《Ecological Frontiers》：Multi-temporal Sentinel-2-based aquaculture segmentation using machine learning for coastal dynamics assessment in Indramayu, Indonesia
编辑推荐：
摘要海岸养殖池（当地称为 tambak）是印度尼西亚粮食安全和沿海经济的重要组成部分，然而其快速且往往不受监管的扩张使得准确、最新的空间监测变得复杂。本研究提出了一种综合遥感框架，在 Google Earth Engine (GEE) 云平台上实施并在 Python 中复现，
摘要
海岸养殖池（当地称为 tambak）是印度尼西亚粮食安全和沿海经济的重要组成部分，然而其快速且往往不受监管的扩张使得准确、最新的空间监测变得复杂。本研究提出了一种综合遥感框架，在 Google Earth Engine (GEE) 云平台上实施并在 Python 中复现，以绘制和量化印度尼西亚西爪哇省印德拉马尤县 31 个区的 tambak 分布范围，使用的是 2025 年云掩膜 Sentinel-2 地表反射率中值合成数据。派生了四个光谱水体指数——归一化差值水体指数 (NDWI)、修正归一化差值水体指数 (MNDWI)、自动水体提取指数 (AWEI) 和归一化差值浊度指数 (NDTI)，并将它们与十一个反射率波段结合，形成一个十一加四波段的特征堆栈。无监督（25 聚类 K-means）和监督（50 树随机森林）分类器均在 200 个野外参考点（100 个 tambak，100 个非 tambak）上进行训练。单次 70/30 划分产生的总体精度为 91.5%（Kappa = 0.829），而使用所有 194 个可用样本的 5 折交叉验证产生了更稳健的平均精度 97.0%（±4.1%）和 Kappa 0.935。计算了 Wilson 和 t 分布置信区间，以量化鉴于验证样本量适中的不确定性。随机森林分类器估计总 tambak 面积约为 24,397 公顷，超过了 K-means 估计值（8737 公顷）和基于水体指数的估计值（根据指数和阈值的不同为 8975–22,405 公顷）。区级分析确定 Pasekan、Cantigi 和 Losarang 是淹没和浊度水体范围最大的沿海区。结果表明，在云计算平台上结合多光谱指数与集成机器学习，为沿海水产养殖监测提供了一 种可扩展、透明且合理准确的方法，同时也突显了面积估计对算法选择、阈值选择和验证设计的敏感性。
引言
水产养殖已成为世界上增长最快的食品生产部门之一，基于池塘（陆地）的系统在亚洲生产中占主导地位，亚洲几乎占全球水产养殖产量的 90%，并严重依赖沿海池塘中的鱼类、虾类和软体动物养殖，这是数亿人的主要蛋白质来源 [1]。印度尼西亚是全球最大的水产养殖生产国之一，拥有大量集中分布在其北部沿海平原的池塘养殖面积，尽管其总池塘面积仍小于越南 [2]。在西爪哇省内，印德拉马尤县是最重要的咸水虾和鲻鱼（bandeng）养殖中心之一，那里的养殖户经营着数千个注册的池塘，横跨近万公顷的可利用沿海土地 [3]。尽管具有重要的经济意义，但印德拉马尤的 tambak 开发，正如许多其他印度尼西亚沿海县一样，在几十年来有机扩张，往往将红树林、潮滩和边缘农业用地转化，而没有系统的空间记录，这使沿海区规划、环境影响评估和可持续生产预测变得复杂。
传统的基于野外的池塘面积调查耗时、昂贵，且难以在整个县的规模上重复进行，这促使卫星遥感在水产养殖监测中的应用日益增长 [4]。水产养殖池塘映射的遥感方法通常分为四个大类：基于阈值的光谱指数方法、基于像素的统计或机器学习分类、面向对象图像分析，以及最近出现的深度学习分割 [5]。光谱水体指数仍然是常见的第一步，因为它们计算成本低且具有物理可解释性。归一化差值水体指数 (NDWI) 是最早的此类指数之一，利用绿色和近红外波段增强开阔水体，同时抑制植被和土壤背景 [6]。由于 NDWI 经常受到建成区和阴影的干扰，H. Xu [7] 提出了修正归一化差值水体指数 (MNDWI)，用短波红外 (SWIR) 波段取代近红外波段，这能更好地将水体与城市和阴影表面分离。S. Liu 等人 [8] 随后引入了自动水体提取指数 (AWEI)，旨在通过在一个表达式中结合绿色、近红外和两个 SWIR 波段，进一步减少受阴影和深色不透水表面影响区域的误分类。对于与水质量相关的判别，Lacaux 等人 [9] 提出了基于红色和绿色波段的归一化差值浊度指数 (NDTI)，以表征悬浮沉积物驱动的浊度，这一特性对于区分活跃管理的、富含沉积物的水产养殖池塘与更清澈的自然水体尤为重要。
