《Remote Sensing in Ecology and Conservation》：Ecohydrology-Informed Machine Learning for Floodplain Vegetation Classification to Support Riverine Nature-Based Solutions
编辑推荐：
河漫滩恢复作为一种日益常见的基于自然的解决方案（nature-based solution, NbS），有助于降低洪水风险、增强生态系统服务并保护生物多样性。监测恢复后河漫滩的植被结构与栖息地，对于支撑循证NbS实施与生物多样性保护干预至关重要。基于遥感（re
河漫滩恢复作为一种日益常见的基于自然的解决方案（nature-based solution, NbS），有助于降低洪水风险、增强生态系统服务并保护生物多样性。监测恢复后河漫滩的植被结构与栖息地，对于支撑循证NbS实施与生物多样性保护干预至关重要。基于遥感（remote sensing, RS）的机器学习（machine learning, ML）方法用于河漫滩植被制图时，因受水文驱动的时空动态栖息地镶嵌体、高度异质性、空间交错分布及光谱混合等因素影响而变得复杂。利用河漫滩生态学的主流理论，生态水文学（ecohydrology）指导下的ML建模有望改善栖息地分类效果。研究人员测试了一种新颖的RS与水文数据融合方法，结合监督式ML算法，对密苏里河下游河漫滩的植被与土地覆盖类型进行分类。极端梯度提升（Extreme Gradient Boosting, XGB）模型的结果表明，RS-水文数据融合的分类精度（总体精度OA = 85.8%，kappa = 0.84）高于多传感器（光学雷达）RS数据融合（OA = 80%，Kappa = 0.77）。某些土地覆盖类别，尤其是那些植被群落结构相似但在水文条件（如土壤湿度、冠层下淹没状态）上存在重要生态差异的类型，表现出较大的分类不确定性。对于沼泽草本湿地（palustrine emergent）和高地草本自然植被（upland herbaceous）这两种主导性且高不确定性的土地覆盖类型，其用户精度与生产者精度均提升了≥10%，从基础模型的55%~60%提高到生态水文模型中的70%~75%。事后SHapley Additive exPlanations（SHAP）分析进一步凸显了水文特征在模型预测及区分光谱混合、难以分离的类别中的重要性。研究结果证明了将生态水文知识融入ML建模可改善异质景观（如大型河流河漫滩）的植被分类效果。该方法论框架可支撑自然洪水管理与NbS实施监测，但仍需在不同河流系统与年份间进行进一步验证以评估其更广泛的迁移性。未来工作若利用新型高分辨率RS产品获取冠层高度与冠层下水体信息，也将为河漫滩栖息地分类做出重要贡献。
一、研究背景与科学问题
河漫滩是全球最濒危的栖息地之一，北美与欧洲的覆盖面积减少高达90%，全球自1990年以来约60万平方公里因开发而消失。水利基础设施（如水坝、堤防）导致的河流流态改变，加之农业与人类居住用地转化，正迅速且广泛地削弱河漫滩的生态功能与空间范围。然而，河漫滩提供了包括洪水调控、水质净化、养分循环与生物多样性支撑在内的多重生态系统服务。近年来，大型河流洪水的成本与严重程度不断上升，促使人们关注河漫滩作为基于自然的解决方案（nature-based solution, NbS）在洪水管理中的生态功能，河漫滩因此成为大规模恢复工程的目标。监测植被群落是NbS干预中关键但常被忽视的环节，受技术与后勤限制较大。可扩展的监测策略对于支撑循证恢复实践、加深对新兴NbS的理解以及推动NbS主流化实施至关重要。精细尺度的植被土地覆盖制图能够提供栖息地异质性的空间显式信息，而栖息地异质性是河漫滩生物多样性与生态系统功能的主要驱动力。
