编辑推荐：
加拿大草原生态系统濒危，原生草原识别对管理与保护至关重要。研究利用 Sentinel-2 的 NDVI 时序数据，通过 Conv1D、At-LSTM、RF 模型区分原生与驯化草原，发现 Conv1D 模型表现最优，早期 July 为关键期，高分辨率数据提升精度，为草原保护提供依据。
在广袤的加拿大草原上，一场关于生态守护的科研探索正在展开。作为世界上最濒危的生态系统之一，加拿大草原的原生草原正面临着严峻挑战。过度开垦、物种入侵等因素导致其面积锐减，而传统的土地覆盖分类方法难以精准区分原生草原与驯化草原，这使得草原的有效管理和生物多样性保护陷入困境。如何利用先进技术手段，揭开原生草原的 “身份密码”，成为摆在科学家面前的重要课题。
为了破解这一难题，来自相关研究机构的研究人员开展了一项具有创新性的研究。他们将目光投向了 Sentinel-2 卫星的时序数据，试图通过深度学习模型，打开识别原生草原的新窗口。这项研究成果发表在《International Journal of Applied Earth Observation and Geoinformation》上，为草原生态保护领域带来了新的启示。
研究人员采用了多种关键技术方法。首先，从 2016 - 2019 年的 PLI 项目中提取 Sentinel-2 的 NDVI 时序数据，并对样本点进行空间下采样以平衡分布。然后，运用三种 classifier 模型 —— 一维卷积神经网络（Conv1D）、注意力长短期记忆网络（At-LSTM）和随机森林（RF）进行分类，并结合 SHapley 加性解释（SHAP）框架、注意力权重分析和基尼重要性等方法，挖掘关键物候期特征。同时，对比了 5 天、10 天、30 天不同时间分辨率数据对模型性能的影响。
3.1 分类器性能
研究结果显示，Conv1D 模型在区分原生与驯化草原上表现卓越。在南部子区域，其总体精度达 0.88，宏平均 F1 分数为 0.87；北部子区域总体精度 0.78，宏平均 F1 分数 0.77，均优于 At-LSTM 和 RF 模型。At-LSTM 模型在北部子区域表现较弱，F1 分数仅 0.68，RF 模型在北部也出现明显性能下降。此外，所有模型对原生草原的分类效果均优于驯化草原，体现出原生草原特征的相对稳定性。
3.2 关键日期
通过分析 NDVI 时序数据的时间特征重要性，发现不同模型和区域的关键物候期存在差异。在整个混合草原生态区，4 月中旬至 7 月中旬（DOY 100 - 200）是区分两类草原的重要时期。Conv1D 模型更关注 DOY 130 - 200 及 290 左右的时段，RF 模型则聚焦 DOY 105 - 130、170 - 210 和 270 - 290，At-LSTM 模型主要关注 DOY 100 - 160 和 180 - 200。南部子区域的关键期在早春（DOY 105）和盛夏（DOY 180）表现更为一致，而北部子区域各模型关注的时期差异较大，反映出南北区域气候和物种组成的差异对物候期识别的影响。
3.3 时间分辨率的影响
时间分辨率对模型性能影响显著。在混合草原生态区，随着时间分辨率从 30 天提高到 5 天，Conv1D 模型的总体精度和宏平均 F1 分数显著提升。但在南部子区域，10 天分辨率数据的模型精度反而高于 5 天，可能是过高分辨率引入噪声所致。北部子区域中，Conv1D 和 At-LSTM 模型在低分辨率下精度下降明显，而 RF 模型表现相对稳定，显示出不同模型对数据分辨率的适应性差异。
这项研究揭示了深度学习模型在原生草原识别中的巨大潜力。Conv1D 模型凭借其对时序数据局部特征的强大捕捉能力，成为区分原生与驯化草原的有效工具。研究确定的早期 July（DOY 170 - 200）关键物候期，为草原监测提供了精准的时间窗口，而高分辨率数据对模型精度的提升作用，也为未来遥感监测的技术选择提供了参考。
研究结论表明，结合 Sentinel-2 的 NDVI 时序数据与深度学习模型，能够有效解决原生草原识别难题，为草原生态系统的科学管理和生物多样性保护提供了新的技术路径。这一成果不仅有助于加拿大草原的保护，也为全球类似生态系统的监测与管理提供了可借鉴的方法和思路。随着技术的不断发展，多源数据融合和更先进的深度学习架构有望进一步提升草原监测的精度和效率，为守护地球的绿色家园贡献更多科技力量。
