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，挖掘不同地物间的细微差别14。文献 15 利用面向对象结合 SVM 算法提取了中国大陆沿海地区 2015 年互花米草分布数据集。文献 16 联合 Sentinel-1 和 Sentinel-2 影像利用 RF 算法提取了 20162018 年漳江口的红树林与互花米草空间分布。但传统计算机难以满足海量遥感数据处理及机器学习模型参数优化所需的存储与计算资源。而 GEE(Google Earth Engine)云平台具有高效处理地理空间数据的能力17，对于区域尺度融合多源数据的密集时序影像处理与分类效率明显提高，且集成多种算法，针对长时序互花米草监测具有显著优势。本文以我国滨海地区盐沼植物丰富的盐城湿地珍禽国家级自然保护区核心区为研究区，基于GEE 云平台利用物候学算法识别互花米草提取关键物候期，综合 Sentinel-1 雷达、Sentinel-2 光学影像与 DEM 数据构建分类特征集合，并探索 SVM、CART、RF 和 GTB 4 种机器学习算法对于复杂背景下入侵植物互花米草的识别能力。1研究区和数据源1.1研究区概况盐城湿地珍禽国家级自然保护区位于江苏中部沿海地区，是我国最大的滩涂湿地保护区之一，主要保护丹顶鹤等珍稀野生动物及其赖以生存的滩涂湿地生态系统，于 2002 年入选拉姆塞尔国际重要湿地名录(编号:1156)。核心区南以斗龙河北岸为界，北至新洋河南岸，面积为 22 596 hm2(如图 1 所 示)。该 区 年 平 均 气 温 为 13.7 14.8，年降水量为 9001100 mm，淤积淤长型海岸带孕育着丰富多样的滩涂湿地生态系统。自1982 年引种以来，互花米草迅速扩张，并已形成优势群落，沿海岸带分布，海 陆 方 向 最 大 宽 度 达4 km，区内主要景观类型为芦苇、碱蓬、互花米草、河流、坑塘和滩涂。1.2数据与预处理本文基于 GEE 平台在线调用并处理 Sentinel-173测绘通报2023 年第 6 期SAR GRD 数据、Sentinel-2 MSI Level-2A 大气表观反射率产品和 SRTM DEM 数据。选取 Sentinel-1 SAR GRD 2021 年全年的 VV 和VH 极化数据，并经过热噪声去除、辐射定标、地形校正等预处理。为提高 GEE 分类器运行效率，避免多特征导致的内存溢出，逐月求取 Sentinel-1 数据VV 和 VH 的平均值，以获取 2021 年 Sentinel-1 月度均值数据集(MM_VV、MM_VH)。图 1研究区位置Sentinel-2 MSI Level-2A 大气表观反射率产品已经过大气校正和几何校正预处理。筛选出可见光、近红外、红边和短波红外 10 个波段影像，将20 m 空间分辨率波段重采样至 10 m，构成 2021 年Sentinel-2 数据集。选取 20202021 年共 147 景优质 Sentinel-2 影像构建密集时间序列 Sentinel-2 NDVI 数据集。SRTM 地形数据是来自于航天飞机雷达地形任务的 1(约 30 m)空间分辨率的高程数据，基于 GEE平台计算坡度的空间分布，并重采样至 10 m。1.3样本点设置结合野外调查样点、文献搜集和 Google Earth高分辨率影像判读，将研究区地物类型划分为:互花米 草(Spartina alterniflora，SA)、碱 蓬(Suaedasalsa，SS)、芦苇(Phragmites australis，PA)、河流/坑塘(river and pond，RP)、海面(seawater，Sea)和滩涂(mudflat，MF)，共获取 737 个地物类型样本点(如图 1 所示)。其中，分别随机选取 306 个样本点用于训练机器学习模型，131 个验证样本点计算最佳参数，400 个测试样本点测试模型分类精度。2研究方法基于 GEE 平台利用 Sentinel-2 NDVI 数据集和时间序列谐波分析(har monic analysis of time series，HANTS)算法构建研究区植被物候曲线，采用 J-M(Jeffries-Matusita)距离优选互花米草提取关键物候期;继而获取关键物候期雷达、光谱、纹理特征，综合利用地形数据构建特征集，训练并验证各训练机器学习模型对于互花米草信息提取能力。具体流程如图 2 所示。2.1植被物候曲线拟合HANTS 算法采用傅里叶变换(FFT)和最小二乘法作为拟合核心算法，对 Sentinel-2 NDVI 数据集进行平滑和滤波处理，既能充分利用遥感影像的时空特性，又能充分考虑植被自然生长周期和数据本身的双重特征。