在复杂的沿海光谱领域中，利用有限样本进行元学习以实现红树林监测

《Ocean & Coastal Management》：Meta-learning with limited samples for mangrove monitoring across complex coastal spectral domains

红树林监测中数据稀缺与光谱复杂性挑战，提出MetaSpecFSNet元学习框架。通过预训练通用遥感数据并少量样本微调，显著降低标注数据依赖，在海南和广西保护区测试中，平均分类准确率超90%，F1值达65%，有效提升跨区域泛化能力及生态监测效率。

　　

张若欣|岑明灿|王新毅|安安吉拉|张崇

湖南大学电气与信息工程学院，中国长沙410082

摘要

红树林是关键的沿海生态系统，能够稳定海岸线、提供风暴防护和碳封存功能。然而，它们的生态功能因入侵物种、台风和人类活动而日益退化。准确绘制红树林分布图对于有效保护红树林至关重要，但传统的遥感方法严重依赖于大规模的标注数据集，在数据稀缺或光谱复杂的条件下常常失效。为了解决这一挑战，我们开发了MetaSpecFSNet，这是一个基于元学习的框架，专为少量样本的红树林检测而设计。该模型首先在来自一般遥感场景的高光谱标注数据上进行预训练，然后使用五个代表性红树林地点的样本进行微调，从而减少了对大规模标注数据集的依赖。评估使用了来自中国海南和广西红树林保护区的Sentinel-2影像。实验结果表明，MetaSpecFSNet的性能始终优于主流深度学习模型，包括卷积神经网络（CNN）、深度神经网络（DNN）和Transformer。通过利用少量样本的元学习策略，该模型实现了超过90%的平均分类准确率和65%以上的F1分数。这些发现凸显了元学习在数据有限且光谱领域高度复杂的环境中增强生态监测的潜力，并为基于证据的红树林保护和沿海管理提供了宝贵的见解。

引言

红树林是分布在热带和亚热带海岸线上的重要湿地生态系统（Ye和Weng，2025年；Yando等人，2021年）。它们提供重要的生态服务，包括稳定海岸线、风暴防护、栖息地提供、水质净化和碳封存（Kuenzer等人，2011年；Zhou等人，2024年；Fu等人，2023年）。作为天然的生态屏障，红树林在维持沿海地区的稳定性和韧性方面发挥着核心作用（Bunting等人，2018年；Thomas等人，2018年）。然而，在最近几十年里，这些生态系统面临着来自入侵物种、频繁的台风和强烈的人类活动的日益增加的威胁，导致广泛的退化和生态功能的丧失（Sandilyan和Kathiresan，2012年；Otero等人，2018年；Wang等人，2023年；Reyes等人，2024年）。为了缓解这些影响，许多地区建立了自然保护区并采取了保护措施，这有助于部分恢复红树林的覆盖面积（Jia等人，2018年；Lu等人，2022年）。尽管如此，提高保护效率仍需要准确、及时和动态地监测红树林的分布和变化模式。高精度测绘不仅提供了关于时空动态的关键见解，还为基于证据的保护和管理策略提供了必要的数据（Tian等人，2017年；Carugati等人，2018年）。

传统的基于实地调查的红树林研究受到地形复杂、基底泥泞以及潮间带广阔范围的限制，使得大规模评估既耗时又耗费资源（Kirui等人，2013年；Pham等人，2019年；Wei等人，2025年）。遥感技术提供了一种有效的替代方案，它提供了全面的覆盖范围、成本效益以及捕捉长期动态的能力。随着高分辨率卫星影像的可用性，基于遥感的研究已成为红树林监测的核心。

最近的研究强调了深度学习方法在提高分类准确性方面的有效性。例如，Guo等人（2021年）引入了ME-Net，这是一种结合多尺度特征和注意力机制的卷积神经网络，其在Sentinel-2红树林测绘中的准确率超过了97%。同样，Sun等人（2023年）结合了多源遥感数据和混合U-Net架构来解决潮汐和光谱相似性问题，达到了93%的准确率。Erandi等人（2025年）将无人机和Sentinel-2数据与多层感知器模型结合用于红树林物种测绘，实现了99.8%的森林检测准确率和96.84%的物种识别准确率。Chen等人（2025年）提出了MangroveNet和AttCloudNet+，它们结合了双重注意力机制来分析多光谱无人机影像，实现了99.13%的面积提取准确率和0.87%的物种识别总体准确率，建立了一个高效的深度学习框架用于高分辨率红树林监测。其他研究探索了将超分辨率影像与机器学习分类器相结合（Hong等人，2024年），或使用长期时间序列数据生成国家级别的详细红树林物种地图（Chuanpeng Zhao等人，2024年）。总体而言，这些工作展示了基于遥感的红树林监测技术的快速进步，突显了深度学习在改善生态评估方面的强大能力。

