程麗娜，鐘才榮，李曉燕，賈明明，王宗明，4，毛德華

1.吉林大學(xué)地球科學(xué)學(xué)院,長春130061;

2.海南省林業(yè)科學(xué)研究院（海南省紅樹林研究院）,海口571100;

3.中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所濕地生態(tài)與環(huán)境重點(diǎn)實(shí)驗(yàn)室,長春130102;

4.國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心,北京100101

1 引言

潮間帶是平均最高潮位和最低潮位間的海陸過渡地帶，是海平面上升等全球氣候變化的敏感區(qū)和影響顯著區(qū)（鮑毅新等，2007；胡嘉東等，2009；史本偉，2012）。潮間帶濕地作為濱海濕地的重要組成部分，在維持海岸線穩(wěn)定（萬峻等，2010）、提供生物棲息地（胡嘉東等，2009）、加速物質(zhì)交換（孟偉等，2009）和促進(jìn)碳匯（仲啟鋮等，2015）等方面都發(fā)揮著重要的作用。此外，通過圍墾潮間帶濕地發(fā)展農(nóng)業(yè)和水產(chǎn)養(yǎng)殖業(yè)可創(chuàng)造極高的經(jīng)濟(jì)效益（張文開，2001）。因此，受海岸侵蝕、海平面上升及人類活動的影響，潮間帶濕地生境面臨著嚴(yán)峻的威脅。及時(shí)準(zhǔn)確地掌握潮間帶濕地的現(xiàn)狀和演變規(guī)律，對實(shí)現(xiàn)潮間帶濕地的可持續(xù)管理目標(biāo)具有重要意義。

遙感技術(shù)的推陳出新為潮間帶濕地信息的分類提供了更多的機(jī)遇。局地尺度高精度潮間帶濕地制圖通常采用高空間分辨率遙感影像為數(shù)據(jù)源，如QuickBird、IKONOS、WorldView 以及無人機(jī)數(shù)據(jù)等（Neukermans 等，2008；Wang 等，2004；徐逸等，2021）。然而，由于上述數(shù)據(jù)的價(jià)格和可獲取性等原因，在大范圍潮間帶制圖的研究中常采用易獲取的Landsat系列或Sentinel系列衛(wèi)星遙感影像（宮鵬等，2016；宮鵬，2021；姚云長等，2016）。

周期性的潮水淹沒是潮間帶濕地制圖的最大挑戰(zhàn)，快速、準(zhǔn)確地獲得最高潮和最低潮時(shí)期的遙感影像是準(zhǔn)確提取潮間帶濕地信息的關(guān)鍵。近年來，國內(nèi)外學(xué)者在潮間帶濕地制圖方面開展了一系列研究。如，Murray 等（2012）依據(jù)區(qū)域潮汐模型，分別獲取高潮和低潮影像以確定瞬時(shí)水邊線，通過將二者疊加，進(jìn)行東亞濱海地區(qū)潮間帶灘涂的繪制。胥為（2017）融合Landsat 8 和Sentinel-1 數(shù)據(jù)，構(gòu)建基于專家知識的決策樹分類方法，對研究區(qū)潮間帶鹽沼濕地進(jìn)行分類制圖。Wang 等（2020）利用時(shí)間序列Landsat 影像，在GEE 平臺提出了一種基于像素和物候的算法，并制作了30 m 空間分辨率的中國濱海濕地地圖。Murray 等（2019）利用時(shí)間序列的Landsat 數(shù)據(jù)，在GEE 云平臺上開發(fā)了全球范圍內(nèi)包括灘涂、永久水體和其他3種土地覆蓋類型的訓(xùn)練數(shù)據(jù)集，應(yīng)用隨機(jī)森林算法獲取了具有灘涂時(shí)間序列的全球分布圖。董迪等（2020）結(jié)合分層分類與隨機(jī)森林算法，采用Sentinel-1/2 衛(wèi)星數(shù)據(jù)，實(shí)現(xiàn)了紅樹林與互花米草的自動提取。

