面向分布偏移与数据稀缺的光学多变水体叶绿素a反演：一种小样本ResNet迁移学习方法

《International Journal of Applied Earth Observation and Geoinformation》：A few-shot ResNet transfer learning method for robust chlorophyll-a retrieval in optically-variable waters under distribution shift and data scarcity

为提升叶绿素a（Chla）遥感反演在跨域泛化与数据稀缺场景下的性能，本研究提出了FSResTL-Chla框架。该工作通过预训练ResNet构建通用Rrs-Chla映射关系，结合自适应代表性样本选择策略与微调，仅用7–12个样本即可在多种光学水体类型中实现稳健反演（平均R2=0.68），显著降低对样本量的依赖，为动态水环境监测提供了高效工具。

　　

在全球水资源管理与生态评估中，叶绿素a（Chlorophyll-a，Chla）作为浮游植物光合作用的关键色素，一直是衡量水体生产力和富营养化状态的核心指标。相比耗时耗力的实地采样，卫星遥感以其广覆盖、高时效的优势，成为大尺度水体监测不可或缺的手段。然而，现有的Chla反演算法在实际应用中却面临两大“拦路虎”：一是“跨域泛化能力差”——内陆水体光学性质受悬浮颗粒物、有色可溶性有机物（CDOM）等多种因素影响，在不同时空域下差异显著，导致基于某一区域数据训练的模型，到了新水域往往“水土不服”，性能急剧下降；二是“数据稀缺”——高质量、成对的现场光谱与Chla测量数据获取成本高昂，在偏远或新兴监测区域尤其匮乏，严重制约了模型的开发与应用。传统方法要么依赖于大量标注数据，要么尝试融入先验物理知识，但在复杂的实际光学环境下，往往难以兼顾精度与普适性。

为了同时攻克泛化与数据稀缺这两大难题，发表在《International Journal of Applied Earth Observation and Geoinformation》上的这项研究，创新性地提出了一种名为FSResTL-Chla的小样本ResNet迁移学习方法。该研究旨在构建一个既能适应不同光学水体类型分布偏移，又能在极少样本条件下快速精准反演Chla的实用化模型框架。

研究人员开展这项研究主要运用了以下几个关键技术方法：首先，采用包含全球7572组数据的GLORIA数据集作为源域，预训练一个融合了光学水体类型（Optical Water Type, OWT）嵌入的ResNet（残差网络）模型，以学习通用的遥感反射率（R_rs）与Chla映射关系。其次，针对目标域（中国内陆水体数据集），提出了一种自适应的代表性样本选择策略，该策略结合Kennard-Stone（KS）算法与熵差（ΔH）指标，动态确定最具代表性和信息量的少量样本（通常7-12个）。最后，在微调阶段，设计了三种参数冻结策略，通过超参数优化选择最佳方式，利用选出的代表性样本对预训练模型进行快速适配，从而得到针对目标水域的FSResTL-Chla模型。研究还利用哨兵2号（Sentinel-2）卫星影像进行了验证与应用。

研究结果

4.1. 小样本训练下的模型性能评估

研究表明，未经微调的预训练模型直接应用于目标域效果不佳。而经过基于代表性样本微调得到的FSResTL-Chla模型性能显著提升，在GLORIA已覆盖和未覆盖的湖泊测试集上，R²分别达到0.84和0.70，证明了迁移学习策略和样本选择策略的有效性。模型在多种光学水体类型下均保持了稳定的性能。

4.2. 与其他基准方法的比较

FSResTL-Chla仅使用每个区域7-12个样本（平均占全数据集的18%）进行微调，其反演性能（R²= 0.52–0.79）与需要60%-80%数据训练的最佳传统模型（R²= 0.49–0.80）相当甚至更优。这表明FSResTL-Chla在极大减少数据依赖的同时，并未牺牲反演精度。

2比较。">

4.3. 可视化评估

将FSResTL-Chla应用于哨兵2号影像，生成了多个湖泊的Chla空间分布图。结果显示，FSResTL-Chla反演的空间模式更平滑，与真彩色影像呈现的水色图案更一致，能准确识别高Chla聚集区、反映空间异质性，并且在未覆盖的湖泊（如团泊洼水库）也产生了合理、均匀的分布，而一些传统方法则出现了异常高值或负值。时间序列分析进一步表明，模型能有效捕捉湖泊Chla的年内周期和季节变化规律，与已有长期研究观察到的模式高度一致，展现了其强大的时空泛化能力。

5.1. FSResTL-Chla的跨域适应机制

通过特征空间、光谱结构和Chla分布多维度对比，证实源域（GLORIA）数据集对目标域（IWC）具有良好的代表性。利用SHAP（Shapley Additive Explanations）可解释性分析发现，模型对红波段（B4）、红边波段（B5, B6）和绿波段（B3）最为敏感，其响应方向符合Chla的生物光学机制（红波段吸收、红边反射峰）。研究进一步揭示了不同湖泊、不同光学水体类型下，模型光谱响应存在的差异。例如，同属于中度浑浊水体（type-12），在滇池和镜泊湖的响应强度和模式就有明显不同。这表明FSResTL-Chla能够根据局部水域的光学特性，自适应地调整其光谱响应机制，从而具备强大的跨域适应能力。

研究结论与讨论

本研究成功构建的FSResTL-Chla框架，为克服Chla遥感反演中的数据稀缺和跨域泛化难题提供了创新解决方案。其核心贡献在于：第一，通过预训练在全局多样性数据上学习通用映射，为小样本快速适配奠定了坚实基础；第二，引入结合熵差（ΔH）的自适应代表性样本选择策略，科学减少了模型开发对标注数据量的依赖；第三，灵活的微调机制使模型能精准适配目标域的光学特性。

该模型的重要意义体现在其卓越的实用性能上：仅需个位数级别的现场样本，即可达到与传统大量数据训练模型相媲美的反演精度，并展现出稳健的时空泛化能力。这极大降低了新兴或数据匮乏水域开展高精度Chla遥感监测的门槛和成本，为实时、动态的水环境评估与管理提供了有力工具。尽管在部分极端清澈水体中性能尚有提升空间，且未来可通过引入通道注意力机制等方式进一步优化，但FSResTL-Chla无疑代表了当前面向光学多变水体、在小样本条件下实现稳健Chla反演的重要技术进展，具有广阔的应用前景。