《Journal of Vegetation Science》：Pixels and Patterns in the Sand: Decoding Coastal Dune Habitats With Multi-Resolution CNNs
编辑推荐：
**摘要**
**目的**：通过遥感技术绘制海岸沙丘栖息地地图对生物多样性保护至关重要，但由于栖息地斑块相对于可用影像空间分辨率而言规模较小且破碎化严重，这一工作面临挑战。卷积神经网络（CNN）通过利用光谱和空间信息，提供了一种有前景的解决方案，但其在海岸沙
**摘要**
**目的**：通过遥感技术绘制海岸沙丘栖息地地图对生物多样性保护至关重要，但由于栖息地斑块相对于可用影像空间分辨率而言规模较小且破碎化严重，这一工作面临挑战。卷积神经网络（CNN）通过利用光谱和空间信息，提供了一种有前景的解决方案，但其在海岸沙丘中的应用仍然有限。本研究评估了CNN在使用不同空间分辨率遥感数据进行海岸沙丘栖息地制图中的表现，测试空间分辨率如何影响制图精度，并评估在RGB之外增加额外光谱波段的效果。
**地点**：意大利托斯卡纳马雷玛地区公园的沿海沙丘。
**方法**：实地真值数据在4 m2样方中收集，并辅以照片解译斑块，代表五个类别：流动沙丘（EUNIS栖息地N14）、沙丘草地（N16）、沙丘灌丛（N1B）、裸沙和海洋。使用了四种不同空间分辨率的遥感数据集：无人机（UAV；0.02 m）、航空影像（0.20 m）、谷歌地球（0.30 m）和WorldView-3影像（0.40 m）。对于每个遥感数据集，在RGB影像上训练一个CNN，在光谱波段可用的情况下，在多光谱影像上训练第二个CNN。
**结果**：大多数地图达到了较高精度，证实了CNN在栖息地制图中的有效性。RGB影像所得地图的精度随分辨率变粗而下降，从无人机（88%）到航空影像（86%）、谷歌地球（80%）和WorldView-3（38%）。加入额外光谱波段对精度有不同的影响（无人机+6个百分点，航空影像+7个百分点，WorldView-3+35个百分点）。在各类栖息地中，沙丘灌丛的制图精度最高，而流动沙丘经常与裸沙混淆。
**结论**：这些发现强调了甚高分辨率影像在使用CNN进行栖息地制图中的价值，表明在无人机或航空数据不可用时，即使是谷歌地球影像也能支持更广泛尺度的应用。
**论文解读：基于多分辨率卷积神经网络的海岸沙丘栖息地制图研究**
**一、研究背景与问题**
生物多样性制图是生态保护的基础性工作，尤其在欧洲，包括《栖息地指令》（92/43/EEC）在内的多项保护政策要求将栖息地的识别与制图作为保护的关键单元。遥感技术通过在较大时空尺度上提供定量数据，显著推进了栖息地制图的发展。然而，遥感数据的适用性强烈依赖于光谱、空间和时间分辨率：精细的栖息地分化通常需要多个光谱波段以提高光谱可分性，但这往往以牺牲空间细节或时间频率为代价，而这两者对复杂景观至关重要。
海岸沙丘栖息地既受到高度威胁，又因其斑块通常小而破碎化而难以制图。目前最高细节度由无人机（UAV）提供，已用于土地覆被、植物群落乃至单一物种的制图，但这些研究局限于局部尺度，评估空间分辨率与更广泛尺度适用性之间的权衡仍然至关重要。免费卫星数据仅允许绘制粗略的土地覆被类别，而商业卫星往往能够实现更精确的制图，但受制于高昂的采集成本。近年来，免费的谷歌地球影像也已被测试用于特定植被类型，但其有限的光谱信息（仅RGB）需要先进的分类方法来区分栖息地。
在机器学习方法中，卷积神经网络（CNN）因其能够利用图像的层次结构从低级输入（如像素强度）中提取高级特征（如边缘和图案），从而同时利用光谱信息和空间上下文，提高生态制图性能。CNN的有效性已在多种植被遥感应用中得到验证，尤其是在无人机或航空影像等甚高分辨率数据上。然而，很少有研究系统评估CNN性能如何随空间分辨率变化，大多数研究通过从无人机数据模拟粗分辨率影像，而非比较多个真实数据源。此外，光谱分辨率的作用仍不明确，因为仅使用RGB数据往往就能获得高质量结果。尽管使用日益增多，CNN在海岸沙丘栖息地背景下仍未得到充分探索。
本研究主要通过重点关注空间分辨率问题来弥补这一空白，空间分辨率直接影响CNN提取细尺度特征的能力，其次关注光谱信息的作用。研究在意大利托斯卡纳马雷玛地区公园的科莱伦戈海滩进行，该地区属于马雷玛地区公园和特别保护区“Dune costiere del Parco dell'Uccellina”（IT51A0015）。研究区面积约4公顷，植被呈现典型的海岸沙丘带状分布，从靠近海洋的漂积线一年生植被，到以Calamagrostis arenaria subsp. arundinacea为主的流动沙丘，再到物种丰富度最高的固定沙丘草地，以及与草地交错分布、以Juniperus macrocarpa为主的沙丘灌丛。
