遥感与人工智能集成用于海底海草分布及概率性海草生物量碳潜力

《Science of The Total Environment》：Remote sensing and artificial intelligence integration for seabed seagrass distribution and probabilistic seagrass biomass carbon potential

　　

濑户内海（SIS）是日本最大的半封闭沿海海域，拥有海草床，构成重要且可量化的生物量碳库。因此，可靠地绘制这些海草床的分布图对于生态系统评估和沿海管理至关重要。本研究整合了源自Sentinel-2影像的多波段深度不变底部指数（BI）与机器学习和深度学习分类器，以绘制海底海草分布，并估算2019年至2025年内濑户内海的概率性海草生物量碳潜力。Sentinel-2影像在Google Earth Engine中处理，波段2（蓝）、3（绿）和4（红）被组合成三种BI配置（????_2?3、????_3?4和????_2?4）。在测试的九种分类器中，随机森林（RF）表现最佳，在单一分层划分下达到92.31%的准确率和?? = 0.81。更保守的验证在50次重复随机划分中给出87.4 ± 9.5%的准确率和?? = 0.686 ± 0.225，而空间留一站点交叉验证（LOSO）给出77.4%的准确率和?? = 0.50，表明对未调查地点的可迁移性降低。在三种波段对配置中，????_2?3是主导预测因子（变量重要性 = 0.93）。在此分类基础上，通过将卫星衍生的海草概率与基于野外的生物量分布相结合，并通过蒙特卡洛不确定性传播，估算海草生物量碳潜力。所得估算仅反映现存海草生物量碳，不包括沉积物有机碳、埋藏、分解和横向碳输出，因此应将其视为生物量碳潜力而非总蓝碳储量。月度碳潜力遵循明显的季节周期，从冬季上升至春季，并在5月至6月达到峰值。总之，这些结果表明，将多波段BI与基于人工智能（AI）的分类相结合，能够在光学复杂的沿海水域实现特定地点的海草测绘和基于生物量的碳评估，同时强调在将结果外推到调查地点之外之前进行空间独立验证的必要性。

遥感与人工智能集成用于海底海草分布与概率性生物量碳潜力研究解读

海草床是重要的蓝碳生态系统，能够为海洋生物提供栖息地、稳定沉积物并参与碳封存，在气候变化减缓中发挥关键作用。然而，全球海草床正面临沿海开发、水质下降、富营养化、海平面上升和极端气候等多重压力，长期监测显示自1880年以来全球已损失约19.1%的受调查草甸面积。传统野外调查如潜水样带和声呐测绘劳动密集、成本高昂且空间覆盖有限，遥感技术提供了一种可扩展、成本效益高的替代方案。但光学传感器在浑浊、水深变化大的沿岸水域中，水柱散射和吸收会降低海底可探测性和分类精度，因此需要有效的水柱校正方法和稳健的分类框架。目前已有研究将深度不变指数与机器学习结合用于海草测绘，但大多缺乏对多种分类器的系统比较、空间独立的验证以及不确定性量化的碳估算。为此，研究人员开展了本研究，整合多波段深度不变底部指数与人工智能分类器，在光学复杂的濑户内海进行海草分布测绘和生物量碳潜力估算。该研究发表在《Science of The Total Environment》上，为半封闭沿岸系统的海草监测和碳核算提供了更严谨的框架。

研究使用了来自日本环境省Monitoring Sites 1000（Moni-1000）项目的44个监测站点（2019–2022年）以及Song and Sakuno在2021年调查的7个站点共28个样点的野外数据。在Google Earth Engine中筛选云量<15%的630幅Sentinel-2影像，利用改进归一化差异水体指数（MNDWI）掩膜陆地，并以水深>15 m为界。基于Lyzenga深度不变指数方法，构建B2–B3、B3–B4、B2–B4三个波段对的底部指数（BI）。在MATLAB中比较了决策树（DT）、梯度提升集成（GBT）、K均值聚类+K近邻（KMC+KNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）、支持向量机（SVM）、卷积神经网络（CNN）和多层感知机（MPNN）共9种分类器，采用60/40训练验证划分，并进行50次重复随机划分、空间留一站点交叉验证（LOSO）和留一年份交叉验证（LOYO）。生物量和碳分数不确定性通过蒙特卡洛模拟（10,000次）传播，生物量拟合为对数正态分布，均值345.6 g DW m^?2，碳分数均值0.36。

3.1 海草分类性能与时间鲁棒性

通过对2019–2025年衰减系数比（k_ij）的月均值分析，发现k_2?3最稳定（CV=1.74%），而k_2?4变化最大（CV=3.46%），说明蓝绿波段对受季节浑浊度和悬浮物影响最小。在±8天时间阈值下，RF分类器性能最佳，单次分层划分达到92.31%的总体精度（OA）和?? = 0.81；50次重复随机划分给出OA=87.4±9.5%，?? = 0.686±0.225；空间LOSO验证则降至OA=77.4%，?? = 0.50，表明模型对未调查地点的迁移能力较弱，单次划分精度可能被空间自相关高估。变量重要性分析显示BI_2?3为主导预测因子（重要性=0.93）。

3.2 内濑户内海海草分布月变化

利用630幅影像构建多年月气候态，并在73%数据可用性阈值下，研究得出海草面积呈显著季节循环：冬季（12–1月）面积较小（约525–630公顷），6月达到峰值（约806公顷），5–8月维持较高覆盖。空间分布上，6月海草连续覆盖浅水区，12月则破碎化。该季节格局与温带海草物候，特别是大叶藻（Zostera marina）春季到初夏的冠层扩展一致。

3.3 内濑户内海海草生物量碳潜力月变化

基于蒙特卡洛概率框架，月均海草生物量碳潜力在约640至1107 Mg C之间，5–6月出现高峰（超过1100 Mg C），3月最低（约640 Mg C）。相对不确定性稳定在25–27%。该结果基于多年存在概率而非单一影像，因此对个别月份缺少影像不敏感。研究还发现，影像覆盖率低的月份常导致海草面积被低估，但碳潜力估算因采用气候态概率而保持稳定。

讨论部分指出，蓝绿波段组合（BI_2?3）的时间稳定性优于其他波段对，适合光学复杂的半封闭海域。RF分类器的单次划分精度可能被空间自相关高估，空间独立验证的77.4%和?? = 0.50是更保守的迁移性能指标。海草面积和碳潜力对数据可用性阈值敏感，但相对不确定性几乎不变。碳潜