适用于高强度人类活动区域的层次化-模块化生态系统制图框架

《International Journal of Digital Earth》：A hierarchical-modular ecosystem mapping framework for high-intensity human activity zones

本研究提出一种分层-模块化生态系统映射框架，结合分层分类策略（HCS）、概率集合方法（PEM）和像素-对象知识（POK）算法，生成2020年长江三角洲高精度生态系统地图（YRD_EM）。该框架通过分层分类减少误差传播，集成多模型概率投票提升分类稳定性，利用地形、 phenology 和形态学特征细化湿地等复杂类别的边界。结果显示YRD_EM对10大类生态系统的总体精度达90.29%，对15细分类别达88.50%，显著优于现有产品，尤其在湿地连通性和植被类型区分上表现突出，为区域生态保护和可持续发展规划提供可靠数据支撑。

　　本研究提出了一种分层模块化的生态系统映射框架，旨在解决现有土地覆盖地图在精细尺度生态研究和管理中的不足。高密度的人类活动区域对生态敏感生态系统造成了不成比例的压力，加速了景观的破碎化，并削弱了生态系统功能。尽管现有的土地覆盖地图能够捕捉生态系统的大致格局，但它们通常缺乏足够的主题细粒度和空间精度，无法满足对生态系统类型进行细致区分的需求。本研究开发的框架通过结合分层分类策略（HCS）和概率集成方法（PEM），有效提升了分类的可区分性并减少了模型不确定性，从而将总体精度（OA）提高了2.50-5.41个百分点。随后，通过引入像素与对象结合知识（POK）算法，进一步增强了生态系统的边界识别，特别是在森林和湿地等复杂生态类型上取得了显著成效。最终，我们生成了2020年长江三角洲生态地图（YRD_EM），该地图在10个主要生态系统类别中实现了90.29%的总体精度，而在15个更精细的类别中达到了88.50%的总体精度。与现有产品相比，YRD_EM在湿地连通性表示和灌木地识别方面表现出显著优势，并能更精确地描绘生态复杂的过渡区。该框架展示了其在生态系统监测和保护规划中的应用潜力，为生态系统保护提供了更精确的数据支持。

研究区域为长江三角洲，其地理位置位于长江下游，涵盖江苏、浙江、安徽三省及上海，总面积约为358,000平方公里。该地区受到亚热带季风气候的影响，年均降水量在1000-1400毫米之间，年均温度在14-18摄氏度之间。随着中国最经济活跃的区域之一，长江三角洲经历了快速的城市化，这导致了生态系统破碎化加剧，对生态系统的保护和管理提出了更高的要求。为了更好地识别沿海湿地，我们设定了一个50公里的沿海缓冲区，以定义潜在的自然沿海湿地区域。本研究利用多种数据源和方法，包括多源遥感影像、辅助数据以及先进的数据处理技术，构建了一个覆盖范围广泛且细节丰富的生态系统分类系统。

在方法上，本研究采用了分层分类策略（HCS）与概率集成方法（PEM）相结合的框架。HCS通过将对象组织成分层结构，并将复杂的分类任务分解为多个阶段，提高了相似光谱类别的可区分性，从而增强了分类的准确性。而PEM则通过整合多个分类器的概率输出，生成更稳健和一致的预测结果，以减少分层结构中的误差传播。此外，引入了像素与对象结合知识（POK）算法，该算法融合了生态属性，如物候特征、形态特征和空间上下文信息，从而在光谱特征之外提高了生态系统的识别能力。POK算法通过分阶段的细化过程，实现了对生态系统的精准分类，特别是对湿地、森林和农田等关键生态类型的细分。

在数据预处理方面，本研究整合了多种遥感数据，包括多源遥感影像、地形数据以及辅助数据。这些数据涵盖了从光谱信息到时间序列的多个维度，以全面反映生态系统的时空特征。通过构建220个变量，包括光谱指数、物候特征、地形特征和纹理特征，确保了分类模型的全面性和准确性。此外，针对云覆盖导致的数据缺失问题，采用了月度中值合成与线性插值相结合的方法，以重建连续的物候特征，从而提高分类模型的鲁棒性。同时，利用Sentinel-1 SAR数据，可以有效克服光学遥感数据受云层干扰的问题，为湿地和水体的分类提供了更稳定的影像数据。

