融合季节光谱指标与SWIR2–RE1光谱指数的Sentinel-2合轴型麻竹（Dendrocalamus latiflorus Munro）物种级制图

《Remote Sensing》：Sentinel-2 Mapping of Sympodial Ma Bamboo (Dendrocalamus latiflorus Munro) Based on Seasonal Metrics and a SWIR2–RE1 Spectral Index

　　

麻竹（Dendrocalamus latiflorus Munro）是具有生态和经济重要性的合轴型竹种，广泛栽培于中国南方。利用卫星影像制图其空间分布仍具挑战，原因在于麻竹与其他森林类型之间存在光谱响应重叠。本研究评估了整合Sentinel-2季节光谱变化与针对性SWIR₂–RE₁光谱对比以改进麻竹制图的潜力。研究人员从冬季和夏季观测中派生四个归一化季节指标，并基于SWIR₂与RE₁的归一化对比开发麻竹光谱指数（Ma Bamboo Spectral Index, MBSI）。研究人员采用XGBoost（eXtreme Gradient Boosting，极端梯度提升）和嵌套空间交叉验证评估四种特征配置，进一步采用SHAP（SHapley Additive exPlanations，沙普利加性解释）和累积局部效应解释模型。结果表明，整合年度光谱变量、季节指标和MBSI的模型表现最佳，总体精度（Overall Accuracy, OA）为0.833，F₁分数为0.819，曲线下面积（Area Under the Curve, AUC）为0.875。季节指标主要提高生产者精度（Producer’s Accuracy, PA），而MBSI更多贡献于用户精度（User’s Accuracy, UA），表明二者在降低漏分和错分误差方面具有互补效应。MBSI是最重要预测变量，RE₁c是最重要季节指标，并与MBSI表现出最强交互作用。这些结果表明，将季节光谱变化与SWIR₂–RE₁对比相结合可提高麻竹制图的完整性和可靠性，并为中国南方制图提供可解释框架。

研究背景与问题：竹类分布于热带和亚热带，提供材料、食用产品和碳储存等生态系统服务；中国竹类资源丰富，但以往竹类分布制图缺少物种级信息。麻竹（Dendrocalamus latiflorus Munro）为大型合轴型（sympodial）竹种，广泛栽培于中国南方，竹笋可食、竹材用于建筑和造纸，具有经济重要性，因此其空间分布对种级资源评估和可持续经营很重要。野外调查劳动强度大、更新频率受限。Sentinel-2具有13个波段和5天重访，红边（RE）对叶绿素和绿叶面积敏感，短波红外（SWIR）对水分敏感但受干物质和结构影响；多季节影像通常改善树种分类。已有竹类遥感多将竹类作为宽泛类别，中国物种级研究主要集中于毛竹，针对麻竹的季节特征可迁移性未直接评估；毛竹为单轴型（monopodial），麻竹为合轴型，根茎生长差异可能影响竹秆分布、林分结构和冠层组织，但麻竹季节光谱变化的幅度与稳定性尚不清楚。参考样本存在空间自相关，随机划分会高估性能，需空间验证；仅凭精度不能判断季节变量与针对性光谱对比是否冗余或互补。因此本研究评估二者单独及联合贡献。

研究开展与意义：研究人员在广东清远英德市开展研究，构建基线年度光谱变量、季节指标和MBSI（Ma Bamboo Spectral Index，麻竹光谱指数）的四类特征配置，用XGBoost（eXtreme Gradient Boosting，极端梯度提升）和嵌套空间交叉验证（nested spatial cross-validation，考虑空间分组的模型评估）比较，并以SHAP（SHapley Additive exPlanations，沙普利加性解释）和二阶ALE（Accumulated Local Effects，累积局部效应）解释。最终模型总体精度0.833、F₁ 0.819、AUC（Area Under the Curve，曲线下面积）0.875，制图识别742.89 km²麻竹。消融显示季节指标与MBSI互补：季节指标主要提高生产者精度（Producer’s Accuracy, PA）、减少漏分，MBSI主要提高用户精度（User’s Accuracy, UA）、减少错分；MBSI为最重要预测变量，RE₁c为最重要季节指标。该框架提高制图完整性和可靠性，为中国南方合轴型麻竹区域制图提供可解释、实用方法。

