遥感与机器学习推断数据受限热带海岸的海水养殖适宜性:以菲律宾为例

《Ecological Informatics》:Remote sensing and machine learning for inferred mariculture site suitability in data-limited tropical coasts: A case study from the Philippines

【字体: 大 中 小 】 时间:2026年07月04日 来源:Ecological Informatics 8.5

编辑推荐:

  数据有限的热带海岸中,基于遥感和机器学习推断的海水养殖(mariculture)选址适宜性研究:以菲律宾为例。海水养殖的可持续扩张需要空间显性的选址工具,而菲律宾的海水养殖选址仍以机会主义为主,对地球观测和机器学习的利用有限,难以充分考虑空间与环境复杂性。研究

  
数据有限的热带海岸中,基于遥感和机器学习推断的海水养殖(mariculture)选址适宜性研究:以菲律宾为例。海水养殖的可持续扩张需要空间显性的选址工具,而菲律宾的海水养殖选址仍以机会主义为主,对地球观测和机器学习的利用有限,难以充分考虑空间与环境复杂性。研究人员开发并比较了基于随机森林(Random Forest, RF)和梯度树提升(Gradient Tree Boosting, GTB)的两类模型,用于预测现有海水养殖站点的空间分布,并识别与菲律宾选定沿海市镇现有海水养殖位置一致的空间格局。该分析在可重复的谷歌地球引擎(Google Earth Engine, GEE)工作流中实现,整合了哨兵-2号(Sentinel-2)多光谱影像、卫星衍生测深(satellite-derived bathymetry)及光谱指数[归一化差异水体指数(Normalised Difference Water Index, NDWI)、修正归一化差异水体指数(Modified Normalised Difference Water Index, MNDWI)和归一化差异湿度指数(Normalised Difference Moisture Index, NDMI)],以及多年海表温度(sea surface temperature, SST)和叶绿素-a(chlorophyll-a, CHL-a)数据,以表征与海水养殖发生相关的环境条件。两类分类器在保留验证数据上均表现优异:GTB达到96%精确率、96%召回率和94.74%的总体准确率,RF达到92.31%精确率、96%召回率和92.11%总体准确率,表明模型能够保守地检测与现有海水养殖站点具有空间-环境特征的地点。测深是两类模型中最具影响力的预测因子,高概率区域集中在约2.25 m深度;海表温度和叶绿素-a则显示进一步细化预测的潜力。所得图谱代表反映与现有海水养殖位置环境相似性的筛选层,而非完整的社会-生态适宜性评估。这些结果证明了基于树的分类方法应用于 freely available 卫星数据,可作为海水养殖选址筛选的稳健且可扩展的工作流。模型并非规定生态最优条件,而是揭示嵌入现有海水养殖分布中的环境与空间特征,说明机器学习即使从不完整数据集中也能提取有用的环境模式。该方法可支持菲律宾地方机构进行海水养殖扩张的空间规划,并为其他数据稀缺的热带沿海区域提供可迁移的模板。
本研究聚焦于利用遥感和机器学习技术,在数据受限的热带沿海地区开展海水养殖选址的适宜性推断,以菲律宾为典型案例进行了系统探索。

研究背景与问题方面,全球海鲜需求持续攀升,预计到2050年将较2015年增长约80%。海水养殖作为水产养殖的重要分支,已成为粮食安全和沿海发展的关键产业,但其可持续扩张受限于空间冲突、资源竞争和数据空白。尽管遥感技术已为海洋与沿海环境的空间分析带来革命性变化,东南亚特别是菲律宾的海水养殖选址仍主要依赖手动或临时性培养孩子式方法,受数据稀缺和技术能力不足的制约。持久云覆盖和地面实况数据缺乏进一步降低了光学遥感模型在热带地区的可靠性。机器学习虽能增强卫星影像的解析能力,但现有应用多集中于温带地区的大规模工业系统,热带海水养殖选址中的应用尚待深入。菲律宾作为全球重要的海水养殖生产国,海藻养殖占水产养殖总量的约三分之二,海水养殖贡献超过水产养殖总产量的70%,但空间规划往往忽视场地级特征,导致小规模渔民边缘化和养殖场绩效不佳。本研究旨在提供首过筛选层,而非完整的选址适宜性评估,聚焦于现有海水养殖分布的空间和环境预测因子。

研究方法上,研究人员选取了菲律宾五个具有海水养殖作业的地点[Sual(潘加辛南省)、Burgos(北伊罗戈斯省)、Ormoc(莱特省)、Balingasag(东米萨米斯省)、Panabo(北达沃省)]作为训练验证区域,以及Tacloban(莱特省)和Calape(保和省)两个独立测试区域,样本来源于Salayo等(2012)提供的文献记载位置。研究在谷歌地球引擎平台构建了可重复的工作流,采用哨兵-2号多光谱仪器(Sentinel-2 MSI)数据[包含10 m分辨率的红、绿、蓝、近红外波段及20 m分辨率的短波红外波段]、Google Cloud Score+云量评分、地面控制点数据、第二代全球成像仪(Second-generation Global Imager, SGLI)衍生海表温度(SST)和叶绿素-a(CHL-a)数据(2020–2024年)进行环境变量表征。数据处理包括基于Cloud Score+阈值0.7的云校正、计算NDWI、MNDWI、NDMI等光谱指数,以及基于绿-蓝波段比值算法的卫星衍生测深。数据经归一化处理后,采用随机森林和梯度树提升算法进行二元分类建模,通过迭代调优确定最优特征子集和模型参数,并以精确率、召回率、总体准确率和F1分数等指标评估模型性能。模型部署后,对训练区和测试区的高置信度预测像素的环境参数进行统计总结,并使用保守概率阈值(GTB为0.6,RF为0.8)提取高相似性区域。

