基于时间一致性的PlanetScope影像的无标记红树林测绘技术，结合可解释的深度展开网络（Interpretable Deep Unfolding Network）

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Label-free mangrove mapping from temporally consistent PlanetScope imagery with interpretable deep unfolding network

　　聂向宇|薛照辉|李晓峰
中国南京河海大学地球科学与工程学院，211100

**摘要**
红树林在维持沿海生态系统稳定性和支持环境可持续性方面发挥着至关重要的作用，但由于人类活动和气候变化，它们已经遭受了广泛的退化。因此，准确、高效和可靠的测绘结果对于红树林的监测和有效管理至关重要。然而，随着对详细监测需求的增加，广泛使用的Landsat和Sentinel系列图像的有限空间和时间分辨率已经显得不足。同时，基于光谱指数和传统机器学习的现有测绘方法在准确性较低和泛化能力有限方面存在问题。尽管基于深度学习的方法表现更好，但它们受到对标记样本的高需求和黑箱性质的限制。为了解决这些问题，本研究系统地探讨了图像选择、无标签样本获取和模型可解释性。首先，选择了低潮时且时间一致的PlanetScope图像作为数据来源，为精细尺度的红树林测绘提供了坚实的基础。其次，通过利用光谱指数特征和现有的红树林数据集，提出了一种无标签样本注释策略，以高效获取高质量的训练样本。最后，受表示模型的启发，开发了一种具有可解释决策机制的新型深度展开网络用于红树林测绘，这不仅提高了结果的准确性，还增强了其在政策制定和管理中的可信度。为了验证我们的研究，使用2024年获取的时间一致的PlanetScope图像在中国进行了全国范围的红树林测绘实验。测绘结果显示，中国的红树林面积为30,455公顷，共有14,830个斑块。值得注意的是，约45%的斑块面积小于0.1公顷，而超过10公顷的斑块仅占3.5%。在九个代表性测试区域的评估中，整体准确率在93.51%到97.63%之间。此外，无需手动编辑，本研究的结果在空间细节和覆盖完整性方面显著优于现有的红树林数据集。

