机器学习算法利用多光谱卫星影像在不同季节绘制红树林地图的有效性

《Remote Sensing Applications: Society and Environment》：Effectiveness of machine learning algorithms in mapping mangrove forests using multispectral satellite imagery across different seasons

　　

摘要

红树林是地球上生产力最高的生态系统之一。然而，它们以史无前例的速度遭到丧失和退化，凸显了需要建立稳健的制图框架以加强保护工作的迫切性。然而，大多数红树林制图研究仍局限于传统的简单分类器，而新兴机器学习（ML）算法的能力在很大程度上尚未得到探索。本研究以莫桑比克为案例，开发了一套新颖的框架，揭示10种机器学习算法利用Sentinel-2影像在旱季和雨季进行红树林制图的潜力：人工神经网络（ANN）、分类回归树（CART）、K近邻（KNN）、朴素贝叶斯（NB）、随机森林（RF）、支持向量机（SVM）和XGBoost，以及条件推断树（CIT）、极限学习机（ELM）和随机蕨树（RFerns）——后三者首次被引入红树林制图领域。采用10折交叉验证重复三次进行超参数调优和敏感性分析。利用基于模型特定的分裂指标和基于ROC的指标量化变量重要性，并通过CPU训练和预测的耗时评估计算成本。进行了基于设计的精度评估，并评估了测试误差与制图精度之间的差异。计算了相关比例差异的置信区间以评估各机器学习算法之间的统计显著性，并评估了制图精度对红树林空间结构的影响。结果表明，尽管SVM（OA = 0.983 ± 0.003）和RF（OA = 0.980 ± 0.007）在跨季节景观制图方面表现最佳，但红树林制图精度有所变化：CIT在旱季表现最佳（F1-score = 0.987 ± 0.005），而ANN在雨季的红树林和景观制图方面均表现卓越（F1-score = 0.985 ± 0.006）。CIT获得了最精确的旱季面积估计值为115.0 km2（95% CI: 112.5–117.4 km2，宽度 = 4.9 km2，RSE = 1.1%），而ANN在雨季表现最佳，为114.9 km2（95% CI: 112.2–117.7 km2，宽度 = 5.5 km2，RSE = 1.2%）。RF在两个季节中的训练时间最长（8–96分钟），而SVM的预测时间始终最高（45–142分钟）。缩小特征空间可以加快训练和预测速度，但可能损害红树林的识别精度。仅靠光谱指数无法捕捉准确识别红树林所需的精细尺度变异性。季节性变化显著影响机器学习算法的性能，大多数算法难以在雨季准确测绘红树林。算法的识别能力不足会引入分类误差，这些误差会传播到景观指标中，产生人为的破碎化表征，最终使关于生态系统结构和功能的解释和结论产生偏差。与大多数仅依赖测试误差的遥感研究不同，本研究采用了方法严谨的制图精度评估。结果表明，尽管测试误差会高估模型性能，但制图精度评估揭示了最终分类结果中的显著差异，凸显了稳健的制图质量评估的必要性，因为仅依赖测试误差结果可能会误导地图使用者。本研究为机器学习算法在红树林制图方面的能力提供了新颖的见解，为全球红树林保护和管理努力做出贡献。

引言

森林代表世界上最重要的生态系统之一。在各类森林类型中，红树林是地球上生产力最高的生态系统之一（Donato等，2011）。它们是一类生长于热带和亚热带地区潮间带的树木和灌木，在盐度、温度、潮汐、沉积物和泥质厌氧土壤等恶劣环境条件下茁壮成长。全球范围内，红树林覆盖面积为145,068 km2，主要集中在亚洲、美洲、非洲和洋洲（Jia等，2023）。红树林提供了必需且独特的生态系统服务（Barbier等，2011；Hamilton和Friess，2018），但这些森林的丧失和退化仍以惊人的速度持续，主要归因于水产养殖、过度开发、沿海开发和与气候变化相关的影响（Sitoe等，2014；Macamo等，2016；Mandal和Hosaka，2020）。为克服这些问题，许多国家已颁布政策和法规以加强红树林保护和管理举措，而通过对其空间范围的了解才能实现成功（Friess等，2019；Wei等，2025）。由于实地红树林制图是一项具有挑战性、耗时、成本高且劳动密集型的工作，遥感技术是一种适当的替代方案，可以在短时间内以相对较低的成本大规模测绘这些森林，同时允许有效量化生态系统服务、CO?排放和生物多样性（Hamilton和Casey，2016；Bacar，2025b）。准确的红树林制图还为评估气候变化影响、理解空间结构和实施有效的缓解策略以实现可持续沿海发展提供了关键见解（Wang等，2019；Sunkur等，2024）。