河漫滩的特征在于物理栖息地的时空动态镶嵌体，包括流水、半流水与静水体、季节性及永久性湿地，以及处于不同演替阶段的植被。河流水文是该异质性的主要驱动力，通过与地貌与生态过程的相互作用持续创造并重构栖息地镶嵌体。洪水脉冲及其水力效应重新分配沉积物，产生不同淹没状况、水深、流速、连通性、土壤湿度与结构的混合生态水文格局。这些动态过程除了周期性重置植被演替外，还导致具有多样化生活史策略与生长型（草本、灌木和乔木）的多层物种组成。因此，河漫滩由空间复杂且光谱混合的植被与冠层下多样的生态水文梯度构成，这使得此类生态系统对传统遥感（remote sensing, RS）栖息地制图与监测方法构成了重大挑战。
现有基于RS的机器学习（machine learning, ML）方法受限于水文驱动的时空动态栖息地镶嵌体、高异质性、空间交错分布与光谱混合。虽然光学-合成孔径雷达（synthetic aperture radar, SAR）数据融合已被证明可改善分类效果，但Sentinel-1 C波段SAR穿透密集植被冠层的能力有限，难以探测冠层下地表水，因而在茂密植被河漫滩栖息地中的效用受限。鉴于洪水水文与水力在构建河漫滩植被群落中的首要作用，经验或模拟的洪水数据可能成为ML分类的有效补充信息源。然而，探索此类生态水文特征在植被与土地覆盖分类中潜在应用的研究尚存空白。为此，研究人员提出一种新颖的数据融合方法，利用监督式集成ML算法并结合生态水文理论对河漫滩植被群落进行分类，旨在建立一套将RS与水文数据整合至ML建模流程的方法论框架，以实现大型河流河漫滩的精细尺度土地覆盖分类。
二、主要关键技术方法
本研究选取美国密苏里河下游（lower Missouri River, LMR）四个河漫滩样点作为研究区，包括密苏里州的Nishnabotna Conservation Area与Aspinburn Bend，以及内布拉斯加州的Brownville与Langdon Bend。所有样点均位于LMR渠化河段内，因堤防而与河道隔离形成不连通的河漫滩。研究人员采用面向对象的ML方法，首先在eCognition Developer 10.1中对WorldView-3（WV-3）8波段光谱影像与三个指数图层进行多分辨率分割，提取光谱值及灰度共生矩阵（gray-level co-occurrence matrix, GLCM）纹理特征。遥感数据集包括Maxar Technologies于2025年6月9日获取的WV-3光学影像、美国地质调查局（USGS）3DEP项目提供的LiDAR数字高程模型（digital elevation model, DEM）及由此计算的坡度，以及在Google Earth Engine（GEE）中获取的同时期Sentinel-1 C波段SAR数据（双极化模式VV与VH）并计算比值。水文数据方面，研究人员利用HEC-RAS v6.6进行水动力洪水建模，量化洪水深度与河漫滩水文周期（hydroperiod），模拟时段为2024年1月1日至12月31日，该年份包含一次足以淹没河漫滩但未漫顶或冲毁堤防的主导性洪水脉冲（14.3%年超越概率事件，7年重现期）。针对堤防保护区内的排水过程，另构建了一个基于地理空间技术的田间尺度模型，两模型在堤顶中心线处合并。地面参考数据主要通过2025年7月的野外调查采集，涵盖全部12类土地覆盖类型，并结合前期研究样点及高分辨率影像目视解译补充。最终获得1625个训练样本，按75/25比例分层划分训练集与验证集，并采用10折交叉验证评估模型性能。
三、研究结果
3.1 遥感-生态水文数据融合改善了分类效果
基于随机森林（random forest, RF）与极端梯度提升（extreme gradient boosting, XGB）两种算法的分类结果表明，XGB模型在全数据集融合条件下表现最佳（总体精度OA = 86%，Kappa系数 = 0.84），略优于RF（OA = 83.4%）。两类算法均呈现随数据集逐步增加而分类精度提升的一致趋势。实验发现，地形与水文特征对模型性能的提升作用显著大于SAR数据。例如，仅将SAR加入基准数据集时，RF与XGB的OA仅提高约1.5%；而单独加入水文或地形数据时，XGB的OA分别从78.6%（基准）提升至82.6%（加水文）与83.9%（加地形）。在所有三源组合中，基准+地形+水文（BTH）组合表现最强，即使与全数据集融合相比也保持高性能。留一站点交叉验证（leave-one-site-out, LOSO）下XGB-ALL模型的OA为66%、Kappa系数为0.61，精度下降主要由沼泽草本湿地（palustrine emergent, PEM）与高地草本自然植被（upland herbaceous natural, UH）这两类光谱混合且空间交错的主导性植被类别的混淆所致。
