基于Google Earth Engine遙感大數據云平臺的鹽城鹽沼植被精細分類研究

呂林，易文彬，崔丹丹，王楠，張東，謝正磊1，

（1.自然資源部濱海鹽沼濕地生態與資源重點實驗室，江蘇 南京 210017；2.南京師范大學海洋科學與工程學院，江蘇 南京 210023；3.江蘇省海域使用動態監視監測中心，江蘇 南京 210003）

植被是陸地生態系統的重要組成部分，在促進全球能量交換、維持生態平衡、預測未來生態系統的演化方面具有重要作用[1]。植被類型識別和分布是植被研究的基礎[2]。濱海鹽沼濕地位于海陸交錯地帶，主要指受潮汐作用影響、有耐鹽性植被生長的河口以及淤泥質海岸地區[3]。江蘇鹽城濱海鹽沼濕地由于外來物種入侵，鹽沼植被景觀格局發生了重要變化，快速高效地獲取鹽沼植被的時空變化對保護濱海鹽沼濕地生態系統以及預測其未來演化具有重要意義。植被是生態環境變化的重要指標，植被監測一般分為地面實測和遙感監測。地面實測需要花費大量的人力、物力、財力，監測時效性較差，準確性得不到保證，容易受到區域可達性、天氣狀況等影響。遙感監測具有較強的連續監測能力，能有效捕捉鹽沼植被的時空動態演變[4-5]。遙感技術在監測全球土地覆蓋變化以及生態系統的動態變化等方面被廣泛應用[4]。很多研究應用中等分辨率光學遙感影像和中等分辨率成像光譜儀進行植被信息提取，通過植被動態監測可以獲取植被的縮減與擴張面積、災害后植被的恢復情況和監測物種入侵[2]。Workie等[6]以埃塞俄比亞為研究區，利用MODIS NDVI、MODIS 地表溫度數據和2002－2015 年降水數據，使用多元回歸分析降水量和溫度與NDVI關系，利用NDVI的年際變化構建的植物物候得到了氣候變化對植被物候的影響。孟祥珍等[7]依托Google Earth Engine （GEE）平臺選取了2014－2019 年Landsat 8 OLI 時間序列數據，通過分析不同植被生長狀況獲取物候特征差異時相數據，構建了決策樹提取互花米草。Zhang 等[8]基于Landsat 影像，采用監督分類的方法獲得了中國濱海濕地互花米草的時空分布。陳康明等[9]基于Google Earth Engine平臺和Landsat 長時序歷史影像，利用連續變化檢測和分類算法反演了近30 年中國南方（浙江以南）濱海鹽沼植被的時空分布。大量研究成果主要集中在人工林、紅樹林和互花米草的識別提取以及指標的動態監測上，但是基于遙感平臺對鹽沼植被進行精細提取且從整體空間格局與過程角度，闡釋濱海鹽沼植被景觀格局以及氣候變化對鹽沼植被影響方面的研究比較缺乏。目前，濱海鹽沼濕地植被監測仍存在以下不足：采用傳統數據獲取與處理方法，分類速度與精度很難兼得，大多數立足于幾期遙感影像和樣點的調查角度，效率較低[10]；植被類型之間異物同譜現象，依靠單幅遙感影像很難有效區分，在分類時需要綜合考慮植被間的物候差異特征[11]。

鹽城濱海鹽沼濕地是典型的淤泥質海岸濕地，是我國首處濱海濕地類世界自然遺產，在自然與人為影響下其景觀結構不斷發生變化[12-13]。分析鹽城濱海鹽沼濕地地表覆蓋類型及變化對于研究鹽城濱海鹽沼濕地的氣候變化與人類活動影響，以更好地保護這一自然遺產具有重要的科學價值。張華兵等[14]從景觀尺度揭示了鹽城保護區核心區景觀植被帶具有明顯帶狀分布特征并不斷向海淤漲。姚成等[15]以生態要素調查視角揭示了水文、鹽分等土壤性狀對濕地植被演變的影響。不少學者從宏觀和微觀尺度研究了江蘇鹽城淤泥質濱海濕地景觀演變特征，以及自然和生態要素影響。濱海鹽沼植被中互花米草是多年生常綠植物，其光譜特征容易與水田等類似植被混淆，僅用光譜特征進行識別鹽沼植被很難達到理想的效果。在進行長時序動態監測分析時，傳統的遙感技術面臨著衛星重訪周期、云雨干擾、海量數據的獲取、存儲、預處理、分析以及機器配置等巨大挑戰。

