本文旨在向中文读者介绍一项发表于学术期刊《remote sensing》的研究。该研究由中国科学院东北地理与农业生态研究所的李慧莹、贾明明（通讯作者）、张荣、任永兴和温欣等研究人员合作完成，并于2019年10月24日正式发表。研究题目为“Incorporating the Plant Phenological Trajectory into Mangrove Species Mapping with Dense Time Series Sentinel-2 Imagery and the Google Earth Engine Platform”。本研究属于类型a，即报告了一项独立的原创性研究。以下为针对该研究的详细学术报告。
一、 研究背景与意义
本研究隶属于遥感应用与湿地生态学的交叉领域，具体聚焦于红树林物种分类制图。红树林是维持海岸带生态平衡和生物多样性的关键生态系统，不同红树物种具有不同的生态功能和环境适应能力。因此，获取高精度的红树林物种组成与空间分布信息，对于红树林生态系统的深入研究、保护与管理至关重要。
长期以来，遥感技术是监测红树林的有效手段。然而，利用免费获取的遥感影像在物种级别上精确绘制红树林分布图，一直是一个巨大的挑战。这主要源于两个原因：其一，红树林物种间通常具有相似的光谱特征和空间纹理，仅凭单一时相的影像难以区分；其二，红树林斑块破碎，且沿海地区多云多雨，难以获取连续、高质量的高分辨率时间序列影像。
针对上述问题，本研究提出了一个创新的解决方案：利用植物物候轨迹（phenological trajectory）来区分红树林物种。物候轨迹描述了植物在整个生长周期中光谱特征的时序变化，已被广泛应用于作物和内陆森林的识别。尽管红树林是常绿植物，但不同物种的物候节律（如落叶高峰期）存在差异。然而，在红树林物种制图中利用遥感物候信息的研究尚属空白。这主要是由于缺乏兼具高时空分辨率、高质量且易于获取的时间序列数据。
近年来，Sentinel-2卫星的问世和Google Earth Engine（GEE）云平台的发展为这一研究提供了契机。Sentinel-2卫星提供10米空间分辨率、2-5天重访周期的高质量多光谱影像，足以捕捉红树林斑块的细节及其季节性变化。而GEE平台则提供了海量预处理遥感数据和无须本地高性能计算即可运行的强大地理空间分析能力，使得处理密集时间序列数据变得高效可行。
因此，本研究的主要目标是：利用密集时间序列的Sentinel-2影像和GEE平台，开发一种基于物候学特征的红树林物种分类与制图方法。具体而言，研究旨在：（1）验证不同红树林物种物候轨迹（以NDVI时间序列表征）的差异性；（2）基于物候轨迹，利用随机森林算法实现红树林物种的分类制图，并评估其精度；（3）探究在区分红树林物种时起关键作用的物候期（月份）。
二、 研究区域与数据
研究区域位于中国福建省漳江口红树林国家级自然保护区的核心区，面积约2.5平方公里。该区域的优势红树物种为秋茄（Kandelia obovata， KO）、桐花树（Aegiceras corniculatum， AC）和白骨壤（Avicennia marina， AM），并混有少量木榄和老鼠簕。此外，潮间带前沿正被互花米草（Spartina alterniflora， SA）快速入侵。
研究使用的核心数据为2017年1月1日至2018年12月31日期间覆盖研究区的所有Sentinel-2 MSI Level-1C级影像，共计199景。这些影像已在GEE平台中存档为影像集。
地面参考数据通过2018年12月的实地调查和无人机航拍相结合的方式获取。实地调查获取了141个样本点。为了获得更充足、更纯净的训练与验证样本，研究团队于2018年12月29日低潮时进行了四次无人机飞行，生成了5厘米分辨率的正射镶嵌影像。通过构建并手动调整一个与Sentinel-2像元（10米×10米）对齐的渔网，从无人机影像上目视解译提取了纯净的样本地块。最终，共获取了秋茄（KO）115个、白骨壤（AM）121个、桐花树（AC）134个、互花米草（SA）108个、水体（WT）74个和泥滩（MF）105个样本地块。
