240334

遥感科学与应用技术

耦合Sentinel-1/2多源时序遥感影像特征的红树林物种分类方法

  • 薛宇飞 , 1 ,
  • 张声晗 2 ,
  • 白娜娜 1 ,
  • 原峰 3 ,
  • 刘杰 1 ,
  • 陈烨 1 ,
  • 黄晓慧 4 ,
  • 熊兰兰 3 ,
  • 付迎春 , 1, *
展开
  • 1.华南师范大学地理科学学院，广州 510631
  • 2.华南师范大学北斗研究院，佛山 528225
  • 3.广东省海洋发展规划研究中心，广州 510220
  • 4.南京师范大学地理科学学院，南京 210023
* 付迎春（1976— ），女，云南武定人，博士，教授，主要研究方向为城市与植被遥感。E-mail:

薛宇飞（1997— ），男，山东聊城人，博士生，主要研究方向为红树林植被遥感解译、植被碳汇遥感。E-mail:

Copy editor: 蒋树芳

收稿日期: 2024-06-11

  修回日期: 2024-08-28

  网络出版日期: 2024-11-07

基金资助

国家自然科学基金面上项目(42071399)

广东省红树林生态修复项目数据采集及监测示范项目。

收起

Classification of Mangrove Species Using Coupled Sentinel-1/2 Multi-Source Time-Series Remote Sensing Image Features

  • XUE Yufei , 1 ,
  • ZHANG Shenghan 2 ,
  • BAI Nana 1 ,
  • YUAN Feng 3 ,
  • LIU Jie 1 ,
  • CHEN Ye 1 ,
  • HUANG Xiaohui 4 ,
  • XIONG Lanlan 3 ,
  • FU Yingchun , 1, *
Expand
  • 1. School of Geography, South China Normal University, Guangzhou 510631, China
  • 2. Beidou Research Institute, South China Normal University, Foshan 528225, China
  • 3. Guangdong Center for Marine Development Research, Guangzhou 510220, China
  • 4. School of Geography, Nanjing Normal University, Nanjing 210023, China
* FU Yingchun, E-mail:

Received date: 2024-06-11

  Revised date: 2024-08-28

  Online published: 2024-11-07

Supported by

National Natural Science Foundation of China(42071399)

Data Collection and Monitoring Demonstration Project for Mangrove Ecological Restoration Project in Guangdong Province.

Fold

摘要

科学准确地监测红树林物种是保护滨海湿地生态系统的基础和前提。利用多源遥感数据能够有效进行红树林物种精细化分类，但在光学和SAR影像特征及其时间变化信息的应用方面仍存在一定的挑战。本文基于Sentinel-1/2影像数据，提出一种基于多源遥感影像特征耦合和集成学习（Ensemble Learning）算法（Multi-source Features-coupled and Ensemble Learning algorithm, MFEL）的红树林物种分类框架，通过分析光谱指数特征、雷达极化特征及其时序谐波谱特征在特征优选和耦合互补上的分类优势，堆叠随机森林（Random Forest, RF）和极端梯度提升（eXtreme Gradient Boosting, XGBoost）算法，构建红树林物种分类的集成学习分类模型，对比基于特征优选的RF分类模型和XGBoost分类模型，评估MFEL分类方法的分类精度和特征应用差异。本研究以湛江市红树林国家级自然保护区为实验区，实验结果表明： ① 相比于只使用光谱指数特征进行红树林物种分类而言，在增加雷达极化特征或时序谐波谱特征参与分类后，分类精度分别提高了6%和8%；同时增加雷达极化特征和时序谐波谱特征参与分类可以更精准地实现红树林物种分类，分类精度提高了12%； ② MFEL方法分类精度最高，总体精度达到88.03%， Kappa系数为0.86；将使用实验区红树林物种样本训练的MFEL模型迁移至其他区域，物种分类精度分别为83.94%和82.77%； ③ 研究验证了雷达极化特征和时序谐波谱特征在红树林物种分类中的应用潜力，对五种红树林物种分类的精度也有明显提升，分类精度为76%~91%。研究结果对拓展中分辨率遥感卫星影像进行红树林物种监测具有参考价值。

关键词： 红树林; 物种分类; Sentinel-1/2; 时间序列; 特征耦合; 时序谐波谱特征

本文引用格式

薛宇飞 , 张声晗 , 白娜娜 , 原峰 , 刘杰 , 陈烨 , 黄晓慧 , 熊兰兰 , 付迎春 . 耦合Sentinel-1/2多源时序遥感影像特征的红树林物种分类方法[J]. 地球信息科学学报, 2024 , 26(11) : 2626 -2642 . DOI: 10.12082/dqxxkx.2024.240334

Abstract

Scientific and accurate monitoring of mangroves is the basis and premise for protecting marine coastal wetland ecosystems. Multi-source remote sensing data can be used to classify mangrove species effectively, but challenges remain in applying optical and SAR image features along with their time-varying information. In this paper, based on Sentinel-1/2 image data, we propose a mangrove species classification framework using Multi-source Features-coupled and Ensemble Learning algorithm (MFEL). The framework analyzs the classification advantages of spectral index features, SAR polarization features, and their temporal harmonic spectral features in feature selection and coupling. It then stacks the Random Forest (RF) and eXtreme Gradient Boosting (XGBoost) models to construct an Ensemble Learning model for mangrove species classification. Comparing the RF classification model and XGBoost models based on feature optimization, we evaluated the classification accuracy and feature application differences of the MFEL classification method. Zhanjiang Mangrove Forest National Nature Reserve was selected as the experimental area. The results show that: ① compared to using only spectral index features, classification accuracy improves by 6% and 8% with the addition of SAR polarization features or temporal harmonic spectral features, respectively. Adding both SAR polarization features and temporal harmonic spectral features simultaneously improves classification accuracy by 12%, making it more effective for mangrove species classification. ② The MFEL method achieves the highest classification accuracy, with an overall accuracy of 88.03% and a Kappa coefficient of 0.86. When the MFEL model trained on samples from the experimental area was applied to other areas, the classification accuracies were 83.94% and 82.77%, respectively. ③ This study verifies the potential application of SAR polarization features and time-sequence harmonic spectral features in mangrove species classification, significantly improving the accuracy for five mangrove species, with accuracies ranging from 76% to 91%. The study results provide valuable insights for expanding the use of medium-resolution remote sensing satellite imagery in monitoring mangrove species.

