GIScience Remote Sens.| 基于密集时序影像的滨海城市群湿地分类研究：一种“像元-对象-知识”的算法

遥感与深度学习

2025-12-04

导读：Detailed wetland-type classification using Landsat-8 time-series images: a pixel- and object-based a

RS DL

题目：Detailed wetland-type classification using Landsat-8 time-series images: a pixel- and object-based algorithm with knowledge (POK)

期刊：GIScience & Remote Sensing

论文：https://doi.org/10.1080/15481603.2023.2293525

年份：2025

单位：天津师范大学，北京师范大学，生态环境部卫星环境应用中心，广州大学

作者：天津师范大学地理学部教师彭凯锋博士（第一作者）、北京师范大学地理科学学部蒋卫国教授（通讯作者）等

该研究充分利用连续2年所有Landsat-8，构建了一种POK湿地分类算法，实现了广西北部湾和粤港澳大湾区的10种湿地的精细制图。
研究亮点：（1）充分挖掘Landsat-8影像的光谱特征和季节变化信息，构建时序物候特征。（2）结合面向像元与面向对象的方法，构建一种精细湿地分类算法（POK），解决湿地类型之间的“异物同谱”问题。

原作者审阅认证

背景

在遥感大数据的背景下，如何充分挖掘密集时序遥感影像的数据优势，捕捉地表覆盖类型的光谱信息与季节变化信息，成为了当前湿地遥感研究的热点之一。湿地生态系统类型多样、光谱特征复杂，部分湿地类型之间存在“异物同谱”现象。比如河流、湖泊、水库等水体类型，这些不同的湿地类型具有相同的光谱特征。利用面向像元的监督分类算法（如支持向量机、随机森林），难以有效区分这些湿地。面向对象的分层决策树法能够有效实现精细湿地类型分类，但该方法构建过程复杂，且其规则和阈值往往随区域和时间的变化而变化。鉴于此，本文基于密集时序Landsat-8影像，构建一种高效、准确、普适性强的精细湿地算法，实现我国滨海两大城市群的湿地制图。

研究区域与数据

本文选择广西北部湾和粤港澳大湾区作为研究区域。两大城市群位于我国南方滨海区，湿地类型多样，拥有红树林、滨海滩涂、河流、水库等湿地类型。两大城市群经济发展迅速，快速的城市化对城市生态造成了很大的胁迫性。开展两大城市群的湿地遥感制图，对于城市湿地保护与经济的可持续发展具有重要意义。

图1. 研究区域的空间位置

基于Google Earth Engine （GEE）平台，收集了2019年6月至2021年6月所有的Landsat-8影像，并对其进行了去云处理。此外，收集了水体产品（GSW、HydroLakes、GOODD）、红树林产品（GMD、GMW、HSL_MangroveChina_LASAC_share）、滨海滩涂产品（GIC、TWEA）、土地利用产品（CECD、CLCD）及其他辅助数据，用于训练样本生产和分类结果的可靠性检验。

研究方法

本研究的总体技术框架如图2所示，主要包括数据收集和训练样本生产、精细湿地分类算法构建与湿地分类、分类结果的可靠性检验。

图2. 本文的总体研究框架

研究框架的主体为精细湿地分类算法构建，主要有时序物候特征构建、POK算法构建两部分组成。首先，利用连续两年的Landsat-8影像，构建时序物候特征，包括最绿影像、最湿影像、中值影像、百分位影像、百分位均值范围影像、统计特征、地形特征和纹理特征，其特征合成的示意图如图3所示。

图3. 基于GEE平台的时序物候特征合成

其次，构建POK算法，算法的原理示意图如图4所示。P表征Pixel-based random forest，O表征Object-based chessboard segmentation，K表征Hierarchical decision tree with knowledge。首先，基于时序物候特征，开展面向像元的随机森林分类，实现大类湿地的提取；其次，对大类分类结果进行棋盘分割，并计算紧致度、矩形度、长宽比、面积4个几何特征；最后，结合几何特征和辅助数据，构建知识规则的分层决策树算法，将大类湿地细分为10种湿地类型。

