(72)發(fā)明人仲銳濮勵杰所(普通合伙)31589GO6V20GO6V10/774(2022.0GO6V10/764(2022.0GO6V10/776(2022.0基于遙感技術(shù)的濱海濕地受損動態(tài)識別方及基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法Step1圖像預(yù)處理QA60去云處理大氣校正Step2特征篩選及數(shù)據(jù)集構(gòu)建方差相關(guān)性隨機(jī)森林分類算法Step5分類制圖圍禁地受換區(qū)域地物濱海濕地受損動態(tài)NDDV自然濕地地物重采樣21.基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法，其特征在于，所述方法包括以下步驟：S1:通過云計算平臺調(diào)用多光譜遙感數(shù)據(jù)，生成遙感影像數(shù)據(jù)集；S2:采集濱海濕地地物樣本，根據(jù)所述樣本構(gòu)建濱海濕地地物分類模型；S3:通過所述濱海濕地地物分類模型對所述遙感影像數(shù)據(jù)集進(jìn)行處理，生成濱海濕地分類圖；S4:根據(jù)所述濱海濕地分類圖對相同空間位置的地物變化進(jìn)行時間序列分析，識別濱海濕地受損區(qū)域，并計算受損區(qū)域的動態(tài)演化特征；S5:構(gòu)建混淆矩陣，根據(jù)所述動態(tài)演化特征驗證所述分類模型的準(zhǔn)確性，根據(jù)驗證結(jié)果對所述分類模型進(jìn)行更新。2.根據(jù)權(quán)利要求1所述基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法，其特征在于，所述S1具體步驟如下：S1.1:通過GoogleEarthEngine云計算平臺，調(diào)用Sentinel-2系列遙感影像數(shù)據(jù)，包括Sentinel-2A和Sentinel-2B衛(wèi)星提供的多光譜數(shù)據(jù)；S1.2:對所述Sentinel-2遙感影像數(shù)據(jù)進(jìn)行云掩膜處理，利用QA60波段識別并剔除云S1.3:對所述無云觀測影像進(jìn)行大氣校正，將影像的表觀反射率轉(zhuǎn)換為地表反射率；S1.4:對大氣校正后的影像進(jìn)行分辨率重采樣，將20m和60m分辨率的波段數(shù)據(jù)通過雙立方插值法重采樣至10m分辨率；S1.5:篩選云量小于10%并且覆蓋濱海濕地區(qū)域的影像，選取濕地植被生長期的多時相影像進(jìn)行中值合成，構(gòu)建連續(xù)的遙感影像數(shù)據(jù)集。3.根據(jù)權(quán)利要求2所述基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法，其特征在于，所述受損區(qū)域地物樣本，包括由養(yǎng)殖塘、耕地、建設(shè)用地、裸地人類活動干擾導(dǎo)致的濕地受損地物樣本；通過實(shí)地調(diào)查采集的地物樣本，使用全球定位系統(tǒng)記錄樣本的地理坐標(biāo)及地物類型信對于人力難以到達(dá)的區(qū)域，通過高分辨率歷史遙感影像進(jìn)行目視解譯，補(bǔ)充其余地物樣本。4.根據(jù)權(quán)利要求3所述基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法，其特征在于，所述根據(jù)所述樣本構(gòu)建濱海濕地地物分類模型，包括：S2.1:將采集的濱海濕地地物樣本數(shù)據(jù)劃分為訓(xùn)練集和驗證集，所述訓(xùn)練集占總樣本量的70%,用于分類模型的訓(xùn)練，所述驗證集占總樣本量的30%,用于評估分類模型的性S2.2:采用隨機(jī)森林分類算法，隨機(jī)抽取訓(xùn)練集樣本進(jìn)行模型訓(xùn)練；S2.3:驗證集對訓(xùn)練好的隨機(jī)森林模型進(jìn)行精度評估，計算分類結(jié)果的混淆矩陣，獲取評估指標(biāo)；S2.4:根據(jù)所述評估指標(biāo)，對模型參數(shù)進(jìn)行優(yōu)化調(diào)整，具體包括調(diào)整決策樹的數(shù)量和最大深度。