基于GEE与随机森林的象山港互花米草动态监测.pdf

No.3FORESTRESOURCESMANACEMENT第3期June20232023年6 月林业资源管理基于GEE与随机森林的象山港互花米草动态监测梁立成，傅晓强，张滨，程谷枸，李佐晖（1.浙江省林业勘测规划设计有限公司，杭州31 0 0 2 0；2.浙江省森林资源监测中心，杭州31 0 0 2 0）摘要：互花米草的大量入侵已危害到我国沿海海滨的生态安全，研究快捷、准确的互花米草识别算法，对于实现区域内互花米草动态监测尤为重要。利用谷歌地球引擎平台，以象山港为研究区，将1 51 个互花米草和1 40 个非互花米草的图斑作为训练数据集，从Sentinel-2遥感影像信息中提取NDVI，EVI，ND WI 和BSI指数，将这些指数叠加到遥感影像数据中，利用支持向量机和随机森林等机器学习方法进行识别分类。通过对2 0 1 7 一2 0 2 2 年Sentinel-2遥感影像进行逐年识别分类，实现研究区内的互花米草动态监测。研究结果表明：相比支持向量机算法，随机森林算法对互花米草具有较高的识别精度，2 0 2 2 年的识别总体精度达到9 9.0 3%，Kappa系数0.9 7 8 7；同时，自2 0 1 7 年以来，象山港的互花米草面积逐渐减少，说明这期间采取的人为干预措施非常有效。象山港互花米草的动态监测和现状分析为互花米草的治理提供了定量的科学数据，对制定相关的防治措施具有重要的参考价值。关键词：互花米草；GoogleEarthEngine；支持向量机；随机森林；遥感影像中图分类号：S45文献标识码：A文章编号：1 0 0 2-6 6 2 2（2 0 2 3)0 3-0 0 38-0 8D0I:10.13466/ki.lyzygl.2023.03.006Dynamic Monitoring of Spartina alterniflora in XiangshanHarbor Based on GEE and Random ForestLIANG Licheng,FU Xiaoqiang,ZHANG Bin,CHENG Guxun,LI Zuohui?(1.Zhejiang Forestry Survey Planning and Design Co.,Lid,Hangzhou 310020,China;2.Zhejiang Provincial Forest Resources MonitoringCenter,Hangzhou310020,China)Abstract:The large-scale invasion of Spartina alterniflora has endangered the ecological security ofChinas coastal area.Therefore,studying a fast and accurate algorithm for identifying Spartina alterniflorais particularly important for achieving dynamic monitoring within the region.Taking Xiangshan harbor as aresearch zone in this study,151 Spartina alterniflora and 140 non-Spartina alterniflora land patches wereused as the training data set on the GEE platform.The index of NDVI,EVI,NDWI and BSI were extractedfrom the Sentinel-2 remote sensing image band information,and these indices were added to the remotesensing image data.Machine learning methods such as Support Vector Machines and Random Forests wereused for identification and classification.By identifying and classifying Sentinel-2 remote sensing imagesfrom 2017 to 2022,dynamic monitoring of Spartina alterniflora within the study area was achieved.Theresearch results showed that compared with SVM,the RF method had higher recognition accuracy for收稿日期：2 0 2 3-0 3-1 2；修回日期：2 0 2 3-0 51 3作者简介：梁立成（1 9 9 2-），男，浙江杭州人，工程师，主要从事湿地资源监测工作。