图4. POK湿地分类算法的原理示意图

研究结果

精细湿地分类结果与精度评估

基于密集时序Landsat-8影像和POK算法，实现了2020年广西北部湾和粤港澳大湾区的10种湿地类型和6种非湿地类型的提取，其空间分布图如图5所示。基于验证样本的精度评估表明，本文的湿地分类总体精度为91.6%±1.2%。河流、内陆滩地、红树林、滨海滩涂、浅海水域、养殖池、水库的用户精度和生产者精度均超过88.0%，非湿地类型的UA和PA均超过66.0%。

图5. 两大城市群的精细湿地类型空间分布图（2020年）

与已有数据的对比分析

首先，将本文的分类结果，与生态环境部的生态类型分类数据（CECD）进行对比。CECD数据空间分辨率为5 m，时相为2020年，包含7种湿地和14种非湿地类型。分析发现，在广西北部湾，本文分类结果与CECD的空间一致性占比为84.9%；在粤港澳大湾区，两者的空间一致性占比为74.6%。图6为两个城市群典型区域的数据空间对比图。

图6. 典型区域的本文分类结果与CECD数据的空间对比。

其次，将本文提取的红树林与自然资源部生产的红树林数据（HSL_MangroveChina_LASAC_share）进行空间一致性对比。结果表明，两者空间一致性面积为90.8 km2，一致性占比为74.1%。两种红树林的空间对比见图7。

图7. 本文红树林与HSL_MangroveChina_LASAC_share红树林的空间对比

最后，将本文的滨海滩涂与TWEA数据进行空间对比。结果表明，两种数据滨海滩涂的一致性面积为278.8 km2，一致性占比为78.8%。两种滨海滩涂的空间对比图见图8。

图8. 本文滨海滩涂与TWEA滨海滩涂的空间对比图

两个城市群湿地面积的统计分析

在广西北部湾，湿地总面积为4,198.8 km2，其中内陆、滨海、人工湿地面积分别为666.4 km2、2335.7 km2、 1196.7 km2。在粤港澳大湾区，湿地总面积为10,932.2 km2，其中内陆、滨海、人工湿地面积分别为1642.7 km2、5190.1 km2、4099.3 km2。两大城市群的主要湿地类型为河流、内陆滩地、红树林、滨海滩涂、浅海水域、水库、养殖池，面积。

总结与讨论

现阶段，已有众多学者开展了湿地遥感分类研究，其中大部分多聚焦于水体制图、单一湿地类型制图（如红树林、滨海滩涂、滨海盐沼）和土地利用制图。尽管相关研究也开展了多湿地类型的遥感分类研究，但大多是利用监督分类算法实现大类湿地的提取，大尺度、普适性、精细湿地类型的遥感分类研究仍较为缺乏。鉴于此，本研究充分利用Landsat-8影像的密集时序数据优势，结合面向像元的随机森林分类和面向对象的分层决策树分类构建POK算法，实现两大城市群10种湿地类型和6种非湿地的精确提取。

结果表明，本文湿地分类结果的总体精度达91.6%±1.2%，两个城市群的主要湿地类型为河流、内陆滩地、红树林、滨海滩涂、浅海水域、水库、养殖池，其UA和PA均超过88.0%。在广西北部湾，湿地总面积为4198.8 km2，在粤港澳大湾区，湿地总面积为10,932.2 km2。

引用格式

Kaifeng Peng, Weiguo Jiang*, Peng Hou, Zhifeng Wu & Tiejun Cui. (2024). Detailed wetland-type classification using Landsat-8 time-series images: a pixel- and objectbased algorithm with knowledge (POK). GIScience & Remote Sensing, 61:1, 2293525. https://doi.org/10.1080/15481603.2023.2293525

本研究得到了国家自然科学基金联合基金重点项目（U1901219， U21A2022）和国家自然科学基金项目（42301413，42071393）共同资助。

更多图表分析可见原文