《Journal of Environmental Management》：Towards operational benthic habitat monitoring: Integrating Sentinel-2, bathymetry, and environmental drivers in Port Phillip Bay, Australia
编辑推荐：
面对沿海底栖生境加速退化与现有机器学习模型“黑箱”化、生态解释力不足的问题，本研究开发了一个集成了遥感与可解释人工智能(AI)的框架，对澳大利亚菲利普港湾(PPB)的温带底栖生境进行了高精度制图，并利用SHAP方法量化了水深(高程)、夏季海表温度(SST)、波浪暴露和浊度等关键环境驱动因子的非线性影响及生态位阈值，为温带海岸生态系统的可操作监测、脆弱性评估与基于证据的保护管理提供了一个可扩展的透明模型。
在广袤的海洋与陆地交汇处，存在着一个生机勃勃却又无比脆弱的世界——沿海底栖生态系统。这里既有如水下草原般绵延的海草床，为无数海洋生物提供育幼场和庇护所；也有如海底森林般茂密的大型藻类（如海带）群落，维系着极高的生产力和生物多样性。它们不仅构成了复杂的生态镶嵌体，支撑着渔业的繁荣，还在固碳、净化水质和保护海岸线方面发挥着不可替代的作用。然而，这个水下世界正面临严峻挑战。受人类活动与气候变化的双重压力，全球范围内的海草床正以每年1-2%的速度消失，而曾经繁盛的温带海藻林在过去半个世纪里，近四成的监测区域出现了显著萎缩。在澳大利亚，一场2011年的海洋热浪就曾导致绵延数百公里的海藻林发生气候驱动的生态政权更替。这些触目惊心的趋势凸显了对海底栖息地进行持续、准确监测的迫切性，以便为有效的保护和适应性管理策略提供依据。
传统的海底调查方法成本高昂且难以重复，而现代遥感技术，特别是欧洲空间局的Sentinel-2卫星星座，为我们提供了一种可扩展的解决方案。它能够定期获取优化于水生环境的中等分辨率多光谱影像。然而，当前基于机器学习的生境制图方法往往存在两大局限：一是模型如同“黑箱”，虽然预测精度可能很高，但其决策过程缺乏生态可解释性，管理者无法理解是哪些环境因素在驱动生境的分布；二是未能系统性地整合所有已知的、在多尺度上构建温带底栖系统的环境驱动因子。例如，动态的海表温度、波浪气候和季节性变化的浊度等关键海洋学参数，常常未被充分纳入模型。
为了破解这些难题，并应对澳大利亚菲利普港湾这个典型温带海湾的生态管理需求，研究人员Omosalewa Odebiri和Mary Young开展了一项开创性的研究。他们的目标不仅仅是绘制一张生境地图，更要构建一个能够“解释”生态规律的透明模型。研究旨在回答三个核心问题：1. 菲利普港湾当前（约2025年）主要底栖生境（海草、大型藻类、无植被基底）的分布状况如何？2. 哪些地貌、海洋学和水质驱动因子对这些生境的分布起决定性作用，它们对各类生境有何特异性的非线性影响？3. 模型揭示的环境驱动因子与生境生态位，是否与既有的生态学理论相符，从而提供一个经过验证的、可解释的管理框架？
研究团队巧妙地运用了遥感与可解释人工智能技术。首先，他们在谷歌地球引擎平台上，整合了2025年2月至4月的Sentinel-2影像中值合成数据、高分辨率测深数据及其衍生的地形变量（如坡度、崎岖度），以及夏季平均海表温度、平均有效波高和浊度指数等一系列环境驱动因子。利用从518个原位下落相机样方获取的扎实地面验证数据，他们训练了一个随机森林分类器，成功绘制了包含八种底栖生境类型的港湾地图，总体精度达到0.78。最关键的一步，是应用SHAP（SHapley Additive exPlanations）这一可解释AI方法，对随机森林模型进行“解剖”，将模型预测转化为每个环境因子对各类生境存在概率的量化贡献，从而揭示了驱动因子重要性排序、非线性的生态响应曲线以及区分不同生类的关键环境阈值。