Email：49 2 9 1 9 41 3 q q.c o m通讯作者：李佐晖（1 9 8 3），男，浙江杭州人，高级工程师，主要从事林业调查规划设计工作。Email:675309800 39梁立成等：基于CEE与随机森林的象山港互花米草动态监测第3期identifying Spartina alterniflora,and the overall recognition accuracy in 2022 reached 99.03%with aKappa coefficient of 0.978 7.At the same time,the experimental results showed that the area of Spartinaalterniflora in Xiangshan harbor has gradually decreased since 2017,indicating that the artificialintervention measures taken during this period were very effective.The dynamic monitoring and statusanalysis of Spartina alterniflora in Xiangshan harbor provided quantitative scientific data for themanagement of Spartina alterniflora,and have important reference value for formulating relevantprevention and control measures.Key words:Spartina alterniflora;Google Earth Engine;support vector machines;random forests;remotesensing image互花米草（Spartinaalterniflora）的人侵对滨海湿地生物多样性和原始生境系统造成了巨大的危害，已成为国内外海滨生态环境研究的热点问题。互花米草具有耐盐、耐淹、耐淤埋、繁殖能力强等特点，最早于1 9 7 9 年从美国东海岸引人到我国 2 。目前，在我国东部沿海和内陆湿地等都有广泛分布，对本土植被构成了威胁，严重挤压本土其他植物的生存空间，已造成严重的生态问题。2003年，互花米草已被原国家环境保护总局和中国科学院列为中国第一批外来人侵物种名单 3。其中，浙江象山港是国内受到互花米草人侵和破坏较为严重的地区之一，该物种的人侵不仅造成港口河道阻塞导致海运不畅，还给近海养殖带来了诸多问题。早在2 0 1 4年象山港就有1200hm滩涂被互花米草侵占，不仅严重破坏了当地近海生物栖息环境，还严重影响到当地渔民的养殖业，因其疯长而堵塞航道，影响海水交换，已在沿海地区酿成了一场生态灾难 4。因此，象山港互花米草的入侵问题呕需人为积极干预，对其进行管理控制，以修复当地受到严重威胁的生境系统。为更好地了解互花米草的入侵情况，国内外研究人员开展了基于遥感影像的互花米草识别分类与监测研究。陶艳成等 5 利用高分1 号遥感影像对广西2 0 1 6 年互花米草的分布与扩散状况进行监测；费鲜芸等 6 利用高分1 号遥感影像对临洪河口湿地进行了地物分类；郑浩等 7 基于谷歌地球引擎（G o o g l e Ea r t h En g i n e,G EE）平台采用基于像元的随机森林方法，从Sentinel-2遥感影像中提取互花米草的空间分布；刘瑞清等 8 基于Sentinel-2遥感时间序列植被物候特征，用随机森林方法对盐城滨海湿地植被进行分类；李京等 9 提出面向对象-支持向量机方法提取互花米草。