Key words： mangroves; species classification; Sentinel-1/2; time series; feature coupling; time-series harmonic spectral feature

1 引言

红树林是全球初级生产力最高且最重要的滨海湿地生态系统之一[1-2]。近一个世纪以来，由于不合理的人为开发活动，全球红树林面积在50年内减少了约35%[3-4]，部分红树林生态系统的结构和功能出现退化趋势[5-6]。红树林物种信息是保护和恢复红树林生态系统的关键指标[7]，监测红树林物种的空间分布和组成对于红树林的可持续发展至关重要[8-9]。
红树林通常分布在富含淤泥的海岸潮间带，难以进行大规模野外调查和采样[10-11]。遥感技术作为传统野外调查的有效替代手段，已广泛应用于红树林分类[9,12]，其中，中高空间分辨率多光谱遥感影像（如AVHRR、Landsat、MODIS和Sentinel-2）是提取红树林空间分布的主要数据源[8-9,13]。相关研究比较了Landsat 8和Sentinel-2影像对红树林和其它常绿植被的分类性能，证明Sentinel-2影像的红边（Red Edge）、近红外（Near Infrared, NIR）和短波红外（Short Wave Infrared, SWIR）波段是提取红树林空间分布的最重要特征，并具有红树林物种间识别的潜力[14]。同时，Sentinel-2时间序列影像能够提供红树林和其它常绿植被的物候特征差异。薛朝辉等[15]使用Landsat-8与Sentinel-2数据重建了时间序列数据，提取物候信息有效区分了红树林和其它常绿植被； Zhao等[16-17]基于大量人工实地采集的红树林物种分布样本和时间序列Sentinel-2影像分别绘制了中国2020年秋茄分布和9种红树林物种的分布，精度分别为88.5%和83.8%~86.4%，明确了物候信息在红树林提取中的应用潜力。然而针对Sentinel-2影像的红树林物种间光谱以及物候信息的分类应用机制尚未探明。
多源遥感影像能够捕捉红树林的复杂特征，多种特征信息的耦合有助于提升红树林物种分类[12]。针对光学影像在红树林多云/多雨地区受限，合成孔径雷达（Synthetic Aperture Radar, SAR）影像被用于在全天候条件下提取植被的结构特征[18]。研究表明SAR影像及其极化特征对光谱信息相似而纹理不同的红树林及常绿植被表现出不同的后向散射强度，其差异可以用于提取红树林空间分布[19-20]。单时相SAR影像[19]、高光谱影像[12,21]以及无人机影像[22-23]与光学影像的互补能够有效提高红树林分类精度，但尚缺少对时间序列光学和SAR影像及其时间信息互补在红树林物种分类研究上的关注。
整合分类方法与特征的优化策略是提高红树林物种分类性能的重要因素之一[7,9]。机器学习算法，例如随机森林（Random Forest, RF）[24]、极端梯度提升（eXtreme Gradient Boosting, XGBoost）[12]、支持向量机(Support Vector Machine, SVM）[25]等已被用于识别无人机遥感影像中的红树林物种。然而，由于不同分类场景和红树林物种类型的复杂性，单一机器学习算法的分类效果往往不够稳定[12]。集成学习（Ensemble Learning）算法通过整合多个机器学习模型，构建出泛化能力更强、抗拟合能力更优的模型，能够更好地适应复杂分类场景[26-27]。此外，多源遥感影像数据通常具有大量光学、结构及衍生特征的高维数据特点，不仅会导致数据冗余，还会增加计算负担，给分类提出了挑战。在此背景下，特征选择被证明是处理高维数据和提高学习效率的有效方法[28-29]。因此，数据维度和优势特征的选择成为提高红树林物种分类效率和精度的关键问题。同时，探索特征选择与分类方法之间的适配性对于构建红树林物种分类机制具有重要意义。
本研究以中国湛江红树林国家级自然保护区为实验区，利用时间序列Sentinel-1/2影像，将多源影像特征和RF、XGBoost以及集成学习算法相结合，开展红树林物种间特征优选及分类方法耦合的精度提升策略研究，具体为： ① 评估光学影像、SAR影像及其时间信息在红树林物种分类中的性能和机制； ② 对比基于特征优选的RF分类模型 (RF based Feature-optimization, F-RF）和XGBoost分类模型（XGBoost based Feature-optimization, F-XGBoost），以及基于多源遥感影像特征耦合和集成学习算法（Multi-source Features-coupled and Ensemble Learning algorithm, MFEL)的分类模型在红树林物种分类中的表现； ③ 分析MFEL分类模型在不同分类场景下的稳定性和泛化能力。本研究提出的框架将有望在更大范围内识别红树林物种信息，为红树林生态保护和恢复监测提供科学依据和技术支撑。

2 研究方法

2.1 研究技术路线

如图1所示，本研究首先基于时间序列Sentinel-1/2影像数据提取并构建了光谱波段特征、植被指数特征和雷达极化特征，以及3种特征的时序谐波谱特征，使用递归式特征消除算法（Recursive Feature Elimination, RFE）对多源影像特征的分类贡献重要性进行测量；对比基于特征优选的RF分类模型和XGBoost分类模型，探明特征与方法集成的分类差异，构建基于优选特征及集成学习算法的红树林物种分类框架，最终实现红树林物种分类制图。
图1 本研究的技术路线

Fig. 1 Work flow of this study

2.2 多源遥感数据特征提取集构建

2.2.1 光谱指数特征

红树林属常绿灌木或乔木，相关研究表明光谱波段和植被指数对红树林物种具有一定程度的可分性 [30⇓-32]；红树林分布于海岸潮间带，水体指数有助于区分红树林和水体。本文选择光谱波段、植被指数和水体指数作为光谱指数特征输入进行红树林物种分类研究，详细光谱指数信息见表1。
表1 本文采用的光谱指数特征

