基于Google Earth Engine遥感大数据云平台的盐城盐沼植被精细分类研究

吕林，易文彬，崔丹丹，王楠，张东，谢正磊1，

（1.自然资源部滨海盐沼湿地生态与资源重点实验室，江苏 南京 210017；2.南京师范大学海洋科学与工程学院，江苏 南京 210023；3.江苏省海域使用动态监视监测中心，江苏 南京 210003）

植被是陆地生态系统的重要组成部分，在促进全球能量交换、维持生态平衡、预测未来生态系统的演化方面具有重要作用[1]。植被类型识别和分布是植被研究的基础[2]。滨海盐沼湿地位于海陆交错地带，主要指受潮汐作用影响、有耐盐性植被生长的河口以及淤泥质海岸地区[3]。江苏盐城滨海盐沼湿地由于外来物种入侵，盐沼植被景观格局发生了重要变化，快速高效地获取盐沼植被的时空变化对保护滨海盐沼湿地生态系统以及预测其未来演化具有重要意义。植被是生态环境变化的重要指标，植被监测一般分为地面实测和遥感监测。地面实测需要花费大量的人力、物力、财力，监测时效性较差，准确性得不到保证，容易受到区域可达性、天气状况等影响。遥感监测具有较强的连续监测能力，能有效捕捉盐沼植被的时空动态演变[4-5]。遥感技术在监测全球土地覆盖变化以及生态系统的动态变化等方面被广泛应用[4]。很多研究应用中等分辨率光学遥感影像和中等分辨率成像光谱仪进行植被信息提取，通过植被动态监测可以获取植被的缩减与扩张面积、灾害后植被的恢复情况和监测物种入侵[2]。Workie等[6]以埃塞俄比亚为研究区，利用MODIS NDVI、MODIS 地表温度数据和2002－2015 年降水数据，使用多元回归分析降水量和温度与NDVI关系，利用NDVI的年际变化构建的植物物候得到了气候变化对植被物候的影响。孟祥珍等[7]依托Google Earth Engine （GEE）平台选取了2014－2019 年Landsat 8 OLI 时间序列数据，通过分析不同植被生长状况获取物候特征差异时相数据，构建了决策树提取互花米草。Zhang 等[8]基于Landsat 影像，采用监督分类的方法获得了中国滨海湿地互花米草的时空分布。陈康明等[9]基于Google Earth Engine平台和Landsat 长时序历史影像，利用连续变化检测和分类算法反演了近30 年中国南方（浙江以南）滨海盐沼植被的时空分布。大量研究成果主要集中在人工林、红树林和互花米草的识别提取以及指标的动态监测上，但是基于遥感平台对盐沼植被进行精细提取且从整体空间格局与过程角度，阐释滨海盐沼植被景观格局以及气候变化对盐沼植被影响方面的研究比较缺乏。目前，滨海盐沼湿地植被监测仍存在以下不足：采用传统数据获取与处理方法，分类速度与精度很难兼得，大多数立足于几期遥感影像和样点的调查角度，效率较低[10]；植被类型之间异物同谱现象，依靠单幅遥感影像很难有效区分，在分类时需要综合考虑植被间的物候差异特征[11]。

盐城滨海盐沼湿地是典型的淤泥质海岸湿地，是我国首处滨海湿地类世界自然遗产，在自然与人为影响下其景观结构不断发生变化[12-13]。分析盐城滨海盐沼湿地地表覆盖类型及变化对于研究盐城滨海盐沼湿地的气候变化与人类活动影响，以更好地保护这一自然遗产具有重要的科学价值。张华兵等[14]从景观尺度揭示了盐城保护区核心区景观植被带具有明显带状分布特征并不断向海淤涨。姚成等[15]以生态要素调查视角揭示了水文、盐分等土壤性状对湿地植被演变的影响。不少学者从宏观和微观尺度研究了江苏盐城淤泥质滨海湿地景观演变特征，以及自然和生态要素影响。滨海盐沼植被中互花米草是多年生常绿植物，其光谱特征容易与水田等类似植被混淆，仅用光谱特征进行识别盐沼植被很难达到理想的效果。在进行长时序动态监测分析时，传统的遥感技术面临着卫星重访周期、云雨干扰、海量数据的获取、存储、预处理、分析以及机器配置等巨大挑战。

