《Remote Sensing Applications: Society and Environment》：A Hybrid Approach to Mapping Vernal Pools in Rhode Island using Photointerpretation Guided by LiDAR
编辑推荐：
通过遥感技术绘制潜在季节性水塘（potential vernal pools, PVPs）分布图对于指导这些关键栖息地的管理至关重要。从春季航空影像中进行PVP的航片解译既耗时又容易产生遗漏误差（例如，因针叶树遮挡）和误判误差（例如，由树木阴影造成）。研究人员
通过遥感技术绘制潜在季节性水塘（potential vernal pools, PVPs）分布图对于指导这些关键栖息地的管理至关重要。从春季航空影像中进行PVP的航片解译既耗时又容易产生遗漏误差（例如，因针叶树遮挡）和误判误差（例如，由树木阴影造成）。研究人员测试了一种混合制图方法，该方法利用基于激光雷达（LiDAR）和影像的地理空间指示因子来引导PVP的航片解译。研究人员创建了5个指示因子，这些因子基于既有方法和创新方法，用于检测PVP的特征。这些特征包括数字高程模型中的洼地、地面级LiDAR回波的空隙、地面级LiDAR回波的低强度值，以及四波段（RGB, NIR）多光谱影像中的极低亮度值。对于水体洼地，混合方法的遗漏误差和误判误差分别为14%和19%。而仅采用航片解译的方法（针对不同的研究区域）的遗漏误差和误判误差分别为10%和32%。主观上，研究人员发现混合方法比仅采用航片解译的方法效率更高。与超过2个指示因子相关的PVP具有非常低的误判误差（<4%），这表明共同出现的指示因子可用于识别更可能为真实季节性水塘的PVP。混合方法结合了LiDAR和影像检测季节性水塘特征的能力，以及人类航片解译人员减少误判误差的能力。
论文解读
1. 研究背景与科学问题
季节性水塘（vernal pools）是一种季节性、通常孤立的水体，为多种两栖动物和无脊椎动物提供关键繁殖栖息地，在全球森林与非森林景观中维持生物多样性方面具有重要生态价值。然而，由于这些水塘面积较小（通常为5至10,000平方米）、季节性强且常被森林冠层覆盖，其空间分布的精确制图面临巨大挑战。
目前，主要依赖春季落叶期航空影像进行人工航片解译来定位潜在季节性水塘（potential vernal pools, PVPs），但该方法耗时费力，且精度受景观条件影响显著：针叶树冠层会遮挡水塘导致遗漏误差（omission errors）升高，而树木阴影则易造成误判（commission errors）。虽然基于激光雷达（light detection and ranging, LiDAR）数据的自动化模型展现出更高的效率和准确性，但往往以高误判率为代价。先前在罗德岛州的研究表明，单独使用航片解译可获得较低的遗漏误差（约10%）但误判误差较高（>30%），而LiDAR模型虽可降低遗漏误差却伴随更高的误判率。值得注意的是，大多数误判点可通过航片解译轻松识别。因此，亟需开发一种结合两者优势的混合方法，即利用LiDAR模型引导航片解译，以期在提高制图效率的同时提升整体精度。
2. 研究方法概述
本研究在两个位于美国罗德岛州的森林覆盖区（西北部研究区157 km2，81%森林覆盖含6%针叶林；中部研究区91 km2，88%森林覆盖含38%针叶林）开展。研究人员构建了五个基于LiDAR和航空影像的地理空间指示因子（indicators）：1）基于随机洼地分析工具（Stochastic Depression Analysis）提取的数字高程模型（digital elevation model, DEM）洼地区域；2）基于填洼工具提取的深度大于7.6厘米的汇区（Sinks）；3）基于地面级LiDAR回波强度小于750的像素（Low Intensity）；4）基于无地面级LiDAR回波的像素（Voids）；5）基于四波段（RGB, NIR）航空影像ISO聚类非监督分类中最暗类别像素（Dark Pixels）。所有指示因子经过去噪处理（排除常绿树阴影和建筑物，应用多数滤波并剔除面积小于10 m2的斑块）。在西北部研究区，研究人员利用这些指示因子图层引导航片解译（混合方法）；在中部研究区则仅使用航片解译（对照）。随后对选取的PVP点位进行野外实地验证，评估两种方法对水体洼地和确认有繁殖两栖动物存在的季节性水塘的遗漏误差与误判误差。