Tab. 1 Spectral index features used in this paper

指数 公式和波段 编号 描述
光谱波段 Sentinel-2 MSI波段 B l u e, G r e e n, R e d, R e d   E d g e   1, R e d   E d g e   2, R e d   E d g e   3, N I R, N a r r o w   N I R, S W I R   1, S W I R   2 NIR、SWIR等波段对叶绿素敏感，反射效果好，可用于突出健康茂密植被
植被指数 归一化植被指数
(Normalized Difference Vegetation Index, NDVI)		 N D V I = N I R - R e d N I R + R e d （1） 对叶绿素十分敏感，但对于生长茂密的植被会产生饱和现象
增强植被指数
(Enhanced Vegetation Index, EVI)		 E V I = 2.5 × N I R - R e d N I R + 6 × R e d - 7.5 × B l u e + 1 （2） 加入蓝色波段以增强植被信号，校正土壤背景和气溶胶散射的影响
差值植被指数
(Difference Vegetation Index, DVI)		 D V I = N I R - R e d （3） 对土壤背景的变化较为敏感
红树林植被指数
(Mangrove Vegetation Index, MVI)		 M V I = N I R - G r e e n S W I R 1 - G r e e n （4） 由Baloloy等[30]提出的专门用于监测红树林的指数
增强型红树林植被指数
(Enhanced Mangrove Vegetation Index, EMVI)		 E M V I = G r e e n - S W I R   2 S W I R   1 - G r e e n （5） 由Yang等[32]提出的基于高光谱图像的红树林植被指数
比值植被指数
(Ratio Vegetation Index, RVI)		 R V I = N I R R e d （6） 绿色植被的灵敏指示参数，与叶干生物量、叶绿素含量相关性高，可用于检测和估算植物生物量
叶绿素植被指数
(Green Chlorophyll Vegetation Index, GCVI)		 G C V I = N I R G r e e n - 1 （7） 使用近红外和绿光波段的反射比率来反映叶片中的叶绿素含量
湿地森林指数 (Wetland Forest Index, WFI) W F I = N I R - R e d S W I R   2 （8） 由Wang等[33]提出用于准确识别红树林
水体指数 归一化差值含水指数
(Normalized Difference Moisture Index, NDMI)		 N D M I = S W I R   2 - G r e e n S W I R   2 + G r e e n （9） 对植被的水分含量敏感，使用NIR和SWIR波段创建比值以减轻光照影响和大气效应
改进的归一化差值水体指数
(Modified Normalized Difference Water Index, MNDWI)		 M N D W I = G r e e n - S W I R   1 G r e e n + S W I R   1 （10） 对冠层水分含量的变化敏感
地表水分指数
(Land Surface Water Index, LSWI)		 L S W I = N I R - S W I R N I R + S W I R （11） 对植被叶片含水量及土壤湿度敏感

2.2.2 时序谐波谱特征

本文借助Continuous Change Detection and Classification (CCDC)算法[34]（式（12））中反馈红树林物种生长信息的时序谐波谱特征。
ρ ^ i ,   x O L S = a 0 , i + a 1 , i c o s 2 π T x + b 1 , i s i n 2 π T x + c 1 , i x
式中： ρ ^ i ,   x O L S代表第i个影像波段在日期x的预测值； OLS代表本算法使用了最小二乘法作为基础算法； x表开始日期； i代表第i个影像波段； T代表每年的天数（T=365）； a0,i代表影像波段总光谱值系数； a1,i和b1,i代表第i个影像波段的年内变化系数； c1,i代表第i个波段的年际变化系数。此外， RMSE代表第i个波段的均方根误差。
本文使用各波段预测反射率值 ρ ^和均方根误差RMSE、a0、a1和b0构建红树林时序谐波谱特征。

2.2.3 雷达极化特征

不同红树林物种的结构不同，在雷达数据上表现为具有不同的亮度、后向散射系数。SAR影像中的雷达后向散射系数 σ ( i ,   j ) d B (单位dB)由图像的像元灰度(即DN)计算获得：
σ i ,   j d B = l g D N i j 2 / A 2
式中： i、 j代表像元位置行列号； A代表定标参数。
本文利用VV和VH极化方式的后向散射系数构建红树林物种分类雷达极化特征，一是通过RFE算法分析输入特征重要性，二是探索雷达极化特征与光谱时谱特征的合理组合方案。

2.3 分类框架构建

2.3.1 特征选择

本文使用RFE算法分别对光谱指数特征、雷达极化特征和时序谐波谱特征提取集计算特征重要性，并使用皮尔逊相关系数（Pearson Correlation Coefficient）验证特征之间的线性关系，使用方差膨胀系数（Variance Inflation Factor, VIF）描述特征间共线性严重程度，基于此选择出相应的优势特征及耦合方案，并对比使用优选前后特征的红树林物种分类精度。

2.3.2 分类方法

RF和XGBoost是广泛用于红树林物种分类的模型。RF方法在遥感影像分类中应用广泛，具有较高的分类精度、较短的模型训练时间，并且对训练样本数量、质量以及样本不均衡问题的敏感性较低[35]。XGBoost是一种可将弱学习器提升为强学习器的机器学习算法，以CART决策树为基分类器，通过不断添加CART决策树对特征进行分裂，以新增树构建的新函数来拟合之前预测的残差，最终将所有树的预测结果相加，作为最终的预测结果。该方法能够在处理数亿个样本时保持高效，同时不易受训练数据质量影响，适用于大规模、高维度的遥感数据分析[23,36]。集成学习算法通过堆叠多种机器学习模型，构建出泛化能力更强、抗过拟合能力更好的模型[37-38]。多项研究表明，利用基础模型的分类结果作为元分类模型的输入数据k可以显著提高分类精度。本文通过堆叠RF和XGBoost算法构建集成学习模型，以实现对红树林物种的准确分类。

2.3.3 分类性能评价

本文通过分类精度和泛化能力来评估各分类策略的性能。总体精度（Overall Accuracy, OA）和Kappa系数是遥感分类中常用的评价指标。本研究采用K折交叉验证（K Fold Cross Validation）来评估分类策略的泛化能力。具体而言，将样本数据集分为K个子集，每次使用K-1个子集训练分类模型，剩下的一个子集验证模型，如此x循环K次。通过每次验证集与分类结果的比较，构建混淆矩阵，并使用平均精度(Average Accuracy, AA)描述K次验证中红树林物种分类方法的显著性精度差异。此外，本研究在其他地区的红树林数据中进行模型测试，进一步探讨了模型的泛化能力。

3 实验区和数据

3.1 实验区概况

高桥红树林保护区（图2(a)）、安铺港红树林（图2 (c)）和徐闻县红树林（图2(d)）地处广东省湛江市红树林国家级自然保护区（109°40′ E—110°35′ E, 20°14′ N—21°35′ N）内，保护区在雷州半岛沿海主要港湾滩涂上呈带状分布，总面积20 278 hm2，是中国最大的红树林自然保护区[39-40]。保护区地跨热带和南亚热带季风气候区，气温高；年平均气温为25~27 ℃，年差较小，低温极限较高。保护区以其丰富的红树林资源闻名，2001年红树林资源调查显示保护区红树林及其伴生植物有15科24种[41]，高桥红树林保护区和安铺港红树林区域的优势树种包括白骨壤(Avicennia marina)、无瓣海桑(Sonneratia apetala)、红海榄(Rhizophora stylosa)、木榄(Bruguiera gymnoihiza)和桐花树(Aegiceras corniculatum)[40]，受广东省万亩级红树林示范区建设项目影响，徐闻县红树林区域绝对优势树种为白骨壤。
图2 研究区位置和树种示意图

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2023)2767号的标准地图制作，底图无修改。

Fig. 2 Location of study area, and schematic of tree species

3.2 研究数据

3.2.1 遥感影像

本文基于欧空局（European Space Agency, ESA）(https://dataspace.copernicus.eu/)获取研究区2021—2023年的干涉宽幅（Interferometric Wide swath, IW）模式单视复数（Single Look Complex, SLC）C波段Sentinel-1 SAR数据和含云量10%以下的Sentinel-2 MSI数据，影像信息如表2所示。所获取的Sentinel-1/2数据已经过辐射校正，无几何畸变问题，无需进行辐射定标、大气校正和几何校正，数据最终重采样至10 m空间分辨率，投影坐标系定义为WGS 1984 UTM Zone 49 N。其中，Sentinel-1 SAR数据提供VV、VH、HH和HV 4种极化方式数据，本文使用Lee Refined滤波算法计算VV和VH的极化分解参数；对Sentinel-2数据利用数据自带质量评价信息进行去云处理。
表2 2021—2023年Sentinel系列数据统计

