《Remote Sensing》：Mapping Native Grass Cover with Random Forest Models: Sentinel-2 Versus Sentinel-2 Combined with Sentinel-1 SAR-Derived GLCM Texture Metrics
编辑推荐：
澳大利亚东南部的温带原生草地因农业开垦而大面积消失，现存斑块正面临土地利用变化、气候变异和入侵物种的持续压力。绘制并监测原生与外来禾草的空间分布及其覆盖度，对于草地的保护与管理至关重要。基于野外的方法并非总能满足可扩展性和时效性的要求，本研究旨在开发一种可扩展
澳大利亚东南部的温带原生草地因农业开垦而大面积消失，现存斑块正面临土地利用变化、气候变异和入侵物种的持续压力。绘制并监测原生与外来禾草的空间分布及其覆盖度，对于草地的保护与管理至关重要。基于野外的方法并非总能满足可扩展性和时效性的要求，本研究旨在开发一种可扩展的方法，用于绘制澳大利亚维多利亚州墨尔本西部边缘地带残存原生草地中本地C3和本地C4禾草覆盖度等级图。研究人员于2021年在多个样地采集了用于训练和验证随机森林机器学习模型的野外参考数据。Sentinel-2光学光谱波段和植被指数被用作主要输入数据，同时评估了Sentinel-1合成孔径雷达（Synthetic Aperture Radar，SAR）衍生的灰度共生矩阵（Grey Level Co-occurrence Matrix，GLCM）纹理特征对模型精度的提升能力。结果表明，仅基于Sentinel-2数据（不含Sentinel-1 SAR衍生的GLCM纹理信息）训练的随机森林模型取得了中等水平的总体精度（C3：59.1%，C4：78.1%）。类别特异性指标显示，模型在样本代表性较好的低覆盖度类别中可靠性最高，尤其是6–25%本地C3类别和0–5%本地C4类别，而高覆盖度类别的可靠性较低，原因是训练和验证样本数量有限。草地覆盖度分数在稀疏至中等覆盖度范围内得到了较好的模拟，但密集草地覆盖度的模拟不够准确，可能归因于训练数据集中高覆盖度样本的不足。加入Sentinel-1 SAR衍生的GLCM纹理特征并未提升模型性能，表明C波段VH极化SAR对原生草地生态系统特有的细尺度结构异质性不敏感。稀疏的本地C3和C4禾草在低覆盖度类别中可通过光学遥感最可靠地制图，本研究所开发的方法现可应用于西草地保护区（Western Grassland Reserve，WGR）及其他地区的草地循证管理、生物多样性保护和草地组成监测。要准确预测较密集草地中本地C3和C4禾草的覆盖度分数，可能需要更高分辨率的结构数据集和更先进的机器学习方法。
论文解读
一、研究背景与问题
草地是地球上最重要的生态生物群系之一，曾覆盖约40%的陆地面积。澳大利亚东南部的温带草地发生在降雨模式多变、周期性干旱胁迫限制树木生长的地区，支撑着高水平的生物多样性，并为农业生产力和生态系统服务（如碳储存和土壤保护）提供重要支持。然而，这些温带草地因农业开垦已被大面积清除，现存斑块正面临土地利用变化、气候变异和入侵物种扩散的持续威胁。维多利亚火山平原生物区是澳大利亚的生物多样性热点区域，保留了自然温带草地的残存群落，这是一种高度濒危的原生草地群落。在墨尔本西部和吉朗的城市边缘地带，仍有大量原生草地残存。
从管理角度出发，该景观中的禾草物种可分为三类：本地C3禾草（冷季生长型），以Rytidosperma属（袋鼠草）、Austrostipa属（矛草）和Poa属（丛生禾草）最为常见；本地C4禾草（暖季生长型），以Themeda triandra（袋鼠草，THTR）、Bothriochloa macra（红腿草，RLGR）等为代表；以及入侵禾草，包括多种非本地C3和C4禾草。草地管理者需要追踪这些禾草覆盖度的变化以指导管理决策，但传统野外监测方法耗时且无法提供大范围、高时间频率的覆盖信息。遥感技术为大面积草地组成监测提供了有力替代方案，但南澳大利亚温带草地存在结构复杂、物种时间更替快、物候信号振幅相对较低等特征，给遥感监测带来了特殊挑战。
二、研究目的与意义
本研究旨在开发一种可扩展的方法，用于绘制南维多利亚州异质自然温带草地景观中本地C3和C4禾草覆盖度百分比图。研究利用公开可用的Sentinel卫星影像结合随机森林机器学习分类器，并评估了Sentinel-1 SAR衍生的GLCM纹理特征对Sentinel-2光谱分类框架的补充价值。该研究的意义在于为温带原生草地的保护管理和生物多样性监测提供可扩展的遥感监测框架，支持大范围草地的循证管理决策。
三、关键技术与方法
