基于无人机影像与机器学习的海藻养殖精准蒸散模型构建及环境因子影响机制研究

本研究针对气候变化下南苏拉威西海藻(Kappaphycus alvarezii)养殖面临的季节性产量波动问题，通过整合无人机(UAV)与卫星遥感技术，构建了融合海表温度(SST)、盐度等环境参数的生产预测模型。研究发现季风转换期(Transition 1)产量最高(809.02吨)，盐度(r=-0.73)与波高是关键影响因素，Lasso回归模型解释率达79%，为气候适应性养殖提供决策支持。

　　

气候变化正对全球水产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海藻主产区。作为全球最大的海藻生产省份，该地区占印尼全国产量的2%，但季节性气候波动导致的水温、盐度和营养盐变化，使得重要经济藻类——麒麟菜(Kappaphycus alvarezii)的产量呈现显著波动。传统养殖模式缺乏对环境因子的精准监测手段，难以应对日益加剧的气候变化影响。

针对这一难题，中国科学院遥感与数字地球研究所的研究团队创新性地将无人机(UAV)与多源卫星遥感技术相结合，在2019-2024年间对南苏拉威西Bone地区的Palette和Mallari两个村庄的海藻养殖区展开系统研究。通过分析季风转换期环境参数与产量的关联性，构建了可预测生产的机器学习模型，相关成果发表在《Remote Sensing Applications: Society and Environment》期刊。

研究团队采用多技术融合的方法：利用配备RGB和多光谱传感器的DJI Phantom系列无人机获取15.9cm高分辨率影像，结合PlanetScope和Sentinel-2卫星数据监测海表温度(SST)、盐度等环境参数；通过Avenza Map软件记录228个养殖单元的实地验证数据；采用Lasso和Ridge回归分析处理存在多重共线性的环境变量（温度与风速r=-0.99），最终建立产量预测模型。

【空间分布模式】
通过每月无人机正射影像分析发现：雨季(12-2月)海藻集中分布于0-5m浅水区，过渡期(3-5月)向>5m深水区扩展，干季(6-8月)呈现均匀分布特征。这种空间动态与季风驱动的环境变化密切相关，其中珊瑚礁区因底质不适始终未被利用。

【产量季节差异】
ANOVA分析显示季节间产量差异显著(p=0.0127)，过渡期1产量最高(中位数809.02吨)，西季风期最低(350.72吨)。Tukey检验证实过渡期1与西季风期、过渡期1与过渡期2之间存在显著差异(p<0.05)。

【环境因子影响】
• 盐度影响：呈现强负相关(r=-0.73, p=0.0071)，简单回归R²=0.532，表明盐度升高会显著抑制生长
• 波高影响：正相关趋势(r=0.44)但未达显著水平，可能与改善营养交换有关
• 温度影响：与产量弱负相关(r_s=-0.17)，但与风速(r_s=-0.99)和波浪(r_s=-0.87)存在高度共线性

【预测模型表现】
Lasso回归筛选出盐度和波高作为关键变量，解释率79%；Ridge回归保留全部变量后解释率提升至82%，但模型复杂度增加。两种方法均显示环境因素可解释八成以上的产量变异。

这项研究首次系统揭示了季风转换期环境参数对海藻养殖的调控机制，创新点在于：

1. 建立无人机与卫星协同观测体系，实现从米级到公里级的多尺度监测；
2. 发现过渡期1是最佳生产窗口，为优化养殖周期提供依据；
3. 证实盐度是核心限制因子，建议选址应规避高盐波动区域。

尽管存在数据周期较短(仅12个月)的局限，但研究提出的"空-天-地"一体化监测框架，为发展气候智慧型水产养殖提供了可推广的技术范式。未来结合ARIMA等时间序列分析方法延长观测周期，有望进一步提升预测精度，助力全球沿海社区应对气候变化挑战。