基于高时间分辨率Landsat与Sentinel-2融合影像的创新物候特征提取以实现红树林物种制图增强

《Remote Sensing Applications: Society and Environment》：Innovative Phenological Feature Extraction for Enhanced Mangrove Species Mapping Using High-temporal-resolution Harmonized Landsat and Sentinel-2 Imagery

　　

**摘要**

准确的红树林物种级制图对于评估其生态功能及其对碳循环、生物多样性和海岸韧性的贡献至关重要。然而，由于红树林物种往往具有相似的光谱特征且分布于空间异质性的林分中，利用中分辨率卫星影像进行物种识别仍然具有挑战性。本研究提出了一种基于物候的概率框架，利用物种特异性的时间动态特征来补充传统的基于光谱的红树林物种识别方法。利用密集的HLS（调和的Landsat与Sentinel-2）观测数据，本研究通过谐波回归从四个植被指数时间序列（归一化植被指数、归一化红边差异指数、增强植被指数、红树林植被指数）中刻画了佛罗里达州大沼泽地国家公园三种主要红树林物种（红树属的 *Rhizophora mangle*、白骨壤属的 *Avicennia germinans*、秋茄属的 *Laguncularia racemosa*）及枯死区域的物候轨迹。所得到的物候特征被整合到高斯混合模型中，在进行物种分类的同时显式考虑类内变异性，并提供分类置信度的概率估计。基于10折交叉验证，组合物候特征集达到了0.818 ± 0.016的总精度，平均分类概率达到0.871 ± 0.161。所提出的框架展示了通过谐波回归和概率高斯混合模型利用物候动态在推进物种特异性红树林制图方面的价值，为生态系统监测和海岸管理提供了一种可扩展的方法。

**引言**

红树林森林由热带和亚热带地区的耐盐树木和灌木组成，因其作为蓝色碳库和天然海岸保护系统的作用而备受重视。具体来说，不同红树林物种在树形结构、生长策略和环境适应性方面表现出显著的多样性。红树林的物种多样性继而影响其在生成周边栖息地、封存蓝色碳以及保护沿海地区免受飓风和风暴潮侵害方面的功能。因此，作为在全球气候变化背景下建立可持续沿海环境的基于自然的解决方案之一，红树林物种特异性制图至关重要，需要从通用的方法转变为更具体的方法，以更好地指导评估、管理和保护工作。

为绘制红树林物种地图，已有大量努力致力于利用遥感技术。然而，由于物种间存在巨大的光谱相似性以及红树林栖息地的结构和环境复杂性，红树林群落中的物种级识别仍然具有挑战性。为提高物种可分性，越来越多的研究引入了具有更丰富光谱和结构信息的高级遥感数据，包括高光谱分辨率和高光谱光学数据、激光雷达数据以及合成孔径雷达观测数据。此外，这些互补数据集可用性的增加也促进了机器学习方法和深度学习架构的应用，以捕捉红树林物种之间的非线性差异。尽管这些数据-方法组合在提高物种分类方面展现了强大潜力，但由于高昂的获取成本和有限的覆盖范围，其应用通常局限于局部或特定地点的尺度。此外，针对单一地点开发的模型在更广泛地区的可迁移性可能有限，因为红树林的光谱和结构特征会随地理环境、季节性和气候条件而变化。因此，主要依赖精细空间或光谱分辨率的方法在扩展到大规模红树林物种制图时往往缺乏稳健性和一致性。

