在Google Earth Engine中，利用多源卫星影像检测和分类入侵性的Callery pear（加拿大花楸）

《Ecological Informatics》：Detection and classification of invasive Callery pear from multisource satellite imageries in Google Earth Engine

入侵物种叫化果树（PC）的分布监测研究整合了Sentinel-2光学、Sentinel-1与PALSAR雷达数据及USGS地形数据，通过随机森林（RF）和支持向量机（SVM）模型在Google Earth Engine平台构建分类体系。冬季影像结合SWIR波段、L波段雷达回波及坡度地形特征，RF模型最终分类精度达92.6%，SVM为89.6%，验证了多源数据融合与机器学习算法在区域尺度入侵物种监测中的有效性。

　　### 解读与分析

#### 引言与背景

本文主要探讨了一种通过结合多种遥感数据和机器学习方法，用于识别和分类一种快速扩散的外来植物——“Callery pear”（梨树）的技术方法。外来物种对生态系统的威胁日益加剧，尤其是在环境条件较为脆弱的区域。随着全球气候变化和人类活动的增加，外来物种的扩散速度和范围显著扩大，对当地生态平衡、生物多样性以及土地管理构成了严峻挑战。美国东部地区是Callery pear的典型分布区，其入侵不仅影响森林结构和生态功能，还对水文循环和土壤化学性质产生负面影响。

传统的实地调查虽然可以提供精确的数据，但其成本高、耗时长，难以在大规模范围内应用。因此，借助卫星遥感技术成为一种高效、低成本的替代方案。通过整合多源遥感数据，如多光谱（Sentinel-2）、合成孔径雷达（SAR，包括Sentinel-1和L波段）以及地形数据，研究者可以更全面地识别和分类外来植物。这种综合方法不仅提高了分类的准确性，还为区域范围内的土地管理者提供了可靠的工具，帮助他们制定有效的管理策略。

#### 方法论

研究区域涵盖了美国东南部的四个州：阿拉巴马州、佐治亚州、田纳西州和南卡罗来纳州。这些地区的气候条件多样，特别是在冬季，这为不同季节的遥感数据采集提供了良好的条件。研究者利用Sentinel-2的多光谱数据、Sentinel-1的C波段SAR数据、PALSAR的L波段SAR数据以及USGS的数字高程模型（DEM）数据，构建了一个多源数据融合的分类模型。这些数据的分辨率和覆盖范围各不相同，研究者通过创建中位数合成图像来整合这些数据，以减少云层和噪声的影响。

为了提高分类精度，研究者从Sentinel-2数据中提取了43个常用的光谱指数，并通过主成分分析（PCA）将180个纹理特征减少到两个主成分（PCA1和PCA2）。此外，研究者还计算了C波段和L波段SAR数据的雷达指数，如交叉极化比、总散射功率和雷达植被指数。这些指数能够更好地捕捉植被的结构和形态特征，为分类提供更丰富的信息。

在分类方法上，研究者选择了两种主流的机器学习算法：随机森林（RF）和支持向量机（SVM）。这两种算法在处理高维数据和非线性关系方面表现出色，尤其适用于外来物种的分类。研究者通过设定不同的分类场景，逐步引入不同数据集，以评估每种数据对分类结果的贡献。最终，研究者在Google Earth Engine（GEE）平台上构建了完整的分类模型，并利用变量重要性（VI）和SHAP框架分析了关键特征对分类结果的影响。

#### 结果

研究结果表明，当所有数据集和其衍生特征都被引入时，分类模型的准确性最高。对于随机森林模型，其整体准确率达到了92.6%（置信区间为90.62%到94.34%），而支持向量机模型的准确率为89.6%（置信区间为87.45%到92.00%）。这些结果表明，将L波段雷达数据与其他数据集结合，能够显著提高分类效果。

变量重要性分析显示，Sentinel-2的短波红外（SWIR）波段（B5、B11、B12）以及L波段雷达的交叉极化比（HV）和极化比（HHHV）是分类过程中最重要的特征。此外，地形数据中的坡度和高程也被证明对分类具有重要影响。研究者还利用SHAP框架生成了部分依赖图（PDP），以进一步理解这些特征在分类中的具体作用。

#### 讨论

从结果来看，随机森林模型在分类Callery pear方面表现优于支持向量机模型。这可能是因为随机森林在处理有限训练样本时具有更强的泛化能力，同时能够有效防止过拟合。相比之下，支持向量机在二分类任务中表现良好，但在多类分类任务中可能受到训练样本数量和分布的影响。

研究还指出，尽管L波段雷达在分类中表现出色，但其在实际应用中仍面临一定的挑战。例如，混合像素问题可能影响分类精度，尤其是在城市和植被交界区域。此外，研究者提到训练样本数量的不足可能限制模型的准确性。为了提高模型的泛化能力，未来可以考虑增加训练样本数量，并采用更复杂的模型，如XGBoost、LightGBM或深度学习模型，以获取更详细的信息。

#### 优势与局限性

本文的方法具有显著的优势。首先，通过结合多源遥感数据，能够更全面地识别和分类外来植物，提高了模型的鲁棒性和准确性。其次，利用Google Earth Engine平台，使得大规模数据处理和分析成为可能，同时也降低了对本地计算资源的依赖。此外，研究者还提出了将该方法应用于其他外来物种的可能性，为未来的研究提供了基础。

然而，该方法也存在一些局限性。例如，仅使用冬季合成图像可能无法充分捕捉外来植物的动态变化，尤其是在春季开花期。此外，混合像素问题仍然存在，尤其是在城市和植被交界区域，这可能影响分类结果的准确性。因此，未来的研究需要进一步优化数据预处理步骤，并考虑使用更高分辨率的影像数据，如NAIP，以减少混合像素的影响。

#### 对未来研究的启示

本文的研究为未来在更大范围内应用机器学习技术进行外来物种监测提供了重要的参考。通过结合多源遥感数据，研究者能够更准确地识别和分类外来植物，从而为土地管理者提供决策支持。此外，该方法还可以推广到其他外来物种，如“树 of heaven”（Ailanthus altissima）、“Cogongrass”（Imperata cylindrica）、“privet”（Ligustrum spp.）、“Japanese honeysuckle”（Lonicera japonica）和“Chinaberry”（Melia azedarach）等。

未来的研究可以进一步优化模型，通过增加训练样本数量和使用更复杂的算法，如深度学习，来提高分类精度。此外，可以考虑将该方法与气候和生物物理信息结合，以更全面地理解外来物种的扩散机制。例如，通过分析季节性卫星影像与气候条件的关系，可以更准确地预测外来物种的扩散路径和范围，从而为土地管理提供更科学的依据。

#### 结论

综上所述，本文通过结合多源遥感数据和机器学习算法，成功构建了一个能够有效识别和分类Callery pear的模型。该模型在不同分类场景中表现出较高的准确性，特别是在引入L波段雷达数据后，其分类效果显著提升。研究结果表明，这种综合方法不仅适用于Callery pear，还具有推广到其他外来物种的潜力，为区域范围内的土地管理提供了新的工具和思路。

未来的研究应进一步探索如何优化模型，以应对更多复杂的情况，如混合像素问题和季节性变化。同时，研究者还应考虑如何将该模型应用于更广泛的区域，并与其他数据源结合，以提高分类的准确性和实用性。此外，随着遥感技术和机器学习方法的不断发展，未来的研究可以利用更高分辨率的影像数据和更先进的算法，进一步提升外来物种监测和管理的效果。