三、 研究方法与详细流程
本研究的方法流程主要包括三个核心步骤：构建高质量Sentinel-2物候数据集、基于随机森林算法进行分类、以及识别对物种区分至关重要的月份。
步骤一：构建高质量Sentinel-2物候数据集（HSPData） 此步骤的目标是从原始Sentinel-2影像中生成一个能够清晰反映红树林物候轨迹的、无噪声且连续的时间序列NDVI数据集。具体操作在GEE平台中分三步进行： 1. 初始数据获取与云掩膜：调用GEE中2017-2018年的Sentinel-2 Level-1C影像集。利用影像自带的QA60波段（包含云层信息）对每景影像进行云和卷云掩膜，并缩放量化值（除以10000）。生成一个去云后的新影像集（S2IC）。统计显示，研究区内每个像元在两年内拥有102至111个有效观测值，构成了密集的时间序列。 2. 计算NDVI并构建初始物候数据集：对S2IC中的每景影像，计算归一化植被指数（NDVI）。NDVI是近红外波段与红光波段之差与之和的比值，是表征植被生长状况的常用指标。通过计算所有有效观测的NDVI，构建了一个空间分辨率为10米的时间序列NDVI影像集，称为初始哨兵物候数据集（ISPData）。 3. 时间序列重构与去噪：尽管进行了云掩膜，ISPData中仍存在由大气变化等因素引起的噪声和数据缺失。为了获得高质量的物候曲线，研究采用了时间序列谐波分析算法（Harmonic Analysis of Time Series， HANTS）。HANTS算法基于傅里叶级数构建时间序列模型，能够识别并剔除时间序列中的异常值（噪声），同时通过模型模拟值填补数据缺口。将HANTS算法应用于ISPData后，最终生成了高质量的哨兵物候数据集（HSPData）。图5和图6展示了应用HANTS前后NDVI时间序列曲线的对比，以及不同物种典型的NDVI物候轨迹。结果显示，不同红树物种的NDVI时间序列曲线存在明显差异，这为物种区分提供了基础。
步骤二：随机森林分类与特征重要性评估 本研究采用随机森林（Random Forest， RF）这一非参数集成分类算法进行物种分类。随机森林由大量决策树构成，每棵树基于从输入样本中随机抽取的自助样本生成，最终通过所有树的投票结果决定类别。其优点包括处理大数据效率高、对噪声和异常值鲁棒性强，并能提供输入特征重要性的定量评估。 * 算法实施：在GEE平台中运行随机森林分类器。参数设置为：决策树数量（ntree）为500，每棵树分裂时考虑的特征数（mtry）为5（基于交叉验证确定）。 * 分类特征：将HSPData中每个像元的时间序列NDVI值（即物候轨迹）作为分类特征输入随机森林模型。同时，将样本数据集随机分为训练集和测试集。 * 特征重要性度量：为了探究哪些月份（物候期）对物种分类贡献最大，研究从24个月中各选取了一景无云NDVI影像，构成一个包含24个特征（每月一个NDVI值）的数据集。通过计算两个指标来评估每个月份特征的重要性：平均精度下降值（Mean Decrease in Accuracy， MDA）和平均基尼下降值（Mean Decrease Gini， MDG）。这两个值越高，表明该特征（月份）对分类模型的贡献越大。
步骤三：精度验证与关键物候期分析 使用预留的测试样本，通过混淆矩阵计算分类图的总体精度、Kappa系数、生产者精度和用户精度，以定量评估分类结果的可靠性。同时，根据步骤二中计算出的特征重要性排序，确定对区分红树林物种最关键的那些月份。此外，研究还将仅使用重要性排名前9个月的NDVI数据进行分类，并与使用全部月份数据的分类结果进行对比，以验证关键物候期的有效性。
四、 主要研究结果