谷歌地球引擎（Google Earth Engine，GEE）具有强大的数据存储和处理能力、便捷的数据共享以及使用成本低等优势逐渐成为大尺度遥感研究的重要工具[2，4，16-17]，但基于GEE遥感大数据云处理平台开展滨海盐沼植被的细分类以及气候因素对盐沼植被生长影响的研究较少。本文以江苏省盐城滨海湿地为例，借助于GEE 云平台的2000－2020年Landsat 5、Landsat7、Landsat8和Sentinel-2遥感影像，综合多源特征构建分类方案，结合随机森林分类方法和盐沼植被物候特征，对盐城滨海湿地植被解译和提取，获取盐城滨海盐沼植被的时空演变信息，分析气候因素对盐沼植被生长的影响，充分了解、掌握滨海盐沼植被的时空分布的历史演变规律及其控制机制，实现盐沼植被扩张动态监测，为滨海盐沼湿地生态保育以及制定科学管理政策提供科学依据。

1 研究区与数据源

1.1 研究区概况

江苏盐城滨海湿地地处江苏省中部沿海，位于黄海海域内，是亚洲最大的淤泥质潮间带湿地，隶属于东台、大丰、射阳、滨海、响水等县（市、区）的沿海滩涂，面积约为4.55×103km2，占全省滩涂面积的75%。研究区海岸线全长约582 km，属于亚热带与暖温带的过渡地带，年平均气温13.7～14.8 ℃，年降雨量为900～1 100 mm。地貌类型为海积平原。区域内有江苏盐城湿地珍禽国家级自然保护区，该保护区是我国最大的海岸带保护区，其核心区地处120°26′40″－120°40′40″E，33°25′00″－33°42′40″N，位于保护区中部，北至新洋港出海河南岸，南至斗龙港出海河北岸，西至海堤，面积为195.25 km2（图1）。保护区以中路港为界分为南、北两部分，北部主要为人工管理区，受人类活动干扰强烈，景观组分单一，主要为养殖塘等人为景观。南部主要为自然湿地区，受人类活动影响程度较弱，基本保留着原始湿地景观[18]。由陆地向海洋主要分布有芦苇带、碱蓬带、米草带和无植被带（潮间带光泥滩）[19-20]。适宜的气候条件和水文动力，孕育了多样的湿地生态类型。盐城滨海湿地是至今为数不多的典型原始海岸之一，保持着完整的、天然的潮滩植被演替序列和生态系统结构。

图1 盐城滨海湿地核心区

1.2 数据源

基于GEE 平台，选取2000 年1 月1 日至2020年12 月31 日Landsat 影像数据（30 m 分辨率）和Sentinel-2 影像数据（10 m 分辨率）进行盐沼湿地地表覆盖提取及变化监测。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（图2）。利用GEE 的simpleComposite 算法模块对每年的原始Landsat 和Sentinel-2 卫星影像进行辐射定标、影像去云处理，合成年际最小云量影像，并通过Filter函数对影像进行时间、区域筛选。

图2 本研究获取有效影像数量（2000－2020年）

参考Google Earth Pro 和高分2 号中的历史高清影像，通过GEE 平台在线选取样本点，共选取样本点7 121个，每年选取的样本点中70%作为训练样本，30%为验证样本，2000－2020 年各地物类型样本点情况如图3所示。

图3 本研究选取样本点数（2000－2020年）

2 研究方法

本文基于GEE 遥感云平台，利用滨海盐沼植被物候特征差异对滨海盐沼植被进行精细提取。首先，参考Google Earth Pro 和高分2 号中的历史高清影像，并结合Landsat 5、Landsat 7、Landsat 8和Sentinel-2 影像不同的波段组合选择样本，结合归一化植被指数（Normalized Difference Vegetation Index，NDVI），归一化水体指数（Normalized Difference Water Index，NDWI）、增强型植被指数（Enhanced Vegetation Index，EVI）和土壤调节植被指数（Soil Adjusted Vegetation Index，SAVI）提取出养殖塘、自然水体和滨海盐沼植被区；然后，利用时间谐波分析法构建盐沼植被NDVI时间序列曲线，确定盐沼植被物候特征差异；最后，通过随机森林分类法，精细提取盐城市三类典型滨海盐沼植被。技术路线如图4所示。

