利用机器学习和深度学习算法进行湿地测绘：评估最新方法的空间 Transferability（此处“Transferability”含义需结合具体上下文确定，可能指“适用性”、“可推广性”等） 作者：Saeideh Maleki 和 Vahid Rahdari

《Remote Sensing》：Wetland Mapping Using Machine Learning and Deep Learning Algorithms: Assessing Spatial Transferability of Recent Approaches Saeideh Maleki and Vahid Rahdari

　　### 研究亮点
- **主要发现**：两个湿地之间的空间转移是可行的。然而，转移效果在不同方向上存在差异，在一个地点训练的模型比反向转移时具有更高的准确性（最高可达90% vs 84%），这表明两个研究湿地之间的转移效果存在不对称性。
- **最具转移能力的算法**：InceptionTime和XGBoost是最具转移能力的算法；转移能力取决于类别类型，其中陆地植被是最稳定的类别，而水生植被是最具挑战性的类别。

### 主要发现的意义
- 算法的空间转移能力为将湿地制图扩展到参考数据有限的地区提供了可能，尽管仍需要在多个地点进行进一步验证。
- Sentinel-2时间序列分类显示出了支持操作监控的潜力：使用较短的时间窗口可以快速绘制稳定类别的地图，而使用较长的时间序列则可以检测动态湿地植被。

### 摘要
尽管存在显著的空间异质性和有限的参考数据，准确的、可扩展的湿地制图仍然具有挑战性。分类算法的空间转移能力为将在一个地区训练的模型应用于其他地区提供了一种有前景的解决方案，但其有效性取决于域偏移的程度、算法的鲁棒性以及数据表示方式。本研究利用法国的两个湿地系统（Camargue和étangs de la Champagne humide）的多时相Sentinel-2数据，评估了这种能力。分类涵盖了三个主要土地覆盖类别：开阔水域、水生植被和陆地植被，使用了四种不同的算法（神经网络MLP、深度学习模型InceptionTime以及两种机器学习算法Random Forest和XGBoost）和三种特征表示方式（光谱带、光谱指数及其组合）。结果表明，当模型在Camargue训练后应用于Champagne时，最佳准确率可达90%（使用InceptionTime和XGBoost）；当模型在Champagne训练后应用于Camargue时，最佳准确率为84%。在选定的算法中，InceptionTime和XGBoost在两个方向上的转移效果都最好。结合使用光谱带和指数可将InceptionTime和MLP的分类性能提高8%，而XGBoost和RF使用光谱带数据时的性能稍高（比组合方式高5%）。类别分析显示，陆地植被在所有配置下的转移能力最强且最稳定（F1分数最高达92%），其次是开阔水域（F1分数最高达88%），而水生植被是最难转移的类别（F1分数取决于算法和配置）。年度时间序列数据对水生植被有益，而仅涵盖植被生长季节的较短时间序列数据对于更稳定的土地覆盖类别（如陆地植被）来说已经足够。InceptionTime和MLP使用年度时间序列时的性能更好，而RF和XGBoost使用短时间序列时的性能更优。总体而言，这些结果突显了空间转移能力在两个研究湿地背景下的潜力，尽管仍需要在更广泛的湿地范围内进行进一步验证。

### 1. 引言
湿地是全球生产力最高的生态系统之一，提供关键的生态系统服务，如生物多样性支持、水分调节、碳储存和气候缓解[1]。尽管生态重要性显著，湿地却是高度动态的系统，对气候变化和人类活动（包括土地利用变化、排水和水文改变）特别敏感[2]。因此，可靠且空间一致的车地制图对于监测生态系统状况以及支持保护、恢复和管理策略至关重要[3]。
由于遥感能够在大范围内提供重复观测数据，已成为车地制图的关键工具[4,5,6]。中高分辨率的光学传感器，特别是Sentinel-2（S2），因其精细的空间分辨率、短的重访时间和对植被和水体敏感的光谱带的可用性而特别有价值[4,5,6,7]。最近的车地制图进展依赖于结合机器学习算法的S2时间序列数据。基于树的方法（如Random Forest（RF）和XGBoost）由于其对噪声的鲁棒性、处理高维数据的能力以及对超参数调整的相对较低敏感性而被广泛使用[8,9,10]。这些方法在区分开阔水域和陆地植被方面表现良好，但在处理光谱特征复杂且季节性变化明显的水生或挺水植被时常常遇到困难[4,11,12]。为了更好地利用时间信息，深度学习方法被引入用于卫星图像时间序列分类[11,12]。时间卷积网络和循环架构通过直接从时间序列中学习物候模式，显示出比传统分类器更好的性能[9,13]。这些算法已被证明在使用S2时间序列进行土地覆盖分类时优于传统的机器学习方法，尤其是在处理具有复杂季节动态的植被相关类别时[9,11,14,15]。
无论使用哪种算法，训练数据都是监督分类的基本要求。对于湿地而言，获取具有代表性的训练样本尤其具有挑战性，因为湿地通常空间范围广泛、难以访问，并且环境和植被异质性很高。因此，在湿地环境中进行实地数据收集和手动标注通常耗时、成本高昂且物流复杂[16,17]。为了解决训练数据稀缺或分布不均的问题，算法的空间转移能力在遥感分类中的应用越来越广泛。转移分类旨在重新利用在源域中学习的模型来对目标域的数据进行分类，从而减少对大量特定于地点的训练数据的需求[18,19]。在遥感领域，转移分类已成功应用于土地覆盖制图、作物类型分类和植被监测，尽管性能强烈依赖于域相似性和环境变化[20,21,22,23,24]。最近，有几项研究专门探索了用于湿地制图和监测的转移分类方法。例如，Ai等人[25]报告称，使用深度神经网络的转移分类方法对鄱阳湖湿地进行制图时的整体分类准确率超过了80%。Liu等人[23]评估了使用DeepLabV3+和HRNet进行多传感器图像上的沼泽植被分类的转移能力，结果表明浅水沼泽植被的准确率在0.75至0.85之间，灌木在0.7至0.8之间，深水沼泽植被在0.55至0.75之间。Zerrouk等人的系统综述[13]进一步强调了算法转移能力在湿地制图中的最新趋势、机会和局限性。他们的综述指出，这一领域的主要挑战是域偏移，这是由于训练区和目标区之间的环境条件、传感器特性或时间动态的差异造成的。在生态应用中，植被组成、气候和水文的异质性会显著限制模型的转移能力。

