《International Journal of Remote Sensing》：Bridging remote sensing advances and management needs for small Prairie Pothole waterbodies using a multiscale accuracy assessment
编辑推荐：
地表水遥感为水禽栖息地管理提供了有力工具，但直接评估不同遥感数据集相对准确性的信息很少。研究人员的目的是了解遥感洪水数据集的特征如何影响数据集精度、小水体的可靠检测、地表水分布、观测频率和数据完整性：所有与水禽栖息地管理相关的属性。研究人员将2016年至202
地表水遥感为水禽栖息地管理提供了有力工具，但直接评估不同遥感数据集相对准确性的信息很少。研究人员的目的是了解遥感洪水数据集的特征如何影响数据集精度、小水体的可靠检测、地表水分布、观测频率和数据完整性：所有与水禽栖息地管理相关的属性。研究人员将2016年至2021年来自10个遥感地表水数据集的地表水合成图与美国草原洼地区（Prairie Pothole Region, PPR）三个小水体群落的实地地表水数据进行了比较，并在像素、水体局部景观尺度上评估了其精度。虽然所有产品都具有较高的每像素均衡精度（>0.75），但研究人员发现不同数据集在水体面积和景观分布估计方面存在显著差异。基于Sentinel-1的数据集提供了更完整的随时间观测序列，在检测较小水体中的水域方面更敏感，但在识别水体面积方面不如其他评估的数据库精确。相反，Landsat数据集产生了更简单的景观分布，基本忽略了最小的水体。虽然融合Sentinel-1和-2数据收集或利用局部训练数据的数据集具有最高性能（例如均衡精度=0.92），但所有数据集都有其可能提供信息的用例场景。研究人员的比较揭示了传统像素尺度精度评估中不明显的差异，例如遥感数据集识别出的洪水水体数量相差18倍。这些发现为水禽保护管理提供了新的见解，说明了遥感数据集在监测以小水体为主的景观（如PPR）中年春季地表水存在能力方面的差异。
### 论文解读文章
#### 研究背景
遥感技术为监测地表水动态提供了重要手段，尤其在水禽栖息地管理中作用显著。然而，不同遥感数据集的相对精度缺乏直接比较，特别是在小水体（如草原洼地中的季节性 wetlands）的检测和表征方面。传统像素级精度评估（如混淆矩阵）虽标准化，却可能因大水体占主导而低估对小水体（<1公顷）的性能差异。草原洼地区（Prairie Pothole Region, PPR）作为北美高密度湿地系统，包含数百万个小水体（多数<0.5公顷），是水禽繁殖的关键栖息地，但其水体面积小、植被覆盖度高，给遥感监测带来挑战。现有研究多聚焦单一产品，缺乏多尺度、多产品的系统比较，管理者难以权衡不同数据集在准确性、观测频率和景观表征上的取舍。因此，本研究旨在通过多尺度精度评估框架，为水禽栖息地管理提供更贴合实际需求的遥感数据集选择依据。
#### 研究内容与结论
研究人员选取了10个代表性遥感地表水数据集（2016–2021年），涵盖Landsat（全球地表水L-GSW、全球内陆水动态L-GLAD、动态地表水范围L-DSWE、亚像元水体分数L-SWF、光谱混合分析L-SMA）、Sentinel-1（贝叶斯方法S1-Bayes、高频算法S1-HF）、Sentinel-2（高频算法S2-HF）、Sentinel-1与-2融合（随机森林S1S2-RF）以及高分辨率NAIP与激光雷达融合（N-Lidar）。在PPR内的三个长期监测点（Cottonwood Lake Study Area, Rothi Waterfowl Production Area, Nelson Lake Waterfowl Production Area，均隶属美国鱼类和野生动物服务局），利用1992–2021年的水位数据结合地形测深生成地面真值，分别从像素、水体、景观和时间尺度评估各数据集性能。研究发现：所有数据集的像素级均衡精度均>0.75，但水体面积和景观分布存在显著差异；Sentinel-1数据集（尤其是S1-HF）对小水体检测最敏感且观测最完整，但面积估计误差大（高虚警）；Landsat数据集（特别是L-GSW和L-GLAD）忽略最小水体，产生更简单的景观格局；融合数据集（S1S2-RF）和本地训练的数据集（如L-DSWE）表现最佳（均衡精度达0.92）。这些发现首次揭示了传统像素评估中不明显的差异（如不同数据集识别洪水水体数量相差18倍），为PPR水禽保护中基于具体管理目标（春季水体监测）选择遥感数据提供了关键见解。论文发表在《International Journal of Remote Sensing》。
