基于无人机RGB影像与Haralick纹理特征的潮间带大型藻类分类方法研究

本研究针对潮间带生态系统监测中传统方法效率低、尺度受限的难题，创新性地提出结合无人机RGB影像与Haralick纹理特征（HTFs）的分类框架。通过特征选择技术将HTFs从16个优化至8个，并对比SVM、RF、MLP和XGBoost四种分类器性能，结合SLIC和SEEDS超像素分割算法，在西班牙加利西亚案例中实现12类（含8种藻类）的精准分类（最高准确率0.77）。该工作为海岸带自动化管理提供了低成本、可扩展的技术方案。

　　

潮间带生态系统作为海陆过渡带，是研究碳封存、生物多样性及初级生产的关键区域。传统监测依赖人工样带调查，存在耗时费力、覆盖范围有限等缺陷。尽管遥感技术提供了新思路，但卫星影像分辨率不足，而多/高光谱设备成本高昂。如何利用普及型无人机搭载的RGB相机实现藻类精准分类，成为亟待解决的科学问题。

针对这一挑战，来自中国的研究团队在《Remote Sensing Applications: Society and Environment》发表论文，系统评估了基于RGB影像和Haralick纹理特征（HTFs）的分类流程。研究通过特征重要性分析（PFI/SHAP）筛选关键纹理指标，对比四种机器学习算法在超像素分割场景下的性能，最终建立了一套适用于复杂自然环境的自动化监测方案。

研究方法聚焦三大技术模块：1）数据采集使用DJI Mavic 3E等无人机获取12-15m航高的RGB正射影像；2）特征工程计算13种HTFs（如ASM、IDM等），基于西班牙加利西亚两个研究区的标记数据集；3）模型优化采用网格搜索调参，对比SLIC与SEEDS超像素算法在250-350初始超像素区间的表现。

研究结果揭示多项重要发现：

1. 特征选择：通过PFI和SHAP分析确定蓝/绿色通道、Sum average等8个核心HTFs，特征缩减后准确率保持稳定（0.72-0.74）。
2. 分类器性能：MLP表现最优（测试准确率0.75），XGBoost次之（0.74），SVM/RF对灰度数据集更敏感。
3. 超像素影响：SEEDS在6层级6直方柱配置下取得最高准确率（0.77），其计算效率较SLIC提升17倍，且能保留更多初始超像素结构。
4. 参数优化：300-350个初始超像素为最佳平衡点，过多分割会导致计算负担激增而精度下降。

讨论部分强调，该研究首次系统评估了RGB影像纹理特征在藻类分类中的组合效应。相较于传统多光谱方法，该方案硬件成本降低90%以上，且全流程基于开源工具实现。尽管在褐藻门等近缘物种区分上仍有局限，但通过引入地形因子（如LiDAR）或深度学习特征可进一步突破。研究建立的标准化工作流不仅适用于藻类监测，还可扩展至海草床、湿地植被等场景，为《生物多样性公约》2030年保护目标提供了可复制的技术路径。

这项工作的创新性体现在三方面：1）创建首个包含8种潮间带藻类的RGB纹理特征数据库；2）证实SEEDS超像素算法在自然场景下的效率优势；3）开发出兼容消费级无人机的生态监测方案。未来研究可结合 hyperspectral成像和3D形态特征，进一步提升物种级分类精度。