在本文中，提出了一种适用于
大规模和长时间序列湿地分类
的新方法。该方法的基本思想是从在GEE平台上预处理的数据中提取最大湿地范围，然后利用所
提出的APSMnet和ISM
进行长时间序列湿地分类和变化分析。与现有的湿地分类方法不同，所提出的方法具有两个优点。首先，提出了一种APSMnet方法，它可以
充分采用注意力机制和金字塔结构
，在
大规模和长时间序列湿地分类中实现高精度
。其次，提出了一种ISM方法，它采用自动化阈值分割
提取多年不变样本
，从而提高了分类效率。
在2000年至2022年的GBA Landsat 7数据集上进行了大量实验。与其他方法相比，总体精度（OA）、平均精度（AA）和kappa系数（Kappa）至少
分别提高了0.0209、0.0395和0.0267
。23年的分类结果显示，红树林/沼泽地区经历了波动、恢复和最终稳定。自2019年以来，养殖池区域相对较低，而其他湿地保持稳定。
ISM和APSMnet方法解决了大规模、长时间序列湿地分类中高效样本获取和分类准确性的挑战
。建立了23年的GBA
湿地分类数据集
，支持研究区域湿地资源管理和生态保护。未来的研究可以通过整合多源遥感数据，包括Sentinel-2数据、SAR和高光谱数据，来提高分类精度。此外，还应进一步探索其他深度学习技术，如多模态学习。
本文的研究区
在提取2000年最大湿地范围之前和之后的假彩图像对比。
（a）是原始图像，（b）中的非白色区域代表最大湿地范围。
为了清晰起见，（a）和（b）中箭头指示的小图像对应于各自的放大细节
（a）ResNet、（b）3DCSN、（c）Vit、（d）CoatNet、（e）RF、（f）SVM和（g）APSMnet的误差矩阵
不同分类方法的分类地图。
第一列显示了不同比较方法的分类地图，而第二至第四列分别展示了区域a、b和c的放大细节
APSMnet和全球土地覆盖产品的分类地图。
每个产品显示了GBA的分类地图和区域a、b和c的放大细节
APSMnet的不同阶段特征描述。
第一和第二列分别展示真彩（T）和假彩（F）图像，而第三到最后一列分别代表通道0、5、10、15、20和25的特征
2000年至2022年间，APSMnet方法的（a）总体精度（OA）、（b）平均精度（AA）和（c）kappa系数（Kappa）的箱线图
基于APSMnet的2000-2022年的GBA分类图
上方分类图的放大细节
在这23年的时间段内，（a）湿地类型和（b）非湿地类型的土地覆盖总面积
2000年至2022年间，土地覆盖在特定地区发生了显著的变化
使用桑基图来展示广东-香港-澳门大湾区（GBA）的土地覆盖类型变化