遥感领域的最新进展，特别是高时间频率、中高空间分辨率影像可用性的增加，为准确绘制红树林物种地图提供了新的机遇。时间序列遥感观测能够实现与植被物候相关的季节性光谱波动的刻画，此类工作可追溯到2000年代初，这些研究特别旨在利用时间序列MODIS和VIIRS观测进行作物制图。从生态学角度来看，红树林物种也表现出不同的物候特征，包括在不同生长阶段中起始时间、持续时间、结束时间和绿度方面的差异。然而，与相对均质的作物不同，红树林生态系统是常绿且结构异质的。此外，物种特异性的光谱变异性通常表现为微妙的物候振幅。这些特征使得仅基于时间信号的物种间识别比季节性作物分类更具挑战性。幸运的是，HLS数据集提供了一个有前景的替代方案，在30米空间分辨率下提供了密集的时间覆盖（约2至3天），并配有质量评估波段以过滤云和噪声污染的观测数据。这一能力有助于减轻云覆盖和潮汐淹没的影响，并进一步重建红树林物候轨迹。尽管红树林是常绿的，但当拥有足够密集和干净的时间序列时，物种特异性的时间光谱模式仍然可以被检测到。

迄今为止，仅有四项研究专门使用物候信息来绘制红树林物种地图。这些研究通过实证方法证明了利用高时间分辨率遥感观测和模拟物候模式进行红树林分类的可行性，表明纳入时间序列分析相比单月影像可提高分类精度。另有研究通过从时间序列堆栈中选择具有最高可分性指标的单幅影像或关键月份来提高分类效率，而非在整个时间序列上计算指标。然而，这些方法在利用时间数据的同时，对物候特征本身的关注较少，而是通过识别最具区分度的时间切片来在时间堆栈中区分物种。因此，它们往往忽略了更深层的物候模式和固有的时间关系。尽管具有高时间分辨率数据集如HLS的巨大潜力，但其在红树林物种制图中的应用仍然不足，由此产生了两个关键挑战：

**（1）如何从高时间分辨率HLS数据集中有效地提取和界定物候模式？**

旨在精确提取物候的方法通常涉及拟合复杂的时间序列指标或高阶函数，可大致分为三类。第一，经验方法，如最大值合成和时间窗口操作，使用预定义的时间统计量来总结物候模式，但通常会丢弃大量时间信息，并对噪声和数据缺失敏感。第二，典型曲线拟合方法，如Savitzky-Golay滤波，能提供更平滑和更详细的季节性动态表示。然而，其性能强烈依赖于参数选择和数据质量，并且可能对短期波动过度拟合，而非捕捉稳定的物候模式。最后，数据变换方法，如基于小波的滤波，将时间序列分解为多个频率分量，能有效隔离复杂的时间信号；然而，它们通常需要较高的计算资源，并且生成的特征在生态学上难以解释。

在曲线拟合方法这一类别中，谐波回归代表了一种结构化方法，将植被时间序列建模为低阶周期函数。通过将季节性动态分解为少量正弦分量，谐波回归使用可解释的系数来总结多年观测数据，描述平均绿度、季节振幅和物候变化的总体模式。重要的是，它将多年动态总结为可解释的系数，便于实现可迁移的制图。这些特征对于红树林物种分类尤为相关，因为在云覆盖和潮汐效应的影响下，密集的时间序列往往不完整且含噪，而物种识别受益于捕捉周期性季节结构的低维特征。尽管如此，谐波回归在红树林物候中的应用仍然有限，谐波阶数选择对物候表示和物种可分性的影响尚未得到系统评估。

**（2）什么是可靠的将提取的物候特征应用于红树林物种分类的方法，以及如何严格评估所得的分类精度？**

在提取关键物候参数之后，一个关键的挑战在于选择一个能够有效地整合物候信息同时保留其潜在生态学意义的分类框架。在现有研究中，光谱-时间特征通常被视为独立的预测变量，分类决策进一步由统计可分性而非植被动态的季节一致性所指导。然而，对于红树林生态系统，物种变异受到长期生态过程（如盐度环境响应和淹没响应）的影响，这些过程在时间上表现为微妙但一致的物候趋势。如果这些时间模式未被显式表示，分类可能更多地依赖于高维特征的重要性排序。因此，过程驱动的物候信号可能被代表性不足。

