CN114581784B - 一种长时序逐年红树林遥感监测产品的构建方法 - Google Patents

Abstract

本发明提供了一种长时序逐年红树林遥感监测产品的构建方法，该方法首先基于长时间序列多光谱遥感影像，充分挖掘丰富的时序光谱信息，合成一年一幅的多波段影像；并构建适用于长时序逐年的红树林多光谱像元样本库，开展基于机器学习的逐年红树林监督分类；进一步通过时间序列一致性检验和校正方法，有效移除个别年份的偶然分类误差，提高长时序逐年的红树林遥感监测产品精度。本发明构建的红树林遥感监测产品可作为专题信息数据提供给红树林资源主管部门，为红树林的保护、恢复或重建提供科学依据，具有极大的实用价值，并将极大提高长时序多光谱遥感影像的应用价值，是遥感信息技术应用方面的创新，是对滨海湿地遥感信息提取方法体系的有益补充。

Description

一种长时序逐年红树林遥感监测产品的构建方法

技术领域

本发明属于遥感技术应用和滨海湿地监测领域，涉及一种基于多光谱遥感影像的红树林遥感监测方法，具体是一种长时间序列逐年红树林遥感监测产品的构建方法。

背景技术

红树林是指分布在沿海潮间带和入海河口以红树科植物为主体的常绿灌木或者乔木组成的潮滩湿地木本植物群落，能够消浪护堤、抵御海洋自然灾害、保护生物多样性、固碳储碳、改善沿海生态环境，是国际公认的蓝色碳库，在应对全球气候变化和实现“碳中和”目标方面具有极其重要的作用。然而，在人类活动加剧和全球气候变化背景下，水产养殖、城市和港口建设、非法采砂，以及海平面上升等破坏红树林生态环境，造成了红树林资源的持续下降。因此，亟需开展红树林遥感动态监测，发展长时序逐年红树林遥感监测产品的构建方法，为红树林的保护、恢复或重建提供科学依据。

遥感技术具有大面积同步观测、时效性强、数据综合可比性强等优点，已被广泛应用于红树林范围动态监测，从而构建红树林遥感监测产品。红树林遥感监测的基本原理是基于红树林与非红树林的光谱特征差异建立分类规则，从而提取出红树林空间范围，当前已有一些研究基于多时相的遥感影像，针对不同区域构建红树林遥感监测产品。然而，现有红树林遥感监测方法往往以间隔5年~10年的监测频率为主，未能够充分挖掘和利用遥感影像的时序光谱信息，缺乏长时序逐年的红树林遥感监测产品构建方法，导致不能及时掌握红树林动态变化情况，在制定红树林保护和合理利用措施时缺乏足够的科学依据，从而制约了红树林保护管理工作的有效开展。因此，迫切需要发展一种长时序逐年的红树林遥感监测产品构建方法。

本发明针对红树林长时序逐年动态遥感监测的需要，基于长时间序列多光谱遥感影像，充分挖掘长时间序列影像丰富的时序光谱信息，并进一步通过时间序列一致性检验和校正，提出一种长时序逐年红树林遥感监测产品的构建方法。

发明内容

本发明的目的在于针对现有技术的不足，提供一种新的基于时间序列多光谱遥感影像的长时序逐年红树林遥感监测产品构建方法。

本发明通过以下技术方案实现：

一种长时序逐年红树林遥感监测产品的构建方法，其包括以下步骤：

（1）根据所研究时间和区域筛选出多光谱遥感影像的地表反射率数据，并计算归一化植被指数NDVI（Normalized Difference Vegetation Index）及改进的归一化差异水体指数MNDWI（Modified Normalized Difference Water Index）；

（2）针对研究区的每个像元，分别计算其逐年的可见光波段、近红外波段等各光波段地表反射率，以及NDVI、MNDWI的年内中值，以及NDVI年内最大值，并引入数字高程模型（Digital Elevation Model，DEM）数据，从而逐年各合成一幅多波段影像；

（3）基于目视解译建立适用于长时序逐年的红树林像元样本库，应确保红树林像元样本点所在位置的地表覆盖类型在各个年份应均为红树林，非红树林样本点的地表覆盖类型在各个年份应均为非红树林。

（4）采用机器学习分类器，以步骤（2）合成的影像的各波段值为分类特征，以步骤（3）构建的红树林像元样本库为训练样本，针对研究期内每一年分别开展基于机器学习的监督分类，初步获取逐年的红树林分布时序数据。

