《Science of Remote Sensing》：Mapping perennial brown macroalgae in the Baltic sea using multitemporal Sentinel-2 imagery
编辑推荐：
卫星观测可将底栖生物多样性监测扩展到稀疏点状调查之外，但其价值取决于可靠的野外验证和透明的误差评估。研究人员利用2016至2023年间高质量的Sentinel-2 MSI（S2）影像和地面真值观测数据，绘制了波罗的海三个研究区域（爱沙尼亚维尔桑迪、瑞典哥特兰和
卫星观测可将底栖生物多样性监测扩展到稀疏点状调查之外，但其价值取决于可靠的野外验证和透明的误差评估。研究人员利用2016至2023年间高质量的Sentinel-2 MSI（S2）影像和地面真值观测数据，绘制了波罗的海三个研究区域（爱沙尼亚维尔桑迪、瑞典哥特兰和布莱金厄）具有重要生态意义的多年生褐藻栖息地的空间分布。其中，维尔桑迪地区的分类效果最佳，这得益于其浅水水域、高水体透明度和丰富的参考数据。S2的高重访频率使研究人员能够生成逐像元的发生频率（occurrence frequency, OF）产品——即某像元在多幅S2影像中被分类为褐藻（BROWN）类别的比例——以抑制单次分类中的偶发误差。与传统的单景影像分类不同，OF框架将跨时间的重复分类一致性解释为栖息地持久性和分类置信度的指标。没有任何单一的OF阈值能在所有研究区域间完美迁移，但接近50%的阈值通常能在BROWN类别的过高估计和过低估计之间取得平衡。在所有研究区域中，基于OF的BROWN类别面积估计均低于单景影像的平均估计值，表明单幅影像往往通过瞬时误分类而高估栖息地面积。因此，多时相S2产品为绘制稳定的褐藻栖息地提供了可扩展且保守的基础，同时也凸显了对高质量原位（in situ）数据的持续需求。
一、研究背景与问题提出
底栖生物多样性在全球海洋生态系统中持续下降，种群、物种和功能群正以日益加快的速度丧失。长期监测对于识别这些变化、查明其驱动因素并指导管理至关重要。然而，底栖栖息地具有空间异质性强、时间动态性高且常规野外调查仅能部分覆盖的特点，使其监测面临显著困难。
生物多样性基本变量（Essential Biodiversity Variables, EBVs）为跨区域协调生物多样性观测提供了框架。地球观测组织生物多样性观测网络（GEO BON）提出了22个候选EBV，其中14个被认为可部分或完全通过遥感获取。尽管地球观测（Earth Observation, EO）在多数海洋环境中无法解析基因或单个物种，但可监测生态系统结构和功能。该研究聚焦于栖息地范围这一生态系统结构EBV，具体针对波罗的海温带沿岸水域中多年生褐藻带的制图。
波罗的海的多年生褐藻带以墨角藻属（Fucus spp.）为主，尤其是墨角藻（Fucus vesiculosus）。这些基础栖息地形成三维结构，支持相关生物多样性，贡献初级生产和碳循环，并作为环境变化的可见指示物。然而，当前监测仍主要依赖原位（in situ）观测，空间覆盖存在重大缺口。
EO已越来越多地用于绘制珊瑚礁、海草床和大型藻类床等底栖栖息地的分布、面积和丰度。但生物多样性实践者对EO的采纳仍受限于验证数据稀缺和误差量化不足。保护管理者在EO产品支持评估之前需要透明的误差估计。此外，EO在沿海海洋环境中的应用仍具挑战性，因为底栖分类结果对影像获取期间的环境条件高度敏感，包括水体浊度、光照、波浪条件和季节性变化。因此，单景影像分类往往包含大量不确定性和场景特异性变异。
以往大多数沉水植被的EO研究依赖单幅卫星影像，仅代表特定时间的环境条件快照。尽管多时相卫星数据集日益可用，但相对较少的研究探索了如何利用跨时间的重复分类一致性来区分持久性栖息地模式与瞬时分类噪声。这对于墨角藻等多年生栖息地形成物种尤为重要，其空间分布在多年期内通常稳定，适合基于持久性的EO方法。
二、研究内容与意义
