评估在Google Earth Engine中进行高分辨率、全国范围海草绘图的方法

《Remote Sensing in Ecology and Conservation》：Evaluating methods for high-resolution, national-scale seagrass mapping in Google Earth Engine

　　本研究评估了马尔代夫海草地图生成中的三种方法：卫星数据源（Sentinel-2、Landsat 8、Planet NICFI）、分类器（SVM、RF、CART）和训练点密度。结果显示Sentinel-2结合SVM分类器最优（OA=80.3%），训练点密度建议≥0.67/km2，卫星数据源影响大于分类器类型。

　　在当今全球面临日益严峻的海洋生态问题和气候变化挑战的背景下，海洋生态系统监测与保护成为国际社会关注的重点。其中，海草床作为重要的沿海生态系统之一，不仅为多种海洋生物提供栖息地和繁殖场所，还在碳封存、水体净化和海岸线稳定等方面发挥着关键作用。然而，由于海草床分布广泛、生态条件复杂以及部分区域难以实地调查，传统的实地调查方法在获取大规模、高精度的海草床数据方面存在显著局限。因此，利用遥感技术进行海草床监测成为一种高效且经济的选择。特别是在云平台的支持下，卫星遥感技术能够以较低成本实现对大面积海域的实时监测，为海洋保护政策的制定提供科学依据。

本研究聚焦于海草床遥感监测过程中，三个关键方法学选择对最终地图精度的影响。这些方法学选择包括：（1）图像获取的时间范围（即季节性影响，通过7个地点在5年间的测试）；（2）机器学习分类方法（支持向量机SVM、随机森林RF和分类回归树CART）及其训练像素密度（范围为0.0004至0.8757个训练像素/平方公里）；（3）输入的卫星数据来源（包括Landsat 8、Planet NICFI和Sentinel-2）。通过系统地评估这些方法学选择对海草床地图精度的影响，本研究为未来的大规模海草床遥感工作提供了重要的参考。

研究发现，在马尔代夫地区，利用当前最佳的云掩膜方法，季风云模式会引入噪声，从而影响遥感图像的准确性。在分类阶段，三种机器学习方法的总体准确率（Overall Accuracy, OA）基本相近，但支持向量机（SVM）表现出最佳性能（OA=84.6%）。此外，使用Sentinel-2数据生成的二元主题海草床地图的总体准确率最高（OA=80.3%），而Landsat 8和Planet NICFI的数据分别表现出OA=72.7%和OA=74.8%。这些结果表明，数据来源对总体准确率的影响远大于分类器类型的选择，因此，在地图制作过程中，数据来源应成为首要考虑因素。

进一步研究还发现，在大于1000平方公里的较大空间尺度上，使用Sentinel-2数据进行二元分类时，训练像素的最小密度应为0.67个像素/平方公里。这为未来大规模海草床遥感项目提供了实用的指导原则。研究还提出了一个适用于非商业用途的开放源代码工作流程，用于生成高分辨率的国家尺度海草床地图。这一工作流程不仅适用于马尔代夫，也可以在全球其他类似环境中推广，以提升海洋规划和国际目标（如气候变化和生物多样性保护）的实施效果。

在方法部分，研究团队选择了马尔代夫群岛作为实验区域，因为该地区具有独特的地理和生态条件，适合评估遥感技术在海草床监测中的适用性。首先，马尔代夫的气候具有明显的季节性特征，包括东北季风（干季）和西南季风（湿季），这为研究季节性对海草床面积变化的影响提供了良好的自然条件。其次，该地区水体清澈、悬浮物含量低，有利于光学遥感数据的获取。此外，研究团队还获得了现场验证数据，包括823个标记点，用于评估遥感地图的准确性。这些因素使得马尔代夫成为研究海草床遥感方法的理想场所。

在图像预处理阶段，研究团队采用了标准化的处理流程，以确保图像质量。首先，他们对卫星图像进行了筛选，排除了云覆盖超过20%的图像，以减少云层对图像质量的影响。随后，应用了云和高反射率地表的掩膜处理，以进一步清除图像中的噪声。为了提高图像的整体质量，团队使用了20%的反射率值进行图像合成，从而生成一个代表特定时间段的伪图像。此外，还通过计算修改后的归一化水体指数（Modified Normalised Difference Water Index, MNDWI）并设置阈值，对陆地部分进行了掩膜处理，以确保最终的遥感地图仅包含水体区域。为了消除大气影响，团队还采用了暗像素减法方法，以去除由路径辐射引起的误差。最后，将合成后的图像除以π，以获得水体反射率值。

