利用无人机高光谱与卫星多光谱影像进行浅海沿岸水域的时空光谱分辨率分析

这项沿海研究为何重要

浅海沿岸水域拥有海草草地、珊瑚礁和藻类床，它们保护海岸线、支撑渔业并储存碳。然而，仅依靠船只经常性地绘图和监测这些栖息地十分困难。本研究展示了将高光谱相机装在无人机上并与卫星式视角结合的方法，如何提供详细且可重复的水深与海底栖息地地图，帮助社区在日益增长的人类活动和气候压力下更好地管理脆弱的海岸。

从空中观察海洋

研究者把目光集中在大加那利岛的拉斯坎特拉斯海滩——一个因丰富海洋生物受保护但又被居民和游客大量使用的城市海岸。天然的岩石沙洲使海面平静并使海床从空中清晰可见，十分适合光学遥感。历史上，该地区曾有广阔的海草草地，但随着沿岸建设改变了沙体移动，这些草地大多消失。如今，海底由绿色、褐色和红色藻类斑块，以及沙和岩石组成马赛克式分布，反映出自然变化与人类影响的共同作用。

在水面上试验不同的“眼睛”

研究的核心是一个巧妙的实验：团队没有直接比较在不同时间飞行或轨道运行的不同相机，而是以一幅由高光谱传感器拍摄的超详细无人机影像为起点（97个窄波段、10厘米分辨率）。从这幅参考图像，他们通过数学方法将数据“降级”以模拟具有8个较宽波段的商业卫星和只有3个波段的简单RGB相机，每种又模拟为细（10厘米）与更粗（2米）两种像元尺寸。这样生成了同一场景的六个受控版本，排除了天气、水体浑浊度或潮汐差异的影响。随后，他们用这些图像来估算水深（测深）并分类海底类型（植被、沙和岩石），方法结合了常用公式与现代机器学习技术。

从颜色中读取深度与栖息地

为恢复水深，研究比较了一种通过两色波段光强与深度关系的成熟数学方法，与一种从多波段中学习模式的更灵活的机器学习模型。对于海底栖息地，他们训练了两类分类器：支持向量机和前馈神经网络，训练数据由水下调查和海床照片提供。所有测试中，无人机高光谱数据的结果最为准确，水深误差低至约15厘米，栖息地分类正确率约为94%。多光谱影像（类似常见商业卫星）表现几乎同样出色，在细节、覆盖范围与成本之间提供了良好折衷。简单的RGB版本在测深方面表现尚可，但在这种复杂栖息地中难以可靠区分不同底质，特别是在区分相似藻类种类时表现不足。

哪个更重要：锐度还是色彩丰富度？

一个关键问题是：更细的像元还是更丰富的光谱信息更为重要。对于水深，答案令人意外：将像元大小从10厘米改为2米几乎不影响精度。因为深度主要由光在水中衰减的方式决定，当水深只有几米且较为平缓时，极高的空间细节贡献有限。然 而对栖息地制图而言，空间与光谱的丰富性都更重要。更细的像元减少了像元内沙、石与植物的混合，使各类更易区分。当目标是区分相似藻类时，更多的光谱波段明显有利。神经网络模型最能利用这些额外信息，表现优于更传统的分类器。

追踪令人担忧的海洋植被丧失

除了方法测试外，团队还将一幅2016年的真实卫星影像与经过调整以匹配卫星较粗分辨率的2023年无人机数据进行了比较。他们检测到约7200平方米的海洋植被损失，其中很大一部分可能来自绿藻Cymopolia barbata的草地。结合历史海草已记录的消失、海表温度的局部升高趋势、频繁的娱乐性使用以及周期性水质问题，结果表明该城市礁石正承受显著压力。

这对海岸与社区意味着什么

对非专业读者来说，这一研究传达两层信息。其一，现代无人机与卫星影像结合机器学习分析，现已能提供准确且可重复的浅水水深与海底生命地图，而无需持续的船上调查，使得监测沿岸栖息地随年份或季节变化变得可行。其二，拉斯坎特拉斯的案例说明了为何此类监测迫在眉睫：宝贵的水下“森林”可能在升温海洋与局部人类压力的共同作用下悄然缩减。本文提出的方法为城市与保护机构提供了一套实用工具，以便更密切地关注其水下邻里并在关键栖息地丧失前采取行动。

引用: Mederos-Barrera, A., Eugenio, F. & Marcello, J. Spatial-spectral resolution analysis using drone hyperspectral and satellite multispectral imagery for shallow coastal water monitoring. Sci Rep 16, 14511 (2026). https://doi.org/10.1038/s41598-026-38166-7

关键词: 沿海制图, 无人机高光谱成像, 浅水测深, 底栖栖息地监测, 海洋植被损失