GEE（Google Earth Engine）云平臺將Landsat/Sentinel 等可以公開獲取的遙感圖像數(shù)據(jù)存儲在谷歌的磁盤陣列中，使得GEE 用戶可以方便的提取、調(diào)用和分析海量的遙感大數(shù)據(jù)資源，為大尺度長時(shí)間序列遙感分析提供了巨大的潛力（Dong 等，2016）。例如，吳亞茜等（2018）基于GEE 云平臺提取MOD09A1 與Landsat 各數(shù)據(jù)源的時(shí)間序列數(shù)據(jù)，對鹽城潮間帶濕地鹽沼植被的多年遙感物候特征及變化進(jìn)行了分析；Li 等（2019）通過構(gòu)建Sentinel-2 時(shí)間序列的歸一化植被指數(shù)表征紅樹林物種物候軌跡特征，依托GEE 云平臺驗(yàn)證隨機(jī)森林算法對紅樹林物種分類的可行性；Tian等（2020）在GEE 云平臺開發(fā)了一種基于像素的物候特征合成方法（Ppf-CM），對比深度學(xué)習(xí)方法和支持向量機(jī)的性能，對1995年—2017年中國北部灣互花米草的空間分布變化進(jìn)行了研究。Xu 等（2021）通過GEE 平臺，提出了基于Sentinel-2 時(shí)間序列影像的像素合成物候植被指數(shù)法（PVI），并結(jié)合Otsu閾值，實(shí)現(xiàn)互花米草與其他土地覆蓋類型的區(qū)分。Jia 等（2021）基于GEE 平臺，選用Sentinel-2 數(shù)據(jù)，結(jié)合最大光譜指數(shù)合成算法（MSIC）和Otsu算法（OA），繪制了10 m 空間分辨率的中國灘涂分布圖。然而，目前尚缺乏基于Sentinel-2 和GEE云平臺的潮間帶濕地自動分類研究。

綜上，本研究的目的是實(shí)現(xiàn)基于Sentinel-2 和GEE 云平臺的潮間帶濕地自動、高精度提取。為實(shí)現(xiàn)這一目標(biāo)，本文將從以下3點(diǎn)展開：（1）構(gòu)建高質(zhì)量密集時(shí)序Sentinel-2 影像堆棧；（2）基于GEE 云平臺開發(fā)一種自動、快速、高精度的潮間帶濕地信息分類方案；（3）以福建漳江口潮間帶為研究區(qū)，驗(yàn)證該方案的可行性。

2 研究區(qū)及數(shù)據(jù)

2.1 研究區(qū)概況

本研究的研究區(qū)是漳江口紅樹林國家級自然保護(hù)區(qū)，位于福建省漳州市云霄縣（圖1），23°54′17″N—23°57′29″N，117°23′53″E—117°27′33″E，海拔-6—8 m。研究區(qū)為亞熱帶海洋季風(fēng)氣候，光、熱、水資源豐富。受不正規(guī)半日潮影響，平均潮差為2.33 m，最大潮差為4.66 m。保護(hù)區(qū)于1992年建立，1997年由縣級自然保護(hù)區(qū)升級為省級自然保護(hù)區(qū)，2003年晉升為國家級自然保護(hù)區(qū)，2008年被列入《國際重要濕地目錄》，總面積2360 hm2，其中核心區(qū)面積700 hm2，緩沖區(qū)460 hm2，實(shí)驗(yàn)區(qū)1200 hm2。區(qū)內(nèi)潮間帶濕地類型有灘涂、紅樹林和互花米草，另外區(qū)內(nèi)還有水體和養(yǎng)殖池兩種土地覆蓋類型（非潮間帶濕地）。紅樹林作為當(dāng)?shù)刂攸c(diǎn)保護(hù)的資源，集中分布在核心區(qū)南側(cè)，主要樹種有秋茄、桐花樹、白骨壤等。近年來，該區(qū)互花米草入侵形勢嚴(yán)峻，擴(kuò)張速度和面積均居國內(nèi)前列。

