SAA-VMamba：一种用于识别无花龙舌兰（Sonneratia apetala）的跨域自适应遥感识别方法

《International Journal of Digital Earth》：SAA-VMamba: cross-domain adaptive remote sensing recognition method of Sonneratia apetala

远程 sensing监测下红树林物种S. apetala跨区域分类精度提升研究，提出SAA-VMamba模型集成领域适应与多损失函数优化，有效缓解样本不均衡及特征分布差异，在三个目标区域OA达83.65%-93.53%，mIoU提升至89.29%，验证模型泛化能力。

　　在沿海生态系统中，红树林发挥着至关重要的作用，不仅在碳固存、防风固沙、生物多样性保护等方面具有重要价值，还在维护海岸线稳定、调节区域气候等方面展现出独特优势。然而，随着人类活动的加剧以及沿海地区的快速发展，红树林的面积正面临前所未有的减少。在这一背景下，红树林的生态修复与可持续管理成为全球关注的重点。红树林的种类繁多，每种红树林在形态、生长环境和生态功能上都存在差异，因此，对红树林进行准确的分类与识别，对于生态系统的保护和管理至关重要。

在中国，红树林的引入与推广工作自上世纪80年代开始，其中，*Sonneratia apetala*（无瓣海桑）因其生长速度快、适应性强等特点，成为红树林生态修复的重要物种之一。自1985年从孟加拉国引入海南以来，无瓣海桑逐步扩展至广东沿海，如今已在广东的多个城市广泛分布，成为当地红树林生态系统中的关键组成部分。尽管无瓣海桑在红树林恢复工程中表现出良好的适应性和生长能力，但其自然繁殖能力强、扩散速度快的特点，也引发了对其可能造成生态入侵的担忧。因此，如何准确识别无瓣海桑，并对其分布进行有效监测，成为当前红树林研究的重要课题。

传统的红树林监测方法主要依赖于地面调查，但由于红树林分布区域广泛、生态环境复杂，这种方法在实际操作中存在诸多困难。随着遥感技术和计算机视觉的快速发展，基于深度学习的红树林识别方法逐渐成为主流。然而，目前大多数深度学习模型在不同区域的泛化能力有限，难以在跨区域的分类任务中保持较高的识别精度。这主要是由于遥感数据在不同地区之间存在显著的分布差异，例如不同传感器、不同分辨率、不同季节等因素都会对分类结果产生影响。因此，如何提高模型在不同区域的适应能力，成为当前红树林识别研究的重要方向。

针对上述问题，本文提出了一种基于深度学习的跨域自适应分类方法，命名为SAA-VMamba。该方法结合了VM-UNet模型的分割损失函数与跨域自适应技术，旨在提升无瓣海桑在不同区域的识别精度。VM-UNet作为一种高效的图像分割模型，通过引入State Space Module（SSM）模块，增强了对图像全局特征的捕捉能力，同时保持了较高的计算效率。然而，由于无瓣海桑在源域中占据主导地位，其他红树林种类的样本数量较少，导致模型在分类过程中可能忽略这些物种的特征，从而降低整体分类的准确性。为此，本文对VM-UNet的损失函数进行了改进，引入了加权Focal Loss，以平衡各类样本的权重，提高模型对少数类样本的学习能力。此外，本文还结合了IoU Loss和L2 Loss，以增强模型的稳定性并减少过拟合现象。

为了进一步提升模型在跨区域任务中的适应性，本文在SA-VMamba的基础上，增加了跨域自适应模块，构建了SAA-VMamba模型。该模块借鉴了Domain-Adversarial Neural Networks（DANN）模型的思想，通过在下采样过程中进行特征对齐，增强模型在不同区域之间的泛化能力。为了实现更精确的特征对齐，本文还引入了Coral Loss、SCE Loss和L2 Loss作为损失函数，以缓解模型对源域的过度依赖，提高其在目标域中的识别能力。通过这种方式，SAA-VMamba模型不仅能够有效捕捉无瓣海桑的特征，还能在不同区域中实现更精准的分类。

