《Remote Sensing of Environment》：Comparative analysis of contemporary remote sensing techniques and species distribution modelling in predicting spatial distribution of coastal habitats
编辑推荐：
摘要翻译
针对欧洲七个海域的海岸带栖息地制图进行了系统比较。模型分别基于卫星影像与水深数据或环境协变量进行训练。物种分布模型（环境协变量）在其中五个区域表现更优。协变量数据质量欠佳导致预测效果不理想。未来研究可受益于将两种方法整合用于栖息地建模。
当前生物多
摘要翻译
针对欧洲七个海域的海岸带栖息地制图进行了系统比较。模型分别基于卫星影像与水深数据或环境协变量进行训练。物种分布模型（环境协变量）在其中五个区域表现更优。协变量数据质量欠佳导致预测效果不理想。未来研究可受益于将两种方法整合用于栖息地建模。
当前生物多样性危机由气候变化、过度开发及土地利用变化等多种人类活动与压力驱动。为扭转并缓解生物多样性下降趋势，全球大多数国家签署的《生物多样性公约》（CBD, 2022）设定了保护生物多样性及恢复退化栖息地的目标。然而，海洋栖息地的生态现状与分布范围仍知之甚少。例如，欧盟20%–70%的海洋区域被归类为“未知”或“未评估”（Liquete等，2024）。在大范围内开展生物多样性监测、定向实施恢复工作以及设计有效的海洋保护区网络，均需可靠的量化栖息地分布信息（Giakoumi等，2025；Skidmore等，2021）。此外，为直接适用于管理实践，此类信息应以高时空分辨率生成，从而与国家基础设施、土地利用及工业等其他资产的数据相匹配（Dasgupta, 2021）。
物种分布模型（SDM）是目前跨领域生成栖息地与物种分布图最常用的方法之一（附录S1.1），尤其有助于克服大规模实地调查的高时间与高成本需求（Fois等，2018；St?hr等，2026）。在陆地环境中，遥感（RS）方法已被广泛用于植被分布与动态的制图与监测，如森林覆盖等，并在监测基本生物多样性变量方面展现出巨大潜力（Skidmore等，2021）。欧洲航天局的Sentinel-2计划等卫星星座提供中等分辨率影像，具备支持高性价比、大规模栖息地监测的潜力（Jussila等，2024；Mngadi等，2021；Pelletier等，2024）。然而，遥感在海洋环境中的应用面临特殊挑战，主要受限于可见光波段范围——因为水体会强烈吸收可见光范围之外的波长——并可能进一步受到波浪、太阳耀斑、水体浑浊度以及高浓度腐殖质的影响（Huber等，2022）。尽管存在这些限制，卫星影像在底栖栖息地制图中的应用日益增多（附录图S1）。早在21世纪初，热带地区的卫星底栖栖息地图就已构建（如Gullstr?m等，2002；Lyons等，2024；Roelfsema等，2014）。近期，遥感方法在底栖制图中的应用已扩展至光学条件更具挑战性的水体类型（如Huber等，2022；Kuhwald等，2022），但卫星数据的使用可能仅限于水体上部的数米范围（Kuhwald等，2022）。尽管遥感方法日益广泛地应用于更大范围海洋区域的制图（Davies等，2026），但据研究人员所知，将其性能与在不同环境复杂性区域内已确立的物种分布模型进行比较的研究仍然缺乏。然而，此类信息极具价值，因为它可为遥感与物种分布模型的用户提供指导，并识别需要进一步方法学开发的领域。
物种分布模型与遥感均为支持生态系统保护与管理的广泛使用工具（Robinson等，2011；St?hr等，2026），其性能依赖于生态与地球物理背景。本质上，任何由物种分布模型或遥感方法生成的栖息地图都依赖于各种回归技术，且两种方法都取决于训练数据的质量与数量。在物种分布模型中，对物种或栖息地出现的直接实地观测通过统计或机器学习（ML）工具与环境协变量（如水深和底质类型）进行回归（Elith和Leathwick, 2009；Guisan和Zimmermann, 2000）。类似地，卫星光学影像（如Sentinel-2）提供多光谱像素数据，捕获研究区域内一系列波长的信息。这些像素级光谱测量被处理为特征图，在物种分布模型应用中发挥类似环境协变量图的作用，并用于训练机器学习模型以基于这些光谱特征对栖息地类型进行分类（McDermid等，2005）。
