整合遥感与数据驱动机器学习监测异质地中海景观中的Ailanthus altissima：以西西里岛为例

《Remote Sensing Applications: Society and Environment》：Integrating remote sensing and data-driven machine learning for monitoring Ailanthus altissima in heterogeneous Mediterranean landscapes: a case study from Sicily

　　

入侵性外来植物威胁着地中海生态系统，早期检测对于有效管理和生物多样性保护至关重要。Ailanthus altissima（臭椿）是一种生长迅速、竞争性强的树木入侵者，其生态可塑性和化感作用加剧了对本地植被的影响，凸显了可靠监测的必要性。本研究开发并评估了一种基于多时相PlanetScope影像和支持向量机（SVM）分类算法的遥感工作流程，用于绘制生态敏感区域中臭椿的分布。训练数据集建立在异质性的城市公园“La Favorita”中，该公园具有广泛的臭椿核心区和多样化的土地覆盖类型。训练后的模型随后应用于西西里岛中部的“Vallone Piano della Corte”自然保护区，该敏感区域目前正遭受臭椿入侵。研究人员测试了六种SVM核函数配置，并通过实地调查和无人机（UAV）观测进行了验证。其中，Coarse Gaussian SVM提供了最平衡的性能，有效检测了少数入侵类别，同时可靠地区分了主要土地覆盖类型。检测精度取决于臭椿的生命阶段、冠层密度和空间配置，由于PlanetScope影像的立方卷积重采样导致的光谱混合和辐射平滑，幼年或稀疏个体仍难以检测。多时相影像的使用被证明对于利用臭椿与共存植被之间的物候差异至关重要。最终分布图支持监测、控制规划和生态恢复，并可整合到生态水文或植被动态模型中，以评估在变化环境条件下的入侵状况。总体而言，该研究为地中海景观中入侵物种的监测提供了一种可操作且可迁移的工作流程。

入侵植物物种威胁地中海生态系统，其中Ailanthus altissima（臭椿）作为一种生长迅速、竞争性强的树木入侵者，其生态可塑性和化感作用严重抑制本地植被，早期检测对有效管理和生物多样性保护至关重要。然而，传统野外调查耗时费力且空间覆盖有限。遥感技术结合机器学习算法可分析复杂的光谱、时空模式，从而增强外来物种检测能力，但针对臭椿的SVM分类结合多时相卫星影像的研究仍有限，存在相关研究空白。本研究旨在开发并评估一个基于多时相PlanetScope影像（8波段，3m空间分辨率，2021-2024年每月影像）、无人机（UAV）参考数据和监督机器学习的工作流程，用于检测和监测臭椿。研究人员在“La Favorita”城市公园（训练区域，tAOI）构建训练数据集，涵盖臭椿、裸土、其他植被、城市和水体五类，基于手动勾画多边形共获取约88,000个像素样本。随后将训练后的SVM模型（六种核函数配置：Linear、Quadratic、Cubic、Fine/Medium/Coarse Gaussian）应用于独立验证区域“Vallone Piano della Corte”自然保护区（AOI，约20公顷），该区域具有臭椿入侵斑块（约2700m²，占AOI的1.5%）。验证使用2024年两次无人机（ExaCopter EVO，RGB相机，地面采样距离0.02m/px）调查生成的参考地图（包含臭椿331像素、裸土7604像素、其他植被12306像素），并结合实地GPS测量。研究通过混淆矩阵、精确率、召回率、F1分数、总体精度（OA）、Cohen's Kappa（k）和平衡精度（BA）评估性能，特别关注类别不平衡下的少数类检测。

**3.1 类别特异性性能与误差分析**：通过混淆矩阵分析六种SVM核函数对三类土地覆盖（臭椿、裸土、其他植被）的分类表现。结果表明，臭椿的检测始终困难，主要由于其在AOI中稀疏存在且光谱与周围植被相似。Linear SVM正确识别58个真阳性（TP），但遗漏273个真值（FN）；Quadratic和Cubic核函数表现保守，召回率极低（<12%）；Fine Gaussian核类似；Medium Gaussian核仅检测3个TP，极度保守；Coarse Gaussian核表现最佳，正确识别214个TP，但产生242个假阳性（FP）和117个FN。对于裸土和其他植被，所有核函数表现稳健，F1分数在0.82-0.90之间。臭椿的F1分数在Coarse Gaussian核下最高（0.54），其他核函数均低于0.28，表明Coarse Gaussian核在捕捉少数类与保持多数类精度之间提供了最佳平衡。

**3.2 总体分类精度与一致性**：通过OA、k和BA评估总体性能。OA在82.4%-87.5%之间，Quadratic核最高（87.5%），但OA和k受类别不平衡影响。BA（平衡精度）更能反映少数类检测能力，Coarse Gaussian核达80.6%，显著高于其他核函数（58.2%-64.1%）。最终分类图与参考图总体一致，臭椿主要核心区被正确识别，但幼年个体（稀疏冠层）因光谱混合难以检测，假阳性主要沿斑块边界出现，受PlanetScope影像立方卷积重采样引起的辐射平滑影响。

**讨论与结论**：讨论部分强调，不同SVM核函数在精确率与召回率之间存在明显权衡，全局精度指标（OA、k）在类别不平衡下可能掩盖少数类检测不足。Coarse Gaussian核通过平衡敏感性与特异性，有效检测臭椿核心区，但受限于生命阶段、冠层密度和传感器重采样效应。多时相影像利用物候差异增强分类能力。跨站点训练-验证设计（tAOI vs AOI）证明了模型的可迁移性，但需要更多不同环境下的验证以推广。研究结论翻译如下：本研究表明，监督机器学习分类应用于多时相卫星影像，为在地中海景观中绘制臭椿提供了有效且可操作的工作流程。生态知识（物种物候、空间结构、入侵动态）与多时相卫星影像及机器学习分类的显式整合，对于区分该物种与周围植被至关重要。本研究展示了如何将遥感从纯粹的技术绘图工具转变为生态信息支撑的入侵物种监测与管理框架。主要结论包括：（1）Coarse Gaussian核在检测臭椿与保持主要土地覆盖类型分类可靠性之间提供了最佳平衡，但检测性能受限于目标物种的稀有性和异质结构，检测精度受生命阶段、冠层密度和空间排列影响，幼年或稀疏个体常低于可检测阈值，假阳性源于光谱相似性及重采样平滑效应；（2）多时相PlanetScope影像至关重要，物候动态提供了区分臭椿与共存物种的可分离性，但中空间分辨率（3m）限制了小斑块或早期阶段个体的检测；（3）跨站点训练与模型可迁移性得到验证，在空间分离的训练与验证区域（La Favorita vs Vallone Piano della Corte）中，模型成功泛化并再现了臭椿分布；（4）该工作流程适用于区域尺度监测，可结合无人机和地面调查进行靶向验证，支持早期预警和管理决策，并可作为生态水文或植被动态模型的输入，评估环境变化下的入侵风险。尽管存在局限性，该工作流程为入侵物种监测提供了可扩展、可复制的决策支持工具，未来可通过整合更高空间分辨率传感器、原始辐射数据或深度学习方法进一步提升检测能力。