低空遥感入场，红树林分类仍有三道坎
红树林是我国东南沿海热带、亚热带海岸潮间带特有的生态系统，不同红树植物的碳含量系数差异显著，准确的树种分布数据是精确估算生物量与碳汇能力的前提。以 Landsat、Sentinel 为代表的中分辨率卫星为大尺度分布制图奠定了基础，但更精细的树种识别受限于亚米级空间分辨率极限，无人机低空遥感因此成为前沿工具。然而高分辨率带来的海量数据使研究瓶颈从「数据受限」转向「方法受限」，自然演替群落的高度混生与模型黑箱，共同构成当下红树林种间分类的核心难题。
混生群落的同物异谱与空间分辨极限
自然演替红树林不同于人工种植林，树种高度混生、斑块交错镶嵌，冠层尺度上既存在高光谱相似性又存在高空间异质性。中分辨率卫星影像难以触及单木与群落斑块边界；另一方面，同为优势种的桐花树在幼龄与成熟阶段呈现显著的「同物异谱」现象，同类地物内部的光谱漂移成为制约精度的重要因素。
高维冗余特征与类别不均衡并存
高空间分辨率影像经面向对象分割后可提取光谱、纹理与几何等大批候选变量，其中包含大量强相关信息，直接建模易受冗余信息干扰；同时自然群落中红海榄多以单株或团簇伴生，样本量明显少于其他类别，数据集存在明显类别不均衡，单纯依赖总体精度 OA 容易被优势类别主导，掩盖模型在少数类别上的失效。
单一策略模型的黑箱与偏差-方差失衡
分类模型虽已从 KNN、SVM 演进到 RF、LGBM、XGBoost、RoF 等集成算法，但复杂度提升使决策过程沦为黑箱；在物种高度混交、冠层结构复杂场景下，传统单一策略机器学习同时面临高偏差、高方差与解释性不足的三重挑战，且定量解析模型决策机理、识别树种敏感特征的工作依然相对匮乏。
真红树与半红树合计
隶属 15 科
红树林总面积
地面分辨率
五步链路：从对象、特征到可解释决策
本文以无人机多光谱影像与地面调查样本为基础，构建「面向对象分割—两阶段特征优选—多分类器横向评估—SHAP 机理解释」的综合性分析路径。核心设计在于：以对象替代像元抑制椒盐噪声并完成像元到纹理的升维，以去相关与置换重要性压缩冗余维度，再以袋装与提升相融合的 LCE 应对不均衡样本，最后用 SHAP 把黑箱输出转译为可归因的树种敏感特征。
面向对象多尺度分割
为克服基于像元分类在高分辨率影像中产生的严重「椒盐噪声」，采用 Trimble eCognition Developer 10.2 的多尺度分割算法，通过试错法在形状因子与紧致度因子约束下迭代测试，最终确定最优分割尺度参数为 80，使对象边界最大程度贴合单木树冠或同质树种斑块。随后以 NDVI ≥ 0.5 与 NDWI ≤ 0.3 的阈值剔除非红树地物对象，共获得 58 839 个有效分割对象。
23 维特征提取与两阶段优选
在每个对象上提取 4 个原始波段平均反射率、7 种植被指数均值，并基于 4 波段影像第一主成分分量计算 GLCM 与 GLDV 纹理特征，构成 23 个变量的初始特征集。第一阶段用皮尔逊相关性分析剔除 |r| > 0.8 的强相关冗余特征，得到 11 个候选特征；第二阶段用置换重要性排序，据累积宏 F1 分数曲线设定组合 A（前 3 特征）、组合 B（前 10 特征）与组合 C（全部 23 特征）。
LCE 混合集成分类器构建
选取 SVM、RF、XGBoost 与 LCE 四种代表不同策略的模型横向比较。LCE 融合袋装与提升：对完整训练集 D 作有放回自举采样得到 n 个差异性子集，并行初始化 n 棵决策树；在任意非叶节点 j 部署 XGBoost 基学习器 Bj 学习局部残差，输出类概率向量 P(y|x)，经级联泛化算子 Φ 并入原始特征空间形成增强集 D′j，后续分裂即可利用前序模型先验，最终由 n 棵树多数投票判定类别。
超参数寻优与不均衡导向的精度评价
为保证横向比较公平，LCE 与全部基准分类器均采用网格搜索与五折交叉验证相结合的策略寻优，并在独立测试集上完成最终评价。鉴于红海榄样本量明显少于其他类别，除总体精度 OA 外，将各类别 F1 分数算术平均得到的宏 F1 分数（Macro F1）作为核心指标，以削弱样本量差异对总体评价的支配作用，更客观地度量长尾分布上的综合能力。
SHAP 可解释性归因
置换重要性只能给出全局排序，无法反映单个特征对具体预测的影响方向。因此引入基于合作博弈论的 SHAP，按特征加入模型时的边际贡献 φi 累加赋值：其正负体现对预测的促进或抑制，其大小代表贡献强度。在最优特征组合 B 下计算各特征 SHAP 值，形成全局排序与特征-类别重要性热力图，据此识别不同树种的敏感特征并追溯其生物物理基础。