红树林物种物候轨迹的差异性：研究成功构建了HSPData，并提取了不同红树物种及互花米草的典型NDVI时间序列曲线（图6）。结果表明，在漳江口，秋茄（KO）、桐花树（AC）、白骨壤（AM）和互花米草（SA）的物候轨迹存在显著差异。例如，秋茄表现出明显的季节性波动，这与其较高的落叶率有关；白骨壤和桐花树的落叶率相似，但桐花树的NDVI值始终高于白骨壤。这些差异主要源于不同物种在生长季对寒冷和缺水的耐受能力不同。这一发现首次通过遥感时间序列数据量化展示了红树林物种间的物候差异，为后续分类奠定了理论基础。
基于物候的分类制图结果与精度：应用随机森林算法对HSPData进行分类，生成了红树林物种分布图（图7）。精度评估显示，该分类图的总体精度达到84%，Kappa系数为0.84（表1）。各物种的生产者精度和用户精度也均处于较高水平（如白骨壤的生产者精度为88%，用户精度为89%）。这证明了利用Sentinel-2密集时间序列NDVI所表征的物候轨迹，能够有效地区分和绘制红树林物种，且达到了较高的分类精度。这是首项基于遥感物候特征进行红树林物种制图的研究。
关键物候期的识别：特征重要性分析（表2）显示，对红树林物种区分贡献最大的月份主要集中在冬末和初春，包括2017年4月、1月、12月、2月，以及2018年3月、2月、1月等，这些月份的MDG值均高于10。交叉验证精度曲线（图8）表明，仅使用重要性排名前9个月的NDVI数据，分类精度即可达到83%（A点）；使用前22个月的数据即可达到最高精度。这明确指示了冬末和初春的物候信息在区分红树林物种中扮演着关键角色。仅使用这9个关键月份的数据进行分类，总体精度为82%，Kappa系数为0.78（表3），仅比使用全部数据下降了2%，进一步证实了这些关键物候期信息的有效性。
与无人机高分辨率制图结果的对比：研究将基于物候的Sentinel-2分类图与已发表的、基于无人机影像的高分辨率分类图进行了对比。两者在物种空间分布格局上基本一致，但在混合程度较高的区域，面积比例存在差异。这主要是由于Sentinel-2的10米空间分辨率导致混合像元的存在，而5厘米分辨率的无人机影像能更精细地区分相邻的树木。这一对比既验证了本研究方法的可靠性，也揭示了中分辨率卫星影像在精细物种制图中的局限性。
五、 研究结论与价值
本研究表明，利用基于Sentinel-2影像构建的NDVI时间序列（物候轨迹），结合GEE云平台和随机森林算法，在漳江口地区进行红树林物种制图是可行且可靠的。研究成功绘制了该区域首幅基于卫星影像的本地红树林物种图，并首次将植物物候轨迹应用于红树林物种遥感识别。
研究的科学价值在于：提出并验证了一种利用免费、中高分辨率遥感数据（Sentinel-2）和云平台（GEE）进行红树林物种精细分类的新范式。该方法突破了传统单一时相光谱分类的局限，通过挖掘时间维度上的物候信息，显著提升了物种区分能力。
应用价值在于：为红树林资源调查、生物多样性监测、入侵物种（如互花米草）监测以及生态系统管理提供了高效、低成本的技术手段。所展示的方法论可推广应用于其他地区红树林或其他高度混合的植被生态系统的制图。
六、 研究亮点与创新
七、 其他有价值的讨论
研究在讨论部分也坦诚指出了该方法的局限性：红树林的物候轨迹受到区域气候、海水盐度、土壤盐度、纬度以及局部生态相互作用等多种非生物和生物因素的影响。因此，同一红树物种在不同地点可能表现出显著不同的物候特征。这给将本研究方法直接推广到长期、大尺度的红树林物种监测带来了不确定性。未来的工作需要关注不同地点红树林物种物候轨迹的变异规律。
此外，研究还总结了利用GEE平台和无人机辅助采样的额外优势：GEE极大地简化了海量遥感数据的预处理和计算流程；无人机采样则是一种成本效益高、省时省力的获取高质量地面真值数据的方式。
本研究成功地将物候学信息融入红树林物种遥感分类，为利用开放遥感数据实现生态系统精细监测提供了重要的方法论参考和实践案例。