跨域对抗学习在沙漠牧场中利用无人机高光谱影像进行觅食路径绘制和α多样性评估的应用

《Computers and Electronics in Agriculture》：Cross-domain adversarial learning for forage mapping and alpha-diversity assessment from UAV hyperspectral imagery in desert rangelands

荒漠草原牧草分布与α多样性评估中提出跨域对抗多视图对比网络（DA-MVCNet），通过域对抗策略缓解数据分布差异，结合多视图对比学习提升特征区分度，实现92.52%的分类精度与低计算量（0.11 GFLOPs）。

　　本研究聚焦于荒漠草地中牧草分布与多样性评估的科学问题，旨在为可持续放牧管理提供技术支持。随着全球人口增长和农业产品需求的上升，草地生态系统正面临越来越大的压力。过度放牧和不合理的土地利用不仅加剧了草地退化，还导致植被减少、土壤沙漠化以及生物多样性的丧失，严重威胁了畜牧业与草地生态系统的平衡。作为最脆弱的生态系统之一，荒漠草原在退化过程中更容易发生不可逆的变化，因此加强其管理对于草地资源的可持续发展和生态系统的稳定性具有重要意义。

准确了解草地中牧草的空间分布及物种多样性变化，是制定科学放牧策略、减轻土地退化的重要前提。传统方法主要依赖于定期的实地调查，通过样方取样和植被测量等手段收集数据，以评估草地状况。尽管这些人工调查方法能够提供详尽且可靠的数据，有助于草地管理和生态研究，但其过程耗时、费力且成本高昂，难以满足大规模或高频次监测的需求。近年来，遥感技术的发展为草地调查提供了新的可能性，卫星和航空平台能够快速获取广域空间信息，推动草地资源的精准管理。然而，这些平台在光谱和空间分辨率方面存在一定的局限性，难以满足对植被进行精细分类和物种识别的需求。

相比之下，基于无人机的高光谱遥感技术因其优越的空间分辨率、丰富的光谱信息以及操作的灵活性，为草地牧草的详细动态监测提供了新的途径。不同于传统的RGB或多光谱图像，高光谱图像通常包含几十到几百个狭窄且连续的光谱波段，能够检测植被光谱反射率的细微差异，从而为牧草的精细识别和监测提供强有力的数据支持。高光谱成像技术已在食品安全、矿产勘探、医学诊断和精准农业等多个领域得到广泛应用。然而，高光谱数据的高维度特性也带来了所谓的“维度诅咒”，这在一定程度上限制了高光谱成像技术在多个领域的进一步发展。因此，众多研究者致力于探索各种特征提取方法，以解决这一问题。

在早期研究中，许多降维算法被开发出来以应对这一挑战，如主成分分析（PCA）、独立成分分析（ICA）、线性判别分析（LDA）和自编码器等。这些降维方法通常用于减少数据复杂性，随后将其输入到传统的机器学习算法，如支持向量机（SVM）和随机森林（RF）中，进行下游任务分析。虽然研究表明降维可以提高下游模型的准确性，但这些算法本质上是特征变换，可能会破坏数据的内在结构，从而限制模型准确性的进一步提升。此外，一些基于先验知识的方法也常用于特征提取，如植被指数、纹理特征和颜色参数等。这些方法虽然在一定程度上可以提升模型的准确性，但往往依赖于人工设计和领域专业知识，难以适应高光谱数据中复杂的非线性关系和深层次的语义信息，进而影响模型的稳定性与泛化能力。

近年来，深度学习技术的快速发展为高光谱图像分析带来了新的突破。与传统机器学习方法相比，深度学习能够以端到端的方式自主地从原始数据中学习多层次的特征表示，从而避免对人工特征工程的依赖。通过构建多层学习单元，深度学习可以捕捉原始图像中的复杂空间上下文关系和深层次语义信息。卷积神经网络（CNN）作为深度学习的典型代表，已被广泛应用于高光谱图像的空间和光谱特征提取。例如，Pi等人（2021）展示了使用三维CNN进行荒漠草地牧草群落识别的可行性。随后，Jin等人（2024）在三维CNN中引入残差连接，以提高放牧草地中优势牧草种类的识别准确性。此外，基于Transformer架构的序列建模方法也被用于高光谱图像的特征嵌入提取。近期研究表明，基于Transformer的方法在图像中能够有效捕捉全局空间上下文信息。因此，许多基于Transformer的深度学习模型相继被提出，如RDTN和SGTN等。Zhang等人（2024a）设计了一种卷积Transformer注意力网络（CTAN），用于牧草群落识别，证明了这些深度学习方法在高光谱图像处理中的显著成果。与传统方法相比，深度学习方法在处理高光谱图像时表现出更强的鲁棒性和泛化能力。