圖1 研究區(qū)與驗(yàn)證點(diǎn)分布Fig.1 Study area and field samples

2.2 數(shù)據(jù)獲取與處理

2.2.1 Sentinel-2影像

Sentinel-2包括兩顆極地軌道衛(wèi)星（2015-06發(fā)射的Sentinel-2A和2017-03發(fā)射的Sentinel-2B），單顆衛(wèi)星的重訪周期為10 d，組合的雙星重訪周期為3—5 d。Sentinel-2 衛(wèi)星搭載的多光譜成像儀（MSI），包含可見光、近紅外至短波紅外的13個(gè)光譜波段，波段參數(shù)信息見表1?？焖僦卦L和豐富的光譜信息為連續(xù)、快速、大范圍地監(jiān)測地球表面資源環(huán)境變化提供了新的契機(jī)。GEE 平臺可直接訪問 Sentinel-2 level-1C（L1C）和 level-2A（L2A）兩個(gè)處理級別的數(shù)據(jù)產(chǎn)品。本研究所采用的Sentinel-2 數(shù)據(jù)都是L2A 產(chǎn)品，該產(chǎn)品主要包含經(jīng)過大氣校正的地表反射率數(shù)據(jù)。

表1 Sentinel-2 MSI波段參數(shù)信息Table 1 Sentinel-2 band parameter information

2.2.2 實(shí)地調(diào)查數(shù)據(jù)

實(shí)地調(diào)查工作開展于2020-11-12—25。研究人員使用RTK-GPS 深入研究區(qū)進(jìn)行土地覆蓋類型采樣，記錄相應(yīng)位置的地物信息，包括土地覆蓋類型、植被類型、樹高、潮汐條件等。對于人力難以抵達(dá)的地區(qū)，采用無人機(jī)航拍進(jìn)行調(diào)查。精靈PHANTOM 4 RTK 飛行拍攝的航高200 m，航向重疊90%，旁向重疊70%，采集的圖像空間分辨率5 cm。研究區(qū)北岸的驗(yàn)證點(diǎn)采集于高空間分辨率谷歌地球影像。最終，采集濕地調(diào)查樣點(diǎn)200 個(gè)，其中紅樹林、互花米草、灘涂各60 個(gè)，水體20個(gè)，空間分布見圖1（b）。

3 研究方法

3.1 總體思路

圖2是本文構(gòu)建的自動、快速、高精度提取灘涂、互花米草和紅樹林的方法流程，主要包括以下幾個(gè)步驟：（1）基于GEE云平臺，構(gòu)建高質(zhì)量密集時(shí)序Sentinel-2 影像堆棧（詳見3.3 節(jié)）；（2）深入分析潮間帶濕地的時(shí)間序列變化特征，選取適合的光譜指數(shù)，基于MSIC 算法，從高質(zhì)量時(shí)序數(shù)據(jù)集中分別合成最大水面、最小水面影像以及植被差異增強(qiáng)影像（詳見3.4 節(jié)）；（3）基于Otsu 算法的多層決策樹自動分類模型，由簡單到復(fù)雜分層提取不同潮間帶濕地（詳見3.5節(jié)）。

圖2 潮間帶濕地分類流程圖Fig.2 Workflow of intertidal wetland classification

3.2 MSIC算法和Otsu算法

GEE API中提供了“imageCollection.qualityMosaic（）”，即最大光譜指數(shù)合成算法（MSIC）。MSIC通過選用一個(gè)質(zhì)量波段作為逐像素排序函數(shù)，提取該像元指定波段疊加排序后最大值的數(shù)據(jù)，質(zhì)量波段作為最終合成影像中每個(gè)像素的像素源。進(jìn)一步詳細(xì)解釋可見https：//developers.google.com/earth-engine/guides/ic_composite_mosaic［2021-05-21］。