在季节性实验中，研究团队选择了7个分布在马尔代夫群岛南北的海草床作为测试站点，并利用Sentinel-2数据进行图像合成。他们记录了每张图像的云覆盖情况，并通过时间序列分解分析（STL方法）来识别海草床面积的季节性变化。结果显示，海草床面积在一年中的某些时间段表现出较小的季节性波动，例如1月至4月期间，海草床面积较低，而9月至10月期间达到峰值。尽管这种季节性波动相对较小，但在云覆盖较多的月份（如7月至9月），地图的总体准确率会有所下降。这表明，在海草床遥感工作中，图像获取的时间选择对于地图精度具有重要影响。为了克服这一问题，研究团队建议采用更长的时间跨度进行图像合成，以减少云层带来的噪声干扰。

在机器学习分类器的比较实验中，研究团队评估了SVM、RF和CART三种分类器在不同训练像素密度下的表现。结果表明，SVM在训练像素密度为3,750时达到了最高的总体准确率（84.6%），而RF和CART的表现则相对稳定。尽管SVM在准确率上略胜一筹，但其性能对超参数的调整较为敏感，因此在缺乏足够训练数据的情况下，可能不如RF稳定。此外，研究团队通过断点分析确定了在Sentinel-2数据基础上进行二元分类的最小训练像素密度为0.67个像素/平方公里。这一建议对于大规模遥感项目具有重要的指导意义，尤其是在训练数据获取困难的区域。

在卫星数据比较实验中，研究团队评估了Landsat 8、Sentinel-2和Planet NICFI三种数据源在海草床分类中的表现。结果显示，Sentinel-2数据在所有分类器中表现出最高的总体准确率（80.3%），而Landsat 8和Planet NICFI的数据则分别为72.7%和74.8%。这些差异可能源于多种因素，包括不同卫星的光谱响应特性、波段定义的精度以及场景对齐误差等。尽管Planet NICFI提供了更高空间分辨率的数据（每日更新），但其分类准确率仍低于Sentinel-2。这可能与Landsat 8较低的空间分辨率（30米）有关，其可能导致更多混合像素（即包含多种底栖覆盖类型的像素），尤其是在海草床分布较为分散的区域。

此外，研究团队还指出，尽管Sentinel-2在分类准确率上表现最佳，但在某些情况下，其他数据源如Planet NICFI仍具有其独特的价值。例如，Planet NICFI的高分辨率数据可能更适合对小范围的海草床进行详细分析，而Sentinel-2则更适合大范围的综合监测。因此，在选择卫星数据时，需要根据具体的项目需求和研究目标进行权衡。同时，研究团队建议，在大规模遥感项目中，应优先考虑Sentinel-2数据，因为其不仅提供了较高的分类准确率，还具有较短的重访周期和较高的数据可用性。

研究结果还表明，在实际应用中，云层对遥感图像的影响不容忽视。特别是在季风季节，云层的覆盖范围和密度会显著增加，从而影响图像的质量和分类的准确性。因此，未来的研究应进一步探索新的云识别和去噪方法，以提高遥感图像的处理效率和分类精度。此外，研究团队还强调了在大规模遥感项目中，合理选择训练像素密度的重要性。在训练数据获取受限的情况下，应尽可能使用高密度的训练像素，以确保分类器的性能达到最佳水平。

最后，研究团队提出了一套适用于非商业用途的开放源代码工作流程，为全球其他地区的海草床遥感监测提供了可复制的模式。这一工作流程不仅能够生成高分辨率的国家尺度海草床地图，还能够为海洋规划和政策制定提供科学依据。研究结果表明，通过合理选择数据来源、优化分类器参数和调整训练像素密度，可以显著提高海草床遥感地图的准确性。同时，研究还指出，在应用这些方法时，需要考虑不同地区的生态环境差异，例如水体浑浊度、季节性变化等因素，以确保方法的适用性和有效性。

综上所述，本研究为大规模海草床遥感监测提供了重要的方法学指导。通过系统评估图像合成时间、分类器类型和数据来源对地图精度的影响，研究团队揭示了在不同条件下，哪些因素对遥感结果具有更大的影响。这些发现不仅有助于提升海草床遥感工作的科学性和可靠性，也为其他浅水底栖生态系统（如珊瑚礁和红树林）的遥感监测提供了参考。在全球范围内，随着对海洋生态系统保护需求的增加，类似的研究将为实现国际海洋保护目标提供有力的技术支持。