基于紧凑一维网络与概率校准、预测熵及冻结迁移评估的红树林分类群制图（Sentinel-1/2）

《Frontiers in Plant Science》：Mangrove taxon mapping from Sentinel-1/2 using a compact one-dimensional network with probability calibration, predictive entropy, and frozen transfer evaluation

　　

摘要
引言：红树林范围图缺少碳评估、修复评估和管理所需的分类群信息。10 m分辨率下的分类群制图仍受光谱相似性、混合像元、参考覆盖有限和空间依赖性制约。
方法：研究人员研发了倒残差光谱一维卷积神经网络（Inverted-Residual Spectral One-Dimensional Convolutional Neural Network, IR-Spec1D），作为14特征Sentinel-1/2光学与雷达向量的紧凑分类器。为紧凑地捕捉非线性光学-雷达关系，倒残差和深度可分离变换学习特征交互，高效通道注意力（Efficient Channel Attention, ECA）强调信息量大的学习通道。谱域丢弃（Spectral-Domain Dropout）通过训练期特征掩蔽降低对单个输入的依赖性。该工作流将此配置与空间评估、事后温度缩放（temperature scaling）、预测熵（predictive entropy）分析和冻结迁移（frozen transfer）评估相结合。六类别源分类体系包括B. sexangula/B. gymnorhiza复合群。研究人员使用所选东寨港研究区2024年4月观测数据评估了六个分类器。
结果：IR-Spec1D在五折空间分组交叉验证下取得最高平均总体精度（overall accuracy, OA）0.9720和宏平均F1（macro-F₁）0.9406。在100 m排除缓冲区下性能仍相对较高。保留的源域诊断显示，温度缩放将平均期望校准误差（expected calibration error, ECE）从0.0346降至0.0125，且不改变类别预测。预测熵以0.8808的AUROC对交叉验证源域误差进行排序。冻结集成在两个同址时间评估中均保持0.9450的总体精度，而到高桥的四类别闭集地理迁移为0.7118。
讨论：综合证据在共同的红树林制图工作流中刻画了分类群判别、保留概率行为以及特定迁移条件下的性能保持。

红树林生态系统储存大量碳、减轻海岸极端事件暴露并提供栖息地等服务。现有范围清单仅支持基于面积的监测，无法解析与生物量、生产力和碳储量相关的林分组成。分类群信息是将遥感观测与特定分类群生物量关系及异速生长方程联系起来的关键，也是修复评估和管理所需要的。然而，10 m分辨率下的分类群制图仍受光谱相似性、窄条带、混合像元、参考覆盖有限和空间依赖性制约。现有研究已利用Sentinel-2和Sentinel-1进行红树林制图，但如何配置和评估紧凑的多传感器分类器，特别是在分类参考空间覆盖有限情况下，仍是未解决的实际问题。

为此，研究人员开发了倒残差光谱一维卷积神经网络（Inverted-Residual Spectral One-Dimensional Convolutional Neural Network, IR-Spec1D），用于处理14维Sentinel-1/2光学和雷达特征向量。该网络通过倒残差块（inverted residual block）和深度可分离卷积（depthwise separable convolution）学习非线性特征交互，使用高效通道注意力（Efficient Channel Attention, ECA）强调信息通道，并通过谱域丢弃（Spectral-Domain Dropout）在训练时掩蔽个体输入。研究结合了空间分组交叉验证、事后温度缩放（temperature scaling）、预测熵（predictive entropy）分析和冻结迁移（frozen transfer）评估，构建了从传感器观测到分类图和熵图的统一流程。源域为东寨港2024年4月数据，包含六个参考支持类别，共3,327个参考像元。研究人员在匹配的空间验证下比较了IR-Spec1D与五种基准模型。结果显示，IR-Spec1D取得最高平均总体精度（overall accuracy, OA）0.9720和宏平均F1（macro-F₁）0.9406；温度缩放将保留集的期望校准误差（expected calibration error, ECE）从0.0346降至0.0125，且不改变硬类别预测；预测熵以接收者操作特征曲线下面积（area under the receiver operating characteristic curve, AUROC）0.8808排序交叉验证错误；冻结模型在2022和2026年同址时间评估中保持OA 0.9450，在到高桥的四类闭集地理迁移中OA为0.7118。该研究的贡献在于，为异质光学-SAR输入下的红树林分类群制图提供了一种紧凑且经过系统概率和迁移诊断的工作流。

