作为相邻生态系统间的过渡区域^[1]，生态交错带是生态结构和功能在时间和空间尺度上变化较快的区域，是全球变化敏感区、边缘效应表达区和生物多样性出现区^[2]。在我国东南沿海潮间带，红树林和滨海盐沼广泛共存，形成高空间异质性的红树林-盐沼生态交错带^[3-4]。这类生态交错带由多种蓝碳生态系统构成，在固碳储碳、海岸防护、生物多样性维持等方面发挥着重要的生态功能^[5-6]，是海陆相互作用的活跃地带，也是物种竞争与演替的敏感区。红树林-盐沼生态交错带作为碳汇功能突出的区域，准确掌握其植被的精细分布特征和碳储量现状，是科学制定海岸带固碳增汇策略、实现湿地精准管理的关键。

由于红树林-盐沼生态交错带内植被斑块破碎且高度混生，传统的卫星遥感(如Landsat、Sentinel-2)^[7]常因空间分辨率不足而造成混合像元问题，难以准确界定木本红树林与草本盐沼的真实边界^[8]。受限于存档的历史遥感数据，国外学者常使用Landsat、QuickBird、WorldView等卫星影像监测北美大西洋沿岸的红树林-盐沼生态交错带，研究全球气候变化背景下红树林向温带生态系统扩张的动态规律^[7-10]。Doughty等^[8]比较了Landsat (30 m)、Sentinel-2 (10 m)及Planet (3 m)、WorldView (1.8 m)等卫星影像在红树林-盐沼生态交错带环境下对低矮红树林和盐沼识别的准确性，结果发现超高空间分辨率遥感影像显著提升了红树林-盐沼生态交错带红树林的识别能力，并指出该生态交错带边界的红树林植株通常较为矮小，且与其他海岸栖息地呈斑块状分布，使得中等空间分辨率生态交错带遥感制图极具挑战性。

无人机遥感技术的出现，为红树林-盐沼生态交错带实现厘米级精细制图提供了可行路径^[10-13]。在我国东南沿海滩涂上，互花米草(Spartina alterniflora)作为重要的入侵物种，与本地种红树林竞争生长，形成大范围的红树林-盐沼生态交错带^[14-17]。国内学者通过卫星与无人机遥感联合监测互花米草入侵的研究发现，与具备多光谱波段的Sentinel-2卫星影像相比，超高空间分辨率的可见光无人机影像在区分红树林-盐沼生态交错带内红树林、盐沼和光滩上具有显著优势^[14]。当前，学者们常使用目视解译^[18-19]、基于像素或面向对象的机器学习^{[12, 14, 20]}等方法，结合超高空间分辨率无人机影像对蓝碳生态系统进行监测。然而，基于像素的机器学习方法在处理亚米级影像时易产生“椒盐噪声”，且难以有效解决滨海湿地遥感中“异物同谱”的问题；面向对象的机器学习方法虽然能利用纹理和形状特征，但是其分割尺度的选择往往依赖人工经验反复试错，难以适应红树林-盐沼生态交错带内不同大小植被图斑混杂分布的复杂场景。近年来，以卷积神经网络为代表的深度学习方法(如U-Net、DeepLabV3+)被广泛应用于遥感制图^[21-22]，但这类模型极度依赖海量的人工标注样本，且在训练数据之外的区域泛化能力较弱。由于超高空间分辨率遥感影像的解译成本随数据量呈几何倍数增长，因此亟待研究高效的无人机精细制图方法。