3被指和紅邊歸一化植被指數(shù)數(shù)S3.4:基于空間灰度共生矩陣(GrayLevelCooccurrenceMatrixS3.6:將訓(xùn)練好的濱海濕地地物分類模型應(yīng)用于所述特征數(shù)據(jù)集，輸入像元的特征變S4.1:對每個分類圖的像元位置及地物類別進(jìn)行匹配，將不同時期生成的濱海濕地分S4.2:對所述時間序列分類數(shù)據(jù)集進(jìn)行逐像元差分運(yùn)算，計算每個像元在不同時期的4所述地物變化趨勢圖計算變化速率S4.6:將變化趨勢和變化速率結(jié)合，分析自然濕地受損的動態(tài)演化特征，其中，所述動態(tài)演化特征包括：濕地退化趨勢的空間分布；受損區(qū)域擴(kuò)張或收縮的動態(tài)變化規(guī)律；自然濕地與人類活動干擾區(qū)域的相互轉(zhuǎn)化情況。7.根據(jù)權(quán)利要求6所述基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法，其特征在于，所述通過將分類結(jié)果與驗證集中實(shí)際地物類別進(jìn)行逐像元對比，構(gòu)建混淆矩陣；混淆矩陣的行表示模型預(yù)測的地物類別，列表示實(shí)際的地物類別，矩陣中的元素表示像元數(shù)目。8.根據(jù)權(quán)利要求7所述基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法，其特征在于，所述根據(jù)所述動態(tài)演化特征驗證所述分類模型的準(zhǔn)確性，包括：S5.1:計算動態(tài)變化區(qū)域中被正確識別的變化像元占總變化像元的比例：S5.2:衡量分類模型在動態(tài)演化區(qū)域的時間序列一致性：S5.3:基于驗證結(jié)果，分析動態(tài)演化區(qū)域內(nèi)的分類誤差，其中，所述分類誤差，具體包地物光譜混淆，包括光灘與裸地、濕地植被與農(nóng)田的光譜相似性；由于時序影像質(zhì)量問題導(dǎo)致的變化區(qū)域誤分或漏分；地物動態(tài)變化快，樣本數(shù)據(jù)未能完全覆蓋其變化特征；S5.4:針對分類誤差與動態(tài)演化特征的不一致性，進(jìn)行以下優(yōu)化：增加動態(tài)變化區(qū)域的地物樣本數(shù)據(jù)；調(diào)整隨機(jī)森林分類模型的參數(shù)；在動態(tài)演化區(qū)域引入時間序列特征，增強(qiáng)模型對動態(tài)變化區(qū)域的識別能力。9.基于遙感技術(shù)的濱海濕地受損動態(tài)識別系統(tǒng)，基于如權(quán)利要求1-8任一項所述的基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法實(shí)現(xiàn)，其特征在于，所述系統(tǒng)包括數(shù)據(jù)獲取模塊、模型構(gòu)建模塊、動態(tài)識別模塊和精度驗證模塊；所述數(shù)據(jù)獲取模塊，用于調(diào)用多光譜遙感影像數(shù)據(jù)，對遙感影像進(jìn)行預(yù)處理，包括云掩所述模型構(gòu)建模塊，用于基于濱海濕地地物樣本，訓(xùn)練隨機(jī)森林分類模型，并生成適用于濱海濕地地物分類的高精度分類模型；所述動態(tài)識別模塊，用于利用分類模型處理遙感影像數(shù)據(jù)，生成不同時期的濱海濕地分類圖，并通過時間序列分析識別地物變化，提取濕地受損區(qū)域的動態(tài)變化幅度、變化速率及演化特征；所述精度驗證模塊，用于通過混淆矩陣和動態(tài)變化精度指標(biāo)，評估分類模型的準(zhǔn)確性，分析分類誤差成因，并基于驗證結(jié)果對分類模型進(jìn)行優(yōu)化調(diào)整。