但是，以上研究都未能提出一种快速、准确的方法对互花米草的空间分布情况进行监测。相关资料表明，2 0 1 4年象山港的互花米草人侵已经相当严重 4,尽管当地政府和渔民也采取了一些治理措施，但目前暂未查阅到与该区域相关的互花米草数据动态监测研究和定量分析成果。本研究以象山港为例，利用随机森林算法，通过对2 0 1 7 2 0 2 2 年间6 期Sentinel-2遥感影像的互花米草进行自动识别，绘制互花米草的空间分布图，统计各年份的互花米草面积，实现了互花米草的动态监测。研究结果表明，近6 年，象山港互花米草的面积不断减少，目前所开展的互花米草治理措施是行之有效的，有必要持续加强人为干预以应对互花米草人侵问题。1研究区概况与数据来源1.1研究区概况象山港（2 9 2 4 2 9 46 N,1212512200E)地处浙江省北部沿海地带（图1），是浙江省三大内湾之一,北面紧邻杭州湾，南邻三门湾，东侧为舟山群岛，通过青龙门、双屿门和牛鼻山水道与外海相连，是一个由宁波东部沿海至西南向内陆深入的纵长约为6 2.8 km的狭长型半封闭海湾 1 0 。作为国内及浙江省重要的渔港、重点口岸之一，象山港渔业资源丰富，渔业产值居全国前列。近年来，象山港互花米草人侵问题尤为突出，逐渐引起社会各界人士的关注。40第3期林业资源管理121300E121400E121500E12200EN051020km图1象山港示意图Fig.1 Sketch map of the Xiangshan harbor1.2数据来源本研究数据包括2 0 1 7 2 0 2 2 年间6 期Senti-nel-2遥感影像，该影像是GEE平台上的Level-1C级遥感影像（https:/，访问日期：2 0 2 3年1 月2 1 日）。Sentinel-2是欧洲空间局（Eu r o p e a n Sp a c e?A g e n c y）于2 0 1 5年发射的一组用于地球观测的多光谱卫星遥感系统，旨在为全球提供免费的高分辨率（1 0 6 0 m）遥感图像数据。该系统由一对星座组成，每个星座有两颗卫星，共有4颗卫星，分别为Sentinel-2A,Sentinel-2B,Sentinel-2C和Sentinel-2D。Se n t i n e l-2 卫星具有高空间分辨率和高重访问频率，能够提供地表从可见光到近红外波段范围内的多光谱图像,Level-1C级影像是Senti-nel-2原始遥感影像经过了辐射校正、大气校正和几何校正后的数据产品，本研究使用的Sentinel-2波段参数如表1 所示 互花米草是一种多年生草本植物，在春夏季生长最旺盛，因此主要选取每年4月1 日至1 0 月31 期间云量少于1 0%的影像，利用遥感数据集中的Median方法选取质量最好的Sentinel-2遥感影像。由于不同波段的空间分辨率并不相同,因此在预处理阶段还需要将使用到的波段遥感数据重采样到同一空间分辨率,本研究采用1 0 m空间分辨率进行重采样 1 2 。为比较不同遥感数据源对互花米草识别精度的影响，本研究也对2 0 2 2 年Landsat-8遥感影像进行了识别分类。Landsat-8是美国国家航空航天局（NA SA）和美国地质调查局（USGS）于2 0 1 3年联合发射升空的一颗遥感卫星，具有较高的空间分辨率和光谱分辨率，其遥感影像被广泛应用于自然资源调查、环境监测、城市规划、农业等领域。为更好地定量分析遥感影像数据，消除大气吸收和散射引起的影响，本研究直接选用GEE平台上由Landsat-8遥感影像经过辐射校正、大气校正后得到的大气表观反射率（Top of Atmosphere，T O A）影像（访问时间：2 0 2 3年1 月2 1 日），选择2 0 2 2 年4月1 日至10月31 日之间云量少于1 0%的Landsat-8遥感影像，并将各波段的遥感影像数据重采样到1 5m空间分辨率。Landsat-8的波段参数如表2 所示。