滩涂作为潮间带生态系统的重要组成部分，具有维持海岸线稳定，加速物质交换和促进碳循环等独特的环境调节服务功能和生态效益。对潮间带湿地现状进行准确、及时的评估对实现可持续管理目标至关重要。本文借助Google Earth Engine （GEE）云计算平台，选用2020年Sentinel-2密集时间序列遥感影像，集成最大光谱指数合成算法（Maximum spectral index composite，MSIC）和大津算法（Otsu）构建多层决策树分类模型，实现澳大利亚潮间带滩涂的快速自动化提取。经过矢量化处理得到2020年澳大利亚高分辨率潮间带滩涂空间分布数据集，提取的滩涂面积为10708.22 km2，总体精度为95.32%，Kappa系数为0.94。该数据集存储格式为.shp，时间分辨率为年，空间分辨率为10 m，数据量为87.8 M。
借助Google Earth Engine （GEE）云计算平台，选用2020年Sentinel-2密集时间序列遥感影像，集成最大光谱指数合成算法（Maximum spectral index composite，MSIC）和大津算法（Otsu）构建多层决策树分类模型，实现澳大利亚潮间带滩涂的快速自动化提取。
本研究基于GEE用2020年密集时间序列Sentinel-2卫星影像，集成MSIC和Otsu算法绘制了2020年澳大利亚潮间带滩涂空间分布图，（1）筛选并调用澳大利亚地区2020年所有满足条件的Sentinel-2 L2A系列产品，利用QA60波段剔除大量卷云层和厚云层的云像素，以获取高质量观测像素，即有效观测像素。计算归一化差异植被指数和改正后的归一化差异水指数并将其作为影像的两个新波段插入到影像集合中，以构建Sentinel-2高质量密集时序影像集合。（2）选取mNDWI和NDVI波段进行MSIC影像合成，分别生成最高潮影像和最低潮影像。将Otsu算法应用于最高潮影像，得到水体与非水体。鉴于滩涂的上限是人工岸线（堤坝、道路等），且与海水密切相连，通过保留最大水体斑块的思想获取潮间带最大水面。（3）利用潮间带最大水面掩膜提取最低潮影像，得到一幅包含海水、滩涂和潮间带植被的最大潮水淹没区域低潮影像。应用Otsu算法移除高NDVI像素以避免潮间带植被对滩涂提取的影响，得到一幅海水滩涂图像。将Otsu应用于海水滩涂影像，实现滩涂的快速、高精度、稳健提取。通过矢量化处理和叠加分析，最终得到2020年澳大利亚潮间带滩涂空间分布数据。
2020年澳大利亚高分辨率潮间带滩涂空间分布数据集，提取的滩涂面积为10708.22 km2，总体精度为95.32%，Kappa系数为0.94。该数据集存储格式为.shp，时间分辨率为年，空间分辨率为10 m，数据量为87.8 M。
| # | 编号 | 名称 | 类型 |
| 1 | 42001383 | 国家自然科学基金青年基金项目 | 国家自然科学基金 |
| 2 | ZR2020QD020 | 山东省自然科学基金青年基金项目 | 国家自然科学基金 |
| 3 | 42101399 | 国家自然基金委-青年基金项目 | 国家自然科学基金 |
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.RS.DB2883.2023
10.12072/ncdc.rs.db2883.2023