（5）进行时间序列一致性检验和校正，筛选出地表覆盖类型（即红树林、非红树林）和前后相邻年份均不一致的像元及年份，即时间序列噪声点，并将其修正，最终获取长时序逐年红树林遥感监测产品。

上述技术方案中，步骤（1）中计算指数的方法为：MNDWI和NDVI的计算公式分别为：

MNDWI=(Green-SWIR)/(Green+SWIR)

NDVI=(NIR-Red)/(NIR+Red)

其中，Green、SWIR分别为遥感影像的绿波段和短波红外波段地表反射率。MNDWI值在-1和1之间，当其为正数则表示水体覆盖；NIR、Red分别是遥感影像的近红外波段和红色波段的地表反射率。NDVI值在-1和1之间，当其为正数则表示有植被覆盖，该值随植被覆盖度增大而增大。

进一步地，步骤（2）在步骤（1）的基础上，逐年各合成一幅多波段影像。具体合成方法如下：对于研究期内逐年的影像集合计算每一幅图每个像元的红光波段、绿光波段、蓝光波段、近红外波段、短波红外波段的地表反射率、以及NDVI、MNDWI在研究期内逐年的年内中值，从而合成逐年的年内中值影像；进一步计算每个像元在研究期内逐年的NDVI年内最大值，合成逐年一幅栅格数据，将其作为一个新波段添加至上述年内中值影像，同时获取研究区的DEM数据，并将其高程数据作为一个新波段也添加至上述年内中值影像；从而合成了一年一幅的多波段影像。

进一步地，在步骤（2）的基础上，基于短波红外波段、近红外波段、红光波段的地表反射率合成逐年的假彩色影像，凭借专家经验目视解译，每1000 km²范围内选取红树林和非红树林像元样本点各100~200个。红树林主要分布在沿海潮间带，一般沿岸分布。在短波红外波段、近红外波段、红光波段的地表反射率合成的假彩色影像上，红树林像元应呈深红色、沿海岸、片状或块状分布，并位于低海拔区域，其DEM应小于10 m。基于此，本发明在DEM高程数据小于10 m的区域内，根据短波红外波段、近红外波段、红光波段的地表反射率合成逐年的假彩色影像，凭借专家经验目视解译选取红树林和非红树林像元样本点，并确保红树林像元样本点所在位置的地表覆盖类型在各个年份应均为红树林，非红树林像元样本点所在位置的地表覆盖类型在各个年份应均为非红树林，从而构建适用于逐年的红树林像元样本库。

进一步地，基于机器学习分类器方法，以步骤（2）中合成影像的各个波段作为分类特征，以步骤（3）建立红树林像元样本库为训练样本，开展逐年的监督分类，初步获取长时序逐年红树林遥感监测产品。其数据类型为多层栅格数据堆栈，每一层分别对应每一年的红树林遥感监测结果，栅格属性值为红树林与非红树林两类。

进一步地，基于步骤（4）的基础上，针对每个像元，开展红树林遥感监测产品时间序列一致性检验和校正工作。具体步骤为：

1）针对研究区内的每一个像元，基于以3年为步长的滑动窗口方法分别开展红树林遥感监测产品的时间序列一致性检验，从而筛选出其地表覆盖类型（即红树林、非红树林）和前后相邻年份均不一致的像元及年份，即个别年份的偶然分类误差（或时间序列噪声点）。本发明将滑动窗口的步长设置为3年，可以有效检测到个别年份出现的偶然分类误差（即时间序列噪声点）；当步长大于3年时，则会将红树林与非红树林之间的真实变化错分成时间序列噪声点，因而不能有效检测到个别年份出现的偶然分类误差。时间序列噪声点的筛选条件如下：[f(x,y,t)≠f(x,y,t-1)]& [f(x,y,t)≠f(x,y,t+1)]

其中，x和y代表像元中心的经度和纬度，t代表年份，&表示且。f(x,y,t-1)、f(x,y, t)、f(x,y,t+1)分别代表该像元在t-1, t, t+1年份的地表覆盖类型（即红树林与非红树林）。

2）开展时间序列一致性校正工作，将像元时间序列噪声点的属性值修改成与其前后相邻年份一致。

3）迭代红树林遥感监测产品的时间序列一致性检验工作，至不再出现时间序列噪声点，至此完成红树林遥感监测产品的时间序列一致性检验和校正工作。

经过上述技术流程，最终完成长时序逐年红树林遥感监测产品的构建工作。长时序逐年红树林遥感监测产品的数据类型为多层栅格数据堆栈，每一层分别对应每一年的红树林遥感监测结果，栅格属性值是红树林与非红树林两类。