谷歌地球引擎（Google Earth Engine，GEE）具有強大的數據存儲和處理能力、便捷的數據共享以及使用成本低等優勢逐漸成為大尺度遙感研究的重要工具[2，4，16-17]，但基于GEE遙感大數據云處理平臺開展濱海鹽沼植被的細分類以及氣候因素對鹽沼植被生長影響的研究較少。本文以江蘇省鹽城濱海濕地為例，借助于GEE 云平臺的2000－2020年Landsat 5、Landsat7、Landsat8和Sentinel-2遙感影像，綜合多源特征構建分類方案，結合隨機森林分類方法和鹽沼植被物候特征，對鹽城濱海濕地植被解譯和提取，獲取鹽城濱海鹽沼植被的時空演變信息，分析氣候因素對鹽沼植被生長的影響，充分了解、掌握濱海鹽沼植被的時空分布的歷史演變規律及其控制機制，實現鹽沼植被擴張動態監測，為濱海鹽沼濕地生態保育以及制定科學管理政策提供科學依據。

1 研究區與數據源

1.1 研究區概況

江蘇鹽城濱海濕地地處江蘇省中部沿海，位于黃海海域內，是亞洲最大的淤泥質潮間帶濕地，隸屬于東臺、大豐、射陽、濱海、響水等縣（市、區）的沿海灘涂，面積約為4.55×103km2，占全省灘涂面積的75%。研究區海岸線全長約582 km，屬于亞熱帶與暖溫帶的過渡地帶，年平均氣溫13.7～14.8 ℃，年降雨量為900～1 100 mm。地貌類型為海積平原。區域內有江蘇鹽城濕地珍禽國家級自然保護區，該保護區是我國最大的海岸帶保護區，其核心區地處120°26′40″－120°40′40″E，33°25′00″－33°42′40″N，位于保護區中部，北至新洋港出海河南岸，南至斗龍港出海河北岸，西至海堤，面積為195.25 km2（圖1）。保護區以中路港為界分為南、北兩部分，北部主要為人工管理區，受人類活動干擾強烈，景觀組分單一，主要為養殖塘等人為景觀。南部主要為自然濕地區，受人類活動影響程度較弱，基本保留著原始濕地景觀[18]。由陸地向海洋主要分布有蘆葦帶、堿蓬帶、米草帶和無植被帶（潮間帶光泥灘）[19-20]。適宜的氣候條件和水文動力，孕育了多樣的濕地生態類型。鹽城濱海濕地是至今為數不多的典型原始海岸之一，保持著完整的、天然的潮灘植被演替序列和生態系統結構。

圖1 鹽城濱海濕地核心區

1.2 數據源

基于GEE 平臺，選取2000 年1 月1 日至2020年12 月31 日Landsat 影像數據（30 m 分辨率）和Sentinel-2 影像數據（10 m 分辨率）進行鹽沼濕地地表覆蓋提取及變化監測。本研究共使用347景影像，其中Landsat 5的2000－2008年共97景影像，Landsat 7 的2000－2012 年 共113 景 影 像，Landsat 8 的2013－2016 年 共48 景 影 像，以 及Sentinel-2 的2017－2020 年共89 景影像（圖2）。利用GEE 的simpleComposite 算法模塊對每年的原始Landsat 和Sentinel-2 衛星影像進行輻射定標、影像去云處理，合成年際最小云量影像，并通過Filter函數對影像進行時間、區域篩選。

