基于深度学习多源融合的红树林动态干涉图谱识别

《Remote Sensing Applications: Society and Environment》：Interferometric Pattern Recognition of Mangrove Dynamics through Deep Learning Multi-Source Fusion

　　摘要：飓风会通过破坏红树林冠层、拔起树木、增加土壤湿度以及降低叶绿素含量来造成结构损伤。没有一种单一的传感器数据能够同时捕捉到结构破坏、水文变化以及红树林所承受的应力。本研究采用了一种结合干涉相干性参数的合成孔径雷达与光学数据融合的U-Net-CNN模型，以应对这些挑战。该模型被应用于印度孙德尔本斯地区亨利岛的合成孔径雷达和光学数据，分析了飓风来临前（2016–2018年）、飓风期间（2019–2020年）以及飓风过后（2021–2023年）的不同阶段。研究提出了两种评估指标：干涉损伤评分和水分-植被损伤评分，前者反映基于雷达信号得出的快速结构变化，后者则体现基于光学特征得出的滞后生态和水文响应。模型性能通过时间轨迹分析、恢复时间的半衰期估算、热点重叠度、单调一致性、空间精度以及通过显著性-掩码重叠度来评估。此外，还测试了逐像素融合方法以及DeepLab系列模型和基于Transformer的SPECTRAFORMER模型在多尺度特征提取方面的表现，以便识别不同类型的红树林损伤模式。研究结果表明，所提出的方法提升了空间一致性和损伤定位精度，保持了飓风影响下距离与损伤程度之间的关联，同时能够捕捉到瞬时结构破坏和滞后的生态恢复过程，还具有更高的空间精度、更好的雷达信号表征能力、更低的跨研究区域方差，且不会出现检测失败的情况。在条件复杂的场景中，NEURALPRISM和SPECTRAFORMER在某些研究区域会出现部分检测失效，而无法准确映射非线性的飓风影响及系统的恢复能力。干涉相干性参数有助于更好地检测飓风对红树林生态系统的改变。研究还通过测量飓风期间及之后红树林斑块中心点的移动情况，验证了空间精度、结构-生态一致性以及飓风损伤的物理一致性。