#### 主要关键技术方法
研究人员采用了10个遥感数据集，分别基于Landsat（全球尺度L-GSW、L-GLAD；亚像元L-DSWE、L-SWF、L-SMA）、Sentinel-1（贝叶斯方法S1-Bayes、高频算法S1-HF）、Sentinel-2（高频算法S2-HF）、Sentinel-1与-2融合（随机森林S1S2-RF）及高分辨率NAIP与激光雷达（N-Lidar）。地面真值来自PPR三个长期监测站点（Cottonwood Lake Study Area、Rothi、Nelson Lake），利用水位数据与地形测深（0.5 m分辨率）生成年度春季（5月1日至6月30日平均）水面范围。评估方法包括：(1) 像素尺度：对每个数据集进行100次Bootstrap重采样，计算混淆矩阵的生成者精度、用户精度和均衡精度；(2) 水体尺度：分析检测率（按大小分：≥2 ha、0.5–2 ha、<0.5 ha）及面积估计的归一化纳什-萨特克利夫效率（nNSE）和平均绝对误差（MAE）；(3) 景观尺度：计算FRAGSTATS指标（总面积、斑块数、平均斑块面积、欧氏最近邻距离）；(4) 时间尺度：统计每月合成影像的有效像元百分比。所有处理基于Python、ArcGIS Pro及Google Earth Engine。
#### 研究结果
**Question 1: 像素尺度**
通过Bootstrap混淆矩阵分析，所有数据集具有较高的均衡精度（均值0.87，范围0.75–0.92）。生成者精度（平均0.82）略高于用户精度（平均0.79）。L-GSW表现最差（均衡精度0.78），S1S2-RF最优（0.92），且像素级差异在混合像元中明显：高虚警的数据集（如L-SMA）更频繁地将低比例水体像元判定为水体。
**Question 2: 水体尺度**
通过检测率和面积估计分析，Sentinel-1数据集（S1-HF）对小水体（<0.5 ha）检测率达78%，远优于其他数据集（<50%）；但面积估计偏差大，MAE达0.3 ha。Landsat数据集（L-GSW、L-GLAD）普遍低估所有大小水体的面积（nNSE<0.80），而融合数据集S1S2-RF和亚像元Landsat（L-DSWE、L-SWF）面积估计最准（nNSE≥0.84）。N-Lidar数据集则完全遗漏部分较大水体。
**Question 3: 景观尺度**
通过FRAGSTATS指标分析，粗分辨率数据集（如Landsat系列）产生更简单的景观：斑块数少、平均斑块面积大、欧氏最近邻距离长，反映最小水体被忽略或合并。S1-HF因高虚警产生大量小斑块（“噪声”景观），与地面真值偏离较大。S2-HF、S1S2-RF和N-Lidar的景观指标最接近地面真值。在多HUC12区域扩展分析中，模式一致。
**Question 4: 数据深度与完整性**
通过每月有效像元比例统计，Sentinel-1数据集（S1-Bayes、S1-HF）提供几乎100%的有效观测（除个别月份因算法有意排除饱和土壤外）。Landsat和Sentinel-2数据集在春季与秋季云量大的月份严重缺失（31%和29%的月份>10%无效像元），平均无效像元比例达16.6%和17.7%。S1S2-RF虽为融合数据，但受光学数据影响，其完整性介于纯SAR和纯光学之间。
#### 讨论与结论
讨论部分指出，所有数据集的性能表现与传感器特性及训练数据本地化程度一致。全局产品（如L-GSW）因算法设计忽略小水体，导致系统性低估；本地训练的融合数据集（S1S2-RF）和精细调参的亚像元产品（L-DSWE）表现最优。Sentinel-1数据集虽在像素级精度较差，但因其高敏感性和完整的时间序列，在监测罕见洪水事件时具有独特价值。研究强调，没有通用“最佳”数据集，选择应基于具体管理问题（如小水体面积估计 vs. 水体存在检测）。局限性包括：仅基于春季复合影像、数据集数量有限、地面真值仅覆盖三个小型研究区，以及简化算法输出为二元水体/非水体可能忽略细节。结论部分翻译为：“遥感已成为监测地表水日益可及的选项，存在多种数据类型和算法。然而，在缺乏更全面的数据集精度理解时，有效应用这些选项进行地表水管理（如模拟小水体中的水鸟种群和栖息地条件）具有挑战性。通过比较10个遥感地表水数据集，研究人员发现在PPR中表征地表水存在时存在明显的权衡，特别是在最小水体的表征方面。研究人员认识到，这些比较针对PPR水禽栖息地管理所需准确的年度春季地表水数据进行了调整。因此，结果受限于有限的数据集和湿地环境，并非旨在明确界定‘更好’或‘更差’的通用水体监测数据集，而是描述了选定遥感数据集在PPR中超越传统精度评估的性能。研究发现，像素尺度上的遗漏或虚警倾向，转化为水体面积持续的过高或过低预测，以及显著不同的景观格局。基于评估，所考虑的Landsat数据集尽管分辨率较粗，但仍是PPR地表水估算的宝贵工具，前提是理解其对小水体的局限性和所描述的简化景观。所考虑的Sentinel-1数据集在小水体预测水量方面变异性更大（尤其是过高预测面积），但对水体存在更敏感且观测更完整。尽管本研究考察的数据集中最高性能来自Sentinel-1和-2的融合，但所有产品都有其适用场景。总体而言，表现最佳的数据集似乎是那些拥有PPR详细训练数据的数据集。”
