利用PlanetScope数据和机器学习方法的河流场景季节变化监测

《Geomatics, Natural Hazards and Risk》：Seasonal variation monitoring of fluvial scene using PlanetScope data and machine learning method

　　

河流景观随流量、底质暴露和河岸物候变化而呈现季节性差异，这使得一致的高分辨率监测变得困难。研究人员实施了一个简单且可迁移的工作流程，利用3米空间分辨率的PlanetScope影像和基于像素级堆叠集成多数投票（PSEMV）方法（在Google Earth Engine中实现）来绘制季节性河流场景。采用固定季节窗口和中值合成法生成了2021–2025年的季节PlanetScope合成影像（冬季、春季、夏季、秋季），以降低残余噪声，同时保持清晰的沙坝-水体边界。使用一种双源标记策略绘制了四类地表覆盖（水体、沉积物、树木和草本/灌木），该策略结合了专家筛选的Dynamic World来源的高置信度掩膜与独立的2025年秋季无人机/野外调查数据。PSEMV方法在确定性随机种子下训练了随机森林（RF）、K最近邻（KNN）和梯度提升树（Gradient Tree Boosting），采用重复的60/20/20数据分割，筛选弱拟合模型，并通过多数投票整合保留的逐像素预测；投票分数提供了一种可解释的置信度替代指标。在所有季节场景中，集成模型取得了最高且最稳定的性能（平均准确率≈0.94），相比单一分类器提高了鲁棒性，并在具有挑战性的植被区分任务中带来了最大收益。基于无人机的验证证实了空间一致性较强，残余误差集中于混合边界和深阴影区域。

**论文解读文章：基于PlanetScope数据与集成学习的河流场景季节变化监测**

**研究背景与问题**
河流是四维系统，其河道、沙坝和河岸植被随着流量、沉积物供给和季节性水文的变化而动态调整。洪水脉冲冲刷并重新沉积沉积物，而低流量时期则暴露沙坝，草本和灌木迅速定殖；这种生物地貌反馈调节洪水水位、沉积物输送、地下水交换和栖息地多样性。由于这些反馈在年际尺度以及多年间展开，追踪河流场景的季节性镶嵌对于校准水力学和沉积物过程模型、指导疏浚或植被移除、以及保障防洪韧性和河流生态系统至关重要。然而，现有遥感方法面临两大局限：一是中分辨率传感器（如Landsat 30米、Sentinel-2 10米）在河道窄于约30米时难以解析精细特征，且依赖计算密集的超分辨率和大量无人机地面真值数据；二是多数研究忽视季节内变化，仅关注多年变化或单季节影像，导致对河流条件的理解不完整。因此，亟需一种高分辨率、可重复的季节性监测方法，以克服分辨率不足和时相缺失的问题。

**研究内容与结论**
本研究以韩国甘川河（Gamcheon River）约5公里河段为研究区，利用3米空间分辨率的PlanetScope影像和一种基于像素级堆叠集成多数投票（PSEMV）的方法，在Google Earth Engine（GEE）平台上实现了季节性河流场景分类。研究人员生成了2021–2025年冬季、春季、夏季、秋季的合成影像，通过双源标记策略（结合专家筛选的Dynamic World高置信度像素与2025年秋季无人机/野外调查数据）获取四类地表覆盖（水体、沉积物、树木、草本/灌木）的参考标签。PSEMV方法训练了随机森林（RF）、K最近邻（KNN）和梯度提升树（Gradient Tree Boosting）三个基分类器，通过确定性随机种子重复60/20/20数据分割，筛选弱拟合模型，并采用多数投票整合保留的逐像素预测。结果表明，集成模型在所有季节场景中取得了最高且最稳定的性能（平均总体准确率0.94），相比单一分类器（RF 0.86、GTB 0.85、KNN 0.83）提高了鲁棒性，尤其在植被区分（如草本/灌木与明亮沉积物、树木阴影与水体）中最为显著。无人机验证显示空间一致性良好，残余误差集中于混合边界和深阴影区域。季节过渡分析揭示了水体与沉积物之间的频繁双向转换，以及沉积物与草本/灌木之间的反复定殖与损失过程。该研究证明了PlanetScope的高分辨率在解析窄河道、小沙坝和斑块状河岸覆盖方面的优势，以及集成方法在提升分类稳定性和提供像素级置信度方面的价值。论文发表在《Geomatics, Natural Hazards and Risk》。

**主要关键技术方法**（不超过250字）
研究采用的关键技术包括：1）基于GEE的PSEMV工作流程，包括季节影像预处理（固定季节窗口、中值合成）、预测因子堆栈构建（8个PlanetScope波段与10个光谱指数，如归一化差异水体指数NDWI、归一化差异植被指数NDVI、红边归一化差异植被指数NDVI_rededge等）；2）双源参考标签生成：从Dynamic World产品（10米）中提取高置信度像素，并经专家筛选，同时结合2025年秋季无人机（DJI Mavic 3 Enterprise，搭载20 MP 4/3 CMOS RGB相机，飞行高度约100米）与野外调查数据作为独立验证；3）种子控制的数据分割（60%训练、20%测试、20%验证）与基分类器训练（RF、KNN、GTB默认参数）；4）模型筛选（测试总体准确率≥0.90）与多数投票集成；5）精度评估（总体准确率、精确率、召回率、F1分数）及季节过渡分析（桑基图）。样本来源为韩国甘川河约5公里河段，训练集每季节每类50个样本，共200个专家验证样本。