本发明针对红树林长时序逐年动态遥感监测的需求，基于长时间序列多光谱遥感影像，充分挖掘长时间序列遥感影像丰富的时序光谱信息，合成一年一幅的多波段影像，构建适用于长时序逐年的红树林多光谱像元样本库，开展基于随机森林分类器的逐年红树林监督分类，进一步通过时间序列一致性检验和校正方法，有效移除个别年份的偶然分类误差，提高长时序逐年的红树林遥感监测产品精度。本发明构建的红树林遥感监测产品可作为专题信息数据提供给相关主管部门，为红树林的保护、恢复或重建提供科学依据，具有极大的实用价值。本发明为长时间序列逐年的红树林遥感监测产品构建提供了可行性，是遥感信息技术应用方面的一项创新，是对滨海湿地遥感信息提取方法体系的一个有益补充。

附图说明

图1是长时序逐年红树林遥感监测产品构建方法的流程示意图。

图2是工作区示意图。

图3是红树林遥感监测产品时间序列一致性校正的示意图。

图4是时间序列一致性校正前后的缅甸红树林遥感监测面积对比图。

具体实施方式

下面结合附图和具体实例对本发明技术方案做进一步详细说明。

根据本发明的一种长时序逐年的红树林遥感监测产品的构建方法，该方法的技术路线如图1所示，根据本发明的一种具体实施例，方法包括如下步骤：

（1）获取研究时间段和研究区域的多光谱影像地表反射率数据。本实例基于Google Earth Engine（GEE）平台，以Landsat多光谱数据为数据源，开展多光谱遥感时间序列影像数据的获取与预处理工作。GEE平台是谷歌公司开发的基于云计算的地理数据处理平台，拥有强大的运算能力，能够在线可视化处理和分析海量遥感影像和其他地球观测数据。Landsat系列影像地表反射率数据在GEE中的数据标志名分别为“LANDSAT/LT05/C01/T1_SR”、“LANDSAT/LE07/C01/T1_SR”和“LANDSAT/LC08/C01/T1_SR”。例如：根据1990至2020年的时间段、以及缅甸海岸线内外25 km²的区域，筛选出所有可用的Landsat影像。进一步地，将包含云影的像元掩膜（具体方法可参考Steve Foga, Pat L. Scaramuzza, SongGuo, Zhe Zhu, Ronald D. Dilley, Tim Beckmann, Gail L. Schmidt, John L. Dwyer,M. Joseph Hughes, Brady Laue, Cloud detection algorithm comparison andvalidation for operational Landsat data products, Remote Sensing ofEnvironment, Volume 194,2017,Pages 379-390, ISSN 0034-4257），筛选出所有的Landsat时间序列地表反射率清晰像元。进一步地，针对每一幅图的每一个像元开展指数计算，计算改进的归一化差异水体指数（MNDWI）和归一化植被指数（NDVI）。其计算公式分别为：

MNDWI=(Green-SWIR)/(Green+SWIR)

NDVI=(NIR-Red)/(NIR+Red)

其中，Green、SWIR分别为绿波段和短波红外波段地表反射率。MNDWI值在-1和1之间，当其为正数则表示水体覆盖；NIR、Red分别是近红外波段和红色波段的地表反射率。NDVI值在-1和1之间，当其为正数则表示有植被覆盖，该值随植被覆盖度增大而增大。

（2）长时序逐年多波段影像合成。基于GEE平台，使用ee.Filter.calendarRange函数构建研究期内逐年的影像集合，进一步计算每一幅图每个像元的红光波段、绿光波段、蓝光波段、近红外波段、短波红外波段的地表反射率、以及NDVI、MNDWI在研究期内逐年的年内中值，从而合成逐年的年内中值影像；同时计算每个像元在研究期内逐年的NDVI年内最大值，合成逐年一幅栅格数据，将其作为一个新波段添加至上述年内中值影像；进一步地，获取研究区的DEM数据，并将其高程数据作为一个新波段添加至上述的逐年合成影像，从而合成一年一幅的多波段影像。