Tab. 2 Sentinel series data used in this paper, 2021—2023 (幅)

时间/月 Sentinel-1 Sentinel-2
1—3月 32 36
4—6月 33 21
7—9月 30 29
10—12月 34 26
总计 129 112

3.2.2 样本数据

针对研究区红树林分布，结合实地采样、无人机遥感和Google平台的高分辨率影像等手段进行样本选取。① 无人机激光Lidar (UAV-LiDAR)影像和实地采样数据：本文于2022年7月20—23日、2022年9月17—19日对湛江市徐闻县(3.157 km2)红树林进行实地采样和无人机雷达数据采集，两类数据配合提高采集样本数量与质量。实地采样数据包括红树林树种及其地理位置、树高等数据；UAV-LiDAR数据采集流程符合无人机作业规范，空间分辨率0.07 m，共包含R、G、B、NIR 4个波段和LiDAR点云数据，经标准处理后生成数字正射影像图(DOM)、地形图(DEM)数据。本文根据实地采样数据和对高精度DOM进行目视解译生成物种样本数据。② Google earth历史影像：本文通过Google Earth Pro软件对2021—2023年研究区的历史影像进行目视解译，核实物种分类样本的稳定性。
本文根据研究区红树林物种分类，包括木榄、白骨壤、桐花树、无瓣海桑和红海榄，水体和经常受淹没的滩涂等都归为背景一类，在3个试验区共获取各类样本点如表3所示。
表3 研究区土地覆盖类型及其样本点数量

Tab. 3 Training and validation samples data of study area (个)

研究区 木榄 白骨壤 无瓣海桑 桐花树 红海榄 背景
高桥红树林保护区 166 283 72 286 199 200
安铺港红树林 20 351 120 243 20 200
徐闻县红树林 0 380 43 154 10 200
总计 186 1 014 235 683 229 600
2 947

4 结果及分析

本文分析了光谱指数特征、雷达极化特征以及时序谐波谱特征对红树林物种分类结果的影响。通过设置不同的特征组合进行对比实验，包括单一特征和耦合特征的输入，并进行特征优选。综合对比结果表明，多特征耦合能够捕捉更全面和丰富的红树林物种分类信息，有效减少单一特征在特定季节或环境条件下的局限性，从而增强红树林物种分类的准确性和一致性。

4.1 特征时间窗口选择

本研究通过多时态特征信息筛选红树林物种分类的适宜时间窗口，并选取具有代表性的样本点来描述红树林物种的物候信息，为红树林物种分类提供高质量的数据源。图3展示了利用光谱指数特征和雷达极化特征时间序列提取红树林物种最佳分类时间窗口的过程。以研究区物候差异显著的 2种红树林物种为例，广东湛江的无瓣海桑在春季（4—5月）和秋季（9—10月）分别成熟，而白骨壤的果实在8月上旬至9月下旬成熟。2种物种的物候高峰期相互交叠，并随纬度逐渐向后推迟[42]。根据图3中红边波段Red Edge 2/3、近红外波段NIR、归一化植被指数NDVI、叶绿素植被指数GCVI等时序光谱指数输入特征的重要性分析，2种红树林物种在3月和7月的物候信息差异最大；而根据VVmin、VVp5、VHp25和VHp95等雷达极化特征的重要性分析，物种间冠层结构差异在10—11月显著。红树林物候期的生长状态同样导致了物种间雷达极化特征的差异，能够有效补充光学卫星在云雨季节的观测局限性。将3月和7月的光谱指数特征和10—11月的雷达极化特征视为关键时间窗口的特征，可以显著提升红树林物种分类的性能。
图3 时序光谱指数特征和雷达极化特征输入的特征重要性分布

Fig. 3 Distribution of feature importance for time-series spectral index features and radar polarization feature inputs

4.2 多源遥感特征测试评估

基于Sentinel-1/2时序影像，本研究组合了表4所示的21个光谱指数特征、20个雷达极化特征，以及通过CCDC方法提取光谱指数和雷达极化得到的369个 (21×9+20×9)时序谐波谱特征，特征优选结果详见表4。
表4 本研究中使用的特征

Tab. 4 List of features used in this study

特征类型 特征
优选前 优选后
光谱指数 Blue、 Green、 Red、 Red Edge 1、 Red Edge 2、 Red Edge 3、 NIR、Narrow NIR、 SWIR 1、 SWIR 2、 NDVI、 EVI、 DVI、 MVI、 RVI、GCVI、 WFI、 NDMI、 MNDWI、 EMVI Green、 Red、 NIR、 Narrow NIR、 SWIR 2、 NDVI、 MVI、 GCVI、 WFI、 NDMI、 MNDWI、 EMVI
时序谐波谱 RMSE、 INTP、 SLP、 SIN 1-3、 COS 1-3 RMSE、 INTP、 SLP、 SIN 1-3、 COS 1-3
雷达极化 VV/VHMidhinge、 VV/VHMax、 VV/VHMin、 VV/VHStd、VV/VHMean、VV/VHRange、 VV/VHp5、 VV/VHp25、 VV/VHp75、 VV/VHp95 VV/VHMidhinge、 VHMax、 VVMin、 VV/VHStd、 VV/VHMean、VHRange、 VV/VHp5、 VV/VHp25、 VVp75、 VHp95

注：每个光谱指数和雷达极化特征均包含9个时序谐波谱特征，使用RMSE、 INTP、 SLP, SIN 1-3、 COS 1-3表示。

采用2种基分类方法 (RF和XGBoost)，将未经优选的光谱指数特征、时序谐波谱特征和雷达极化特征分别输入模型进行分类。分类结果显示，总体精度(OA)均低于60%（图4(a)），并且在分类过程中出现了过拟合现象。进行特征优选后，对比单一特征输入的分类结果（图4(b)），可以看到不同特征输入的分类精度存在显著差异。光谱指数特征和时序谐波谱特征的分类精度明显高于雷达极化特征输入，但均未超过60%；其中，光谱指数特征在区分红树林物种时相对有限，未能突出物种间的差异；时序谐波谱特征的分类精度略低于光谱指数特征输入，但物种间的分类精度差异较大；雷达极化特征输入的分类精度最低，不超过40%，但在区分物种时的效果最为显著，特别是在区分无瓣海桑时，其可分性明显高于整体分类精度，表明雷达极化特征能够较好突出无瓣海桑高大乔木的形态结构特征，与其他植株较矮的红树物种形成明显区分。
图4 单特征输入分类精度对比