由于存在光谱重叠的土地覆盖类别（包括开阔水域、水生植被和陆地植被），湿地为转移分类带来了特定的挑战。水生植被尤其难以绘制，因为其光谱响应随水深、冠层密度、背景浑浊度和物候阶段而变化，这经常导致其与开阔水域和陆地植被类别混淆[11,23,24,26,27]。尽管人们对遥感中的转移分类越来越感兴趣，但在湿地制图方面仍存在三个关键差距：首先，对比湿地区域之间的转移分类方向性很少被评估，潜在的不对称性也尚未得到充分量化；其次，特别是在转移条件下湿地土地覆盖类型的类别响应记录不足；第三，特征表示、算法选择和时间序列长度的综合影响尚未系统分析。

### 2. 材料与方法
#### 2.1 研究区域
本研究聚焦法国两个根据《拉姆萨尔公约》指定的湿地系统：étangs de la Champagne humide（图1a）和Camargue（图1b）。选择这两个地点是为了代表不同的生态和水文条件，以便明确评估车地遥感应用中的转移分类能力。étangs de la Champagne（以下简称Champagne）位于法国东北部，是一个由河流、湖泊、冲积森林和水生栖息地组成的广阔湿地综合体。这种多样的栖息地支持了丰富的野生动物，并对候鸟和越冬鸟类起着重要作用。湿地草地、芦苇床和森林区域支持高生物多样性[28]。Camargue位于法国南部的罗讷河三角洲，是西欧最大的湿地综合体之一，其空间和时间异质性主要由河流流量、海洋影响、气候和人为水管理相互作用驱动[29]。该景观包括永久性和临时性水体、盐沼、湖泊、森林和自然草地[26]。水文状况随季节和空间变化，导致植被动态复杂和光谱变化显著。

#### 2.2 数据
#### 2.2.1 参考数据和土地覆盖类别
参考数据来自CARHAB栖息地数据库，这是一个为法国陆地自然和半自然环境制定的全国统一栖息地制图产品。CARHAB是由国家植物保护协会（CBN）、国家地理信息与森林研究所（IGN）和EVS Isthme合作开发的，法国生物多样性办公室（OFB）负责协调，PatriNat提供科学支持，并通过IGN地理服务平台公开获取（网址：https://geoservices.ign.fr/habitats-carhab，访问日期：2024年11月1日）。使用的栖息地层对应于从部门级CARHab清单中生成的CarHab_N°_Dep_Habitats_CarHab.gpkg GeoPackage，其中N°_Dep表示每个研究区域对应的法国行政部门代码。本研究中使用的CARHAB数据集涵盖了两个湿地最更新的清单。定义了三种土地覆盖类别（LC）并在两个湿地之间共享：开阔水域（OW）、水生植被（AV）和陆地植被（TV）。为每个研究区域独立生成了参考样本。为了减少潜在的空间自相关和边缘效应，在光谱提取前对所有参考多边形应用了-10米的负缓冲区。此操作排除了可能受到混合信号影响的边界像素，从而提高了样本的纯度并减少了相邻多边形之间的空间依赖性。LC地图与S2数据进行了空间叠加，并对每个多边形的光谱值进行了平均处理。Champagne的多边形平均面积为1059.5平方米，Camargue的多边形平均面积为600.2平方米。

#### 2.2.2 S2卫星数据
本研究的主要遥感数据来源是S2多光谱图像。欧洲航天局（ESA）的S2任务提供了二级A表面反射率产品，这些产品包含了大气校正后的地面反射率数据[30]。S2在13个光谱带内提供观测数据，覆盖可见光、近红外（NIR）、红边和短波红外（SWIR）区域，空间分辨率分别为10米、20米和60米，中纬度地区的名义重访周期约为五天[31]。这些特性使S2特别适合湿地监测，因为需要同时捕捉光谱细节和时间频率来反映动态的水文和植被过程[25]。所有S2数据均通过Google Earth Engine（GEE）平台下载。对于每个研究区域，选择了2021年的图像，这些图像与CARHAB参考数据相匹配。为了减少云层和采集日期不规则的影响，采用了两步预处理方法：首先使用阈值（CLOUDY_PIXEL_PERCENTAGE < 50）移除了云层覆盖严重的图像；其次使用S2的质量层（包括云概率MSK_CLDPRB < 1、雪概率MSK_SNWPRB < 10和场景分类层SCL）对这些图像进行了处理，排除了被分类为云层、卷云、云阴影和暗区的像素。在掩膜处理之后，时间序列中由于云层去除而出现了缺失值。这些空缺通过 对每个像素进行线性插值来填充。随后将时间序列重新采样为固定的6天间隔，从而在2021年1月1日至12月31日期间为每个研究区域获得了60个观测值。数据集的总结在表1中提供，其中包括每个类别和研究区域的多边形数量（NP）和光谱样本总数（NS）。每个光谱样本对应于一个时间步长内观测到的一个多边形。没有应用其他过滤或平衡技术。