图4 滨海盐沼植被提取流程图

2.1 分类体系构建

盐城滨海湿地作为典型的原生湿地之一，自然植被保存完整，植被类型丰富多样。盐城滨海盐沼湿地植被类型主要包括芦苇、碱蓬、米草等优势植被[21-23]。盐城处于江苏省滩涂围垦的核心区，随着建设“海上苏东”战略的提出、百万亩滩涂大开发计划的实施，盐城围垦面积远高于其他城市，甚至出现私自围垦、乱挖养殖塘的现象[24]。本文结合影像判读和实地调查以及前人研究成果，将研究区地表覆被类型划分为五类：芦苇、碱蓬、米草、养殖塘和自然水体（海洋、河流、沼泽等）。通过目视解译的方式，参考Google Earth Pro和高分2 号中的历史高清影像，并利用Landsat 5、Landsat7、Landsat8 和Sentinel-2 影像不同的波段，根据需求选择对应RGB 合成显示，继而选取样本点。随机选取样本的70%作为训练数据，剩余30%样本作为测试数据以进行精度评价。

2.2 时间序列谐波分析法

由于在GEE 平台调用影像数据集时对影像进行了时间、空间以及云量的筛选，导致计算得出的盐沼植被NDVI原始值曲线粗糙、不平滑、不连续，且存在突然下降或增长的异常值。时间序列谐波分析法（Harmonic Analysis of Time Series，HATS）能够准确描述时间序列数据的变化规律，是进行定量监测植被动态变化的物候分析方法[25-26]。谐波分析由MODIS-NDVI 或MODIS-EVI数据产品得到每一个像元对应地表NDVI或EVI随时间变化的离散波信号，通过最小二乘法的迭代拟合剔除原始数据中受云污染影响较大和偏离阈值最大点，借助傅里叶变换将时间域的波形变化到频率域实现曲线的分解和重构，用一系列正弦波来表示NDVI 或EVI波动，以此得到更加合理的数据，准确反映植被周期性变化规律[27-28]。其计算公式如下：

式中：i为拟合数据序号；j为原始数据序号；A0为谐波余项，等于序列平均值；Aj为各谐波振幅；ωj= 2jπ∕N为各谐波频率，N为序列长度；θj为各谐波初相位；n为谐波个数，等于N-1[29]。本文选用时间序列谐波分析法对其进行处理，处理后的植被NDVI值，剔除了受云干扰的点或偏离阈值的最大点，利用剩余有效点重构盐沼植被NDVI时间序列曲线，更加真实、清晰地反映盐沼植被生长规律。

2.3 分类方法与植被覆盖度遥感反演模型

随机森林（Random Forest，RF）是Leo Breiman于2001 年提出的一种基于分类回归树的组合分类算法[30]，是一种利用多棵决策树对样本进行训练并集成预测的分类器，具有学习速度快、人工干预少和精确度高等优点。在随机森林算法中，需要定义两个参数：分类树数目和每个节点分割使用的预测变量的数目。虽然较大分类树数目会带来计算上的复杂性，但是也会改善分类效果[31]。随机森林分类能直接处理高维数据，对噪声和异常值有一定的容忍度，且预测误差小，不易产生过拟合问题，在湿地遥感分类研究中具有较好的效果。

利用长时间序列遥感影像反演植被覆盖度，特征指数的选择十分重要，在分类特征上，常利用归一化植被指数（Normalized Difference Vegetation Index，NDVI），归一化水体指数（Normalized Difference Water Index，NDWI）、增强型植被指数（Enhanced Vegetation Index，EVI）、归一化差值湿度 指 数（Normalized Difference Moisture Index，NDMI）等光谱特征变量及纹理参数来区分湿地植被和非湿地植被[32-33]。而NDVI是植被监测最为常用的模型，对植被监测更为敏感。为了提高研究区地物提取精度，本文选用归一化植被指数（NDVI）、归一化水体指数（NDWI）、增强植被指数（EVI）和土壤调节植被指数（Soil Adjusted Vegetation Index，SAVI）。SAVI 是Huete[34]基于NDVI 提出的，用以减少NDVI 对土壤背景的敏感性。L 是随着植被密度而发生变化参数，取值范围为0～1，L=0时，表示土壤背景的影响为零，即植被茂密，覆盖度极高，反之则L=1。因此对于湿地而言，L 取0.5 时消除土壤反射率效果较好[34-36]。特征值计算公式如下：