圖2 本研究獲取有效影像數量（2000－2020年）

參考Google Earth Pro 和高分2 號中的歷史高清影像，通過GEE 平臺在線選取樣本點，共選取樣本點7 121個，每年選取的樣本點中70%作為訓練樣本，30%為驗證樣本，2000－2020 年各地物類型樣本點情況如圖3所示。

圖3 本研究選取樣本點數（2000－2020年）

2 研究方法

本文基于GEE 遙感云平臺，利用濱海鹽沼植被物候特征差異對濱海鹽沼植被進行精細提取。首先，參考Google Earth Pro 和高分2 號中的歷史高清影像，并結合Landsat 5、Landsat 7、Landsat 8和Sentinel-2 影像不同的波段組合選擇樣本，結合歸一化植被指數（Normalized Difference Vegetation Index，NDVI），歸一化水體指數（Normalized Difference Water Index，NDWI）、增強型植被指數（Enhanced Vegetation Index，EVI）和土壤調節植被指數（Soil Adjusted Vegetation Index，SAVI）提取出養殖塘、自然水體和濱海鹽沼植被區；然后，利用時間諧波分析法構建鹽沼植被NDVI時間序列曲線，確定鹽沼植被物候特征差異；最后，通過隨機森林分類法，精細提取鹽城市三類典型濱海鹽沼植被。技術路線如圖4所示。

圖4 濱海鹽沼植被提取流程圖

2.1 分類體系構建

鹽城濱海濕地作為典型的原生濕地之一，自然植被保存完整，植被類型豐富多樣。鹽城濱海鹽沼濕地植被類型主要包括蘆葦、堿蓬、米草等優勢植被[21-23]。鹽城處于江蘇省灘涂圍墾的核心區，隨著建設“海上蘇東”戰略的提出、百萬畝灘涂大開發計劃的實施，鹽城圍墾面積遠高于其他城市，甚至出現私自圍墾、亂挖養殖塘的現象[24]。本文結合影像判讀和實地調查以及前人研究成果，將研究區地表覆被類型劃分為五類：蘆葦、堿蓬、米草、養殖塘和自然水體（海洋、河流、沼澤等）。通過目視解譯的方式，參考Google Earth Pro和高分2 號中的歷史高清影像，并利用Landsat 5、Landsat7、Landsat8 和Sentinel-2 影像不同的波段，根據需求選擇對應RGB 合成顯示，繼而選取樣本點。隨機選取樣本的70%作為訓練數據，剩余30%樣本作為測試數據以進行精度評價。

2.2 時間序列諧波分析法

由于在GEE 平臺調用影像數據集時對影像進行了時間、空間以及云量的篩選，導致計算得出的鹽沼植被NDVI原始值曲線粗糙、不平滑、不連續，且存在突然下降或增長的異常值。時間序列諧波分析法（Harmonic Analysis of Time Series，HATS）能夠準確描述時間序列數據的變化規律，是進行定量監測植被動態變化的物候分析方法[25-26]。諧波分析由MODIS-NDVI 或MODIS-EVI數據產品得到每一個像元對應地表NDVI或EVI隨時間變化的離散波信號，通過最小二乘法的迭代擬合剔除原始數據中受云污染影響較大和偏離閾值最大點，借助傅里葉變換將時間域的波形變化到頻率域實現曲線的分解和重構，用一系列正弦波來表示NDVI 或EVI波動，以此得到更加合理的數據，準確反映植被周期性變化規律[27-28]。其計算公式如下：

式中：i為擬合數據序號；j為原始數據序號；A0為諧波余項，等于序列平均值；Aj為各諧波振幅；ωj= 2jπ∕N為各諧波頻率，N為序列長度；θj為各諧波初相位；n為諧波個數，等于N-1[29]。本文選用時間序列諧波分析法對其進行處理，處理后的植被NDVI值，剔除了受云干擾的點或偏離閾值的最大點，利用剩余有效點重構鹽沼植被NDVI時間序列曲線，更加真實、清晰地反映鹽沼植被生長規律。

