《International Journal of Digital Earth》：Lsr-RF: a multistage adaptive classification method for ICESat-2 Photons in intertidal wetlands by synergizing multi-scale geometrical features with Sentinel-1 and Sentinel-2 data
编辑推荐：
ICESat-2为潮间带制图和时间序列分析提供了近全球、高精度的海拔观测。然而，地面、植被、水面和噪声之间的光子异质性，加上潮汐动态和密集植被，限制了传统滤波和分类方法的有效性。为解决这一问题，研究人员提出了Lsr-RF，一个多级自适应框架，将局部稀疏率（Ls
ICESat-2为潮间带制图和时间序列分析提供了近全球、高精度的海拔观测。然而，地面、植被、水面和噪声之间的光子异质性，加上潮汐动态和密集植被，限制了传统滤波和分类方法的有效性。为解决这一问题，研究人员提出了Lsr-RF，一个多级自适应框架，将局部稀疏率（Lsr）与随机森林（Random Forest, RF）分类器相结合。该方法将ICESat-2多尺度几何特征与Sentinel-1极化特征和Sentinel-2光谱特征融合，应用基于RF的特征选择和分类，以区分噪声、裸潮滩、植被和林下地面光子。在强/弱波束和白天/夜间条件下进行评估，将Lsr-RF与面向去噪的基线方法（ATL08、DBSCAN、OPTICS）以及XGBoost进行了比较。Lsr-RF将总体精度（Overall Accuracy, OA）提高了0.52–28.06个百分点，将Kappa系数提高了0.02–0.61，并实现了多类分类总体精度为0.99，Kappa系数为0.99。这些结果表明了其在精确光子级分类及更广泛的潮间带湿地制图应用中的潜力。
本研究提出了一种名为Lsr-RF的多级自适应分类算法，旨在解决潮间带湿地光子点云分类的挑战。该方法集成了ICESat-2的多尺度几何特征、Sentinel-1极化特征以及Sentinel-2光谱特征。与代表性基线方法相比，Lsr-RF在多个评价指标上表现出一致的强性能，包括召回率（Recall）、精确率（Precision）、F1分数（F1-score）、总体精度（OA）和Kappa系数。其优势在低信噪比条件下尤为显著，尤其是在白天弱波束（DW）场景中。通过多源特征的融合，Lsr-RF在所有光子类型上实现了高分类精度，OA达到0.99，Kappa值接近1。模型在所评估的研究区内，在强弱波束以及白天和夜间观测条件下均保持了稳定性能。由于其可扩展的特征融合策略和计算高效的模型架构，Lsr-RF在高噪声沿海环境中，具备进行大规模和多时相ICESat-2光子分类任务的潜力。然而，当前的验证仍局限于单一地理区域，跨不同区域和时间段的更广泛鲁棒性仍需进一步评估。尽管有这些优势，该方法在严重潮汐波动或高浊度水域区域仍存在局限性。未来工作可能集中于集成潮汐模型、时间序列多源融合和深度学习方法，以进一步增强极端观测条件下的分类精度和泛化能力。
尽管所提出的框架实现了整体强性能，但仍存在若干局限性。在高潮位或高浊度水体条件、密集植被区域以及混合像素效应和残余点-像素失配无法完全消除的异质过渡带，分类可靠性可能降低。此外，当前验证仍局限于单一地理区域，跨不同区域和时间段的更广泛鲁棒性仍需进一步评估。未来工作应聚焦于潮汐感知的时间序列集成、混合像素处理、更高分辨率辅助影像的使用，以及更广泛的跨区域和跨时间验证。集成潮汐模型、时间序列多源融合和深度学习方法可能进一步增强极端观测条件下的分类精度和泛化能力。
**研究背景与问题**
潮间带湿地处于平均高潮线和平均低潮线之间的过渡带，提供关键的生态功能，包括支持适应潮汐的动植物、作为碳汇和营养过滤器以及缓冲风暴潮。然而，由于频繁淹没和密集植被限制进入，实地调查劳动密集且难以扩展用于动态监测。卫星遥感通过系统性、可重复的观测和连续数据采集缓解了这些限制。特别是搭载ATLAS（Advanced Topographic Laser Altimeter System）微脉冲多波束光子计数激光雷达系统的ICESat-2，提供了近全球、分米级的高程测量，为表征潮间带湿地地形及相关生态过程提供了新机遇。与常规激光雷达不同，ATLAS采用三对强-弱波束配置，在强波束和弱波束之间能量比约为4:1，强波束提供更强的回波能力，而弱波束回波密度较低，易受噪声影响；昼间太阳背景辐射增加噪声光子比例，夜间观测背景噪声较低且信号特征更稳定。