**2.2.3 光谱指数**

除了原始光谱带外，还从S2地表反射数据中导出一组光谱指数，以增强与植被和水体相关的信号。这些指数旨在突出生物物理特性，如植被活力、叶绿素含量、树冠密度、地表水的存在以及水分条件，并广泛应用于湿地和植被制图研究。本研究使用的指数（表2）包括归一化差分植被指数（NDVI）、土壤校正植被指数（SAVI）、增强植被指数（EVI）、归一化差分水指数（NDWI）、绿色归一化差分植被指数（GNDVI）、红边归一化差分植被指数（RENDVI）、归一化差分雪指数（NDSI）和归一化燃烧比（NBR）。这些指数共同提供了互补的信息，有助于在不同水文条件下区分开阔水域、水生植被和陆地植被。

**2.3 方法**

本研究的方法论框架旨在评估两种湿地系统之间监督湿地分类模型的可转移性。通过系统地比较不同土地覆盖类别、算法、特征表示和时间序列配置的分类结果，来评估在转移框架下的监督湿地分类性能。对于三种湿地土地覆盖类别——OW（开阔水域）、AV（水生植被）和TV（陆地植被）——使用了四种分类算法（随机森林（RF）、XGBoost、多层感知器（MLP）和InceptionTime（IT），以及三种来自S2数据的输入特征表示（光谱带、光谱指数及其组合）进行分类性能评估。所有分类都使用了两种不同的时间序列长度（完整年度时间序列和生长季节时间序列）。该方法论的流程图见图2。

**2.3.1 分类的实验设计**

模型的空间可转移性是通过交叉站点实验设计来评估的。分类模型在一个湿地系统（源域）上进行训练，然后直接应用于另一个湿地系统（目标域）。分析了两种转移方向：在卡马格（Camargue）训练、香槟（Champagne）测试的转移，以及在香槟训练、卡马格测试的转移。这种双向设计使得能够在不同的生态和光谱条件下明确评估转移分类效果。对于每个转移方向，采用了几种特征配置和两种时间序列长度。在转移分类实验中，数据集没有使用随机训练-测试分割进行划分。相反，训练和测试是在对应于不同研究区域的两个独立数据集上进行的。源湿地的所有样本用于模型训练，而目标湿地的所有样本仅用于测试。这种设计确保了训练数据和测试数据之间的严格空间分离，并允许在没有数据集重叠的情况下直接评估模型在域变换条件下的可转移性。

**2.3.2 分类算法**

选择了四种分类算法来代表遥感和时间序列土地覆盖分类中常用的不同建模方法。所有算法都应用于相同的输入特征和参考数据集，以确保公平和一致的比较。虽然通常会使用超参数调整来提高模型性能，但在空间可转移性实验中，由于训练和测试数据集之间的分布差异，其有效性可能会受到影响。因此，基于源域验证数据的参数优化可能无法推广到目标域[38]。出于这个原因，所有算法在实验中都使用了固定的配置。本文用于分类的所有脚本均可在https://github.com/Saeideh-Maleki/Wetland_Spatial_Transferability获取（2026年4月1日访问）。

**3 结果**

本节展示了在卡马格和香槟之间进行的转移分类实验的结果。使用四种算法（RF、XGBoost、MLP和IT）和三种特征表示（光谱带、光谱指数及其组合）评估了三种湿地土地覆盖类别（OW、AV、TV）的分类性能。结果报告了两种转移方向以及短时间和完整S2时间序列的情况，以评估转移方向、算法选择、特征表示和时间深度对湿地制图性能的影响。精度值保留到小数位一位，以避免对精度的过度解读。

**3.1 转移方向的影响**

本小节通过比较在卡马格训练并在香槟测试的模型与在香槟训练并在卡马格测试的模型，来评估转移方向对分类性能的影响。表4提供了分类的准确率（OA）和Kappa值（K）。OA和K是针对所有四种算法（RF、MLP、IT、XGBoost）和所有三种特征配置平均得出的，以便独立于算法或特征相关效应来量化域位移的幅度。当模型在卡马格训练并在香槟应用时，平均OA达到84.7%，相应的平均K为0.7。相比之下，从香槟到卡马格的逆向转移得到的平均OA显著降低，为79.2%，平均K为0.6，OA和K分别下降了5.4%和0.1。这种OA和K的下降在三种算法中都有观察到，尽管其幅度有所不同。IT和XGBoost的最大OA在两种转移方向之间的差异约为6%。在香槟地区训练、在卡马格地区进行测试的转移实验中，RF的最大分类准确率（OA）下降了4%，而反向转移没有这种下降。MLP在两种转移方向上的最大OA和K值没有显示出差异。表4给出了两种转移方向的总体准确率（OA，%）和Cohen’s Kappa（K）值。结果针对每种算法和特征配置进行了报告。Band_ind表示光谱带和光谱指数的组合。在香槟地区训练、在卡马格地区进行测试的方向上，系统性能的下降表明训练域和目标域之间的分布不匹配程度更严重。这一结果表明，基于香槟地区数据的模型在表示卡马格地区湿地的光谱-时间特征方面表现较差，从而导致所有算法的泛化能力降低。这些结果强调了本研究中转移方向之间的持续差异；因此，算法比较必须结合转移方向来进行解读。在以下小节中，将通过比较算法、特征配置和光谱类型（LC）类别来详细探讨这一问题。

