丹麦温带地下水依赖型陆地生态系统制图

《Journal of Hydrology》:Mapping temperate groundwater-dependent terrestrial ecosystems in Denmark

【字体: 大 中 小 】 时间:2026年07月23日 来源:Journal of Hydrology 7.3

编辑推荐:

  研究人员首次将正无标记(Positive-Unlabeled, PU)机器学习应用于温带地下水依赖型生态系统(Groundwater-dependent Ecosystems, GDEs)的遥感检测,以丹麦为研究区,基于Sentinel-2派生的最干夏季NDV

  
研究人员首次将正无标记(Positive-Unlabeled, PU)机器学习应用于温带地下水依赖型生态系统(Groundwater-dependent Ecosystems, GDEs)的遥感检测,以丹麦为研究区,基于Sentinel-2派生的最干夏季NDVI差值、春夏季NDVI差值及地形指标距最近排水体高度(Height Above Nearest Drainage, HAND)三个变量构建框架。模型在测试区对野外制图GDE的检测率达79%,仅需三个变量即在训练与测试域间取得稳健识别;相比以往基于田野调查的制图,研究人员识别出丹麦境内约7倍于前的GDE面积。该框架以稀疏标签与少量输入变量实现可扩展检测,适用于数据稀缺的温带区域。
研究背景与问题提出
从生态水文学视角,地下水依赖型生态系统(Groundwater-dependent Ecosystems, GDEs)由部分至完全依赖地下水蒸腾的植物物种定义,包括专性潜水植物(obligate phreatophytes)与兼性潜水植物(facultative phreatophytes)。GDEs因低周转率与高地下水位带来的低CO2排放具固碳潜力。传统物种组成与木质部同位素识别精确但空间受限、成本高昂;过去二十年遥感(Remote Sensing, RS)检测多聚焦热带与亚热带,利用NDVI/EVI结合地下水埋深、地表温度、土壤湿度等辅助变量,依据旱季植被物候差异区分GDE与非GDE。温带地区因GDE与周边植被属性对比弱、无气候性旱季,RS检测薄弱;丹麦降水充沛、生长季受能量与养分限制,浅层地下水使专性种(如Liparis Loeselii)适应缺氧,亦孕育大面兼性种(如Quercus robur、Betula pubescens)。现有丹麦GDE田野制图仅限NATURA 2000指定区、以5 m半径圆点调查、只含正样本无明确负样本,大量潜在GDE未绘。研究人员据此提出以RS为正样本源的正无标记(Positive-Unlabeled, PU)机器学习框架,旨在温带有限变量下高效检测、评估旱年韧性及春季迟绿信号由专性向兼性种的可迁移性,并绘制丹麦河流谷地GDE覆盖。
主要技术方法概括
研究人员选取丹麦NATURA 2000区(约27.5万ha留存域)与河流谷地(约62.9万ha留存域)为研究区,输入变量仅三项:Sentinel-2(2016–2024)月中位合成获取的干夏NDVI差值(以2018旱夏7月对比长时序7月中位)、春夏NDVI差值(3月与7月中位差),以及由10 m DEM经SAGA GIS Vertical Distance to Channel Network派生的距最近排水体高度(Height Above Nearest Drainage, HAND)。标签取自NOVANA计划Annex I生境中强依赖地下水的7类(1.78万ha)作正类,余Annex I作合理性对照。建模采用ImPULSeS框架:先以SimCLR对比学习对三变量像元做去偏无监督预训练(批次1024、增广含±10%缩放与高斯噪声、τ=0.5、τ+=0.1、100轮),再以线性分类器微调,正类为田野标签、无标记类按PU损失加权,先验π′取0.3–0.7做敏感性;同域同分割训练随机森林(Random Forest, RF)500树作基线。空间泄漏控制以20 km瓦片切分训练/测试(约80%/20%)。合理性检验用HIPv2025夏季地下水位(Summer Water Table Depth, Summer WTD)与Sentinel-1/2随机森林树种图(分潜在GDV、非GDV、不确定)。空间自相关以二阶多项式去趋势、变异函数定范围、500次网格稀化后Mann-Whitney U与Kolmogorov-Smirnov检验。
