全球气候变化背景下，提升生态系统碳汇能力已成为我国实现“碳达峰、碳中和”战略目标的核心路径之一。海洋作为地球上最大的活跃碳库，在调节全球气候中扮演着不可替代的角色。其中，红树林、海草床和盐沼等典型海洋生态系统，因其极高的初级生产力和碳埋藏效率，被统称为“蓝碳”。这些生态系统的单位面积固碳能力可达陆地森林的数十倍，被视为最具潜力的“碳汇倍增器”^[1-2]。特别是红树林，其净初级生产力达648—2 384 g C/(m²·a)^[3]，被认为是海洋中碳汇效率最高的生态系统之一。准确、高效地获取这些生态系统的空间分布、面积与结构本底，不仅是开展碳汇精准评估与动态监测的先决条件，更是实现其科学保护与生态产品价值转化的关键基础^[4]。然而，传统遥感解译方法多依赖人工目视判读或基于手工设计特征的分类器，在面对大范围、高精度的监测需求时，暴露出效率低、普适性差、难以充分利用高分辨率影像丰富细节等局限^[5]。近年来，以U-Net^[6]、DeepLab^[7]系列为代表的深度学习语义分割网络，在遥感影像地物识别中展现出显著优势，为红树林等生态系统的精细化、自动化提取开辟了新途径。尽管如此，现有研究多聚焦于单一区域或单一数据源，尚缺乏一套能够适应复杂海岸带环境并有效融合多源数据的稳健智能提取方法体系。

广西在蓝碳资源的保护与开发方面已取得积极进展，不仅印发《广西蓝碳工作先行先试工作方案》，还完成山口红树林、北仑河口红树林及铁山港海草床等重点区域的碳储量本底调查，并成功落地首宗红树林蓝碳交易。尽管蓝碳资源丰富且政策实践先行，但针对该区域开展的系统性碳储量定量评估研究仍相对匮乏。现有研究多基于历史普查数据或中低分辨率遥感影像，缺乏基于最新行业标准^[8]、融合多源遥感智能提取与碳汇核算模型的综合研究。这一现状导致生态系统精细空间分布不清、碳储量本底不明、经济价值难以量化，难以有效支撑区域蓝碳管理与交易市场的科学决策。

鉴于此，本文旨在构建一套融合多源遥感数据与深度学习算法的典型生态系统智能提取技术流程，以实现红树林生态系统空间分布的高精度自动化识别，并基于提取结果开展系统的碳储量估算。本文将前沿的深度学习智能提取技术与规范的蓝碳核算模型进行系统性结合，形成“智能感知—精准评估”的技术体系，旨在为广西蓝碳资源的调查监测、生态保护修复及碳汇交易实践提供科学依据与方法借鉴。

1 材料与方法

本文针对红树林空间分布复杂、易与其他地物混淆等特征，提出一种基于动态状态空间模型与局部注意力机制(LAM)^[9]的红树林遥感影像精细化分割方法。技术路线涵盖样本构建、模型设计、训练优化、后处理与验证4个依次衔接、迭代优化的阶段。第一，基于多源高分辨率遥感影像，利用多尺度优化分割算法进行初始对象划分，并结合野外调查数据与人工修正，完成高质量样本的半自动化标注与增强^[10]，从而构建一个涵盖不同光谱与空间特征的红树林样本集。第二，设计一个融合动态状态空间与局部注意力的深度学习模型。该模型通过动态状态空间模块(DSSM)建模长距离依赖关系，同时引入局部注意力机制，以增强对红树林边缘与纹理细节的捕捉能力^[11]，最终形成一个兼顾全局上下文与局部特征的分割网络^[12]。第三，在模型训练阶段，采用分阶段优化策略，并结合验证集的精度反馈进行超参数调优。第四，对分割结果进行形态学后处理，并采用目视检查、混淆矩阵、Kappa系数等多维度精度验证方法，以确保提取精度^[13]。该架构可有效提升红树林在复杂海岸带环境下的识别准确性与边界精细度，为自然资源调查提供高效、可靠的自动化技术支撑。在此基础上，基于智能提取结果与野外调查数据，估算广西红树林生态系统碳储量。

1.1 选取基础网络

针对红树林遥感影像精细化提取任务，综合考虑语义分割网络的稳定性与精度，本文选取U-Net^[6]作为基础网络架构。U-Net采用经典的编码器—解码器结构，由收缩路径和扩张路径组成。其中，收缩路径通过卷积和池化操作逐步降低特征图分辨率，旨在获取上下文信息并提取红树林的光谱与纹理特征；扩张路径则通过上采样和跳跃连接逐步恢复特征图分辨率，以实现精确定位，从而有效保留红树林的边界细节信息。此外，该网络摒弃了全连接层，有利于保留更多的空间位置信息。在此基础上，本文引入动态状态空间模块与局部注意力机制对基础网络进行改进，以增强模型对红树林长距离依赖关系的建模能力及局部特征的捕捉能力，最终构建出适用于红树林复杂生境信息的深度学习网络模型。

1.2 网络改进

针对红树林遥感影像中地物分布呈长距离、不规则连通状分布，且局部纹理细节丰富、易与背景混淆的特点，本文在基础网络中引入动态状态空间模块与局部注意力机制，以兼顾全局上下文依赖建模与局部特征精细提取；同时引入多尺度动态选择机制SKNet^[14]，以提升模型对不同尺度红树林目标的感知能力，如图 1、图 2所示。