红树林遥感监测的技术难点在于：1.如何有效提取长期被潮水淹没、仅在大潮低潮时才有短暂出露机会的红树林

2.如何有效区分沿海区域的红树林与近岸陆生植被

3.如何有效区分同样生长于潮间带的红树林与盐沼植被

这往往是对于水体、农田等的监测所不需要考虑的，针对红树林遥感监测的难点，本发明中在形成逐年一景的多波段图像时，不仅采用了每个像元的红光波段、绿光波段、蓝光波段、近红外波段、短波红外波段的地表反射率、以及NDVI、MNDWI在研究期内逐年的年内中值，合成逐年的年内中值影像，还在此基础上叠加了每个像元在研究期内逐年的NDVI年内最大值形成的逐年一幅栅格数据，以及研究区的DEM数据；因为部分红树林生长于潮间带的边缘区、且植株较矮小，长期都被潮水淹没，仅在大潮低潮时才有短暂出露机会，遥感光谱的年内中值不能反映真实地表覆盖情况，从而不能有效提取这部分红树林。同时，受潮水涨落、物候演替等因素影响，红树林年内的时间序列遥感光谱值呈现出非线性波动特征。受到耕收、物候、气候等因素影响，以农用地为代表的陆生植被的年内时间序列遥感光谱值同样会呈现出非线性波动特征。因此，红树林遥感光谱的年内中值和农用地遥感光谱的年内中值均是由非线性波动的遥感光谱值计算得到，两者的年内中值均具有随机性，不易区分。相似地，生长于潮间带的盐沼植被也受到潮水涨落、物候演替等因素的影响，年内的时间序列遥感光谱值呈现出非线性波动特征，因此，仅用遥感影像的年内中值并不能完全有效区分红树林与盐沼植被。

本发明充分挖掘丰富的时序光谱信息，经过调研分析后发现，年内NDVI最大值可以表征红树林出露水面且年内长势最好时期的NDVI值，对有效提取长期被淹、仅在大潮低潮有短暂出露机会的那部分红树林有重要作用。通过计算每一幅影像每一个像元的年内NDVI最大值，可以有效提取到每一个红树林像元出露水面且长势最好时的NDVI值，将年内NDVI最大值作为分类特征，可有效提取生长于潮间带边缘、仅大潮低潮时短暂出露的红树林，从而提高红树林分类精度。同样在年内长势最好、且出露水面时，红树林的年内NDVI最大值略高于农用地以及盐沼植被的年内NDVI最大值。因此，NDVI最大值作为分类特征可以有效区分红树林与近岸陆生植被中的农用地，也能提高红树林与盐沼植被的区分度，从而提高红树林分类精度。此外，由于具有相似的物候特征，红树林与位于丘陵的常绿林等陆生植的遥感光谱值被较为接近，仅使用遥感光谱指数难以有效区分。本发明通过将DEM高程数据作为分类特征，对区分红树林与近岸丘陵地区的常绿林等陆生植被有重要作用，可有效提高红树林的分类精度。

根据本发明的一种具体实施例，采用4000个独立样本点开展精度验证，经对比，添加了DEM和NDVI最大值作为分类特征后，红树林遥感监测产品的用户精度从89%提高至93%，有效减少了红树林遥感产品的错分误差。

（3）构建适用于长时序逐年的红树林像元训练样本库。如图2所示，红树林主要分布在沿海潮间带，一般沿岸分布，位于低海拔区。在短波红外波段、近红外波段、红光波段的地表反射率合成的假彩色影像上，红树林像元应呈深红色、沿海岸、片状或块状分布，并位于低海拔区域，其DEM应小于10 m。基于此，本发明根据逐年的短波红外波段、近红外波段、红光波段的地表反射率合成逐年的假彩色影像，以及DEM高程数据，凭借专家经验目视解译，每1000 km²范围内选取红树林和非红树林像元样本点各100~200个，并确保红树林像元样本点所在位置的地表覆盖类型在各个年份应均为红树林，非红树林像元样本点所在位置的地表覆盖类型在各个年份应均不是红树林，从而构建适用于逐年的红树林像元样本库。采用该方式构建训练样本库可以快速有效应用到长时间序列各个年份的红树林分类，相对于其他类型的构建方法可有效避免由于年际之间样本点位置和数量的差异引起的分类误差。

（4）基于随机森林开展逐年的监督分类工作。随机森林是一个包含多个决策树的分类器，具有训练速度快，模型泛化能力强等优点。本发明以步骤（2）合成的逐年多波段影像中的各个波段值作为分类特征，以步骤（3）中构建的红树林像元样本库为训练样本，基于随机森林分类机器学习方法，针对研究期内的每一年分别开展监督分类，将研究区内逐年的地表覆盖类型分为红树林与非红树林，从而初步获取研究区的长时序逐年红树林遥感监测产品。随机森林分类器的参数设置如下，决策树的数量设置为10~30棵，预测变量个数设置为输入的分类特征变量个数的均方根，终端节点的最小值设置为1，抽样比率为0.5。本发明中也可以采用其他任意机器学习分类器进行监督分类。

