《Remote Sensing》：Evaluating Adaptive Classification Methods for Mangrove Mapping with Multi-Resolution Remote Sensing Imagery
编辑推荐：
红树林提供关键的生态系统服务，包括海岸保护、生物多样性保护、碳封存和环境净化。因此，详细的红树林制图对于有效的保护、恢复和管理至关重要。随着不同空间分辨率遥感影像的普及，制图效率的比较研究对于优化长期大规模监测策略至关重要。本研究利用多源卫星影像，包括Land
红树林提供关键的生态系统服务，包括海岸保护、生物多样性保护、碳封存和环境净化。因此，详细的红树林制图对于有效的保护、恢复和管理至关重要。随着不同空间分辨率遥感影像的普及，制图效率的比较研究对于优化长期大规模监测策略至关重要。本研究利用多源卫星影像，包括Landsat-8（15 m和30 m）、Sentinel-2（10 m）、资源三号（ZY-3）和高分一号（GF-1）（2 m），通过整合光谱、纹理和地形特征，对北部湾的红树林进行制图。通过实验确定最优特征组合。研究人员全面比较了三种不同方法（像素级随机森林（RF）、面向对象RF和U-Net+ResNet-34深度学习模型）的识别精度、识别结果和面积估计。主要发现包括：（1）特征重要性随分辨率变化；地形特征显著提高了中分辨率影像的精度，F1-score提升1.91%，而纹理特征对高分辨率影像至关重要，F1-score提升2.99%。（2）深度学习结合Sentinel-2和地形特征取得了最高精度，F1-score为96.45%。（3）更高分辨率的影像能够检测到更小的红树林斑块；深度学习产生的内部间隙最少，而像素级RF受到严重的“椒盐”噪声影响。（4）虽然面向对象RF使用Sentinel-2影像的结果与验证集最一致（召回率94.38%），但面积差异显著（9.7%），主要由于潮汐动态。研究人员得出结论，深度学习模型，特别是结合Sentinel-2数据和地形特征时，为红树林制图提供了更高的精度。然而，潮汐动态仍然对计算机辅助识别方法构成重大挑战。
**研究背景与问题**
红树林是海岸带关键生态系统，提供风暴防护、生物多样性维持、碳固存等服务。然而，海平面上升、风暴潮及人为干扰（如砍伐、水产养殖扩张）威胁其存续。遥感技术已成为大规模监测红树林的主要手段，但不同空间分辨率（2 m至30 m）的卫星影像与分类方法（像素级、面向对象、深度学习）的协同效应尚未被系统比较。现有研究多聚焦单一传感器或孤立方法，缺乏对多分辨率、多特征组合（光谱、纹理、地形）与算法匹配性的综合评估。因此，本研究旨在填补这一空白，通过构建多分辨率影像（Landsat-8、Sentinel-2、ZY-3和GF-1）与三类分类方法（像素级随机森林（RF）、面向对象RF、U-Net+ResNet-34深度学习）的比较框架，确定最优特征组合与算法策略，以提升长期监测的准确性与可靠性。论文发表在《Remote Sensing》。
**主要研究方法**
研究人员采用多源遥感数据：Landsat-8（15 m和30 m）、Sentinel-2（10 m）、ZY-3和GF-1（2 m），覆盖中国北部湾研究区域。关键方法包括：（1）特征提取：从原始光谱波段计算光谱指数（如归一化差异植被指数（NDVI）、增强型植被指数（EVI）、归一化差异水体指数（NDWI））；从红波段提取灰度共生矩阵（GLCM）纹理参数（均值、方差、同质性等）；从先进星载热发射和反射辐射计全球数字高程模型（ASTER GDEM，30 m）获取地形变量（高程、坡度、坡向、曲率、起伏度、粗糙度）。（2）分类流程：像素级RF基于像元光谱特征；面向对象RF通过多尺度分割生成均质对象，再分类；深度学习采用U-Net与残差网络（ResNet-34）结合，以光谱波段和DEM数据为输入，并使用LASAC_2020数据集（基于ZY-3/GF-1影像与野外验证，总体精度98%）进行训练，分块大小为200×200至300×300像素，数据增强包括30°旋转。样本来源：320个训练样本（160红树林/160非红树林）用于像素级和面向对象RF；深度学习使用30%红树林斑块区域构建训练样本库。