3.2 算法和特征比较
本小节对四种算法（RF、MLP、IT和XGBoost）在跨站点转移分类中的表现进行了详细的定量比较，明确考虑了两种转移方向和表4中提供的所有三种特征配置。目的是确定哪种算法的表现最好。

3.2.1 卡马格地区训练、香槟地区测试的转移
仅使用光谱带时，XGBoost的表现最好，达到了89.68%的OA和0.81的K值，其次是RF（OA = 86.1%，K = 0.7）和IT（OA = 84.3%，K = 0.7）。MLP的表现明显较差（OA = 75.2%，K = 0.6），这表明其依赖于光谱带级信息的鲁棒性较差。
当使用光谱指数时，算法排名发生变化。IT成为表现最好的方法，OA为87.5%，K为0.8，优于XGBoost（OA = 85.0%，K = 0.7）、RF（OA = 85.4%，K = 0.7）和MLP（OA = 82.0%，K = 0.7）。这种变化表明，在这种转移方向上，基于指数的表示方法比基于树的结构的方法更适合时间卷积建模。
当结合光谱带和指数时，IT取得了最好的整体结果，OA为90.0%，K为0.8。XGBoost排名第二（OA = 86.3%，K = 0.7），其次是RF（OA = 83.0%，K = 0.6）和MLP（OA = 81.4%，K = 0.6）。值得注意的是，通过特征融合，MLP的OA提高了6%以上。

总体而言，在卡马格地区训练、香槟地区测试的转移任务中，仅使用光谱带的XGBoost和使用光谱带与指数组合的IT获得了最高的OA和K值。

3.2.2 香槟地区训练、卡马格地区测试的转移
仅使用光谱带时，XGBoost再次获得了最高的OA（83.8%，K = 0.7），略微优于RF（OA = 82.7%，K = 0.7）。IT（OA = 76.5%，K = 0.6）和MLP（OA = 75.4%，K = 0.6）的泛化能力有所下降，这突显了这一转移方向的难度增加。
仅使用指数特征时，算法之间的性能差异明显。IT的表现明显优于其他方法，OA为84.2%，K为0.7。MLP的OA为80.4%，K为0.6，而RF（OA = 73.4%，K = 0.6）和XGBoost（OA = 72.0%，K = 0.6）的性能显著下降，表明基于指数的表示方法在这一方向上的迁移效果较差。
结合光谱带和指数时，IT再次排在首位（OA = 84.0%，K = 0.7），其次是MLP（OA = 82.4%，K = 0.7）、XGBoost（OA = 78.6%，K = 0.6）和RF（OA = 77.0%，K = 0.6）。尽管特征融合部分缓解了RF和XGBoost在仅使用指数时的性能下降，但两种方法都没有完全恢复到仅使用光谱带时的表现。

3.2.3 模型差异的统计显著性
为了评估模型间分类性能的差异是否具有统计显著性，对每种特征配置（S2光谱带、光谱指数和组合特征）以及两种转移方向（附录A）应用了McNemar检验。在卡马格地区训练、香槟地区测试的转移中（附录A中的表A1），所有成对比较都具有统计显著性（p < 0.05），表明观察到的模型差异不太可能是由于随机变化造成的。相比之下，在香槟地区训练、卡马格地区测试的转移中（附录A中的表A2），虽然大多数比较仍然具有统计显著性，但某些模型对之间没有显示出显著差异。特别是，对于S2光谱带，RF和XGBoost之间没有显著差异（p = 0.44）；对于组合特征，RF和IT之间没有显著差异（p = 0.13）；XGBoost和IT之间也没有显著差异（p = 0.96）。需要注意的是，由于测试样本数量较多，即使是微小的准确率差异也可能显得具有统计显著性，因此应谨慎解释这些结果。

3.2.4 空间转移下的性能损失
为了量化空间转移对分类性能的影响，将跨站点结果（表4）与在同一研究区域内训练和测试的基线分类（表5）进行了比较。对于使用在卡马格地区训练的模型进行香槟地区映射，与香槟地区的基线相比，OA的下降范围为-3.8%到-16.9%。其中，使用S2光谱带的XGBoost的下降幅度最小（-3.8%），其次是RF使用S2光谱带（-5.9%），而使用S2光谱带的MLP下降幅度最大（-16.9%）。对于使用在香槟地区训练的模型进行卡马格地区映射，与卡马格地区的基线相比，OA的下降范围更大，从-11.0%到-23.8%不等。使用指数特征时，IT的下降幅度最小（-11.0%），而XGBoost的下降幅度最大（-23.8%）。RF使用指数特征时的下降也较为明显（-21.9%）和组合特征时（-18.4%）。MLP在所有配置下的性能都有显著下降，范围从使用S2光谱带的-19.2%到使用组合特征的-12.6%。

