利用高光谱数据和机器学习技术绘制沿海湿地生物多样性和生态系统服务图谱

《Regional Studies in Marine Science》：Mapping Coastal Wetland Biodiversity and Ecosystem Services Using Hyperspectral Data and Machine Learning

沿海湿地生态系统的机器学习分类研究，基于2020-2021年高分辨率多光谱遥感数据，对比支持向量机（SVM）与随机森林（RF）模型在科钦海岸的土地覆盖分类效果。研究表明RF在湿地检测中表现更优，用户精度91.1%和产者精度89.7%，显著高于SVM的87.6%和81.9%，最优组合D整体精度达96.4%。研究验证了多源数据融合与机器学习结合在复杂湿地环境监测中的有效性，为海岸带可持续发展提供技术框架。

　　

Achraf Ben Miled | Fadoua Kouki | Abdulaziz G. Alghamdi | S. Sabarunisha Begum | Sara Abdelwahab Ghorashi | Shaymaa Sorour | Mohamed Yacin Sikkandar | Vivek Sivakumar

沙特阿拉伯阿拉尔北部边境大学科学学院计算机科学系，邮编73213

摘要

沿海湿地是重要的生态系统，支持着高度的生物多样性和多种生态系统服务，但它们越来越容易受到城市化和气候变化的影响。本研究利用高分辨率高光谱遥感数据结合机器学习技术，对科奇海岸的湿地生物多样性和生态系统服务进行了绘制。研究应用支持向量机（SVM）和随机森林（RF）分类器对2020-2021年的土地覆盖类型进行了分类，包括水域、植被、湿地、农田、建筑区、裸地和牧场。通过测试不同的光谱指数组合和衍生变量来优化分类精度。结果显示，在所有组合中，RF的分类性能优于SVM，尤其是在检测湿地方面，RF的用户准确率和生产者准确率分别为91.1%和89.7%，而SVM分别为87.6%和81.9%。RF组合D取得了最高的整体准确率（96.4%）和Kappa系数（0.96），表明分类几乎完美。这些发现强调了高光谱图像和RF模型在精确绘制沿海湿地方面的有效性，有助于监测生物多样性的丧失并指导可持续的沿海管理策略。该方法突显了结合先进遥感和机器学习在复杂沿海环境中增强生态建模和生态系统服务评估的潜力，并为其他快速城市化的沿海地区的湿地监测提供了可转移的框架。

引言

沿海湿地是具有多种生态功能和服务（如生物多样性保护、碳封存、海岸保护、养分循环等）的活跃生态系统（Sheykhmousa等人，2020年；Alsharif和Pradhan，2014年）。沿海湿地受到人为影响（例如工业化、城市发展）和气候变化引起的海平面上升的威胁（Thompson等人，2016年），以至于它们往往难以恢复和再生。然而，要确保沿海湿地的可持续性和宜居性，第一步是准确绘制并持续监测它们。在像印度科奇海岸这样快速变化的沿海地区，持续监测和评估尤为重要（Sengupta等人，2018年）。 遥感（RS）和地理信息系统（GIS）在环境监测和土地覆盖分类方面具有巨大潜力，因为它们能够收集大面积的空间、光谱和时间信息（Patino和Duque，2013年；Chang和Lin，2011年）。高光谱图像的应用可以提高分类精度，能够收集土地覆盖类型的光谱特征，特别是在表示像沿海湿地这样的复杂异质环境时非常有益（Vigny等人，2011年）。GIS允许整合、绘制、分析和可视化这些信息，以便更好地进行决策和资源规划，为过程提供科学依据，并支持过程和最终结果（Zhang等人，2018年；Cowardin，1979年）。 近年来，机器学习（ML）算法改变了遥感数据的处理和分析方式（Wentz等人，2014年；Amani等人，2021年）。ML模型能够有效预测沿海脆弱性、风暴潮的影响和土地利用变化。在佛罗里达州西南部，这些模型准确地绘制了受风暴潮影响的区域，突显了地貌的作用（Mondal等人，2024年）。在孙德尔本斯地区，ML框架预测了耐盐土地利用和作物规划的土壤盐度（Mondal等人，2025a）。将InVEST沿海洪水风险缓解（CFRM）模型与ML结合使用，在评估洪水脆弱性方面显示出高精度（0.76–0.99），并揭示了洪水趋势的增加（Mondal等人，2025c）。结合Sea Level Affecting Marshes Model（SLAMM）和ML的混合模型能够有效预测海平面上升下的湿地变化，提高风险预测能力（Mondal等人，2025b）。类似地，将InVEST与经验模型结合使用改善了沿海脆弱性绘制（Das等人，2025年）。这些混合方法能够有效处理非线性生态相互作用（Mondal等人，2025d）。研究还强调了飓风、风暴潮和潮汐对沿海脆弱性的综合影响（Hossain等人，2022a）。严重的侵蚀凸显了干预的必要性，DSAS被证明对沿海监测和规划非常可靠（Hossain等人，2022b）。海平面上升加速了热点地区的侵蚀和红树林损失（Thakur等人，2020年；Mondal等人，2020年；Mondal等人，2021年）。DSAS分析量化了海岸线迁移，验证了遥感和GIS在评估三角洲沿海动态中的作用（Mondal等人，2017年；Mondal等人，2020年）。像支持向量机（SVM）和随机森林（RF）这样的算法在处理高维数据集时表现出色，无论景观复杂性如何（Duraiappah等人，2005年；Acu?a-Piedra和Quesada-Román，2021年）。它们的鲁棒性、可扩展性和参数独立性使它们成为绘制各种沿海湿地生态系统土地覆盖类型的强大候选者（Guo等人，2016年；Behling等人，2015年；Barbier等人，2011年）。 正如先前的研究所表明的，当多源遥感数据与复杂的机器学习和深度学习技术结合使用时，红树林物种级别的分类效果大大提高（Fu等人，2023年）。它们展示了模型调整和特征敏感性在提高分类精度方面的重要性，通过从多源SAR数据中估计特定物种的散射特征并利用最优的机器学习框架（Fu等人，2024a）。此外，根据对多源数据融合比例的系统性评估以及创建整合多光谱和全极化SAR数据的自适应集成学习框架，最佳的传感器融合和尺度感知学习对于获得高精度的红树林群落和物种映射至关重要（Fu等人，2024b）。本研究将使用高光谱数据结合先进的ML分类器（SVM和RF），以准确分类科奇海岸的沿海湿地生物多样性和生态系统服务（Munizaga等人，2022年；Adam等人，2014年；Azuz-Adeath和Ya?ez-Arancibia，2019年）。将对不同的高光谱数据组合进行分类，以评估每个模型的性能敏感性，同时确定最适合所有土地覆盖类别的设置，包括不同的水体、植被、湿地、农田、建筑区和牧场（Rojas等人，2013年；Barbier等人，2008年；Akinyemi，2017年）。本研究分析的数据来自2020年和2021年。

