Enhancing shallow water habitat mapping with high-resolution pansharpened PRISMA imagery data

方法

PRISMA L2D影像+全色波段，监督与无监督深度学习锐化至5米，分七类并反演

发现

5米分辨率底质分类总体精度80%，水深验证r=0.82，显著优于10米和30米。

机会点

可将该锐化框架迁移至内陆水体水生植被制图，探索多时相监测与跨传感器泛化能力。

大型水生植物（macrophytes）是淡水生态系统和生态过程中的关键要素，它们支撑生物多样性、稳定沉积物并改善水质。如今，这些生态系统正受到环境变化和人为压力增加的威胁；此外，其空间分布往往高度破碎化。鉴于其重要性，通过非侵入式观测监测大型水生植物的时空变异性至关重要。高光谱遥感为准确绘制水生植被和底栖基质提供了有价值的工具，尽管其应用常受空间分辨率的限制，尤其是在以斑块分布和混合像元为特征的环境中。为解决这些限制，本研究利用PRISMA全色波段对2024年7月9日在意大利加尔达湖（Lake Garda）获取的一景PRISMA影像进行处理，将高光谱分辨率（可见光—近红外范围内66个波段）与增强的空间分辨率（5 m）相结合。全色锐化（pansharpening）流程应用于PRISMA Level 2D影像，采用通过监督学习和无监督学习技术训练的深度学习模型。本研究聚焦于锡尔苗内半岛（Sirmione Peninsula，加尔达湖南部）的光学浅水区，该区域以大型水生植物覆盖为特征，目标是将底栖基质分类为七个类别并反演底部深度。除空间分辨率为5 m的全色产品外，还生成了分辨率为10 m和30 m的聚合产品。结果表明，在底栖基质分类中，分辨率从5 m到30 m的整体精度分别为80%、68%和48%。在与意大利海军研究所（Istituto Idrografico della Marina, IIM）收集的数据以及野外考察期间获取的原位测量数据进行比较时，底部深度验证也获得了类似结果（5 m数据r = 0.82，10 m数据r = 0.78，30 m数据r = 0.75）。这些成果有助于更准确地监测淡水生态系统的时空动态，并凸显了全色锐化高光谱产品在增强底栖基质制图和分类方面的潜力，在检测小斑块方面具有更高精度。