关键技术方法（≤250字）：研究区为广东英德市。使用2024年Sentinel-2A/B MSI Level-2A月度影像，经QA60云掩膜、SCS+C（Sun–Canopy–Sensor + C）地形校正和月度中值合成；采用10个波段、5个GLCM（Gray-Level Co-occurrence Matrix，灰度共生矩阵）纹理、7个光谱指数、4个归一化季节指标及候选MBSI。样本包括510个参考多边形（250个麻竹、260个其他乔木林，207个空间网格）和396个单像元开发样本（198个麻竹+198个其他乔木林）。以XGBoost和嵌套空间交叉验证比较4种特征配置，用SHAP、二阶ALE、9×9中值滤波及地形敏感性分析进行解释和制图。

研究结果：
3.1 MBSI选择与分类性能：研究人员用未参与最终评估的独立开发数据集，通过逐月和年度Fisher分数及空间分组十折交叉验证比较四个候选MBSI。MBSI_12-5年度Fisher分数最高（0.369），高于MBSI_11-5（0.232）、MBSI_11-7（0.167）和MBSI_12-7（0.179）；其平均AUC为0.732，高于0.681、0.651和0.660，平均F₁为0.654，高于0.624、0.607和0.610，故选定MBSI_12-5。四种特征配置经嵌套空间交叉验证比较：模型A的OA为0.780、Kappa为0.557、F₁为0.759、AUC为0.846；模型B加入季节指标后OA为0.803、F₁为0.792、AUC为0.872；模型C加入MBSI后OA为0.800、F₁为0.778、AUC为0.855；模型D同时加入二者后表现最佳，OA为0.833、Kappa为0.665、F₁为0.819、AUC为0.875。配对比较显示模型D相对模型A的OA提高0.053、F₁提高0.060、AUC提高0.029，且五个外层折均为正；在模型B中加入MBSI使麻竹UA提高0.046（五折均为正），AUC仅提高0.004；在模型C中加入季节指标使F₁提高0.041（五折均为正），表明改进并非由单一折驱动。

3.2 特征重要性与模型交互：基于留出样本汇总的SHAP分析显示，模型D中MBSI为最重要预测变量，平均绝对SHAP值为1.025；RE₁c为0.561，其后为NDRE（0.224）、NDWI（0.223）、RE₂（B6；0.217）、MVI（0.211）和RVI（0.172）；MVIc（0.136）和SWIR₂c（0.134）分别排第八、第九，四个季节指标中有三个进入前十；GLCM纹理变量均未进入前十五。SHAP交互分析显示，MBSI与RE₁c的平均绝对交互值最高（0.088），高于NDWIc（0.020）、MVIc（0.013）和SWIR₂c（0.004），故进一步分析RE₁c。交叉拟合二维二阶ALE曲面显示MBSI与RE₁c存在非线性联合响应：在较高RE₁c值下，低或负MBSI对应正二阶ALE值，并随MBSI增加逐渐转为负值；在较低RE₁c值下，中等正MBSI在部分特征空间产生正二阶ALE值，表明模型对MBSI的响应随RE₁c观测范围变化，并非完全可加。

3.3 麻竹空间分布：模型D制图显示英德市麻竹分布具有明显空间异质性，主要分布于西部和西北部，并在中部有额外集中，东部较少；麻竹林分总体破碎，与其他乔木林形成复杂镶嵌，并与森林管理清查多边形在空间上大体一致。模型D制图面积为742.89 km²（约111.4万亩），地方森林管理清查报告约104.4万亩（696.18 km²），二者相差46.71 km²，相对差异6.71%。9×9中值滤波敏感性比较显示，无滤波时制图面积为545.17 km²，但两图有效预测覆盖不同；在共同有效预测区2829.61 km²内，有滤波为545.60 km²、无滤波为545.12 km²，净差仅0.47 km²。地形分析显示，制图麻竹主要集中于低海拔和缓坡，100–200 m占约32%，400 m以上明显下降；0–5°和5–10°坡级合计约占一半，随后随坡度增加而下降；北坡占比最大，但坡向总体格局与森林背景相似。坡度小于10°时麻竹F₁为0.878–0.894，25°及以上为0.696，但陡坡参考样本较少。归一化地形变异（Normalized Terrain Variation, NTV）分析显示，MVIc最低，SWIR₂c和RE₁c较高，MBSI居中；地形分层精度随坡度变化。