表1 Sentinel-2波段参数Tab.1 The bands parameters of Sentinel-2Sentinel-2波段波长/m分辨率/mBand 1:coastal aerosol0.44360Band 2:blue0.49010Band 3:green0.56010Band 4:red0.66510Band 5:vegetation red edge0.70520Band6:vegetation red edge0.74020Band 7:vegetation red edge0.78320Band 8:NIR0.84210Band 8A:vegetation red edge0.86520Band 9:water vapor0.94560Band 10:SWIR-cirrus1.37560Band 1l:SWIR1.61020Band12:SWIR2.19020表2 Landsat-8波段参数Tab.2 The bands parameters of Landsat-8Landsat-8波段波长/um分辨率/mBand 1:Coastal aerosol0.430.4530Band 2:Blue0.450.5130Band 3:Green0.53 0.5930Band 4:Red0.64 0.6730Band 5:Near infrared0.850.8830Band6:Shortwaveinfrared11.571.6530Band7:Shortwaveinfrared12.11 2.2930Band 8:Panchromatic0.520.9015Band 9:Cirrus1.36 1.3815Band 10:Thermal infrared 110.60 11.1930Band 11:Thermal infrared 211.50 12.5130BQA:Landsat Collection 1 QA Bitmask3041梁立成等：基于GEE与随机森林的象山港互花米草动态监测第3期2研究方法2.1样本选取在遥感影像的有监督分类中，训练样本点的选取尤为重要，它将直接影响到分类结果的准确性。在选取训练样本点时，应能提供足够的信息以区分不同地类并克服偶然因素的影响，一般采用“小区域连续采集，全局均匀分布”的采集策略，并且使不同地类训练样本点的数量总体相当。本研究结合野外实地调查和遥感影像目视解译的方法选取样本点。现地调查按照3km3km网格在研究区沿岸均匀布设调查样点，使用大疆Phantom4RTK无人机采集样本点的正射影像，结合地面调查结果提取现状地类样本图斑。共选取1 51 个互花米草图斑和1 40 个非互花米草图斑，非互花米草图斑包含林地、水域、沙地、建筑和裸地等5种地类，并确保每种地类有2 0 个以上图斑的数据。2.2遥感特征指数计算结合实地调查成果，在GEE平台上勾绘互花米草和非互花米草图斑，将勾绘的图斑作为训练样本用来对地类进行训练分类。利用GEE平台计算遥感影像的特征指数，不同的遥感特征指数对地物反射率的敏感性不同，通过组合不同的指数可以获取更全面、更准确的地物信息，从而提高分类精度。由于研究区内有林地、水域、沙地、建筑和裸地等地类，因此本研究通过归一化植被指数（NormalizedDifferenceVegetation Index,NDVI）、增强型植被指数（En h a n c e d Ve g e t a t i o n In d e x，EVI）、归一化水指数(Normalized Difference Water Index,NDWI)和裸土植被指数（BareSoil Index，BSI）等遥感特征指数，全面了解互花米草的生长环境和生态系统状况。相关指数与波段信息的计算公式如式（1）一（4）所示。NIR-RNDVI(1)NIR+RNIR-REVI=2.5(2)NIR+6R-7.5B+1G-NIRNDWI(3)G+NIR(SWIR+R)-(NIR+B)BSI=(4)(SWIR+R)+(NIR+B)式中：NIR为植被反射的近红外波段的反射率；R为红光波段的反射率;B为蓝光波段的反射率；G为绿波段的反射率；SWIR为短波红外波段的反射率。2.3互花米草识别与分析本研究采用支持向量机（SupportVectorMachine，SVM）和随机森林（RandomForest，RF）算法对样本数据进行训练、测试，利用混淆矩阵（ConfusionMatrix，C M)对识别结果进行精度评价。2.3.1SVM算法SVM是一种常用的遥感图像分类算法，能降低训练过程中的欠拟合与过拟合发生的概率。它是一种有监督学习的线性分类器，可以处理复杂的非线性问题 1 3，其优点是分类时无需进行数据降维，可以使用不同的核函数进行数据的非线性映射，同时，由于具备较强的鲁棒性，可有效处理存在噪声和异常值的遥感图像数据。在遥感图像分类中，SVM可以根据训练样本的像元值和对应的分类标签，通过学习一个超平面对新的遥感图像进行分类。本研究选用高斯径向基函数,相比线性分类器,高斯径向基可将数据投影到更高维度，使原先线性不可分的问题变成线性可分，但需要设置更多的参数，主要参数为Gamma系数和Cost系数。