3.2.5 不同算法和转移方向下的特征重要性分析
从RF和XGBoost模型得出的特征重要性分析揭示了不同特征配置和转移方向下的明显模式（图4）。图4展示了在不同转移方向（两种情况下的10个最重要特征）下，RF和XGBoost模型得出的特征重要性：(a) 卡马格地区训练、香槟地区测试的转移；(b) 香槟地区训练、卡马格地区测试的转移。在卡马格地区训练、香槟地区测试的转移中，光谱带的重要性主要与红边和近红外光谱带相关，B6、B7、B8A和B8是影响最大的变量。RF将这些带的重要性分布到多个变量上，而XGBoost则更侧重于B6。对于光谱指数，两种模型都给予NDSI最高重要性，其次是EVI和NDWI，尽管RF依赖多个领先指数，XGBoost则更明显地以NDSI为主导。在组合特征配置中，RF仍然主要受光谱带驱动，而XGBoost则强调了B6、NDSI和B8的组合作为主要预测因子。

在香槟地区训练、卡马格地区测试的转移中，重要性排名有所不同。对于光谱带，RF和XGBoost都认为B8A、B11、B8和B7是重要变量，且这些变量的贡献更为分散。对于光谱指数，NDSI仍然是最重要的变量，其次是EVI和NDWI等指数，而其他指数的贡献较小。在组合配置中，RF赋予NDSI最高重要性，其次是B6和NDWI，而XGBoost则显示NDSI、GNDVI和B7的联合预测作用。

3.3 不同算法下的光谱类型（LC）类别转移性能
本小节通过比较所有四种算法（RF、MLP、IT和XGBoost）在两种转移方向和所有特征配置下的表现，分析了各类（OW、AV和TV）的转移能力。结果以图5中呈现的类别F1分数的形式进行报告。对于每个LC类别，首先展示了所有转移方向和特征集（光谱带、指数以及光谱带和指数的组合）的平均F1分数，然后对每种转移方向和特征配置进行了详细分析。

3.3.1 陆地植被
在所有实验中（图5），TV是最容易转移的类别，始终为所有算法获得最高的F1分数。平均来看，IT的平均TV F1分数最高（约89.3%），其次是XGBoost（约87.0%）、MLP（约86.7%）和RF（约86.6%）。与其他类别相比，算法间的差异相对较小，表明TV具有稳定的光谱-时间特征，在不同地点之间具有较好的泛化能力。
在卡马格地区训练、香槟地区测试的转移中，使用XGBoost分类的光谱带获得的TV F1分数最高（F1 = 92.0%），其次是使用IT分类的光谱带和指数组合（F1 = 91.2%）。使用RF和MLP时，仅使用光谱带输入的TV F1分数也接近89%。在香槟地区训练、卡马格地区测试的转移方向中，TV的性能略有下降但仍保持较高水平。使用指数和光谱带和指数组合时，IT的F1分数最高，约为90%。对于XGBoost和RF，仅使用光谱带输入的F1分数也接近90%，而MLP在使用组合特征配置时达到最高F1分数（87.5%）。

3.3.2 开阔水域
OW的转移能力处于中等水平（图5），且算法依赖性较大。平均来看，XGBoost的平均OW F1分数最高（约82.0%），其次是RF（约79.2%）、IT（约78.5%）和MLP（约77.6%）。
在卡马格地区训练、香槟地区测试的转移方向中，所有算法都能较好地检测到OW。使用光谱带和指数组合时，XGBoost和IT的F1分数最高，接近88%。对于RF和MLP，仅使用指数时OW的F1分数约为84%，而使用组合特征时F1分数更高。相比之下，在香槟地区训练、卡马格地区测试的转移中，OW的性能更加不稳定。IT仅使用指数时达到最高F1分数（约86%），而使用光谱带和指数组合时也达到较高F1分数。RF仅使用光谱带输入时的F1分数最高（81.2%）。

3.3.3 水域植被
AV是一类最难转移的类别（图5），表现出最低的F1分数和最大的算法依赖性差异。平均来看，IT的表现优于其他算法，平均AV F1分数约为76.4%，而XGBoost（约74.2%）、RF（约70.8%）和MLP（约60.7%）的表现较差。
在卡马格地区训练、香槟地区测试的转移方向中，IT仅使用指数和组合特征时获得的F1分数接近86%，而XGBoost仅使用光谱带输入时也达到相似的值。RF仅使用光谱带输入时的F1分数最高（82.0%），而MLP在使用组合特征配置时达到最高F1分数（72.2%）。相反，在香槟地区训练、卡马格地区测试的转移中，所有方法的OW性能都显著下降。IT和XGBoost仅使用指数时获得的F1分数最高，接近71%，其中IT使用指数和组合特征时表现最佳，XGBoost仅使用光谱带输入时也达到较高F1分数。RF仅使用光谱带输入时的F1分数最高（81.2%）。

3.3.4 域移下的精确度-召回率权衡
图6展示了跨站点转移分类中三种土地覆盖类别的精确度-召回率权衡情况。图6a表示在卡马格地区训练、在香槟地区测试的模型，图6b表示反向转移情况。图6显示了在不同算法和特征配置下，OW、AV和TV的精确度-召回率分布：(a) 卡马格地区训练、香槟地区测试的转移；(b) 香槟地区训练、卡马格地区测试的转移。Band_ind表示光谱带和光谱指数的组合。在卡马格（Camargue）地区训练并在香槟（Champagne）地区进行测试的迁移方向中（图6a），电视（TV）预测结果聚集在精确度-召回率空间的右上区域，召回率经常超过90%，精确度高于80%，表明迁移性能稳定且平衡。OW（一种分类算法）在大多数配置中也保持了高召回率，通常超过75%，精确度也相对较高（超过70%），除了使用MLP（另一种分类算法）进行仅带（bands-only）分类的情况外，这表明了可靠的水体检测能力。相比之下，AV的分布最为广泛，召回率主要在55%以上，精确度通常在85%以上。一些使用MLP的配置（仅带和仅指标）显示出较低的召回率，反映出对特征表示和算法选择的敏感性较高。