研究人员采用的主要技术方法包括：利用Google Earth Engine获取2021年3月至2022年4月的Sentinel-2 Level-2A地表反射率数据，按澳大利亚四季生成季节中值合成影像，包含10个光谱波段和6个植被指数（NDVI、SAVI、NDWI、EVI、IRECI、NDVISD），共64个预测层；Sentinel-1 SAR数据取自2021年8月至12月，采用VH极化Interferometric Wide（IW）Ground Range Detected High-resolution（GRDH）产品，通过SNAP平台预处理，经半变异函数比较筛选出RefinedLee 5×5滤波器进行斑点噪声抑制，再将后向散射数据线性重缩放至8位灰度值后提取5种GLCM纹理度量（对比度、相异性、同质性、相关性、角二阶矩），并计算时间序列的最小值、最大值、中位数和标准差作为汇总统计量；野外参考数据于2021年10月采集，共11608个样点，由训练有素的生态学家在10米半径范围内目视估计19种植物物种和功能群的覆盖度百分比，覆盖度数据被分为五个类别（0–5%、6–25%、26–50%、51–75%、>75%）；随机森林模型使用scikit-learn实现，80%数据用于训练和调参（其中70%训练、30%内部验证），20%作为独立测试集，超参数通过RandomizedSearchCV优化。
四、研究结果
模型评估结果。 仅基于Sentinel-2光谱信息和植被指数的随机森林模型对本地C3禾草五类覆盖度分类的总体精度为59.08%，对6–25%覆盖度类别的预测效果最佳（精确率=0.59，召回率=0.78，F1分数=0.67），而对51–75%和>75%覆盖度类别的预测效果最差（F1分数分别为0.24和0.21）。训练数据中高覆盖度样本的稀缺是导致高覆盖度类别预测不佳的主要原因。联合Sentinel-1和Sentinel-2数据的模型总体精度略有下降（从59.08%降至57.99%），Kappa系数也较低（0.36），表明雷达数据的加入未带来分类性能的提升。对本地C4禾草而言，仅基于Sentinel-2数据的模型总体精度为78.05%，0–5%覆盖度类别表现最佳（精确率=0.83，召回率=0.92，F1分数=0.87），而51–75%和>75%覆盖度类别的F1分数均为0.00。加入Sentinel-1 SAR GLCM纹理特征后，模型性能未获得提升。
独立测试集验证结果。 使用预留20%测试集对C3禾草覆盖度图进行验证，总体精度为56.84%，与内部精度59.08%基本一致，表明模型具有良好的泛化能力。6–25%覆盖度类别仍为最佳预测类别（F1分数=0.65），高覆盖度类别预测性能较差（F1分数均为0.25），Kappa系数为0.35。加入Sentinel-1后独立精度几乎不变（56.84%对56.90%），Kappa系数从0.35微降至0.34。C4禾草覆盖度图的独立验证总体精度为79.48%，与内部精度78.05%高度接近，0–5%覆盖度类别表现最佳（F1分数=0.88），Kappa系数为0.52。加入Sentinel-1数据后总体精度和Kappa系数均相似（79.48%对78.87%，0.52对0.50），未发现性能改善。
五、讨论与结论
讨论部分指出，Sentinel-2光谱和物候信息在绘制低丰度类别方面具有优势，研究在含有大量外来C3和C4禾草的环境中取得的精度结果值得肯定。模型性能受限的关键因素包括：训练数据集中高覆盖度样本的严重不平衡，导致随机森林分类器偏向于频繁出现的低覆盖度类别；Sentinel-1与Sentinel-2影像时间窗口不完全同步；C波段SAR的固有分辨率限制和斑点滤波造成的纹理对比度损失，使其难以捕捉温带草地细粒度的结构异质性。研究还强调，精度评估应视为样地内模型性能，空间可迁移性需要独立野外数据进一步验证。
研究结论表明，基于Sentinel-2光谱波段和植被指数训练的随机森林模型能够较好地预测本地C3和C4禾草的低至中等覆盖度分数（尤其是稀疏草地），内部验证集和独立测试集的预测性能相近。密集草地覆盖度（>50%）的模型性能较差，与西草地保护区内高覆盖度训练样本的缺乏有关。加入Sentinel-1 SAR影像或GLCM纹理特征未提升模型性能，表明C波段VH极化SAR可能对异质原生草地类型间的细尺度结构变异性不敏感，或衍生的纹理指标噪声过大、与生态模式的相关性较弱。光学遥感影像仍是绘制稀疏原生禾草覆盖度最稳健的平台。未来研究可探索更高分辨率的结构数据集（如机载LiDAR或无人机三维影像）、深度学习等更先进的机器学习方法，以及更精细的SAR-光学时间序列同步方案，以提升密集植被类别的预测能力。本研究所展示的方法为原生草地动态提供了可扩展的监测框架，可支持草地保护和生态系统韧性管理。