5技術(shù)領(lǐng)域[0001]本發(fā)明涉及濕地受損識別技術(shù)領(lǐng)域，尤其涉及基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法及系統(tǒng)。背景技術(shù)[0002]目前，濱海濕地作為重要的生態(tài)系統(tǒng)，具有維持生物多樣性、調(diào)節(jié)氣候、凈化水質(zhì)濕地監(jiān)測方法依賴于現(xiàn)場調(diào)查，存在數(shù)據(jù)獲取周期長、成本高、空間覆蓋范圍有限等不足，難以滿足大范圍濕地動態(tài)監(jiān)測的需求。隨著遙感技術(shù)的發(fā)展，高分辨率多光譜數(shù)據(jù)及云計算平臺為濕地監(jiān)測提供了新的技術(shù)手段，但如何有效利用遙感數(shù)據(jù)進(jìn)行濕地受損動態(tài)識一種高效、自動化且精度較高的基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法，為濕地保護(hù)與管理提供可靠的數(shù)據(jù)支撐和決策依據(jù)。[0003]例如授權(quán)公告號為CN109886067B的中國專利提供一種濕地受損遙感識別方法及裝置，所述方法包括：獲取第一預(yù)設(shè)歷史時間段內(nèi)目標(biāo)區(qū)域的土地利用數(shù)據(jù)，根據(jù)土地利用數(shù)據(jù)獲取濕地類型數(shù)據(jù)、濕地受損的空間分布和受損類型，根據(jù)濕地類型數(shù)據(jù)獲取最大濕地范圍，將最大濕地范圍劃分為多個子區(qū)域；獲取第二預(yù)設(shè)歷史時間段內(nèi)各子區(qū)域的影像數(shù)據(jù)，將第二預(yù)設(shè)歷史時間段劃分為多個子時間段，根據(jù)各子時間段中各子區(qū)域的影像數(shù)據(jù)，獲取各子時間段中各子區(qū)域的多個濕地要素，并計算各子時間段中各子區(qū)域的各濕地要素受損程度；根據(jù)各子時間段中各子區(qū)域受損程度最大的濕地要素、濕地受損的空間分布和受損類型，確定各子區(qū)域的受損模式。本發(fā)明實(shí)施例提高了濕地受損識別的精確度和準(zhǔn)確性。[0004]以上專利均存在本背景技術(shù)提出的問題：數(shù)據(jù)獲取效率低、空間覆蓋范圍有限和動態(tài)變化識別精度不足，為解決以上問題，本申請設(shè)計了基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法及系統(tǒng)。[0005]本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提供了基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法及系統(tǒng)，通過云計算平臺調(diào)用Sentinel-2多光譜遙感數(shù)據(jù)，進(jìn)行云被指數(shù)、水體指數(shù)及紋理特征構(gòu)建隨機(jī)森林分類模型；將分類模型應(yīng)用于遙感影像，生成濱海濕地分類圖，區(qū)分自然濕地與受損區(qū)域；通過時間序列分析，識別相同空間位置的地物變化，提取濕地受損區(qū)域的動態(tài)演化特征，包括變化幅度、速率及轉(zhuǎn)化關(guān)系；利用混淆矩陣評估分類模型的精度，根據(jù)驗證結(jié)果優(yōu)化模型。本發(fā)明提高了濕地受損動態(tài)監(jiān)測的自動化和精度，為濕地保護(hù)和管理提供科學(xué)支持。