对时间序列 NDVI 影像进行重构，真实反映植被的周期性变化规律18。用于重建遥感数据时间序列时，基本公式为?y(tj)=a0+nfi=1 aicos(2fitj)+bisin(2fitj)(1)y(tj)=?y(tj)+(tj)(2)式中，y、?y和分别为原始序列、重构序列和误差序列;tj(j=1，2，N)为获得 y 的时间中的最大观察值数。832023 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图 2技术流程2.2植被群落可分离性评估植被群落可分离性是决定互花米草提取准确度的关键因素。为确定互花米草提取关键物候时期，选择 2021 年每个月份的合成数据计算 NDVI 并进行评估。J-M 距离作为一种被广泛认可的光谱可分离性度量19，被用于量化互花米草和碱蓬、芦苇之间各自的光谱可分离性。J-M 距离随着光谱可分离性的增加而渐近于 2.0，较大的 J-M 距离代表互花米草与其他植物之间较大的类间距离，有利于分类20。2.3特征集构建参考相关文献、结合专家知识和目视检查，本文综合利用 Sentinel-1、Sentinel-2 影像及 DEM 数据构建雷达特征、光谱特征、植被指数、水体指数、红边指数、纹理特征和地形特征集(见表 1)。表 1特征集数据来源特征子集变量简称Sentinel-1雷达特征MM_VV、MM_VH光谱特征Blue、Green、Red、Red Edge 1、Red Edge 2、Red Edge 3、NIR、Red Edge 4、SWIR 1、SWIR 2Sentinel-2植被指数水体指数NDVI、EVI、DVI、RVILSWISRTM红边指数NDVIre1、NDVIre2、NDVIre3、NDre1、NDre2、CIre纹理特征NIR_Entropy、NIR_SAVG地形特征Elevation、Slope2.4机器学习算法(1)SVM 算法是一种有监督的非参数统计学习技术，适用于遥感影像的非线性、高维空间分类。径向基函数(RBF)已被证明在遥感影像处理中优于其他内核21。其中，cost(C)和 gamma(g)起重要93测绘通报2023 年第 6 期作用。本文基于 131 个验证样本通过网格搜索法验证总体分类精度(VOA)，确定最优参数为 C=100 000 和 g=1。(2)CART 算法的基本原理为，通过测试变量和目标变量集对训练数据进行循环分析，形成二叉树的决策树结构，已被广泛应用于遥感领域22。(3)RF 算法基于 bootstrap 采样，是 bagging 的扩展变体。该分类器需要设置树的个数(ntree)和每棵树中节点的个数(mtry)两个超参数。RF 具有算法简单、计算效率高、适用于大量特征参数、有效解决冗余问题等优势，对于复杂的湿地分类表现良好23。本文设置 mtry 为特征数量的平方根，通过测试不同ntree 数值(5300 棵)训练模型，并基于 131 个验证样本总体精度(VOA)结果设置 ntree 为 30。(4)GTB 算法使用梯度下降作为优化算法以最小化损失函数24。它通过顺序训练几个弱学习器进行工作，这些弱学习器是浅层决策树。损失函数与模型相关联，因此每次添加新树时，它都会最小化损失函数。GTB 的分类性能受参数调整的影响很大。本 文 使 用 GEE 设 置 的 默 认 参 数:“leastabsolute deviation”作为损失函数，收缩率为 0.005，采样率为 0.007，ntree 基于 VOA 结果设置为 20。2.5精度评价基于 400 个测试样本点利用混淆矩阵对研究区分类结果进行精度评价，计算总体精度(OA)、生产者精度(PA)、用户精度(UA)、和 F1 得分(F1-score)。3结果与分析3.1互花米草提取关键物候时期采用 HANTS 方法构建互花米草、碱蓬、芦苇植被群落 20202021 年 NDVI 时间序列，获取了平滑的植被物候曲线(如图 3 所示)。3 种植被群落均呈双峰趋势，经历了两个生长季。12 月 3 种植被群落均处于休眠时期内(如图 4 所示)，NDVI 值较低。5 月上旬，碱蓬处于快速生长期，芦苇进入返青期，NDVI 值呈现持续上升的趋势;而互花米草依旧处于休眠期，光谱差异较大。5 月下旬，互花米草植株进入返青期，与土著植物的光谱差异减小。10 月互花米草物候曲线达到峰值，标志着互花米草进入成熟期;而此时碱蓬物候曲线逐渐趋于平缓，已进入衰老末期，芦苇物候曲线大幅下降，表明芦苇在10 月同样处于衰老期，与互花米草光谱差异明显。11 月土著植物处于衰老末期或休眠期;互花米草结束成熟期，初步进入衰老初期，与土著植物光谱差异最为显著。12 月互花米草与土著植物光谱差异同样较显著，土著植物生长季结束，而互花米草依旧处于生长季末期。