基于神经网络与多源遥感的红树林识别——以乐清湾为例OA

在对红树林进行识别时,红树林与互花米草在生长季的光谱特征相似,易出现混分类或漏分类的问题。此外,一些零散分布的小规模红树林在土地覆被统计中往往被忽略或错分。为解决上述问题,该文基于Landsat8,Landsat9和Sentinel-2等多源遥感数据与神经网络模型,选取合适的红树林敏感指数,结合光谱特征、物候特征及光谱时序特征实现小尺度红树林的精确提取。结果表明,神经网络分类模型可实现植被、光滩和水体的覆被分类,分类精度为97.59%,但对红树林的提取精度有限,精度仅93.57%;结合物候特征及光谱时序特征,红树林提取精度提升至96.24%。乐清湾潮间带的识别结果显示,2018—2023年间,湾内红树林分布范围显著扩张,年均增加25.62 hm^(2),约有2720.39 hm^(2)的互花米草被人工铲除;湾内土地转移总体趋势为互花米草和光滩转为红树林,以及部分互花米草转为光滩。该研究为小尺度红树林的提取及其物候特征分析提供了研究思路,提取方法适用性广,能够为红树林生态保护与恢复工作提供数据支持。