《Journal of Marine Science and Engineering》：Salt Marsh Mapping from Landsat Multispectral Data Using Machine Learning Techniques
编辑推荐：
盐沼是关键的沿海生态系统，通过其所维持的生态过程支持生物多样性，并提供一系列生态系统服务，包括养分滞留、海岸线侵蚀防护和碳储存。然而，盐沼的动态特性加之人为压力，已导致其迅速退化，使得持续监测至关重要。本研究提出一种基于像元的分类框架，利用卫星影像反射率值及多
盐沼是关键的沿海生态系统，通过其所维持的生态过程支持生物多样性，并提供一系列生态系统服务，包括养分滞留、海岸线侵蚀防护和碳储存。然而，盐沼的动态特性加之人为压力，已导致其迅速退化，使得持续监测至关重要。本研究提出一种基于像元的分类框架，利用卫星影像反射率值及多光谱指数对盐沼范围进行制图并生成具有空间显式的时间序列，以提高精度和时间一致性。该框架考虑了季节性和水文变异性，以确保稳健的检测。研究评估了四种机器学习模型，其中多层感知器（Multi-Layer Perceptron, MLP）表现最佳。最终模型与多数滤波（majority filter）相结合，对盐沼、陆地和水的真阳性率分别达到90%、96%和97%，证明了其在长期生态监测与保护中的有效性。利用该模型，研究人员识别出盐沼面积的季节性模式和长期趋势，并发现其与潮汐周期和海平面变化存在强烈相关性。
论文解读：基于Landsat多光谱数据与机器学习技术的盐沼制图研究
一、研究背景与问题
盐沼是位于海陆交汇的潮间带区域的沿海湿地生态系统，周期性受潮汐淹没与排水影响，以耐盐草本植物和盐生植被为主。盐沼作为高生产力的湿地类型，提供关键的生态服务，在沿海碳循环中发挥重要作用。然而，过去一个世纪中，全球约半数原生盐沼已经消失，现存盐沼也大量退化，导致关键生态功能丧失。盐沼的水文过程主要受潮汐活动驱动，同时受波浪作用、降雨淡水输入、蒸散发和海平面上升等因素影响，形成复杂的时空变异性。因此，维持对盐沼范围和状况的准确一致监测，对于制定保护策略和沿海规划决策至关重要。现有盐沼遥感识别方法可分为基于像元和基于区域两大类，其中监督像元分类是常用手段，但不同研究在特征选择、模型架构和精度表现上存在差异。本研究旨在开发一种整合光谱反射率与多光谱指数的像元级分类框架，以提升盐沼制图的精度和时间一致性，并应用于长期生态监测。
二、研究内容与结论
研究人员以希腊西海岸安布拉基亚湾（Ambracian Gulf）北部海岸约75 km2的盐沼区域为研究区，利用1984至2025年间来自Landsat 4、5、7、8和9任务的1297幅多波段卫星影像，构建了基于像元的监督分类框架。研究评估了四种机器学习算法，其中多层感知器（MLP）表现最佳，结合7×7多数滤波后，对盐沼、陆地和水的真阳性率分别达到90%、96%和97%。利用最终模型，研究人员识别出盐沼面积的季节性模式和长期趋势，发现其与潮汐周期和海平面变化存在强烈相关性。该研究为盐沼的长期生态监测和保护管理提供了可靠工具，具有重要意义。
三、主要技术方法
本研究采用的主要技术方法包括：基于像元的监督分类框架，整合6个光谱波段（蓝、绿、红、近红外NIR、短波红外1和2）及归一化差异植被指数（NDVI）和归一化差异水体指数（NDWI）共8个输入特征；四种机器学习算法比较，即随机森林（RF）、多层感知器（MLP）、梯度提升（Gradient Boosting）和基于直方图的梯度提升（Histogram-based Gradient Boosting）；影像预处理流程，包括反射值归一化、基于Jaccard指数的迭代裁剪窗口图像配准，以及基于直方图梯度提升分类器的云检测；多数滤波后处理以减少噪声。训练集包含19幅影像，覆盖1991、2007、2014和2018年各季节，测试集包含16幅影像，覆盖1990、2006和2020年各季节，均来自不同Landsat卫星以涵盖传感器差异。数据采用欠采样策略平衡类别不平衡，每幅影像各类别保留约70,000个样本。
四、研究结果
模型验证：通过比较不同输入像元块尺寸，7×7配置在各类别中取得最高真阳性率，且相比9×9配置计算成本更低，因此被选定。在四种机器学习方法中，MLP表现最佳，盐沼、陆地和水的真阳性率分别为94%、91%和95%，主要错误为将盐沼误分为陆地。多数滤波实验表明7×7滤波在整体精度和召回率上最优。最终模型整体精度达96.41%，Cohen's Kappa为0.93，盐沼类别精度较低（0.58）但召回率较高（0.92），表明存在将其他地类误分为盐沼的过判问题。
时间序列应用：MLP模型结合7×7多数滤波应用于全部1297幅影像。年度趋势显示，1984至2001年间盐沼面积在约118至169 km2间波动，2002年后出现明显收缩，2013至2025年间稳定在108至118 km2较低区间。月度周期显示，盐沼面积在2月达到峰值（128 km2），6月达到最小值（109 km2），波动幅度约19 km2，占2月值的约15%。海湾水域面积从1980年代的约410至420 km2逐渐上升至2010至2020年代的425至435 km2，增幅约3%至5%。海湾月度变化显示冬季面积最大（约440 km2），夏季最小（约410 km2），波动约30 km2，占其总面积约6%。
季节性降雨相关性分析：利用ERA5再分析数据，研究人员计算了月降雨量与盐沼及海湾面积的Pearson和Spearman相关系数。盐沼面积与降雨在无滞后时相关性最强，表明盐沼对降水有较即时响应；海湾面积在降雨滞后2个月时相关性最强，提示海湾面积领先降雨约两个月，可能反映更广泛的水文响应过程。
长期相关性分析：对年际水位与盐沼高程进行滞后相关分析。原始数据在所有滞后上均呈负相关，最强负相关出现在滞后0年，但去趋势后相关性转为正，表明原始负相关主要归因于两者的长期趋势而非年际关系。
五、讨论与结论
讨论部分指出，MLP优于树模型的原因在于其能学习多维特征空间中的平滑连续决策边界，而树模型通过离散轴对齐分割可能过度简化盐沼与邻近植被和湿土间的渐变光谱过渡。跨传感器差异虽存在但未主导分类误差，训练和测试集均包含五个任务影像使报告的真阳性率反映跨传感器平均性能。盐沼面积下降与海湾水域扩张在时间上吻合，与区域淹没模型预测一致，表明海平面上升可能促成盐沼退化。月度周期追踪潮汐波动而非长期趋势，表明季节性和多年代际信号由不同物理驱动因素控制。研究局限性包括无法利用更广泛的形状和纹理信息，以及缺乏正式的不确定性分析。结论部分总结，该研究提出的像元分类框架整合光谱特征与光谱指数，实现盐沼的准确圈定，MLP结合多数滤波提供稳健可靠的长期监测工具，支持生态系统动态与变化的持续监测。
