基于Sentinel-2影像与机器学习回归的拉姆萨尔湿地入侵植被覆盖度制图及生态修复优先级评估

来自印度的研究人员针对热带海岸湿地原生植被被Prosopis juliflora等入侵物种取代的问题，采用支持向量回归(SVR)解混Sentinel-2光谱时序指标(STM)，成功绘制Point Calimere拉姆萨尔站点(PCRS)的植被覆盖度图谱，精度达R2>0.9且MAE<10%，并创新性提出修复优先级指数(RPI)和入侵物种清除指数(IRI)，为湿地生态系统管理提供量化决策工具。

　　

海岸湿地作为维系生物多样性和碳储存的关键生态系统，正遭受Prosopis juliflora等入侵植物的严重威胁。这项聚焦印度Point Calimere拉姆萨尔站点(PCRS)的研究，创新性地将支持向量回归(Support Vector Regression, SVR)与哨兵2号卫星的光谱时序指标(Spectral Temporal Metrics, STM)相结合，通过人工构建训练数据集并在谷歌地球引擎(Google Earth Engine, GEE)平台上实施，实现了红树林、热带旱常绿林等原生植被与入侵物种的精确覆盖度制图。验证显示该方法对主要植被类型的预测精度R²>0.9，平均绝对误差MAE<10%。研究还首创性地开发了修复优先级指数(Restoration Priority Index, RPI)和入侵清除指数(Invasive Removal Index, IRI)两大评估工具，为受入侵压力影响的热带海岸湿地管理提供了兼具科学性和可操作性的决策框架。该成果证实基于回归解混的时序光谱分析技术，能有效支撑湿地生态系统的精准监测与修复实践。