红树林制图主要使用Landsat卫星影像进行（Cárdenas等，2017）。然而，Sentinel-2卫星影像因具有高准确性而广泛用于红树林制图，确保有效的监测和管理（Jia等，2023）。在卫星影像分类的多种方法中，基于像元的方法和基于对象的方法占主导地位，其选择取决于分类目标和卫星影像类型。基于像元的分类是红树林制图中最广泛使用的方法（Cárdenas等，2017），它根据每个像元的光谱特征为图像中的每个像元分配一种土地覆盖类别。基于像元和基于对象的方法通常根据分类是否需要先验知识分为有监督分类和无监督分类。与无监督方法不同，有监督分类依赖于训练数据来训练分类算法并将图像分类为有意义的土地覆盖类别，生成高精度的地图（Adegun等，2023）。

现有的分类算法种类繁多，但红树林通常使用简单的分类算法进行制图，其中最大似然分类器（MLC）最为常用（例如，Paling等，2008；Kirui等，2013；Casal等，2024）。然而，一些研究表明，这些算法在准确测绘土地覆盖类别方面存在困难，特别是在红树林生态系统等独特的自然环境中（Karan和Samadder，2018），使得难以进行详细的分析和决策以支持保护工作。计算机科学、地理信息科学和遥感领域的最新发展使得复杂分类算法，特别是机器学习算法，能够应用于土地覆盖制图，并以相对较低的计算成本取得优异的性能。

机器学习（ML）算法是用于分类、回归、数据聚类、频繁模式检测和降维等任务的各种计算程序和数学模型（Sarker等，2019；Sarker，2021）。在遥感中，它们主要用于通过有监督学习技术将卫星图像分类为有意义的土地利用和土地覆盖类别（例如，Maxwell等，2018；Basheer等，2022；Bacar等，2025）。不同的机器学习算法可用于测绘土地覆盖类别，如随机森林（RF）、支持向量机（SVM）和XGBoost（Zhang和Ma，2008）。然而，新颖机器学习算法的 proliferation 使得选择适当的机器学习算法来测绘红树林和其他生态系统变得困难。此外，多种因素可能影响机器学习算法在卫星图像分类方面的性能，导致关于其在测绘不同景观特征方面有效性的矛盾信息，支持了对其慎重选择的必要性。例如，在土地覆盖制图方面，Ramachandra等（2023）发现RF优于SVM，而Abdi（2020）发现SVM优于RF。另一方面，Duro等（2012）记录到RF和SVM之间具有相似的分类性能。

机器学习算法的性能可能受到低分辨率卫星影像（如空间、光谱分辨率）、训练数据的质量和数量不足、所研究景观的复杂性以及缺乏算法超参数调优的影响（Duro等，2012；Yimer等，2024）。尽管很少被研究，影像采集的季节也影响机器学习算法的性能；因此，某些算法无法准确测绘跨所有季节的不同景观特征，凸显了需要找到某种算法的最佳数据获取时间的需求（Prishchepov等，2012；K?ril?等，2019）。通常，在热带地区，红树林和其他生态系统已在旱季进行测绘，以获得景观不同要素之间的最大对比度，从而产生比雨季更高的精度。因此，大多数机器学习算法在旱季被应用，导致关于其在雨季表现的大量知识空白，此时景观特征表现出最小的光谱差异，因此更难区分。

对于分类任务，机器学习模型的性能通常通过评估泛化误差（也称为测试误差）来调查，这是在未用于训练模型的测试数据集上的预测误差（Badillo等，2020）。该误差通常通过计算来自混淆矩阵的不同指标来评估，如总体精度、召回率或敏感度、精确度和F1-score，使用预留样本（例如训练数据的30%）。通常，这种性能评估过程——也称为内部验证、模型不确定性评估或测试——已被视为制图精度评估（例如，Basheer等，2022；Ramachandra等，2023；Amin等，2024）。然而，这样的过程不应被视为制图精度评估。相反，机器学习算法生成的专题地图的精度应通过将地图标签与通过概率方法（例如分层随机抽样）收集的独立参考标签进行比较来评估，从而在混淆矩阵中生成无偏精度指标（Stehman和Foody，2019；Tyukavina等，2025）。此外，而不是依赖传统的有偏像素计数面积估计器，应使用无偏的基于样本的面积估计器来计算映射的土地覆盖类别面积，最好直接从混淆矩阵中推导得出（Olofsson等，2014）。