式中：ρred、ρgreen、ρblue、ρnir分别为各传感器的红色、绿色、蓝色和近红波段反射率；L 为常数，取值0.5。

根据测试样本对分类结果进行精度评价，评价指标包括总体精度（Overall Accuracy，OA）、用户精度（User′s Accuracy，UA）、生产者精度（Producer′s Accuracy，PA）、Kappa 系数等，其中OA 和Kapp 系数用来评价总体分类精度，PA 和UA 用来衡量各类的错分误差[37]，从不同的方面评价影像分类的结果。

3 结果与分析

3.1 盐城滨海湿地盐沼植被NDVI时间变化特征

根据NDVI 计算公式，基于GEE 平台获得了芦苇、碱蓬、米草三种盐沼植被NDVI值，由于研究年限较长，且每年盐沼植被NDVI值变化存在相似特征，故选用了2000年和2020年三类盐沼植被NDVI值进行分析，以获得盐城滨海湿地芦苇、碱蓬和米草生长情况（图5）。

芦苇3－5 月（春季）的NDVI 值为0.15～0.4，3 月NDVI 值处于0.15 左右，芦苇进入生长期；6－8 月（夏季）NDVI 值达到0.3～0.5，芦苇处于生长茂盛期；9－11 月（秋季）NDVI 值维持在0.4～0.5 左右，最高可达到0.6，然后NDVI 值开始下降，生长开始减缓，逐步进入衰退期；12 月到次年2月（冬季）NDVI低于0.15，芦苇植被凋落。碱蓬3－5 月（春季）的NDVI 值为0.1～0.3，此时碱蓬植被开始有初步生长态势；6－8 月（夏季）NDVI 值为0.3～0.4，处于持续生长阶段；9－11 月（秋季）NDVI 值保持在0.5 左右，生长速度减缓；12 月至次年2 月（冬季）NDVI 值小于0.15，进入凋落状态。互花米草3－5 月（春季）的NDVI 值为0.15～0.3，米草植被开始缓慢生长；6－8 月（夏季）NDVI 值达到0.4～0.6，米草植被生长迅猛；9－11月（秋季）NDVI值高达0.7左右，此时生长茂盛；12 月到次年2 月，NDVI 值在0.15 以上，米草植被保持持续生长状态。

3.2 盐城滨海湿地植被时空演变特征

基于GEE 平台、运用随机森林分类方法，并引入SAVI 和城滨海盐沼植被NDVI 时间变化特征作为特征值进行分类，获得2000－2020 年盐城滨海盐沼植被时空分布格局（图6）。

图6 2000－2020年盐城滨海湿地核心区盐沼植被时空分布

总体而言，2000－2020 年芦苇、米草面积呈上升趋势，养殖坑塘和碱蓬不断减少，自然水体面积基本保持不变（图6）。图7 为盐城滨海湿地各覆盖类型逐年面积，可以看出2000－2003 年养殖坑塘面积持续扩张，2003 年养殖坑塘面积扩张至36.71 km²，面积扩张率达到18.11%。2004－2020 年，养殖坑塘面积逐渐减少，从2006 年的25.62 km²缩 减 至2020 年 的1.02 km²，缩减 率 为96.02%。2014－2015 年养殖坑塘面积剧烈下降，2015 年仅存保护区核心区西部和西南角部分养殖坑塘。自然水体在2000－2020 年间面积基本无变化，除2019 年自然水体面积为133.4 km²外，其余年份面积一直处于120～130 km²之间。

就盐沼植被而言，芦苇和互花米草面积变化稳定，整体面积呈扩张趋势。芦苇主要分布在养殖坑塘和碱蓬植被带之间，2000－2003 年，芦苇整体面积小于碱蓬，且养殖坑塘不断扩张侵占了芦苇生境，芦苇斑块愈渐破碎，2003 年芦苇面积为近20 年来最低，仅为36.8 km²。2004－2020 年芦苇群落面积整体处于持续增长状态，除2008年、2013年、2017年以及2019年有小幅下降，芦苇群落2000－2020 年面积扩张率达到109.7%，2020 年芦苇群落面积扩张至92.3 km²，为历史最高。互花米草群落面积基本上处于稳步增长状态，面积扩张率高达125%，但在2000－2006 年，群落面积小于碱蓬面积，且2000－2004 年间互花米草以小斑块聚集在新洋河南岸潮滩地带。2000－2020 年碱蓬群落面积整体为下降趋势，2001 年面积骤减至31 km²，缩减率达到36.86%，在2002 年面积又回升至44.4 km²，此外2008 年、2015 年和2020 年碱蓬群落面积相较于前一年都略有回升。从2018 年开始，碱蓬植被群落基本消失，2000－2020 年碱蓬群落面积缩减率高达95.3%，为五类地物覆盖类型中最高。