3.2 SHAP分析揭示地形与生态水文对区分光谱混合植被类别的重要性
SHapley Additive exPlanations（SHAP）分析的蜂群图显示，水文与地形特征在整体模型预测及多个关键土地覆盖类型的分离中发挥重要作用。较高的水文周期值（即长期淹没区域）正向贡献于湿地类别（如PEM与灌木沼泽PSS）的预测，而较低的水文周期与洪水深度值（即较干燥区域）则强烈贡献于高地森林（UF）与高地灌丛（USS）的预测。对于森林沼泽（palustrine forested, PF），地形与水文的综合影响表现为非顶级预测因子，较高海拔与较低水文周期值正向贡献，但洪水深度的贡献方向因情境而异。较高坡度与海拔值及较低水文周期值对维持草地（maintained grassland, MG）的分离贡献最大。SAR变量虽非整体关键预测因子，但VH后向散射表现出类别特异性贡献：较高值有助于预测木本与茂密植被类别（PSS与PF），较低值则有助于预测高地草地（UH与MG）。
3.3 各类别用户精度与生产者精度评估
全数据集融合模型下，RF与XGB分类器对多数主导性且光谱独特的类别（如开阔水体OW、主河道MR、PF、农田AG与建设用地AD以及MG）表现良好，用户精度（user's accuracy, UA）与生产者精度（producer's accuracy, PA）普遍超过90%。PSS的精度中等，10折随机交叉验证下为75%-80%，LOSO验证下为70%-72%。然而，光谱混合严重的PEM与UH类别的UA与PA相对较低，XGB的表现优于RF（PEM：UA 75.2%，PA 71.8%；UH：UA 72.3%，PA 76.0%）。混淆矩阵进一步揭示，两类算法最大的混淆存在于PEM与UH之间，这一现象在LOSO验证中同样明显。分类不确定性分析也显示PEM与UH的中位熵值最高。
四、讨论与结论总结
讨论部分指出，本研究提出的生态水文学指导的ML框架通过将RS与水文数据融合成功提高了河漫滩植被分类精度。水文变量在区分仅靠RS数据难以分辨的结构与光谱相似的植被类别中发挥了关键作用，这与河漫滩生态学的主流理论一致——水文水力条件（如淹没、洪水历时、水深与剪切应力）塑造了特定的植物组合。Sentinel-1 C波段SAR的贡献有限，主要源于其穿透密集植被冠层探测冠层下淹没的能力不足，但其VH后向散射对木本与草本植被的区分仍具一定价值。分类模型在PEM、PSS与UH三类之间的混淆最为突出，这反映了洪水扰动后快速演替导致的物种共存与光谱混合现象。生态水文特征的引入显著改善了这些易混淆类别的可分离性，例如高水文周期与低海拔正向贡献于PEM预测，低水文周期与高海拔则支持UH预测。该方法框架对于支撑NbS实践具有重要意义，能够提供精细尺度的植被与土地覆盖空间信息，服务于栖息地适宜性建模、洪水控制参数（如植被水力糙度）估算及NbS生态效益评估。
研究结论：该研究首次将河漫滩生态水文学指导的RS-水文数据融合直接应用于ML分类工作流。通过整合RS与水文数据，XGB模型实现了86%的总体分类精度，其中水文变量在区分仅凭RS数据难以辨别的结构相似但生态水文条件不同的植被类别时发挥了决定性作用。SHAP分析进一步证实了水文特征在模型预测中的重要性。研究结果表明，将生态水文知识融入ML建模可显著改善异质景观（如大型河流河漫滩）的植被分类效果。该方法框架可支撑自然洪水管理与NbS实施监测，但需在不同河流系统与年份间进一步验证其迁移性。未来工作若能利用新型高分辨率RS产品获取冠层高度与冠层下水体信息，将进一步推动河漫滩栖息地分类精度的提升。