计算机视觉领域的分割一切大模型(Segment Anything Model, SAM)^[23]凭借其零样本分割能力，突破了遥感影像精准分割的技术瓶颈^[24-25]。然而，SAM作为通用分割模型，缺乏显式的语义识别能力，且未能耦合植被群落生态位空间等关键地学约束，无法实现红树林-盐沼生态交错带中光谱相似植被的精准分类^[13]。研究表明，在地物尺寸差异大、分布密集的复杂场景下，SAM在地物边界提取方面会出现“漏分割”或“过分割”现象，且直接对整张影像进行分割会带来较大的计算开销^[26-27]。针对红树林-盐沼生态交错带湿地植被光谱相似、边界复杂的遥感监测难题，本研究提出一种耦合SAM与地学知识的无人机精细制图方法，并将其应用于蓝碳储量的估算。本研究所述的地学知识特指湿地植被长期演化形成的生态分布规律与空间拓扑特征^[28]。本研究以广东省汕头市义丰溪湿地公园为研究区，利用面向对象随机森林分类法获取的湿地植被分布数据作为宏观尺度地学背景约束，引导SAM对无人机数字正射影像(Digital Orthophoto Map, DOM)进行零样本分割，结合光谱和纹理特征识别红树林与盐沼，并基于InVEST模型估算其碳储量，以期为蓝碳生态系统的精细化管护提供可靠的数据支撑。

1 材料与方法 1.1 研究区概况

义丰溪湿地公园(23°32′—23°33′N，116°52′—116°54′E)位于广东省汕头市澄海区东北部的义丰溪河口(图 1)，属于亚热带季风气候，年降水量1 222.1 mm，年平均气温22.2 ℃，是珍稀鸟类的重要栖息地和迁徙驿站。义丰溪河口通过人工种植与自然扩散，现已分布有大片红树林，优势种包括无瓣海桑(Sonneratia apetala)、蜡烛果(Aegiceras corniculatum)、秋茄(Kandelia obovata)、卤蕨(Acrostichum aureum)等。滩涂和河道外侧分布有芦苇(Phragmites australis)、短叶茳芏(Cyperus malaccensis subsp.monophyllus)等盐沼植物，与红树林形成空间异质性强且斑块破碎的红树林-盐沼生态交错带。

1.2 数据收集与预处理

机载无人机遥感数据的获取时间为2025年9月12日，当天天气晴朗少云，研究区处于低潮位。使用大疆经纬M300 RTK无人机搭载禅思P1传感器执行正射影像航摄任务，获取无人机正射影像。无人机航高为120 m，航向重叠度为80%，旁向重叠度为60%。使用大疆智图v3.4.4软件对原始无人机数据进行空中三角测量等预处理，获得DOM，空间分辨率为3.52 cm(图 1)。本研究还收集了研究区海岸线数据辅助制图^[29]。

1.3 耦合SAM与地学知识的红树林-盐沼生态交错带无人机精细制图方法

针对红树林-盐沼生态交错带复杂的景观结构，本研究提出一种耦合SAM与地学知识的多尺度精细制图方法，主要包括3个步骤：一是宏观尺度地学先验知识获取；二是基于SAM的植被图斑精细分割；三是联合光谱和纹理特征的类型识别与后处理(图 2)。

1.3.1 宏观尺度地学先验知识获取

为有效排除水体、光滩等非植被因素的干扰，将原始无人机DOM重采样至2 m空间分辨率。在该尺度下，植被内部的光谱异质性才得以平滑，有利于提取连续的景观边界。不同于计算机视觉领域中对普通物体的分割，遥感影像中的自然地物具有严格的地理空间属性和生态位规律。

使用面向对象随机森林分类法快速识别研究区湿地植被的整体分布范围。其中，基于Mean shift方法^[30]进行影像分割，输入参数设置如下：光谱详细级别15.5，空间详细级别15，最小分割大小300。使用随机森林分类法^[31]对分割后的对象进行分类，获得湿地植被和非湿地植被分布数据。其中，分类所用的样本数据是通过对原始无人机DOM(分辨率3.52 cm)的目视解译获取，包括湿地植被图斑和非湿地植被图斑。提取的湿地植被分布区作为宏观尺度的地学先验知识，用于制作湿地植被分布掩膜。

