近期，海洋科学学院海洋环境监测研究团队在互花米草遥感监测方向取得新进展，相关文章《Detection and Analysis of Spartina alterniflora in ChongmingEast Beach Using Sentinel-2 Imagery and Image Texture Features》发表于国内海洋科学权威期刊《Acta Oceanologica Sinica》。论文第一作者为我院2021级海洋技术专业本科生梅欣宇，通讯作者为我院陈忠彪副教授，合作作者包括我院何宜军教授、孙闰霞教授。本项研究成果是我院在推进本科生培养工作进程中取得的又一进展，进一步彰显了学院在本科人才培养领域的专业实力与不懈探索精神。

互花米草（Spartina alterniflora Loisel）现已被列为全球最危险的100种外来入侵物种之一，严重影响滨海湿地生态平衡。基于深度学习的遥感技术可实现互花米草大范围监测，但存在数据需求量大、可解释性差等不足。本研究提出一种基于Sentinel-2影像的互花米草检测新方法（图1）。首先，为突显互花米草高冠层覆盖、群落密集特征，从影像中提取多维浅层特征；其次，为区分卫星影像中不同地物，提取指数特征，并利用主成分分析-灰度共生矩阵（PCA-GLCM）获取灰度共生矩阵（GLCM)统计特征；然后，采用集成学习方法，包括随机森林(Random Forest)、极限梯度提升（XGBoost)和轻量梯度提升机（LightGBM）模型进行影像分类，同时结合交叉验证递归特征消除法（RFECV）筛选最优特征子集；最后，为增强模型可解释性，利用最优特征对多时相影像进行分类，并结合SHAP可加性解释（SHAP）阐释模型预测过程。通过崇明岛Sentinel-2影像和互花米草历史观测数据验证表明，融合GLCM协方差等影像纹理特征的模型相较无纹理特征模型，检测精度可提升约8%；通过多模型对比和RFECV特征筛选，所选模型和8个特征在不同时相数据应用中均表现出良好分类精度，证明特征降维能有效增强模型泛化性；借助SHAP可视化模型决策发现，影像纹理特征component_1_GLCMVariance对各地物类型的识别尤为重要（图2）。

本研究相关成果成功用于不同时间互花米草的分布变化情况分析，相关结果可以为我国《互花米草防治专项行动计划（2022—2025年）》等政策提供参考。本研究获国家重点研发项目（2023YFC3008204）和国家自然科学基金项目（41977302，42476217）资助。

图1利用Sentinel-2图像提取互花米草信息的流程图

图2不同特征组合下的(a)模型精度和(b)互花米草分类精度的变化

论文信息：

Xinyu Mei, Zhongbiao Chen, Runxia Sun, Yijun He.Detection and Analysis of Spartina alterniflora in Chongming East Beach Using Sentinel-2 Imagery and Image Texture Features(2025). Acta Oceanologica Sinica. doi: 10.1007/s13131-024-2394-8

作者简介

第一作者：梅欣宇，2021级海洋技术本科生，现已推免至中国科学院南海海洋研究所攻读硕士研究生。

通讯作者：陈忠彪，博士，硕士生导师。研究方向海洋遥感，利用雷达和卫星图像反演近岸的海洋环境参数，提出的海浪参数反演算法已经得到实际应用，主持国家自然科学基金面上项目、国家重点研发计划子课题、国防军工等项目。近年来在海洋科学学院本科生培养方面取得了一定成果，近三年指导本科生发表SCI论文2篇、获授权发明专利4项、本科生数学建模竞赛国家级三等奖1项、省级二等奖1项。