1.简介
1.1. 上下文
为了减轻世界各地具有遗产价值的生物多样性损失和生态系统的破坏，我们必须知道生物多样性热点和受威胁地区的位置。面对实际的威胁，由于大灭绝率，这一紧迫性导致了一场竞赛，即在这些区域不复存在之前，要意识到并绘制出它们的地图。这种逻辑在许多层面上都得到了遵循。在全球范围内，确定并概述了生物多样性热点，以便优先采取保护行动[1,2]. 在欧洲范围内，有两项指令规定了通过采取适当措施来保护栖息地和物种的必要性。它们允许为感兴趣的物种和生物栖息地提供保护状态，但也定义了与物种栖息地或生物栖息地组相对应的保护区。在这个被称为“Natura 2000网络”的泛欧生态网络的特殊保护区内，将对自然栖息地进行监测，以确保其组成、结构和范围得到维护或恢复[三]. 监测领土的演变（土地覆盖、物种栖息地、生物栖息地……）是确定重大变化、经济、社会和环境问题以及评估公共政策和私人举措影响的重要活动。这种监测由每个国家进行，需要大量数据，这些数据主要是通过实地调查获得的，资金和时间成本都很高。这些绘图结果用于缓解国家和地方层面的保护措施等问题[4]绿色基础设施的规划和发展[5]、农业环境评估[6]、景观变化监测[7,8]、生态森林管理[9]或生态系统服务的识别[10,11]. 然而，现有地图通常仅限于分类土地覆盖特征描述，无法提供栖息地和生物栖息地类型的准确图例，并且几乎无法互操作。然而，创新的遥感产品可以促进大区域的状态监测和详细特征描述，有时甚至可以用于精细的质量指标[12]. 虽然它不能取代实地数据收集，但遥感一体化可能是朝着更具成本效益的自然栖息地监测迈出的第一步[13]. 由于遥感的局限性，生境适宜性制图和生物生境预测模型对于填补生物多样性监测野外观测的空白十分必要，遥感数据在提供大区域预测所需的一些空间综合信息方面至关重要[14,15]. 在这种情况下，模型通常基于与永久性结构化库存相关联的常规网格。然而，随着地理定位设备的民主化和公民科学的兴起，观测的精度大大提高。因此，一种基于网格的栖息地和生物栖息地预测的替代方法可能会出现，即将景观划分为具有生态意义的不规则多边形。 1.2. 生态环境制图的遥感
先前的研究表明，不规则多边形支持栖息地模型，该模型优于标准的基于网格的方法，超过一半的被调查物种[16]. 将景观划分为空间一致的区域可能与生态区的概念有关[17]或土地使用管理单位[18]. 生态位是景观制图和分类系统中最小的生态独特景观特征。因此，绘制生态区地图可以测量生态模式、过程和变化[19]具有比分类土地覆盖类别或单一类别土地覆盖特征的连续域更多的细节。 生态区地图通常是通过覆盖大量的组成部分来创建的，例如生态区（地形和土壤特征）和生物区（植被）层[20,21]. 因此，通过结合生物和地球物理变量，生态环境图被分为数百种类型和数十组[22]. 此外，重叠主题层边界的不同尺度和精度可能会产生许多伪影，需要使用高级合并规则进行处理。 或者，可以使用基于地理对象的图像分析，根据研究目标，通过将相邻像素分组为均匀区域来划定空间区域[23,24]. 对于生物多样性研究，图像分割已被用于基于光谱自动导出均质植被单元[25]或光谱和结构（高度）信息的组合[16,26]. 这些方法有助于减少多边形的数量，并改进了这些多边形与从字段派生的实体的匹配。 另一方面，GEOBIA也被用于描绘生态位，然后可以用土地覆盖多边形覆盖生态位，从而得出有意义的空间区域[18]或直接用于绘制水生栖息地[27]. 描述生态位是一项难以评估的任务，因为它们的定义取决于研究目的[28]. 因此，基于曲率指数，开发了不同的GEOBIA方法[18,29]，使用高程和坡度的决策规则[30]，网络属性[28]或一大组（70）指数，包括坡度、坡向和各种纹理指数[27]. 