融合Landsat 8与Sentinel-2数据的红树林物候信息提取与分类

科学准确地监测红树林是保护海陆过渡性生态系统的基础和前提,但红树林分布于潮间带,难以进行大规模人工监测。遥感技术能够对红树林进行长时间、大面积监测,但已有研究尚存不足。一方面,红树林分布于热带、亚热带区域,受到天气条件限制难以获得长时间覆盖的有效光学遥感数据;另一方面,红树林极易与其他陆生植被混淆,仅利用多波段数据的光谱信息难以精确识别。本文以恒河三角洲孙德尔本斯地区为例,基于谷歌地球引擎GEE（Google Earth Engine）获取2016年全年的Landsat 8 OLI和Sentinel-2 MSI数据,利用物候信息进行红树林提取研究。首先,基于最小二乘回归构建两个传感器在相同指数之间的关系,重建时间序列数据,之后根据可分性判据选取增强型植被指数EVI（Enhanced Vegetation Index）和陆地表面水分指数LSWI（Land Surface Water Index）。其次,对两个指数的时间序列数据进行Savitzky-Golay滤波处理,并分别提取生长期始期等13种物候信息。最后,将两个指数的物候信息进行特征级联,采用随机森林RF（Random Forest）方法进行分类,提取研究区红树林范围。实验结果表明：Landsat 8 OLI和Sentinel-2 MSI数据融合可有效提升时间序列质量,与基于单一传感器数据的分类结果相比,总体精度提高1.58%;物候信息可以显著增强红树林与其他植被的可分性,与直接使用时间序列数据的分类结果相比,总体精度提高1.92%;同时考虑EVI和LSWI指数可极大地提升分类效果,与采用单一指数相比,总体精度分别提高14.11%和9.69%。因此,本文通过数据融合、物候信息提取和指数特征级联可以更好地提取红树林,总体精度达到91.02%,Kappa系数为0.892。研究验证了物候信息在红树林遥感监测中的应用潜力,提出的方法对科学准确地监测全球或区域红树林具有一定参考价值。