3. 研究结果
3.1 混合方法与纯航片解译方法的评估
- •
西北部研究区（混合方法）：共制图824个PVP，实地验证143个，其中116个确认为水体洼地，误判误差19%，遗漏误差14%；81个确认有两栖动物繁殖，误判误差43%，遗漏误差17%。
- •
中部研究区（纯航片解译）：共制图255个PVP，实地验证189个，其中129个确认为水体洼地，误判误差32%，遗漏误差10%；70个确认有两栖动物繁殖，误判误差63%，遗漏误差17%。
- •
结论：混合方法相比纯航片解译显著降低了误判误差（19% vs 32%），同时保持了可接受的遗漏误差水平（14% vs 10%）。
3.2 地理空间PVP指示因子的评估
- •
综合所有五个指示因子时，对水体洼地的遗漏误差西北部为10%，中部为28%；对有两栖动物的水塘遗漏误差分别为11%和16%。
- •
单个指示因子表现：洼地（Depressions）和汇区（Sinks）遗漏误差最低（38-40%），在所有森林类型中表现稳定；低强度（Low Intensity）遗漏误差中等（47-57%）；空隙（Voids）遗漏误差变异最大（西北部53%，中部81%），受针叶林覆盖影响显著；暗像素（Dark Pixels）遗漏误差最高（79-81%）。
- •
误判误差方面：洼地和汇区误判误差较高（9-20%），低强度和空隙误判误差较低（0-6%），暗像素误判误差也较低（0-4%）。
- •
指示因子重叠分析：洼地与汇区高度相似（交并比IoU 0.82-0.94）；低强度与空隙在西北部高度相似（IoU 0.74）但在中部仅为中等（IoU 0.40）；暗像素与其他指示因子相似度均较低。
- •
指示因子数量与精度的关系：当PVP关联3个及以上指示因子时，对水体洼地的误判误差降至0-4%，远低于仅有1-2个指示因子时的25-32%。
- •
指示因子分布特征：西北部空隙指示因子中存在沿LiDAR飞行航线方向（南北向）的噪声条带，与分散的针叶树冠相邻；中部研究区因针叶林覆盖连续，过滤效果更好，此类噪声较少。
3.3 制图时间估算（西北部研究区）
- •
混合方法平均制图速率为2.1 km2/小时，完成124.5 km2需约60小时。据此估算，覆盖整个罗德岛州（2,678 km2）约需1,300小时。
4. 讨论与结论
本研究表明，基于LiDAR和影像的地理空间指示因子引导的混合航片解译方法，能够有效提高季节性水塘制图的效率和精度。该方法的关键优势在于通过引入人类解译员进行质量控制，允许指示因子设置得更具探测性以最小化遗漏误差，同时通过人工判断有效控制误判。与既往研究对比，本研究的遗漏误差（10-14%）和误判误差（19%）均优于或持平于多数报告值，尤其是显著优于传统纯航片解译的高遗漏率（如Calhoun等报道的71-94%）。指示因子组合使用时，与3个及以上指示因子关联的PVP具有极高的可信度（误判率<4%），这为野外验证工作的优先级排序提供了客观依据。
研究还揭示了不同指示因子对景观特征的敏感性：洼地和汇区指示因子在不同森林类型中表现稳健，是最具普适性的指标；而低强度和空隙指示因子在针叶林覆盖率高的区域性能下降，主要因为为消除针叶树阴影噪声所采用的过滤措施同时也移除了部分真实水塘信号。此外，LiDAR数据采集时机至关重要——落叶季湿季采集虽有利于通过空隙指示因子探测积水水塘，但可能因水面吸收激光脉冲而导致DEM对地形洼地的表达不完整。
研究结论：混合方法成功结合了LiDAR和影像自动探测季节性水塘特征的能力与人类解译员减少误判的优势，实现了制图效率与精度的平衡。该方法在罗德岛州不同森林景观条件下取得了与或优于现有技术的精度指标，尤其适用于落叶林为主的区域。随着更多地区获得落叶季LiDAR数据，该方法有望推广应用于美国东部及其他类似景观区域的季节性水塘资源调查与保护规划。