2.3 分類方法與植被覆蓋度遙感反演模型

隨機森林（Random Forest，RF）是Leo Breiman于2001 年提出的一種基于分類回歸樹的組合分類算法[30]，是一種利用多棵決策樹對樣本進行訓練并集成預測的分類器，具有學習速度快、人工干預少和精確度高等優點。在隨機森林算法中，需要定義兩個參數：分類樹數目和每個節點分割使用的預測變量的數目。雖然較大分類樹數目會帶來計算上的復雜性，但是也會改善分類效果[31]。隨機森林分類能直接處理高維數據，對噪聲和異常值有一定的容忍度，且預測誤差小，不易產生過擬合問題，在濕地遙感分類研究中具有較好的效果。

利用長時間序列遙感影像反演植被覆蓋度，特征指數的選擇十分重要，在分類特征上，常利用歸一化植被指數（Normalized Difference Vegetation Index，NDVI），歸一化水體指數（Normalized Difference Water Index，NDWI）、增強型植被指數（Enhanced Vegetation Index，EVI）、歸一化差值濕度 指 數（Normalized Difference Moisture Index，NDMI）等光譜特征變量及紋理參數來區分濕地植被和非濕地植被[32-33]。而NDVI是植被監測最為常用的模型，對植被監測更為敏感。為了提高研究區地物提取精度，本文選用歸一化植被指數（NDVI）、歸一化水體指數（NDWI）、增強植被指數（EVI）和土壤調節植被指數（Soil Adjusted Vegetation Index，SAVI）。SAVI 是Huete[34]基于NDVI 提出的，用以減少NDVI 對土壤背景的敏感性。L 是隨著植被密度而發生變化參數，取值范圍為0～1，L=0時，表示土壤背景的影響為零，即植被茂密，覆蓋度極高，反之則L=1。因此對于濕地而言，L 取0.5 時消除土壤反射率效果較好[34-36]。特征值計算公式如下：

式中：ρred、ρgreen、ρblue、ρnir分別為各傳感器的紅色、綠色、藍色和近紅波段反射率；L 為常數，取值0.5。

根據測試樣本對分類結果進行精度評價，評價指標包括總體精度（Overall Accuracy，OA）、用戶精度（User′s Accuracy，UA）、生產者精度（Producer′s Accuracy，PA）、Kappa 系數等，其中OA 和Kapp 系數用來評價總體分類精度，PA 和UA 用來衡量各類的錯分誤差[37]，從不同的方面評價影像分類的結果。

3 結果與分析

3.1 鹽城濱海濕地鹽沼植被NDVI時間變化特征

根據NDVI 計算公式，基于GEE 平臺獲得了蘆葦、堿蓬、米草三種鹽沼植被NDVI值，由于研究年限較長，且每年鹽沼植被NDVI值變化存在相似特征，故選用了2000年和2020年三類鹽沼植被NDVI值進行分析，以獲得鹽城濱海濕地蘆葦、堿蓬和米草生長情況（圖5）。

蘆葦3－5 月（春季）的NDVI 值為0.15～0.4，3 月NDVI 值處于0.15 左右，蘆葦進入生長期；6－8 月（夏季）NDVI 值達到0.3～0.5，蘆葦處于生長茂盛期；9－11 月（秋季）NDVI 值維持在0.4～0.5 左右，最高可達到0.6，然后NDVI 值開始下降，生長開始減緩，逐步進入衰退期；12 月到次年2月（冬季）NDVI低于0.15，蘆葦植被凋落。堿蓬3－5 月（春季）的NDVI 值為0.1～0.3，此時堿蓬植被開始有初步生長態勢；6－8 月（夏季）NDVI 值為0.3～0.4，處于持續生長階段；9－11 月（秋季）NDVI 值保持在0.5 左右，生長速度減緩；12 月至次年2 月（冬季）NDVI 值小于0.15，進入凋落狀態?；セ撞?－5 月（春季）的NDVI 值為0.15～0.3，米草植被開始緩慢生長；6－8 月（夏季）NDVI 值達到0.4～0.6，米草植被生長迅猛；9－11月（秋季）NDVI值高達0.7左右，此時生長茂盛；12 月到次年2 月，NDVI 值在0.15 以上，米草植被保持持續生長狀態。