**研究结果**
**3.1 随机森林算法的特征组合选择**
通过像素级RF实验，研究人员发现特征组合对多分辨率影像识别精度影响显著：地形特征（如高程）对中分辨率影像（Landsat-8 30 m和15 m）提升最大，F1-score分别提高1.63%和1.91%；纹理特征对高分辨率影像（ZY-3&GF-1 2 m）提升2.99%；光谱指数对光谱受限数据（如Landsat-8 15 m和ZY-3&GF-1 2 m）有增益（1.92%和2.22%）。但地形特征在2 m影像上导致1.71%的精度下降，归因于ASTER GDEM（30 m）重采样至2 m时的空间不匹配。因此，为不同传感器定制了特征组合：Landsat-8组合光谱指数与地形；Sentinel-2组合地形与纹理；ZY-3/GF-1组合纹理与光谱指数。
**3.2 深度学习模型训练结果**
U-Net+ResNet-34模型在不同分辨率下的最优样本块大小不同：Landsat-8 30 m需20×20像素，Landsat-8 15 m需40×40像素，Sentinel-2 10 m需60×60像素，ZY-3&GF-1 2 m需300×300像素。加入DEM数据对中分辨率影像（Landsat-8、Sentinel-2）有正向作用，但导致2 m影像精度下降（原因同上）。最高F1-score出现在Sentinel-2 10 m结合DEM（87.34%），但通过后续优化，Sentinel-2 10 m与地形特征组合在深度学习下达到96.45%。
**4.1 识别精度比较分析**
基于最优特征组合和样本大小，三种方法在独立验证样本上评估。Sentinel-2 10 m在所有方法中表现稳定（F1-score变异<1.5%）。深度学习在ZY-3&GF-1 2 m上精度最高（89.24%），而在Landsat-8 30 m上最低（79.51%），表明深度学习依赖高分辨率纹理细节。像素级和面向对象RF在Landsat-8上优于ZY-3/GF-1。所有方法中精确率始终高于召回率，例如深度学习在Sentinel-2组合上精确率99.67%，召回率93.44%，表明分类保守，倾向于漏检而非误检。
**4.2 识别结果比较分析**
通过后处理（栅矢转换、空间过滤、目视编辑、面积阈值），研究人员对比了Maowei海子区域的结果。高分辨率影像（2 m）能检测更小斑块和内部间隙（如潮沟、裸地）。深度学习生成最连续的红树林图，内部空洞最少；面向对象RF次之；像素级RF产生最破碎结果，呈现“椒盐”噪声。LASAC_2020数据集将潮汐淹没区、内部裸地等标记为红树林，而自动方法基于光谱-纹理特征无法识别此类过渡区，导致面积低估。
**4.3 红树林面积比较分析**
面积统计显示：斑块数量随分辨率增加而增加，但始终低于LASAC_2020。深度学习在2 m分辨率下提取面积最大（3693公顷），显著高于其他方法，因其能挖掘纹理信息（如冠层结构、枝干形态）从而捕获更多小斑块和边缘像元。像素级和面向对象RF的面积在不同分辨率间差异较小。计算机辅助提取面积与视觉解译面积（LASAC_2020）存在9.7%差异，主要源于管理分类惯例（将潮沟、裸地纳入红树林）和潮汐动态导致的光谱变化。
**4.4 研究局限性**
特征筛选按类别分组，未量化单个特征贡献；潮汐数据未纳入模型，虽优先选择低潮影像但仍无法消除潮汐影响；计算机辅助面积与官方统计的差异需要进一步建模定量分析。
**结论与讨论**
本研究通过多分辨率影像与三种分类方法的比较，得出以下结论：Sentinel-2 10 m因其丰富光谱波段与适中分辨率，成为大规模红树林监测的最优数据源，在深度学习下达到最高F1-score（96.45%）。深度学习在2 m影像上表现优异，但受限于DEM空间不匹配和训练样本量需求；对于<15 m影像，像素级RF不适用，面向对象RF和深度学习提供更佳空间一致性。潮汐动态是导致面积差异的关键因素，建议未来研究整合潮汐数据并优先选择低潮影像。该研究为多源遥感红树林监测提供了标准化特征-算法组合协议，为北部湾蓝碳储量评估提供了高精度基线图。