一般根据经验或者通过实验比对得出这两个参数的最佳值，本研究主要根据以往经验设置,Gamma系数取值范围为0 1，系数取值太大，容易导致过拟合，反之，如果Gamma系数太小,则容易欠拟合，因此将Gamma系数设置为0.5；Cost是模型的惩罚系数，即对样本误分的宽容度，本研究将Cost参数设置为1 0。2.3.2RF算法RF是一种基于集成学习的分类算法，凭借其鲁棒性强、易于训练和对训练数据不太敏感等优势成为遥感图像处理中最常用的分类算法，在对互花米草识别的研究中已有相关应用 8 。本研究基于CEE平台实现互花米草的RF分类，使用7 0%的数据样本进行RF分类器训练。RF分类器中影响最为显著的参数为随机树木决策树的棵数，其他参数都采用默认值（最小叶子节点数为1，不限制每棵决策树的最多叶子数）。理论上，在RF算法识别中，决策树的棵数越多，训练模型的拟合度会越好，训练精度也会越高，但是也容易导致训练过拟合。决策树棵数的选择是一个需要权衡的问题，由于本研究基于遥感影像中各个像素做二分类识别，因此，42第3期林业资源管理本研究对2 1 0 之间的决策树识别精度进行了实验比对，结果显示，选取2 棵随机决策树的RF算法可以达到较好的识别精度。2.3.3精度评价CM是一种经常用于评估分类模型性能的矩阵,通常用于二分类或多分类问题。本研究利用CM对互花米草分类结果进行精度评价，并计算总体精度（Overall Accuracy,OA）和Kappa系数。OA是测试数据被分类器正确分类的百分比，Kappa系数表示地面真实数据和预测值之间的一致性程度。2.4技术路线在本研究中，使用实地采集数据的7 0%进行用于模型训练，30%精度检验。在选取最优识别方案后，通过对2 0 1 7 2 0 2 2 年间6 期遥感影像数据进行识别，掌握各年份的互花米草面积和空间分布状况，实现互花米草的动态监测。数据识别技术路线如图2 所示。Sentinel-2,Landsat8实地踏查、无人机航测遥感影像筛选工现状互花米草、非互花米草遥感影像预处理图斑判读与区划遥感影像的特征指数训练样本检验样本提取(70%）(30%）NDVI分别使用EVISVM,RF算法进行精度检验NDWI互花米草识别BSI根据精度检验结果选取最优识别方案识别2 0 1 7 2 0 2 2 年各年度象山港互花米草分布情况图2 楼数据识别技术路线Fig.2Roadmap of data recognition technology3结果与分析3.1分类识别结果基于2 0 2 2 年Landsat-8和Sentinel-2遥感影像数据，分别采用SVM和RF算法识别互花米草地块，采用的数据包括用于监督分类的1 51 个互花米草图斑数据和1 40 个非互花米草图斑数据，识别结果如图3所示。从图3可以看出，互花米草基本上N051020km(a)Landsat-8遥感影像的SVM算法识别N0.5.1020km(b）L a n d s a t-8 遥感影像的RF算法识别N05.1020km(c)Sentinel-2遥感影像的SVM算法识别N05.1020km(d）Se n t i n e l-2 遥感影像的RF算法识别互花米草非互花米草图32 0 2 2 年SVM和RF算法识别的象山港互花米草分布Fig.3Distribution map of Spartina alterniflora in XiangshanHarbor in 2022 identified by SVM and RF algorithm43梁立成等：基于CEE与随机森林的象山港互花米草动态监测第3期分布在海港周边的滩涂上，RF算法对Sentinel-2遥感影像进行互花米草识别的精度最高，而基于RF算法对Landsat-8遥感影像进行识别的精度最差，海港中间很多其他植被也被误分成互花米草。影响两者识别精度的主要原因是Landsat-8的空间分辨率不如Sentinel-2的分辨率高，因此，高空间分辨率有助于提升RF算法对互花米草的识别精度。3.2分类识别精度从RF和SVM算法的OA和Kappa系数（表3）可以看出，RF算法的OA都在9 7%以上，且Kappa系数也在0.9 5以上，因此该算法的识别结果比较可靠，具有很高的可信度。