Otsu算法，又名最大類間方差法（汪政輝等，2019），是Otsu（1975）提出的一種自動選擇閾值的非參數(shù)方法。根據(jù)影像的灰度特性，將圖像分割成背景和前景兩類，選擇使其類間方差最大、類內(nèi)方差最小的分割閾值為最優(yōu)閾值，進(jìn)行圖像的自動二值分類。

3.3 構(gòu)建高質(zhì)量密集時(shí)序Sentinel-2影像堆棧

構(gòu)建高質(zhì)量密集時(shí)序Sentinel-2 影像堆棧，實(shí)質(zhì)是去除時(shí)間序列影像集合中的云像素，流程如下：首先，在GEE 中調(diào)用2020年全年所有覆蓋研究區(qū)的Sentinel-2 L2A 產(chǎn)品，建立研究區(qū)初始密集時(shí)間序列影像集合；然后，利用QA60 波段去識別和掩膜初始密集時(shí)間序列集合中的厚云和卷云像素以獲得高質(zhì)量觀測。新的時(shí)間序列影像集合稱為高質(zhì)量密集時(shí)序Sentinel-2 影像堆棧。以上步驟全部在GEE 平臺完成，經(jīng)過計(jì)算，2020年漳江口紅樹林保護(hù)區(qū)內(nèi)每個(gè)像素的高質(zhì)量觀測次數(shù)（即有效觀測數(shù)量）為53—68（圖3，即2020年每個(gè)像素所在空間位置有53—68次有效重訪數(shù)據(jù)）。

圖3 2020年研究區(qū)有效觀測數(shù)量的空間分布Fig.3 Spatial distribution of the number of effective observations over the study area in 2020

3.4 影像合成

根據(jù)Jia等（2021）和Duan等（2020）的研究結(jié)果，改進(jìn)的歸一化差異水體指數(shù)mNDWI（modified Normalized Difference Water Index）增強(qiáng)了堤壩、道路、池塘外緣等人工岸線與水體的差異，在提取潮間帶和內(nèi)陸地表水覆蓋方面優(yōu)于歸一化差異水體指數(shù)NDWI（Normalized Difference Water Index）。為了抑制養(yǎng)殖池等其他類型背景水體的影響，本研究選用mNDWI 進(jìn)行水體信息的提取。另外，非水（植被和灘涂）像素的歸一化差分植被指數(shù)NDVI（Normalized Difference Vegetation Index）值高于水像素的NDVI 值，創(chuàng)建NDVI 最大光譜指數(shù)合成影像，可用于提取最小水面（Jia 等，2021）。該合成影像不僅可以增強(qiáng)植被和水體的差異，還可以去除海水周期性淹沒對灘涂提取的影響，有效地將灘涂與水體分離。本研究直接采用mNDWI和NDVI 這兩個(gè)指數(shù)構(gòu)建MSIC 合成影像，生成最大（圖4（a））和最小水面（圖4（c））影像。本研究中，最大水面影像獲取的是全年中研究區(qū)水面的最大覆蓋范圍，即最高潮；最小水面影像獲取的是全年研究區(qū)水面的最小覆蓋范圍，即最低潮。

圖4 潮間帶合成影像及濕地自動分類各步驟結(jié)果Fig.4 Composite image of intertidal zone and results of each step of automatic wetland classification

在區(qū)分紅樹林和互花米草方面，本研究對兩種植被的NDVI 時(shí)間序列變化特征進(jìn)行分析。首先，采用時(shí)間序列諧波分析法HANTS（Harmonic Analysis of Time Series）對紅樹林和互花米草的NDVI時(shí)序曲線進(jìn)行濾波和插值，結(jié)果如圖5所示。互花米草與紅樹林具有明顯不同的NDVI時(shí)序特征。紅樹林是常綠木本植物，全年NDVI 值較高；互花米草的NDVI曲線存在明顯的季節(jié)變化。6—10月，互花米草處于生長最旺盛狀態(tài)，紅樹林和互花米草的NDVI 差異較小。春冬季節(jié)，互花米草NDVI值較低，與紅樹林存在明顯差異。