3.3 提取精度验证

考虑研究所用影像较多，以及后期某些地物的大面积消失，因此选择以2006 年影像为例，基于随机森林分类方法，添加物候特征和SAVI指数分类和未添加物候特征和SAVI指数进行分类，分类结果如图8（b）、（c）所示。

图8 江苏盐城国家级自然保护区核心区分类结果对比

从总体分类效果而言，添加物候特征和SAVI指数进行分类和未添加物候特征和SAVI指数进行分类都能将不同地物识别出来（图8），但是在分类细节上，添加物候特征和SAVI指数进行分类能将养殖坑塘和自然水体区分得更加细致。如研究区北部为河流，未添加物候特征和SAVI指数进行分类将其错分为养殖坑塘，且无法区分潮沟与植被。在盐沼植被细分上，添加物候特征和SAVI指数进行分类很大程度上避免了芦苇、碱蓬、互花米草三类植被的错分、混分现象。综合对比研究发现，添加物候特征和SAVI指数进行分类效果要优于未添加物候特征和SAVI指数分类效果。

表1 对比了两种分类方法的分类精度，未添加物候特征和SAVI 指数进行分类的总体精度（Overall Accuracy） 和Kappa 系数分别为82%和0.78，养殖坑塘分类精度极低，生产者精度（PA）和用户精度（UA）分别为60%和64%。添加物候特征和SAVI指数进行分类后，各种地物类型的分类精度都得到了改善，尤其是养殖坑塘的分类精度。基于随机森林分类方法并结合盐沼植被物候特征差异和SAVI指数进行盐沼植被精细提取分类精度较高，总体精度普遍位于90%左右，Kappa系数为0.80以上，分类精度分布图见图9。

表1 添加物候特征和SAVI指数和未添加物候特征和SAVI指数分类精度对比

图9 分类精度分布情况

3.4 气象条件对盐沼植被变化的影响

植被生长受到气候因素影响和制约，植被光合作用和呼吸作用都与气温有关，降雨量会改变土壤含水量从而影响植被水分收支平衡。基于GEE 平台，获取了研究区2000－2020 年降水量（GPM 数据）和气温（MOD11A1 的白天平均地表温度数据）（图10），通过相关性分析，对年降水量和年均气温与芦苇、碱蓬以及米草年均NDVI值进行分析，研究气候因素对盐沼植被生长影响（表2）。

表2 盐城滨海盐沼湿地气候因素与盐沼植被NDVI值相关性

图10 2000－2020年研究区年降水量、年均气温变化

可以看到年降水量与芦苇、碱蓬和米草NDVI年均值都呈现正相关性（表2），但与芦苇和碱蓬NDVI 年均值属于强相关，与互花米草NDVI 年均值相关性弱；年均气温与芦苇和米草NDVI值正相关，与米草NDVI年均值中等程度相关，但与芦苇NDVI 年均值弱相关，与碱蓬NDVI 年均值呈负相关，且相关性极弱。

年均气温与盐沼植被NDVI年均值变化不存在明显规律（图11），年降水与芦苇和碱蓬NDVI 年均值有着较为相似的变化规律，结合表2 可知，降水量与芦苇、碱蓬和米草NDVI年均值都呈现正相关性，相关系数分别为0.697、0.804 和0.385；气温与芦苇和米草NDVI年均值呈正相关，相关系数分别为0.243 和0.534，与碱蓬呈负相关，相关系数为-0.069。由此得出，气候因素中，降水对芦苇和碱蓬生长影响较大，气温对米草生长的影响相较其他两个因素而言最大。