物种分布模型与遥感模型均可用于预测缺乏生物样本但具备环境协变量或卫星特征图的区域的物种或栖息地存在情况。对于物种分布模型而言，所得栖息地图的优劣取决于环境协变量图层的精度以及模型捕捉物种现实生态位并将其推广到新位置的能力（Elith和Leathwick, 2009）。然而，与物种分布模型不同，遥感模型中的回归函数在物种或栖息地环境生态位方面没有解释意义，预测精度依赖于特征图的精度和回归函数。因此，底栖栖息地建模不仅需要物种观测数据，还需要高质量的环境数据，如用于物种分布模型的水深和底质，以及用于遥感方法的高分辨率影像和特征图。遥感与物种分布模型方法之间的区别并非绝对，因为有时环境变量（如本文中的水深）也被用作遥感分类中的协变量（Collings等，2019），反之亦然，例如将Sentinel-2派生变量用作物种分布模型中的预测变量（Wang等，2025）。
在本研究中，研究人员比较了用于绘制水下植被（SAV）分布图的典型栖息地制图工作流程，重点关注海草和大型藻类，比较了研究人员所称的物种分布模型方法和遥感模型方法（分别为SDM和RS）。作为输入，SDM方法仅使用环境协变量图，而RS方法使用从Sentinel-2卫星影像和水深图中导出的变量。在两个区域，研究人员还加入了商业超高分辨率（VHR）多光谱影像和水深图的第三方比较。研究覆盖了东北大西洋、波罗的海、地中海和黑海的七个研究区域，涵盖不同的水体浑浊度和深度范围（图1）。具体而言，研究人员（i）量化和比较了SDM和RS方法在这七个欧洲沿海区域底栖栖息地建模中的预测能力，（ii）评估了它们的相对性能如何随深度和水体浑浊度变化，（iii）检验了数据质量对每种方法的影响，以及（iv）强调了不同方法在不同生态情境下的优缺点，以惠及两种方法的用户。
论文主体解读
**一、研究背景**
全球生物多样性危机由气候变化、过度开发、土地利用变化等多重人类活动压力驱动。为逆转和缓解生物多样性下降趋势，《生物多样性公约》设定了保护生物多样性和恢复退化栖息地的目标。然而，当前海洋栖息地的生态状况和分布范围仍缺乏充分认知，欧盟20%–70%的海洋区域被归类为“未知”或“未评估”。在大范围开展生物多样性监测、定向实施恢复工作和设计高效的海洋保护区网络，均需要可靠的栖息地分布量化信息，且这些信息需要以高时空分辨率生成以匹配管理需求。物种分布模型（SDM）是目前跨领域生成栖息地与物种分布图的主流方法之一，尤其适用于克服大规模实地调查的高时间和成本需求。遥感（RS）方法在陆地环境已被广泛用于植被分布和动态监测，但在海洋环境中的应用面临更多挑战，主要受限于可见光范围、水体吸收、波浪、太阳耀斑、浑浊度和腐殖质浓度等因素。尽管卫星影像在底栖栖息地制图中的应用日益增多，但缺乏将遥感方法性能与已确立的物种分布模型在不同环境复杂性区域进行比较的系统研究。因此，开展两者在多种欧洲海域环境条件下的系统比较，对指导方法选择和后续方法学开发具有重要价值。
**二、研究内容与意义**
研究人员比较了用于绘制水下植被（SAV）分布的典型栖息地制图工作流程，聚焦海草和大型藻类，比较了物种分布模型方法和遥感模型方法。SDM方法仅使用环境协变量图作为输入，RS方法使用从Sentinel-2卫星影像和水深图导出的变量。在两个区域，还加入商业超高分辨率（VHR）多光谱影像和水深图的第三方比较。研究覆盖了东北大西洋、波罗的海、地中海和黑海的七个研究区域，涵盖不同水体浑浊度和深度范围。具体研究目标包括：（i）量化和比较SDM和RS方法在七个欧洲沿海区域底栖栖息地建模中的预测能力；（ii）评估相对性能如何随深度和水体浑浊度变化；（iii）检验数据质量对每种方法的影响；（iv）强调不同方法在不同生态情境下的优缺点。该研究发表于《Remote Sensing of Environment》，其系统比较结果可为用户提供方法选择指导，并识别需要进一步方法学开发的领域。