然而，为陆地景观设计的方法侧重于全球到区域尺度，其中相对位置（山脊、侧面或山谷）对分类起着主要作用，并且没有直接考虑斜坡的方向。 我们的研究旨在改进Delangre等人在生态建模中应用的大规模生态区划定[16]. 我们的假设是，可以通过同时处理来自LIDAR DEM的地形信息和来自光学图像和LIDAR DHM的植被结构信息来实现这一改进。地形确实是其他非生物成分的主要驱动因素，例如土壤特性（在高精度下更难获得）[31,32]或隔热层（取决于斜坡的方向）[33]. 2.数据和研究区域
研究区域位于瓦隆地区（比利时南部）。这是一个非常零散的景观，包括针叶林（主要是云杉和其他常绿树种）、落叶阔叶林（大部分是橡树和山毛榉）、农田、天然和管理的草原、泥炭地、小型水体、开采区以及密集和稀疏的城市结构。
比利时没有山区地形，但地形主要由密集的水文网络驱动。为了验证我们的假设，实验研究集中在沟壑枫树林上，这些枫树林生长在相对陡峭的斜坡和岩石土壤上。这种生物群落特别稀少，但至少存在于瓦隆尼亚的五个生物地理区域。矩形研究区(图1)被划定为包括比利时现有的大多数生物区。除山谷外，该地区相对平坦（坡度小于7%）。 研究区域有两种类型的输入数据。首先，将正交校正航空照片拼接成2米分辨率，包括四个光谱带；其次，激光雷达点云数据集以2米的分辨率光栅化。
航空照片覆盖了整个研究区域。该报道涵盖了2015年3月至4月期间的几次航班。图像采集包括四个光谱带（蓝色、绿色、红色和近红外），空间分辨率为0.25 m。可用于分析的图像已经以字节为单位进行了正交校正、镶嵌和重缩放。为了避免影响分类过程的过多局部异质性，使用所有贡献像素的平均值以2 m分辨率对原始图像进行重采样。
激光雷达数据集于2013年和2014年春季获得。最小采样密度为每平方米0.8个点。第一次和最后一次返回用于提取地面高程和植被冠层高度。此外，该数据集需要特定的数学形态学分析，以消除一些伪影：应用灰度开口，以消除电源线。从最后和第一次回归中分别导出了植被的数字高程模型（DEM）和数字地表模型（DSM）。然后从DSM中减去DEM，得到数字高程模型（DHM）。
除了遥感数据外，还提供了一个矢量数据库，描述了欧洲自然遗址网络（NATURA2000）中比利时保护区内的生物群落。该数据库由瓦隆自然与森林管理局根据专家知识和详尽的实地清单（所有多边形）编制。它被认为是瓦隆尼亚峡谷森林的最佳可用信息，因此被用作参考。为了确保和提高该地图的可靠性，从该参考中手动删除了2015年othophotos上清晰可见的多边形。
3.方法
该过程的核心是同时分割地形、光谱和高度信息。然后，通过基于遥感和辅助数据计算一组属性来丰富生成的图像片段。基于生态区的两个预期特性，即大均匀性和建立高性能生态模型的能力，评估了所提出方法自动划定有意义空间区域的潜力。这些步骤总结如下图2. 3.1. 生态环境自动划定
在分析尺度上，区分生态功能的三个感兴趣的变量是土地覆盖、地形和土壤类型。然而，可用的土壤类型信息不够精确，可以部分根据地形推断。因此，我们重点关注可通过遥感直接推断的变量：地形和土地覆盖。
多分辨率分割算法[34]用于自动划定生态区。该算法可以通过一组四个参数进行调整：比例、光栅层的权重、形状和紧凑度。scale参数定义了合并两个相邻图像分段时异质性变化的最大可接受值。因此，增加比例参数会增加图像分段的大小。层的权重定义了每个光栅层对合并图像段的异质性差异的贡献程度，如等式所示(1):哪里是基于光栅图层合并后的总异质性差异，是每个光栅层的重量，是层的图像段1和2的异质性我;和是图像段1和2中的像素数；和是图像段1和2的异质性指数。然后，形状参数定义了基于图像分段形状的异质性指数的比例。