基于多传感器（Sentinel-1/2与SRTM）集成机器学习方法的泰国红树林大规模精准制图及其生态意义研究

本研究创新性地融合Sentinel-2多光谱影像、Sentinel-1合成孔径雷达（SAR）后向散射数据与SRTM数字高程模型（DEM），通过集成多种机器学习算法（RF、SVM、CART、GTB、XGBoost）构建软投票集成模型，实现了泰国全国尺度红树林的精准制图（总体精度97.05%）。研究揭示了红树林植被指数（MVI）、雷达纹理特征（VV对比度）和地形因子（高程）对分类贡献最大，为红树林保护、碳核算（碳储量290.34–328.64 t C ha?1）及气候适应政策提供了可扩展的技术方案。

　　

Model Performance Evaluation

多传感器集成机器学习方法在泰国大规模红树林制图中展现出卓越的分类性能。表2汇总了所有六种机器学习模型的训练与测试精度，结果显示测试精度范围达95.78%–97.05%，性能稳定且优异。

集成分类器以97.05%的测试精度位居榜首，充分体现了多算法融合的有效性。梯度提升树（GTB）以96.94%的精度位列第二，而XGBoost和随机森林（RF）分别达到96.88%和96.87%，表现不相上下。支持向量机（SVM）和分类回归树（CART）虽精度稍低，但仍高于95.78%，说明所有模型均适用于红树林分类任务。

Discussion

本研究采用的多传感器集成方法实现了高达95.78%–97.05%的分类精度，显著证明了在热带环境中整合Sentinel-1、Sentinel-2和SRTM数据用于大规模红树林制图的巨大潜力。该结果与近期热带红树林遥感研究高度一致——多源传感器融合策略始终表现出优于单一传感器的性能（Dagne et al., 2023; Ghorbanian et al., 2021）。

Conclusions

本研究成功验证了多传感器集成机器学习框架在泰国国家尺度红树林制图中的有效性。通过融合Sentinel-1 SAR、Sentinel-2光学影像与SRTM地形数据，集成模型取得了优异精度（97.05%）， consistently 超越所有单一分类器。特征重要性分析确定红树林植被指数（MVI）是最具区分力的预测因子，而SAR纹理和高程则提供了互补的结构与地形信息。最终图谱显示，泰国24个省份共计分布有2,557 km2的红树林，其中75%集中于安达曼海沿岸。