此外，传统分类方法通常产生硬类标签，而不会显式刻画分类不确定性或类别重叠，这在红树林环境中是一个关键局限。红树林森林经常出现混种树冠、渐变生态过渡带，以及由微地貌、干扰历史和径流梯度驱动的巨大种内变异性。因此，物候特征往往占据特征空间中重叠的区域，而不是形成清晰可分的聚类。硬标签分类通过强制离散分配掩盖了这种不确定性，模糊了过渡或混合像元，并为物种识别的置信度或模糊性提供了有限的洞察。因此，对于基于物候的红树林物种分类，一种显式表示类别分布和不确定性的概率框架更为合适，因为它更好地反映了红树林生态系统的连续性和异质性。

为应对上述两个研究空白，本研究旨在在一个具有代表性的亚热带红树林系统中开发一种物候驱动框架。佛罗里达州大沼泽地国家公园包含佛罗里达州南部三种主要红树林物种——红树、白骨壤和秋茄，其森林空间异质性显著，具有混种林和过渡林分、树冠结构变异等特点。这些条件会遮蔽单次卫星观测中微妙的种间光谱差异，而该系统的常绿特性进一步限制了单日期影像可达到的可分性。因此，大沼泽地国家公园为评估密集的HLS时间序列和谐波物候特征能否捕捉超越单次观测变异性所代表的稳定物种级时间信号提供了一个严格的测试平台。首先，使用2021至2023年的高时间分辨率HLS影像来量化和比较源自四个植被指数的红树林物候动态，旨在捕捉物种级的物候差异。其次，应用谐波回归使用一组描述基线条件、季节振幅和时间频率的可解释参数来表示红树林物候，同时系统考察谐波阶数对物候表示的影响。第三，评估高斯混合模型在基于物候参数的红树林物种分类中的有效性和可靠性，特别着重于表征类条件分类置信度和模糊性。这些目标共同建立了一个物候驱动的遥感框架，推进了红树林物种制图的时间维度，并支持亚热带沿海生态系统中更可靠的生态评估和管理。

**研究区域**

本研究区域包括佛罗里达州沿海大沼泽地长期生态研究区的红树林森林（北纬24.90°至25.90°，西经80.50°至81.50°，见图1），这是美国最大的红树林森林。大沼泽地的淡水与墨西哥湾的咸水交汇，为红树林的生长和健康创造了一个盐度和营养平衡的动态环境。该地区表现出...

**物候信息**

为评估物候参数在提高红树林物种分类方面的潜力，首先考察了基于月度的VI数据集的物种特异性分布。

该方法与以往利用物候信息的研究一致，通过识别物种间光谱分化最为显著的时间窗口来实现（Diao & Wang, 2016; C. Zhao et al., 2024）。具体而言，利用时间序列讨论了为应对基于物候的红树林物种制图所面临的挑战，本研究旨在实现三个相互关联的目标：（1）选择适当的植被指数；（2）从时间序列数据中提取物候特征；（3）确定有效的分类策略。研究结果表明，对时间序列植被指数应用谐波回归能够最好地表征物种特有的物候模式。当与高斯结合时。结论总之，本研究为美国大沼泽地国家公园的红树林物种分类提供了一种新颖的基于物候的遥感框架。通过将高时间分辨率的HLS观测数据与二次谐波回归相结合，从多种植被指数（NDVI、NDRE、EVI和MVI）中提取了五个关键物候参数（, , , 和）。随后将这些参数作为高斯混合模型的输入，不仅能够对三种主要红树林物种（红）进行分类。关于人类和动物研究的声明本研究未涉及人类参与者、人类数据、动物实验或动物受试者。因此，伦理审批、知情同意和动物使用批准均不适用。CRediT作者贡献声明Le Wang：撰写——审阅与编辑、监督、概念设计。Jing Miao：撰写——初稿、可视化、验证、方法论、形式分析、数据管理、概念设计未引用的参考文献Flores-de-Santiago et al., 2016; K et al., 2024; Shamim Hasan Mandal et al., 2020; Wang et al., 2022; Wang et al., 2022.利益冲突声明? 作者声明，他们不存在已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文所报道的工作。Jing Miao | Le Wang美国纽约州立大学布法罗分校地理系，105 Wilkeson Quad, Buffalo, NY 14261, USA