基于多源航空遥感与机器学习的泥炭地恢复优先级局地评估

《Ecological Indicators》：Local scale assessment of peatland restoration priorities using multi-sensor airborne remote sensing and machine learning

本研究针对泥炭地退化与干旱恢复力评估难题，利用机载LiDAR、高光谱和热红外多源数据融合，结合机器学习算法，在波兰Tuchola森林区实现了22类植物群落的高精度制图（OA=79%）并构建了新型多因子泥炭地干燥指数（MPDI）模型（RMSE=1.898）。研究成果为泥炭地生态系统的精准监测和恢复优先级划分提供了关键技术支撑，对气候变化背景下的湿地保护具有重要意义。

　　

泥炭地被誉为地球的“肾”和“碳库”，在维持生物多样性、水源涵养和碳储存方面发挥着不可替代的作用。然而，在全球范围内，泥炭地正面临着前所未有的威胁。历史上为农业和林业进行的排水工程，加上当前气候变暖导致的干旱加剧，使得这些宝贵的生态系统严重退化。据统计，自1700年以来，全球超过20%的内陆湿地已经消失，而在欧洲，自1970年以来的损失率甚至超过了45%。波兰的情况尤为严峻，其约5%的国土面积为泥炭地，其中超过80%已被排水。一旦泥炭地干涸，其关键的生态功能便会丧失，如何有效、快速地评估泥炭地的健康状况，并科学地指导其恢复工作，成为生态保护和气候变化应对领域的一个紧迫课题。

传统的野外调查方法虽然精确，但耗时耗力，难以在大范围内实施。遥感技术的兴起为这一难题提供了新的解决方案。它能够快速、非侵入式地获取大范围的地表信息。近年来，尽管遥感技术已广泛应用于湿地监测，但大多数研究集中于土地覆盖分类或宏观变化监测，对于泥炭地内部精细的植物群落组成及其短期干旱恢复力的评估仍显不足。特别是在植物群落级别的详细分类，以及结合热红外数据来指示地表水分状况的研究相对罕见。此外，如何整合多源遥感数据（如高光谱、激光雷达LiDAR和热红外TIR）与地面观测数据，构建一个综合的泥炭地健康状况评估指标，并据此确定恢复的优先顺序，是当前研究的前沿和难点。

为了解决这些问题，由Martyna Wietecha、Dominik Kope?等研究人员组成的研究团队，在波兰北部的Tuchola森林保护区开展了一项开创性的研究。他们综合利用多传感器机载遥感数据和机器学习算法，旨在实现两个核心目标：一是绘制高精度的泥炭地植物群落分布图，二是构建一个能够量化泥炭地植被干燥程度的模型，并最终评估不同泥炭地植被类型的短期干旱恢复力，为恢复行动提供科学依据。这项研究成果发表在环境生态学领域的知名期刊《Ecological Indicators》上。

为了达成研究目标，研究人员采用了一套整合了先进遥感技术与实地调查的综合方法。研究区域选定了Tuchola森林内的四个重点区域，覆盖了248个独立的泥炭地。数据采集的核心是在2022年7月20日植被生长旺季进行的一次综合性航空遥感飞行，同步获取了高密度的机载激光雷达点云、高光谱影像以及白天和夜间的热红外影像。高光谱数据经过辐射定标、大气校正等预处理后，通过最小噪声分离变换和计算74种光谱指数来提取特征。激光雷达数据用于生成数字高程模型和一系列地形度量。热红外数据则用于计算地表温度和作物水分胁迫指数等地表温度相关指标。同时，研究团队开展了密集的野外实地调查，记录了983个用于植被分类的样方和98个用于干燥度建模的样方。对于干燥度评估，他们创新性地提出了一个多因子泥炭地干燥指数，该指数综合了苔藓干燥度、维管植物干燥度、泥炭地脱水程度和土壤湿度四个现场评估指标。在数据分析阶段，研究团队运用机器学习框架，采用CatBoost算法，分别训练了植物群落分类模型和泥炭地干燥度模型，并通过交叉验证评估了模型性能。

植物群落分类与泥炭地植被组成

研究人员成功绘制了整个研究区域的详细植物群落图，包含了22个图例类别。机器学习模型的分类总体精度达到了79%，Kappa系数为0.77，平均F1分数为0.75，表明该模型能够可靠地区分大多数植被类型。对分类结果的分析揭示了一个严峻的事实：在所划定的泥炭地区域内，非泥炭形成植被类型（如草甸、松林等）占据了近67%的面积，这清晰地反映了该地区泥炭地普遍退化的现状。而最具生态价值的、活跃的泥炭形成群落，如典型的贫营养沼泽植被，仅占不到5%的面积。

泥炭地干燥度模型与评估

基于多因子泥炭地干燥指数模型在预测泥炭地干燥程度方面表现出良好的性能，其均方根误差为1.898，平均绝对误差为1.536。特征重要性分析显示，热红外数据（特别是昼夜地表温差）是预测干燥度的最重要因子，其次是如改进的归一化水体指数、归一化氮指数等光谱指数。将该模型应用于八个精选的泥炭地进行详细评估后发现，不同植物群落的干燥程度存在显著差异。典型沼泽类型的群落，如Ledo-Sphagnetum magellanici 和 Sphagno recurvi-Eriophoretum vaginati，表现出最高的MPDI中位值，意味着它们对短期干旱的恢复力最低。相反，典型fen-type的群落，如Scorpidio-Caricetum diandrae 和 Menyantho-Sphagnetum teretis，则显示出极低的干燥度指数，表明其水文状况良好，抗旱能力较强。

恢复优先级确定

综合植被群落分布和干燥度评估结果，研究人员对八个重点泥炭地进行了恢复优先级排序。结果显示，Jelenia Wyspa 和 Nowy Sumin 等以沼泽植被为主的泥炭地干燥程度最为严重，应被列为最高优先级的恢复对象。而以fen-type植被为主的St??ka河河谷泥炭地等则状况相对较好，当前应以保护和维持现有水文条件为主要管理目标。

本研究通过多源航空遥感与机器学习的深度融合，不仅实现了泥炭地植物群落的高精度、精细化分类，更重要的是，创新性地构建了多因子泥炭地干燥指数这一综合评估工具。该研究清晰地揭示了在气候干旱背景下，不同类型泥炭地植被的脆弱性差异，特别是ombrotrophic bog-type生态系统表现出的低恢复力，这对于预测未来气候变化下的生态系统响应具有重要预警意义。研究所建立的从数据采集、处理到模型应用的全链条技术框架，为区域尺度的泥炭地精准监测、健康状况诊断和恢复优先级划分提供了可复制的范例。尽管机载数据成本较高，但该研究方法论为未来利用更高时空分辨率的卫星遥感数据（如即将到来的高光谱卫星任务）进行大范围泥炭地动态监测奠定了坚实基础。最终，这项研究成果为土地管理者和政策制定者进行科学的生态保护决策提供了直接、有力的数据支持，对于遏制泥炭地退化、保护生物多样性和增强碳汇功能具有深远的实践意义。