GEE支持下联合植被物候特...学习的入侵植物互花米草提取_刘明月.pdf

测绘通报2023 年第 6 期引文格式:刘明月，郑浩，陈星彤，等 GEE 支持下联合植被物候特征与机器学习的入侵植物互花米草提取J 测绘通报，2023(6):36-43 DOI:10 13474/j cnki 11-2246 2023 0165GEE 支持下联合植被物候特征与机器学习的入侵植物互花米草提取刘明月1，2，3，4，郑浩1，2，陈星彤1，杨晓芜1，2，宋敬茹1，2，张永彬1，满卫东1，2，3，4(1 华北理工大学矿业工程学院，河北 唐山 063210;2 唐山市资源与环境遥感重点实验室，河北 唐山 063210;3 河北省矿区生态修复产业技术研究院，河北 唐山 063210;4 矿产资源绿色开发与生态修复协同创新中心，河北 唐山 063210)摘要:外来物种入侵威胁生物多样性，破坏生态系统的结构与功能。互花米草作为我国首批 16 种外来入侵物种名单中唯一的海岸盐沼植物，对其实现快速精准的识别对滨海湿地可持续发展与管理具有重要意义。本文基于 GEE 密集时序 Sentinel-2 影像，利用 HANTS 算法拟合 NDVI 时序曲线，采用 J-M 距离优选互花米草识别关键物候期，综合关键物候期 Sentinel-1 雷达、Sentinel-2 光学影像与 DEM 数据，构建光谱、雷达、地形、纹理特征集，分别采用支持向量机(SVM)、分类回归树(CART)、随机森林(RF)和梯度提升树(GTB)4 种方法实现盐城滨海湿地互花米草信息提取。研究表明:基于 HANTS 算法与 J-M 距离优选的互花米草识别关键物候期为成熟期和衰老初期(1011 月)，关键物候期内互花米草与土著植物的可分离性显著提高;利用关键物候期内多源特征集训练 SVM、CART、RF 与 GTB 分类器，互花米草 F1 值分别为 0.95、0.93、0.97、0.95，RF 分类效果最优;盐城湿地珍禽国家级自然保护区核心区现有互花米草面积为 3 741.86 hm2，占比 16.56%，互花米草斑块表现为点源和边界源扩散，侵占土著植物群落生态位，对盐城湿地珍禽国家级自然保护区生态平衡造成巨大威胁。本文依托于 GEE 云平台，联合植被物候特征和机器学习算法，综合利用多源遥感数据，能够准确、快速、高效地提取滨海湿地互花米草信息。关键词:GEE;互花米草;植被物候特征;J-M 距离;机器学习中图分类号:P237文献标识码:A文章编号:0494-0911(2023)06-0036-08Extraction of invasive plant Spartina alterniflora by combining vegetationphenological characteristics and machine learning supported by GEELIU Mingyue1，2，3，4，ZHENG Hao1，2，CHEN Xingtong1，YANG Xiaowu1，2，SONG Jingru1，2，ZHANG Yongbin1，MAN Weidong1，2，3，4(1 College of Mining Engineering，North China University of Science and Technology，Tangshan 063210，China;2 Tangshan KeyLaboratory of Resources and Environmental Remote Sensing，Tangshan 063210，China;3 Hebei Industrial Technology Institute ofMine Ecological Remediation，Tangshan 063210，China;4 Collaborative Innovation Center of Green Development and EcologicalRestoration of Mineral Resources，Tangshan 063210，China)Abstract:The invasion of alien species threatens biodiversity and destroys ecosystem structure and function As the only coastal saltmarsh plant in the list of the first 16 invasive alien species in China，the rapid and accurate identification of Spartina alterniflora(Salterniflora)is of great significance for the sustainable development and management of coastal wetlands Based on time-series Sentinel-2 images on the GEE，HANTS algorithm is used to fit the NDVI time-series curves，then J-M distance is used to preferentially selectthe key phenological periods of the S alterniflora Sentinel-1，Sentinel-2，and DEM datasets during the key phenological periods areintegrated to construct spectral，radar，topographic，and texture features On this basis，four machine learning