（5）开展逐像元的时间序列一致性检验和校正。如图3所示，采用时间序列移动窗口方法，以3年为步长，开展红树林遥感监测产品的时间序列一致性检验，筛选出地表覆盖类型（即红树林、非红树林）和前后相邻年份均不一致的像元及年份，即个别年份的偶然分类误差（称为时间序列噪声点）。红树林生长周期长且具有一定的抗干扰能力，常规的潮汐涨落等因素并不会破坏红树林生长；但一旦由于人为砍伐等原因破坏了红树林，其在1-2年内难以重新恢复长势。因此，从生长机制和周期出发，红树林和非红树林之间并不会在年际之间频繁转换，基于此，本发明将滑动窗口的步长设置为3年，可以有效检测到个别年份出现的偶然分类误差（即时间序列噪声点）；当步长大于3年时，则会将红树林与非红树林之间的真实变化错分成时间序列噪声点，因而不能有效检测到个别年份出现的偶然分类误差。时间序列噪声点的筛选条件如下：

[f(x,y,t)≠f(x,y,t-1)]& [f(x,y,t)≠f(x,y,t+1)]

其中，x和y代表像元中心的经度和纬度，t代表年份，&表示且。f(x,y,t-1)、f(x,y, t)、f(x,y,t+1)分别代表该像元在t-1, t, t+1年份的地表覆盖类型（即红树林与非红树林）。

进一步地，将像元时间序列噪声点的地表覆盖属性值修改为与其前后相邻年份一致。进一步迭代上述红树林遥感监测产品的时间序列一致性检验工作，至不再出现时间序列噪声点，至此完成红树林遥感监测产品的时间序列一致性检验和校正工作。通过以上实施流程，最终完成长时序逐年红树林遥感监测产品的构建工作，获取长时序逐年红树林遥感监测产品。该产品数据类型为多层栅格数据堆栈，每一个层分别对应每一年的红树林遥感监测结果，栅格属性值分两类，即红树林与非红树林。该产品可作为专题信息数据为红树林保护与规划提供决策依据。

实施例：

本实验以缅甸为例，构建长时序逐年红树林遥感监测产品。

第一步是基于Google Earth Engine（GEE）平台，以缅甸海岸线内外25 km²的区域为研究区，获取1990年至2020年期间覆盖研究区的所有可用的Landsat系列影像地表反射率数据并开展影像预处理工作。本实施例中共获取12698幅Landsat影像。

第二步是针对研究区的每个像元，分别计算其逐年的可见光波段、近红外波段等各光波段的地表反射率的年内中值，以及NDVI、MNDWI的年内中值，以及NDVI年内最大值，并引入DEM数据，1990年至2020年逐年各合成一幅多波段影像。

第三步是基于目视解译建立适用于长时序逐年的红树林像元样本库，本实施例中共采集计1800个红树林样本点和1800个非红树林样本点，其中，红树林像元样本点所在位置的地表覆盖类型在1990至2020年期间的各个年份均为红树林，非红树林样本点的地表覆盖类型在1990至2020年期间的各个年份均为非红树林。

第四步是采用机器学习分类器开展监督分类。以第二步合成的影像的各波段值为分类特征，以第三步构建的红树林样本库为训练样本，针对研究期内每一年分别开展基于随机森林机器学习的监督分类，初步获取逐年的红树林分布时序数据。本实例中随机森林分类器的参数设置如下，决策树的数量设置为10棵，预测变量个数设置为输入的分类特征变量个数的均方根，终端节点的最小值设置为1，抽样比率为0.5。

第五步是开展时间序列一致性检验和校正，针对每一个像元，基于以3年为步长的滑动窗口筛选时间序列噪声点，并将其修正，迭代至不再出现时间序列噪声点。如图4所示，经过时间序列一致性检验和校正之后，能够有效移除个别年份的分类误差，从而使研究区红树林面积的长时间序列逐年变化趋势更为平稳且合理，说明开展时间序列一致性检验和校正方法能够提升红树林遥感监测产品的精度。