3.2 鹽城濱海濕地植被時空演變特征

基于GEE 平臺、運用隨機森林分類方法，并引入SAVI 和城濱海鹽沼植被NDVI 時間變化特征作為特征值進行分類，獲得2000－2020 年鹽城濱海鹽沼植被時空分布格局（圖6）。

圖6 2000－2020年鹽城濱海濕地核心區鹽沼植被時空分布

總體而言，2000－2020 年蘆葦、米草面積呈上升趨勢，養殖坑塘和堿蓬不斷減少，自然水體面積基本保持不變（圖6）。圖7 為鹽城濱海濕地各覆蓋類型逐年面積，可以看出2000－2003 年養殖坑塘面積持續擴張，2003 年養殖坑塘面積擴張至36.71 km2，面積擴張率達到18.11%。2004－2020 年，養殖坑塘面積逐漸減少，從2006 年的25.62 km2縮 減 至2020 年 的1.02 km2，縮減 率 為96.02%。2014－2015 年養殖坑塘面積劇烈下降，2015 年僅存保護區核心區西部和西南角部分養殖坑塘。自然水體在2000－2020 年間面積基本無變化，除2019 年自然水體面積為133.4 km2外，其余年份面積一直處于120～130 km2之間。

就鹽沼植被而言，蘆葦和互花米草面積變化穩定，整體面積呈擴張趨勢。蘆葦主要分布在養殖坑塘和堿蓬植被帶之間，2000－2003 年，蘆葦整體面積小于堿蓬，且養殖坑塘不斷擴張侵占了蘆葦生境，蘆葦斑塊愈漸破碎，2003 年蘆葦面積為近20 年來最低，僅為36.8 km2。2004－2020 年蘆葦群落面積整體處于持續增長狀態，除2008年、2013年、2017年以及2019年有小幅下降，蘆葦群落2000－2020 年面積擴張率達到109.7%，2020 年蘆葦群落面積擴張至92.3 km2，為歷史最高?；セ撞萑郝涿娣e基本上處于穩步增長狀態，面積擴張率高達125%，但在2000－2006 年，群落面積小于堿蓬面積，且2000－2004 年間互花米草以小斑塊聚集在新洋河南岸潮灘地帶。2000－2020 年堿蓬群落面積整體為下降趨勢，2001 年面積驟減至31 km2，縮減率達到36.86%，在2002 年面積又回升至44.4 km2，此外2008 年、2015 年和2020 年堿蓬群落面積相較于前一年都略有回升。從2018 年開始，堿蓬植被群落基本消失，2000－2020 年堿蓬群落面積縮減率高達95.3%，為五類地物覆蓋類型中最高。

3.3 提取精度驗證

考慮研究所用影像較多，以及后期某些地物的大面積消失，因此選擇以2006 年影像為例，基于隨機森林分類方法，添加物候特征和SAVI指數分類和未添加物候特征和SAVI指數進行分類，分類結果如圖8（b）、（c）所示。

圖8 江蘇鹽城國家級自然保護區核心區分類結果對比

從總體分類效果而言，添加物候特征和SAVI指數進行分類和未添加物候特征和SAVI指數進行分類都能將不同地物識別出來（圖8），但是在分類細節上，添加物候特征和SAVI指數進行分類能將養殖坑塘和自然水體區分得更加細致。如研究區北部為河流，未添加物候特征和SAVI指數進行分類將其錯分為養殖坑塘，且無法區分潮溝與植被。在鹽沼植被細分上，添加物候特征和SAVI指數進行分類很大程度上避免了蘆葦、堿蓬、互花米草三類植被的錯分、混分現象。綜合對比研究發現，添加物候特征和SAVI指數進行分類效果要優于未添加物候特征和SAVI指數分類效果。