ICESat-2生成二维断面光子分布，具有高噪声和非均匀空间密度特性。有效信号处理需依次进行原始光子去噪、光子类型分类和有意义地形信号提取。当前去噪方法涵盖五种技术途径：二维图像处理技术、基于直方图的统计算法、局部统计分析模型、基于密度的空间聚类算法和机器学习框架。然而，潮间带湿地环境带来独特挑战，包括动态潮汐周期（每日淹没-暴露过渡）、形态特征（平坦地形、微小高程变化）和植被复杂性（异质盐沼冠层结构）。这些因素导致光子类型之间的几何差异极小，单一空间特征的判别能力降低，原始光子数据中存在关键语义鸿沟。因此，仅依赖ICESat-2内在光子特性的常规方法在潮间带湿地应用中表现出显著局限性。一种可行策略是利用机器学习集成多源卫星数据，从而补偿基于光子的观测的固有局限。
**研究内容与结论**
Sentinel-1配备先进合成孔径雷达（SAR）技术，提供全极化数据，可表征目标物理组成、几何结构、表面粗糙度和介电常数变化。Sentinel-2多光谱成像系统提供高分辨率光谱数据，尤其通过红边波段可反演植被生化与生物物理特性。这些互补数据集的光子级融合创建了多维信息框架，其中每个光子点被赋予光子几何属性、光学光谱特征和雷达极化信息，显著提高了分类精度，特别是在潮间带湿地复杂土地覆被场景中。为提升ICESat-2光子在潮间带湿地的分类精度和鲁棒性，研究人员提出了自适应Lsr-RF框架，集成ICESat-2多尺度几何特征与Sentinel-1极化和Sentinel-2光谱信息。该框架并非简单多源特征拼接，而是面向问题导向的潮间带湿地光子分类方案。具体地，它在基于Lsr的粗筛选阶段引入椭圆搜索邻域，以更好表示ATL03信号光子的水平拉长分布，并通过点-像素融合几何、极化和光谱特征，减少光子级几何与复杂湿地表面类别之间的语义鸿沟。方法采用分阶段工作流，将粗筛选、多源特征构建、特征选择和最终分类统一在一个框架内。该方法在强/弱波束和白天/夜间观测条件下进行评估，并与ATL08、DBSCAN、OPTICS和XGBoost进行比较。结果表明，该框架在复杂潮间带湿地环境中提供了精确且稳定的光子分类，并为类似表面分类任务中的点-像素多源融合提供了方法论支持。
该论文发表在《International Journal of Digital Earth》。
**主要关键技术方法**
研究人员采用了以下主要关键技术方法：1）椭圆局部稀疏率（Elliptical Lsr）粗分类：采用4:1长短轴比的椭圆搜索窗口计算局部稀疏率，并基于Otsu自适应阈值分割背景噪声与潜在信号光子，以捕捉ATL03信号光子的水平各向异性分布。2）改进MSIC-OA空间提取：集成潮滩指数（TFI）、归一化差异水体指数（MNDWI）和归一化差异植被指数（NDVI），通过年度最大合成和Otsu阈值生成潮间带湿地掩膜。3）多源特征提取：从ICESat-2 ATL03光子提取多尺度（5m和10m邻域半径）几何特征（如点密度、特征值度量）；从Sentinel-1提取VV/VH后向散射极化特征；从Sentinel-2提取12个光谱波段及6个光谱指数（NDVI、GNDVI、SAVI、NDWI、MNDWI、NDBI、TFI）。4）基于随机森林（RF）的特征选择与分类：通过皮尔逊相关系数和RF特征重要性筛选冗余特征，保留14个几何特征和9个光谱/极化特征（B1、B4、B5、B6、B12、NDVI、NDBI、TFI、VH），并用RF（60棵决策树，叶节点最小样本数4，每次分裂随机采样5个特征）进行四类光子分类（噪声、裸潮滩、植被、林下地面）。样本来源：研究区位于中国广西沿海（107°57′E–109°48′E, 21°00′N–22°15′N），选取2019年16条ICESat-2 ATL03轨迹，涵盖四种观测条件（夜间强波束NS、白天强波束DS、夜间弱波束NW、白天弱波束DW），每种条件4条轨道。
**研究结果**
**4.1 特征选择**
（1）光子多尺度几何特征选择：在5米和10米邻域半径下计算了24个多尺度几何特征。通过皮尔逊相关矩阵和RF特征重要性分析，剔除了冗余或贡献小的特征（如SD(5)、VD(5)、EI(5)、LI(5)、PCA2(5)等），最终保留14个特征：NN(5)、ES(5)、OMV(5)、PL(5)、PCA1(5)、λ1(5)、λ2(5)、NN(10)、ES(10)、OMV(10)、PL(10)、PCA1(10)、λ1(10)、λ2(10)。