**引言**
作为介于陆地和海洋之间的独特生态系统，红树林在净化海水、保护海岸线免受波浪侵袭、维持生物多样性以及特别是在蓝碳吸收和储存方面发挥着关键作用（Lee等人，2014；Carugati等人，2018；Song等人，2023）。红树林生态系统能够有效吸收和储存大量二氧化碳，使其成为应对全球气候变化的关键组成部分（Alongi，2014；Atwood等人，2017）。然而，由于自然灾害、环境污染和人类活动干扰等多种因素，红树林面临着日益严峻的生存挑战（Gilman等人，2008；Saintilan等人，2020；Akram等人，2023）。这些日益增长的威胁强调了红树林保护和恢复的紧迫性。有效的监测和管理策略对于缓解这些挑战至关重要（Saoum和Sarkar，2024）。
红树林测绘是红树林监测和管理的基础，为评估其空间分布、动态变化和生态健康提供了必要的数据支持。此外，它对于研究红树林的碳储存能力（Wang等人，2025）、生态功能（Sun等人，2024；Lovelock等人，2024）以及对环境变化的响应机制（Murdiyarso等人，2015；Menéndez等人，2020；Gong等人，2024）也至关重要。目前，卫星遥感图像以其出色的空间、时间和光谱分辨率，为红树林测绘研究提供了全面、大规模且成本效益高的数据支持（Pham等人，2019；Wang等人，2019；Wu等人，2025）。在各种卫星遥感数据集中，Landsat和Sentinel系列图像是最广泛使用的数据源（Loveland和Dwyer，2012；Roy等人，2014；Li和Roy，2017；Zhu等人，2019；Phiri等人，2020），因其可访问性、合适的分辨率、丰富的光谱带和处理便利性而受到重视。
2011年，基于大约1000幅Landsat图像的解释，成功构建了一个全球红树林分布数据集（Giri等人，2011），展示了Landsat图像在红树林测绘中的巨大潜力。在后续研究中，基于Landsat图像的红树林测绘继续受到广泛关注。例如，Giri等人（2015）利用Landsat图像研究了南亚红树林的分布和动态，成功绘制了2000年至2012年间红树林范围的变化，为区域红树林动态提供了宝贵见解。随后，Chen等人（2017）利用时间序列Landsat数据结合Google Earth Engine（Gorelick等人，2017）云计算平台生成了中国详细的红树林分布图，为可持续管理和生态评估工作提供了重要支持。此外，全球红树林监测（GMW）（Bunting等人，2018）也使用Landsat图像进行了测绘，该监测提供了全球红树林范围的基线。然而，由于空间分辨率的限制，Landsat图像可能会遗漏小型或分布稀疏的红树林斑块。为了捕捉更详细的信息并提高测绘准确性和空间细节，最近的研究越来越倾向于使用Sentinel-1/2卫星的高分辨率图像。具体来说，Bunting等人（2022a）使用Sentinel-2图像改进和更新了GMW数据集，显著提高了红树林范围的测绘准确性和完整性。后来，基于Sentinel-2图像构建的高分辨率全球红树林森林（HGMF_2020）（Jia等人，2023）数据集发布，该数据集以10米的空间分辨率展示了全球红树林的分布，为详细分析红树林分布模式提供了有力支持。
随着对红树林价值的认识不断提高以及对更好监测和管理需求的迫切性，政府和研究人员要求关于红树林分布和健康状况的信息具有更高的准确性和细节水平（Friess等人，2019；Zhao和Qin，2022a；Tian等人，2025）。为了满足这些对更精细尺度红树林信息的需求，PlanetScope图像具有相当大的应用潜力（Roy等人，2021）。如图1所示，与Landsat 8和Sentinel-2相比，PlanetScope提供了显著更高的时间频率和更精细的空间分辨率，使其更适合详细红树林测绘。一方面，红树林测绘受到云层覆盖和潮汐条件的影响。Landsat 8和Sentinel-2的时间分辨率有限，经常导致特定时间范围内缺乏低潮图像，需要补充其他时期的数据，这降低了结果数据集的时间一致性。相比之下，PlanetScope每天提供全球覆盖，提供了更多可用的低潮高质量图像。另一方面，Landsat 8和Sentinel-2的空间分辨率有限，导致红树林测绘粗糙，影响了分布和面积评估的准确性。相反，PlanetScope更高的空间分辨率为精确测绘提供了良好的数据基础（Acharki，2022）。此外，最新一代的PlanetScope传感器（SuperDove）比上一代提供了更多的光谱带，特别是增加了红边带，显著增强了其区分红树林与其他土地覆盖类型的能力。
虽然高质量图像提供了坚实的基础，但选择正确的测绘方法同样关键，以确保结果的准确性。现有的红树林测绘方法可以分为三个主要流派。第一种方法使用专门设计用于增强红树林特征的光谱指数，包括红树林森林指数（MFI）（Jia等人，2019）、红树林植被指数（MVI）（Baloloy等人，2020）、增强型红树林植被指数（EMVI）（Yang等人，2022）、红边红树林指数（REMI）（Chen等人，2023）、光谱和SAR红树林指数（SSMI）（Chen等人，2024）。特别是，我们之前的工作提出了一种通用复合红树林指数（GCMI），用于区分红树林和非红树林植被（Xue和Qian，2022）。这些方法具有较高的计算效率，并且不需要样本注释，能够快速进行大面积的初步测绘。然而，它们存在几个显著的局限性。最重要的是，测绘准确性高度依赖于阈值设置，这些设置在不同地区和季节之间不一致，导致泛化能力较差。此外，光谱指数经常将红树林与光谱相似的植被混淆，导致分类准确性较低，难以满足精细尺度测绘的需求。
第二种方法依赖于传统的机器学习算法（Maxwell等人，2018），如随机森林（RF）和支持向量机（SVM）。与光谱指数相比，这些方法通常提供更高的分类准确性，特别是在背景复杂或土地覆盖类型多样的地区（Sowjanya和Prasad，2024；Simarmata等人，2025；Thant等人，2025）。多项研究（Jia等人，2023；Zhao等人，2024；Tian等人，2025）也证明了它们在大规模红树林测绘中的适用性。然而，这些方法的一个显著缺点是需要繁琐的手动特征提取。此外，分类模型涉及一系列经验配置的超参数，难以确定最有效的特征和参数组合。而且，生成的地图往往缺乏空间连续性和平滑性，因此需要额外的手动后处理进行优化。
第三种方法包括基于深度学习的方法（Ma等人，2019）。深度神经网络在模式识别和计算机视觉方面的快速进展加速了人工智能在遥感图像分析中的整合，也为红树林测绘带来了创新方法。例如，Tran等人（2024）使用Sentinel-2图像和广泛使用的U-Net（Ronneberger等人，2015）模型自动绘制了2016年至2023年越南南部海岸的红树林年度覆盖情况，取得了准确且一致的结果。随后，Sun等人（2025）对几种深度学习模型进行了全面评估。他们的结果表明，U-Net和ResNet（He等人，2016）的协同使用在识别红树林方面取得了最佳效果。此外，Lin等人（2025）没有直接应用具有大量参数的现有深度学习模型，而是专门设计了一种轻量级的量子增强深度网络，针对红树林特性进行了优化，以满足快速和准确的自动化测绘需求。总体而言，这些先进方法正在推动从劳动密集型手动和半手动解释方法向更自动化和智能解决方案的转变。
基于深度学习的方法虽然强大，但通常涉及大量可学习参数，需要大量的标记样本进行有效模型训练（Han等人，2023）。然而，由于红树林独特的生长环境，获取足够的训练样本仍然是一个挑战。此外，由于复杂的网络结构导致的黑箱性质，深度学习的决策过程缺乏透明度且难以解释（Zhu等人，2017；Minh等人，2022）。对于管理部门和政策制定者来说，测绘方法的透明度和可解释性至关重要。
总之，为了进一步推进红树林测绘研究的精细化、无标签化和可靠性，仍有几个关键问题需要回答：（1）哪种类型的图像能够支持精细测绘？（2）如何自动获取足够的标记样本进行训练？（3）如何提高深度学习决策过程的可解释性？
在此背景下，本研究系统地探讨了上述三个问题：（1）在图像选择方面，选择了同时具有高空间和时间分辨率的PlanetScope图像，以构建用于精细尺度红树林测绘研究的高潮时和时间一致的数据集。（2）关于样本标注，基于光谱指数特征和现有红树林数据集开发了一种无标签样本注释策略，通过提取潜在可靠的样本，实现了训练样本的自动化获取。（3）通过整合模型驱动和数据驱动的方法，设计了一种具有可解释决策机制的深度展开分类网络，增强了其测绘结果在政策制定和管理中的可信度。此外，作为验证，使用2024年获取的时间一致的PlanetScope图像在中国进行了全面的红树林测绘实验。结果证明了该研究在大规模上的有效性和进步。