**二、关键技术与方法**
研究人员在2024年6月对约4公顷的区域进行了植被调查，沿垂直于海岸线的5条样带设置了65个2 m×2 m样方，使用两套EMLID Reach RS2 GNSS设备进行实时动态（RTK）测量和后处理动态（PPK）测量，坐标水平精度RMS小于1 cm。基于物种组成使用EUNIS专家系统将样方归属到EUNIS栖息地三级分类，最终确定了三个栖息地类型：流动沙丘（N14）、沙丘草地（N16）和沙丘灌丛（N1B）。为改善类别不平衡，通过最高分辨率影像的照片解译补充了额外样方，最终数据集包含500个2 m×2 m的方形斑块，归属五个类别：栖息地N14、N16、N1B、裸沙和海洋。
研究使用了四种不同空间分辨率的遥感数据集：（1）无人机影像（0.02 m），由DJI Matrice 300 RTK搭载MicaSense Altum-PT多光谱相机于2024年6月20日采集，包含蓝、绿、红、红边和近红外五个波段；（2）航空正射影像（0.20 m），来自托斯卡纳大区开放数据集（2023年8月25日），包含红、绿、蓝和近红外四个波段；（3）谷歌地球RGB影像（0.30 m），为2023年4月26日的Pléiades Neo卫星影像；（4）WorldView-3卫星多光谱影像（0.40 m全色/1.60 m多光谱，2019年5月16日），多光谱波段通过加权Brovey算法进行全色锐化。在CNN分割中，研究人员采用了基于U-Net的全卷积编码器-解码器架构，对每个遥感数据集分别训练RGB和（如果可用）多光谱输入的CNN模型，使用Adam优化器训练50个周期，批大小为8，学习率为0.0002，并采用随机翻转和随机旋转进行数据增强。性能评估使用了总体精度、精确率、召回率、F1分数、交并比（IoU）和平均IoU等指标。
**三、研究结果**
**精度总体评估**：七张地图中有四张达到了高精度（总体精度>85%，平均IoU>70%），证实了CNN在栖息地制图中的潜力，特别是其隐式学习空间图案和纹理的能力。研究还发现，即使与已有研究相比，本研究的精度结果也具有竞争力：Suo等人（2019）使用最大似然分类器在RGB和无人机多光谱影像上分别达到69%和78%的精度，Agrillo等人（2023）使用随机森林模型结合无人机数据与环境预测因子达到78%的精度，Laporte-Fauret等人（2020）将随机森林应用于高光谱数据生成植被图，精度为83%。
**空间分辨率的影响**：关键发现是CNN性能随空间分辨率降低而持续下降：RGB影像地图的总体精度从无人机（88%）降至航空影像（86%）、谷歌地球（80%）和WorldView-3（38%），平均IoU从79%降至71%、64%和23%。这一趋势与以往CNN研究一致。这表明只有超空间影像（像素远小于目标物体的影像）才能揭示CNN用于识别对象的细尺度图案。
**光谱波段的影响**：加入额外光谱波段在甚高分辨率下对制图精度仅有轻微正面影响（无人机+6个百分点，航空影像+7个百分点），而在较粗分辨率下效果更大（WorldView-3+35个百分点）。这表明在甚高分辨率下，空间图案可能比光谱反射率更具信息量，凸显了无人机上相对廉价的RGB传感器的价值。
**栖息地类别间的差异**：沙丘灌丛（N1B）以最高的精确率和召回率被制图，在较粗分辨率下这一优势更明显；稳定沙丘草地（N16）也达到相对较高的值；而流动沙丘（N14）的精确率与N16相似但召回率较低，主要由于与裸沙的混淆。这两个栖息地在分辨率降低时精度下降最为显著，可能是因为CNN利用的细尺度图案不再可辨，且其植被覆盖度较低。
**后处理与时间效应**：简单的筛分滤波后处理减少了最高分辨率地图中的椒盐效应，略微提高了精度。研究还发现，与真值数据采集时间间隔最大的数据集（5年）性能较低，表明栖息地制图模型存在时间韧性的潜在限制。
**四、讨论与结论**
在讨论部分，研究人员指出，尽管本研究聚焦于单一地点，但研究结果对大规模应用具有更广泛的意义。理想情况下，大范围无人机调查能提供最准确的海岸沙丘栖息地地图，但受限于成本和专业知识，目前不适合覆盖整个意大利海岸线等广阔范围。作为替代方案，航空影像和谷歌地球影像仍可提供可靠的地图，且谷歌地球影像目前在全国范围内可用。研究人员建议，未来可通过在大而多样的真值数据集上预训练模型，然后通过迁移学习适应特定局部条件，以解决跨站点可迁移性问题。此外，多时相模型可能进一步发展，因为海岸沙丘植被类别在季节变化中表现出不同的光谱植被指数模式。海岸沙丘系统中的木质碎片和海洋垃圾也应在应用该方法时予以考虑。通过提供海岸沙丘栖息地制图的方法学指示，这项工作可支持广泛的实际应用，包括恢复行动监测、生态地貌动力学研究、模型校准以及欧洲政策框架下的强制性报告。
**五、研究结论**
本研究强调了CNN在海岸沙丘栖息地制图中的有效性，并提供了遥感数据空间分辨率对CNN性能影响的开拓性分析。甚高分辨率无人机影像被确认为生成准确栖息地地图的最有价值数据源，其揭示的细尺度空间图案对CNN至关重要。随着数据集分辨率变粗，制图精度明显下降，而加入额外光谱波段的益处变得更加显著。尽管并非理想解决方案，航空影像和谷歌地球数据仍能支持高精度地图（≥80%），表明一旦CNN在沙丘系统间的可迁移性得到进一步探索，这些数据具有成本效益的更广尺度应用潜力。通过评估CNN在多个遥感数据集上的适用性，本研究为高度脆弱的海岸沙丘生态系统的监测和保护提供了新颖而实用的见解。
