编辑推荐：
为解决周期性潮汐淹没区域互花米草（SA）入侵精准识别难题，研究人员基于珠海一号高光谱影像，利用 KNN、SVM、RF 算法分析多时相植被指数（VIs）性能。发现红边波段衍生 VIs 精度超 91.6%， June、February、November 为关键监测月份，为入侵物种管理提供新方法。
互花米草（
Spartina alterniflora）作为全球最具危害性的入侵杂草之一，自 1979 年引入中国后，在华南沿海快速扩散，挤占本土红树林生存空间，威胁生物多样性。然而，其在周期性潮汐淹没区域的监测面临诸多挑战：单一时期影像易受季节变化影响，SA 与泥滩、水体等光谱特征混淆，传统多光谱植被指数（如 NDVI、EVI）在复杂生境中区分能力有限。因此，如何利用高分辨率遥感技术捕捉 SA 的物候动态，提升其在潮间带的识别精度，成为海岸带生态保护的重要课题。
为攻克这一难题，中国研究人员以广西山口红树林国家级自然保护区的丹兜海区域为研究对象，基于珠海一号（Zhuhai-1）高光谱卫星数据，开展了多时相植被指数（VIs）在 SA 入侵监测中的应用研究。该研究成果发表于《Ecological Informatics》，为入侵物种的时空动态监测提供了新的技术范式。
研究采用的关键技术方法包括：① 珠海一号高光谱影像预处理，涵盖辐射定标、大气校正（FLAASH 模型）和几何精修，获取 9 个月份（2-12 月）的高质量反射率数据；② 面向对象的多尺度分割技术（eCognition 软件），结合光谱、纹理（如 GLCM 熵、均匀性）和 31 种 VIs（含 NDVI、EVI 及红边衍生指数 ZTM、RENDVI 等）构建特征集；③ 机器学习算法（K 近邻 KNN、支持向量机 SVM、随机森林 RF）分类与精度评估，通过 5 折交叉验证优化模型参数，并利用特征重要性分析筛选关键变量。
3.1 高光谱特征分析
光谱曲线显示，SA 在红边波段（716-780 nm）呈现独特 “谷 - 峰” 模式，与红树林、水体、泥滩差异显著。该区域反射率变化对植被叶绿素含量敏感，为红边植被指数的有效性提供了光谱依据。
3.2 分类精度评估
单一 6 月影像中，仅光谱波段分类精度达 92.75%，但多时相 VIs 表现更优：红边衍生指数 ZTM、SAVI 等平均精度超 91.5%，显著高于传统 NDVI（91.47%）和 EVI（84.78%）。这表明多时相数据能捕捉 SA 从返青（6 月）到枯黄（11 月）、枯萎（2 月）的物候轨迹，减少单一时期光谱混淆。
3.3 关键监测月份评估
通过特征重要性标准化分析，确认 6 月（返青期）、2 月（枯萎期）、11 月（枯黄期）为 SA 识别的关键月份，对应物候阶段与光谱差异高度吻合。而 3 月、4 月等生长初期因光谱特征不明显，重要性较低。
3.4 空间分布映射
对比单一影像与多时相 VIs 的分类结果，后者在潮间带区域提取的 SA 范围更广，且减少了泥滩误判。这证实多时相数据能有效刻画 SA 在潮汐影响下的真实分布，提升复杂生境中的监测可靠性。
研究表明，珠海一号高光谱影像的多时相红边植被指数（如 ZTM、RENDVI2）在 SA 识别中表现卓越，精度突破 91.6%，显著优于传统多光谱指数。关键物候期（6 月、2 月、11 月）的确定为监测周期优化提供了依据，而面向对象的机器学习方法则为高维遥感数据的特征挖掘提供了通用框架。该研究不仅揭示了 SA 的时空入侵模式，更验证了高光谱多时相分析在物种级分类中的巨大潜力，为全球海岸带入侵物种管理提供了可复制的技术方案。随着 EnMAP、PRISMA 等新一代高光谱卫星的发展，此类方法有望在生物多样性监测、生态修复评估等领域发挥更重要作用。