表1 對比了兩種分類方法的分類精度，未添加物候特征和SAVI 指數進行分類的總體精度（Overall Accuracy） 和Kappa 系數分別為82%和0.78，養殖坑塘分類精度極低，生產者精度（PA）和用戶精度（UA）分別為60%和64%。添加物候特征和SAVI指數進行分類后，各種地物類型的分類精度都得到了改善，尤其是養殖坑塘的分類精度?；陔S機森林分類方法并結合鹽沼植被物候特征差異和SAVI指數進行鹽沼植被精細提取分類精度較高，總體精度普遍位于90%左右，Kappa系數為0.80以上，分類精度分布圖見圖9。

表1 添加物候特征和SAVI指數和未添加物候特征和SAVI指數分類精度對比

圖9 分類精度分布情況

3.4 氣象條件對鹽沼植被變化的影響

植被生長受到氣候因素影響和制約，植被光合作用和呼吸作用都與氣溫有關，降雨量會改變土壤含水量從而影響植被水分收支平衡?；贕EE 平臺，獲取了研究區2000－2020 年降水量（GPM 數據）和氣溫（MOD11A1 的白天平均地表溫度數據）（圖10），通過相關性分析，對年降水量和年均氣溫與蘆葦、堿蓬以及米草年均NDVI值進行分析，研究氣候因素對鹽沼植被生長影響（表2）。

表2 鹽城濱海鹽沼濕地氣候因素與鹽沼植被NDVI值相關性

圖10 2000－2020年研究區年降水量、年均氣溫變化

可以看到年降水量與蘆葦、堿蓬和米草NDVI年均值都呈現正相關性（表2），但與蘆葦和堿蓬NDVI 年均值屬于強相關，與互花米草NDVI 年均值相關性弱；年均氣溫與蘆葦和米草NDVI值正相關，與米草NDVI年均值中等程度相關，但與蘆葦NDVI 年均值弱相關，與堿蓬NDVI 年均值呈負相關，且相關性極弱。

年均氣溫與鹽沼植被NDVI年均值變化不存在明顯規律（圖11），年降水與蘆葦和堿蓬NDVI 年均值有著較為相似的變化規律，結合表2 可知，降水量與蘆葦、堿蓬和米草NDVI年均值都呈現正相關性，相關系數分別為0.697、0.804 和0.385；氣溫與蘆葦和米草NDVI年均值呈正相關，相關系數分別為0.243 和0.534，與堿蓬呈負相關，相關系數為-0.069。由此得出，氣候因素中，降水對蘆葦和堿蓬生長影響較大，氣溫對米草生長的影響相較其他兩個因素而言最大。

