利用多次回声单波束声学反向散射技术和随机森林算法增强底栖生境测绘

《Estuarine, Coastal and Shelf Science》：Enhanced benthic habitat mapping using multi-echo single-beam acoustic backscatter and Random Forest

　　

摘要

精确的底栖生境绘制对于沿海生态系统监测、生物多样性保护和海洋空间规划至关重要。单波束回声测深仪（SBES）是一种经济实惠的声学生境绘制工具，但以往的研究仅使用了来自第一次和第二次底面回声的声学信息，而更高阶回声的潜在贡献尚未得到充分探索。本研究调查了在印度尼西亚Kapota环礁的浅水区域，包含第三次底面回声信息在内的多回声声学参数对底栖生境分类的影响。使用SBES Simrad EK15采集声学数据，并通过Sonar5-Pro软件分析，获得了八个声学参数（深度、BED、BP、E0、E1、AttDecSv1、E2和E3）。我们利用随机森林分类器分析了这些参数，以识别三种主要的底栖生境类型（珊瑚、海草和沙子），并使用独立的验证数据集测试了分类性能。多回声声学参数的结合显著提高了生境分类的准确性。当使用所有八个声学参数时，达到最高的整体准确率（79.3%），这优于仅基于海底粗糙度（E1）和硬度（E2）的传统两参数模型（63.3%）。变量重要性分析表明，E2、水深和E1是最重要的预测因子，而第三次底面回声（E3）的信息在与其他变量结合使用时进一步提高了分类准确性。这些发现表明，利用多回声声学信息可以提升基于SBES的底栖生境绘制的可靠性，为浅水热带沿海环境的底栖生境绘制提供了一种实用的方法。

引言

作为底栖生境，珊瑚礁和海草草地是浅水沿海生态系统的关键组成部分，提供了重要的生态功能和宝贵的生态系统服务（Rumahorbo等人，2020年）。这些生境通过为众多水生生物提供产卵、育苗、觅食和庇护场所来支持海洋生物多样性（Duarte等人，2013年；Syukur等人，2021年；Manangkalangi等人，2022年；Samoilys等人，2022年；Hamuna等人，2022年）。然而，不断增加的人为压力和气候变化正在加速全球底栖生态系统的退化（Hoegh-Guldberg等人，2017年）。因此，准确的、最新的底栖生境空间信息对于生物多样性保护、海洋空间规划、生境恢复和长期生态系统监测变得不可或缺（Brown等人，2011年；Rizzo等人，2022年）。

已经开发了多种遥感技术用于绘制底栖生境，包括光学卫星图像、机载传感器、激光雷达、侧扫声纳（SSS）、多波束回声测深仪（MBES）和单波束回声测深仪（SBES）（Brown等人，2011年；Hedley等人，2016年；Gumusay等人，2019年；Nguyen等人，2021年；Pijanowski和Brown，2022年；Misiuk和Brown，2024年）。光学方法提供了广泛的空间覆盖范围，但常常受到水深、浑浊度和大气条件的限制，而声学技术无论水体清澈度如何都能表征海底地貌和基质特性（Misiuk和Brown，2024年）。在声学系统中，SBES因其低运营成本、简单的调查设计和标准化的数据处理而特别 attractive，适用于快速生境评估和长期监测项目，尤其是在发展中国家（Anderson等人，2008年；Meadows，2013年；Fajaryanti和Kang，2019年；Sánchez-Carnero等人，2023年）。最近在声学信号处理和机器学习技术方面的发展显著提升了基于SBES的数据进行底栖生境分类的能力，同时保留了这些运营优势（Shao等人，2021年；Sánchez-Carnero等人，2023年）。

基于SBES的生境分类性能非常依赖于从接收到的回声信号中提取的声学特征。传统上，海底特征描述主要依赖于来自第一次和第二次底面回声的两个参数，即海底粗糙度（E1）和海底硬度（E2），这些参数最初是作为RoxAnn声学地面区分系统的一部分设计的（Hamilton，1999年；Penrose等人，2005年）。这些参数已成功用于区分沉积物类型和底栖生境（Freitas等人，2008年；Bejarano等人，2010年；Venteris和May，2014年；Mielck等人，2014年；Rodríguez-Pérez等人，2014年；Fakiris等人，2018年；Lee和Lin，2018年；Fajaryanti和Kang，2019年），后续研究表明，添加其他声学和环境参数（如水深、底前后向散射、坡度、粗糙度和地形衍生物）可以大大提高分类准确性（Prospere等人，2016年；Shao等人，2021年；Sánchez-Carnero等人，2023年）。然而，这些方法仍然主要局限于来自第一次和第二次底面回声的信息，忽略了后续回声中包含的许多声学信息。

