Mapping Native Grass Cover with Random Forest Models: Sentinel-2 Versus Sentinel-2 Combined with Sentinel-1 SAR-Derived GLCM Texture Metrics

澳大利亚东南部的温带原生草原已被大面积开垦用于农业，残余斑块正面临土地利用进一步变化、气候变率和入侵物种日益增大的压力。对其分布以及原生和外来草类覆盖度进行制图和监测，对于草原的保护和管理至关重要。基于实地调查的方法并非总是可扩展或省时的，本研究旨在开发一种可扩展的方法，以制图和监测作为残余原生草原组成部分的原生C3和原生C4草类覆盖度的分数覆盖等级图，研究区位于澳大利亚维多利亚州墨尔本西郊。用于训练和验证随机森林机器学习模型的实地参考数据于2021年在多个样点采集。研究以Sentinel-2光学光谱波段和植被指数作为主要输入数据，并评估了Sentinel-1合成孔径雷达（SAR）衍生的灰度共生矩阵（GLCM）纹理指标对提升模型性能的能力。结果表明，仅使用Sentinel-2数据（不含Sentinel-1 SAR衍生的GLCM纹理信息）训练的随机森林模型提供了中等的总体精度（C3：59.1%，C4：78.1%）。分类别指标显示，对于代表性较好的低覆盖度类别，可靠性最高，尤其是6–25%原生C3类别和0–5%原生C4类别，而较高覆盖度类别的可靠性较低，原因是训练和验证样本数量有限。草类覆盖度分数在稀疏至中等草类覆盖条件下建模效果良好，但茂密草类覆盖未能准确建模，可能是由于训练数据集中高覆盖度样本有限。纳入Sentinel-1 SAR衍生的GLCM纹理指标并未改善模型性能，表明C波段VH极化SAR对原生草原生态系统所特有的精细尺度结构异质性不敏感。作为草原的组成部分，稀疏的原生C3和C4草类在低覆盖度类别中利用光学遥感可最可靠地制图，本研究开发的方法现可应用于西维多利亚草原（WGR）及其他地区，以实现基于证据的草原管理、生物多样性保护和草原组成监测。准确预测原生C3和C4草类覆盖度分数可能需要更高分辨率的结构数据集和更先进的机器学习方法。