在香槟地区训练并在卡马格地区进行测试的迁移中（图6b），精确度-召回率的不平衡更加明显。OW的预测经常显示出非常高的召回率，接近100%，但精确度较低（在55%到80%之间）。AV的表现最差，许多配置的精确度下降到大约60%到95%，召回率也较低（最高约为75%）。TV仍然是最稳健的类别，精确度通常高于75%，召回率高于65%。这些精确度-召回率模式突显了迁移方向之间的明显误差结构差异。向卡马格地区的迁移导致OW的召回率占主导，而AV的变异性更大；TV则保持了相对稳定的性能。这些结果通过揭示F1分数未能捕捉到的误差特征，补充了按类别划分的F1分数。

图7展示了四种算法在三种土地覆盖类别上的平均F1分数、精确度和召回率的雷达图，提供了整体指标平衡的合成视图。

在各种算法中，IT（Intelligent Transportation）和XGBoost在特征配置上保持了最紧凑和平衡的性能轮廓，IT在迁移方向之间的视觉差异最小，表明其对领域变化的鲁棒性更强。RF（Random Forest）在仅使用指标的表示下显示出更大的指标不平衡，而MLP在两个方向上的雷达区域都减少，特别是在香槟地区训练并在卡马格地区进行测试的情况下，尽管在特征融合下有所改进，但整体稳定性较弱。迁移方向之间的明显不对称性也很明显。在卡马格地区训练并在香槟地区进行测试的迁移通常会产生更扩展和对称的雷达轮廓，反映了算法之间更稳定的指标平衡；而相反的迁移方向（香槟地区训练并在卡马格地区进行测试）则表现出系统性更收缩和扭曲的形状，特别是对于仅使用带和仅使用指标的输入，这表明对领域变化的敏感性更大。

本小节通过比较短时间序列（3月至9月的植被生长季节）和完整年度S2时间序列，研究了时间序列长度对迁移学习性能的影响。结果显示为OW、AV和TV在四种算法（RF、MLP、IT和XGBoost）和三种特征配置（仅带、仅指标以及带和指标的组合）上的按类别划分的F1分数。图8展示了时间序列长度对OW、AV和TV在短时间和完整S2时间序列下的按类别划分的F1分数的影响。

对于OW来说，时间序列长度的影响因算法和特征配置而异。在卡马格地区训练并在香槟地区进行测试的迁移中（图8a），当使用完整时间序列时，IT的表现明显改善。结合使用带和指标，OW的F1分数从大约79.4%（短时间序列）提高到了87.2%（完整时间序列）。仅使用带输入时，IT的分数从大约71.6%提高到了接近77%；而仅使用指标时，F1分数从大约65.3%提高到了72.3%。XGBoost对时间序列长度的敏感性较低，OW的F1分数保持在较高且稳定的水平，通常在85%到88%之间。RF和MLP在使用指标和带和指标的组合时显示出中等的敏感性。然而，当使用仅带输入时，RF在短时间序列下的F1分数提高了约6%；而MLP在完整时间序列下的F1分数提高了大约3.5%。

在香槟地区训练并在卡马格地区进行测试的迁移中（图8b），OW的表现更为多变。IT再次从较长时间序列中受益，F1分数从大约65%（短时间序列）提高到了70%（完整时间序列），再到70%到80%（完整时间序列），具体取决于特征集。XGBoost在使用仅带输入和带和指标的组合时相对稳定，短时间序列和完整时间序列之间的差异约为2%。然而，当使用仅指标输入时，OW的F1分数在短时间序列下提高了超过10%。

在卡马格地区训练并在香槟地区进行测试的迁移中（图8a），IT在使用完整时间序列时获得了更高的F1分数。在所有特征集上，AV的F1分数从大约78%（短时间序列）提高到了82%（完整时间序列），再到80%到88%（完整时间序列）。XGBoost在使用仅指标和带和指标的组合时相对稳定，短时间序列和完整时间序列之间的差异约为2%。然而，当使用仅带输入时，AV的F1分数在短时间序列下提高了约8%。RF在使用仅指标的短时间序列下显示出超过10%的显著提高，而在使用仅带或带和指标的组合时在短时间和完整时间序列之间保持稳定。MLP在所有特征集上对时间序列长度的敏感性较低，短时间序列和完整时间序列之间的差异低于3%。

在卡马格地区训练并在香槟地区进行测试的迁移中（图8a），IT在使用完整时间序列时获得了更高的F1分数。在所有特征集上，AV的F1分数从大约78%（短时间序列）提高到了80%（完整时间序列），再到80%到88%（完整时间序列）。XGBoost在使用仅指标和带和指标的组合时相对稳定，短时间序列和完整时间序列之间的差异约为2%。然而，当使用仅带输入时，AV的F1分数在短时间序列下提高了约8%。RF在使用仅指标的短时间序列下显示出超过10%的显著提高，而在使用仅带或带和指标的组合时保持稳定。MLP在所有特征集上对时间序列长度的敏感性较低，短时间序列和完整时间序列之间的差异低于3%。