研究结果
3.1 空间分布
模型在NATURA 2000区预测45%为GDE(约12.25万ha),为标签面积(6.4%)约7倍;全河流谷地加NATURA 2000域预测34.45万ha(45%)。测试域标签像元检出率79%,85%标签多边形≥50%像元为正,沿海与大河谷聚集、内陆大保护区较少。案例区Kastbjerg ?dal多标签处几乎全正,Bidstrup Skovene呈林内小簇,Vrads Sande正像元沿河谷及支谷分布、高处标签未复现。
3.2 合理性分析
3.2.1 Annex I自然类型:直接用作标签的GDE型检出最高;次组Annex I中Salt Meadow与Dune Slack达79–82%正预测,Dune Heath约51%,符合地下水依赖梯度预期。
3.2.2 夏季WTD:预测GDE中位WTD 136 cm,非GDE 302 cm,两分布KS与MWU检验500次p<0.05;标签GDE中位147 cm与预测GDE无显著差异(p≈0.11–0.12),证实预测GDE具浅水位属性。
3.2.3 树种组成:林相像元中预测GDE含潜在GDV(栎、桦等)51.2%,预测非GDE仅18.6%;非GDV树种86.4%落于预测非GDE,近似假正率14%,说明模型捕获真实兼性潜水信号而非旱响应误判。
3.3 对正类过采样的敏感性
π′=0.5主模型测试TPR 78.7%、预测正像元占47.2%;π′由0.3升至0.7,预测面积22%→65%,TPR 45%→93%,PPV随π′较线性升。RF基线训练域TPR 98.5%/PPV 41%,测试域降至68.5%/44%,过拟合明显;PU训练测试差<1%(TPR)与3%(PPV),鲁棒性优。
讨论部分总结
研究人员指出干夏NDVI差在低价π′主导专性种识别,春夏NDVI差随π′增高权重上升、指向兼性种,HAND主要作空间锚定而非首要判别。框架可迁至其他低地温带,但丹麦平坦浅水位、NATURA 2000低干预背景使陡坡深水位区表现未明;两NDVI差为差值归一化,高季节振幅区或需重训。预测面积达NOVANA制图20倍(全域34.45万ha),服务欧盟水框架指令(Water Framework Directive)GDE清查,但盐草甸等滨海类型需辨明系地下水抑冬季淹水同工效应。方法上PU因无真负类,以非GDV树种作近似FPR、Summer WTD与HAND同源地形协变量故非完全独立;与El-Hokayem等(2026b)德国温带8变量(含GWTD)整体精度97%、去GWTD降至78%对照,本研究刻意弃用GWTD保作验证并利迁移,TPR 79%与之接近。假阴性输入变量分布近似无标记群,系信号缺失非模型限错。
结论部分翻译
研究人员实现了首项基于遥感与正无标记(Positive-Unlabeled, PU)机器学习的温带GDE检测,仅用两个植被指数与距最近排水体高度(Height Above Nearest Drainage, HAND)三项变量,匹配PU对稀疏标签的需求以增强向数据稀缺区迁移性。模型训练至测试域转移稳健,检出约79%田野制图GDE,全NATURA 2000区发现为原制图7倍的GDE面积。预测于原标签GDE类内符合生态预期,无标签预测GDE与标签GDE变量分布相似;框架将专性种主导标签信号成功迁至无标签区兼性种,林相预测GDE含51%潜在兼性潜水树种,仅14%非GDV树种落入预测GDE。Summer WTD显示预测GDE浅于非GDE且与标签GDE相近。π′敏感试验面积22%–65%、TPR 46%–93%,中间π′=0.5以测试域47%正预测最适。模型性能比肩旱地GDE检测模型,虽无旱季与负标签仍提供温带RS-GDE基线;后续可健壮化干夏差值(增旱年样本)或显式纳入模拟地下水位作输入。该PU框架为欧盟水框架指令下保护管理提供大尺度候选GDE识别路径。
(发表于《Journal of Hydrology》)
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号