植被物候曲线观察到的这些物候特征表明，5 月上旬(休眠期)、10 月(成熟期)、1112 月(衰老期)是区分盐城滨海湿地互花米草与碱蓬和芦苇的 3 个关键物候时期。图 3盐城湿地植被群落物候曲线图 4盐城湿地植被群落物候时期表 2 为基于 NDVI 的互花米草与碱蓬和芦苇之间不同月份的可分离性统计。对于互花米草和碱蓬，在碱蓬生长期和互花米草休眠时(35 月上旬)获取的 NDVI 均取得了较高的 J-M 值(1.41.74);与生长期相比，使用 1011 月影像统计的光谱可分离性表明，互花米草成熟期和衰老初期更适合区分互花米草和碱蓬(J-M 值:1.841.89);同样，对于互花米草和芦苇，使用 1011 月影像统计的光谱可分离性取得了较高的 J-M 值(1.651.76)。经过进一步比对互花米草与土著植物群落的 J-M 均值，互花米草成熟期和衰老初期(1011 月)高于其他物候时期。将互花米草成熟期和衰老初期的影像进行组合计算得到 J-M 值分别为:SS(1.97)、PA(1.85)、均值(1.91)。这证实了在两个不同的物候阶段获得的影像的组合增加了类间距离，从而增强了互花米草与碱蓬、芦苇之间的光谱分离性。此外，已有研究表明，互花米草生境的营养水平存在空间异质性9，互花米草群落在同一时期可能会处于不同的生长阶段，以及显著不同的光谱特征，而042023 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两个物候时期的组合，可以极大地改善空间异质性带来的影响。12 月和 5 月上旬的可分离性表明，互花米草衰老后期和芦苇返青期也可作为互花米草提取的物候时期之一。表 2不同月份互花米草与土著植物群落 J-M 距离统计植被类型1 月2 月3 月4 月5 月上旬5 月下旬6 月7 月8 月9 月10 月11 月12 月碱蓬1.010.861.541.741.400.451.261.681.111.121.891.841.75芦苇1.100.670.300.831.761.690.910.110.120.931.671.761.65均值1.060.770.921.291.581.071.080.890.611.031.781.801.703.2互花米草分类结果分析基于互花米草成熟期和衰老初期多源数据构建特征集，利用 4 种机器学习方法分别进行分类(如图 5 所示)，并基于测试样本计算混淆矩阵，获得 OA、PA、UA 和 F1，以对比每个分类器的分类精度(见表 3)。4 种机器学习算法在互花米草提取中整体表现良好，总体分类精度均优于 85%，其中 RF总体分类精度最高，为 91.50%，且 F1 得分表明 RF算法互花米草提取性能最优。这与本文中使用的数据规模及特征维数均有较大关系，在此情况下 RF 算法往往可以获得稳定、较好的分类效果及分类效率。SVM 算法的制图精度最高，RF 算法和 GTB 算法次之，CART 算法的制图精度最低。用户精度中 RF 算法最高，其次是 GTB 算法和 CART 算法，SVM 算法最低。RF 算法获得的互花米草的用户精度和制图精度均超过 95%，表明 RF 算法分类中的错分误差最小。表 3不同分类器精度评价结果(%)分类算法OAF1(SA)PA(SA)UA(SA)SVM88.759596.9494.06CART86.759389.8095.65RF91.509795.9297.92GTB88.759594.9095.88从分类效果来看，与其他分类算法相比，RF 算法可以更精确地将互花米草与土著植被区分开。CART 算法获取的互花米草破碎度最为显著(如图5(b)所示)，涉及整个研究区，斑块数量达 6767 个，SVM 算法和 GTB 算法破碎度较小，而在 RF 分类图观 察 到 更 少 的“椒 盐”现 象，斑 块 数 量 仅 为1116 个。在互花米草入侵前沿，与土著植物之间的交错带，互花米草的生物量和覆盖密度相对较低，互花米草被 CART 算法低估，而 SVM 高估更多的互花米草斑块。这种现象在入侵植被与土著植物混生区最为明显(如图 5 框线区域所示)，互花米草在混生区覆盖密度相对较低，单个像素中存在更多的是碱蓬和芦苇。通过目视检查发现，SVM 算法产生的假阳性像素比其他算法产生的要多(如图 5(f)所示)。高估互花米草对 SVM 算法而言，是一个极其严重的问题;CART 算法与之相反，其产生了更多的假阴性像素，互花米草被严重低估，低密度的互花米草群落被分类为芦苇群落(如图 5(g)所示)。GTB 算法的分类结果与 SVM 算法结果相比略有改善，假阳性像素减少(如图 5(i)所示)。RF 算法生成了最好的分类图(如图 5(h)所示)。此外，在 RF 分类图中，位于芦苇生长区的假阳性像素也显著减少。