TV在所有算法和特征配置下展示了最高且最稳定的F1分数，对时间序列长度的敏感性有限。在卡马格地区训练并在香槟地区进行测试的迁移中（图8a），IT在使用完整时间序列时最多只有3%的提高，而XGBoost在使用短时间序列时F1分数提高了3%。RF在使用完整时间序列时基本保持稳定，而MLP在使用完整时间序列时提高了最多10%。在香槟地区训练并在卡马格地区进行测试的迁移中（图8b），IT在使用完整时间序列时提高了最多10%，而AV的F1分数从大约50%（短时间序列）提高到了65-70%（完整时间序列），特别是对于仅使用指标和带和指标的组合。XGBoost在使用仅指标的短时间序列时F1分数提高了约15%，而在使用仅带和带和指标的组合时也表现出类似提高。RF在使用仅指标的短时间序列下保持了稳定，而在使用仅带或带和指标的组合时F1分数提高了约5%。MLP再次从较长时间序列中受益，在使用仅指标和带和指标的组合时提高了最多10%。

TV在所有算法和特征配置下均展现出最高且最稳定的F1分数，对时间序列长度的敏感性有限。在卡马格地区训练并在香槟地区进行测试的迁移中（图8a），IT在使用完整时间序列时最多只提高了3%，而XGBoost在使用短时间序列时F1分数提高了3%。RF在使用仅带和带和指标的组合时基本保持稳定，而在使用仅指标时F1分数提高了约6%。MLP在使用完整时间序列时提高了最多10%。这种敏感性很可能解释了为什么在更具挑战性的迁移配置中（即在香槟地区训练、在卡马尔格地区进行测试的迁移），XGBoost的表现下降更为明显。从操作角度来看，这些结果为可转移湿地测绘中的算法选择提供了明确的指导。像IT这样的时间深度学习模型特别适合于训练数据有限且目标条件与源领域不同的跨站点应用。基于树的集成方法，尤其是XGBoost，由于其强大的性能和计算效率而仍然具有吸引力，但在预期存在显著领域差异时应谨慎使用。总体而言，观察到的算法对迁移方向的特定响应凸显了根据其部署环境来选择算法的必要性。在跨区域扩展模型的湿地监测项目中，迁移的鲁棒性非常重要。

4.3. 特征表示在湿地迁移测绘中的作用
研究结果表明，特征选择在决定迁移分类性能方面起着关键作用，结合光谱带和光谱指数能够在不同算法和迁移方向上提供最稳健的结果。这一发现与之前的遥感研究结果一致，即整合光谱信息和派生指数有助于在空间和时间变化的情况下提高泛化能力[13,25,46,50]。光谱带捕获了受传感器特性、光照条件以及大气效应直接影响的绝对地表反射值，同时也保留了与植被结构、水体浑浊度和土壤背景相关的详细信息。相比之下，光谱指数通过利用波段比率或差异来标准化光照和背景效应，从而对某些环境变化更加具有鲁棒性[51]。然而，指数不可避免地会压缩信息，并可能丢弃对于区分复杂湿地类别至关重要的细微光谱线索，尤其是在多种土地覆盖类型具有相似指数值时。结合光谱带和指数的配置之所以表现出更好的性能，是因为特征之间的互补性是实现迁移能力的关键所在。通过提供绝对的光谱测量值和植被及水体属性的标准化指标，特征融合使分类器能够更灵活地适应领域变化。类似的特征融合优势也在使用S2时间序列进行土地覆盖测绘的研究中得到了报道，在这些研究中，组合表示能够提高不同季节和地区的分类稳定性[46,52]。在本研究中，特征融合在迁移分类中的优势显而易见，表明冗余和互补信息有助于缓解训练域和目标域之间的分布不匹配问题。

4.4. 依赖生境类型的迁移能力与生态学解释
按类别分析显示，不同土地覆盖类型之间的迁移能力存在显著差异。农业用地（TV）始终显示出最高且最稳定的迁移性能，其次是耕地（OW），而水域（AV）则是跨站点泛化最为困难的类别。这种依赖类别的行为在湿地和土地覆盖测绘研究中被广泛报道[7,53]。在两个迁移方向上，农业用地在光谱上仍然具有较高的区分度；然而，在生态复杂性增加的情况下——例如迁移到卡马尔格地区时，分类行为变得更加保守，精度提高但召回率降低。这种以精度为主的模式表明，跨站点变化主要增加了遗漏错误（即未检测到农业用地的情况），而不是假阳性，这可能反映了农业用地在物候变化和结构多样性上的增加。耕地显示出中等的迁移能力，其F1分数相对较高，但在领域变化时精度-召回率之间存在明显的权衡。水体在光谱上具有独特性，这有助于不同地区之间的检测。先前的地表水测绘研究表明，尽管水体通常容易检测，但其时间变化性在迁移条件下带来了挑战[54,55]。水生植被（AV）在迁移分类实验中表现最为敏感，显示出最低的F1分数以及在算法、特征配置和迁移方向上的最大变化性。与表现始终较高且稳定的陆地植被不同，水生植被在不同配置下的分类准确性波动较大，在跨站点迁移时下降更为明显。这种行为在两个迁移方向上以及所有测试的模型中都有观测到，表明水生植被在不同条件下的表示不够一致。在管理和应用角度来看，这些依赖类别的差异具有重要意义。跨站点迁移分类得出的产品对于农业用地可以认为是高度可靠的，对于耕地来说可靠性中等，但需要注意遗漏错误；而对于水域来说，尤其是在生态特征不同的地区进行迁移时，其可靠性较低。

