《Regional Studies in Marine Science》：Compressed high-spatial-resolution imagery to train and validate seagrass percent cover mapping using sentinel-2 imagery
编辑推荐：
本研究评估了Google Earth高分辨率影像生成训练和验证数据的能力，结合Sentinel-2的随机森林回归模型估算海草覆盖率。通过无监督分类提取与Sentinel-2一致空间分辨率的参考数据，结果显示模型RMSE低于25%，验证了该方法在数据稀缺地区的经济高效性。
普拉马迪蒂亚·维卡克松诺（Pramaditya Wicaksono）|塞蒂亚万·乔迪·哈拉哈普（Setiawan Djody Harahap）|萨菲娜·拉杰瓦·阿南达（Safina Rajwaa Ananda）|凯文·奥伊特·贝尼亚明（Kevin Oit Benyamin）|拉赫玛·伊扎图恩·纳比哈（Rahma Izzatun Nabiha）|瓦伦蒂亚·维迪亚·马哈萨里（Valentia Widia Maharsi）
印度尼西亚日惹特别行政区加查马达大学（Universitas Gadjah Mada）地理学院地理信息科学系，邮编55281
摘要
海草覆盖率（PC）是评估海草生态系统状况的关键指标，反映了栖息地质量和退化程度。利用遥感技术绘制海草覆盖率地图通常需要基于实地的参考数据来进行模型训练和验证，这些数据通常通过照片样方调查获得。另一种方法是利用高空间分辨率图像进行间接估算，包括通过谷歌地球平台（Google Earth）获取的压缩图像（高分辨率图像）。本研究评估了使用高分辨率图像结合Sentinel-2卫星数据生成海草覆盖率地图的训练和验证数据的有效性。研究选择了六个海草草地，这些草地代表了不同的海草密度和物种组成。通过使用ISODATA无监督分类方法分析高分辨率图像，在与Sentinel-2卫星采样距离（GSD）对应的网格单元中提取了参考海草覆盖率数据。随后开发了一个随机森林（Random Forest，RF）回归模型来绘制海草覆盖率地图。模型性能通过决定系数（R2）、均方根误差（RMSE）和1:1散点图进行了评估。结果表明，高分辨率图像可以有效用于生成用于训练和验证基于Sentinel-2的RF回归模型的海草覆盖率参考数据，其RMSE低于25%。这种方法产生的参考数据在空间上与Sentinel-2的采样距离一致，且比大规模的实地照片样方调查或获取原始高分辨率图像更为高效和经济。因此，建议将中高空间分辨率图像结合使用，以实现对海草生态系统的长期监测和管理。
引言
海草草地是最有价值的沿海生态系统之一，提供了多种生态系统服务，包括供给服务、调节服务、支持服务和文化服务。这些服务的经济价值估计为每年每公顷19,004美元（Costanza等人，1997年；Cullen-Unsworth等人，2014年；Nordlund等人，2016年；联合国环境规划署，2020年）。这一价值超过了其他主要沿海生态系统（如红树林、盐沼和珊瑚礁）。尽管海草草地具有重要的经济和生态价值，但与这些生态系统相比，它们获得的认可度、保护措施和恢复工作较少（联合国环境规划署，2020年）。
海草草地分布于全球各大洲（南极洲除外），估计全球覆盖面积约为177,000至600,000平方公里（McKenzie等人，2020年）。尽管分布广泛且生态重要性高，但全球海草覆盖范围的精确测绘仍不完整。最近的大规模项目（如Allen珊瑚图集）提供了海草覆盖率的初步全球估计（Kennedy等人，2021年；Lyons等人，2020年），但这些结果需要进一步验证和完善，尤其是在实地参考数据稀缺的地区。相比之下，区域尺度（Blume等人，2023年；Lee等人，2023年；Traganos等人，2022年）和地方尺度（Lyons等人，2011年；Roelfsema等人，2014年；Wicaksono等人，2022年）的海草测绘工作由于有特定的校准和验证数据而具有更高的准确性。