图11 降雨、气温和芦苇、碱蓬、米草NDVI年均值变化趋势

4 讨论

GEE 遥感云平台出现以来，凭借其海量数据集、强大的计算能力、便捷的数据共享等优势逐渐成为地球系统科学研究的重要工具[2]。江苏盐沼植被研究面临的一个科学问题是如何高效快速精细提取植被信息，从而充分了解滨海盐沼植被的时空分布的历史演变规律及其控制机制。植被提取方法众多，不同的方法各有其优势和不足，综合多种优势，使用多种特征变量及特征变量组合是提升分类精度和效率的重要途径[17]。目前，大多研究采用计算光谱特征和植被指数，利用监督和非监督分类算法对盐沼植被进行提取，或利用无人机通过目视解译的方式对盐沼植被进行分类提取。不同的植被类型其光谱特征存在明显差异。近年来，综合光谱、地形和土壤等特征的植被提取方法被广泛应用。现有大多植被遥感提取大多以影像中的光谱特征差异为基础，但由于受自然条件影响，导致“同物异谱”与“异物同谱”的现象十分普遍[38]，从而使得植被提取过程中出现错分、混分，植被细分类精度不高。植被指数是根据植被的光谱特征，将卫星可见光和近红外波段进行组合形成的，是对地表植被状况的简单、有效和经验的度量[39]。目前较为常用的归一化植被指数（NDVI）是有效提高植被覆盖度监测灵敏度的重要指标[40]，但其对背景敏感度最大且有明显的地域性和时效性，受植物本身、环境和大气条件的影响。因此，单一使用植被指数对植被进行分类、提取的精度较低。包广道等[40]基于GEE，利用归一化差异植被指数（NDVI）分析了2000－2019 年阿勒泰地区的植被时空格局。刘润红等[42]基于Google Earth 等高分辨率影像，采用目视解译和面向对象的方法获得2003－2015 年福建漳江口湿地米草的空间分布。这些遥感监测方法在分类、提取过程中受限条件较多且分类效率和精度较差。基于物候特征提取植被遥感信息是目前应用较为广泛的方法，其提取精度也得到了大大提高[38]。植物物候特征是指植物长期适应自然条件变化，形成生长节律的季节性和年际变化特征。植物物候遥感监测主要利用时间序列植被指数，如增强型植被指数（EVI）、归一化差值植被指数（NDVI）等，通过分析植被指数时序数据所反映出的植物生长节律可识别植物物候特征[43]。将多源遥感数据相结合，多种特征变量相融合，是提高地物分类精度的有效方法，也是当前基于遥感的地物信息提取方法发展趋势之一[38]。与传统遥感监测方式相比，由GEE 云平台直接调用多源长时间序列数据并结合盐沼植被物候差异和特征指数对盐沼植被进行识别和监测更加便捷、高效和准确，能有效弥补单一数据和分类方法的缺陷，提高整体提取精度，研究结果可以为盐城盐沼湿地自然遗产保护以及湿地生态可持续发展提供重要的决策支持。

土地覆被是地表各地物类型及其自然属性和特征的综合体，准确的土地覆被信息是自然资源评价的重要手段[44]。本文将盐城滨海湿地土地覆被类型分为5 类：养殖坑塘、自然水体、芦苇、碱蓬和米草。研究结果表明，自然水体面积变化趋势较为稳定，仅2019 年突增至133.4 km²，经查阅资料发现，台风“利马奇”来袭致使研究区降水量暴增，从而使得研究区中积水增多，沼泽面积扩大。早期盐城滨海湿地主要以开发利用为主，注重经济发展，缺乏对湿地和生物多样性的保护，养殖坑塘面积不断增加，自然湿地面积不断减少、破碎。自21 世纪开始相关政策转变为利用与保护并重，2004 年颁布了《关于加强湿地保护管理的通知》[45]，后续相继出台了一系列保护措施，退围还滩还湿，自然湿地逐步恢复。