研究结果呈现四个主要方面。第一,模型性能结果显示,GTB在验证集上表现优于RF,总体准确率达94.74%,精确率和召回率均为96%,F1分数为96%;RF总体准确率为92.11%,精确率92.31%,召回率96%,F1分数94.12%。高精确率表明模型能够以极少假阳性实现保守分类,召回率则说明已知海水养殖站点的大部分可被有效检测。第二,特征分析结果表明,NDWI、MNDWI、测深和NDMI构成最具信息量的预测因子子集;RF对各特征依赖较为均衡,而GTB更强烈依赖测深,其次为MNDWI和NDMI。第三,模型可迁移性分析显示,GTB概率图呈现更多中间概率区域(0.4–0.6),空间模式更为弥散;RF则呈现更明确的适宜与不适宜区域对比。应用保守阈值后,RF高概率输出呈现紧凑且边界清晰的高相似性簇,GTB则显示更扩散的空间相似性模式。测试区与训练验证区预测高相似性像素的中位数环境参数值具有一致性,进一步印证了学习到的空间格局的稳健性。第四,环境因子统计分析表明,预测海水养殖站点的中位深度为2.25 m,范围从Burgos的0 m至Balingasag的7.44 m;NDWI和MNDWI值反映水体主导条件;海表温度中位数约29.54 ℃;叶绿素-a浓度整体较低,中位数为1.81 mg/m3,指示寡营养至中营养条件。

讨论部分,研究人员指出本研究的核心贡献在于将可解释的树型机器学习模型应用于噪声和不完整的沿海数据集,从现有海水养殖足迹中提取空间结构并转化为空间明确的环境信息。测深成为最重要的预测因子,反映菲律宾海水养殖集中于浅水(~2.25 m)、水主导、湿度稳定的环境,这些区域通常临近海草床或红树林等庇护生境,兼具实际效益与生态敏感性。GTB在空间上的连贯性和区分度优于RF,更适合高分辨率空间规划;RF则更适用于区域尺度的快速评估。研究强调优先保证精确率的保守策略,有利于减少规划或执法错误。本研究在《Ecological Informatics》发表,其方法论意义在于:通过训练现有养殖场足迹而非预设环境阈值,模型捕捉的是历史实践中形成的开发模式,反映环境和社会因素的复合作用,而非独立的生态最优条件。研究结果可支持决策者识别与现有实践一致的潜在区域,揭示可达性驱动的开发格局,并为地面验证或社区协商提供优先区域。研究的局限性包括:卫星数据分辨率与质量的固有限制,如云残留、太阳耀斑和季节变异;模型存在一定程度的过拟合风险,且训练数据与预测变量存在时间错配;模型复制当前发展模式而非优化配置,可能纳入历史可达性、治理安排和基础设施等因素;社会政治因素如 tenure 制度、争议性准入和治理结构未被纳入;更广泛的沿海生态系统验证和社会经济因素整合仍需加强。

研究结论部分翻译如下:本研究探索了机器学习(ML),特别是随机森林(RF)和梯度树提升(GTB)算法,在谷歌地球引擎(GEE)平台内利用遥感环境变量识别与现有海水养殖站点具有地理空间特征相似位置方面的潜力。从生态地理空间建模的视角,本研究展示了可解释的树型机器学习模型如何从噪声和不完整的沿海数据集中提取空间结构,将观测到的海水养殖足迹转化为空间明确的环境信息。通过系统比较两种决策树模型的性能,研究表明RF和GTB在再现观测空间分布方面均表现强劲,尽管验证准确率相近,GTB产生了空间上更连贯、区分度更高的适宜性图谱。研究结果突出表明,机器学习方法与遥感数据相结合,能够为海水养殖选址筛选和空间评估提供高效、可扩展且可重复的框架,特别是在菲律宾等数据有限的地区。尽管结果令人鼓舞,研究承认存在若干局限,包括对静态环境变量的依赖、社会经济与治理因素的缺失,以及有限的野外验证。这些差距指向未来研究改进模型稳健性、可迁移性和实际应用性的关键方向。纳入动态环境变量、气候预测、社会政治层面以及参与式方法,将进一步增强机器学习模型在指导可持续和公平海水养殖发展方面的效用。总体而言,本研究通过展示集成机器学习模型在海水养殖情境中的适用性,为地理空间海水养殖规划这一新兴领域做出了贡献,强调了遥感和人工智能驱动工具支持沿海资源管理循证决策的变革潜力,同时亦强调需要跨学科、参与式和前瞻性的方法以培育韧性和包容性的海水养殖系统。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号