圖5 2020年研究區(qū)典型像素的NDVI時(shí)間剖面及諧波分析（HANTS）Fig.5 NDVI time profile and harmonic analysis of typical pixels in the research area in 2020（HANTS）

MSIC 算法合成的影像，每個(gè)像素均是所選光譜指數(shù)的最大值像素，因此直接采用NDVI 進(jìn)行合成，合成影像中的紅樹林和互花米草像素值相似。值得聲明的一點(diǎn)是，本研究進(jìn)行MSIC 合成時(shí)均采用原始時(shí)序NDVI。因此，需要構(gòu)建一個(gè)新的指數(shù)，該指數(shù)的最大值可以區(qū)分紅樹林和互花米草。通過分析這兩種濕地類型的NDVI 時(shí)序曲線，本研究構(gòu)建了負(fù)NDVI 指數(shù)?；谪?fù)NDVI 指數(shù)進(jìn)行MSIC 合成時(shí)，合成影像中的每個(gè)像素是紅樹林和互花米草NDVI 值最低的像素，如圖5所示，紅樹林的NDVI 最低值和互花米草的NDVI 最低值相差較大。因此，該指數(shù)的MSIC 合成影像可以較好的區(qū)分這兩種植被，該合成影像命名為植被差異增強(qiáng)影像（圖4（f））。

3.5 基于Otsu的潮間帶濕地自動分類

3.5.1 灘涂和水面分類

在本研究中，將灘涂定義為高潮與低潮之間的淤泥質(zhì)或沙質(zhì)無植被海岸。首先，應(yīng)用Otsu 算法對“最大水面影像”的mNDWI 波段進(jìn)行二值分割，自動生成二元分類結(jié)果，即水體和非水體，獲得了年度最大地表水覆蓋。由于mNDWI 有效地抑制了這些水面周圍的人工岸線，內(nèi)陸水面與潮間帶區(qū)域水面沒有直接相連?？紤]到灘涂與海水密切相接，因此，通過保留最大面積水體斑塊的方法獲得“潮間帶最大水面”（圖4（b）），即灘涂的潛在區(qū)域，以除去養(yǎng)殖池、內(nèi)陸湖泊等水體對潮間帶灘涂提取的影響。其次，用“潮間帶最大水面”掩膜提取“最小水面影像”（圖4（c）），得到“最大潮水淹沒區(qū)”影像（包括灘涂、海水及淹沒植被），通過Otsu算法選取NDVI閾值去除淹沒植被覆蓋區(qū)，獲得僅剩“灘涂海水影像”（圖4（d）），采用Otsu 算法對NDVI進(jìn)行二值分割，可實(shí)現(xiàn)灘涂和水體的自動分類（圖4（e））。

3.5.2 紅樹林與互花米草的分類

“最小水面影像”（圖4（c））中，通過Otsu算法選取NDVI閾值，得到植被和非植被兩種類型，然后用海岸線數(shù)據(jù)裁剪植被區(qū)，得到潮間帶植被區(qū)（紅樹林和互花米草）。將選取負(fù)NDVI 值進(jìn)行MSIC 合成，生成潮間帶“植被差異增強(qiáng)影像”（圖4（g））。最后，應(yīng)用Otsu 算法對“植被差異增強(qiáng)影像”進(jìn)行二值分割，選取負(fù)NDVI 做為閾值特征波段，實(shí)現(xiàn)紅樹林與互花米草的自動分類（圖4（h））。