表3RF和SVM算法识别的总体精度和Kappa系数Tab.3 Overall Accuracy and Kappa Coefficient of RF and SVMRF算法SVM算法年份0A/%Kappa系数OA/%Kappa系数201798.940.976796.860.9309201898.820.974 197.000.9346201999.260.983 698.170.959.8202099.220.982897.380.942.3202199.130.980897.370.9420202299.030.978797.250.9397从RF算法识别的CM（表4）可以看出，互花米草误分类的数量比较少，但非互花米草误分为互花米草的数量稍微多些，因此，自动识别的总体互花米草面积会比实际多一些，但Kappa系数也都在0.95以上，因此该算法的识别结果仍然具有较高的可信度。3.3动态监测结果从RF算法识别的互花米草空间分布情况（图4）可以看出：2 0 1 7 2 0 2 2 年6 年间，互花米草面积不断表4RF算法识别的CMTab.4CM ofRFrecognition result年份分类互花米草非互花米草互花米草379882017非互花米草1097123互花米草380242018非互花米草1267106互花米草3794122019非互花米草707162互花米草380062020非互花米草807152互花米草3795112021非互花米草857147互花米草379972022非互花米草10071322017年2018年Z2019年Z互花米草互花米草互花米草非互花米草非互花米草非互花米草510205102051020kmkmkmNZ2021年N2020年2022年互花米草互花米草互花米草非互花米草非互花米草非互花米草05102005.1020051020kmkmkm图420172022年RF分类识别的象山港互花米草空间分布Fig.4 Spatial distribution of Spartina alterniflora after RF Recognition in Xiangshan harbor from 2017 to 202244第3期林业资源管理减少，尤其是2 0 2 1 一2 0 2 2 年互花米草有较大面积的缩小。据调查，近年来象山港沿岸多个县（市、区）政府组织实施了互花米草除治试点工程，减少了部分互花米草面积。同时，当地渔民为了开展滩涂养殖而自发进行的互花米草割除与填埋处理，也对互花米草的除治起到了重要作用，这说明人为干预可以有效抵制互花米草扩散，因此，这种自发的互花米草处理方式应该得到进一步的鼓励和支持。从互花米草空间分布图统计出的2 0 1 7 2 0 2 2 年象山港互花米草面积（图5）可以看出，互花米草面积从2 0 1 7 年的6 39 1.9 7 hm减少到2 0 2 2 年的4406.90hm，且呈线性下降的趋势。这表明6 年来,互花米草的人工干预效果还是卓有成效的，为巩固前期成果，需进一步实施原有的人工干预措施。70006391.975816.2760005854.465032.4850005080.764406.9040003000200010000201720182019202020212022年份图52017一2 0 2 2 年RF算法识别的象山港互花米草面积变化Fig.5 Area of Spartina alterniflora after RF classificationin Xiangshan harbor from 2017 to 20224讨论通过研究互花米草的人侵对我国沿海生态安全的威胁，寻求快速、准确的识别算法，以期实现对区域内互花米草面积与分布的动态监测。研究结果为象山港互花米草的治理提供了科学的定量数据，对互花米草防治措施的制定具有重要的参考价值。本研究根据实地调查结果建立训练和检验样本，分别使用SVM和RF算法对Sentinel-2影像及Landsat-8影像进行互花米草识别，经检验，空间分辨率更高的Sentinel-2影像的识别精度更高，因此，后续研究中可尝试采用更高空间分辨率的遥感影像进行进一步研究。通过对比SVM和RF算法的识别结果，可以看出,RF算法具有更高的识别精度，该算法通常使用像元级别的特征指数进行分类，这些特征指数可以通过遥感影像的不同波段组合获取，如植被指数（ND VI,EVI）、纹理特征、形状特征等。未来研究也可以考虑采用深度卷积神经网络等深度学习方法对互花米草进行识别和监测。基于SVM和RM识别算法对不同遥感影像数据的识别结果，本研究采用RF算法对2 0 1 7 一2 0 2 2 年6期Sentinel-2遥感影像进行互花米草识别。