6[0007]基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法，所述方法包括以下步驟：[0008]S1:通過云計算平臺調(diào)用多光譜遙感數(shù)據(jù)，生成遙感影像數(shù)據(jù)集；[0009]S2:采集濱海濕地地物樣本，根據(jù)所述樣本構(gòu)建濱海濕地地物分類模型；[0010]S3:通過所述濱海濕地地物分類模型對所述遙感影像數(shù)據(jù)集進(jìn)行處理，生成濱海濕地分類圖；[0011]S4:根據(jù)所述濱海濕地分類圖對相同空間位置的地物變化進(jìn)行時間序列分析，識別濱海濕地受損區(qū)域，并計算受損區(qū)域的動態(tài)演化特征；[0012]S5:構(gòu)建混淆矩陣，根據(jù)所述動態(tài)演化特征驗證所述分類模型的準(zhǔn)確性，根據(jù)驗證結(jié)果對所述分類模型進(jìn)行更新。[0014]S1.1:通過GoogleEarthEngine云計算平臺，調(diào)用Sentinel-2系列遙感影像數(shù)據(jù)，包括Sentinel-2A[0015]S1.2:對所述Sentinel-2遙感影像數(shù)據(jù)進(jìn)行云掩膜處理，利用QA60波段識別并剔除云像素和卷云像素，生成無云觀測影像；[0016]S1.3:對所述無云觀測影像進(jìn)行大氣校正，將影像的表觀反射率轉(zhuǎn)換為地表反射[0017]S1.4:對大氣校正后的影像進(jìn)行分辨率重采樣，將20m和60m分辨率的波段數(shù)據(jù)通過雙立方插值法重采樣至10m分辨率；[0018]S1.5:篩選云量小于10%并且覆蓋濱海濕地區(qū)域的影像，選取濕地植被生長期的多時相影像進(jìn)行中值合成，構(gòu)建連續(xù)的遙感影像數(shù)據(jù)集。[0021]受損區(qū)域地物樣本，包括由養(yǎng)殖塘、耕地、建設(shè)用地、裸地人類活動干擾導(dǎo)致的濕地受損地物樣本；[0022]通過實(shí)地調(diào)查采集的地物樣本，使用全球定位系統(tǒng)記錄樣本的地理坐標(biāo)及地物類型信息；[0023]對于人力難以到達(dá)的區(qū)域，通過高分辨率歷史遙感影像進(jìn)行目視解譯，補(bǔ)充其余地物樣本。[0024]所述根據(jù)所述樣本構(gòu)建濱海濕地地物分類模型，包括：[0025]S2.1:將采集的濱海濕地地物樣本數(shù)據(jù)劃分為訓(xùn)練集和驗證集，所述訓(xùn)練集占總樣本量的70%,用于分類模型的訓(xùn)練，所述驗證集占總樣本量的30%,用于評估分類模型的[0026]S2.2:采用隨機(jī)森林分類算法，隨機(jī)抽取訓(xùn)練集樣本進(jìn)行模型訓(xùn)練；[0027]S2.3:驗證集對訓(xùn)練好的隨機(jī)森林模型進(jìn)行精度評估，計算分類結(jié)果的混淆矩陣，獲取評估指標(biāo)；[0028]S2.4:根據(jù)所述評估指標(biāo)，對模型參數(shù)進(jìn)行優(yōu)化調(diào)整，具體包括調(diào)整決策樹的數(shù)量和最大深度。[0029]所述對所述遙感影像數(shù)據(jù)集進(jìn)行處理，包括：[0030]S3.1:從預(yù)處理后的遙感影像數(shù)據(jù)集中提取光譜波段的反射率值，其中，所述光譜7化植被指數(shù)、增強(qiáng)植被指數(shù)和紅邊歸一化植被的常數(shù)化差異水體指數(shù)、改進(jìn)歸一化差異水體指,地表[0035]S3.6:將訓(xùn)練好的濱海濕地地物分類模型應(yīng)用于所述特征數(shù)[0040]S4.1:對每個分類圖的像元位置及地物類別進(jìn)行匹配，將不同時期生成的濱海濕[0041]S4.2:對所述時間序列分類數(shù)據(jù)集進(jìn)行逐像元差分運(yùn)算，計算每個像元在不同時8[0047]S4.6:將變化趨勢和變化速率結(jié)合，分析自然濕地受損的動態(tài)演化特征，其中，所述動態(tài)演化特征包括：[0048]濕地退化趨勢的空間分布；[0049]受損區(qū)域擴(kuò)張或收縮的動態(tài)變化規(guī)律；[0050]自然濕地與人類活動干擾區(qū)域的相互轉(zhuǎn)化情況。