高桥保护区北部天然群落与 UAV 影像
研究区位于广东省湛江市廉江市高桥红树林国家级自然保护区（109°44′—109°47′ E，21°31′—21°34′ N）北部，年均气温约 23 ℃、年降水量约 1 700 mm，保护区记录真红树与半红树植物 15 科 24 种，总面积 12.02 km²。北部主要为原始及自然演替形成的天然群落，经实地调查与文献交叉验证，确定研究对象为木榄、红海榄、无瓣海桑及幼龄、成熟两种树龄的桐花树共 5 类地物。影像由大疆 Mavic 3M 四波段 500 万像素多光谱传感器于 2024 年 4 月采集，时段 10:00—14:00，相对航高 200 m，航向与旁向重叠率均 80%，经 DJI Terra 辐射定标与 ENVI 5.6 镶嵌后，覆盖研究区约 1.9 km²。
三档特征组合与统一网格搜索
为评估特征维度对分类器性能的影响，设定 3 组特征组合：A 取累积重要性曲线边际点处的 3 个特征，B 取累积曲线达峰值时的 10 个特征，C 为初始全部 23 个特征。超参数搜索范围统一设定：SVM 惩罚系数 C 取 0.5—50；RF 决策树数量 100—500、最大深度至 50；XGBoost 树数 10—30、深度 2—15、学习率 0.1 与 0.01；LCE 树数 10 与 20、深度 2 与 5。评价以混淆矩阵揭示错分漏分模式，并以 OA 反映通用性能、以 Macro F1 衡量不均衡条件下的类别均衡识别能力。
LCE 以 0.918 宏 F1 胜出，SHAP 还原机理
四种分类器在三种特征组合下呈现差异化响应：XGBoost 的总体精度最高但 LCE 与之仅差 0.001，而 LCE 的宏 F1 分数在各模型最佳配置中登顶，体现出样本不均衡条件下更均衡的类别识别能力。误差分析进一步揭示同物异谱、边缘混合光谱与少数类误分三类模式；SHAP 则在红海榄水体指数响应、幼龄桐花树红光反射等层面，给出了可与植物生理生态特性对应的机理解释。
4 种模型中最高
较 XGBoost 仅低 0.001
LCE 精度峰值规模
累积宏 F1 分数
| 分类器 | 组合 A（3 特征）OA | 组合 A Macro F1 | 组合 B（10 特征）OA | 组合 B Macro F1 | 组合 C（23 特征）OA | 组合 C Macro F1 |
|---|---|---|---|---|---|---|
| SVM | 0.825 | 0.829 | 0.892 | 0.893 | 0.900 | 0.901 |
| RF | 0.879 | 0.880 | 0.912 | 0.884 | 0.914 | 0.915 |
| XGBoost | 0.875 | 0.875 | 0.917 | 0.913 | 0.918 | 0.913 |
| LCE | 0.877 | 0.879 | 0.917 | 0.918 | 0.915 | 0.916 |
| 地物类别 | 敏感判别特征 | SHAP 指示方向 | 潜在生理生态机制 |
|---|---|---|---|
| 红海榄 | 水体指数 NDWI | 较高 NDWI 值对判定为红海榄有正向贡献 | 厚角质层与发达储水下皮层、特化皮孔排水器结构，叠加冠层下湿润泥滩与涨潮残留水体信号 |
| 幼龄桐花树 | 红光波段 Mean R | 红光反射率降低时判定概率大幅下降 | 幼龄叶片叶绿素含量偏低致红光吸收减弱，滩涂前缘高盐环境的盐胁迫可能抑制叶绿素合成或加速降解 |
| 木榄 | NDVI、NDRE（近红外与红边） | 红边与近红外波段高反射为典型响应 | 群落近红外与红边波段反射率显著高于其他物种，反映叶片色素与细胞结构的种间差异 |
| 成熟桐花树 | 植被指数差异为主 | 对 Mean R 的依赖明显较弱 | 与幼龄个体构成树龄光谱漂移，二者成为最主要的相互混淆类别 |
| 无瓣海桑 | GLCM 纹理特征（Entropy 等） | 纹理贡献在全局排序中位列第五并支撑该类别识别 | 高大乔木冠层形态独特，各波段反射率显著低于其他物种，纹理粗糙且呈斑块状集聚 |
| 误差模式 | 典型表现 | 模型差异与成因 |
|---|---|---|
| 树龄引起的同物异谱 | 幼龄桐花树与成熟桐花树相互混淆 | XGBoost 更多将幼龄误分为成熟，LCE 呈相反倾向，二者均未完全克服树龄光谱漂移 |