全球各地的各种研究评估了多种机器学习算法在生态系统制图方面的有效性；然而，这些工作局限于已确立的算法，通常评估4–5种算法，如RF、KNN、XGBoost和SVM（Maxwell等，2018；Kenduiywo等，2020）。因此，一些新颖机器学习算法在卫星影像分类方面的能力仍然未知，特别是那些在其他学科（如工程、医学、气象学）中被证明有效的算法（如条件推断树、极限学习机、随机蕨树）（Kursa，2014；Sardá-Espinosa等，2017；Liu等，2021）。此外，计算成本（如训练和预测时间）以及多种机器学习算法对制图精度、面积估计和景观指标的影响仍然知之甚少；以前的研究局限于评估模型测试误差。之前的研究还局限于单一季节内的陆地生态系统（例如，Amin等，2024；Yimer等，2024）。因此，多种机器学习算法在跨季节测绘沿海生态系统，特别是红树林森林方面的有效性未知，使得有效监测其动态变得困难。

本研究旨在评估10种机器学习算法在莫桑比克利用Sentinel-2影像、4种特征组合（情景）和2个季节进行红树林森林制图的 effectiveness，采用新颖的框架。具体而言，本研究旨在：（1）评估机器学习算法的计算成本（训练和预测时间）及其与分类性能的权衡，（2）评估特征组合对模型精度、变量重要性和分类稳定性的影响，（3）估计和比较不同机器学习算法所产生的红树林地图的测试误差和制图精度指标，以及（4）量化算法选择和分类精度对红树林面积估计和景观指标的影响。本研究的研究问题如下：（i）算法之间的精度与计算成本的权衡是什么？（ii）特征选择如何影响机器学习算法之间的精度、重要性和稳定性？（iii）机器学习算法在不同情景和季节中的红树林分类表现如何？以及（iv）分类精度如何影响红树林面积和景观指标？本研究为机器学习算法在明确测绘红树林森林空间分布和排列方面的能力提供了有意义的见解，这对于有效的红树林保护和管理至关重要。

研究区域

本研究在莫桑比克北部德尔加杜角省开展，具体位于Quissanga、Ibo Island和Macomia地区，总面积为1103 km2（图1）。该地区以热带干燥稀树草原气候（Aw）为特征，有两个明显的季节：雨季和旱季（Bacar等，2023）。

雨季从11月持续到次年4月，以高温多雨为特征，其中1月是气温最高、降雨量最大的月份。相比之下，旱季从5月持续到10月。

**超参数敏感性分析**

模型性能对超参数变化的响应在不同场景和季节间存在差异，在超参数调整到一定程度后，F1分数达到稳定的平台期（图4）。例如，在SC2（旱季）和SC1（雨季）条件下，ANN对隐藏单元数量的变化波动较小，F1分数在5个隐藏单元后迅速达到平台期。这表明在此之后，增加模型复杂度和进一步调优并不能带来显著提升。

**红树林测绘方法的创新**

本研究提出了一种新颖的框架，用于评估机器学习（ML）算法在不同季节、不同特征组合条件下利用Sentinel-2B影像进行红树林测绘的能力。通过弥合算法性能、计算成本（即训练和预测时间）与实际测绘之间的差距，该方法使红树林生态学家能够评估关键的权衡关系，从而加强保护和管理工作。以往的机器学习比较研究

**结论**

本研究开发了一种新颖的框架，旨在调查十种机器学习（ML）算法利用多光谱卫星图像进行跨季节红树林测绘的能力。本研究实施的方法学严谨的精度评估超越了传统的测试误差报告方式，采用了分层随机抽样和独立参考数据。这一严格的验证框架对于揭示传统评估中存在的指标膨胀现象至关重要。

**伦理声明**

作者声明不存在利益冲突，并在数据收集、分析和报告过程中遵守伦理标准，确保研究的诚信。本研究不涉及人类参与者和动物。本研究为原创且未发表的作品，未同时提交其他出版机构审稿。

**资金支持**

本研究得到了阿迦汗基金会的资助。

**利益冲突声明**

作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

**致谢**

作者感谢Almeida Sitoe教授和Sá Nogueira Lisboa博士在野外调查准备期间提供的建议与支持。作者还感谢Quirimbas国家公园提供的野外支持。感谢Edith Oliveira De Encarnac?o博士提供的后勤支持，以及Issa Iacubo先生提供的野外协助。

Focas Francisco Bacar

莫桑比克爱德华多·蒙德拉内大学农学与森林工程学院森林工程系，邮政信箱257，马普托，莫桑比克