注:图(b)①-③依次代表光谱指数特征、时序谐波谱特征和雷达极化特征。

Fig. 4 Classification accuracy of input single remote sensing data source features

单一特征输入的分类具有一定的局限性。由于红树林物种间互相混淆且生理化性质相似，仅凭单一特征难以取得较好的分类效果，单特征输入的分类精度基本在0.60以下（图4(a)）；光谱指数特征具有一定的区分性，时序谐波谱特征能够补充红树林物种间的物候信息差异，而雷达极化特征则提供了物种间的结构差异信息，有助于更好地解译红树林物种。因此，耦合这3种特征可能弥补单一特征的局限性。同时，在模型训练和分类过程中出现了过拟合现象，推测是由于单特征间的相似性较高，导致特征间产生噪声干扰。此外，耦合特征进行分类时，数据维度进一步增加，这可能导致分类效率和精度的下降。因此，有必要使用RFE算法进行特征优选。图4 (b)显示，经优选后的分类精度有所提升，证实了上述推测。综上所述，本文使用特征优选后单特征输入的分类结果。

4.3 特征优选分类评估

本研究利用递归特征消除(RFE)方法，对10个光谱波段和11个植被指数特征、9个时序谐波谱特征、20个雷达极化特征和耦合以上特征，基于特征重要性进行了筛选（图5），并使用皮尔逊相关系数衡量2种特征之间的相关性。本文筛选了单特征间不存在显著相关性且特征重要性大于0.4的特征作为优选特征，详见表4。
图5 光谱指数、雷达极化、时序谐波谱特征重要性

Fig. 5 Importance of spectral index/radar polarization/time series harmonic spectral features

根据上文分析，对比时间序列（1—12月光谱指数特征、时序谐波谱特征和雷达极化特征）和时间窗口（3月和7月的光谱指数特征与时序谐波特征、10—11月的雷达极化特征）数据输入的分类结果，发现时间序列数据输入的RF和XGBoost分类精度分别为62%和75%，而时间窗口数据输入的RF和XGBoost分类精度分别为59%和72%，说明选择合适的时间窗口进行红树林物种分类可以在减少数据冗余的同时，兼顾分类精度并降低数据需求，尤其在多云雨的红树林分布地区具有较好的应用潜力。
红树林物种的光谱差异集中在红边和近红外波段。在优选的5个光谱波段中，有4个波段位于红边(0.70~0.76 μm)和近红外(0.79~0.87 μm)区间；在优选的7个植被指数中，有6个指数共同使用了红光波段(0.60~0.70 μm)、红边和近红外波段，说明能区分5种红树林植物物种的光谱特征主要集中在红、红边和近红外区间（图5(a)）。红边波段(Red Edge 2、Red Edge 3)的反射率与叶绿素a和b具有极强的相关性；而NDMI、MNDWI和EMVI等植被指数均与植被含水量敏感的短波红外波段(SWIR 1/2)有关。
雷达极化特征表征的结构差异信息是红树林物种分类的重要影响因素。在选择的10个雷达极化特征中，均值、高度最大值、25%处高度、75%处高度和高度最小值为最重要特征（图5(b)），这主要是由于5种红树林物种的平均冠层高度存在差异，特别是无瓣海桑与其它4种红树林植物的高度差异显著。特征重要性主要集中在前10个显著提高精度的变量上。在融合雷达极化特征和光谱指数特征时，选择的光谱指数特征数量是雷达极化特征的2倍，均值、四分位数间距、5%处高度依然是较重要特征。
时序谐波谱特征突出了红树林物种间的生长差异信息。对比时序谐波谱特征，通过反馈生长趋势与周期特征获取高重要性的红树林物种分类性能，各特征均具有较高的重要性（图5(c)），其中RMSE重要性远远高于其他时谱特征，说明了遥感观测对5种红树林拟合性能存在差异，波段及指数衍生的时谱特征具有较好的对比性。
基于以上分析可以说明，本研究中优选的3类特征之间不存在显著的相关性。图6展示了优选后单特征之间的皮尔逊相关系数，数值越高则相关性越强，结果表明：① 光谱指数特征、雷达极化特征、时序谐波谱特征之间具有一定相关性，除了年际变化系数与雷达极化特征存在显著相关性外，其它特征之间相关性均不显著，说明3种单特征能够独立提供分类信息，减少数据冗余和多重共线性问题对分类模型的影响； ② 在光谱指数特征中，WFI、MVI和GCVI等植被指数由光谱波段Red、NIR和Narrow NIR等集合运算得到，表明植被指数与光谱波段之间存在一定相关性，而各特征间共线性诊断中VIF值在1.00~7.16之间，对VIF<10时认为不存在多重共线性，因此这些特征可以作为优选特征。
本文基于优选前后的3类特征输入，分别使用RF和XGBoost分类方法对红树林物种进行分类，如图4(b)。经特征筛选后，除了使用XGBoost方法时雷达极化特征的分类精度下降外，其余分类结果的精度均具提升，表明特征优选有效地去除了冗余信息并突显了分类性能特征。
图6 各特征之间的皮尔逊相关系数分布

Fig. 6 Heat map of Pearson correlation coefficient between features

4.4 特征耦合分类评估

实验设置不同的特征组合对比实验：① [光谱指数，时序谐波谱]、② [光谱指数，雷达极化]、 ③ [时序谐波谱，雷达极化]和④ [光谱指数，时序谐波谱，雷达极化]，图7 (a)为基于XGBoost方法的耦合特征输入物种分类精度，图7 (b)为2种分类方法耦合特征输入分类精度对比，分类结果见图8。
图7 耦合特征输入分类精度对比

注:图(b)①-④依次代表[光谱指数，时序谐波谐]、[光谱指数，雷达极化]、[时序谐波谱，雷达极化]和[光谱指数,时序谐波谱，雷达极化]。

Fig. 7 Classification accuracy of coupled feature inputs

图8 耦合特征输入的红树林物种分类示例

注:高桥红树林保护区遥感影像中白色圆形区域为景区观景台。

Fig. 8 Mangrove species classification results for coupled feature inputs

耦合特征弥补了单一特征分类的不足。耦合特征输入的分类结果精度明显提升，如图7(b)所示，与单一特征输入的分类精度（图4(b)）相比，耦合特征输入的RF和XGBoost方法分类精度有显著提高，具体结果为：① 组特征输入分类精度提升不足5%，误分情况如图8所示，说明光谱指数特征和时序谐波谱特征的组合并未显著提高红树林物种之间的区分能力。②、③ 组特征输入分类精度相较于图4(b)中单光谱指数、单时序谐波谱特征输入分类精度，结合图7(a)中无瓣海桑、水体优于其它物种的分类精度，表明雷达极化特征在突出红树林物种的结构信息方面发挥了关键作用，是提高红树林物种分类精度的有效补充；同时，较于光谱指数特征，时序谐波谱特征能够更好地揭示红树林物种间地物候信息差异。④ 组特征输入取得了最高的分类精度和相对最小的分类误差，说明光谱指数特征、时序谐波谱特征和雷达极化特征的耦合输入，可以提供更全面和准确的物种间差异信息，弥补单一特征输入的不足。
综上所述，光谱指数特征提供了基础的分类信息，时序谐波谱特征突出了物种间物候信息差异，雷达极化特征补充了红树林物种间的结构差异信息，耦合特征输入参与分类获得比其它组合更优的分类结果和精度。