[0051]所述構(gòu)建混淆矩陣，包括：[0052]通過將分類結(jié)果與驗證集中實(shí)際地物類別進(jìn)行逐像元對比，構(gòu)建混淆矩陣；[0053]混淆矩陣的行表示模型預(yù)測的地物類別，列表示實(shí)際的地物類別，矩陣中的元素表示像元數(shù)目。[0054]所述根據(jù)所述動態(tài)演化特征驗證所述分類模型的準(zhǔn)確性，包括：[0055]S5.1:計算動態(tài)變化區(qū)域中被正確識別的變化像元占總變化像元的比例：[0056]S5.2:衡量分類模型在動態(tài)演化區(qū)域的時間序列一致性：[0057]S5.3:基于驗證結(jié)果，分析動態(tài)演化區(qū)域內(nèi)的分類誤差，其中，所述分類誤差，具體包括：[0058]地物光譜混淆，包括光灘與裸地、濕地植被與農(nóng)田的光譜相似性；[0059]由于時序影像質(zhì)量問題導(dǎo)致的變化區(qū)域誤分或漏分；[0060]地物動態(tài)變化快，樣本數(shù)據(jù)未能完全覆蓋其變化特征；[0061]S5.4:針對分類誤差與動態(tài)演化特征的不一致性，進(jìn)行以下優(yōu)化：[0062]增加動態(tài)變化區(qū)域的地物樣本數(shù)據(jù)；[0063]調(diào)整隨機(jī)森林分類模型的參數(shù)；[0064]在動態(tài)演化區(qū)域引入時間序列特征，增強(qiáng)模型對動態(tài)變化區(qū)域的識別能力。[0065]基于遙感技術(shù)的濱海濕地受損動態(tài)識別系統(tǒng)，所述系統(tǒng)包括數(shù)據(jù)獲取模塊、模型構(gòu)建模塊、動態(tài)識別模塊和精度驗證模塊；[0066]所述數(shù)據(jù)獲取模塊，用于調(diào)用多光譜遙感影像數(shù)據(jù)，對遙感影像進(jìn)行預(yù)處理，包括云掩膜、大氣校正和分辨率重采樣，生成遙感影像數(shù)據(jù)集；[0067]所述模型構(gòu)建模塊，用于基于濱海濕地地物樣本，訓(xùn)練隨機(jī)森林分類模型，并生成適用于濱海濕地地物分類的高精度分類模型；[0068]所述動態(tài)識別模塊，用于利用分類模型處理遙感影像數(shù)據(jù)，生成不同時期的濱海濕地分類圖，并通過時間序列分析識別地物變化，提取濕地受損區(qū)域的動態(tài)變化幅度、變化速率及演化特征；[0069]所述精度驗證模塊，用于通過混淆矩陣和動態(tài)變化精度指標(biāo)，評估分類模型的準(zhǔn)確性，分析分類誤差成因，并基于驗證結(jié)果對分類模型進(jìn)行優(yōu)化調(diào)整。[0070]與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：[0071]1.本發(fā)明通過結(jié)合遙感技術(shù)與隨機(jī)森林分類模型，實(shí)現(xiàn)了濱海濕地受損區(qū)域的高效、自動化動態(tài)識別，具備數(shù)據(jù)獲取快速、分類精度高、變化特征提取準(zhǔn)確等優(yōu)點(diǎn)，為濕地保護(hù)與管理提供了科學(xué)、可靠的數(shù)據(jù)支持和決策依據(jù)。9附圖說明[0072]通過閱讀參照以下附圖所作的對非限制性實(shí)施例的詳細(xì)描述，本發(fā)明的其它特征、目的和優(yōu)點(diǎn)將會變得更明顯：[0073]圖1為本發(fā)明實(shí)施例1基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法的步驟示意圖；[0074]圖2為本發(fā)明實(shí)施例1基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法的流程示意圖；[0075]圖3為本發(fā)明實(shí)施例2系統(tǒng)模塊圖。[0076]圖4為本發(fā)明實(shí)施的結(jié)果展示圖。具體實(shí)施方式[0077]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。