为弥补上述不足，该研究构建了基于发生频率（occurrence frequency, OF）的框架，将多幅S2影像中的重复分类一致性解释为栖息地持久性和分类置信度的指标。研究采用基于影像的分类方法，主要得益于各研究区域可用的广泛地面真值参考数据集。研究利用2016至2023年间的高质量S2影像实现三个目标：在单景S2场景中分类褐藻栖息地；生成代表栖息地持久性的多时相OF产品；评估OF框架用于长期监测稳定底栖植被的适用性。栖息地地图和OF产品使用独立地面真值数据集进行验证，并应用区域特异性OF阈值估算持久性褐藻栖息地的面积范围。
研究选取了波罗的海三个研究区域——爱沙尼亚维尔桑迪（Vilsandi）以及瑞典哥特兰（Gotland）和布莱金厄（Blekinge），以代表广泛的环境条件差异，包括水体透明度、浊度、海岸形态和深度梯度。研究结果表明，OF框架能有效抑制单次分类中的偶发误差，多时相S2产品为绘制稳定的褐藻栖息地提供了可扩展且保守的基础。
三、关键技术与方法
研究人员采用基于影像的监督分类方法，因各研究区域均有广泛底栖参考数据。参考数据来自瑞典国家环境监测计划（由斯德哥尔摩大学、林奈大学、Sveriges Vattenekologer AB和Aquabiota Water Research收集）和爱沙尼亚海洋研究所塔尔图大学底栖生物数据库，观测时间为2016至2023年。野外观测采用三种互补方法：遥控水下视频调查、专家涉水目视评估和潜水员目视调查。研究人员将物种百分比覆盖度聚合为五个底栖类别（BARE、BROWN、RED、GREEN、HOV），并依据最高覆盖度确定优势类别。参考数据集经过时间和空间一致性筛选后，约三分之二样本用于训练、三分之一用于验证。
遥感数据方面，研究人员从ESA哥白尼数据空间生态系统下载了2016至2023年的S2 Level-1C影像，分别选取维尔桑迪13幅、哥特兰8幅、布莱金厄9幅无云或少量云覆盖且不受高浊度和严重浮游植物水华影响的影像。所有波段重采样至10米空间分辨率，使用近红外波段掩膜陆地。大气校正采用IDA（Numerical Optics）软件中的深水定标（deep-water calibration, DWC）方法，并依据Hedley等方法校正太阳耀斑。光学深水（ODW）和光学浅水（OSW）通过监督分类分离。
分类流程采用层次化两步方法：首先进行五类别分类，随后将非BROWN类别合并为NON-BROWN形成二分类系统。研究人员测试了最小距离（MD）、光谱角制图（SAM）、支持向量机（SVM）、马氏距离（MAH）和神经网络（NN）等监督分类器，MD因在多时相数据集中表现最稳定且产生的椒盐噪声较少而被选用。OF产品通过计算每像元在影像堆栈中被分类为BROWN的比例生成，不同OF阈值用于区分持久性栖息地与偶发分类。
四、研究结果
4.1 单景影像分类精度
使用独立验证数据集评估每幅S2影像的分类精度，计算总体精度（OA）、Kappa系数、用户精度（UA）和生产者精度（PA）。维尔桑迪地区的分类表现最佳，得益于浅水条件、高水体透明度和广泛参考数据。哥特兰和布莱金厄地区因参考数据相对有限且区域面积较大，类别代表性不够均衡。
4.2 OF产品与阈值选择
OF产品通过逐像元计算多幅影像中被分类为BROWN的比例生成。不同OF阈值应用于区分持久性栖息地与偶发分类。没有任何单一OF阈值能在所有区域间完美迁移，但接近50%的阈值通常能在BROWN类别的过高估计和过低估计之间取得平衡。
4.3 面积估算比较
在所有研究区域中，基于OF的BROWN类别面积估计均低于单景影像的平均估计值，表明单幅影像往往通过瞬时误分类而高估栖息地面积。OF框架通过跨时间重复分类一致性有效抑制了偶发误差，提供了更为保守的栖息地面积估计。
五、讨论与结论
讨论部分指出，多时相S2产品为绘制稳定的褐藻栖息地提供了可扩展且保守的基础。OF框架将重复分类一致性解释为栖息地持久性和分类置信度的指标，优于传统单景影像分类方法。研究同时强调，尽管OF方法能有效减少瞬时误分类，但高质量原位数据仍是验证和支撑遥感产品的持续需求。
研究结论为：基于OF的多时相Sentinel-2产品能够提供可扩展且保守的多年生褐藻栖息地制图基础，有效抑制单次分类中的偶发误差；OF阈值接近50%时通常能在各区域间取得平衡；多时相方法优于单景影像分类，但高质量原位（in situ）验证数据仍不可或缺。
