《Geocarto International》：Spatio-temporal mapping of Phragmites australis across Great Salt Lake wetlands, Utah, USA, using probabilistic multi-sensor random forest approach
编辑推荐：
在动态湿地中绘制芦苇（Phragmites australis）需要明确面积不确定性的模型。研究人员沿美国犹他州大盐湖构建了年度概率性随机森林（Random Forest, RF）模型，用于芦苇存在的预测。预测变量来自Sentinel-2和Sentinel-1
在动态湿地中绘制芦苇（Phragmites australis）需要明确面积不确定性的模型。研究人员沿美国犹他州大盐湖构建了年度概率性随机森林（Random Forest, RF）模型，用于芦苇存在的预测。预测变量来自Sentinel-2和Sentinel-1的后向散射，并结合了从机械化处理活动中编制的实地标签。年度概率表面（2018-2024年）通过F1最大化进行阈值分割，并校正了分类误差后的制图面积。模型性能强劲（总体准确率≈0.90–0.95；芦苇的F1≈0.86–0.92；受试者工作特征曲线下面积（AUC-ROC）≈0.98–0.99；精确率-召回率曲线下面积（AUPRC）≈0.95–0.98；Brier分数≈0.04–0.07）。在35,463公顷的分析范围内，芦苇年度面积占比为24–35%。变化检测分析显示，2018至2024年间有8,710公顷转变为芦苇，表明存在显著的面积更替。年际动态显示，最大增幅出现在2021至2022年（+3,742公顷；+42.0%），最大降幅出现在2022至2023年（?2,021公顷；?16.0%）。
**论文解读：基于概率性多传感器随机森林的大盐湖湿地芦苇时空制图**
**研究背景与意义**
芦苇（Phragmites australis）是美国西部湿地生态系统中最具侵略性的入侵植物之一，严重影响原生生物多样性和生态系统功能。大盐湖（Great Salt Lake, GSL）是北美最重要的湿地生态系统，支持数百万候鸟和留鸟，并为犹他州贡献约19亿美元的年经济价值，同时通过湖泊效应影响区域气候。然而，芦苇的入侵会降低栖息地质量、限制生态恢复，并加剧半干旱湿地系统的水资源压力。
传统遥感制图面临多重挑战：Landsat等卫星30米分辨率难以区分芦苇与其他植被；Sentinel-2虽改进光谱分辨率，但混合像元仍限制物种分类精度；芦苇与共存的湿地物种光谱相似性高；机器学习算法需大量训练数据，且分布不均；湿地动态变化（潮汐、季节性波动）进一步增加不确定性。现有研究多依赖高成本或局部影像，难以在大尺度、多年度间实现透明、可重复的监测。因此，亟需一种整合多传感器卫星数据与概率建模的框架，以提高检测精度并支持动态湿地环境中的入侵物种监测。
**研究内容与结论**
研究人员提出了一个概率性多传感器随机森林（Random Forest, RF）框架，用于对美国犹他州大盐湖湿地2018–2024年芦苇的时空动态进行制图。该框架整合了主动（Sentinel-1 SAR）和被动（Sentinel-2光学）卫星数据，以及实地管理信息（来自犹他州自然资源部的机械化处理多边形和专家解译的NAIP影像），通过分层70/30训练测试分割，每年构建RF概率模型，并采用F1最大阈值和Olofsson面积校正生成年度面积估计。
模型性能强劲：总体准确率0.90–0.95，芦苇F1分数0.86–0.92，AUC-ROC 0.98–0.99，AUPRC 0.95–0.98，Brier分数0.04–0.07。在35,463公顷分析范围内，芦苇面积在8,567–12,653公顷之间波动，占24–35%。年际动态显示最大增长出现在2021–2022年（+42.0%），最大下降出现在2022–2023年（?16.0%），且2018–2024年间有8,710公顷发生由非芦苇向芦苇的转变，表明显著内部更替。该研究发表在《Geocarto International》。
**主要关键技术方法**
研究人员采用的关键技术方法包括：