讨论总结：
4.1 合轴型生长对麻竹制图的启示：中国竹类遥感研究主要集中于毛竹，针对麻竹的季节特征可迁移性未直接评估；本研究中季节指标改善了麻竹与其他乔木林的区分，其贡献与MBSI不同，表明二者提供互补信息。毛竹为单轴型、以长根茎扩展，麻竹为合轴型、新竹秆靠近现有竹秆形成紧凑竹丛；同一竹丛中不同年份竹秆并存，Sentinel-2观测冠层可能是年龄级和发育阶段的混合，可能影响冠层尺度季节信号；但竹秆年龄组成和丛生生长未被直接评估，相关影响仍属需进一步研究的假设。Zhou et al.利用Zhuhai-1高光谱影像区分多个竹种，报道了红边响应和冠层结构相似的合轴型类群间存在明显混淆，说明同一生长型竹种不一定具有相似光谱。本研究中MBSI贡献强，提示SWIR₂与RE₁对比提供的信息未被季节指标完全捕获。物候信息仍有价值，但其有效性取决于目标种的生物和光谱特征；对麻竹而言，季节信息与针对性光谱对比结合比仅依赖物候更有效。

4.2 季节信息与MBSI的互补效应：年度光谱汇总会掩盖总体反射率相似森林类型之间的时间差异；麻竹与其他乔木林季节轨迹总体相似，但红边区响应不同，冬夏归一化指标保留这些对比，可为漏分误差降低提供合理解释。MBSI表示SWIR₂与RE₁的归一化光谱对比，SWIR₂类间对比相对稳定、RE₁响应随季节变化，其组合可能提供常规植被指数之外的信息，有助于在异质森林中减少假阳性；但由于其他乔木林被合并为单一负类，错分变化不能归因于特定森林类型。SHAP交互和二阶ALE表明MBSI与RE₁c存在非可加响应；在季节模型中加入MBSI仅使AUC由0.872微增至0.875，但提高UA。阈值0.5获得最高平均OA（0.8332）和F₁（0.8192），0.4–0.6间分类性能变化相对有限，较高阈值增加麻竹漏分。考虑空间验证折间变异和有限森林类型标签，季节指标与MBSI通过时间光谱对比和跨波段关系提供部分互补信息，但互补强度取决于评价指标。

4.3 关键预测因子的地形敏感性：地形通过光照、阴影和观测几何改变光学观测；坡度–坡向分层中预测因子中位响应不同，MBSI、NDRE、RVI、MSAVI和BI2的坡向相关变化相对有限，而若干季节指标差异更明显。NTV分析显示MVIc相对变异最低，SWIR₂c和RE₁c较高，MBSI居中，说明地形相关变异具有预测因子特异性，而非一致地与季节或年度观测相关；部分归一化指数的紧凑格局可能部分反映其比值形式。既有毛竹研究也报道新开发的竹类专用指数地形敏感性较低。季节预测因子可同时捕捉物候信息和太阳几何、阴影、地表水分等获取相关变化，同时仍有助于区分竹类与光谱相似森林类型。地形分层留出评估显示高海拔和陡坡类精度较低，但这些层验证样本有限；尽管预测因子基于SCS+C校正反射率，观测到的地形相关变异仍不能明确分离为残余光照效应和真实生态变异，植被组成、竹林立地和管理差异也可能贡献，因此应考虑地形相关变异而不将性能差异 solely归因于地形。

4.4 局限与未来方向：9×9中值滤波窗口依据参考多边形中位面积选择，未系统比较不同窗口大小；该处理旨在降低局部光谱变异，但窗口大小可能影响制图麻竹斑块的破碎度和边界，尤其对小或窄林分。所提框架专门用于区分麻竹与聚合的其他乔木林类，并非通用森林类型分类方法，其区分单个非竹森林类型或制图其他竹种的能力尚未检验；其他乔木林类的异质性可能掩盖与光谱相似森林类型（尤其常绿阔叶林）之间更大的分类混淆，未来应纳入森林类型特异参考样本。该框架仅用2024年单年影像验证，需多年验证评估其在年际物候、气候和竹林管理变化下的时间稳定性；物候、管理、背景和区域植被差异可能影响MBSI的光谱可分性，概率阈值也可能影响分类性能和制图面积，需在不同年份、地区、竹种和森林条件下进一步验证框架的普适性。

研究结论（译）：本研究开发了Sentinel-2框架，通过结合年度光谱变量、季节指标和由MBSI表示的SWIR₂–RE₁对比，在英德市森林区域内制图麻竹。采用嵌套空间交叉验证，最终模型总体精度为0.833，F₁为0.819，AUC为0.875；最终图识别742.89 km²麻竹林。消融结果表明，季节指标和MBSI为麻竹分类提供互补信息：季节指标主要提高生产者精度并减少漏分误差，MBSI提高用户精度并减少错分误差。MBSI是最有影响的预测变量，RE₁c是最重要的季节指标。将季节光谱变化与SWIR₂至RE₁对比相结合改善了地图完整性与类别可靠性之间的平衡，为中国南方合轴型麻竹区域制图提供了实用方法。