[0078]實(shí)施例1:[0079]請參閱圖1,本發(fā)明實(shí)施例基于遙感技術(shù)的濱海濕地受損動態(tài)識別方法的步驟示意圖，整個流程的基礎(chǔ)是使用Sentinel-2衛(wèi)星提供的遙感影像數(shù)據(jù)。這些數(shù)據(jù)具有高時間分辨率和空間分辨率，是進(jìn)行大范圍濕地監(jiān)測的重要數(shù)據(jù)源。[0080]Step1為圖像預(yù)處理，本步驟主要目的是提升影像質(zhì)量，為后續(xù)分析打基礎(chǔ)。包[0081]矯正邊界，用于校正影像坐標(biāo)，確保各張影像空間一致；[0082]裁剪鑲嵌，用于只保留研究區(qū)部分；[0083]QA60去云處理，用于使用QA60波段識別并去除云和卷云像元；[0084]大氣校正，用于將表觀反射率轉(zhuǎn)換為真實(shí)地表反射率；[0085]重采樣，用于統(tǒng)一所有波段分辨率(如從20m提升到10m);[0086]中值合成，用于合成多時相無云圖像，減少噪聲影響。[0087]Step2為特征篩選及數(shù)據(jù)集構(gòu)建，通過提取不同的特征，構(gòu)建用于分類的數(shù)據(jù)集，包括：這些是常見的植被指數(shù)、水體指數(shù)和濕地指數(shù)，用于反映地物的光譜特征；[0089]紋理特征(Texture),包括同質(zhì)性、對比度、熵、方差等：通過空間灰度共生矩陣(GLCM)提取的紋理信息，用于區(qū)分具有相似光譜但紋理不同的地物；[0090]地形特征，包括DEM(數(shù)字高程模型),用于了解地形起伏，對濕地分類也有輔助作[0091]Step3為隨機(jī)森林分類算法，用于將訓(xùn)練樣本輸入隨機(jī)森林分類器，結(jié)合上述特征進(jìn)行模型訓(xùn)練；[0092]分類模型通過多個決策樹進(jìn)行“投票”,提高分類穩(wěn)定性與準(zhǔn)確性；[0093]驗證樣本用于模型評估。[0094]訓(xùn)練樣本來自：[0095]GPS調(diào)查與遙感解譯結(jié)果；[0096]實(shí)地獲取的分類標(biāo)簽用于監(jiān)督學(xué)習(xí)。[0097]Step4為精度評估，具體包括：[0098]利用混淆矩陣對模型結(jié)果進(jìn)行精度驗證；[0099]比較預(yù)測結(jié)果與驗證樣本，評估分類正確率、召回率等指標(biāo)；[0102]區(qū)分了自然濕地地物(如蘆葦、堿蓬、光灘、互花米草)與受損區(qū)域地物(如養(yǎng)殖塘、耕地、建設(shè)用地、裸地);每類地物在圖中會有專屬顏色編碼。對分類結(jié)果的進(jìn)一步分析，具[0103]時間序列分析，對多個時間點(diǎn)的分類圖進(jìn)行比較；[0104]差分運(yùn)算，識別哪些像元發(fā)生了變化；[0105]濱海濕地受損動態(tài)分析，分析受損區(qū)域的擴(kuò)張、轉(zhuǎn)化和[0106]請參閱圖2,本發(fā)明提供的一種實(shí)施例：基于遙感技術(shù)的濱海濕地受損動態(tài)識別方[0107]S1:通過云計算平臺調(diào)用多光譜遙感數(shù)據(jù)，生成遙感影像數(shù)據(jù)集；[0108]在本步驟中，用云計算平臺可以快速獲取大范圍高時空分辨率的遙感影像數(shù)據(jù)，降低數(shù)據(jù)獲取成本，提高數(shù)據(jù)處理效率和質(zhì)量，為后續(xù)分析提供準(zhǔn)確、連續(xù)的數(shù)據(jù)支持。[0109]S2:采集濱海濕地地物樣本，根據(jù)所述樣本構(gòu)建濱海濕地地物分類模型；[0110]在本步驟中，充分利用實(shí)測樣本和高分辨率影像，提高分類模型的準(zhǔn)確性和可靠性，同時通過隨機(jī)森林算法增強(qiáng)模型的魯棒性，解決濕地地物光譜特征復(fù)雜的問題。