利用高光谱成像和深度学习进行干旱地区的陆地栖息地制图：以沙特阿拉伯为例

《Ecological Informatics》：Harnessing hyperspectral imaging and deep learning for terrestrial habitat mapping in arid landscapes: A case study in Saudi Arabia

本研究基于EnMAP高光谱影像和U-Net深度学习模型，对沙特阿拉伯Imam Turki bin Abdullah皇家保护区进行栖息地分类，发现U-Net与VGG19结合时F1-score达0.90，精准划分了沙丘、干河床等四类栖息地，并首次提出“Rawdat”作为IUCN新类别，为干旱区生态保护提供高分辨率空间数据支撑。

　　### 沙漠生态系统的高精度栖息地分类与保护规划

沙漠生态系统在生态重要性方面占据着不可忽视的地位，但这些区域在可操作的尺度上却常常缺乏准确的测绘数据。这一问题限制了决策者在干旱地区制定有效的保护和修复策略。为了应对这一挑战，本研究结合了空间高光谱成像技术与深度学习语义分割模型，以生成更精确的栖息地分类图。研究对象是沙特阿拉伯的Imam Turki bin Abdullah皇家自然保护区的一部分，该地区代表了典型的干旱生态系统，其独特的地理和生态特征为研究提供了理想的环境。

本研究中使用的高光谱数据来自Environmental Mapping and Analysis Program（EnMAP）卫星，该卫星具有224个连续光谱波段，覆盖范围从420纳米到2450纳米，空间分辨率为30米。这一高分辨率数据能够识别干旱景观中微小的光谱差异，从而实现更精确的栖息地分割。为了确保数据质量，研究选择了大气干扰最小的影像，包括低云量和低气溶胶光学厚度的条件。此外，EnMAP数据经过大气校正，为后续分析提供了可靠的基础。

在研究方法上，本研究采用了两种先进的深度学习架构：U-Net和DeepLabV3+。这两种模型分别结合了VGG19和ResNet-101作为编码器。通过比较不同模型的性能，研究发现U-Net与VGG19编码器的组合在F1分数上表现最佳，达到了0.90，这表明其在干旱环境中的栖息地分类任务中具有优越的能力。研究结果不仅展示了高光谱数据与深度学习技术的结合优势，还表明在处理复杂光谱环境时，U-Net模型能够有效保持边界清晰，避免了因光谱相似性导致的误分类问题。

研究还引入了“Rawdat”作为新的IUCN栖息地分类等级，这是一种季节性植被覆盖的沙漠碳酸盐洼地。这一分类的提出基于对研究区域光谱特征和生态功能的深入分析，表明这些洼地在生态系统中具有独特的价值，是重要的生物多样性热点区域。通过将“Rawdat”纳入IUCN分类体系，研究为全球干旱地区的生态分类提供了新的视角。

为了验证模型的有效性，研究团队进行了详细的光谱分析，提取了每个栖息地类型的平均反射率曲线。结果显示，不同栖息地在光谱特征上具有显著差异，尤其是在可见光和近红外波段。这些光谱特征不仅帮助模型准确区分不同的栖息地类型，还为后续的生态评估和管理提供了科学依据。通过比较不同模型的性能，研究团队发现U-Net（VGG19）在所有测试类别中表现最为稳定，能够有效捕捉光谱与空间特征的细微变化，从而提升分类精度。

此外，研究还探讨了生态分类对可持续发展目标（SDGs）的影响。生成的栖息地地图不仅支持了气候行动（SDG 13）和陆地生命（SDG 15）的监测和管理，还为保护和修复行动提供了可验证的指标。这些指标对于政策制定者和生态保护工作者来说具有重要意义，有助于他们在面对气候变化时采取更有效的措施。

在方法论上，本研究强调了高光谱数据与深度学习模型的结合优势。相比传统的多光谱卫星图像和基于规则的分类方法，高光谱成像能够提供更丰富的光谱信息，从而提升分类的准确性和细节水平。然而，高光谱数据的高维度特性也带来了计算上的挑战，因此研究团队采用了一系列数据预处理和增强策略，包括使用PCA进行特征提取、生成重叠的图像块以及应用数据增强技术，以提高模型的泛化能力和鲁棒性。

研究还指出，尽管EnMAP的30米空间分辨率在某些情况下可能无法充分捕捉小尺度的生态特征，如狭窄的wadi和小型的Rawdat区域，但通过结合高分辨率的空中或无人机高光谱数据，可以进一步提高分类精度。此外，研究建议在不同干旱地区应用本研究中的模型时，应进行本地化调整，以适应不同区域的光谱和地形特征。这种灵活的方法不仅适用于沙特阿拉伯的干旱生态系统，也具有推广价值，可用于其他类似的干旱和半干旱地区。

在生态洞察方面，研究团队发现，生成的栖息地地图不仅反映了光谱差异，还揭示了生态梯度的变化。例如，Rawdat和Wadi栖息地因其较高的土壤水分和植被密度，成为生物多样性的重要庇护所。而Plateau和Sand Sheets由于植被稀疏和暴露度高，其生态适宜性较低。这些发现为干旱地区的保护和修复提供了科学依据，有助于制定更具针对性的生态管理策略。

总体而言，本研究通过将EnMAP高光谱数据与U-Net模型结合，为干旱地区的栖息地分类提供了一种高效、精确的方法。生成的栖息地地图不仅支持了生物多样性监测和保护规划，还为实现联合国可持续发展目标提供了数据支持。未来的研究可以进一步探索该方法在其他干旱地区的应用，以推动全球范围内的生态测绘和保护工作。