结果表明，象山港互花米草的面积总体上呈减少趋势，考虑到互花米草的生存空间仅限于海岸线以下的潮间带淤泥质海滩区域，若在2 0 1 7 年前象山港互花米草自然扩散面积已达峰值，则在近年来围填海、养殖开垦、生态除治等因素的共同作用下，面积减少也成为必然,这与付雅晴等 1 4 学者的研究结果相一致。因此，在下一步研究中需继续追溯历史变化情况，分析互花米草潜在扩散空间，以及人为主动治理在互花米草除治工作中的具体成效，以期为后续开展科学治理提供参考。5结论1)使用GEE平台可以快速实现对研究区内互花米草的动态监测。通过叠加NDVI,EVI,NDWI,BSI等遥感特征指数，可有效提高对互花米草的识别精度。2）Se n t i n e l-2 影像与Landsat-8影像对互花米草的识别结果表明，遥感影像的空间分辨率对识别精度具有显著影响，空间分辨率越高，识别精度也会越高。3)与SVM算法相比,RF算法具有更高的识别精度，使用RF算法可以有效地处理大量的像元数据，并且能够获得较高的分类精度。4动态监测结果显示，象山港自2 0 1 7 年以来，互花米草的面积总体上呈减少趋势，互花米草自然扩散速度已逐渐放缓，采取的人为干预措施非常有效。参考文献：1 Yang Renmin.Characterization of the salt marsh soils and visible-45梁立成等：基于GEE与随机森林的象山港互花米草动态监测第3期near-infrared spectroscopy along a chronosequence of spartina alter-niflora invasion in a coastal wetland of eastern China J.Geoder-ma,2020,362:114138.【2 沈永明，杨劲松，曾华，等.我国对外来物种互花米草的研究进展与展望 J.海洋环境科学，2 0 0 8,2 7（4）：39 1-39 6.【3王卿，安树青，马志军，等.人侵植物互花米草一一生物学、生态学及管理 J.植物分类学报，2 0 0 6，44（5）：559-58 8.【4董小滋.大米草“鸠占鹊巢”昔日滩涂成海上草原”【N/OL.今日象山，2 0 1 4-0 8-2 9（6).2 0 2 3-0 1-1 2 .http:/ J.广西科学,2 0 1 7,2 4（5）：48 3-48 9.6费鲜芸，何鑫坤，谢宏璇，等.基于CF-1卫星影像的临洪河口湿地遥感分类J.江苏海洋大学学报：自然科学版，2 0 2 1,30（2）：50-57.7 郑浩，陈星彤,宋利杰，等.基于GEE的滨海湿地互花米草信息提取方法研究 J.赤峰学院学报：自然科学版,2 0 2 2,38（1 0：1-6.8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，2 0 2 1.7 6（7）：1680-1692.9】李京，刘亚静，刘明月.基于Sentinel-2A影像的互花米草信息提取研究 J.华北理工大学学报：自然科学版，2 0 2 1，43（3）：14-19.【1 0】中国海湾志编纂委员会.中国海湾志（第五分册）【M.北京：海洋出版社,1 9 9 2：1 6 6-2 0 6.11 He Tao,Zhou Houkui,Xu Caiyao,et al.Deep learning in forest treespecies classification using Sentinel-2 on Google Earth Engine:Acase study of Qingyuan County J.Sustainability,2023,15(3):2741.12 Rabiei S,Jalilvand E,Tajrishy M.A method to estimate surface soilmoisture and map the irrigated cropland area using Sentinel-1 andSentinel-2 Data J.Sustainability,2021,13(20):11355.13易俐娜，张桂峰，魏征，等.利用无人机高光谱影像的红树林群落物种分类 J.测绘通报，2 0 2 2（1 1）：2 6-31.14付雅晴，印萍，高飞，等.浙江省三门湾北部潮滩互花米草遥感研究 J.中国海洋大学学报，2 0 2 2,52（1）：1 34-1 44.