**三、主要关键技术方法**
研究人员采用典型工作流程对两种方法进行比较。SDM方法使用广义线性模型（GLM）、广义加性模型（GAM）和提升回归树（BRT）对环境协变量进行回归。RS方法采用基于对象的影像分析（OBIA）分割算法聚类像素，使用随机森林（RF）、支持向量机（SVM）和极端梯度提升（XGB）三种分类器进行多类分类。数据来源于七个欧洲海域的实地调查观测、Sentinel-2卫星影像、两个区域的WorldView-2高分辨率影像以及水深、底质、盐度等环境协变量。模型比较采用空间缓冲十折交叉验证，以100米缓冲避免空间自相关造成的信息泄漏。
**四、研究结果**
（一）各方法的平均预测性能
SDM方法在预测准确性、校准性和判别力方面平均优于基于Sentinel-2的RS方法。在SDM中，BRT模型平均表现最佳；在Sentinel-2模型中，SVM在准确性和校准性方面表现最好，RF在判别力方面最优。VHR方法在Bothnian Sea和Saronikos Gulf区域平均优于SDM和Sentinel-2方法。
（二）预测性能沿深度和水体浑浊度梯度的变化
SDM的性能主要随深度增加而改善或保持相对恒定。对于大多数RS模型和SDM，校准性和准确性随深度改善。RS模型在浅水区的类别判别能力更好。两种方法的校准性和准确性均随水体浑浊度改善（即KD降低）而提高。
（三）模型特异解释力
除Saronikos Gulf、Bothnian Sea和M?re coast外，SDM在各区域的解释力均最高。VHR方法的解释力始终高于Sentinel-2方法。
（四）解释变量的重要性
水深是SDM和Sentinel-2模型中最主要的预测变量，其次是水流和暴露度相关变量。将水深加入RS模型后，RF、SVM和XGB的整体准确率变化范围分别为?1%至26.6%、?2.4%至13.6%和0.4%至5%。水深对VHR模型未呈现明显的改进效果。
**五、讨论与结论**
讨论部分指出，SDM通常产生比Sentinel-2和VHR方法预测损失更低的模型，但性能强烈依赖于情境、数据质量和空间分辨率。SDM的优势在于可以基于Hutchinson生态位理论对物种生态位进行解释性建模，对观测误差更稳健；但其对环境协变量数据的可用性和分辨率高度敏感。RS方法虽需更多调参和预处理步骤以及专业技术知识，但在缺乏环境协变量数据、水体清澈及需要高分辨率精细尺度栖息地格局时更具竞争力。数据时空不匹配、坐标误差、大气校正不确定性等因素会影响RS方法的性能。未来研究应促进两种方法的集成，利用生态驱动的SDM预测稳健性与RS提供的局部环境精细信息相结合，并建议未来数据采集活动应实现实地数据采集与卫星影像在时间和空间配置上的紧密同步，以同时支持两种方法的分类需求。
研究结论方面，SDM和RS方法各有特质使其在保护规划和空间管理战略中日益重要。SDM目前在覆盖多变环境的大尺度应用中更为适合，而遥感更适合高分辨率格局的时间监测。SDM在环境梯度清晰、具有高质量物种观测和有效描述这些梯度的空间数据时最为有效。通过其较低的分辨率和较高的预测不确定性，SDM还能在实地数据与解释性协变量之间存在坐标（或时间）不匹配时提供一定程度的防误分类保障，而RS方法对这些误差更为敏感。相反，如果目标是在清澈水体条件下生成覆盖大空间范围的精细尺度栖息地格局，RS方法更有前景，因为在海洋环境中以与RS相当的时空分辨率生成环境协变量在大尺度上往往难以实现。RS方法最适用于深度分布受限的浅水栖息地，或在SDM所需的环境协变量缺失时。研究还表明，在应用VHR影像的三个栖息地中的两个中，更高分辨率的卫星影像具有最低或与第二优模型相当的预测损失。由于VHR影像仅可在两个区域获取，仍需进一步的比较和实际权衡考量，因为商业影像的额外成本需要与相比公开可用的Sentinel-2影像所获得的信息质量增益进行谨慎权衡。本研究中VHR影像的使用仅限于先前获取的影像即为例证。此外，其使用和重用可能受许可协议限制。在海洋栖息地呈斑块状或混合分布的情况下，概率分类（即估算像素属于特定栖息地类型的概率）可能对决策更有意义。随着环境协变量图层和遥感影像的分辨率与精度不断提高，整合这些方法以结合生态驱动的SDM预测稳健性与RS方法提供的更精细局部环境信息将颇具前景。为最大化未来制图工作的效用并支持RS与SDM领域的数据和方法整合，最终建议是未来数据采集活动应致力于实地数据采集的紧密时间同步和空间配置优化，以更好地促进基于RS的分类。
