利用EMIT成像光谱技术提升区域滨海湿地范围监测能力：亚像元制图与潮汐影响分析

本文系统评估了NASA EMIT（Earth Mineral Dust Source Investigation）成像光谱数据在滨海湿地生境亚像元尺度监测中的潜力与局限。研究通过随机森林回归算法，在南非大 Cape 植物区（GCFR）河口实现了盐沼、芦苇莎草及沉水植被（SAV）的精准提取（RMSE 5.6%–11.4%），并揭示潮汐淹没程度对映射精度的关键影响，为全球沿海生态系统动态监测提供了新范式。

　　

1 引言

滨海湿地作为关键生态系统，提供水质净化、碳固存（Carbon Sequestration）和洪水减缓等重要服务，但由于其难以进入的特性，原位监测面临挑战。全球自1900年以来已有超过50%的湿地消失，凸显了遥感监测的紧迫性。本研究旨在利用国际空间站（ISS）搭载的NASA EMIT成像光谱仪，探索其在南非大 Cape 植物区（GCFR）滨海湿地生境监测中的潜力与局限。

EMIT传感器具有380–2500 nm的光谱范围、7.4 nm的光谱分辨率和60 m的空间分辨率，其高光谱特性克服了多光谱传感器在区分湿地植被类型时的不足。研究通过结合机器学习方法，重点解决成像光谱数据在滨海湿地应用中的两大瓶颈：空间分辨率粗糙与重访周期长。

---

2 方法论

2.1 研究区域

研究聚焦南非GCFR区域的四个河口：Langebaan Lagoon（西海岸，降水500 mm/年）、Knysna与Swartvlei（ Garden Route海岸，降水1000 mm/年）以及Groot Berg（用于模型验证）。这些河口代表了不同的生物地理亚区和湿地组合类型，如Langebaan的广阔盐沼、Swartvlei的沉水植被（SAV）和芦苇莎草群落，以及Knysna的海草-盐沼混合生态系统。

2.2 数据来源与处理

研究使用EMIT L2A表面反射率数据，并结合3 m分辨率的PlanetScope影像生成的生境范围图作为训练标签。通过随机森林回归算法，计算每个EMIT像元内三种生境（盐沼、芦苇莎草、SAV）的亚像元比例。模型采用70/30训练-测试集划分，并利用未参与训练的Groot Berg河口进行独立验证。

2.3 光谱分析与模型训练

研究提取了EMIT的243个波段（去除42个受大气影响严重的波段），并采用排列重要性分析评估各波段贡献。发现盐沼映射的关键波段集中于红边-近红外（NIR）区域（如723 nm、1439 nm），而SAV则更依赖短波红外（SWIR）波段（如2485 nm）。研究还测试了仅使用20个最重要波段的简化模型，发现其虽在原始场景中表现相当，但跨场景迁移性较差。

---

3 结果

3.1 生境分布与模型精度

模型在低潮期（1月8日）图像中表现最佳：盐沼、芦苇莎草和SAV的RMSE分别为7.8%、11.4%和5.6%。高潮期（11月8日）图像中模型性能显著下降（盐沼RMSE升至23.6%），表明潮汐淹没严重影响光谱信号。

各河口生境分布差异显著：

• •
  Langebaan以盐沼为主（占湿地总面积51.9%），SAV仅占14.0%；
• •
  Groot Berg与Swartvlei以芦苇莎草为主导（76.0%与71.8%），盐沼比例较低（19.8%与6.2%）；
• •
  Knysna的SAV比例最高（34.3%），反映了河口类型对生境组成的控制作用。

3.2 波段重要性与模型迁移性

盐沼映射的核心波段集中于红边-NIR区域（700–800 nm），而SAV则依赖SWIR波段（1500–2500 nm）。尽管波段选择可提升单一场景精度，但其跨 estuary 迁移性较差，表明需针对不同河口类型与季节定制模型。

3.3 潮汐与季节的影响

Getis-Ord聚类分析显示，低潮期影像能准确识别河口口的盐沼热点区，而高潮期影像则因水体淹没导致误分类扩散至上游区域。生长季（夏季）影像因植被光谱特征更明显，显著优于其他季节。

---

4 讨论

EMIT数据通过高光谱分辨率弥补了空间分辨率的不足，实现了滨海湿地亚像元级精确制图。但其重访周期（目前仅能获取零星无云影像）仍是长期监测的主要限制。未来随着EnMAP、PRISMA及即将发射的SBG（Surface Biology and Geology）与CHIME等成像光谱任务的推进，多源数据融合与时间序列分析将突破单传感器限制。

研究还指出，潮汐阶段与季节性是影响映射精度的核心环境因子，建议优先采用生长季低潮期影像进行湿地监测。EMIT全球数据覆盖广泛（截至2024年3月已有2430景影像覆盖全球盐沼分布区），为跨区域比较与生态系统评估提供了前所未有的机遇。

---

5 结论

本研究证实了星载成像光谱技术在滨海湿地监测中的可行性。EMIT数据通过机器学习方法可实现盐沼、芦苇莎草和SAV的亚像元比例精准预测，其性能优于多光谱传感器（如Landsat）。未来需结合多时相数据与物理模型，进一步优化潮汐与季节变化的校正算法，以支撑全球滨海湿地的动态评估与保护管理。