**研究区域**
如图2(a)所示，研究区域位于中国东南沿海。受环境因素的影响，中国的红树林主要分布在广西、广东、海南、福建、浙江、香港、澳门和台湾等沿海地区。其中，广东、广西和海南提供了有利于红树林生长的气候条件，导致红树林广泛分布且生态系统相对稳定。相比之下，浙江和台湾等地区的做法有所不同。本研究的整体技术工作流程如图4所示，包括四个主要步骤。第一步涉及研究区域划定和影像预处理；第二步侧重于无标签样本的标注；第三步包括MIDU-Net的训练和红树林制图；第四步包括结果分析和总结。研究区域确定和影像预处理的详细信息已在第2节中详细描述。本节主要介绍第二步和第三步的内容。

2024年中国红树林制图情况：图9展示了中国沿海红树林的空间分布及其在不同省份的面积范围。图9(a)中，每个网格代表10公里×10公里的区域，颜色深浅表示该网格内的总红树林面积；图9(b)显示了不同省份的红树林面积及其占比。根据制图结果，2024年中国红树林总面积为30,455公顷，其中广东省的红树林覆盖面积最大，为13,843公顷。

数据集特征比较：在本节中，我们根据数据集的特征将我们的结果与现有的红树林数据集进行了比较。所比较的数据集包括GMF30_2000-2020（GMF_2020）（https://data.casearth.cn）、GMW v3.0（Bunting等人，2022b）、LREIS_Global Mangrove（LREIS-GM）（https://www.scidb.cn）、ESA World Cover v200（ESAWC v200）（https://esa-worldcover.org）、HGMF_2020、MangroveChina LASAC 2018（MC_2018）（Zhang等人，2021）、MGMC_2019和LSSM_2020（Tian等人，2025）。尽管部分数据集存在差异，但它们都为红树林研究提供了有价值的信息。

结论：本研究旨在克服实现准确、高效和可靠红树林制图的关键挑战，以满足日益精细的监测和管理需求。传统的遥感数据源和制图方法存在分辨率低和泛化能力差的问题，而当前的深度学习模型通常需要大量的标注数据且缺乏可解释性。为了解决这些问题，本研究在影像选择、无标签数据标注、模型训练和验证方法等方面进行了系统的研究。

作者贡献声明：聂向宇：撰写——审稿与编辑、撰写——初稿、可视化、验证、方法论、数据分析、概念化；薛照辉：撰写——审稿与编辑、资源获取、方法论、资金筹集、概念化；李晓峰：撰写——审稿与编辑、方法论。

利益冲突声明：作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢：我们的研究得到了国家自然科学基金（项目编号42271324）和中华人民共和国自然资源部陆地卫星遥感应用重点实验室（项目编号KLSMNR-G202505）的资助。