[0111]S3:通過所述濱海濕地地物分類模型對所述遙感影像數(shù)據(jù)集進(jìn)行處理，生成濱海濕地分類圖；[0112]在本步驟中，基于分類模型對遙感影像進(jìn)行自動化處理，可以提高濕地地物分類的效率和精度，快速實(shí)現(xiàn)大范圍濕地分類結(jié)果的生成，為后續(xù)變化分析提供空間數(shù)據(jù)支撐。[0113]S4:根據(jù)所述濱海濕地分類圖對相同空間位置的地物變化進(jìn)行時間序列分析，識別濱海濕地受損區(qū)域，并計算受損區(qū)域的動態(tài)演化特征；[0114]在本步驟中，時間序列分析可以準(zhǔn)確識別濕地地物的時空變化，定量評估受損區(qū)域的動態(tài)演化特征，為濕地保護(hù)與管理提供科學(xué)依據(jù)，揭示濕地受損的空間分布規(guī)律。[0115]S5:構(gòu)建混淆矩陣，根據(jù)所述動態(tài)演化特征驗證所述分類模型的準(zhǔn)確性，根據(jù)驗證結(jié)果對所述分類模型進(jìn)行更新；[0116]在本步驟中，通過混淆矩陣評估分類模型的準(zhǔn)確性，結(jié)合動態(tài)演化特征進(jìn)行精度驗證和模型優(yōu)化，有助于提高分類模型對濕地動態(tài)變化的識別能力，確保分類結(jié)果的可靠性和適用性。[0118]S1.1:通過GoogleEarthEngine云計算平臺，調(diào)用Sentinel-2系列遙感影像數(shù)據(jù)，包括Sentinel-2A和Sentinel-2B衛(wèi)星提供的多光譜數(shù)據(jù)；其中Sentinel-2系列影像提供高時空分辨率的遙感數(shù)據(jù)，具有13個光譜波段，覆蓋可見光、紅邊、近紅外和短波紅外等波段，空間分辨率分別為10m、20m和60m,可滿足濱海濕地地物分類和動態(tài)識別的高精度需求。本步驟通過調(diào)用Sentinel-2A與Sentinel-2B的影像數(shù)據(jù)，可以顯著提高數(shù)據(jù)的時間覆蓋密度，保證濕地植被生長周期內(nèi)的連續(xù)監(jiān)測，確保數(shù)據(jù)的時空一致性和全面性，為后續(xù)地物分類和動態(tài)變化分析奠定基礎(chǔ)。11[0119]S1.2:對所述Sentinel-2遙感影像數(shù)據(jù)進(jìn)行云掩膜處理，利用QA60波段識別并剔除云像素和卷云像素，生成無云觀測影像；[0120]具體而言，利用Sentinel-2影像的質(zhì)量控制波段，該波段包含云掩膜信息，設(shè)置掩膜閾值剔除標(biāo)記為云覆蓋的像元，確保影像質(zhì)量不受云層和大氣影響。本步驟通過有效的云掩膜處理，可以顯著提高影像的可用性，減少云干擾帶來的誤判問題，使數(shù)據(jù)更加可靠，尤其對于濱海濕地區(qū)域，云覆蓋現(xiàn)象較為普遍，此操作能保障數(shù)據(jù)的連續(xù)性和完整性，提升后續(xù)分類精度。[0121]S1.3:對所述無云觀測影像進(jìn)行大氣校正，將影像的表觀反射率轉(zhuǎn)換為地表反射[0122]大氣校正的具體原理是通過消除大氣散射和吸收效應(yīng)對遙感數(shù)據(jù)的影響，常用方法包括基于輻射傳輸模型的校正方法，如DOS法或6S模型校正法，最終將影像中觀測到的表觀反射率數(shù)據(jù)轉(zhuǎn)換為真實(shí)的地表反射率。本步驟可以減少由于大氣成分、觀測條件變化對反射率數(shù)據(jù)產(chǎn)生的誤差，增強(qiáng)不同時期、不同區(qū)域影像數(shù)據(jù)的可比性，為濕地地物分類提供高質(zhì)量的反射率特征數(shù)據(jù)。[0123]S1.4:對大氣校正后的影像進(jìn)行分辨率重采樣，將20m和60m分辨率的波段數(shù)據(jù)通過雙立方插值法重采樣至10m分辨率；[0124]分辨率重采樣的目的是使Sentinel-2影像中不同分辨率的光譜波段在空間分辨率上保持一致，便于數(shù)據(jù)融合與后續(xù)分析處理，所采用的雙立方插值法通過對目標(biāo)像元的周圍16個像元進(jìn)行加權(quán)平均計算，得到更加平滑且細(xì)膩的重采樣結(jié)果。