互花米草自1979 年被我国引入[19]，在我国沿海广泛栽培，其生命力旺盛、繁殖能力强，生长期长于芦苇和碱蓬，侵占碱蓬生态位，迅速定居扩散，且在我国缺少天敌，故群落面积不断扩大，逐渐成为优势种，导致碱蓬面积锐减，这与姚成等学者的研究结果一致[15，46-48]。王聪等[19]系统地分析了1996－2010年这14年间盐城潮滩湿地互花米草沼泽景观的时空动态及其对湿地景观空间格局的影响，其结果表明，盐城潮滩湿地互花米草沼泽分布面积呈显著增加趋势。互花米草沼泽空间扩张特征表现为前期以沿平行海岸方向扩张为主；2006 年之后则主要表现为垂直海岸方向扩张为主，且向陆不断入侵碱蓬沼泽，与本文研究分析所得结果一致。王娟等[49]就滨海湿地植物群落种间格局与竞争关系的时空变化特征的相关研究也得出了相似结论。

盐城滨海湿地三种典型的盐沼植被NDVI值存在不同的变化规律。芦苇NDVI 值普遍高于碱蓬，这是由于盐沼碱蓬为红色，对绿光吸收较少。芦苇在4 月中旬便开始进入快速生长期，而互花米草则晚于芦苇，在5 月中旬左右才开始进入生长旺盛期。互花米草在冬季并未枯萎，依旧处于生长状态，而芦苇和碱蓬则在11 月末就开始逐渐凋零，与吴亚茜等[50]对盐城潮间带湿地盐沼植被物候遥感监测所得出的结果一致。

有关气候因素对盐沼植被的影响研究中，降水对芦苇和碱蓬NDVI年均值影响较大，对互花米草影响较小，而气温对互花米草的NDVI年均值影响较大，对芦苇和碱蓬影响微弱。理论情况下，气温升高，加速土壤水分蒸发和植被蒸腾，从而使土壤含水量降低，植被蒸腾作用增强，影响植被的生长。而实际上，气温对芦苇和互花米草NDVI年均值是正相关，对碱蓬虽是负相关但相关性不显著，这与理论相矛盾。王文硕[51]对辽河口典型盐生植被演替退化遥感监测的研究中也得出相似结论，但其导致这种结果是由于所选取的降水量和气温数据范围过大，而本文选取的则仅为研究区范围内的降水和气温数据。Nielsen 等[52]调查了澳大利亚北部滩涂湿地对气候变化的响应，结果表明，干燥的气候会引发区域降水和河流径流的大幅减少，降低湿地水流补给和水文连通，会导致湿地生态系统失衡，影响湿地植被生长。孙万龙等[53]基于长时间序列遥感影像，探究了黄河口潮间带湿地景观格局演替的主要驱动因素，结果表明，河流径流量减少加重了土壤的盐碱化，降低了湿地植被的存活率。本文仅研究了气温对盐沼植被生长的直接影响，气温变化所产生的间接影响有待进一步研究探讨。

5 结论

本文基于GEE 平台的Landsat 5、Landsat 7、Landsat 8 以及Sentinel-2 影像，以江苏盐城滨海湿地为例，采用随机森林分类法、结合特征指数，利用时间谐波分析法重构盐沼植被NDVI指数时间曲线，确定盐沼植被物候差异特征，对盐城市三类典型盐沼植被进行精细提取，研究2000－2020年盐城滨海湿地盐沼植被时空演变态势。本文采用的提取方法相较传统监测方式能够快速、便捷地将盐沼植被细分、提取且分类精度较高。结果表明：

（1）GEE 在盐沼湿地地表覆被提取工作中具有处理数据量大、分类速度快的优势，并且基于随机森林分类算法结合植被物候特征和SAVI指数的提取结果准确可靠，分类精度均在85%以上。

（2）2000－2020 年，芦苇和互花米草植被面积呈扩张趋势，碱蓬植被面积不断缩减，互花米草植被前期沿海岸带扩张，后期向陆一侧垂直扩张，不断侵占碱蓬生境。

（3）盐城三类典型盐沼植被NDVI值变化规律不同。芦苇和碱蓬春季开始进入生长期，夏季生长茂盛，秋季NDVI 值达到峰值，冬季枯萎死亡，两者NDVI 值变化趋势极为相似，但碱蓬NDVI 值普遍低于芦苇。互花米草春末进入生长期，略晚于芦苇，夏季生长迅猛，秋季NDVI值达峰值，冬季仍然持续生长，生长期比芦苇和碱蓬长2 个月左右。

（4）降水对盐沼植被生长影响较为显著，气温对盐沼植被生长的直接影响较小。

致谢：南京师范大学海洋科学与工程学院李玉凤教授提供了研究区边界，在此致谢。