本研究所采用的关键技术方法主要包括：1. 基于谷歌地球引擎的遥感数据处理与集成，利用Sentinel-2 L2A级地表反射率影像制作多时相合成图，并计算一系列针对水生植被和底质的光谱指数。2. 高精度海底地形测量与多尺度地形衍生变量计算，使用10米分辨率测深数字高程模型生成表征海底复杂度的多种指标。3. 随机森林机器学习分类，用于综合遥感、地形和环境数据，进行底栖生境分类制图。4. SHAP可解释性分析，基于博弈论量化每个预测变量对模型输出（即各生境类别）的边际贡献，实现模型决策的全局与局部解释。研究的地面验证数据来源于2025年在菲利普港湾通过系统化空间平衡设计采集的518个50cm×50cm下落相机样方照片。
3.1. 分类精度与性能
标准分类模型（Sentinel-2地表反射率+测深）取得了优于水柱校正模型的性能，整体精度为0.78，Kappa系数为0.75。这表明，在菲利普港湾这种水体混合良好、深度中等的系统，直接整合测深和地形衍生变量比进行统一的水柱光学校正更能有效提升分类精度。
3.2. 底栖生境的空间分布
制图结果揭示了菲利普港湾以无植被沉积物（约63,000公顷）为主导的底栖景观，同时分布着大面积的海草（约11,300公顷）和多种大型藻类群落（总计约20%）。水柱校正模型虽然改变了某些藻类面积估算，但因精度较低，标准模型的结果被采纳为更可靠的当代基线。
3.3. 后分类模型性能与环境驱动因子重要性
3.3.1. 环境驱动因子重要性
SHAP全局重要性分析显示，在所有生境类别中，最重要的驱动因子依次是：高程（水深的代理）、夏季平均海表温度、平均有效波高、浊度、与礁石的距离、坡度及地形崎岖度。这证实了由水深决定的光可用性和热环境是构建温带底栖群落的 primary 决定因素。
3.3.2. 来自SHAP的预测因子-响应依赖模式
SHAP依赖关系图生动刻画了各类生境独特的环境生态位：
- •
高程：海草对浅水区（高程接近0米）表现出强烈的偏好。大多数大型藻类也与较浅水域正相关，但响应强度各异。
- •
夏季平均海表温度：明确的热生态位分区出现。红藻和绿藻在夏季温度高于约18°C时存在概率大幅增加。相反，海草与较凉爽的夏季条件相关，其SHAP值随温度升高而下降。褐藻和混合微型藻类则表现出中性的热响应。
- •
平均有效波高：波浪暴露定义了不同的耐受性。以海带为主的褐藻在中等波高下存在概率略有提升，而海草、绿藻和混合沉积物上的大型藻类则明确偏好受庇护的低波浪能环境（<0.5米）。
- •
浊度：海草表现出单峰响应，在中等浊度（约0.7）时存在概率最高，在更清澈或更浑浊的水体中均下降。所有大型藻类均在低到中度浊度时达到峰值，并在高浊度下降低。
- •
坡度与地形崎岖度：礁石和褐藻与陡峭、粗糙的海底地形强烈相关。沉积物则严格局限于平坦、低复杂度的区域。
该研究成功构建了一个集成的遥感与可解释AI框架，不仅提供了菲利普港湾当前（约2025年）的高精度底栖生境分布图，更关键的是，它将预测模型转化为一个生态可解释的工具，量化了环境驱动因子的非线性效应与关键阈值。研究发现，高程（深度）是首要驱动因子，其次是夏季海表温度、波浪暴露和浊度。研究识别出明显的热生态位分化：大型藻类在较暖水域（>18°C）繁盛，而海草偏好较冷条件。海草对浊度呈单峰响应，在中等浊度时达到峰值；波浪暴露则在受庇护的藻类生境与暴露的礁石群落之间定义了清晰的分区。值得注意的是，水柱校正并未提高精度，这凸显了在中等深度、混合良好的系统中，整合测深和地形衍生变量的价值。
这项研究的意义深远。它成功地将遥感技术与机理生态学桥梁，所开发的框架提供的不仅是一张现状图，更是一个透明、可重复的生态系统结构模型。这使得管理者能够超越简单的“哪里有什么”，进而理解“为什么会这样”。例如，模型指出的海草最适浊度阈值可直接用于制定集水区泥沙管理目标；识别出的对升温敏感的海草区域，应成为气候变暖背景下优先监测和保护的重点。该框架支持“如果…那么…”的情景预测，能够评估在不同气候或管理干预下生境的潜在变化，从而为基于证据的保护行动、脆弱性评估和生态修复的选址（如海草移植或海藻林重建）提供科学决策支持。这项工作为温带沿海生态系统的业务化监测、适应性管理以及面对不断变化的气候条件构建生态预测，提供了一个可扩展的先进范式，标志着海岸带管理从描述现状向理解机理和预测未来的重要转变。