圖11 降雨、氣溫和蘆葦、堿蓬、米草NDVI年均值變化趨勢

4 討論

GEE 遙感云平臺出現以來，憑借其海量數據集、強大的計算能力、便捷的數據共享等優勢逐漸成為地球系統科學研究的重要工具[2]。江蘇鹽沼植被研究面臨的一個科學問題是如何高效快速精細提取植被信息，從而充分了解濱海鹽沼植被的時空分布的歷史演變規律及其控制機制。植被提取方法眾多，不同的方法各有其優勢和不足，綜合多種優勢，使用多種特征變量及特征變量組合是提升分類精度和效率的重要途徑[17]。目前，大多研究采用計算光譜特征和植被指數，利用監督和非監督分類算法對鹽沼植被進行提取，或利用無人機通過目視解譯的方式對鹽沼植被進行分類提取。不同的植被類型其光譜特征存在明顯差異。近年來，綜合光譜、地形和土壤等特征的植被提取方法被廣泛應用?，F有大多植被遙感提取大多以影像中的光譜特征差異為基礎，但由于受自然條件影響，導致“同物異譜”與“異物同譜”的現象十分普遍[38]，從而使得植被提取過程中出現錯分、混分，植被細分類精度不高。植被指數是根據植被的光譜特征，將衛星可見光和近紅外波段進行組合形成的，是對地表植被狀況的簡單、有效和經驗的度量[39]。目前較為常用的歸一化植被指數（NDVI）是有效提高植被覆蓋度監測靈敏度的重要指標[40]，但其對背景敏感度最大且有明顯的地域性和時效性，受植物本身、環境和大氣條件的影響。因此，單一使用植被指數對植被進行分類、提取的精度較低。包廣道等[40]基于GEE，利用歸一化差異植被指數（NDVI）分析了2000－2019 年阿勒泰地區的植被時空格局。劉潤紅等[42]基于Google Earth 等高分辨率影像，采用目視解譯和面向對象的方法獲得2003－2015 年福建漳江口濕地米草的空間分布。這些遙感監測方法在分類、提取過程中受限條件較多且分類效率和精度較差?；谖锖蛱卣魈崛≈脖贿b感信息是目前應用較為廣泛的方法，其提取精度也得到了大大提高[38]。植物物候特征是指植物長期適應自然條件變化，形成生長節律的季節性和年際變化特征。植物物候遙感監測主要利用時間序列植被指數，如增強型植被指數（EVI）、歸一化差值植被指數（NDVI）等，通過分析植被指數時序數據所反映出的植物生長節律可識別植物物候特征[43]。將多源遙感數據相結合，多種特征變量相融合，是提高地物分類精度的有效方法，也是當前基于遙感的地物信息提取方法發展趨勢之一[38]。與傳統遙感監測方式相比，由GEE 云平臺直接調用多源長時間序列數據并結合鹽沼植被物候差異和特征指數對鹽沼植被進行識別和監測更加便捷、高效和準確，能有效彌補單一數據和分類方法的缺陷，提高整體提取精度，研究結果可以為鹽城鹽沼濕地自然遺產保護以及濕地生態可持續發展提供重要的決策支持。

土地覆被是地表各地物類型及其自然屬性和特征的綜合體，準確的土地覆被信息是自然資源評價的重要手段[44]。本文將鹽城濱海濕地土地覆被類型分為5 類：養殖坑塘、自然水體、蘆葦、堿蓬和米草。研究結果表明，自然水體面積變化趨勢較為穩定，僅2019 年突增至133.4 km2，經查閱資料發現，臺風“利馬奇”來襲致使研究區降水量暴增，從而使得研究區中積水增多，沼澤面積擴大。早期鹽城濱海濕地主要以開發利用為主，注重經濟發展，缺乏對濕地和生物多樣性的保護，養殖坑塘面積不斷增加，自然濕地面積不斷減少、破碎。自21 世紀開始相關政策轉變為利用與保護并重，2004 年頒布了《關于加強濕地保護管理的通知》[45]，后續相繼出臺了一系列保護措施，退圍還灘還濕，自然濕地逐步恢復。

互花米草自1979 年被我國引入[19]，在我國沿海廣泛栽培，其生命力旺盛、繁殖能力強，生長期長于蘆葦和堿蓬，侵占堿蓬生態位，迅速定居擴散，且在我國缺少天敵，故群落面積不斷擴大，逐漸成為優勢種，導致堿蓬面積銳減，這與姚成等學者的研究結果一致[15，46-48]。王聰等[19]系統地分析了1996－2010年這14年間鹽城潮灘濕地互花米草沼澤景觀的時空動態及其對濕地景觀空間格局的影響，其結果表明，鹽城潮灘濕地互花米草沼澤分布面積呈顯著增加趨勢?；セ撞菡訚煽臻g擴張特征表現為前期以沿平行海岸方向擴張為主；2006 年之后則主要表現為垂直海岸方向擴張為主，且向陸不斷入侵堿蓬沼澤，與本文研究分析所得結果一致。王娟等[49]就濱海濕地植物群落種間格局與競爭關系的時空變化特征的相關研究也得出了相似結論。

