基于Sentinel-1/2与集成学习的海岸带养殖池塘自动化遥感制图方法研究

针对海岸带养殖池塘大规模遥感制图中存在的空间异质性难题和单一机器学习模型鲁棒性不足的问题，研究人员创新性地结合Sentinel-1 SAR和Sentinel-2 MSI多源数据，在Google Earth Engine（GEE）平台上构建了层次决策树与集成学习融合的提取框架。该研究通过六边形分区策略优化计算资源，利用多特征协同的层次决策树实现粗提取，并集成空间邻域信息提升细提取精度，最终在浙江省实现87.90%的总体分类精度，为海岸带可持续发展提供了可靠技术支撑。

　　

随着全球水产养殖业的快速发展，海岸带养殖池塘已成为海洋渔业经济的重要支柱。然而，无序扩张的养殖活动引发了水体富营养化、生态系统退化等一系列环境问题。传统监测手段难以满足大范围、高精度的管理需求，而现有遥感提取方法受限于空间异质性和单一模型局限性，在复杂海岸带环境中的分类精度和自动化程度亟待提升。

为解决这一难题，中国的研究团队在《Expert Systems with Applications》发表研究，提出了一种融合多源卫星数据和机器学习的新型框架。该研究利用Google Earth Engine（GEE）云平台，整合Sentinel-1合成孔径雷达（SAR）的全天候观测能力和Sentinel-2多光谱成像仪（MSI）的高时空分辨率优势，通过六边形分区策略突破计算资源限制，构建了层次决策树与集成学习的多阶段分析流程。关键技术包括：（1）基于Sentinel-1/2和数字高程模型（DEM）的多特征协同层次决策树粗提取；（2）融合空间邻域信息的集成学习模型细提取；（3）采用六边形格网实现大规模区域并行计算优化。

研究结果
Study area
以浙江省1800公里复杂海岸线为试验区，涵盖舟山群岛、杭州湾等典型养殖区，验证模型在异质地貌中的适应性。

Extraction of coastal aquaculture ponds
六边形分区（30公里半径）显著提升GEE运算效率。层次决策树通过NDWI（归一化水体指数）、纹理特征等实现初步筛选，集成学习模型（含RF、CART、SVM）将总体精度提升至87.90%，Kappa系数达75.88%，较单一模型提高1.07%-10.09%。

Discussion
多源数据融合有效克服了单一数据特征表达不完整的问题，空间邻域信息集成缓解了"同物异谱"现象。该方法在狭窄堤坝识别（10米分辨率）和复杂背景区分方面表现突出，为全球同类研究提供范式。

Conclusions
该框架实现了海岸带养殖池塘的自动化、高精度制图，其创新性体现在：（1）六边形分区策略突破大规模计算瓶颈；（2）多阶段分类体系兼顾效率与精度；（3）GEE云平台支持可持续监测。研究成果为海岸带综合管理和渔业政策制定提供了科学依据，对实现联合国可持续发展目标（SDGs）中的"水下生命"保护具有重要实践价值。