简介
多种多样的淡水生物群落受到外来入侵水生植物(IAAP)的威胁,因此各国需要花费数百万美元进行管理。要对这些外来入侵水生植物进行有效管理,就必须对其进行频繁、可靠的大范围长期监测。在此,我们介绍并应用了一种符合上述标准的监测方法,该方法基于三个阶段的分级分类,首先检测水体,然后检测水生植被,最后检测布袋莲(Pontederia crassipes,前身为 Eichhornia crassipes),布袋莲是世界上许多地区危害最大的 IAAP 物种。我们的方法规避了许多挑战,这些挑战限制了之前在较小研究区域内进行的基于卫星的布袋莲监测尝试。该方法可在谷歌地球引擎(GEE)上即时执行,并利用来自 Landsat-8 或 Sentinel-2 的免费、中等分辨率(10-30 米)多光谱地球观测(EO)数据。自动工作流程采用了一种新颖的简单阈值法,以获得开阔水域的可靠边界,然后用于限制水生植被检测区域。随后,采用随机森林建模方法,利用八个最重要的变量将布袋莲与其他检测到的水生植被区分开来。
根据我们的模型估算,2013 年,这种普遍存在的 IAAP 在南非的覆盖面积为 417.74 平方公里。此外,我们还展示了利用自动生成的水生植被掩膜来拟合和评估基于卷积神经网络的语义分割模型的令人鼓舞的结果,这样就无需检测地表水的范围,而地表水的范围不一定总能达到所需的时空分辨率或精度。基于南非 98 个广泛分布的实地地点,水葫芦物种鉴别的总体准确度(0.93)、F1 分数(0.87)和马太相关系数(0.80)均达到或超过 0.80。结果表明,引入的工作流程适用于监测单个水体或全国范围内开放水域、水生植被和水葫芦范围的变