When Does Feature Engineering Matter? A Multi-Algorithm Comparison of Sentinel-2 Classifiers for Coastal and Mangrove Mapping in the Persian Gulf

海岸线是一个不断进行协商的地方。它是陆地与海洋交汇之处，是一个流动的边界，支撑着地球上一些最重要的生态系统，从保护海岸线的红树林到养育无数海洋物种的潮间带。然而，这些区域也面临着人类开发、海平面上升和工业活动的压力。为了保护它们，科学家需要准确了解地面正在发生什么：哪里有树木，哪里水浅，哪里土地裸露。几十年来，从高空观察这些广阔且难以到达之地的主要工具一直是卫星图像。这些卫星捕捉从地球表面反射的光，创建出一幅计算机可以用来将景观分类为森林、水域或城市等不同类别的图像。然而，将那些原始图像转化为准确的地图并非易事。红树林反射的光与泥滩反射的光看起来不同，但这种差异可能非常细微，用于区分它们的计算机程序必须经过仔细选择。如果使用了错误的程序，或者输入的数据准备不当，生成的地图可能会产生误导，从而导致在管理这些脆弱环境时做出错误的决策。

在波斯湾——一个红树林面临石油和天然气基础设施巨大压力的地区，研究人员凯万·卡比里（Keivan Kabiri）致力于寻找一种最可靠的方法来绘制这些海岸景观图。他专注于伊朗南部海岸的五个特定地点，范围从相对未受破坏的红树林林分到受工业设施严重影响的区域。为了测试最佳方法，他收集了来自欧洲航天局哨兵-2号（Sentinel-2）任务的高分辨率卫星图像。这些图像提供了十米分辨率的清晰地球视图，这意味着图像中的每个像素代表地面上一个十乘十米的方块。挑战在于确定哪种计算机算法能最好地将这些像素分为八个不同的类别：红树林、泥滩、土壤、浅水、深水、荒地、建筑区和普通植被。为此，卡比里对比了四种不同的方法。其中两种是现代、强大的机器学习工具，被称为随机森林（Random Forest）和极端梯度提升（Extreme Gradient Boosting），它们通过学习示例来进行复杂的决策。第三种是支持向量机（Support Vector Machine），这是另一种常用于遥感技术的先进算法。第四种是极大似然分类法（Maximum Likelihood Classification），这是一种更为传统的旧方法，依赖于关于光行为的统计假设。

该研究在两种不同的条件下测试了这些算法，以观察数据准备对结果的影响。在第一种情景中，计算机仅输入卫星捕捉到的六个原始光谱波段，这些波段对应于从可见光谱到红外线的不同颜色的光。在第二种情景中，研究人员为数据增加了四个额外的信息层。这些不是新的图像，而是现有光波段的数学组合，旨在突出特定特征，例如植被的健康状况或水的透明度。这一过程被称为特征工程（feature engineering），通常被认为是提高准确性的必要步骤。随后，研究人员在所有五个地点运行了分类，并根据极高分辨率的参考资料检查了工作。他们此前曾通过无人机对这些相同位置进行过飞行，创建了详细的航空图，作为判断卫星制图是否真实的“地面真相”。

结果揭示了新旧方法之间明显的差异。三种现代算法——随机森林、支持向量机和极端梯度提升——在几乎所有情况下都表现得异常出色。它们的总体准确率达到了约95%至97%，能够正确识别几乎每一个像素的土地覆盖类型。值得注意的是，这些高性能工具并不需要额外的、经过工程处理的信息来完成工作。无论给予的是原始卫星波段，还是原始波段加上额外的指数，它们的准确率都保持高度一致。增加额外数据对其性能的影响不到一个百分点，这表明这些现代工具足够强大，可以直接从原始图像中发现所需的模式。

与之形成鲜明对比的是，传统方法——极大似然分类法——在仅获得原始卫星波段时表现得非常挣扎。在没有额外信息的情况下，它的正确识别土地覆盖类型的概率仅为55%左右，这一准确水平对于实际管理来说是毫无用处的。然而，当研究人员向数据中添加了额外的光谱指数时，这种旧方法的表现大幅提升，准确率跃升至平均82%。虽然这是一个巨大的进步，但仍远不及保持在90%以上的高水平的现代方法。研究证实，最好的现代方法与改进后的传统方法之间的差异具有统计学意义，这意味着这种差距是真实存在的，而非偶然现象。现代工具更适合应对海岸环境中复杂且混乱的现实。

即使拥有最好的工具，挑战依然存在。研究人员发现，无论多么先进，所有四种算法在区分三种特定类型的土地时都遇到了困难：如建筑物和道路之类的建筑区、荒地以及裸露的土壤。这三类在卫星图像中看起来非常相似，因为它们都是明亮且干燥的，反射光的方式几乎相同。这种混淆在加入额外数据后依然存在，这表明局限性不在于计算机程序，而在于卫星本身。哨兵-2号图像的十米分辨率对于从那么远的距离精确区分一片干旱的土壤和一片混凝土来说，显然不够精细。这一发现表明，对于需要精确监测工业扩张或特定地面类型的任务，仅靠卫星数据可能是不够的，还需要其他数据源。

为了确保结果的可信度，该研究采用了一个独特的验证步骤。在卫星分类完成后，研究人员将生成的地图与他们拍摄的高分辨率无人机照片进行了对比。这是一个独立的检查过程，意味着无人机数据并未用于教导计算机如何分类图像，而是仅用于查看最终地图是否合理。检查结果很有趣。虽然标准准确性测试清楚地显示现代算法更优，但基于无人机的检查却给出了略微不同的景象。它并没有清晰地将表现最好的方法与表现最差的方法区分开来，在某些情况下，它甚至暗示传统方法表现得与现代方法一样好。这是因为无人机检查使用的是宽泛的规则来判断地图，例如检查一个“土壤”像素是否看起来足够明亮以符合土壤特征。由于传统方法经常将土壤与建筑物或荒地混淆，而这三者在无人机照片中看起来都很明亮，因此检查过程会将功劳归于传统方法，认为其抓住了整体的“外观”，即便它把具体的标签弄错了。这强调了一个关键教训：虽然独立检查对于发现明显错误很有价值，但当试图评判哪种特定方法更好时，它们无法取代详细的、基于地面真相的准确性测试。

最终，这项研究为任何试图绘制这些海岸带的人提供了明确的指导。如果目标是创建一张关于红树林和潮间带的准确地图，只要使用现代机器学习工具，计算机算法的选择其实并不像人们想象的那样重要。随机森林、支持向量机和极端梯度提升都是可靠的选择，它们在无需复杂的额外数据准备的情况下也能表现良好。传统方法并非过时，但它需要精心的处理；它需要额外的光谱信息才能发挥作用，即便如此，它也无法达到新工具的准确度。研究同时也提醒人们，技术是有极限的。无论计算机多么聪明，如果卫星图像不够清晰，它就无法始终区分一栋建筑和一片泥土。对于致力于保护波斯湾的科学家和管理者来说，前进的路径是使用最强大的现代工具，但也要意识到，某些细节始终需要通过地面或无人机进行更近距离的观察。