3.3互花米草空间分布格局自 1982 年盐城湿地成功栽种至 2021 年，互花米草的面积已增加到 3 741.86 hm2，占盐城湿地总面积的 16.56%。互花米草主要生长在近海一侧，呈条带状分布，在 3329N3336N 区域内互花米草带斑块面积较大，且最大宽度达到 4.28 km，已形成优势群落。3336N3338N 区域内为互花米草、碱蓬和芦苇植被群落交错混生区，互花米草斑块破碎化显著，这表明互花米草依旧处于入侵土著植物群落阶段。同时观察到，互花米草的扩散方式包括点源和边界源，这与通过种子和根的繁殖相一致24。其中点源扩散多位于 3 种植被群落交错混生区，以及保护区核心区内部的零散互花米草分布点，这也证明了互花米草的种子通过海水传播，可以实现跳跃式长距离扩散;而边界源扩散多位于互花米草与碱蓬的交互边界及互花米草与滩涂交互边界，互花米草群落边界借助繁殖体的自然扩散向周围空间扩张，斑块边界呈现为“插入式”。4结论本文基于 GEE 云平台构建 Sentinel-2 NDVI 数据集，利用 HANTS 算法拟合 NDVI 时间序列，并结合 J-M 距离评估互花米草与土著植物可分离性，选取互花米草关键物候期，依托于关键物候时期融合了 Sentinel-1 雷达、Sentinel-2 光学数据与 DEM 等多模态特征组合，耦合 SVM、CART、RF 和 GTB 分类器提取互花米草信息，并比较了分类精度，获取互花米草的空间分布格局。结论如下:14测绘通报2023 年第 6 期图 52021 年盐城湿地核心区(1)盐城湿地互花米草提取的关键物候时期为成熟期和衰老初期，该时期互花米草光谱特征与芦苇和碱蓬光谱差异显著、可分离性高，有效避免了与土著植物群落的混分现象。(2)基于关键物候期内多源数据融合的特征集训练 4 种机器学习方法，互花米草提取结果 F1 分数排序为:RF 算法(0.97)、GTB 算法(0.95)、SVM 算法(0.95)、CART(0.93)。(3)盐城湿地核心区互花米草带面积已达3 741.86 hm2，其中 3330N3336N 已形成优势群落，而 3336N3337N 破碎度高，与土著植物混生，表现为多点爆发的特点，依旧处于入侵扩张阶段。参考文献:1MLLEROV J，BR?UNA J，BARTALO T，et alTiming is important:unmanned aircraft vssatelliteimagery in plant invasion monitoringJ Frontiers inPlant Science，2017，8:887 2高抒，杜永芬，谢文静，等 苏沪浙闽海岸互花米草盐沼的环境-生态动力过程研究进展 J 中国科学(地球科学)，2014，44(11):2339-2357 3智超，吴文挺，苏华 潮汐和植被物候影响下的潮间带湿地遥感提取J 遥感学报，2022，26(2):373-385 4LIU Mingyue，LI Huiying，LI Lin，et al Monitoring theinvasion of spartina alterniflora using multi-source high-resolution imagery in the Zhangjiang Estuary，China J Remote Sensing，2017，9(6):539 5BRADLEY B A Remote detection of invasive plants:areview of spectral，textural and phenological approaches J Biological Invasions，2014，16(7):1411-1425 6WANG Jie Mapping the dynamics of eastern redcedarencroachmentintograsslandsduring19842010through PALSAR and time series Landsat imagesJ Remote Sensing of Environment，2017，190:233-246 7LIU Jinxiu，HEISKANEN J，AYNEKULU E，et al Landcover characterization in west sudanian savannas usingseasonal features from annual landsat time seriesJ Remote Sensing，2016，8(5):365 8LIU Xiang，LIU Huiyu，DATTA P，et al Mapping aninvasive plant