**研究结果**
**4.1 模型性能**
**4.1.1 总体评估**：通过20个季节场景的验证，集成模型（PSEMV）的总体准确率（OA）均值达到0.94，显著高于RF（0.86）、GTB（0.85）和KNN（0.83），且标准差最低（0.05），表明其对季节性变异性敏感度低。在困难场景中，集成模型的最小精确率和召回率（0.64和0.66）也优于其他模型（0.56–0.62），说明其能更好地控制假阳性和假阴性。
**4.1.2 每类性能分析**：水体和沉积物分类表现较好，因光谱特征明显；但集成模型仍通过减少偶发失败提升了鲁棒性。树木和草本/灌木是挑战性最大的类别，光谱易与沉积物或水体混淆（如稀疏植被在亮沙坝上类似沉积物，树冠阴影类似水体）。集成模型在植被区分中表现出系统性改进，减少了慢性混淆（如草本/灌木 vs. 明亮沉积物、树木阴影 vs. 水体），实现了从局部不稳定到一致可靠的植被映射。
**4.1.3 视觉验证**：与2025年秋季无人机影像对比，集成模型分类图与真实地表覆盖高度吻合，准确捕捉了水体、沉积物沙坝和植被分布。仅存在少量边缘误差（如窄植被边缘被误判为沉积物、深阴影区域被误判为陆地），且误差范围小于单一分类器。但需注意，集成模型并非在所有位置都优于每一基分类器，例如RF在某些浅水区正确识别了水体，但因KNN和GTB的多数错误预测而被集成模型否决，表明多数投票无法纠正多数模型共享的系统误差。
**4.2 季节动态监测**：桑基图显示，2021–2025年各季节间，草本/灌木和树木类以类内连续性为主，表明植被覆盖相对稳定；水体和沉积物则表现出频繁的双向交换，反映季节性淹没与暴露；沉积物与草本/灌木之间的转换也较常见，体现植被在沙坝上的定殖与损失循环。年际间，2023–2025年树木成分在部分季节更突出，可能与草本/灌木向树木的转换增强或分类模糊性增加有关。

**讨论与结论**
**讨论总结**：PSEMV方法的鲁棒性源于多算法（RF、KNN、GTB）与多随机种子实现的组合，通过多数投票抵消单个模型的误差，这与集成学习文献一致。投票分数可作为像素级置信度代理，便于质量保证。方法采用默认超参数和确定性种子，保证了可重复性，且基于GEE的实现增强了可扩展性。PlanetScope的3米分辨率对于解析窄河道（如20米宽河道约7–10像素）和小特征至关重要，避免了中分辨率传感器的混合像元问题；其近每日重访能力确保了季节合成的可靠性和对短暂现象的捕捉。与Sentinel-2等中分辨率产品相比，PlanetScope在精细尺度上提供了更丰富的信息，如沙坝植被动态。这些结果对河流过程理解和管理有重要意义：可定量监测季节性变化（如水体面积增减、植被定殖速率），为水文模型提供粗糙度参数，支持管理决策（如评估干预效果），并建立气候变化基线。局限性包括：验证仅针对单一河段，空间泛化能力有待验证；PlanetScope商业数据可能限制可重复性和可迁移性。未来需在多个独立河段进行河间验证，并探索开源替代方案（如超分辨率产品）。
**结论翻译**：本研究提出了一种可重复的工作流程，结合季节性3米PlanetScope合成影像与像素级多数投票，用于绘制研究河段内的水体、沉积物、树木和草本/灌木覆盖。在评估的20个季节场景中，集成模型取得了最高的平均总体准确率、精确率和召回率，且变异性低于单一分类器。这些结果表明，在本研究考察的条件下，组合多个分类器可以提高平均分类稳定性。然而，集成模型并非在所有位置都优于每一基分类器。无人机对比揭示了浅水通道、水-沉积物过渡区、窄植被条带和阴影区域的误差。在某些位置，RF保留了水体特征，但因其余分类器多数产生错误预测而被集成模型遗漏。因此，报告的性能应被视为跨场景和重复数据分区的总体改进，而非逐像素的普遍优越性。研究结果展示了PlanetScope影像和相对简单的集成工作流程在季节性河流场景监测中的潜力，但证据仍限于所研究河段和可用参考数据。需要在不同河道形态、水文条件、底质和植被特征的河流上进行额外测试，并辅以更广泛的独立现场验证，才能确定该工作流程的可迁移性和操作适用性。