在训练样本的收集过程中，本研究采用了混合采样方法，结合了自动样本生成与视觉解释。这种方法不仅提高了样本的可靠性，还克服了传统单一采样方法在稀有生态系统类型上的不足。对于主要生态系统类型，如森林、灌溉农田、雨养农田和城市用地，通过多源数据的叠加和一致性检查，确保了训练样本的代表性。而对于稀有类型，如灌木地、草地、湿地、淹没地和裸地，则通过高分辨率Google Earth影像进行人工视觉解释，以提高其识别的准确性。同时，为了减少样本间的混淆，采用了基于面积比例的分层抽样策略，以确保样本的多样性和代表性。

在生态系统映射框架的构建过程中，首先通过HCS进行初步分类，然后利用PEM进一步优化分类结果，最后通过POK算法进行精细分类。这一分步分类策略有效减少了分类误差，提高了模型的稳定性。在分类过程中，对每个像素进行了多模型概率值的计算，并将其归类为具有最高概率值的类别。通过这种方法，实现了对生态系统类型更为精确的识别。此外，针对水体和湿地等具有高度空间连续性的类别，引入了基于对象的处理方法，以增强分类的连续性和边界清晰度。

在精度评估方面，本研究采用了分层随机抽样与视觉解释相结合的方法，以确保测试样本的代表性。通过计算总体精度（OA）、生产者精度（PA）、用户精度（UA）和Kappa系数，全面评估了分类模型的性能。结果显示，YRD_EM在10个主要生态系统类别中达到了90.29%的总体精度，在15个更精细的类别中达到了88.50%的总体精度。与现有产品相比，YRD_EM在湿地和灌木地的识别上表现尤为突出，有效提高了这些关键生态类型的分类精度。同时，该产品在湿地子类别的空间连续性和边界清晰度方面也表现出显著优势，为生态系统的保护和管理提供了更加科学和精确的依据。

在空间模式分析方面，YRD_EM展示了长江三角洲生态系统的详细分布情况，揭示了地形条件与亚热带季风气候对生态系统格局的深刻影响。该地图显示，南部的山地和丘陵地区主要分布着森林和灌木地，而北部和中部则以灌溉农田为主。湿地的分布则表现出较高的复杂性，其中湖泊、内陆沼泽、河流、沿海沼泽、潮间带和淹没地等类型构成了湿地生态系统的主要部分。城市用地则占据了区域的10.4%，反映了该地区快速城市化带来的生态系统格局变化。这些空间模式不仅有助于理解区域生态系统的现状，还为未来的生态管理提供了重要的数据支持。

本研究的生态系统映射框架在多个方面展现出显著的优势。首先，它通过分层结构有效地提升了光谱相似但主题不同的类别的分类精度，同时通过概率集成方法减少了误差传播的风险，提高了分类的稳定性。其次，POK算法的引入使得分类结果更加符合生态系统的实际分布，特别是在湿地等复杂生态系统类型上，能够更准确地识别其子类型。此外，该框架在处理数据不完整和分类不确定性方面表现出较强的适应性，通过多种数据源和辅助信息的整合，提高了分类的可靠性和精度。最后，该框架的模块化设计使其能够灵活应用于不同的研究区域和生态类型，为生态系统的保护和管理提供了更为通用的解决方案。

尽管本研究取得了一定的成果，但仍然存在一些局限性。例如，由于云层覆盖和大气干扰的影响，某些生态类型（如落叶林）的分类精度相对较低。此外，尽管POK算法在提高分类精度方面表现出色，但在处理高度复杂的生态类型时仍面临一定的挑战。未来的研究可以进一步优化物候特征的重建方法，以提高分类的鲁棒性。同时，结合多尺度、跨学科的辅助数据，如气候、土壤和水文数据，可以更全面地反映生态系统的关键驱动因素，从而提高分类的准确性。此外，随着遥感技术的发展，更高分辨率的数据和更先进的算法将为生态系统的精细分类提供更大的可能性。

综上所述，本研究提出的分层模块化生态系统映射框架在提高分类精度和空间连续性方面具有重要的应用价值。它不仅为生态系统的保护和管理提供了科学依据，还为实现可持续发展目标（SDG）提供了数据支持。通过整合多种数据源和方法，该框架能够有效应对复杂生态环境中的分类挑战，为未来生态研究和管理提供了新的思路和工具。同时，该框架的模块化设计使其具备良好的可扩展性和适应性，能够应用于其他类似生态和人为压力的区域。因此，本研究为生态系统精细分类和动态监测提供了重要的参考和示范。