针对上述问题，东北地理所地理景观遥感学科组研究人员受二分类算法机理启发，在正样本固定的前提下，通过迭代优化负样本不断改进决策面，提出了一种决策面优化方法。这一方法能够在不引入新的正样本情况下，通过迭代方式获取新的误分类样本，从而压制误分类斑块、减轻样本获取压力，首次完成了中国国家尺度外来红树植物无瓣海桑遥感提取。
图1. 无瓣海桑的野外生长环境（图片来源：海口野外调查）
决策面优化方法的基本思路如图2所示，具体为：（1）在二分类算法中，正样本和负样本的变化均能扰动决策面，使其向着误分类减少的方向移动。当正样本获取难度较大，可在正样本固定情况下引入新的负样本，不断改善决策面。（2）中国国家尺度均匀分布的无瓣海桑样本获取难度高，但存在部分局地尺度分类结果，且这些结果具有一定的纬度梯度、不同的生长阶段和健康状况。根据这些分类结果，可以获取具有一定代表性的正样本。（3）非无瓣海桑样本获取难度较低，负样本来源广泛。现有局地尺度红树树种分布、红树林分布数据、野外踏查报告、文献研究区概况等均可为负样本的确定提供支撑。（4）以收集的正样本和负样本进行初步分类，然后选择没有无瓣海桑分布的区域、随机抽取误分类像素点加入到负样本，再进行下一次分类。重复上述步骤，直到分类结果稳定为止。迭代分类过程中，正样本保持不变，负样本不断优化，直到分类结果收敛；分类结果使用案例区的平均Jaccard指数进行衡量。（5）经过迭代，对收敛后的分类结果进行目视校验，最终得到2020年中国无瓣海桑分布数据。由于分类结果已较好反映了无瓣海桑分布，邻近斑块可为目视校验提供有效参照，避免了解译经验对分布结果的影响。
这一方法在正样本固定情况下，将局地尺度分类结果集成转化为国家尺度，为样本获取难度较大的滨海湿地植物群落识别提供了新思路。
图2 决策面优化方法的图示（A-B）及其在无瓣海桑分布信息提取中的应用。其中，东寨港（a-d）与茅尾海(e-h)部分区域的无瓣海桑斑块在迭代过程中逐渐收敛。
以2020年11月到2021年4月的Sentinel-1/2卫星影像的中值合成数据为数据源，应用上述决策面优化方法，得到2020年中国无瓣海桑分布数据（图3）。经统计，其总面积达到2968 ha，占全国红树林面积的11.0%。其中，广东无瓣海桑面积占全国的87.7%，广西面积占全国的7.8%。基于独立获取的样本点验证，无瓣海桑分布数据总体精度为96.4%。基于野外样方，其正确率为91.7%。经对比，本数据结果与米级高空间分辨率影像结果高度一致。
图3.2020年中国无瓣海桑分布。其中，b)为茅尾海无瓣海桑分布区，c）为汕头无瓣海桑分布区。
该研究基于二分类算法机理，研发了在正样本固定情况下通过负样本迭代优化决策面的新方法，为样本获取难度较大的滨海湿地植物群落识别提供了新思路。应用该方法，首次通过遥感分类方法获取了中国无瓣海桑分布数据，为外来红树植物无瓣海桑的跟踪监测、本土红树植物的修复重建提供数据基础。研究成果发表在中科院一区期刊ISPRS Journal of Photogrammetry and Remote Sensing（影响因子11.774）上。由东北地理所赵传朋特别研究助理、贾明明副研究员、王宗明研究员、毛德华研究员，中科院地理资源所秦承志研究员，美国罗德岛大学王野乔教授共同完成，得到国家自然科学基金(No. 42171372)、科技基础资源调查专项项目(No. 2017FY100706)、国家地球系统科学数据中心(No. Y91H030106)、中国科学院青年创新促进会人才项目(No. 2021227)共同资助。
论文标题
Decision surface optimization in mapping exotic mangrove species (Sonneratia apetala) across latitudinal coastal areas of China
发表期刊
ISPRS Journal of Photogrammetry and Remote Sensing
论文全文链接
https://www.sciencedirect.com/science/article/abs/pii/S0924271622002581
附件下载：
