利用机器学习将遥感获取的环境梯度数据与实地特征相结合，以预测海藻Posidonia oceanica的形态响应

《Marine Policy》：Linking remote sensing-derived environmental gradients to in situ traits to predict Posidonia oceanica morphological responses using machine learning

海羊草形态可塑性由光环境、温度及流体动力驱动，通过卫星遥感（GEE）结合实地采样（13项形态指标），利用PCA、PLSR、随机森林和GBM模型揭示主要预测因子为PAR、SST和风速，RDA显示55.8%环境方差受此影响，为全球近海生态系统监测提供框架。

　　

阿德尔·霍贾（Adel Khodja）|奥马尔·凯利勒（Omar Khelil）|斯利曼·舒巴内（Slimane Choubane）|法伊萨尔·沙胡尔（Fay?al Chahrour）

奥兰大学环境监测网络实验室（LRSE） 1 艾哈迈德·本贝拉（Ahmed BENBELLA） 邮政信箱1524，埃尔·姆纳乌尔（El M'Naouer），31000奥兰，阿尔及利亚

摘要

海草（Posidonia oceanica）草甸是监测沿海污染的敏感生物指标，但其形态变化的环境驱动因素尚未得到充分量化。我们整合了13个形态特征的枝条级测量数据与卫星获取的环境变量，研究了阿尔及利亚西海岸三个地点（Cap Blanc、Cap Carbon、Sidi Lakhdar）的形态可塑性。2012年和2017年进行了实地采样工作，而2011年和2016年的环境数据（包括热光学数据、水动力数据和营养指数）则是通过Google Earth Engine（GEE）提取的，以捕捉季节前的累积条件。主成分分析揭示了两个主要的形态变异轴：叶片伸长/表面积（PC1：37.8%）和叶片数量（PC2：16.8%），以及海表温度（SST）和光合有效辐射（PAR）（>140 μmol photons m?2 s?1）。层次聚类进一步确定了三种表型综合征，反映了叶片发育和数量的梯度变化。在浊度较高和叶绿素a含量较高的情况下，低发育综合征更为常见；而在水体较清澈、受保护的环境中，高发育综合征更为普遍。偏最小二乘回归分析表明，PAR、风速和SST是关键预测因子，而随机森林（Random Forest）和梯度提升（Gradient Boosting）模型的R2值对于表面积特征达到了0.49。冗余分析显示，55.8%的变异可归因于SST、PAR和水动力梯度。这些发现表明，海草的形态可塑性主要受光照和温度梯度的影响，并受到水动力和营养条件的调节。关键特征（叶片伸长、表面积和枝条密度）可以通过卫星数据预测，为全球海草生态系统的规模化、基于特征的监测和早期压力检测提供了可扩展的框架。

缩写列表

主成分分析偏最小二乘回归梯度提升机随机森林冗余分析典型对应分析叶片总数成熟叶片数量中间叶片数量所有叶片的总长度成熟叶片长度

SST	海表温度
Chl-a	叶绿素a
SLA	海平面异常
PAR	光合有效辐射
NDVI	归一化植被指数
GEE	Google Earth Engine
PCA
PLSR
GBM
RF
RDA
CCA
TNL
NAL
NIL
LAL
LDL
LIL

材料与方法

我们的工作流程包括三个主要阶段（图1）：（i）使用水肺潜水在三个沿海地点采集枝条级形态特征的数据；（ii）通过Google Earth Engine（GEE）从卫星和再分析数据集中提取环境预测因子；（iii）整合特征数据和环境数据集，并进行统计和机器学习分析。

特征和环境条件的季节性及地点特异性变化

对Cap Blanc、Cap Carbon和Sidi Lakhdar三个研究地点的海草进行形态测量分析，发现其具有明显的季节性结构和强烈的空间差异。在所有地点（2012年和2017年），春季和夏季是冠层扩展的关键时期，而秋季则标志着冠层的收缩或衰老（见补充表S1）。

2017年春季，Cap Blanc的叶片数量特征（TNL、NAL、NIL）出现显著峰值，TNL达到每株7.15片叶片

特征与环境的关系及生态响应

特征与环境分析显示，海草的形态对环境梯度有强烈的协调响应，尤其是与光照、温度和水动力相关的因素。皮尔逊相关性分析（Pearson correlations）、偏最小二乘回归（PLSR）、典型对应分析（CCA）和冗余分析（RDA）一致认为PAR和SST是主要驱动因素。

PAR与表面积和叶片伸长相关的特征之间存在强烈的正相关，这凸显了光照对光合组织发育的促进作用。

结论

本研究展示了整合基于特征的生态学、遥感和机器学习方法揭示地中海沿海梯度上海草形态变异环境驱动因素的潜力。通过将Google Earth Engine提供的高分辨率环境数据与13个植被特征的实地测量数据相结合，我们确定了两个主要的形态可塑性轴：叶片伸长/表面积和叶片数量，这些主要受光照可用性的影响。

CRediT作者贡献声明

阿德尔·霍贾（Adel Khodja）：撰写初稿、方法论制定、数据分析、概念化。奥马尔·凯利勒（Omar Khelil）：审稿与编辑、撰写初稿、数据可视化、验证、软件开发、数据分析、概念化。斯利曼·舒巴内（Slimane Choubane）：审稿与编辑、数据可视化、验证。法伊萨尔·沙胡尔（Fay?al Chahrour）：项目监督、资金筹集。

写作过程中生成式人工智能和人工智能辅助技术的声明

作者声明，生成式人工智能（AI）被用于协助本手稿的撰写和编辑。其用途仅限于语言润色、叙述结构改进和科学表述的辅助。

资金信息

本研究由阿尔及利亚科学研究和技术发展总局（DGRSDT）以及阿尔及利亚高等教育和科学研究部（MESRS）资助。

利益冲突声明

作者声明，他们没有已知的财务利益或个人关系可能影响本文的研究结果。