基于跨场景迁移学习的红树林氮磷含量估算：从高光谱数据到SDGSAT-1与Sentinel-2影像的协同反演

本研究针对气候变化对海藻养殖的显著影响，通过整合无人机(UAV)与卫星遥感技术，分析了南苏拉威西地区四种季风季节下环境参数(温度、盐度、富营养化水平)与卡帕藻(Kappaphycus alvarezii)生产力的关系。研究构建了2019-2024年时空预测模型，发现盐度(r=-0.73)与波浪高度是影响产量的关键因子，Lasso回归模型解释度达79%。该成果为气候适应性养殖策略提供了数据支撑，发表于《Remote Sensing of Environment》。

　　

气候变化正对全球海藻养殖业构成严峻挑战，特别是在印度尼西亚南苏拉威西这样的核心产区。作为全球最大的海藻生产省份，该地区面临着温度波动、盐度变化和极端天气的多重压力，导致卡帕藻(Kappaphycus alvarezii)的生长周期紊乱、产量不稳定。更棘手的是，传统监测手段难以精准捕捉环境参数与养殖产量的动态关系，使得农民无法根据季节变化优化种植策略，严重制约着这个年产值数十亿美元的产业可持续发展。

针对这一难题，国内研究人员开展了一项创新性研究。他们巧妙地将无人机(UAV)的高分辨率数据与卫星遥感技术相结合，构建了一套覆盖2019-2024年的环境-生产耦合分析系统。通过DJI Phantom 4 RGB传感器和Phantom Multispectral多光谱传感器获取的厘米级影像，研究人员首次实现了对波尼湾(Bone Gulf)海域海藻养殖场的亚米级精准测绘。同时整合Aqua Modis海表温度、CHIRPS降雨量、Marine Copernicus盐度数据等多源卫星数据，创建了包含7项关键环境参数的数据库。

研究采用了三项关键技术：1) UAV影像的几何校正采用图像-图像配准法，控制点水平精度达0.554m(CE90)；2) 通过长度-重量转换模型计算产量，公式为W_wet=(L/S)×W_bundle/1000；3) 运用Lasso和Ridge回归解决环境参数间的多重共线性(VIF>100)，其中Lasso模型筛选出盐度和波浪高度作为关键预测因子。

3.1 空间分布模式与产量动态

无人机测绘揭示了显著的季节性迁移规律：雨季(12-2月)海藻集中分布于0-5m浅水区，旱季(6-8月)则向>5m深水区扩展。产量分析显示过渡期1(3-5月)单产最高(809.02吨)，而西季风期最低(350.72吨)，ANOVA检验证实季节差异显著(p=0.0127)。

3.2 环境参数的影响机制

盐度表现出最强的负相关性(r=-0.73, p=0.0071)，其简单回归解释度达53.2%。波浪高度则显示正向影响，表明适度水动力有利于营养交换。值得注意的是，温度与风速呈现近乎完美的负相关(r_s=-0.99)，但通过Lasso回归被识别为冗余变量。

讨论与意义

该研究首次量化了季风转换期作为最佳养殖窗口的科学依据。Ridge回归模型(R²=0.82)比Lasso模型具有更高解释力，暗示多环境因子的协同作用更为复杂。实践层面，建议农民在盐度>34.44时调整养殖区域，并利用3-5月的波浪条件(0.3-0.5m)提升产量。方法论上，研究开创性地将UAV的厘米级数据与卫星的千米级数据通过STCOS(时空支持度转换)技术融合，为后续研究提供了跨尺度分析的范本。

这项发表于《Remote Sensing of Environment》的成果，不仅为东南亚海藻产业提供了精准的气候适应方案，更建立了"空-天-地"一体化的水产养殖监测新范式。未来若结合ARIMA时间序列模型延长观测周期，有望发展出更具预测性的智慧养殖管理系统。