spartina alterniflora by combining anensembleone-classclassificationalgorithmwitha242023 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phenological NDVI time-series analysis approach inmiddle coast of Jiangsu，ChinaJ Remote Sensing，2020，12(24):4010 9TIANJinyanDevelopmentofspectral-phenologicalfeaturesfordeeplearningtounderstandSpartinaalterniflora invasion J Remote Sensing of Environment，2020，242:111745 10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 11 赵欣怡，田波，牛莹，等 Sentinel-1 时序后向散射特征的海岸带盐沼植被分类:以长江口为例 J 遥感学报，2022，26(4):672-682 12 GULCSI A，KOVCS F Sentinel-1-imagery-based high-resolution water cover detection on wetlands，aided bygoogle earth engineJ Remote Sensing，2020，12(10):1614 13 SLAGTER BMapping wetland characteristics usingtemporally dense Sentinel-1 and Sentinel-2 data:a casestudy in the StLucia wetlands，South AfricaJ International Journal of Applied Earth Observation andGeoinformation，2020，86:102009 14 MAXWELLAE，WARNERTA，FANGFangImplementation ofmachine-learningclassificationinremote sensing:an applied reviewJ InternationalJournal of Remote Sensing，2018，39(9):2784-2817 15 LIU Mingyue，MAO Dehua，WANG Zongming，et alRapid invasion of Spartina alterniflora in the coastal zoneof mainland China:new observations from landsat OLIimages J Remote Sensing，2018，10(12):1933 16 董迪，曾纪胜，魏征，等 联合星载光学和 SAR 影像的漳江口红树林与互花米草遥感监测 J 热带海洋学报，2020，39(2):107-117 17GORELICK Noel Google earth engine:planetary-scalegeospatial analysis for everyone J Remote Sensing ofEnvironment，2017，202:18-27 18ZHOU Jie Reconstruction of global MODIS NDVI timeseries:performance of Harmonic A Nalysis of TimeSeries(HANTS)J Remote Sensing of Environment，2015，163:217-228 19 TOLPEKIN V A，STEIN A Quantification of the effectsof land-cover-class spectral separability on the accuracyof Markov-random-field-based superresolution mappingJ IEEE Transactions on Geoscience and RemoteSensing，2009，47(9):3283-3297 20 SCHMTDT K S，SKIDMCRE A K Spectral discriminationof vegetation types in a coastal wetlandJ RemoteSensing of