methods:SVM，CART，RF and GTB are applied to extract S alterniflora in Yancheng coastal wetlands The results show that:the key phenologyextracted by HANTS algorithm and J-M distance optimization for S alterniflora identification are maturity and early senescence(OctoberNovember)，and the discrimination of S alterniflora from native plants in the key phenology is significantly improved;4 classifiers are trained based on multi-source features of the key phenology，the F1-score of S alterniflora classification resultedfrom SVM，CART，RF and GTB classifiers are 0.95，0.93，0.97 and 0.95，respectively，and RF had the best classification result;63收稿日期:2022-08-23基金项目:国家自然科学基金青年基金(41901375;42101393);河北省自然科学基金青年基金(D2019209322;D2022209005);河北省高等学校科学技术研究项目青年拔尖人才项目(BJ2020058);河北省引进留学人员资助项目(C20200103);唐山市科技计划重点研发项目(22150221J)作者简介:刘明月(1988)，女，博士，副教授，研究方向为滨海湿地生态遥感、入侵植物遥感监测。E-mail:liumy917 ncst edu cn通信作者:满卫东。E-mail:manwd ncst edu cn2023 年第 6 期刘明月，等:GEE 支持下联合植被物候特征与机器学习的入侵植物互花米草提取The existing area of S alterniflora in the core area of Yancheng Wetland Rare Bird National Nature Reserve(YNNR)is 3 741.86 hm2，accounting for 16.56%The patches of S alterniflora show point-source and community boundary-source diffusion，which occupy theecological niche of native plant communities and threaten the ecological balance of YNNR Based on the GEE cloud platform，combinedwith vegetation phenology characteristics and machine learning algorithms，this study utilized multi-source remote sensing data to extractS alterniflora information in coastal wetlands accurately，rapidly，and efficientlyKey words:Google Earth Engine;Spartina alterniflora;vegetation phenological characteristics;J-M distance;machine learning生物入侵作为全球变化的重要组成部分，已成为当今最棘手的环境问题之一1。滨海湿地生物多样性丰富、生产力高，是最具价值的生态系统之一，但受自然过程及人类活动的影响，滨海湿地也是极为敏感的生态脆弱区，对全球环境的变化十分敏感，极易被外来生物入侵2-3。原产于北美大西洋沿岸和墨西哥湾的互花米草于 1982 年在江苏沿海成功栽种，互花米草的快速扩张极大地改变了滨海湿地环境及竞争排斥，对滨海生态系统产生了严重的影响4。遥感技术已广泛应用于入侵植被的监测5-6。但滨海湿地复杂，植被群落间的光谱相似性较强，利用单一影像的分类效果不佳。植被物候信息可有效增强不同植物间的光谱可分性，从而提高湿地植被类型的分类精度7。目前，互花米草遥感识别的相关研究多利用 Landsat 数据，根据互花米草与土著植物不同生长期在植被指数等方面的差异，结合植被物候特征，构建表征植被物候特征的时间序列曲线，实现互花米草信息提取8-9。Landsat 影像时间分辨率较低，难以通过完整的时序数据获取滨海湿地植物群落准确的物候信息。Sentinel-2 遥感数据具有较高空间分辨率和时间分辨率，在中纬度海岸带区域表现出良好的互花米草提取效果。文献 10 基于 Sentinel-2 遥感时间序列植被物候特征对盐城湿地植被进行分类，其中互花米草生产者精度和用户精度均达到了 94%。但光学遥感数据易受云雨与潮汐因素影响，滨海地区光学数据时间分布稀疏且不均匀11。合成孔径雷达(SAR)具有全天时、全天候观测能力，可获取全年内完整时序影像，时序 SAR 数据能够反映滨海湿地中的水位波动和潮汐效应对滨海湿地群落信息提取的影响12，且与光学数据相结合可以检测地物类型的不同物理和光谱特征，提高植被群落遥感提取的精度13。尽管物候特征和多源数据的融合可增强入侵种和土著物种之间的光谱可分离性，但分类方法对于互花米草信息的高效准确提取尤为重要。机器学习算法可从复杂遥感数据构建的高维特征空间中提取有效信息，挖掘不同