引言：红树林生态系统具有物种多样、结构复杂的特点，且易受土壤盐度、沉积物堆积和潮汐等因素的影响，因此需要通过数据融合来了解其动态变化。飓风会对这类生态系统造成即时结构损伤、延迟出现的生理压力以及长期的恢复过程。飓风引发的干扰会导致红树林的结构破坏、生理压力以及水文状况的改变，已有研究指出澳大利亚的红树林有16%的树木因强风而倒伏，还有研究显示红树林的恢复依赖于其他环境压力因素，其中水文变化就是重要因素之一。另有研究指出风暴潮和积水也是导致大量红树林死亡的原因。本研究聚焦佛罗里达湾约10,760公顷的红树林区域。有研究认为由于生物差异，不同物种对飓风的响应存在差异，为此研究分别在澳大利亚、佛罗里达和孟加拉国进行了试验，发现森林结构与水文条件之间存在密切关联。另有研究指出，飓风会对单个树木造成落叶和拔根等即时影响，还有研究显示叶面积指数和植被能量指数最多可下降77%。这些研究部分支持了“生物量变化是红树林生态系统滞后响应的表现”这一观点，即恢复过程通常会延迟大约一个月。已有研究证明了多分辨率特征融合和深度学习框架在复杂环境中的损伤检测应用价值，尤其是在灾后建筑损毁评估等方面。还有研究强调了监测红树林系统对海平面上升等环境压力的适应能力和抵抗能力的重要性。飓风发生时，云层覆盖会严重限制光学遥感技术的应用，已有研究对此进行了说明。不过也有研究指出，需要通过全面的实地调查来量化灾害带来的影响，同时这些研究也都强调了整合光学、雷达和激光雷达数据的多传感器方法的必要性，这样才能更准确地分析飓风对红树林的影响。光学遥感技术可以通过归一化植被指数、叶面积指数、归一化水指数以及红树林植被指数等指标，获取有关植被健康状况、叶绿素含量和土壤湿度的信息，但不同研究的结果并不一致。有研究显示，红树林植被指数的整体准确率为92%，且与叶绿素含量和冠层含水量等生物物理参数具有中等到较高的相关性。还有研究探讨了潮汐对红树林森林指数的影响，另有研究指出在光谱特征相似的复杂环境中，分类结果容易出现错误，而且这些研究并未具体分析云层覆盖或结构损伤对植被状态的影响。已有研究表明，Sentinel-1卫星的合成孔径雷达数据具备天气成像功能，这类数据对冠层结构、表面粗糙度和介电特性极为敏感，可通过相干性损失来检测物理损伤。之前的研究已经证明，合成孔径雷达数据适用于全天候成像和损伤检测，不过这些研究主要针对地震和其他灾害造成的损害进行分析。近期还有研究指出，灾害的影响因应用场景而异，例如有研究通过后向散射分析发现了飓风对温室田地的破坏作用，还有研究认为相干性强度是识别被砍伐森林的最有效指标。另有研究显示，仅利用Sentinel-1卫星的数据，就能通过相干性和后向散射信息来绘制冰暴造成的损伤图，整体准确率为65.7%，不过该研究也指出树冠损失情况的检测结果会被高估55%-58%。还有研究指出，不同森林物种以及不同的灾害严重程度会导致后向散射敏感度的差异。已有研究证明，将合成孔径雷达数据和光学数据进行多源融合，可以提高湿地和红树林等复杂生态系统中的绘图精度和变化检测能力。有研究指出，将合成孔径雷达数据和光学数据结合使用，可使红树林分类的总体准确率提升33%，而在另一项针对红树林生态系统的 Sentinel-1和Sentinel-2数据融合研究中，整体准确率达到了93.23%，而在同一项研究中，使用融合后的数据对红树林进行监测时，整体准确率更是高达95.60%。还有研究在圭亚那开展的研究表明，结合光学和雷达数据进行的红树林分类，整体准确率可达95%。本研究采用基于U-Net的卷积模型和干涉相干性参数，其灵感来源于之前的相关研究，那些研究显示，相比传统的二维和三维模型，先进的U-Net融合模型的准确率可达到约94.5%。还有研究证明，将InSAR相干性参数与多光谱数据结合使用的集成迁移学习方法，可以提高作物绘图的精度和类别区分度，而且这种模型在不同的农业景观中都能保持稳定性。为了使模型能够在光谱特征相似的红树林区域以及类别分布不均的区域中更准确地完成绘图任务，还需要具备时间泛化能力。通过设计具备多尺度特征提取和融合功能的编码器-解码器结构，模型就能够学习到互补的信息，从而在不同的红树林区域中保持时间泛化能力，即便输入的多光谱图像受到云层干扰，模型也能正常工作。尽管有了这些改进，现有的方法仍然存在三个主要问题。已有研究指出，结合InSAR相干性参数的集成迁移学习方法，能够显著提高作物绘图的精度和类别区分度，而且在不同的农业景观中都能保持更稳定的性能。现有的研究大多采用单传感器数据的线性融合方法，而红树林生态系统中的结构损伤、非线性的结构变化模式以及由叶片缺失和盐分侵入引发的生理压力，都无法通过光学指数来准确反映，因为这些指数原本就是用于评估植被状况或健康水平的。仅依靠光学信息或单传感器数据分析，很难全面反映灾害带来的影响，而在密度高、结构复杂且受潮汐影响的红树林生态系统中，这类分析方法得出的结论往往会具有误导性。而通过合成孔径雷达数据计算得到的干涉相干性参数，能够反映散射元素的时空稳定性，因此，在研究红树林系统中非确定性、非线性变化动态时，必须在模型设计中引入干涉相干性参数，这样才能准确量化复杂沿海景观中的生态变化。线性融合模型通常无法捕捉结构信号和光谱信号之间的非线性相互作用，只有能够处理多维度特征空间的模型，才能保留空间的结构特征和连续性，因此，本研究的目标就是设计一种基于相干性参数的、基于U-Net的深度学习方法。本研究认为，将干涉相干性参数与光学植被指数相结合，就可以同时捕捉到红树林生态系统中的结构损伤和生理压力，因此有必要建立综合损伤指标，来反映红树林对飓风干扰的结构和植被响应。本研究要解决以下几方面的研究问题：结构-生态检测方面，第一个问题是：如何有效地结合干涉相干性参数和光学植被指数，从而同时捕捉到飓风对红树林造成的结构损伤和生理损伤？非线性融合方面，第二个问题是：相比传统的融合方法，基于U-Net的深度学习框架是否能够更准确地检测到合成孔径雷达数据与光学数据之间的非线性相互作用？空间鲁棒性方面，第三个问题是：在不同飓风影响程度和不同环境条件下的不同红树林区域中，检测到的损伤模式的一致性和稳定性如何？物理有效性方面，第四个问题是：检测到的损伤模式是否与飓风的影响程度存在合理的物理关联，尤其是与距飓风路径的距离之间是否存在关联？损伤-恢复动态方面，第五个问题是：所提出的框架能否有效捕捉到红树林生态系统从灾害发生到恢复的过程中的时间变化规律？现有的融合模型大多属于黑箱系统，无法准确呈现灾害发生的完整过程。虽然现有研究在一定程度上提高了损伤检测或绘图精度，但它们并没有解释红树林的结构是如何被破坏的，也没有说明生态压力是如何扩散的。本研究首先通过明确建模红树林的灾害发生和恢复过程，而非仅仅进行分类，从而实现了对飓风灾害过程层面的分析；其次，本研究引入了IDS和MVDS这两种指标，用于分别反映快速的结构性/干涉性损伤以及滞后出现的水分-植被响应；第三，本研究创新性地将干涉相干性参数作为主要的结构损伤信号纳入融合逻辑，以此研究红树林的恢复能力；第四，为了更真实地反映生态系统的响应动态，而非使用随意设定的时间间隔，本研究选择了考虑相位特征的飓风来临前、期间和之后的不同时间阶段；第五，为了让所提出的基于U-Net的CNN模型在实际应用中具备可解释性，本研究采用了模型输出结果与空间显著性特征之间的关联分析方法，以此明确驱动损伤产生的主要因素以及这些因素与损伤掩码之间的定量关联关系；第六，本研究引入了基于半衰期的红树林恢复分析方法，通过将灾害强度与恢复速度相联系，实现了对红树林恢复能力的直接比较，这与传统仅能定性描述恢复过程的方法不同，具有更强的量化优势。干涉相干性参数整合（核心创新点）：本研究采用相干性损失值Δγ来衡量结构损伤，这一数值并非通过间接推断得到。相关研究进展：现有的融合框架虽然能够提高分析精度，但无法模拟飓风过后红树林生态系统的结构损伤和恢复动态。为了提高遥感数据的质量，人们已经开发出了多种时空融合和多源融合方法。基于U-Net的深度学习模型以及双分支架构，通过融合合成孔径雷达数据和光学数据，确实能够提高分类精度，不过这些研究主要关注预测精度，而非环境中的结构变化。研究区域：即使在相同的地理位置内，红树林的物种组成也并非完全均匀。本研究在亨利岛的四个研究区域收集了数据，旨在了解红树林生态系统在区域内的空间异质性。影响红树林物种组成的因素包括距飓风路径的距离、冠层密度、树木与灌木的占比、潮汐通道、积水区域、土壤盐度以及沉积物特征。研究方法：本研究采用了如图3所示的分析流程，用于测量和验证红树林冠层的损伤情况及其恢复过程。这一分析方法具有创新性，它整合了以下几个环节：首先是对Sentinel-1合成孔径雷达数据和Sentinel-2/Landsat光学数据进行预处理和跨传感器数据协调；其次是从这些数据中提取结构特征和光谱植被特征；接着是构建两种损伤指标，即IDS和MVDS；最后是将这些特征通过基于U-Net的模型进行非线性整合。研究结果：与光学指数不同，Δγ能够反映由飓风风力导致的物理位移、冠层断裂以及生物量损失所引起的相位退相干现象，而光学指数主要关注的是植被的反射特征，因此Δγ才是最敏感的损伤指示参数。基于相位轨迹的分析：本研究将飓风来临前、期间和之后的不同阶段视为不同的生态状态，通过时间分段的方式系统地分析生态系统的变化规律。本研究设置了两个过渡阶段，第一个阶段是从飓风来临前到期间的阶段，代表损伤发生的阶段，第二个阶段是从飓风期间到之后的阶段，代表恢复发生的阶段。通过相位轨迹分析，可以量化模型性能和生态系统响应在这两个阶段的变化情况。如果轨迹斜率为正，就说明模型的性能和生态系统响应都在不断改善。结论：在以往的研究中，红树林生态系统通常被表示为包含结构信息和水文信息的单个像素，因此仅靠光谱指数无法准确反映生态系统的变化，也无法将单个指数简单理解为生物量损失的量化指标。当前的研究方法强调了在获取时空数据时保持一致性的重要性。研究发现，红树林生态系统所受到的最大破坏并不一定与某种特定因素达到峰值时同时发生。