4 結(jié)果與討論

4.1 漳江口紅樹林保護(hù)區(qū)潮間帶濕地分類精度

本研究利用采集的驗(yàn)證樣點(diǎn)對潮間帶濕地分類結(jié)果進(jìn)行驗(yàn)證，得到的混淆矩陣如表2所示。灘涂的制圖精度最小，水體的用戶精度最低，一方面是因?yàn)椴荒艽_保獲取絕對最低潮、最高潮時(shí)期的Sentinel-2 數(shù)據(jù)，致使灘涂的漏分現(xiàn)象多于其他地物，另一方面因?yàn)闉┩颗c水體交界處既有少量灘涂又有部分海水，容易造成二者之間的混分。紅樹林和互花米草的制圖精度和用戶精度均達(dá)到95%以上，主要是由于NDVI 可以很好的突出植被與灘涂、水體的差異，減少了灘涂與水體對植被信息提取的干擾，且通過負(fù)NDVI 最大值合成影像提供的物候信息增強(qiáng)了紅樹林與互花米草的特征差異，漏分及錯(cuò)分現(xiàn)象明顯減少。本研究總體精度為96.5%，Kappa 系數(shù)為0.95，表明本文分類結(jié)果和驗(yàn)證數(shù)據(jù)具有很好的一致性。

表2 混淆矩陣及精度分析Table 2 Classification confusion matrix and precision analysis

4.2 漳江口潮間帶濕地空間分布特征

2020年漳江口紅樹林自然保護(hù)區(qū)內(nèi)紅樹林、互花米草、灘涂和水體的面積分別為82.46 hm2、218.26 hm2、496.84 hm2和401.90 hm2。此處聲明一點(diǎn)：由于水體經(jīng)過“最大面積水體斑塊提取”，最終獲取的不是完整的潮間帶水面，但該水體結(jié)果可以用來驗(yàn)證本研究精度。由圖6可以看出，灘涂作為區(qū)域內(nèi)最豐富的資源，分布于紅樹林、互花米草的外緣。漳江口紅樹林分布較為集中，主要分布于研究區(qū)西南岸邊。而互花米草分布于紅樹林的外緣與灘涂直接相連，在漳江口的南北兩側(cè)均有分布，南側(cè)互花米草斑塊面積大、整體性較好，北側(cè)則沿海岸呈條帶狀分布。

圖6 漳江口保護(hù)區(qū)內(nèi)潮間帶濕地分類結(jié)果Fig.6 Classification results of intertidal wetland in the Zhangjiang Estuary

4.3 MSIC和Otsu方法的優(yōu)勢

本研究基于GEE 云平臺，構(gòu)建高質(zhì)量密集時(shí)序Sentinel-2 影像堆棧，結(jié)合MSIC 和Otsu 算法（MSIC-Otsu），實(shí)現(xiàn)了潮間帶濕地信息的自動分類。本研究中潮間帶濕地的成功分類主要?dú)w因于以下3個(gè)因素，即Sentinel-2數(shù)據(jù)的優(yōu)勢、穩(wěn)健的MSICOtsu算法以及GEE海量的數(shù)據(jù)庫與云計(jì)算能力。

Sentinel-2 數(shù)據(jù)的優(yōu)勢。在開源數(shù)據(jù)中，Sentinel-2 是時(shí)空分辨率最高的衛(wèi)星數(shù)據(jù)。其較短的重訪周期，為構(gòu)建高質(zhì)量密集時(shí)序影像堆棧提供了可能，大大增加了獲取最高和最低潮時(shí)期影像的機(jī)會，為處于不斷動態(tài)變化的潮間帶濕地監(jiān)測提供了巨大的潛力；更精細(xì)的空間分辨率不僅可以獲取更多的空間細(xì)節(jié)，同時(shí)也減少了混合像元；其豐富的波段信息，也為潮間帶濕地植被的監(jiān)測提供了更廣闊的應(yīng)用潛力。

穩(wěn)健的MSIC-Otsu 算法。本研究結(jié)合MSIC 和Otsu 算法進(jìn)行潮間帶濕地信息自動、快速、高精度的分類，該方法具有以下4 個(gè)優(yōu)勢：（1）MSICOtsu為全自動的分類方法，與現(xiàn)有的潮間帶濕地分類方法相比，不依賴于訓(xùn)練樣本、人工設(shè)定閾值等，魯棒性強(qiáng)，具有廣泛應(yīng)用的潛力；（2）MSIC算法是基于像素合成影像的方法，即使某景影像存在云等噪音像素，也可合成高質(zhì)量的影像，在一定程度上可以緩解濱海地區(qū)影像稀缺的影響；（3）由于灘涂和植被的NDVI 均大于云的NDVI，因此基于MSIC 算法合成的最低潮影像可以避免云噪聲像素對其產(chǎn)生影響；（4）本研究選用MSIC 算法代替了傳統(tǒng)的目視選取最低潮影像的方法，該算法通過選取指定波段最大值的像素合成一景影像，即每個(gè)像素均代表指定波段的極端值，不僅可以解決因潮汐作用引起的潮位不確定性問題，同時(shí)也可以提供充足的植被物候信息，為潮間帶濕地分類提供有效手段。