1.3.2 基于SAM的植被图斑精细分割

将原始无人机DOM重采样至20 cm空间分辨率，以保留红树林冠层结构与盐沼图斑的几何形态，同时抑制厘米级尺度的噪声。将湿地植被分布掩膜作为空间范围约束，SAM仅在掩膜覆盖的潜在植被区内进行零样本分割，获得红树林-盐沼生态交错带内植被高精度图斑的边界数据。使用Meta AI发布的SAM模型作为几何分割核心^[23-24]，选择参数量最大的ViT-H(Vision Transformer-Huge)作为图像编码器的骨干网络。

1.3.3 联合光谱和纹理特征的类型识别与后处理

基于重采样后的20 cm空间分辨率无人机DOM以及图斑边界数据，计算各图斑均值光谱、植被指数和纹理特征。为了强化植被和背景环境(如潮滩)，植被指数使用绿度增强指数(ExG)来表示，计算公式见式(1)。将采用灰度共生矩阵方法计算得到的熵(Entropy)作为纹理特征，计算窗口大小为3。将各图斑的均值光谱、绿度增强指数和纹理特征作为输入数据，通过面向对象随机森林分类法获得图斑的类型信息，最终生成红树林-盐沼生态交错带精细分布图。其中，分类使用的样本数据是通过对原始无人机DOM(分辨率3.52 cm)的目视解译获取，包括红树林图斑、盐沼图斑和其他地物类型的图斑。

$ \mathrm{ExG}=2 \times g-r-b, $

(1)

式中，g、r和b分别表示绿波段、红波段和蓝波段数值。

鉴于滨海植物与陆生植物在可见光波段的光谱相似性，本研究使用海岸线数据，剔除海岸线向陆一侧的陆生植被的干扰。针对初步识别结果易受冠层阴影及潮滩环境噪声干扰而产生大量细碎的孤立图斑问题，本研究对面积小于5 m²的孤立图斑予以剔除。

1.3.4 精度评价

采用分层均衡随机抽样法从红树林、盐沼和其他地物中获取150个验证样本点，通过原始无人机DOM(空间分辨率3.52 cm)进行目视解译，确定每个验证样本点的地物类型。通过构建混淆矩阵验证红树林和盐沼的分类精度。精度评价指标包括用户精度(User′s Accuracy，UA)、制图精度(Producer′s Accuracy，PA)、总体精度(Overall Accuracy，OA)和Kappa系数。

使用对比法^{[29, 32]}评价图斑边界的保真度。将原始无人机DOM(空间分辨率3.52 cm)目视解译提取的研究区全覆盖的红树林图斑和盐沼图斑作为验证数据，与通过耦合SAM与地学知识的精细制图方法提取的红树林图斑和盐沼图斑进行对比，计算交并比(Intersection over Union，IoU)。

1.4 基于InVEST模型估算红树林和盐沼生态系统碳储量

使用InVEST模型的蓝碳模块估算研究区红树林生态系统和盐沼生态系统的碳储量^[5]。该模型将蓝碳生态系统碳储量划分为4个碳库：植被地上碳储量、植被地下碳储量、土壤有机碳和植被凋落物碳。该模型将各生态系统的碳密度视为一个恒定值。对于特定区域内的每一种生态系统，其碳储量由该生态系统类型的碳密度乘以其面积得到。计算公式如下：

$ C_i=C_{i_{\text {_above }}}+C_{i_{\text {_below }}}+C_{i_{\text {_soil }}}+C_{i_{\text {_dead }}}, $

(2)

$ C_{i_{-} \text {total }}=C_i \times A_i, $

(3)

式中，i表示生态系统类型；C_i表示某一生态系统类型的碳密度；C_{i_above}、C_{i_below}、C_{i_soil}和C_{i_dead}分别表示植被地上碳密度、植被地下碳密度、土壤碳密度和植被凋落物碳密度；C_{i_total}表示某种生态系统类型的碳储量；A_i表示第i种生态系统类型的面积。本研究中红树林生态系统和盐沼生态系统的碳密度数据参考已有的研究结果^[5]，具体见表 1。