然而，深度学习方法通常依赖于大量标注样本进行模型训练。当样本数量有限时，深度学习模型难以从数据中学习到稳健的特征表示，容易出现过拟合现象。在实际应用中，从现实世界中获取高质量的标注样本往往成本极高，尤其是在无人居住或偏远地区，获取大量样本几乎是不可能的。为了解决样本稀缺的问题，一些研究采用数据增强技术，如旋转和裁剪等方法，以扩展样本数量。例如，Zhu等人（2022）利用数据增强技术扩大了Artemisia frigida牧草的样本量，从而缓解了荒漠草地中样本不足的问题。尽管数据增强可以在一定程度上增加样本数量，但其本质上是对已有数据进行有限的变换和重组，可能导致训练数据的多样性不足，无法有效学习潜在的变异性或不变性特征。此外，数据增强还可能在训练过程中造成信息泄露，增加模型过拟合的风险。

除了数据增强，一些研究还尝试通过半监督学习或PROSAIL方法来缓解样本不足的问题，利用未标注样本或模拟数据来增强模型的学习能力。例如，Alam等人（2024）使用PROSAIL辐射传输模型生成的模拟光谱作为辅助数据，以减轻模型训练过程中样本不足的问题。近年来，少样本学习（few-shot learning）受到了广泛的关注。少样本学习本质上是一种元学习方法，它通过分阶段训练，使模型在有限样本条件下具备更强的泛化能力。然而，当仅有极少数样本可用且目标环境高度异质时，这种方法的性能仍不理想。这是因为，在某些高度异质的区域（如荒漠草地），模型无法从有限的样本中获取足够的泛化信息（meta-knowledge），从而难以有效迁移和适应新的任务。

幸运的是，公共数据集（称为源域）中包含丰富的标注样本，为解决模型训练数据不足的问题提供了新的机会。因此，模型可以通过学习源域中的样本来优化参数，使其能够在新的数据（即目标域）中对每个像素进行分类。这一过程被称为跨域迁移学习。然而，当源域和目标域之间的特征分布存在显著差异时，模型的性能会大幅下降。此外，即便利用了源域的数据，目标域中仍需要大量的标注样本才能实现更好的性能。

为了应对上述挑战，本文提出了一种跨域对抗学习框架，用于荒漠草地的牧草映射和α多样性评估，命名为领域对抗多视角对比网络（DA-MVCNet）。该框架通过在源域和目标域之间进行知识迁移，有效缓解了目标域中标注样本不足的问题。具体而言，采用元任务学习策略来模拟少样本场景，从源域和目标域中构建支持集和查询集，使模型能够泛化到新类别。同时，构建了一个双分支的空间-光谱特征提取网络，以捕捉牧草群落的光谱和空间结构差异。为了减少源域和目标域之间的特征分布差异，引入了一个领域对齐模块，利用对抗训练来降低领域偏移。此外，还设计了一个多视角监督对比学习模块，以增强目标域中类别间的相似性和可分性。值得注意的是，所提出的方法旨在学习一个领域不变的度量空间，从而在面对未见过的类别时仍能实现高识别准确率。基于这一框架，实现了荒漠草地的精细牧草映射和α多样性评估，为草地生态监测和可持续放牧管理提供了技术支撑。

本文的主要贡献包括以下三个方面：首先，提出了一种基于无人机高光谱图像的跨域对抗学习框架，即DA-MVCNet，用于解决荒漠草地中标注样本稀缺的问题，实现精细牧草映射和α多样性评估。据我们所知，这是首次将跨域学习应用于荒漠草地映射研究。其次，设计了一种领域对抗策略和多视角监督对比学习模块，以减少源域和目标域之间的特征分布差异，同时提升模型对新类别的识别能力。最后，通过广泛的实验验证了DA-MVCNet方法的有效性和泛化能力。与其他最先进的分类方法相比，该方法在分类性能上表现出色。此外，映射结果表明，该方法能够准确捕捉荒漠草地中物种和α多样性的空间模式，为生态监测和可持续放牧管理提供了技术支持。