因此，增加形状参数可以减少合并图像分段后较大异质性差异的影响。compactness参数确定此形状索引应该支持压缩图像分段（类似于磁盘）还是平滑图像分段（相似于矩形）。 结合激光雷达高度和多光谱图像的分割效率已经被证明[26]. 我们的工作假设是，将地形信息与激光雷达获得的正射影像和DHM的光谱值同时结合起来，将改善生态区的划定。因此，将分割结果与地形信息相对于其他层的不同权重进行比较。为了进行公平比较，图像片段的平均大小固定为大约2公顷（根据包括生物多样性研究人员和管理人员在内的用户群体，平均两公顷对应最小的生态管理单元。）为此，首先使用50的比例参数对合成图像进行分割，形状参数以及。然后将形状参数缩减为并且使用二进制搜索算法获得了更大范围的参数，容差为参考图像分割获得的多边形总数（即318380个）。除了第一次分割后固定的大小外，没有对分割进行其他优化。因此，分段之间的唯一差异是所测试的地形分量的权重，其值为零（仅光谱和结构信息）、0.5、1和2（增加地形信息的影响）。 将地形包含在分段中需要对DEM数据进行转换，以突出显示不同的斜坡类型并识别断裂。由于分割算法基于每个图像片段内部方差的最小化，因此使用DEM值确实倾向于在陡坡区域沿着等高线创建许多线性空间区域，即使坡度是恒定的。以前的研究使用了斜率和一些曲率指数[18]. 这对于土壤形态映射来说很有趣，但（i）它依赖于任意窗口大小来计算最小和最大曲率，（ii）山脊线和山谷线的两侧在同一段中，不考虑不同的阳光照射。因此，在生态区的情况下，坡度和坡向与功能同质性的关系更为密切。然而，分割算法不能使用坡向，因为（i）当坡度为空时，坡向是未定义的，（ii）这是一个圆形度量，对于相同的方位角方向，它从360度跳到0度。出于这些原因，Janowski等人[27]使用东向和北向代替方位角。对于生态区，使用方程式沿南北和东西样带导出了两个合成山体阴影图(2)，因为这是与潜在太阳能最直接相关的变量。哪里和分别是假设的太阳天顶角和方位角，以及和使用3乘3移动窗口从DEM中导出。使用3×3窗口对应于高空间分辨率（2 m）的局部山体阴影，因此只有具有相似山体阴影值的像素才可能通过分割算法分组在一起。的形状参数分割过程中使用的这种方法旨在当孤立像素的方向与周围环境明显不同时保持图像片段的兼容性，但当斜率发生变化时，图像片段预计不会合并。 实际上，通过为四个太阳方位角（0°、90°、180°、270°）设置一个大的太阳天顶角（75°）来创建合成山体阴影图。然后计算两对相对的理论太阳方位角结果之间的差异。在此过程中忽略了投射阴影，因为山体阴影的目的只是提供连续的地形特征。如图所示图3，在平坦表面和朝向45°或135°方位角的斜坡上，山形阴影的值相等。在平坦区域的情况下，两个相反方向上的值实际上是相等的，因此它们在所有方位角上的差值为零。在另一种情况下，值为正值或负值，并且它们在正交方向上相等，因为45°是这些方位角的平分线。 3.2. 质量评估
为了建立生态模型，图像片段根据其包含的土地覆盖特征比例以及各种土壤和背景属性进行了丰富[16]. 由于所有属性都来自外部数据库，因此质量评估侧重于图像片段的同质性（这是生态区的一个关键特征）(第3.2.2节)以及运行高效生态模型的能力(第3.2.3节). 由于在研究时缺乏瓦隆地区其他最新的高分辨率土地覆盖图，因此制作了基于高分辨率像素的土地覆盖图以表征生态环境并建立其同质性指数。虽然这一高分辨率土地覆盖数据库的制作超出了本文的范围，但在第3.2.1节. 3.2.1. 基于高分辨率像素的土地覆盖
