Ecohydrology‐Informed Machine Learning for Floodplain Vegetation Classification to Support Riverine Nature‐Based Solutions

方法

XGBoost结合光学雷达遥感与水文数据融合，SHAP解释特征重要性。

发现

水文数据融合使总体精度达85.8%，优于多传感器融合的80%，难分类别精度提升超10%。

机会点

可将生态水文先验知识嵌入遥感分类模型，并验证跨河流系统与年份的可迁移性。

摘要 洪泛区修复日益成为一种常见的基于自然的解决方案（NbS），用于支持降低洪水风险、增强生态系统服务，同时保护生物多样性。监测修复后洪泛区的植被结构与生境，对于支撑基于证据的NbS实施和生物多样性保护干预至关重要。基于遥感（RS）的机器学习（ML）方法在洪泛区植被制图中面临诸多复杂因素，包括水文驱动的时空动态生境镶嵌、高度异质性、空间交错分布以及光谱混合。借助主流的洪泛区生态学理论，融入生态水文学信息的机器学习建模有望改进生境分类。本研究检验了一种新型遥感与水文数据融合方法在密苏里河下游洪泛区植被与土地覆盖类型分类中的有效性，采用监督式机器学习算法。极端梯度提升模型的结果表明，遥感水文数据融合的分类精度（总体精度OA = 85.8%，kappa = 0.84）高于多传感器（光学雷达）遥感数据融合（OA = 80%，Kappa = 0.77）。某些土地覆盖类别分类不确定性较高，尤其是那些植被群落结构相似但在水文条件上具有重要生态差异的类别（如土壤湿度、林下淹水）。沼泽性 emergent 和水生草本两类主要土地覆盖类型与高不确定性相关，其用户精度和生产者精度提高了≥10%，从基础模型的55%–60%提升至融入生态水文学信息模型的70%–75%。事后SHapley加性解释（SHAP）分析进一步凸显了水文特征在模型预测中的重要性，以及在区分光谱混合、难以分离类别中的作用。研究结果表明，将生态水文学知识纳入机器学习建模可改善异质景观（如大型河流洪泛区）中的植被分类。该方法框架可支持自然洪水管理和NbS实施监测，但还需跨河流系统和跨年份的进一步验证以评估更广泛的可迁移性。未来利用新的高分辨率遥感产品（如冠层高度和林下水位）开展的工作也可能对洪泛区生境分类做出重要贡献。