关键技术方法方面，研究采用Sentinel-1 Ground Range Detected（GRD）和Sentinel-2 level-2A影像，经预处理和配准后形成14维像元特征向量。空间分组采用K-means候选比较选定K=80，并构造五折空间分组交叉验证，每折包含训练、验证、校准和保留评估四个角色。IR-Spec1D由一维stem卷积、五个倒残差块、ECA和分类头组成，并使用谱域丢弃、标签平滑、高斯噪声和加权交叉熵训练。事后温度缩放在独立校准折上拟合。场景级和迁移推断采用测试时增强和五模型概率平均。源域参考来自2024年4月东寨港野外调查和无人机（UAV）影像解译；时间迁移样本为2022和2026年东寨港各400个；地理迁移样本为高桥32个样地的288个共享类别样本。

研究结果如下。

3.1 空间分组配置用于源域评估：通过K-means候选分组和代理验证选择K=80；审计确认373个感兴趣区全部完整、80个空间组无跨折分裂，最近训练距离中位数约30 m；100 m排除缓冲区下OA/macro-F₁仍为0.9318/0.8929，表明短程邻近不太可能单独解释源域主要性能模式。

3.2 源域分类与概率校准：五折空间分组交叉验证中，IR-Spec1D平均OA 0.9720、macro-F₁ 0.9406；温度缩放参数均小于1（均值0.7707），平均ECE从0.0346降至0.0125，负对数似然（negative log-likelihood, NLL）从0.1254降至0.1100，且不改变预测标签。

3.3 相对于匹配基准的类别平衡性能：与支持向量机（SVM）、K近邻（KNN）、随机森林（RF）、一维ConvNeXt（1D-ConvNeXt）和轻量一维视觉Transformer（Lightweight 1D-ViT）比较，IR-Spec1D的OA和macro-F₁均最高；其macro-F₁优势大于OA，表明主要增益来自类别平衡；五种训练种子、五种交替分组和配对bootstrap均支持结果稳定性；特征顺序变化和双分支融合无一致优势，但去除Sentinel-1降低性能。

3.4 预测熵与野外/UAV空间解释：预测熵与分类错误强关联，错误样本平均熵0.5861 nats，正确样本为0.0964 nats；AUROC为0.8808，最高熵四分位捕获88.04%错误。边界距离和光谱异质性无单调关系，但边界20 m内错误率11.81%；异质性最高四分位熵和错误率均升高。三个案例区域显示相同聚合指标可与不同局部标签配置共存。

3.5 消融与模拟特征遗漏敏感性：去除谱域丢弃导致macro-F₁下降最大（0.0583）；去除Sentinel-1、ECA、倒残差块和标签平滑也造成下降；模拟随机特征遗漏增加时性能下降，但完整模型优于无谱域丢弃变体。

3.6 制图足迹敏感性与计算特征：10 m和20 m向内侵蚀后四个图的主导分类群不变，但个别类别比例变化最高达6.60个百分点；IR-Spec1D为236,309参数，FP32状态字典0.953 MB，GPU推理吞吐486,956样本/秒，完整推理流程约66.7秒/百万有效像素，峰值GPU内存<100 MB。

3.7 辅助冻结模型迁移评估：
3.7.1 同址时间迁移：冻结集成在2022和2026年东寨港各400样本上均取得OA 0.9450，macro-F₁分别为0.9411和0.9402；类别F₁因年份而异。
3.7.2 到高桥的闭集地理迁移：四类共享标签空间下288个高桥样本OA=0.7118，macro-F₁=0.7131，地块聚类95%置信区间较宽；按地块平均正确分类25/32（OA=0.7813）；类别条件特征比较显示Sentinel-2可见光等特征明显偏移；相比同址时间评估，OA和macro-F₁分别低23.32和22.76个百分点。

讨论部分总结：研究人员在空间分组评估中确认IR-Spec1D在类别平衡性能上的优势，同时指出空间误差聚类仍然存在；排除缓冲区将训练-评估距离与样本量变化混合，不能单独归因；温度缩放作为事后概率调整，与训练期正则化互补；预测熵适合作为检查线索而非独立验证；冻结时间迁移表现保持，地理迁移下降与跨区特征偏移共存，但因果关系未隔离；需要更多独立采样区域和重复采集来评估更广泛的可迁移性。

结论部分翻译如下：IR-Spec1D将紧凑光学-SAR分类器与空间验证、概率诊断、预测熵分析和冻结迁移评估相结合，用于红树林分类群制图。它在六个模型中取得最高平均OA 0.9720和macro-F₁ 0.9406，在更严格空间分离下性能仍较高。温度缩放降低了保留集诊断中的ECE和NLL，预测熵以AUROC 0.8808排序交叉验证源域误差。冻结集成在两个同址时间评估中均保持OA 0.9450，并在到高桥的四类闭集地理迁移中取得OA 0.7118。该工作流在参考支持的源域和地理标签空间及指定部署条件下，将分类群判别与概率行为和性能保持的明确刻画联系起来。需要更多区域和重复观测以评估更广泛的地理可移植性和业务使用。