4.5 红树林物种分类策略对比

本研究耦合了光谱指数特征、时序谐波谱特征和雷达极化特征，设置K折交叉验证中K值为10，以分析RF、XGBoost和集成学习3种分类方法对红树林物种分类精度的影响，RF、XGBoost和集成学习方法的OA分别为69.93%、74.19%和87.24%，分物种平均精度见图9，分类结果见图10。
图9 红树林物种分类结果热力图

注:A-F依次代表木榄、白骨壤、无瓣海桑、桐花树、红海榄和水体。

Fig. 9 Heat map of mangrove species classification results

图10 RF, XGBoost和集成学习分类方法的红树林物种分类结果

注:高桥红树林保护区遥感影像中白色圆形区域为景区观景台。

Fig. 10 Mangrove species classification results for RF, XGBoost and Ensemble Method

为探讨RF、XGBoost和集成学习3种分类方法对红树林物种分类的影响，绘制了不同分类方法下红树林物种平均精度热图，如图9所示，横坐标代表正确分类样本值，纵坐标代表实际样本值，每一红树林物种类别中正确分类样本值除以该类总值记为该类的精度，求得每类精度的平均即为各红树林物种平均精度，精度取值范围[0,1]。在各分类方法下，红海榄和桐花树是分类误差最大的两类红树林物种，二者同属常绿灌木或小乔木，光谱反射率、结构特征高度相似，方法学习到的物种间特征差异最小；乔木属的无瓣海桑与其它物种(灌木或小乔木)的差异最大，取得了最高的分类精度。RF在红海榄和桐花树的分类问题上表现最差，因为高度相似的特征产生大量的噪声，导致RF出现过拟合现象。XGBoost方法通过学习迭代残差加以改进，取得了优于RF的分类精度，但由于XGBoost方法对高维特征数据处理不佳且对参数敏感，出现了欠拟合现象，分类结果中错分部分与RF结果相反。堆叠了RF和XGBoost的集成学习在规避上述问题的同时，增强了对数据的抵抗力，并保留了特征差异信息，取得了更高的分类精度，在影像的边缘及不同物种过渡区域减少了错分，更符合实际物种分布情况。
为验证本研究中红树林物种分类策略的可重复性，将基于耦合特征和集成学习方法的分类策略应用于广东省台山市镇海湾和惠州市惠东县红树林区域（图10），保持模型参数不变。结果表明，在镇海湾的红树林数据集上，分类策略的总体精度OA为83.94%，在惠东县的红树林数据集上总体精度OA为82.77%，尽管与研究区的分类性能相比略有下降，但仍在不同区域上保持了较高的预测性能。

4.6 基于集成学习的红树林物种分类制图

本研究选择基于Sentinel-1/2遥感数据提取的 3月和7月的光谱指数和时序谐波特征、10—11月的雷达极化特征，使用集成学习分类方法对研究区（高桥红树林保护区、安铺港红树林和徐闻县红树林）2021—2023年红树林物种进行分类制图，总体精度OA分别为87.38%、87.24%、88.03%， Kappa系数分别为0.87、0.86、0.86，制图结果见图11。
图11 2021—2023年红树林最优物种特征分类结果

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2023)2767号的标准地图制作，底图无修改。

Fig. 11 Map of classification results using optimal species characterization of mangrove forests, 2021—2023

研究区5种红树林树种分布不均。高桥红树林保护区以木榄、白骨壤、红海榄和桐花树为主，桐花树是此区域的先锋物种，种群聚集度高，通常分布在研究区西北部和东南部靠近堤岸的地区；白骨壤主要分布在研究区东南部和中部河流的中低潮带；木榄和红海榄分布较少并与桐花树混合，无瓣海桑零星分布，与他人实地调查的物种分布情况相符[27]。安铺港红树林物种相对较少，桐花树同样是先锋物种并占据超60%的区域；无瓣海桑主要分布于研究区东南部河口三角洲。受广东省万亩级红树林示范区建设项目影响，徐闻县红树林绝对优势树种为白骨壤，符合本文实地调查情况。制图结果中主要的错分混分位于高桥红树林保护区内，木榄、白骨壤、红海榄和桐花树4类光学特征和结构特征较为相似的物种交错分布，无瓣海桑散落分布于区域内，对分类结果造成干扰。徐闻县红树林物种分布较为单一，错分混分较少。

5 讨论与结论

本研究梳理了多源遥感数据在红树林物种分类研究中的现状和不足，耦合基于Sentinel-1/2提取的光谱指数特征、雷达极化特征以及时序谐波谱特征，使用RFE算法进行特征优选，探索了适宜的分类时间窗口，量化了特征耦合和分类方法对分类性能的影响，构建了基于多源遥感影像特征耦合和集成学习的分类框架，最后采用光谱指数特征、时序谐波谱特征和雷达极化特征耦合输入集成学习方法MFEL模型进行红树林物种分类，提取红树林物种分布。
与已有的研究相比，本研究评估了物候信息在红树林物种分类中的适用性，引入基于光谱指数特征和雷达极化特征的时序谐波谱特征，描述了红树林物种随时间变化的特征。此外，本研究解释了多源遥感数据特征的重要性，确定了多源遥感数据应用于红树林物种分类研究的关键特征。然而，相较于现有的红树林物种分类研究，本文存在一定的不确定性： ① 样本数据采集不足，本研究仅区分了5类红树林物种，而Zhao等[16-17]在相同实验区区分了6类红树林物种，样本数据的不足在一定程度上影响了分类结果和分类精度； ② 基于红树林生态学角度，实验区均位于亚热带气候区，红树林物种的特性相对一致，未来应考虑不同气候带遥感特征对红树林物种分布的影响。
综上所述，本文以2021—2023年以湛江地区红树林物种为实验对象，实验结果表明：
（1） 结合Sentinel-1/2卫星数据的光谱指数特征、雷达极化特征和时序谐波谱特征可以获取更全面和准确的红树林物种间差异信息，有效实现红树林物种分类，2021—2023年平均OA为87.55%，Kappa系数为0.86。
（2） 对湛江地区红树林物种的研究表明，单独使用光谱指数特征和时序谐波谱特征的分类精度分别为64%和62%；雷达数据的单特征对红树林物种分类的精度为40%，不足以实现有效分类；最佳分类性能模型的时间度量显示，湛江红树林物种分类的最佳时间窗口是光学卫星数据的3月和7月，雷达数据的10—11月；选择合适的时间窗口不仅可以保证分类效果，还能有效降低特征数据维度，提高分类效率。
（3） 利用时间序列Sentinel-1 SAR和Sentinel-2多光谱影像，将基于RFE的集成学习分类方法与时序谐波谱特征相结合，对5种红树林物种分类性能最佳。RF和XGBoost分类方法对木榄和白骨壤的分类性能最优，平均精度在0.77~0.82之间；集成学习方法对木榄、白骨壤、无瓣海桑、桐花树和红海榄的分类平均精度在0.76~0.87之间。3类耦合特征输入集成随机森林和XGBoost方法的精度最高，最高可达88.03%，雷达数据弥补了光学卫星数据的不足，极化特征参与的多源特征耦合分类精度提升最高达12%。此外，使用湛江地区红树林物种样本训练分类模型并将其迁移至其他区域，物种分类精度分别为83.94%和82.77%，证明本研究采用的基于多源遥感影像特征耦合和集成学习算法的红树林分类框架具有良好的泛化能力。