鹽城濱海濕地三種典型的鹽沼植被NDVI值存在不同的變化規律。蘆葦NDVI 值普遍高于堿蓬，這是由于鹽沼堿蓬為紅色，對綠光吸收較少。蘆葦在4 月中旬便開始進入快速生長期，而互花米草則晚于蘆葦，在5 月中旬左右才開始進入生長旺盛期?；セ撞菰诙静⑽纯菸?，依舊處于生長狀態，而蘆葦和堿蓬則在11 月末就開始逐漸凋零，與吳亞茜等[50]對鹽城潮間帶濕地鹽沼植被物候遙感監測所得出的結果一致。

有關氣候因素對鹽沼植被的影響研究中，降水對蘆葦和堿蓬NDVI年均值影響較大，對互花米草影響較小，而氣溫對互花米草的NDVI年均值影響較大，對蘆葦和堿蓬影響微弱。理論情況下，氣溫升高，加速土壤水分蒸發和植被蒸騰，從而使土壤含水量降低，植被蒸騰作用增強，影響植被的生長。而實際上，氣溫對蘆葦和互花米草NDVI年均值是正相關，對堿蓬雖是負相關但相關性不顯著，這與理論相矛盾。王文碩[51]對遼河口典型鹽生植被演替退化遙感監測的研究中也得出相似結論，但其導致這種結果是由于所選取的降水量和氣溫數據范圍過大，而本文選取的則僅為研究區范圍內的降水和氣溫數據。Nielsen 等[52]調查了澳大利亞北部灘涂濕地對氣候變化的響應，結果表明，干燥的氣候會引發區域降水和河流徑流的大幅減少，降低濕地水流補給和水文連通，會導致濕地生態系統失衡，影響濕地植被生長。孫萬龍等[53]基于長時間序列遙感影像，探究了黃河口潮間帶濕地景觀格局演替的主要驅動因素，結果表明，河流徑流量減少加重了土壤的鹽堿化，降低了濕地植被的存活率。本文僅研究了氣溫對鹽沼植被生長的直接影響，氣溫變化所產生的間接影響有待進一步研究探討。

5 結論

本文基于GEE 平臺的Landsat 5、Landsat 7、Landsat 8 以及Sentinel-2 影像，以江蘇鹽城濱海濕地為例，采用隨機森林分類法、結合特征指數，利用時間諧波分析法重構鹽沼植被NDVI指數時間曲線，確定鹽沼植被物候差異特征，對鹽城市三類典型鹽沼植被進行精細提取，研究2000－2020年鹽城濱海濕地鹽沼植被時空演變態勢。本文采用的提取方法相較傳統監測方式能夠快速、便捷地將鹽沼植被細分、提取且分類精度較高。結果表明：

（1）GEE 在鹽沼濕地地表覆被提取工作中具有處理數據量大、分類速度快的優勢，并且基于隨機森林分類算法結合植被物候特征和SAVI指數的提取結果準確可靠，分類精度均在85%以上。

（2）2000－2020 年，蘆葦和互花米草植被面積呈擴張趨勢，堿蓬植被面積不斷縮減，互花米草植被前期沿海岸帶擴張，后期向陸一側垂直擴張，不斷侵占堿蓬生境。

（3）鹽城三類典型鹽沼植被NDVI值變化規律不同。蘆葦和堿蓬春季開始進入生長期，夏季生長茂盛，秋季NDVI 值達到峰值，冬季枯萎死亡，兩者NDVI 值變化趨勢極為相似，但堿蓬NDVI 值普遍低于蘆葦?；セ撞荽耗┻M入生長期，略晚于蘆葦，夏季生長迅猛，秋季NDVI值達峰值，冬季仍然持續生長，生長期比蘆葦和堿蓬長2 個月左右。

（4）降水對鹽沼植被生長影響較為顯著，氣溫對鹽沼植被生長的直接影響較小。

致謝：南京師范大學海洋科學與工程學院李玉鳳教授提供了研究區邊界，在此致謝。