一种具有自动训练样本提取方法的贝叶斯分类器[35]用该方法对8种土地覆盖类型进行了分类：裸土、人工、草地、农作物、针叶、阔叶、水和灌木。输入图像基于与分割相同的数据集：航空照片的4个光谱带和从激光雷达提取的高度信息。这个先验的概率是根据两个高度等级（50cm以下和50cm以上）内每种土地覆盖类型的频率计算的。由于激光雷达DHM的高可靠性，这一步骤对于区分森林、灌木和建筑物与其他土地覆盖物特别有用。培训数据集是根据涵盖研究区域的现有数据集编制的，包括瓦隆地区2007年的土地覆盖图、开放街道地图数据[36]以及自然和林业部的森林资源清查数据。然后用作物掩模将结果合并，以区分草地和农田。此外，由于对2016年早春和仲夏的Sentinel-2无云图像进行了分类（假设森林类型没有逐年变化，并且分析中排除了明显的砍伐），因此在同质区域中对森林类型的分类得到了巩固。 为了进行验证，在正射影像上对700个点的简单随机样本进行了照相解释，地理位置公差为5m，并在地面上验证了模糊点。合并产品的估计总体准确性(用一个信心）高于其他产品，因此它被视为我们在本文框架内的最佳参考。
3.2.2. 同质性度量
为了验证本研究的假设，计算了不同的同质性指数。这些指数着眼于土地覆盖（基于高分辨率土地覆盖层）、地形和土壤类型的均匀性。将它们与具有与平均多边形大小相同单元面积的任意规则网格进行比较，这为考虑分割率提供了参考。由于对主要存在于陡坡地区的生物群落特别感兴趣，因此不仅计算了所有研究区域的同质性指数，而且还计算了由平均坡度大于10度的多边形组成的子集的均一性指数。
赋予地形带更多权重可能会影响土地覆盖描述的均匀性。为了控制土地覆盖均匀性的潜在损失，计算了每个分段的平均纯度水平。根据中给出的基于高分辨率像素的土地覆盖分类，在每个多边形内计算出每个土地覆盖类别的比例第3.2.1节然后将纯度指数定义为每个图像段的土地覆盖率最大值的平均值。 从地形的角度来看，主要关注的变量是坡度。斜率是在2 m DEM的平滑版本上测量的，以消除微地形影响，并消除数据集噪声造成的伪影。因为斜率是一个定量变量，所以使用每个多边形内的标准差（STD）来估计其异质性。对于坡度方面，由于0至360°之间的断裂，无法使用标准偏差。因此，方位角值被转换为九个类别，包括八个方向（北向、东北向、东向、东南向、南向、西南向、西向和西北向），再加上一个平面区域类别（其中方位角未定义）。然后像计算土地覆盖情况一样计算这九类的纯度指数。
最后，还考虑了一个独立的数据源：土壤图。土壤排水等级和土壤深度等级的纯度指数被用作多边形均匀性的附加间接指标。这两个土壤类别来自瓦隆地区的数字土壤地图。该地图的精度相当于1/25000的比例尺，比多边形轮廓更粗糙，但这种不确定性以类似的方式影响所有多边形边界。
3.2.3. 生物栖息地模型
除了同质性测量之外，还进行了适用性分析。对两种最先进的算法，即随机森林（RF）和广义加性模型（GAM）的灵敏度进行了测试，以检测沟壑枫林。每个模型都使用相同的工作流程对每个分割结果进行校准。
首先，从现有数据库和GIS分析中获得了大量属性。这组包括从Worldclim插值的生物气候变量[37]、土壤变量、地形变量和土地覆盖变量。这些变量是根据专家知识选择的，它们对栖息地适宜性模型的贡献已经在之前的研究中进行了评估[16]. 然后，通过将生态环境数据库与NATURA 2000数据库的多边形交叉，选择校准和验证多边形。如果在Natura 2000制图中，一个生态区一半以上的面积被其等效区域覆盖，则该生态区被标记为峡谷枫林生态区。为了获得存在/不存在数据集，与峡谷枫林匹配的生态区被视为存在，而与任何其他森林生物区匹配的生态区被视为不存在。
