编辑推荐：
为解决沿海湿地表层土壤湿度（SSM）监测问题，研究人员开展了整合无人机与 Landsat 数据的两尺度研究。结果显示该方法可实现多尺度 SSM 监测，8 月结果最可靠。这为湿地生态系统管理提供了有力支持。
在地球的生态系统中，沿海湿地扮演着极为重要的角色。它不仅是海洋与陆地之间的过渡区域，为众多生物提供了栖息之所，还在净化水质、抵御洪水、调节气候等方面发挥着关键作用。然而，如今沿海湿地正面临着严峻的挑战，气候变化、污染、沿海挤压以及传统管理方式的废弃，使得它们的面积以每年 1.7% 的速度在减少。
表层土壤湿度（SSM）作为影响生态系统动态变化的关键因素，对沿海湿地生态系统的稳定至关重要。它不仅调控着土壤中养分和底物向微生物群落的扩散，影响土壤碳固定，还与季节性降水、风暴潮等密切相关。然而，要准确监测沿海湿地的 SSM 并非易事。传统的监测手段存在诸多局限，无人机虽能获取高分辨率数据，但续航能力有限、存在后勤保障难题且受空中交通安全限制，难以进行大规模监测；卫星传感器虽覆盖范围广、时间分辨率高，但其中等空间分辨率在监测异质景观时会遗漏精细尺度的信息。
为了攻克这些难题，来自爱沙尼亚生命科学大学的研究人员开展了一项极具创新性的研究。他们提出了一种全新的框架，将无人机和卫星遥感数据与机器学习（ML）技术相结合，旨在提高对爱沙尼亚北方波罗的海沿海草甸异质区域 SSM 的估算精度。
研究人员在 2022 年 5 月、6 月和 8 月，对爱沙尼亚四个具有生态代表性的沿海湿地地区进行了研究。他们利用搭载多光谱和热成像传感器的无人机进行飞行观测，同时进行实地测量，获取土壤体积含水量百分比（VWC%）。通过这些数据，他们估算出温度植被干旱指数（TVDI），并将其与实地测量的 VWC% 进行校准，从而生成高分辨率的 SSM 地图。
随后，研究人员使用从 Landsat - 8 卫星图像中提取的光谱信息计算植被指数（VIs），并将高分辨率的 SSM 值聚合到与 Landsat 像素分辨率一致的网格中，以此训练 XGBoost 模型。在模型训练过程中，他们采用 10 折交叉验证和网格搜索策略来优化超参数，并应用提前停止机制防止过拟合。
研究结果令人瞩目。在 TVDI 和 SSM 校准方面，多项式拟合显示干边和湿边都有较高的相关性，尽管部分区域存在校准不显著的情况，但总体上仍能反映出 SSM 的变化趋势。通过校准 TVDI 得到的高分辨率 SSM 地图展示了不同月份各研究区域的 SSM 分布特征，6 月整体 SSM 值较高，8 月部分区域出现分层斑块且 SSM 值变化较大。
在 XGBoost 回归分析中，模型在 8 月表现最佳，R2得分较高，RMSE 低于 10%，预测结果更平衡。变量重要性分析表明，5 月各预测变量重要性较为均衡，6 月 TVDI 和 LST 的重要性增加，8 月 LST 成为最重要变量，TVDI 次之，这表明 8 月植被干燥程度受 LST 影响更大。
该研究成果意义重大。它成功展示了无人机和卫星数据融合在沿海湿地 SSM 监测中的协同作用，为北方波罗的海沿海草甸生态系统的评估和恢复提供了有力的方法支持。这不仅有助于我们更好地理解关键气候变量，还能为沿海湿地的保护和管理提供科学依据，助力相关政策的制定和实施，对维护沿海湿地生态系统的可持续发展具有重要意义。该研究成果发表在《Ecological Informatics》上，为相关领域的研究开辟了新的道路。
在研究方法上，主要采用了以下关键技术：一是利用无人机搭载多光谱和热成像传感器获取数据；二是通过实地测量获取 VWC%，用于校准 TVDI；三是运用机器学习中的 XGBoost 算法构建模型，并采用 10 折交叉验证和网格搜索策略优化模型。
研究结论和讨论部分进一步强调了该研究的重要性。高分辨率 SSM 地图虽存在一定误差，但总体结果较为可靠，反映了沿海湿地的实际情况。Landsat - 8 数据结合 XGBoost 模型在较低空间分辨率下也能取得较好的预测效果，但仍需改进，如增加训练样本、扩大实地采样覆盖范围等。该研究为未来沿海湿地 SSM 监测的发展奠定了基础，有助于推动相关研究向更广泛的区域和更长期的监测方向拓展，为全球沿海湿地保护和管理提供了宝贵的经验和技术支持。