尽管取得了成功，传统的深度学习模型仍面临几个关键挑战。首先，它们需要大量高质量标注的数据才能达到高准确率。实际上，由于实地访问限制、高昂的标注成本以及地区间的生态异质性，生成大规模训练数据集非常困难。其次，在一个地区训练的模型往往无法泛化到新的地区，在这些地区，光谱条件、潮汐影响和植被结构存在显著差异。这种缺乏可转移性的问题可能导致跨地区应用时表现不佳。最后，生态监测通常需要及时的结果，但为每个新地区重新训练数据密集型模型既低效又不切实际。这些限制制约了深度学习方法在全球红树林监测中的可扩展性。

少样本学习（FSL）和零样本学习（ZSL）作为克服遥感数据稀缺问题的有前景的策略应运而生。这些方法受到人类认知的启发，使模型能够从非常少的标注样本中学习，甚至将知识转移到未见过的类别。在红树林监测的背景下，FSL和ZSL展示了令人鼓舞的结果。例如，Panuntun等人（2024年）应用了一种混合CNN-Transformer模型，在有限的训练数据下检测红树林损失，实现了超过90%的IoU分数。Zhao等人（2023年）开发了一种基于可解释规则的映射方法，平衡了机器学习模型的准确性和透明的生态知识。其他工作结合了分层策略、概率分类器和动态注意力网络，以提高不同地区的少量样本分类准确性（Yuchen Zhao等人，2024年）。

虽然这些方法减少了对大规模标注数据集的依赖，但仍然存在重大挑战。当应用于复杂或破碎的景观时，少样本模型可能会表现出不稳定性和高不确定性。完全依赖先前知识转移的零样本方法往往难以适应新的生态环境。因此，当前的性能指标（如F1分数和IoU）难以进一步提高，限制了它们在大规模保护应用中的实用性。

为了解决现有方法的局限性，本研究引入了MetaSpecFSNet，这是一个专为跨不同光谱领域的小样本红树林检测而设计的基于元学习的框架。元学习提供了一种学习如何学习的范式：通过在多个任务上进行预训练，模型只需少量样本就能快速适应新领域。我们的方法利用来自一般遥感场景的高光谱数据作为元训练基础，然后使用来自特定红树林地点的少量样本对模型进行微调。通过冻结背景特征并专注于前景提取，MetaSpecFSNet减少了对大规模标注的依赖，同时在复杂的生态条件下增强了鲁棒性。我们使用来自中国海南和广西红树林保护区的Sentinel-2影像对MetaSpecFSNet进行了评估。该框架的性能优于传统的卷积神经网络（CNN）、深度神经网络（DNN）和基于Transformer的方法，并且在光谱复杂的环境中也展示了强大的跨地区泛化和鲁棒性。

本研究的主要贡献总结如下：

• •
  用最少的样本实现高效的红树林提取：
  我们设计了一个模块化框架，整合了背景编码器、目标编码器和融合解码器。只需五个样本，该模型就能实现高精度的红树林提取，显著降低了数据收集成本，并提高了数据稀缺场景下的适用性。

•

跨领域适应的元学习：

我们应用了带有背景特征冻结策略的元学习，使模型能够利用来自其他领域（如林业、农业）的高光谱知识。这种设计增强了可转移性，并减少了对特定地点标注数据的依赖。

•

跨地区的强健泛化：

MetaSpecFSNet在多样的生态环境中表现出强大的适应性和稳定性，包括破碎的景观和异质的光谱环境。这突显了其在大规模跨地区监测和生态管理中的潜力。

研究区域

研究区域

为了评估所提出模型在跨领域条件下的泛化能力，选择了中国南部广西和海南的五个代表性红树林保护区作为研究地点（Chen等人，2023年；Gong等人，2019年）。选择这些地点时考虑了地理分布和生态多样性，旨在验证模型在不同环境设置下的适应性。这些地点的位置如图1所示。

第一个地点是东寨岗国家

实验结果

对于每种算法，本文在不同研究区域进行了10次独立实验。在每次实验中，正样本和负样本都是从标注数据集中随机选择的，以确保样本选择的随机性和实验结果的可靠性。通过这种重复实验设计，可以有效减少单个实验结果带来的偏差，从而更全面地评估算法的性能

样本大小对模型性能和现象分析的影响

为了更精确地分析样本大小对模型性能的影响，并进一步探索MetaSpecFSNet的实际价值，本文扩大了Transformer、DNN和CNN模型的样本大小，以评估其性能指标的趋势。具体来说，研究设计为在每个研究区域进行10次实验，样本大小分别为5、10、20、50和200个红树林样本。在实验过程中，正样本和

结论

本文介绍了MetaSpecFSNet，这是一种为小样本学习场景设计的新红树林提取模型。该模型减轻了传统遥感方法对大规模标注数据集的依赖。通过利用元学习框架，MetaSpecFSNet可以使用少至五个样本有效绘制红树林分布图，展现出在多样化地理区域中的强大适应性和泛化能力。实验结果验证了

CRediT作者贡献声明

张若欣：撰写——原始草案、验证、软件、方法论、调查、数据管理、概念化。岑明灿：撰写——审阅与编辑、监督、项目管理、方法论、资金获取、概念化。王新毅：撰写——审阅与编辑、调查、数据管理。安安吉拉：撰写——审阅与编辑、监督、方法论、概念化。张崇：撰写——审阅与编辑、监督、方法论、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。