使用不同的质量指标来验证模型，包括模型的总体准确度（OA）和曲线下面积（AUC），以及沟壑森林和其他森林生境之间最优二元分类的生产者和使用者准确度（PA和UA）。为了评估在所有其他生物栖息地中检测沟谷森林的模型的准确性，考虑到Natura 2000调查（OA_Tot）覆盖的所有表面，计算了另一个总体准确性。这些指数是为验证多边形计算的，这些多边形在校准步骤之前与数据集的其余部分分离。为了对正确分类的区域进行无偏估计，将生态环境多边形用作采样单位，并考虑其面积[38]. 根据灵敏度和特异性之间的最佳折衷，自动确定最佳二元分类。 4.结果
通过设计，在研究区域自动创建了大约318400个图像片段（500个多边形的范围，不到0.2%）。目视检查没有发现任何宏观错误，但显示了航空图像上植被隐藏的大部分地形特征。图4显示了分割结果的子集，突出显示了地形对均匀土地覆盖斑块内创建的图像分段的影响。正如预期的那样，除了土地覆盖引起的分区外，均匀斜坡的区域也被很好地划定。此外，生态区的界限与未用于分割的斜坡曲率模式一致。 与图像段均匀性相关的定量结果总结如下表1和表2总的来说，相对于相同大小的规则网格，自动划分景观的优势是显而易见的。结果表明，当景观分区由地形和土地覆盖决定时，地形属性的异质性降低，生态区的可分性增加。如图所示表2，坡度大于15%的多边形子集内的结果进一步突出了地形在多边形定义中发挥更大作用的差异。 预测模型的分析表明，交错带是绘制研究区峡谷森林地图的合适单元。最佳模型的总体精度确实是(表3). 然而，该值并不能完全反映模型的错误，因为沟壑森林在研究区域内很少见，且仅限于拥有大多数阔叶树的多边形。因此，在具有大多数阔叶树的生态区子集上测量的其他指数与不同情景的比较更为相关。在这个子集上，使用地形信息描绘多边形对模型的结果产生了显著的积极影响。这证实了通过均匀性测量获得的结果(表1和表2). 然而，当地形信息的权重等于光谱信息的权重时，GAM模型的预测效果最好，并且模型的性能随着权重的增加而降低。 当分段使用更多地形组件时，匹配多边形的数量会增加(表3). 这是因为多边形边界与Natura 2000边界的匹配比没有地形影响的情况下更接近，也因为考虑地形时，在崎岖地形中多边形平均变小，如表2. 5.讨论
这项研究表明，自动图像分割同时结合激光雷达的地形信息和光学传感器的光谱信息，可以提供生态相关的多边形。本节讨论了结果的两个方面：结果的技术质量和生物多样性研究模型的实用性。
5.1. 多边形的一致性
本文的目标是构建同质多边形，与仅考虑土地覆盖的划定相比，它更符合生态区的概念。虽然可以预见，在分割过程中添加地形信息将减少地形的异质性，但增加的土地覆盖均匀性令人惊讶。这可能是因为长期的土地管理实践根据地形优化了土地利用（例如，大多数农田位于平坦地区，而陡坡主要被森林覆盖）。在景观中已经观察到这种模式，但因果关系还需要进一步研究。
模型的结果表明，包含地形信息提高了生态区多边形与沟壑森林生态区野外制图的对应性。匹配数量的增加部分是由于崎岖地形内平均多边形尺寸的减小（约为重量为2）。然而，大小的减少不足以解释匹配数量的大幅增加。这可以更好地解释为生物栖息地的存在高度依赖于地形情况。事实上，南部或北部山坡等对比情况导致了非常不同的非生物特征。此外，即使坡度的微小差异也会导致不同的取水口，从而导致不同的植被群落。
即使由于生物栖息地的稀缺性，模型不是在最佳条件下创建的，我们也可以强调，我们看到模型的AUC有了很大的飞跃（超过对于RF和GAM），通过在分割过程中添加地形数据。在模型精度方面，通过添加地形数据观察到的大幅度提高与通过非均匀性指数观察到的改善是一致的。然而，我们可以看到，模型的指数与异质性指数的趋势不同，并且与地形数据的贡献水平相关性较小。这可能是因为我们用稀缺的存在数据对一个罕见的生物群落进行建模。因此，模型的整体质量对校准/验证过程中选择的多边形非常敏感。