通过上述流程，完成缅甸的长时序逐年红树林遥感监测产品的构建工作，最终获取缅甸1990-2020年长时序逐年红树林遥感监测产品。该产品的数据类型为多层栅格数据堆栈，每一个层分别对应每一年的红树林遥感监测结果，栅格属性值分红树林与非红树林两类。该红树林遥感监测产品可作为专题信息数据提供给“中国-东盟红树林保护网络”等相关部门，为制定红树林保护和合理利用措施、建设中国-东盟红树林生态廊道等提供科学依据，具有极大的实用价值。

综上，本发明为构建长时间序列逐年的红树林遥感检测产品提供了一个先进可行的方法，充分挖掘了长时间序列遥感影像丰富的时序光谱信息，很好地弥补了已有红树林遥感监测产品频率间隔5年~10年、不能掌握红树林逐年动态变化的不足。本发明构建的红树林遥感监测产品可作为专题信息数据提供给红树林资源主管部门，为红树林保护管理工作的有效开展提供基础科学依据，具有极大实用价值。

Claims (4)

1.一种长时序逐年红树林遥感监测产品的构建方法，其特征在于，包括步骤：

（1）根据所研究时间和区域筛选出多光谱遥感影像的地表反射率数据，并针对每个像元计算归一化植被指数NDVI及改进的归一化差异水体指数MNDWI；

（2）针对研究区的每个像元，分别计算其逐年的各光波段的地表反射率的年内中值，以及NDVI和MNDWI的年内中值，以及NDVI年内最大值，并引入数字高程模型DEM数据，从而逐年各合成一幅多波段影像；具体为：对于研究期内逐年的影像集合计算每一幅图每个像元的红光波段、绿光波段、蓝光波段、近红外波段、短波红外波段的地表反射率、以及NDVI、MNDWI在研究期内逐年的年内中值，从而合成逐年的年内中值影像；进一步计算每个像元在研究期内逐年的NDVI年内最大值，合成逐年一幅栅格数据，将其作为一个新波段添加至上述年内中值影像，同时获取研究区的DEM数据，并将其高程数据作为一个新波段也添加至上述年内中值影像；从而合成了逐年各一幅的多波段影像；

（3）基于目视解译建立适用于长时序逐年的红树林像元样本库，在该过程中须确保红树林像元样本点所在位置的地表覆盖类型在各个年份均为红树林，非红树林样本点的地表覆盖类型在各个年份均为非红树林；

（4）采用机器学习分类器开展监督分类；以步骤（2）合成的影像的各波段值为分类特征，以步骤（3）构建的红树林像元样本库为训练样本，针对研究期内每一年分别开展基于机器学习的监督分类，初步获取逐年的红树林分布时序数据；

（5）对得到的时序数据基于以3年为步长的滑动窗口方法进行逐像元的时间序列一致性检验和校正，筛选出地表覆盖类型和前后相邻年份均不一致的像元及年份，即时间序列噪声点，并将其地表覆盖类型修正为与前后相邻年份一致，最终获取长时序逐年红树林遥感监测产品。

2.根据权利要求1所述的长时序逐年红树林遥感监测产品的构建方法，其特征在于，步骤（3）中建立红树林像元样本库的方法为：在DEM高程数据小于10m的区域内，根据短波红外波段、近红外波段、红光波段的地表反射率合成逐年的假彩色影像，凭借专家经验目视解译，每1000 km²范围内选取红树林和非红树林像元样本点各100~200个，并确保红树林像元样本点所在位置的地表覆盖类型在各个年份均为红树林，非红树林样本点的地表覆盖类型在各个年份均为非红树林。

3.根据权利要求1所述的长时序逐年红树林遥感监测产品的构建方法，其特征在于，步骤（5）具体为：针对研究区内的每一个像元，基于以3年为步长的滑动窗口方法开展红树林遥感监测产品的时间序列一致性检验，筛选出其地表覆盖类型和前后相邻年份均不一致的像元及年份，即个别年份的偶然分类误差，称为时间序列噪声点，将像元时间序列噪声点的属性值修改为与其前后相邻年份一致，进一步迭代上述红树林遥感监测产品的时间序列一致性检验工作，至不再出现时间序列噪声点，至此完成红树林遥感监测产品的时间序列一致性检验和校正工作，最终完成长时序逐年红树林遥感监测产品的构建工作，获取长时序逐年红树林遥感监测产品。

4.根据权利要求1所述的长时序逐年红树林遥感监测产品的构建方法，其特征在于，长时序逐年红树林遥感监测产品的数据类型为多层栅格数据堆栈，每一层分别对应每一年的红树林遥感监测结果，栅格属性值为红树林与非红树林。

Images