利用Sentinel-2数据和可解释的机器学习方法绘制中国红树林分布图

《Journal of Geovisualization and Spatial Analysis》：Mapping Mangrove Distributions in China Using Sentinel-2 Data and Interpretable Machine Learning

气候变化和人类活动加速红树林群落结构变化及物种更替，但云层覆盖、强降雨和潮汐动态阻碍高质量卫星影像获取。本研究整合生态位理论与多尺度遥感，通过环境约束变量和机器学习量化数据贡献，利用Jeffries-Matusita距离筛选最佳遥感基线月，使分类准确率提升16.7%且AUC ROC达0.900。优势物种为Avicennia marina（31.6%）、Aegiceras corniculatum（17.0%）和Kandelia obovata（16.8%），引入物种占14%。分析表明粗分辨率环境变量构建生境框架，高分辨率光谱特征（B5、NDVI Band8A、EVIasm）对物种级制图至关重要。

　　

摘要

气候变化和人为活动正在导致红树林群落结构发生显著变化，并加速物种更替。然而，沿海地区持续的云层覆盖、频繁的降雨以及强烈的潮汐动态阻碍了高质量卫星图像的获取，从而限制了对红树林生态系统中物种的识别。为了克服这些限制，本研究将生态位理论与遥感技术相结合，将影响物种生长的环境变量纳入物种空间分布分析中。此外，还采用了可解释的机器学习方法来量化环境和遥感数据的相对贡献。具体而言，使用Jeffries-Matusita距离来量化月度合成数据集中的物种可区分性，并选择具有最佳可区分性的月份作为后续分类的遥感基准。与仅使用遥感数据相比，所提出的框架将整体准确率提高了16.7%，并将18个分类类别的AUC ROC值从0.803提高到了0.900。测绘结果显示，Avicennia marina（31.6%）、Aegiceras corniculatum（17.0%）和Kandelia obovata（16.8%）占据主导地位。引入的物种Sonneratia apetala和Laguncularia racemosa合计占比14%。基尼重要性分析表明，低分辨率的环境变量决定了整体栖息地框架和生态位限制。Shapley加性解释法表明，高分辨率的光谱特征（包括B5波段、基于Band 8A的NDVI和EVI_asm）对于解析物种水平的细微变化和空间边界至关重要。本研究强调了在复杂的沿海条件下，结合基于生态位的环境约束与多尺度遥感信息对于提高红树林物种级制图的准确性和可解释性的价值。