在本研究中，根据用户需求选择平均大小并固定，以便公平比较模型的贡献。然而，也可以根据数据驱动功能优化尺寸[39,40]在这种情况下，应考虑地形的权重、植被高度和图像的光谱值，以确定最佳尺寸。然而，生态环境纯度趋势和适合性-目的分析趋势之间的观察差异应作为使用单一优化标准的潜在问题进行进一步调查。 另一方面，景观和地貌分析在很大程度上取决于所处理过程的规模，分层方法有助于从景观中提取其他特征。例如，在较粗的尺度上，海拔和曲率是识别山脊或山谷的重要特征。然而，山脊和山谷地貌包括面向相反方向的两面，就隔热性而言，这是不均匀的。在局部尺度上使用山坡显然强调了电位绝缘，但它也在强正曲率或负曲率的地方分割了图像片段，这有助于改善特征土壤性质。然而，为了涵盖更多山区发生的过程，可能需要从另一个尺度识别模式。
5.2. 生物群落模型的用途
高（高于对于GAM和RF）AUC的最佳模型表明，基于生态区多边形的模型非常一致。然而，尽管模型具有很高的特异性和敏感性，但沟壑森林类别的用户准确性很低。用户准确度低的原因有三个。
首先，沟壑森林在研究地区很少见。因此，即使是很小比例的假阳性也会对用户的准确性产生很大影响。然而，森林的绝对数量仍然很小，因此这些模型可以通过将搜索区域缩小到森林总面积的5%以下来帮助野外勘探。
其次，这些模型被用来测试一个概念，并比较不同的细分策略，但它们可以针对其他特定目的进行调整。基于灵敏度和特异性选择的优化标准倾向于使灵敏度最大化的解决方案，因为根据大量缺勤计算的特异性迅速非常高（高于)然后慢慢增加。这种类型的优化对于限制调查区域特别有用，以便详尽地绘制特定的生物群落。二进制分类的另一个阈值可以基于F-Score在生产者和用户的准确度之间寻求最佳值。有了这个替代方案，UA将为0.63，PA将为0.65，这对于一般结果来说是一个很好的折衷方案，但对于识别具有高度生物兴趣的未知生物栖息地来说就不那么有趣了。
第三，该模型受到可用数据的限制，无法取代基于实地的观测。例如，通过遥感无法看到林下典型的蕨类植物。另一方面，生态环境可能包括枫谷森林发展的所有条件，但由于生态环境的历史土地管理，可能已经形成了不同类型的森林。从这个角度来看，很大一部分假阳性可被视为生物群落恢复的优先区域。
然而，我们正在讨论的用户准确度值取决于正确分类的沟谷森林和其他阔叶林。如果我们查看总体准确度值，它们显示出对我们研究区域沟壑森林的极好预测，因此缓和了之前讨论的用户准确度较差的问题。
根据实地数据，森林群落不遵循有形边界的逻辑，但它们看起来像是植被群落与另一个群落混合的梯度。界限是模糊的，但地理数据库的概念模型使用清晰的边界来表示这些过渡区域。这种到所谓空间区域的概念性映射模型并不是GEOBIA特有的，但当必须绘制边界时，也可以在现场进行。虽然约有一半的边界与参考多边形的边界匹配，精度接近10 m，但另一半边界上出现了分叉轮廓（例如图5). 独立的实地调查无法毫无疑问地在这两个数据集之间进行一致的仲裁。尽管有其局限性，但自动图像分割的可重复性使其在前瞻性研究或指导现场解释中非常有用。然而，使用尖锐边界来表示植被梯度或与准时观测相关联可能是一个问题。因此，至关重要的是要记住，拟议的测绘策略是一种用于以与实地生物生境定义密切匹配的方式表示景观的模型，但没有对自然的普遍表示。 6.结论
本研究表明，山体阴影层可以与光谱信息同时使用，以改进GEOBIA框架中生态环境的自动描绘当使用这些地形层划定生态区时。此外，在分割过程中包含地形特征也提高了土地覆盖的纯度，这可能是因为地形对研究区域土地利用的间接影响。
在小尺度因子下的良好结果表明，拟议的GEOBIA工作流程可以在大尺度因子下结合曲率指数进行测试，以生成具有最小任意决策的均匀地形。