2 结果与分析 2.1 红树林和盐沼分布信息提取精度分析

红树林和盐沼分布信息提取的精度评价结果见表 2。传统的面向对象随机森林分类法对红树林和盐沼分布信息提取的总体精度为66.67%，Kappa系数为0.50；本研究方法的总体精度为98.67%，Kappa系数为0.98，其总体精度较传统的面向对象随机森林分类法提升幅度达48%，表明本研究方法提高了红树林-盐沼生态交错带的制图精度，提取结果具有较高的准确性，验证了该方法的有效性。传统方法存在将部分水体、光滩和盐沼图斑误识别为红树林的问题; 本研究方法与人工目视解译的提取结果接近，且图斑边界提取结果优于传统的面向对象随机森林分类法(图 3、图 4)。湿地植被图斑的几何保真度评价结果显示，红树林和盐沼的IoU分别为0.93和0.71，平均IoU为0.82，表明本研究方法在提取破碎斑块和复杂边界方面表现较好。

2.2 红树林-盐沼生态交错带精细制图结果

研究区的红树林-盐沼生态交错带分布图见图 4(b)。红树林面积为36.28 hm²，盐沼面积为8.05 hm²。研究区内湿地植被以红树林为主，盐沼主要分布在北部高程较高的滨海湿地修复区内。在研究区河道边沿以及北部区域，木本红树林与草本盐沼图斑交错分布，形成“镶嵌状”分布特征。

基于超高空间分辨率无人机影像和SAM分割的几何保真能力，本研究识别出传统中低空间分辨率卫星影像难以捕捉的红树林孤立幼苗图斑及散生在盐沼背景下的红树林图斑，实现了对红树林-盐沼生态交错带内微小景观组分的精准刻画(图 5)。

2.3 碳储量估算

研究区红树林生态系统和盐沼生态系统总碳储量共计15 877.11 Mg C。其中，红树林生态系统总碳储量为14 953.53 Mg C，占两者总碳储量的94.18%。红树林生态系统中植被地上碳储量、植被地下碳储量、土壤碳储量和植被凋落物碳储量占红树林生态系统总碳储量的比例分别为37.18%、6.86%、55.80%、0.16%。盐沼生态系统的土壤碳储量占盐沼生态系统总碳储量的比例为92.83%(表 3)。

3 讨论

本研究基于超高空间分辨率无人机DOM，构建了一种耦合SAM与地学知识的无人机精细制图方法，有效提升了红树林-盐沼生态交错带内的遥感监测能力。相较于传统的面向对象随机森林分类法，本研究方法能较好地提取红树林-盐沼生态交错带的复杂边界(图 3、图 5)，总体精度相对提升48%，平均IoU为0.82。本研究使用SAM对20 cm空间分辨率无人机DOM进行分割时，发现该模型难以有效分割光滩、水体与附近的湿地植被图斑边界(图 6)。这一现象证实了SAM在地物尺寸差异显著、复杂场景分布密集时存在“漏分割”问题。不同于直接解译原始超高空间分辨率无人机DOM的方法^[13-14]，本研究构建了宏观尺度定界、微观尺度定质的多层级约束策略，该策略充分契合景观生态学的尺度效应^{[21, 33-34]}。这种模式有效规避了超高空间分辨率影像分割过程中由冠层阴影、枝叶间隙等噪声诱发的“过分割”问题，以及因纹理噪声过强、边界不连贯造成的“漏分割”现象，同时也解决了传统分类方法在处理超高空间分辨率影像时面临的细节冗余和计算过载矛盾。SAM拥有零样本分割能力，本研究将其作为复杂地物边界提取的工具，分割后图斑的语义信息是通过随机森林分类法获得的。虽然本研究在宏观尺度上使用了面向对象随机森林分类法，但是该方法仅聚焦于湿地植被和其他地物2种地类的识别，降低了对分类样本量和样本边界精度的要求。此外，相较于原生SAM，本研究通过引入随机森林分类法弥补了SAM语义信息缺乏的局限性。

