无需人工定义潜在区域：基于自监督的地理空间对齐原型学习的大规模红树林监测

《International Journal of Applied Earth Observation and Geoinformation》：Free from manually defined potential regions: Large-scale mangrove monitoring based on self-supervised geospatially-aligned prototype learning

红树林是沿海关键生态系统，但其潜在区域界定方法存在灵活性不足、依赖人工或多源数据整合效率低等问题。本研究提出自监督地理对齐原型学习（SGAPL）方法，通过整合时空数据构建地理分组特征，利用背景相关注意力图（CAM）增强空间一致性，结合相邻场景连续性策略，自动生成红树林潜在区域。在澳大利亚应用表明，该方法生成的2014-2023年红树林分布图（SAMM_14-23）总体精度达94.65%，发现超过4000公顷的内陆红树林被传统方法低估，且70%以上变化发生在距斑块边界50米内，斑块面积与变化率呈负相关。

　　在全球生态系统的研究中，红树林生态系统扮演着不可或缺的角色。这些生态系统通常位于陆地与海洋的交界地带，不仅在稳定海岸线、减轻洪水和极端天气的影响方面发挥重要作用，还在维持生物多样性、净化沿海水域、支持高价值商业资源以及作为整体生态系统健康的重要指标方面具有重要意义。然而，由于红树林分布在特定的生态位，传统方法在大规模监测中常常存在局限性，如缓冲区方法的灵活性不足，以及多源数据集成方法的复杂性和依赖性。这些方法在特定条件下可能无法有效识别内陆红树林，特别是那些沿着潮汐通道分布的区域。此外，由于数据的时间覆盖不足，传统方法在准确性和时效性方面也存在挑战，可能遗漏红树林随时间变化的动态过程。

为了应对这些挑战，本研究提出了一种新的方法——自监督地理对齐原型学习（Self-Supervised Geospatially-Aligned Prototype Learning, SGAPL），旨在通过场景级别的标签自动生成潜在红树林区域。SGAPL方法结合了地理分组的时间输入用于深度特征提取、地理校正的原型建模与超像素对齐的平滑处理，以及相邻场景连续性策略，从而提高了潜在红树林区域的空间完整性和一致性。通过这种方法，研究人员能够更准确地识别红树林的分布范围，而无需依赖密集的像素级标注。这种方法不仅提高了效率，还为长期监测红树林变化提供了新的思路。

SGAPL方法的核心在于其对场景级别标签的利用。通过结合地理信息和时间序列数据，SGAPL能够在不同场景之间进行有效的信息交换，从而生成更精确的潜在红树林区域。具体而言，该方法首先通过地理分组的时间输入提取深度特征，然后利用地理校正的原型建模，结合超像素对齐的平滑处理，以提高空间连续性和完整性。最后，通过相邻场景连续性策略，进一步增强红树林区域的稳定性，避免碎片化和不连贯的问题。这些步骤共同构成了一个从定位、精炼到扩展的渐进式流程，使SGAPL能够有效地弥合弱场景监督与语义一致像素预测之间的差距。

在实际应用中，SGAPL方法生成的“场景驱动澳大利亚红树林地图”（Scene-Driven Australia Mangrove Maps, SAMM_14-23）取得了94.65 ± 0.85%的整体准确率。通过SAMM_14-23的分析，研究人员发现传统方法低估了超过4000公顷的内陆红树林斑块。这表明，SGAPL方法在识别内陆红树林方面具有显著优势。此外，分析还揭示了两个关键的变化模式：第一，超过70%的红树林变化发生在斑块边界50米范围之内，突显了红树林边缘的脆弱性；第二，红树林斑块的面积与变化率之间存在明显的反向关系，面积大于4000公顷的红树林斑块表现出更高的稳定性。这些发现为未来的红树林保护和管理提供了重要的依据，特别是在边缘保护和栖息地连通性方面。

红树林生态系统不仅对全球的可持续发展目标（Sustainable Development Goals, SDGs）具有重要意义，还对气候变化适应、沿海生态韧性等议题产生直接影响。由于红树林分布在潮间带，其分布和状态受到淡水输入、潮汐活动、盐度水平以及风暴和波浪能量等环境因素的影响。因此，监测红树林的范围对于理解这些生态系统的历史和现状分布至关重要，尤其是在面对各种环境威胁时。此外，准确且最新的红树林范围信息是制定有效保护和管理策略的基础。

本研究的成果不仅为红树林的监测提供了新的工具，还为全球范围内的生态研究提供了参考。通过SGAPL方法，研究人员能够更高效地识别潜在红树林区域，并在大规模范围内进行变化检测。这种自动化的方法减少了对人工干预的依赖，提高了监测的效率和准确性。同时，SGAPL方法在识别内陆红树林方面表现突出，这在以往的研究中往往被忽视。此外，SAMM_14-23数据集提供了全面且最新的信息，有助于制定针对性的保护措施，特别是在红树林边缘保护和栖息地连通性方面。

在方法的验证过程中，研究人员将SGAPL生成的红树林地图与已有的数据集（如Global Mangrove Watch v3和High-Resolution Global Mangrove Forests）进行了比较。结果显示，SGAPL方法在准确率和覆盖范围方面均优于传统方法。特别是在识别内陆红树林方面，SGAPL方法的总体准确率达到了91.63%，而传统缓冲区方法则无法识别任何内陆红树林，准确率为0%。此外，SGAPL方法生成的潜在红树林区域面积约为传统缓冲区方法的3.6倍，表明其在计算资源上的节省。这些结果进一步证明了SGAPL方法在红树林监测中的有效性。

本研究还对红树林的变化模式进行了深入分析。结果显示，红树林的变化主要集中在斑块边缘，而斑块面积越大，变化率越低。这种模式为红树林的保护策略提供了重要参考，即需要特别关注边缘区域的保护，并通过增强栖息地连通性来提高生态系统的韧性。此外，红树林斑块的形态和分布也受到环境因素的影响，如潮汐活动、人类活动和自然灾难等。因此，未来的红树林研究可以利用这些变化模式，探索影响红树林边缘脆弱性和斑块形态与沿海地形关系的关键因素。

SGAPL方法的提出不仅为红树林的监测提供了新的解决方案，还为其他沿海生态系统的研究提供了借鉴。该方法具有较强的可扩展性，可以在其他红树林丰富的国家（如印度尼西亚、巴西和墨西哥）推广使用，以支持全球范围内的生态保护工作。同时，该方法也可以应用于其他沿海生态系统，如潮汐滩和互花米草（Spartina alterniflora）等，为广泛的生态监测和管理提供技术支持。

总体而言，本研究通过SGAPL方法，为红树林的大规模监测提供了一个创新的框架，解决了传统方法在内陆红树林识别和长期监测中的不足。生成的SAMM_14-23数据集不仅提供了全面且最新的红树林分布信息，还揭示了红树林变化的关键模式，为未来的研究和保护策略提供了重要的科学依据。这一方法的推广和应用，将有助于更有效地应对气候变化和环境压力，保护这些重要的生态系统，从而支持全球可持续发展目标的实现。