为了验证SAA-VMamba模型的性能，本文选取了多个不同区域作为实验对象，包括源域（珠海淇澳岛红树林保护区）和三个目标域（湛江角尾山红树林湿地保护区、茂名水东湾红树林自然保护区、澄海义丰溪红树林湿地保护区）。通过对比实验，本文评估了不同模型在这些区域中的识别能力，并发现SAA-VMamba模型在多个关键指标上均优于其他模型。例如，在目标域1中，SAA-VMamba的F1分数达到了93.53%，比其他方法高出4.74%?12.23%。在目标域2中，虽然其总体精度（OA）略低于其他方法，但其mIoU和F1分数分别提高了5.99%?7.64%和5.78%?7.76%。而在目标域3中，SAA-VMamba的总体精度达到了83.65%，比其他方法高出2.17%?10.99%。这些结果表明，SAA-VMamba模型在跨域识别任务中表现出良好的适应性和较高的识别精度。

在实际应用中，SAA-VMamba模型的优势主要体现在以下几个方面。首先，它通过引入加权Focal Loss，有效缓解了类别不平衡问题，提高了对少数类样本的识别能力。其次，通过结合IoU Loss和L2 Loss，增强了模型的稳定性，使其在不同区域中都能保持较高的分类准确率。此外，跨域自适应模块的引入，使得模型能够更好地适应不同区域的特征分布差异，从而提高其在跨域任务中的泛化能力。这种跨域自适应机制在特征对齐过程中发挥了关键作用，使模型能够在不同区域中准确识别无瓣海桑。

此外，本文还探讨了遥感图像的空间分辨率和传感器类型对无瓣海桑跨域分类的影响。在实验中，源域图像的空间分辨率为4.0米，而目标域3的分辨率为8.0米，这种分辨率差异可能导致特征分布的偏移，从而影响模型的泛化能力。然而，实验结果表明，即使在不同分辨率下，SAA-VMamba模型仍能保持较高的识别精度。这表明该模型在处理不同分辨率图像时具有较强的鲁棒性。同样，在不同传感器（如GF-6、GF-1和GF-2）的遥感数据中，SAA-VMamba模型也能保持良好的识别效果，说明其对传感器差异具有较强的适应能力。

在特征选择方面，本文基于XGBoost算法对无瓣海桑的表面特征进行了筛选，最终确定了四组原始多光谱波段和三组特征波段作为模型的输入。通过分析特征数量对模型精度的影响，发现当特征数量增加到三组时，模型的总体精度达到了97.04%，显著优于使用前两组特征的结果。然而，随着特征数量的进一步增加，模型的精度提升幅度逐渐减小，表明过多的特征可能会引入冗余信息，增加计算负担。因此，本文在特征选择上采取了折中的策略，即在保证精度的前提下，尽可能减少计算量，提高模型的运行效率。

本文的研究成果表明，SAA-VMamba模型在无瓣海桑的跨域识别任务中具有显著优势。该模型不仅能够有效提高分类精度，还能在不同区域中保持较高的泛化能力。通过引入跨域自适应模块，模型能够更好地适应不同区域的特征分布差异，从而实现更精准的分类。此外，该模型在处理不同传感器和不同分辨率的遥感数据时，表现出较强的鲁棒性，表明其在实际应用中具有广泛的适用性。

在实际应用中，SAA-VMamba模型可以用于无瓣海桑的跨区域识别，为红树林生态系统的保护和管理提供科学依据。通过精准识别无瓣海桑的分布，可以更好地评估其生态影响，制定相应的管理措施，防止其可能引发的生态入侵问题。此外，该模型还可以为其他红树林物种的识别提供参考，拓展其在红树林研究中的应用范围。同时，本文的研究也为未来红树林分类模型的优化提供了思路，例如通过引入更多的特征、改进损失函数设计、优化模型结构等方式，进一步提升模型的性能。

总的来说，本文通过构建SAA-VMamba模型，解决了无瓣海桑在不同区域中的识别难题，为红树林生态系统的监测与管理提供了新的方法。未来的研究可以进一步探索该模型在更广泛区域中的应用，以及如何通过改进模型结构和优化训练策略，提升其在复杂环境下的识别能力。此外，随着遥感数据的不断丰富，可以尝试将更多数据纳入模型训练，以提高其泛化能力。同时，也可以探索无监督或弱监督学习方法，以减少对目标区域标注数据的依赖，从而实现更大规模的红树林分类任务。