从水声学的角度来看，连续的底面回声是由于发射的声波脉冲在海底和海面之间反复反射产生的。在第一次底面反射后，剩余的声能会在海底下方多次传播、吸收和散射，并在海底和海面之间再次反射，产生第二次及更高阶的底面回声（Urick，1983年；Hamilton，2001年）。因此，每个连续的回声都代表了一种逐渐改变的声学响应，整合了声学阻抗、基质组成、沉积物孔隙度、海底粗糙度、植被结构和多次散射过程的累积效应（Jackson和Richardson，2007年；Balk和Lindem，2015年）。由于珊瑚礁、海草草地和沙质基质具有不同的地质声学特性，它们的衰减和散射行为在连续回声中也会有所不同。因此，更高阶的回声，特别是第三次底面回声（E3），可能包含E1和E2无法完全代表的补充声学信息。尽管有这一坚实的理论基础，但在基于SBES的底栖生境绘制中很少研究第三次底面回声信息的贡献，这在声学海底特征描述中代表了一个重要的方法论空白。

机器学习技术的最新发展通过建模多个预测因子之间的复杂非线性关系显著提高了生境分类的准确性。随机森林（RF）是最广泛使用的算法之一，因为它具有抗过拟合的能力、处理高维数据的能力以及量化预测因子相对重要性的能力（Breiman，2001年；Belgiu和Dr?gu?，2016年）。RF在利用来自MBES、SSS和SBES的光学成像及声学数据绘制底栖生境方面表现出色（Belgiu和Dr?gu?，2016年；Maxwell等人，2018年；Shao等人，2021年；Misiuk和Brown，2024年）。然而，以往基于RF的SBES研究几乎仅评估了来自第一次和第二次底面回声的预测因子，很少有研究系统地评估更高阶回声的增量贡献。因此，目前尚不清楚整合来自连续底面回声的声学描述符是否可以提供补充信息，从而提高区分底栖生境的能力。

在这项研究中，我们提出了一个多回声声学特征描述框架，该框架系统地将来自第一次、第二次和第三次底面回声的声学参数整合到RF分类模型中，以绘制热带浅水区域的三种主要底栖生境（珊瑚、海草和沙子）。我们假设从第三次底面回声中提取的声学信息提供了超出传统海底粗糙度（E1）和硬度（E2）的补充信息，并且结合代表连续底面反射的多个声学描述符可以通过捕捉不同底栖基质的物理特性来提高生境分类的准确性。因此，本研究的目标是（1）评估使用单波束回声测深仪时多回声声学参数对底栖生境分类的贡献，（2）确定第三次底面回声信息是否显著提高与传统SBES方法的绘图准确性，（3）量化RF框架内各个声学变量的相对重要性。

章节片段

声学数据采集

本研究在印度尼西亚东南苏拉威西省Wakatobi国家公园内的Kapota环礁进行（图1）。Kapota环礁是印度尼西亚东部最大的热带礁系之一，包含以珊瑚礁、海草草地和未固结的沙质基质为主的几种底栖生态系统（Hafizt等人，2021年；Hamuna等人，2023年）。该地点特别适合测试水声学生境分类算法，因为其水域相对清澈。

训练数据的声学参数

最终的训练数据集包含506个标记的声学观测值，代表了三种主要的底栖生境类别：珊瑚（178个观测值；35.18%）、海草（165个观测值；32.61%）和沙子（163个观测值；32.21%）（表3）。不同生境类别之间标记的声学观测值数量相对均衡，为RF模型校准提供了较为全面的类别表示。这506个观测值来自61次现场验证。

底栖生境的绘图准确性

本研究表明，整合来自连续底面回声的多个声学描述符显著提高了浅水底栖生境（珊瑚、海草和沙子）的分类准确性。虽然所有20种声学参数组合的OA值都超过了底栖生境绘图推荐的最低60%的标准（Green等人，2000年），但当使用全部八个声学参数时，性能始终最高。

结论

本研究表明，与仅依赖海底粗糙度和硬度（E1和E2）的传统方法相比，整合多回声声学描述符显著提高了基于SBES的底栖生境绘图准确性。在评估的二十种声学参数组合中，结合八个声学参数（深度、BED、BP、E0、E1、AttDecSv1、E2和E3）与RF算法的结合产生了最高的绘图准确性（79.3%），优于传统的E1–E2组合。

CRediT作者贡献声明

Baigo Hamuna：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，方法论，调查，资金获取，正式分析，数据管理，概念化。Sri Pujiyati：撰写 – 原稿，监督，方法论，调查，正式分析，概念化。Alianto Alianto：撰写 – 原稿，验证，方法论，正式分析。Totok Hestirianoto：验证，监督，方法论，概念化。Jonson Lumban-Gaol：

未引用的参考文献

Hamilton等人，1999年；Kruss等人，2017年。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本工作得到了印度尼西亚共和国高等教育部、科学和技术的资助 [2024年博士论文研究；拨款编号：027/E5/PG.02.00.PL/2024 和 22165/IT3.D10/PT。01.03/P/B/2024]。感谢Sri Ratih Deswati（IPB大学）在声学调查方面的帮助，以及Syahrul Purnawan（Syiah Kuala大学）将声学数据转换为Sonar5-Pro软件可处理的格式。

Baigo Hamuna|Sri Pujiyati|Jonson Lumban-Gaol|Totok Hestirianoto|Alianto

印度尼西亚帕帕省Jayapura市Cenderawasih大学海洋科学与渔业系