GEE 海量的數(shù)據(jù)庫與云計(jì)算能力。GEE 服務(wù)器支持用戶快速訪問、調(diào)用和分析在線存檔的Sentinel-2 數(shù)據(jù)集產(chǎn)品，并采用實(shí)時(shí)分布式并行計(jì)算模型（Gorelick 等，2017），提高了潮間帶濕地分類的時(shí)效性。

4.4 研究方法的不足

首先，盡管構(gòu)建了高質(zhì)量的密集時(shí)序影像堆棧，但是很難確保衛(wèi)星會在絕對最低潮和最高潮位時(shí)拍攝影像，這也是本研究能否對潮間帶濕地進(jìn)行精確分類的重要影響因素之一；其次，由于在GEE 平臺僅可獲取2017-03 以后的Sentinel-2 L2A 產(chǎn)品，因此無法提供更為廣泛的歷史觀測數(shù)據(jù)，且受制于Sentinel-2 系列數(shù)據(jù)的空間分辨率，難以識別低于10 m 的斑塊；再者，本研究不能確保經(jīng)過云掩膜后，每個(gè)像元都含有充足的無云觀測以獲取地物的關(guān)鍵信息；此外，mNDWI 并不能完全抑制過濕甚至常年被海水淹沒的養(yǎng)殖池堤壩區(qū)域，這也是本研究部分海水養(yǎng)殖池存在錯(cuò)誤分類的原因。

5 結(jié)論

本文基于GEE 平臺構(gòu)建高質(zhì)量密集時(shí)序Sentinel-2 影像堆棧，深入分析潮間帶濕地的時(shí)間序列變化特征，選取適合的光譜指數(shù)，結(jié)合MSIC和Otsu 算法實(shí)現(xiàn)了漳江口潮間帶濕地的快速自動分類，主要得出以下結(jié)論：

（1）本研究構(gòu)建的MSIC-Otsu算法得到的漳江口紅樹林自然保護(hù)區(qū)內(nèi)的潮間帶濕地的總體分類精度為為96.5%，Kappa 系數(shù)為0.95。2020年漳江口紅樹林自然保護(hù)區(qū)內(nèi)，紅樹林、互花米草和灘涂的面積分別為82.46 hm2、218.26 hm2和496.84 hm2。

（2）高質(zhì)量密集時(shí)序Sentinel-2 影像堆棧，一方面增加了獲得最高潮、最低潮影像的機(jī)會，并可以自動、快速的合成最高潮和最低潮影像；另一方面，為紅樹林與互花米草分類提供了關(guān)鍵物候信息。

（3）結(jié)合mNDWI 最大值合成影像和提取最大面積斑塊的方法，在抑制養(yǎng)殖池、堤壩及內(nèi)陸水體方面取得了較好的效果。NDVI 最大值合成影像很好地突出了灘涂與植被、水體的差異；負(fù)NDVI最大值合成影像增強(qiáng)了紅樹林與互花米草的特征差異，為二者的分類奠定了基礎(chǔ)?；贠tsu 算法的多層決策樹自動分類模型，實(shí)現(xiàn)了研究區(qū)潮間帶濕地的快速自動分類。

志 謝感謝廈門大學(xué)博士生郭先仙，中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所博士生張蓉，吉林大學(xué)碩士生聞馨，延邊大學(xué)碩士生陳高在野外調(diào)查中的辛苦工作！