本步驟可以使所有波段的數(shù)據(jù)空間分辨率達(dá)到10m,便于后續(xù)多波段特征提取和分類模型的訓(xùn)練，提高分類精度與動態(tài)變化檢測的空間細(xì)節(jié)表現(xiàn)。[0125]S1.5:篩選云量小于10%并且覆蓋濱海濕地區(qū)域的影像，選取濕地植被生長期的多時相影像進(jìn)行中值合成，構(gòu)建連續(xù)的遙感影像數(shù)據(jù)集；[0126]通過設(shè)置影像篩選條件，包括云量比例(小于10%)、空間覆蓋范圍(與研究區(qū)域ROI匹配)以及時間范圍(通常為濕地植被生長旺季，如4-10月),從高質(zhì)量的影像中提取多時相數(shù)據(jù)集，形成具有時間連續(xù)性與空間完整性的高質(zhì)量時序影像數(shù)據(jù)。本步驟通過嚴(yán)格篩選高質(zhì)量影像，最大程度降低了云層、陰影等因素對數(shù)據(jù)質(zhì)量的影響，同時確保研究區(qū)域內(nèi)濕地植被在生長季節(jié)的連續(xù)觀測數(shù)據(jù)，為時間序列分析提供完整的時空數(shù)據(jù)基礎(chǔ)，有利于準(zhǔn)確識別濕地地物的動態(tài)演化過程。[0129]受損區(qū)域地物樣本，包括由養(yǎng)殖塘、耕地、建設(shè)用地、裸地人類活動干擾導(dǎo)致的濕地受損地物樣本；[0130]通過實(shí)地調(diào)查采集的地物樣本，使用全球定位系統(tǒng)記錄樣本的地理坐標(biāo)及地物類型信息；[0131]對于人力難以到達(dá)的區(qū)域，通過高分辨率歷史遙感影像進(jìn)行目視解譯，補(bǔ)充其余地物樣本。[0132]所述S2的具體步驟如下：[0133]S2.1:將采集的濱海濕地地物樣本數(shù)據(jù)劃分為訓(xùn)練集和驗證集，所述訓(xùn)練集占總樣本量的70%,用于分類模型的訓(xùn)練，所述驗證集占總樣本量的30%,用于評估分類模型的[0134]首先對采集的濱海濕地地物樣本數(shù)據(jù)進(jìn)行整理和預(yù)處理，確保樣本數(shù)據(jù)的完整化植被指數(shù)增強(qiáng)植被指數(shù)和紅邊歸一化植被[0150]S3.6:將訓(xùn)練好的濱海濕地地物分類模型應(yīng)用于所述特征數(shù)據(jù)集，輸入像元的光的濱海濕地分類圖，并通過設(shè)定顏色標(biāo)識區(qū)分不同的地物類別，包括自然濕地地物(如蘆[0153]S4.1:對每個分類圖的像元位置及地物類別進(jìn)行匹配，將不同時期生成的濱海濕[0159]其中，表示t?和t?時間，At?和At?表示t?時間和t?時間地物的面積，△T表示時間間[0160]S4.6:將變化趨勢和變化速率結(jié)合，分析自然濕地受損的動態(tài)演化特征，其中，所述動態(tài)演化特征包括：[0161]濕地退化趨勢的空間分布；[0162]受損區(qū)域擴(kuò)張或收縮的動態(tài)變化規(guī)律；[0163]自然濕地與人類活動干擾區(qū)域的相互轉(zhuǎn)化情況。[0164]所述構(gòu)建混淆矩陣，包括：[0165]通過將分類結(jié)果與驗證集中實(shí)際地物類別進(jìn)行逐像元對比，構(gòu)建混淆矩陣；[0166]混淆矩陣的行表示模型預(yù)測的地物類別，列表示實(shí)際的地物類別，矩陣中的元素表示像元數(shù)目。[0167]S5的具體步驟如下：[0168]S5.1:計算動態(tài)變化區(qū)域中被正確識別的變化像元占總變化像元的比例：[0169]S5.2:衡量分類模型在動態(tài)演化區(qū)域的時間序列一致性：[0170]S5.3:基于驗證結(jié)果，分析動態(tài)演化區(qū)域內(nèi)的分類誤差，其中，所述分類誤差，具體包括：[0171]地物光譜混淆，包括光灘與裸地、濕地植被與農(nóng)田的光譜相似性；[0172]由于時序影像質(zhì)量問題導(dǎo)致的變化區(qū)域誤分或漏分；[0173]地物動態(tài)變