Windle等^[35]研究发现当无人机影像重采样空间分辨率超过2 m时，分类精度显著下降。因此，本研究将2 m空间分辨率作为湿地植被分布掩膜的先验知识获取尺度。Zhang等^[21]基于20 cm超高空间分辨率无人机正射影像和DeepLabV3+算法，研究红树林制图的尺度效应，结果显示空间分辨率的降低会造成制图精度的下降。为获取高保真的湿地植被图斑边界，本研究将20 cm空间分辨率作为基于SAM的植被图斑精细分割和类型识别的尺度。

红树林-盐沼生态交错带具有高空间异质性、边界模糊、时空动态变化等特征，为深入揭示其时空动态演变过程，未来研究可从单时相遥感影像向多源、多时相遥感数据协同监测拓展。物候信息是辅助植被精细分类的重要参数^{[14, 36]}，后续可采集研究区不同季节的无人机影像，并探索融合物候信息的红树林-盐沼生态交错带精细制图方法。此外，针对大模型在海量遥感数据处理中的计算负载问题，研发面向蓝碳生态系统遥感监测任务的轻量化SAM变体，是未来提升监测时效性的必要途径。

本研究方法实现了红树林与盐沼厘米级制图，降低了碳储量估算中的蓝碳面积误差(表 2)。然而，碳储量估算仍存在一定的不确定性。首先，分类制图存在面积误差传递问题，本研究方法利用2 m空间分辨率影像提取湿地植被的地学先验知识，虽然有效抑制了噪声，但是重采样过程可能平滑极细碎或者边缘非常复杂的植被图斑。尽管2 m空间分辨率的提取结果已捕捉到总面积99%以上的湿地植被图斑，但存在的漏提取误差仍会影响最终碳储量估算结果。其次，采用固定碳密度参考值进行碳储量估算，虽然估算结果能反映区域尺度的碳储量数量级，但是未能充分考虑蓝碳生态系统群落内部的物种和林龄结构、土壤性质等影响因素的空间异质性^[37-38]。本研究方法只能有效区分红树林和盐沼，尚不能进一步对其种类进行细分，研究区内的红树林林龄、土壤性质等调查数据的空缺，阻碍了蓝碳储量精细核算和影响因子的研究。此外，本研究仅使用单一可见光无人机数据源，考虑到生态交错带植被的三维结构、微地形等均可辅助精准分类^[39-41]，后续计划结合无人机激光雷达数据提取红树林冠层高度等三维结构参数，并开展地面样方调查，获取不同优势种在不同林龄阶段的碳储量，实现从基于面积的评估向基于单木结构的精细核算转变。另外，土壤碳库是蓝碳生态系统的重要碳库^[42-44]，评估蓝碳生态系统土壤碳密度的空间异质性对全面掌握蓝碳储量具有重要意义。未来计划对研究区开展全面的土壤样本采集，分析不同蓝碳生态系统类型、不同潮间带区域环境下的土壤碳密度差异，探索使用机器学习算法制作蓝碳土壤密度一张图。

4 结论

本研究提出一种耦合SAM与地学知识的红树林-盐沼生态交错带无人机精细制图方法，在利用SAM零样本分割能力的同时，采用多尺度层级约束策略和引入随机森林分类协同优化，有效解决了SAM在高空间分辨率复杂滨海湿地场景下语义信息缺失及“漏分割”问题，实现了对红树林-盐沼生态交错带复杂边界的高保真提取，各分类精度指标均优于传统的面向对象随机森林分类法。基于InVEST模型的碳储量估算结果显示，研究区红树林碳储量为14 953.53 Mg C，盐沼碳储量为923.58 Mg C，受限于局部实测碳密度数据的缺失，该碳储量估算结果主要反映基于区域普适性参数的碳储量数量级特征。耦合SAM和地学知识的智能制图方案，可为蓝碳生态系统的精细化管护提供技术支撑，对推动国家“双碳”战略及海岸带生态评估具有重要的应用价值。