作者声明不存在利益冲突。
代码地址：https://github.com/Rahul-dev-crypto/mangrove-fusion-pipeline.git
Sentinel 1数据集地址：https://dataspace.copernicus.eu/data-collections/sentinel-data/sentinel-1
Sentinel 2数据集地址：https://developers.google.com/earth-engine/datasets/catalog/sentinel-2
Landsat数据集地址：https://developers.google.com/earth-engine/datasets/catalog/landsat-8

作者声明本研究是按照学术诚信和科学研究的伦理标准进行的。本研究中没有涉及人类参与者、动物或可识别的个人数据。所有使用的卫星数据、环境数据及辅助数据集均为公开可用，且仅用于科学和教育目的，符合相关的数据共享和引用规范。

CRediT作者贡献说明：
Debangshu Pandey：方法设计、数据整理；
Rahul De：初稿撰写、方法设计、数据整理；
Nilanjan Dey：文本审阅与编辑、验证、监督、方法设计；
Aninidta Das Bhattacharjee：文本审阅与编辑、初稿撰写、方法设计、研究分析、正式分析、数据整理、概念构建。

参考文献：32.; 33.; 38.; 39.; 40.; 41.; 42.

作者声明不存在可能影响本文研究结果的已知财务利益或个人关系。同时，作者也说明了以下可能被视为潜在利益冲突的财务利益/个人关系。

致谢：我们衷心感谢加尔各答工程管理学院的工程与管理研究所（IEM）、人工智能创新卓越中心（InnovAI），以及IEM的资助项目（项目编号：IEMT(S)/2024/A/09-G53），正是他们的基础设施支持与机构扶持使得这项研究得以开展。

代码、数据及材料获取方式：
Anindita Das Bhattacharjee | Rahul De | Debangshu Pandey | Nilanjan Dey
印度西孟加拉邦加尔各答，加尔各答工程管理学院工程与管理研究所、InnovAI卓越中心、计算机科学与工程系。