基于自加权集成机器学习的时间序列InSAR海岸带湿地精细分类研究

本文创新性地提出自加权集成机器学习（AWEML）分类器，结合时间序列InSAR技术提取的多模态特征（振幅、相干性、相位），在黄河三角洲湿地实现94.36%的分类精度。研究证实VH短时基相干特征对盐沼植被识别具有显著优势，为多云雨地区湿地动态监测提供了全新技术路径（OA提升13.1%，Kappa 0.943）。

　　

引言

湿地作为地球关键生态系统，仅占陆地面积4%-6%却储存全球12%-24%陆地碳（Mitsch et al. 2013）。海岸带湿地因其碳封存、气候调节和海岸线保护功能备受关注，但传统光学遥感受云层干扰严重。合成孔径雷达（SAR）凭借全天候观测优势，特别是时间序列InSAR技术衍生的多模态特征，为湿地精细分类提供了新思路。

材料与方法

研究选取2018年黄河三角洲28景Sentinel-1 VH/VV数据，通过小基线集干涉测量（SBAS-InSAR）技术提取振幅、相干性和相位特征。创新性提出自加权集成机器学习（AWEML）框架，整合XGBoost、CatBoost等5种基分类器，采用Optuna优化权重分配。特征按时间基线分组：短时基（0-50天）捕捉盐沼植被生长季内变化，中长时基（50-150天）反映完整物候周期。

关键技术突破

1. 多模态特征融合：主成分分析（PCA）降维后，融合特征使XGBoost分类总体精度（OA）达92.7%，较单一振幅、相干性、相位特征分别提升13.1%、6.55%和27.21%。
2. AWEML分类器：通过贝叶斯优化自动分配基分类器权重，五折交叉验证平均OA达94.36%，较软投票集成提升2.42%，显著改善盐沼植被边界模糊问题。
3. 时基效应解析：SHAP分析揭示VH短时基低相干值对互花米草（S. alterniflora）识别贡献度最高（F1提升0.19），而长时基VV高相干值对建筑裸地提取最关键。

应用价值

在江苏盐城湿地验证中，该方法成功区分入侵物种互花米草与本土芦苇（P. australis），分类边界精度达亚像元级。时间序列相干特征可捕捉潮汐淹没导致的植被动态变化，弥补光学数据时间分辨率不足的缺陷。研究为《生物多样性公约》2030年湿地保护目标提供了可推广的技术方案。

局限与展望

当前SBAS-InSAR计算效率仍是瓶颈，未来将探索GPU加速处理。L波段SAR对植被穿透能力的优势尚未验证，多频段数据融合可能是下一阶段重点。值得注意的是，尽管相位特征对湿地分类贡献度较低（<5%），但其与地表形变的耦合机制仍值得深入研究。