（2）光谱与极化特征选择：对21个光谱和极化特征进行相关性和重要性分析，剔除了B2、B3、B7、B8、B8A、B9、B11、GNDVI、SAVI、NDWI、MNDWI、VV等冗余特征，最终保留9个特征：B1、B4、B5、B6、B12、NDVI、NDBI、TFI、VH。
**4.2 粗分类结果**
使用椭圆Lsr结合Otsu阈值对原始ATL03光子进行粗分类，有效去除了大部分背景噪声光子，保留了信号光子。与圆形窗口Lsr和kNN密度相比，椭圆Lsr在四种观测条件下均获得更高的召回率、F1-score、OA和Kappa系数，尤其弱波束条件下优势显著。例如在NW数据中，F1-score从0.880提升至0.997，Kappa从0.149提升至0.892。椭圆长宽比敏感性分析表明，3:1至5:1范围内性能稳定，选择4:1作为稳定参数。
**4.3 RF分类结果**
基于粗分类后的潜在信号光子，结合多源特征进行RF精细分类。分类结果将光子划分为裸潮滩（黑色）、植被（绿色）、林下地面（黄色）和噪声（红色）。该方法在识别林下地面光子方面表现良好，分类出的地面与下方地形轮廓高度吻合，进一步去除了粗筛选后的残留噪声。
**4.4 定量评估**
对四种观测条件（NS、DS、NW、DW）的平均OA和Kappa进行评估。强波束观测整体优于弱波束，夜间强波束（NS）获得最高平均Kappa（0.9810），白天强波束（DS）OA最高（99.19%）。弱波束中，白天弱波束（DW）优于夜间弱波束（NW）。所有条件下平均OA均高于98.68%，Kappa高于0.9695，表明Lsr-RF方法在复杂潮间带湿地环境中具有高精度和鲁棒性。
**4.5 比较分类结果**
与ATL08、DBSCAN、OPTICS和XGBoost（Lsr-XGBoost）比较，Lsr-RF在召回率、F1-score、OA和Kappa上均保持更高且更稳定的值。Lsr-RF和Lsr-XGBoost显著优于基于去噪的基线方法。Lsr-RF在全部四种观测条件下平均OA为0.9923，平均Kappa为0.9858，而Lsr-XGBoost分别为0.9645和0.8893。密度方法DBSCAN和OPTICS召回率高但精确率低，导致Kappa值低，尤其在DW条件下低于0.5。
**讨论总结**
讨论部分分析了误分类模式、不同观测条件下的分类精度差异、不同特征组合的效果、特征贡献与融合机制以及方法的性能评价与未来方向。误分类分析显示，裸潮滩光子最稳定（精确率和召回率均>98%），噪声光子召回率波动较大（NS下低至64.36%），主要误分为裸潮滩；植被光子夜间精度更高，林下地面光子白天精度更高。不同观测条件下，强波束优于弱波束；白天/夜间影响因类别而异。特征组合实验表明，仅用高程（Height）性能差，加入Sentinel-1/2特征大幅提升，再加入多尺度几何特征后达到最优（OA约0.99，Kappa接近1）。特征贡献分析表明，光谱和极化特征（NDVI、B1、B4、B6、B12、TFI、VH）在多数场景中主导，但在DW条件下几何特征（NN、λ2、PL等）贡献更突出，SHAP分析证实了这一点。方法性能评价指出Lsr-RF在测试条件下表现稳健，可在广西区域尺度应用（25分钟批处理），但存在高水位浑浊、密集植被和过渡区混合像素等局限。未来方向包括集成潮汐模型、时间序列多源融合、深度学习方法，以及跨区域验证。
**研究结论翻译**
本研究提出了一种多级自适应分类算法Lsr-RF，以解决潮间带湿地光子点云分类的挑战。该方法集成了ICESat-2的多尺度几何特征、Sentinel-1极化和Sentinel-2光谱特征。与代表性基线方法相比，Lsr-RF在召回率、精确率、F1-score、OA和Kappa系数等多个评价指标上表现出一致的强性能。其优势在低信噪比条件下尤为显著，尤其是在白天弱波束（DW）场景中。通过多源特征的融合，Lsr-RF在所有光子类型上实现了高分类精度，OA达到0.99，Kappa值接近1。模型在所评估的研究区内，在强弱波束以及白天和夜间观测条件下均保持了稳定性能。由于其可扩展的特征融合策略和计算高效的模型架构，Lsr-RF在高噪声沿海环境中具备进行大规模和多时相ICESat-2光子分类任务的潜力。然而，当前的验证仍局限于单一地理区域，跨不同区域和时间段的更广泛鲁棒性仍需进一步评估。尽管有这些优势，该方法在严重潮汐波动或高浊度水域区域仍存在局限性。未来工作可能集中于集成潮汐模型、时间序列多源融合和深度学习方法，以进一步增强极端观测条件下的分类精度和泛化能力。