感谢广东省海洋发展规划研究中心在实地调查和红树林物种数据上的支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Alongi D M. Carbon cycling and storage in mangrove forests[J]. Annual Review of Marine Science, 2014, 6:195-219. DOI:10.1146/annurev-marine-010213-135020

PMID

[2]
林鹏. 红树林[M]. 北京: 海洋出版社;1984.

[Lin P. Mangrove[M]. Beijing: China Ocean Press, 1984.]

[3]
Valiela I, Bowen J L, York J K. Mangrove forests: One of the world's threatened major tropical environments[J]. BioScience, 2001, 51(10):807-815. DOI:10.1641/0006-35 68( 2001)051

[4]
Jia M M, Wang Z M, Zhang Y Z, et al. Monitoring loss and recovery of mangrove forests during 42 years: The achievements of mangrove conservation in China[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 73:535-545. DOI:10.1016/j.jag.2018.07.025

[5]
周振超, 李贺, 黄翀, 等. 红树林遥感动态监测研究进展[J]. 地球信息科学学报, 2018, 20(11):1631-1643.

DOI

[Zhou Z C, Li H, Huang C, et al. Review on dynamic monitoring of mangrove forestry using remote sensing[J]. Journal of Geo-Information Science, 2018, 20(11):1631-1643.] DOI:10.12082/dqxxkx.2018.180247

[6]
卢元平, 徐卫华, 张志明, 等. 中国红树林生态系统保护空缺分析[J]. 生态学报, 2019, 39(2):684-691.

[Lu Y P, Xu W H, Zhang Z M, et al. Gap analysis of mangrove ecosystem conservation in China[J]. Acta Ecologica Sinica, 2019, 39(2):684-691.] DOI:10.5846/stxb201804080794

[7]
Fu B L, He X, Yao H, et al. Comparison of RFE-DL and stacking ensemble learning algorithms for classifying mangrove species on UAV multispectral images[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 112:102890. DOI:10.1016/j.jag.2022.102890

[8]
Lassalle G, Ferreira M P, Cué La Rosa L E, et al. Advances in multi- and hyperspectral remote sensing of mangrove species: A synthesis and study case on airborne and multisource spaceborne imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 195:298-312. DOI:10.1016/j.isprsjprs.2022.12.003

[9]
Wang L, Jia M M, Yin D M, et al. A review of remote sensing for mangrove forests: 1956-2018[J]. Remote Sensing of Environment, 2019, 231:111223. DOI:10.1016/j.rse.2019.111223

[10]
廖宝文, 张乔民. 中国红树林的分布、面积和树种组成[J]. 湿地科学, 2014, 12(4):435-440.

[Zhang Q M. Area, distribution and species composition of mangroves in China[J]. Wetland Science, 2014, 12(4):435-440.] DOI:10.13248/j.cnki.wetlandsci.2014.04.005

[11]
吴后建, 刘世好, 贺东北, 等. 中国红树林监测研究进展与展望[J]. 湿地科学与管理, 2022, 18(1):69-72.

[Liu S H, He D B, et al. Research progress and prospects of mangrove monitoring in China[J]. Wetland Science & Management, 2022, 18(1):69-72.] DOI:10.3969/j.issn.1673-3290.2022.01.16

[12]
Zhen J N, Mao D H, Shen Z, et al. Performance of XGBoost ensemble learning algorithm for mangrove species classification with multisource spaceborne remote sensing data[J]. Journal of Remote Sensing, 2024, 4:146. DOI:10.34133/remotesensing.0146

[13]
Giri C, Ochieng E, Tieszen L L, et al. Status and distribution of mangrove forests of the world using earth observation satellite data[J]. Global Ecology and Biogeography, 2011, 20(1):154-159. DOI:10.1111/j.1466-8238.2010.00584.x

[14]
Wang D Z, Wan B, Qiu P H, et al. Evaluating the performance of sentinel-2, landsat 8 and pléiades-1 in mapping mangrove extent and species[J]. Remote Sensing, 2018, 10(9):1468. DOI:10.3390/rs10091468

[15]
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.] DOI:10.11834/jrs.20221448

[16]
Zhao C P, Jia M M, Zhang R, et al. Distribution of mangrove species Kandelia obovata in China using time-series sentinel-2 imagery for sustainable mangrove management[J]. Journal of Remote Sensing, 2024, 4:143. DOI:10.34133/remotesensing.0143

[17]
Zhao C P, Jia M M, Zhang R, et al. Mangrove species mapping in coastal China using synthesized sentinel-2 high-separability images[J]. Remote Sensing of Environment, 2024, 307:114151. DOI:10.1016/j.rse.2024.114151

[18]
廖静娟, 王庆. 利用Radarsat-2极化雷达数据探测湿地地表特征与分类[J]. 国土资源遥感, 2009, 21(3):70-73.

[Liao J J, Wang Q. Wetland characterization and classification using polarimetric radarsat-2 data[J]. Remote Sensing for Land & Resources, 2009, 21(3):70-73.]

[19]
Fu B L, Liang Y Y, Lao Z N, et al. Quantifying scattering characteristics of mangrove species from Optuna-based optimal machine learning classification using multi-scale feature selection and SAR image time series[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 122:103446. DOI:10.1016/j.jag.2023.103446

[20]
Zhang M M, Li Z, Tian B S, et al. The backscattering characteristics of wetland vegetation and water-level changes detection using multi-mode SAR: A case study[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 45:1-13. DOI:10.1016/j.jag.2015.10.001

[21]
高常军, 蒋侠朋, 甄佳宁, 等. 耦合WorldView-2和珠海一号影像的红树林物种分布[J]. 遥感学报, 2022, 26(6):1155-1168.