海草覆盖率（PC）被广泛用作评估海草生态系统状况的替代指标（Short和Coles，2001年）。海草覆盖率的时间和空间变化直接或间接反映了生态系统的退化、栖息地质量和生态恢复力（Hernawan等人，2021年）。海草覆盖率也是全球海洋观测系统（GOOS）框架中基本海洋变量（EOVs）的核心子变量之一，具体属于海草覆盖和组成类别（Miloslavich等人，2018年）。在海草监测中常用的参数中，PC是最容易测量和解释的指标之一。此外，海草覆盖率还可以用于推导或估算关键生物物理属性，如叶面积指数（LAI）、地上生物量（AGB）和地上碳储量（AGC）（Wahyudi等人，2020年；Wicaksono等人，2021年）。因此，除了绘制海草分布范围外，空间明确的海草覆盖率地图对于制定管理计划、进行保护工作和评估蓝碳也至关重要。
海草覆盖率测绘面临的问题是需要既有效又高效的方法。这些方法通常需要可靠的实地参考数据来进行模型训练和结果验证。这些实际限制还伴随着一些根本性的概念挑战，包括水柱内的复杂能量相互作用、海草冠层结构的变化、水质影响以及图像空间和光谱分辨率的限制（Dattola等人，2018年；Hedley等人，2016年；Kovacs等人，2018年）。海草测绘的参考数据通常通过照片样方调查收集，即沿着样带获取地理参考的底层照片以捕捉草地中海草状况的空间变化（Roelfsema和Phinn，2009年）。尽管这种方法具有高精度和详细的生态信息，但它需要熟练的现场人员，耗时且资源密集。
更高效的获取海草覆盖率参考数据的方法包括间接测量，特别是利用高空间分辨率遥感图像的解释。这些方法包括使用无人机（UAV）获取的航空图像和高空间分辨率卫星数据。无人机图像已成功应用于海草参数、生态系统恢复力和干扰的测绘（James等人，2024年；Simpson等人，2024年），以及支持中空间分辨率卫星图像（如Sentinel-2和PlanetScope）的海草覆盖率测绘（Wicaksono等人，2024年）。同样，来自WorldView-2、WorldView-3和QuickBird等传感器的高空间分辨率卫星图像也被广泛用于不同空间尺度和主题细节的海草测绘（Coffer等人，2020年；Ginting等人，2023年；Lyons等人，2011年；Su和Huang，2019年；Wicaksono等人，2022年；Wijaya和Wicaksono，2024年）。
相比之下，通过谷歌地球等平台免费提供的压缩高空间分辨率图像主要用于视觉解释和定性分析，特别是在陆地覆盖和城市研究中（Hu等人，2013年；Mering等人，2010年）。其用于定量海草测绘的潜力尚未得到全面评估。然而，这些压缩图像对于海草测绘应用具有潜力，因为它们是以真彩色复合形式提供的（来自可见光波段），非常适合在光学较浅的水域中提取底层信息。
自2005年首次发布以来，谷歌地球提供了覆盖地球大部分陆地表面的高分辨率图像档案。这一广泛的空间覆盖范围已被广泛用于土地利用和土地覆盖（LULC）测绘（Potere，2008年）。特别是，谷歌地球图像已被广泛用于生成训练样本和验证数据（Malarvizhi等人，2016年；Ramzi，2015年）。许多研究表明谷歌地球图像在这些用途上的有效性（Hu等人，2013年；Malarvizhi等人，2016年；Mering等人，2010年；Potere，2008年；Ramzi，2015年；Yu和Gong，2012年）。这些研究共同证实了谷歌地球图像在支持LULC测绘中的监督分类和验证方面的实用性。然而，尽管谷歌地球图像在陆地研究中应用广泛，但将其作为沿海生态系统测绘的直接参考数据来源，尤其是在量化海草覆盖率空间变化方面，仍较少被探索。