1. **多源遥感数据预处理**：在Google Earth Engine中生成年度夏季（6月1日–8月31日）Sentinel-2 Level-2A表面反射率影像和Sentinel-1 GRD后向散射数据（双极化VV和VH），并重采样至10米空间分辨率。
2. **预测变量提取**：使用Sentinel-2的6个光谱波段（B2、B3、B4、B8、B11、B12）和6个植被/土壤/水分指数（NDVI、NDWI、GNDVI、NDMI、BSI、NBR），以及Sentinel-1的VH和VV后向散射，并计算灰度共生矩阵（GLCM）纹理指标（角二阶矩、对比度、相关性）。
3. **实地参考数据**：主要来源为犹他州自然资源部提供的机械化处理多边形（高置信度芦苇标签）和2023年NAIP影像专家解译的多边形（非芦苇类别），样本间距100米并缓冲-15米以避免边缘混合，同时应用NDVI、NDWI和SAR异常值过滤。
4. **概率性随机森林模型**：使用GEE的ee.smileRandomForest，每年训练150棵树的RF模型，输出连续概率表面，并基于独立测试集的F1分数最大化确定阈值，生成二值图。
5. **面积校正与不确定性量化**：采用Olofsson估计量校正分类误差，通过非参数自助法（1000次重复）计算95%置信区间。
**研究结果**
**3.1 分类输出与年度面积（2018–2024）**
通过年度概率表面阈值化和Olofsson面积校正，研究人员发现芦苇面积在8,567–12,653公顷之间。变化检测显示8,710公顷由非芦苇转变为芦苇，表明内部更替显著。年际动态：最大增加为2021–2022年（+3,742公顷；+42.0%），最大下降为2022–2023年（?2,021公顷；?16.0%），2024年相对2023年小幅减少（?62公顷；?0.6%）。
**3.2 模型性能**
基于独立测试集的评估显示：总体准确率0.903–0.953，芦苇F1分数0.863–0.920，AUC-ROC 0.979–0.991，AUPRC 0.953–0.983，Brier分数0.041–0.071。表明模型具有良好的区分能力和概率校准。
**3.3 预测变量重要性**
通过年度置换重要性分析，NDVI（归一化植被指数）是最稳定且最重要的预测变量（中位数=1.00，100%年份进入前十）。其他重要变量包括S-1 VH_dB（中位数=0.512，85.7%年份）、NDWI（中位数=0.425）、GNDVI（中位数=0.415）、NBR、蓝波段和SWIR2。S-1 VV_dB的IQR较大（0.374），表明年际重要性波动。
**3.4 试点分析：Bear River Migratory Bird Refuge（BRMBR）内的动态**
在BRMBR焦点区域（约12,191公顷），年度面积从2018年的1,363公顷（95% CI 1,341–1,386）增至2024年的1,507公顷（95% CI 1,475–1,539）。最大增幅为2021–2022年（+339公顷；+24.9%），最大降幅为2018–2019年（?278公顷；?20.4%），2024年相对2023年小幅下降（?71公顷；?4.5%）。
**讨论与结论**
**讨论部分**：概率性制图优于传统分类，能更准确地表征湿地中芦苇的梯度分布和不确定性，并支持早期检测。多传感器融合（被动光学+主动SAR）至关重要，因为NDVI等光学指数难以区分结构相似的植被，而C波段SAR（尤其是VH极化）可捕捉茎干结构和淹水状态。时空动态制图揭示了芦苇的快速扩张与收缩，其与水位波动和管理干预密切相关（如2021–2022年历史低水位导致泥滩暴露，促进芦苇侵入）。然而，依赖于机械化处理多边形作为训练数据可能低估稀疏新入侵斑块，未来需结合系统化野外样方和概率采样。
**结论部分**：研究人员构建的多传感器概率框架显著提高了芦苇在复杂湿地环境中的识别能力。概率表面更有效地捕捉了空间梯度、入侵前沿和低置信度区域，为早期监测和管理提供更丰富信息。多年概率图揭示出显著的内部面积更替（2018–2024年8,710公顷新入侵），尽管总净变化较小。这些时间显式地图强调了持续监测对理解入侵轨迹和评估控制效果的重要性。操作性处理多边形提供了高效的高置信度标签，但需补充野外参考样地以改进稀疏斑块的早期检测。所开发的概率制图和不确定性量化框架为长期监测和适应性流域管理奠定了可重复基础。