[Gao C J, Jiang X P, Zhen J N, et al. Mangrove species classification with combination of worldview-2 and zhuhai-1 satellite images[J]. National Remote Sensing Bulletin, 2022, 26(6):1155-1168.] DOI:10.11834/jrs.20221487

[22]
吴培强, 任广波, 张程飞, 等. 无人机多光谱和LiDAR的红树林精细识别与生物量估算[J]. 遥感学报, 2022, 26(6):1169-1181.

[Wu P Q, Ren G B, Zhang C F, et al. Fine identification and biomass estimation of mangroves based on UAV multispectral and LiDAR[J]. National Remote Sensing Bulletin, 2022, 26(6):1169-1181.] DOI:10.11834/jrs.20221484

[23]
徐逸, 甄佳宁, 蒋侠朋, 等. 无人机遥感与XGBoost的红树林物种分类[J]. 遥感学报, 2021, 25(3):737-752.

[Zhen J N, Jiang X P, et al. Mangrove species classification with UAV-based remote sensing data and XGBoost[J]. National Remote Sensing Bulletin, 2021, 25(3):737-752.] DOI:10.11834/jrs.20210281

[24]
Cao J J, Liu K, Zhuo L, et al. Combining UAV-based hyperspectral and LiDAR data for mangrove species classification using the rotation forest algorithm[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102:102414. DOI:10.1016/j.jag.2021.102414

[25]
Zhen J N, Liao J J, Shen G Z. Mapping mangrove forests of Dongzhaigang nature reserve in China using landsat 8 and radarsat-2 polarimetric SAR data[J]. Sensors, 2018, 18(11):4012. DOI:10.3390/s18114012

[26]
Cai Y T, Li X Y, Zhang M, et al. Mapping wetland using the object-based stacked generalization method based on multi-temporal optical and SAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 92:102164. DOI:10.1016/j.jag.2020.102164

[27]
Long X R, Li X Y, Lin H, et al. Mapping the vegetation distribution and dynamics of a wetland using adaptive-stacking and Google Earth Engine based on multi-source remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102:102453. DOI:10.1016/j.jag.2021.102453

[28]
Jiang Y F, Zhang L, Yan M, et al. High-resolution mangrove forests classification with machine learning using worldview and UAV hyperspectral data[J]. Remote Sensing, 2021, 13(8):1529. DOI:10.3390/rs13081529

[29]
Li Q S, Wong F K K, Fung T. Mapping multi-layered mangroves from multispectral, hyperspectral, and LiDAR data[J]. Remote Sensing of Environment, 2021, 258:112403. DOI:10.1016/j.rse.2021.112403

[30]
Baloloy A B, Blanco A C, Ana R R C S, et al. Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 166:95-117. DOI:10.1016/j.isprsjprs.2020.06.001

[31]
Jia M M, Wang Z M, Wang C, et al. A new vegetation index to detect periodically submerged mangrove forest using single-tide sentinel-2 imagery[J]. Remote Sensing, 2019, 11(17):2043. DOI:10.3390/rs11172043

[32]
Yang G, Huang K, Sun W W, et al. Enhanced mangrove vegetation index based on hyperspectral images for mapping mangrove[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 189:236-254. DOI:10.1016/j.isprsjprs.2022.05.003

[33]
Wang M, Cao W Z, Guan Q S, et al. Assessing changes of mangrove forest in a coastal region of southEast China using multi-temporal satellite images[J]. Estuarine, Coastal and Shelf Science, 2018, 207:283-292. DOI:10.1016/j.ecss.2018.04.021

[34]
Zhu Z, Woodcock C E. Continuous change detection and classification of land cover using all available landsat data[J]. Remote Sensing of Environment, 2014, 144:152-171. DOI:10.1016/j.rse.2014.01.011

[35]
Torabzadeh H, Leiterer R, Hueni A, et al. Tree species classification in a temperate mixed forest using a combination of imaging spectroscopy and airborne laser scanning[J]. Agricultural and Forest Meteorology, 2019, 279:107744. DOI:10.1016/j.agrformet.2019.107744

[36]
Georganos S, Grippa T, Vanhuysse S, et al. Less is more: Optimizing classification performance through feature selection in a very-high-resolution remote sensing object-based urban application[J]. GIScience & Remote Sensing, 2018, 55(2):221-242. DOI:10.1080/15481603.2017.1408892

[37]
Healey S P, Cohen W B, Yang Z Q, et al. Mapping forest change using stacked generalization: An ensemble approach[J]. Remote Sensing of Environment, 2018, 204:717-728. DOI:10.1016/j.rse.2017.09.029

[38]
Polikar R. Ensemble learning[M]//Zhang C, Ma Y Q. eds. Ensemble Machine Learning. New York, NY: Springer New York, 2012:1-34. DOI:10.1007/978-1-4419-9326-7_1

[39]
陈粤超, 陈菁菁. 广东湛江红树林国家级自然保护区资源管理策略[J]. 湿地科学与管理, 2012, 8(1):17-19.

[Chen J J. A resource management strategy for the Zhanjiang mangrove national nature reserve[J]. Wetland Science & Management, 2012, 8(1):17-19.] DOI:10.3969/j.issn.1673-3290.2012.01.04

[40]
刘静, 马克明, 曲来叶. 广东湛江红树林国家级自然保护区优势乔木群落的物种组成及结构特征[J]. 生态科学, 2016, 35(3):1-7.

[Liu J, Ma K M, Qu L Y. Species composition and community structure of dominant mangrove forests in Zhanjiang mangrove national nature reserve, Guangdong Province[J]. Ecological Science, 2016, 35(3):1-7.] DOI:10.14108/j.cnki.1008-8873.2016.03.001

[41]
林康英, 张倩媚, 简曙光, 等. 湛江市红树林资源及其可持续利用[J]. 生态科学, 2006, 25(3):222-225.

[Zhang Q M, Jian S G, et al. Mangrove resource and sustainable development at Zhanjiang[J]. Ecological Science, 2006, 25(3):222-225.] DOI:10.3969/j.issn.1008-8873.2006.03.008

[42]
廖宝文, 郑松发, 陈玉军, 等. 外来红树植物无瓣海桑生物学特性与生态环境适应性分析[J]. 生态学杂志, 2004, 23(1):10-15.

[Zheng S F, Chen Y J, et al. Biological characteristics and ecological adaptability for non-indigenous mangrove species Sonneratia apetala[J]. Chinese Journal of Ecology, 2004, 23(1):10-15.] DOI:10.13292/j.1000-4890.2004.0003

Options
文章导航

/

〈 〉