复杂湿地中不平衡训练数据下的混合数据增强与面向对象土地利用/土地覆盖制图

《Wetlands》：Hybrid Data Augmentation and Object-Based Analysis for LULC Mapping with Imbalanced Training Data in Complex Wetlands

　　

摘要

在复杂的农业湿地生态系统中，准确的土地利用/土地覆盖（LULC）分类仍受两个持续挑战的限制：（1）严重的类别不平衡，生态关键类别在训练数据中严重代表性不足；以及（2）光谱异质性，混合和过渡性土地覆盖表现出重叠的光谱特征。为了解决光谱异质性，我们采用面向对象影像分析（OBIA），将像素聚合成光谱同质段并减少类内变异性。同时，我们整合选择性数据增强来为少数类合成训练样本，这防止了分类器偏向主导类别并纠正了数据不平衡。该框架被应用于伊朗西部一个退化的半干旱湿地，使用 Sentinel-1 和 Sentinel-2 影像。我们通过特征工程和 SelectKBest 方法优化了 18 个光谱指数、纹理指标和雷达后向散射特征。随后使用随机森林和极端随机树分类器对这些特征进行评估。在测试的增强策略中，Borderline-SMOTE 结合极端随机树实现了最平衡的性能，少数类 F1 分数相比基线提高了 20% 以上。这一改进确保了如已犁土地和退化湿地等稀有类别的保留，这些类别为了解旱灾驱动的干涸和人为压力提供了关键见解。年度 LULC 转型（2019–2024）揭示了波动的耕地范围、湿地植被减少以及由气候变率和人类活动驱动的间歇性已犁/裸地区域。结果表明，将定向增强与特征选择和面向对象分析相结合，能有效缓解类别不平衡，同时保持生态可解释性，为监测动态退化湿地生态系统提供了一个可转移的框架。