研究区域位于中国内蒙古自治区乌兰察布市四子王旗的格尔登塔拉草地（图1），地理坐标约为11°5′48″E和41°46′48″N。该地区代表了内蒙古高原上的典型Stipa breviflora荒漠草原，海拔约为1456米。该区域属于温带大陆性季风气候，冬季漫长而寒冷。年平均气温在1°C左右。该区域的牧草种类繁多，涵盖了多种耐旱和适应性强的植物，如Stipa breviflora、Agropyron cristatum和Medicago sativa等。这些牧草在不同的生长阶段和环境条件下表现出不同的光谱特征，为高光谱图像分析提供了丰富的数据来源。

图5展示了不同牧草种类的光谱反射率曲线。结果表明，不同牧草类型在光谱反射率上存在显著差异。在可见光波段（400-700纳米）范围内，所有牧草的反射率普遍较低，这可能是由于叶绿素对蓝光和红光的强吸收所致。一个明显的“绿峰”出现在约550纳米处，这是植被呈现绿色的主要原因。此外，不同牧草种类在近红外波段（700-1300纳米）的反射率差异更为显著，这为高光谱图像中的牧草分类提供了重要的光谱特征依据。通过分析这些光谱特征，可以更准确地识别不同牧草种类，并评估其在草地生态系统中的分布情况。

为了验证DA-MVCNet方法的泛化能力，本文选取了四个公开数据集：Houston 2013、Salinas、WHU-Hi-LongKou和Pavia University（Zhang等人，2025b）。这些数据集涵盖了多种地表覆盖类型，包括农田、森林、水体和城市区域等，具有较高的空间和光谱分辨率。通过在这些数据集上进行实验，可以评估DA-MVCNet在不同场景下的分类性能。实验结果表明，DA-MVCNet在多个数据集上均表现出优异的分类能力，其整体准确率达到了92.52%，显著优于其他最先进的方法。此外，该方法在计算复杂度方面也具有优势，仅需0.11 G FLOPs和0.30 M参数，即可实现高效的模型推理。

在进行牧草分类的同时，本文还对α多样性指数进行了空间分布映射。所采用的α多样性指数包括物种丰富度、香农-威纳指数、辛普森指数和皮埃尔指数。通过网格化方法，我们对这些指数进行了空间分析，揭示了放牧压力对草地群落结构的影响。实验结果表明，随着放牧压力的增加，所有四种多样性指数均显著下降（P<0.05），这有效揭示了放牧扰动对草地生态系统的影响。这一发现为草地管理提供了重要的科学依据，表明合理的放牧强度和管理措施对于维持草地生态系统的稳定性和生物多样性具有关键作用。

本文的研究成果不仅为荒漠草地的牧草映射和多样性评估提供了新的技术路径，还为草地生态系统的智能监测和可持续管理提供了技术支持。通过结合跨域对抗学习和多视角监督对比学习，DA-MVCNet方法在有限标注样本的情况下仍能实现高精度的牧草分类和多样性评估。此外，该方法在计算效率和模型泛化能力方面表现出色，适用于大规模和复杂环境下的草地监测任务。

在作者贡献方面，Tao Zhang负责原始稿的撰写、验证、软件开发、方法设计、形式化分析、数据管理、概念化。Chuanzhong Xuan负责论文的审阅与编辑、监督、项目管理、方法设计和资金获取。Zhaohui Tang参与了验证、软件开发和数据管理，同时贡献了概念化。Xinyu Gao负责软件开发、调查和数据管理。Fei Cheng参与了调查和形式化分析。Suhui Liu负责可视化和形式化分析。

在声明部分，作者表示他们没有已知的与本研究相关的竞争性财务利益或个人关系。在致谢部分，本文得到了中国国家自然科学基金（项目编号：32560931）、内蒙古自治区自然科学基金（项目编号：2024MS06023）和“一流学科研究专项项目”（项目编号：YLXKZX-NND-009）的支持。这些资金支持为本研究的顺利开展提供了重要的保障。

总之，本文通过提出DA-MVCNet方法，有效解决了荒漠草地中牧草分类和α多样性评估中的样本稀缺问题。该方法结合了跨域对抗学习和多视角监督对比学习，不仅提高了模型的分类性能，还增强了其在不同环境下的适应能力。实验结果表明，DA-MVCNet在多个数据集上均表现出色，为草地生态系统的智能监测和可持续管理提供了重要的技术支持。未来的研究可以进一步探索该方法在其他草地类型中的应用，以及如何优化模型在不同环境条件下的性能表现。此外，还可以结合更多的遥感数据源，如卫星图像和地面传感器数据，以实现更全面的草地生态监测。这些研究方向有望为草地资源的保护和可持续利用提供更加科学和有效的解决方案。