4.5. 时间信息与监测策略
时间序列长度的分析突显了时间信息对于可转移湿地测绘的重要性，同时也揭示了其收益依赖于类别和算法。较长的时间序列对水域的迁移能力提升最为明显。水域的动态与季节性水位变化、植物生长周期和管理干预紧密相关，而这些因素在不同地区的时机和强度都有所不同。短时间序列可能只能捕捉到部分物候轨迹，从而增加与耕地或农业用地的混淆。相比之下，较长的时间序列能够更完整地表示出植被的出现、生长高峰和衰老阶段，从而在跨站点变化的情况下提高区分能力。针对特定算法的响应进一步阐明了时间信息的作用。时间卷积模型（如IT）从较长时间序列中获益最大，因为它们的架构是专门设计用来学习多尺度的时间模式的。通过整合整个季节周期的信息，这些模型能够更好地适应不同地区之间的物候时序变化，这是生态应用中迁移误差的主要来源。相比之下，基于树的模型从延长时间序列中获得的收益较为有限，因为它们主要依赖于时间信息的聚合或静态表示。从操作角度来看，这些结果对湿地监测策略具有重要的启示。当目标是近实时或快速测绘（例如在洪水事件或季节性评估期间）时，短时间序列可能足以可靠地绘制耕地和农业用地的地图。然而，对于需要准确检测水域的应用（如栖息地监测或入侵物种管理），较长的时间窗口更为合适，即使这会延迟地图的生成。时间完整性与及时性之间的这种权衡是操作遥感中反复出现的挑战，在设计监测工作流程时应予以明确考虑[51]。研究结果还表明，迁移分类可以与自适应时间策略有效结合。在数据丰富的地区，可以使用完整的季节时间序列来最大化鲁棒性和泛化能力；而在数据稀缺或云层覆盖频繁的地区，较短的时间序列仍然可以支持某些类别和算法的合理性能。这种灵活性对于大规模或多地区监测项目尤为重要，因为在这些项目中无法始终保证一致的时间覆盖。

4.6. 比较性见解、局限性与未来研究
我们的结果与最近的研究一致，表明迁移学习正成为湿地测绘的重要方法。例如，Ai等人[25]专注于使用深度神经网络进行年度湿地植被测绘，而Zerrouk等人[13]和Effah等人[14]的最新综述强调了领域适应、多模态融合和改进泛化作为湿地遥感的主要当前发展方向。更一般地说，之前的遥感研究表明，迁移能力取决于源域和目标域之间的关系，而不仅仅是分类器的选择[18,19]。与这些研究相比，我们的工作添加了一个结构化的比较框架，联合评估了算法选择、迁移方向、特征配置、时间序列长度以及土地覆盖类型特定的行为。在所有测试的场景中，都在卡马尔格地区训练的模型在迁移到香槟地区时表现优于反向迁移，这与研究表明模型泛化受到训练数据的代表性和变化性的影响是一致的。IT和XGBoost总体上表现最好，但行为有所不同。相比之下，随机森林（RF）的表现处于中等水平，而多层感知器（MLP）的鲁棒性较低。比较还指出，特征效应依赖于算法，结合光谱带和指数能够提供最一致的结果，这与之前的研究结果一致，即整合光谱信息和派生指数可以提高湿地环境中的分类性能[52]。水生植被仍然是最难迁移的类别，这与文献中的描述一致，即水生和过渡性植被被认为是具有挑战性的类别[4]。此外，时间序列长度的实验表明，较长的年度序列对水生植被和时间深度学习模型特别有益，而较短的序列可能对更稳定的类别和一些基于树的模型仍然足够；这与研究表明密集的时间序列可以改善湿地生态系统中植被动态和物候的检测结果一致[11,51]。还应认识到几个局限性。首先，分析仅基于两个研究区域，因此无法捕捉更大范围内遇到的所有湿地类型和环境条件的多样性。通过将分析扩展到更多区域，迁移分类可以进一步支持在变化环境条件下的鲁棒和可扩展的湿地监测。其次，仅使用光学S2数据使得该方法对云层覆盖敏感，可能会限制对动态类别的性能。在这种情况下，整合SAR数据可以提高鲁棒性。未来的研究还可以探索空间纹理特征的整合，这可能会提供额外的结构信息，并可能提高迁移能力，特别是对于水生植被等复杂湿地类别。未来的研究应超越传统的监督迁移方法，探索领域适应、光-SAR数据融合和自监督学习等方法，以提高湿地之间的泛化能力。在本研究中，每个模型在所有实验中都使用了固定的配置。然而，未来的工作应评估超参数变化对迁移能力的影响。

5. 结论
本研究调查了四种分类模型（随机森林（RF）、XGBoost、多层感知器（MLP）和IT）使用多时相S2数据进行湿地测绘的空间迁移能力。结果表明，与区域内条件相比，跨站点迁移时的分类性能通常会下降，这突显了训练数据集和目标数据集之间的差异的影响。尽管研究地点数量有限，但仍观察到了不同迁移方向分类结果之间的差异，但在解释这些差异时应谨慎。按类别分析表明，水生植被始终是最难迁移的类别，这可能是由于其强烈的时间变化性和光谱复杂性。在评估的方法中，IT和XGBoost在大多数迁移场景中表现最佳，尽管某些模型之间的差异在统计上并不显著。结合使用光谱带和指数通常比单独使用特征集提供了更稳健的结果。总体而言，本研究突出了时间深度学习方法在利用免费可用卫星数据进行湿地分类时的潜力。然而，还需要在更多湿地系统上进行进一步验证，以确认这些发现的普遍性，并更好地理解领域差异对迁移性能的影响。