除了单指数阈值法外，监督机器学习分类器已被广泛用于水产养殖池塘提取，因为它们可以同时整合许多光谱、纹理和指数派生特征。随机森林算法是一种去相关决策树的集合，由 [10]、[11] 引入，是水产养殖池塘映射中最常用的分类器之一，因为它对噪声训练数据具有鲁棒性，并且能够在没有大量参数调整的情况下处理高维特征堆栈 [12]、[13]。Google Earth Engine (GEE) 等云计算平台通过提供对 PB 级卫星档案和分布式处理按需访问，大幅降低了在区域到国家尺度上应用此类分类器的门槛，使得无需本地数据存储或高性能计算基础设施，就能在中国、东南亚及其他地区开展大面积水产养殖映射工作 [14]、[15]。最近的研究将光学 Sentinel-2 数据与 Sentinel-1 合成孔径雷达图像以及集成或分层决策树框架相结合，以进一步改善水产养殖池塘与形态相似特征（如稻田、盐田和自然湿地）之间的区分，根据地区和方法的不同，总体精度通常在 87–96% 之间 [16]。
尽管有大量的研究工作，但大多数已发表的水产养殖映射研究主要集中在沿海省份或大陆到全球尺度的映射努力上，相比之下，很少有研究在印度尼西亚县一级细行政分辨率上应用结合了多指数和机器学习的工作流，或在单一可复现的云计算工作流中系统地比较无监督聚类、监督分类和基于阈值的水体指数。此外，许多操作性研究仅报告基于单次训练/测试划分的单一精度数字，而没有探讨该估计值对样本划分的敏感程度，这是一个特别重要的问题，当参考数据集规模适中时，如实地校正沿海研究中常见的情况。本研究通过开发和评估一个基于 GEE 和 Python 的印德拉马尤县综合工作流来解决这些差距，该工作流（1）从云掩膜的 2025 Sentinel-2 合成数据中计算四个互补水体指数（NDWI、MNDWI、AWEI、NDTI）；（2）使用堆叠的十一波段加四指数特征空间执行无监督 K-means 聚类和监督随机森林分类；（3）使用单次 70/30 划分、5 折交叉验证以及 Wilson 和 t 分布置信区间严格评估分类可靠性；（4）在所有四种方法下量化和比较县及区级的池塘面积。本研究的具体目标是（i）利用 GEE 平台上的 Sentinel-2 影像界定印德拉马尤县 tambak 的空间范围；（ii）比较从光谱水体指数、无监督 K-means 聚类和监督随机森林分类中获得的精度和面积估计；（iii）提供具有统计依据的分类不确定性估计，以支持研究区域未来的沿海区管理和水产养殖监测。
章节摘要
方法论
图 1 说明了本研究中用于在基于云的地理空间框架内利用卫星遥感和机器学习映射海岸养殖池的完整端到端工作流，从数据获取开始，到比较面积估计和分类输出结束。该过程始于从 Sentinel-2 卫星星座获取多光谱图像，这提供了捕捉所必需的高分辨率光学数据
Sentinel-2 合成数据和参考数据集
云掩膜的 2025 年中值合成数据提供了印德拉马尤县几乎无云的全面覆盖，十五波段特征堆栈（十一个反射率波段加上 NDWI、MNDWI、AWEI 和 NDTI）成功生成为整个研究区域。在 200 个野外参考点（100 个池塘，100 个非池塘）中，194 个样本（97%）与有效的、未掩膜的像素相交，并保留用于分类器训练和验证；被丢弃的六个点最可能落在残余云或
结论
本研究开发并评估了一种综合遥感工作流，在 Google Earth Engine 上实施并在 Python 中复现，用于绘制和量化印度尼西亚西爪哇省印德拉马尤县水产养殖池塘（tambak）的分布范围，使用的是 2025 年云掩膜 Sentinel-2 合成数据。四个光谱指数（NDWI、MNDWI、AWEI、NDTI）与十一个反射率波段结合成一个统一的特征堆栈，支持无监督 K-means 聚类和监督随机森林
CRediT 作者贡献声明
Lalu Sarwan Hamit：写作——回顾与编辑，写作——初稿，可视化，验证，软件，资源，方法论，调查，数据管理，概念化。Muhammad Iqbal Habibie：写作——回顾与编辑，写作——初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，形式分析，数据管理，概念化。Moh. Ikhwanudin Mawardi：写作——回顾与编辑，写作——初稿
代码可用性
本研究中报告的使用来生成光谱指数、K-Means 聚类和二元随机森林分类的 Google Earth Engine 脚本，可根据要求从通讯作者处获取。作为对同行评审的回应，还准备了一个扩展版本的脚本，说明了（i）明确报告云过滤场景数量和获取窗口，（ii）一种分层的多类参考采样方案，将前二元非池塘类分离
致谢
作者衷心感谢 2023 年第 4 批印度尼西亚先进研究与创新（RIIM 4）LPDP–BRIN 项目提供的财政支持，这使得本研究成为可能。作者也衷心感谢国家研究与创新署（BRIN）提供通过研究学位（DBR）项目攻读博士学位的机会。
衷心感谢印度尼西亚 IPB 大学，特别是研究生院和自然资源
Lalu Sarwan Hamit|Muhammad Iqbal Habibie|Moh. Ikhwanudin Mawardi|Gatot Yulianto|Iif Miftahul Ihsan|Ressy Oktivia|Teddy W. Sudinda|La Ode Alifatri|Widiatmini Sih Winanti
自然资源与环境管理研究项目，研究生院，印度尼西亚 IPB 大学