本研究是在城市-沿海地区使用高光谱遥感和机器学习（ML）方法进行精细尺度湿地分类的新贡献（Iyalomhe等人，2015年）。以前的研究要么使用多光谱图像，要么使用成熟的监督分类（多光谱）方法。相比之下，我们比较了两种基于光谱和衍生特征的高级ML算法的分类性能（Mardones等人，2004年）。本研究旨在整合高分辨率卫星数据和机器学习技术，以准确绘制、比较和分析科奇海岸的沿海湿地生态系统及其时间动态。也就是说，我们的研究采取了比较和数据丰富的方法，提供了关于混合湿地类型生态分布的额外知识，并实现了更准确的湿地绘制（Darrah等人，2019年）。 本研究为可持续沿海资源管理的大量文献做出了贡献（Belgiu和Dr?gu?，2016年；Soergel和Soergel，2010年），通过提高分类成功率并确定模型-特征组合。此外，这些结果在湿地保护规划、物种丰富度估计和生态系统服务评估方面具有相关应用，特别是在土地利用和生态状况快速变化的地区（Carrasco-Lagos等人，2015年；Belmonte等人，2015年）。

研究区域

本研究在印度西南部的科奇海岸进行。研究区域位于北纬9°30′45″–10°13′30″，东经76°07′12″–76°37′36″之间，如图1所示。这一沿海地区是一个重要的生态区域，由河口、回水区、红树林和沼泽组成的复杂系统，代表了多样化和复杂的生态系统、动植物。研究区域以海岸线为中心，设置了25公里的缓冲区。

材料与方法

本研究使用RapidEye高光谱卫星图像（Zhang等人，2018年），结合连接的遥感（RS）和机器学习（ML）技术，对科奇海岸的沿海湿地进行分类和分析。分析利用了光谱、空间和地形处理特征，以提高湿地、植被、水体、农田和建筑区等土地覆盖类别的分类精度（Amani等人，2021年）。

土地覆盖分类与空间分布

图3总结了科奇沿海区域存在的土地覆盖类别，包括水域、建筑区、农业用地、年轻种植园、湿地、沼泽、裸地和牧场（Mishra等人，2019年）。中部和南部沿海地带主要包含水体和湿地，而建筑区则分布在城市周围，其余的土地覆盖类别分布在整个区域内（Barbier等人，2008年）。

结论

本研究通过整合高分辨率RapidEye卫星数据和先进的机器学习技术，提出了一种全面的方法，用于绘制印度喀拉拉邦科奇海岸沿线的沿海湿地及其相关土地覆盖类型。多特征整合对于区分城市沿海环境中的复杂湿地类别至关重要。使用SVM和RF分类器，结合多种输入变量组合（包括光谱带、地形指标等），

资金来源

作者感谢King Khalid大学的研究与研究生院通过大型研究项目（项目编号RGP2/537/46）以及Princess Nourah bint Abdulrahman大学的研究支持项目（项目编号PNURSP2025R755）对这项工作的资助。作者还感谢沙特阿拉伯阿拉尔北部边境大学科学研究系的资助。

CRediT作者贡献声明

Achraf Ben Miled：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、项目管理、方法论、调查、正式分析、数据管理、概念化。 Fadoua Kouki：撰写 – 原稿、项目管理、方法论、调查、资金获取、正式分析、数据管理、概念化。 Sara Abdelwahab Ghorashi：撰写 – 原稿、数据管理。 Shaymaa Sorour：数据管理。 Alghamdi Abdulaziz G：撰写 –

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。