| 低覆盖度边缘混合光谱 | 低覆盖度红树林被归为无瓣海桑 | 四种分类器均有此混淆，LCE 误分少于 XGBoost；源于对象包含背景信息与混合光谱 |
| 类别不均衡下的判别差异 | 红海榄、无瓣海桑等少数类存在误分 | XGBoost 最佳配置 OA 略高但少数类误分明显，LCE 以 Macro F1 0.918 表现更均衡 |
总体精度相当，宏 F1 分出高下
各模型最佳配置下 XGBoost 的 OA 为 0.918，LCE 为 0.917，二者相差仅 0.001，均高于 RF 的 0.914 与 SVM 的 0.900；但 LCE 的 Macro F1 达 0.918，高于 RF（0.915）、XGBoost（0.913）与 SVM（0.901）。这说明在样本不均衡的自然演替群落中，袋装与提升相融合的混合集成策略能换取更均衡的类别识别表现。
特征并非越多越好，增益具有模型依赖性
由组合 A 增至组合 B 时，SVM 的 OA 提升 0.067 最为敏感，而 RF、XGBoost、LCE 分别仅提升 0.033、0.042、0.040，树模型在低维特征下即具备较好判别力。继续增至 23 特征的组合 C，SVM 与 RF 指标继续上升，XGBoost 的 OA 仅提高 0.001，LCE 的 OA 与 Macro F1 反而降至 0.915 与 0.916，表明冗余特征引入的信息噪声对 LCE 有害无益。
光谱主导、纹理补位的可解释机制
全局看 NDRE、NDVI、NIR 是驱动分类的主导因子，其 SHAP 总贡献普遍高于纹理特征，说明种间分类基础仍在于叶片色素、细胞结构与水分状况引起的光谱响应差异；GLCM Entropy 位列第五并在幼龄桐花树识别中起重要作用，补充了光谱难以表征的冠层空间结构信息，两类评价方法中 Mean NDRE、Mean NDWI 均稳居前列。
光谱差异构成种间分类的基础，纹理特征补充了冠层空间结构；SHAP 的红海榄水体指数响应与幼龄桐花树红光高反射，均可回溯到明确的生理构造与环境胁迫机制。
把红树林分类从黑箱推向可归因
面向自然演替下结构复杂、种间光谱相似的红树林群落，本文以广东湛江高桥保护区北部天然群落为实证对象，验证了融合面向对象影像分析、两阶段特征优选、LCE 分类与 SHAP 解释的无人机多光谱精细分类路径，在保持较高总体精度的同时改善了类别间识别的均衡性。
LCE 适用于不均衡的高异质群落
局部级联集成通过自举采样与节点级 XGBoost 残差学习同步抑制方差与偏差：在类别不均衡、空间异质性高的场景中 OA 达 0.917，与 XGBoost 基本相当，Macro F1 达 0.918 为四模型最高，且在核心区制图中有效抑制局部错分噪声，更好地保留了树种群落间的自然交错边界。
十维优选特征即达精度峰值
「去相关-重要性排序」两阶段策略证实剔除冗余信息的必要性：23 维初始集经 |r| > 0.8 去相关压缩至 11 维候选，最终仅用 10 个关键特征（组合 B）即令累计宏 F1 达到 0.916 的峰值，红边与绿光波段相关指数贡献最大，GLCM 同质性与熵等纹理指数则为部分物种判别提供正向增益。
SHAP 建立特征与生理机制的耦合
可解释性分析从定量角度阐明决策逻辑：红海榄对 NDWI 的显著响应可归因于下皮层储水构造与潮间带混合像元效应；幼龄桐花树红光波段的高反射则与苗期叶绿素含量偏低及潜在盐胁迫相关联，使遥感特征不再是统计符号而是可追溯的生物物理指征。
面向碳汇估算与保护修复的制图支撑
不同红树植物碳含量系数差异显著，准确的树种分布数据是精确估算生物量与碳汇能力的前提。基于最优模型绘制的物种空间制图显示红树林呈由海缘到内陆的分布规律：幼龄桐花树呈带状广泛分布于向海一侧低潮位滩涂前缘并呈扩张态势，成熟桐花树与木榄构成中部大面积交错斑块，木榄沿潮沟呈「川」字形集聚，其格局与自然分布规律一致，可为保护修复成效评估与资源管理提供数据支撑。
单时相、单保护区与机理深度三重边界
本研究基于春夏季过渡期单时相观测，在应对同物异谱现象上仍有局限，且厘米级影像受海风潮汐影响存在配准形变，暂未引入多时相融合；空间上仅聚焦高桥保护区核心区，跨生境泛化能力有待检验；受多光谱载荷波段配置限制，未能探讨蓝色波段及其指数的响应。未来将构建多时相低空数据集与跨区域样本库，引入 U-Net、Transformer、Mamba 等语义分割网络对比端到端路线与「OBIA-机器学习」路线的精度与可解释性差异，并把多光谱、高光谱特征与叶片色素、土壤盐度、冠层结构等实测生理生化参数耦合，建立遥感-生态定量反演模型。