本研究的目的是评估通过谷歌地球获取的压缩高分辨率图像（以下简称高分辨率图像）在以下方面的潜力：（1）使用Sentinel-2图像生成海草覆盖率地图的训练区域；（2）支持准确性评估。Sentinel-2提供中空间分辨率的多光谱图像，因此本研究的结果预计可以广泛应用于其他中空间分辨率卫星系统，如Landsat系列。此外，Sentinel-2提供了免费、长期且高频的图像档案，覆盖了全球大部分沿海地区。Sentinel-2数据已成功应用于全球不同空间尺度和主题细节的海草测绘（Fauzan等人，2021年；Kovacs等人，2018年；Lyons等人，2020年；Traganos等人，2022年；Wicaksono等人，2022年；Wicaksono等人，2025年），突显了这项研究的广泛相关性和适用性。
在此背景下，谷歌地球的高分辨率图像被视为航空图像的实用替代方案，因为它在线上易于获取，通常提供多时相观测，具有广泛的空间覆盖范围，并且比航空图像采集更具成本效益。在印度尼西亚选择了多个测试地点，以代表不同的海草栖息地条件和覆盖率变化。本研究的结果预计将为海草研究人员、沿海管理者和海洋保护区（MPA）从业者提供一种高效且易于获取的方法，用于数据有限的地区进行海草覆盖率测绘。
研究区域
本研究选择了六个海草草地作为测试地点（图1）。地点选择基于当地知识和专家判断，主要集中在光学较浅的水域，尤其是以海草为主的海草平地环境。所选草地具有不同的生态特征，包括海草密度和物种组成的变化，具体内容将在以下小节中描述。各地点的现有特定信息存在差异，反映了
方法
研究方法包括两个主要部分：（1）分析高分辨率图像以获取用于训练和验证基于Sentinel-2的海草覆盖率地图的海草覆盖率信息；（2）处理Sentinel-2图像，包括预处理、图像掩蔽、海草覆盖率地图绘制和准确性评估。预处理仅包括阳光反射校正，因为Sentinel-2 Level-2A产品已经进行了大气和几何校正。未进行水柱校正
高分辨率图像分析结果
从高分辨率图像中提取海草覆盖率的工作流程如图3所示。该过程独立应用于每个海草地点。所有地点提取的海草覆盖率值汇总在表2中。总体而言，Menjangan Besar岛和Kapota岛的海草覆盖率平均值最低，介于40%到60%之间，而其他地点的平均覆盖率通常超过70%。所有研究地点的海草覆盖率范围完整
高分辨率图像评估
本研究的主要目标是评估使用高分辨率图像训练和验证基于Sentinel-2的海草覆盖率地图的可行性。以往使用高空间分辨率图像进行海草测绘训练和验证的研究相对较少。由于财务和后勤限制，高空间分辨率测绘通常在局部尺度进行，且很少
结论
本研究表明，压缩高空间分辨率（高分辨率）图像可以有效用于生成海草覆盖率参考数据，这些数据随后可用于训练和验证基于Sentinel-2的RF回归模型，其RMSE低于25%。重要的是，这种方法能够生成与Sentinel-2图像采样距离（GSD）空间一致的海草覆盖率参考数据。与传统方法（如结合实地数据）相比
CRediT作者贡献声明
普拉马迪蒂亚·维卡克松诺（Pramaditya Wicaksono）：撰写——审稿与编辑、初稿撰写、验证、监督、软件使用、资源管理、方法论设计、研究资金获取、数据分析、数据整理、概念构思。塞蒂亚万·乔迪·哈拉哈普（Setiawan Djody Harahap）：撰写——审稿与编辑、可视化、验证、软件使用、方法论设计、数据分析。萨菲娜·拉杰瓦·阿南达（Safina Rajwaa Ananda）：撰写——审稿与编辑、可视化、软件使用。凯文·奥伊特·贝尼亚明（Kevin Oit Benyamin）：撰写——审稿与编辑、验证、资源管理。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
本研究由加查马达大学地理学院通过“2024年第一批教师自主研究资助计划”（合同编号：130/UN1/GE/KPT/2024）提供资金支持。