1.2.1 动态状态空间模块的引入

由于红树林斑块常呈长条状或不规则形状分布，传统卷积神经网络受限于局部感受野，难以有效捕捉长距离的语义依赖关系，而Transformer^[15]架构又存在计算复杂度较高的问题。因此，本文引入基于状态空间模型(SSM)^[16]的动态模块，通过状态空间方程对特征序列进行建模。具体步骤如下。

首先，将编码器提取的特征图$ X \in \mathbb{R}^{H \times W \times C}$展平为序列向量$ x(t) \in \mathbb{R}^{L \times C}$ (其中L=H×W)。式中，H表示高度，W表示宽度，C表示通道数，L表示图片的像素。

然后，引入动态参数生成网络，根据输入x(t)自适应生成状态空间的参数矩阵Δ(步长)、A(状态转移矩阵)、B(输入矩阵)、C′(输出矩阵)，实现参数对输入内容的动态响应。

接着，通过离散化过程将连续系统转化为可计算的离散形式，计算公式如下：

$ \bar{A}=\exp (\varDelta A), $

(1)

$ \bar{B}(\varDelta A)^{-1}(\exp (\varDelta A)-I) \cdot \varDelta B, $

(2)

式中，$ \bar{A}、\bar{B}$分别表示离散化后的状态转移矩阵和输入矩阵，I表示单位矩阵。

最后，通过状态递推计算输出特征y(t)，公式为

$ h(t)=\bar{A} h(t-1)+\bar{B} x(t), $

(3)

$ y(t)=C^{\prime} h(t), $

(4)

式中，x(t)表示t时刻的输入特征向量；h(t)表示t时刻的隐状态向量，h(t-1)表示t-1时刻的隐状态向量。该模块以线性计算复杂度实现了对红树林全局分布上下文信息的高效建模。

1.2.2 局部注意力机制的引入

由于红树林与水体、其他植被在边缘区域的光谱特征相似，容易导致分类混淆，为了增强模型对边缘细节的感知能力，本文在动态状态空间模块之后引入局部注意力机制^[17]。具体步骤如下。

首先，对特征图进行非重叠窗口划分，将其分割为若干大小为M×M的局部窗口。

然后，在每个局部窗口内，通过线性变换生成查询向量Q、键向量K和值向量V。

最后，计算窗口内的缩放点积注意力，以捕捉局部邻域内的特征关联，计算公式如下：

$ \operatorname{Attention}(Q, K, V)=\operatorname{softmax}\left(\frac{Q K^{\mathrm{T}}}{\sqrt{d_k}}\right) V, $

(5)

式中，Q、K、V分别表示注意力机制中的查询、键、值向量矩阵；d_k表示键向量的维度。该机制通过在局部窗口内聚焦高频细节特征，可有效提升红树林边界的精细化提取精度。

1.2.3 多尺度动态选择机制SKNet的引入

SKNet (Selective Kernel Network)^[14]是一种在卷积神经网络中引入动态选择机制的注意力方法，其核心思想是让每个神经元能够根据输入的多尺度信息自适应地调整自身的感受野大小。在标准的U-Net^[6]架构中，跳跃连接仅将编码器浅层的高分辨率特征直接拼接到解码器的对应层，这种简单的拼接方式存在感受野单一、特征融合被动等问题。针对红树林遥感影像中地物尺度变化剧烈(从单颗树木到大片群落)且光谱特征复杂的特点，本文在U-Net网络的跳跃连接处引入了选择性核网络模块，以增强模型对多尺度特征的自适应融合能力。具体步骤如下。

① 多路卷积特征提取。设编码器传入的特征图为X。首先通过两个不同感受野大小的卷积分支进行处理(通常采用3×3卷积核和膨胀率为2的3×3卷积核，分别模拟小感受野和大感受野)，得到两个特征映射U₁和U₂：

$ U_1=\operatorname{Conv}_{3 \times 3}(X), U_2=\operatorname{Conv}_{3 \times 3, d=2}(X) \text {, } $

(6)

式中，d表示膨胀率。

② 特征融合与全局信息提取。将两个分支的输出进行元素级相加，并通过全局平均池化操作压缩通道维度，得到全局描述信息s：

$ U=U_1+U_2, $

(7)

$ s=\frac{1}{H \times W} \sum\limits_{i=1}^H \sum\limits_{j=1}^W U_c(i, j), $

(8)

式中，H和W分别为特征图的高和宽，c表示通道索引。

③ 注意力权重生成。通过全连接层和Softmax函数，生成两个分支对应的注意力权重向量a和b：

$ a=\frac{\mathrm{e}^{A z}}{\mathrm{e}^{A z}+\mathrm{e}^{B z}}, b=\frac{\mathrm{e}^{B z}}{\mathrm{e}^{A z}+\mathrm{e}^{B z}}, $

(9)

式中，z=δ(FC(s))，为压缩后的特征向量；δ为ReLU激活函数。A和B为可学习的参数矩阵。

④ 特征加权与融合。利用生成的权重对特征图U₁和U₂进行加权求和，得到经过尺度选择的输出特征V：

$ V=a \cdot U_1+b \cdot U_2, $

(10)

最后，将自适应调整后的特征V与解码器上采样后的特征进行通道拼接，完成改进后的跳跃连接。

通过在跳跃连接处引入SKNet，编码器传递的特征不再受限于固定的感受野，而是能够根据红树林目标的实际尺度大小，动态地强化有用的特征信息，有效提升了模型对复杂场景下不同规格红树林目标的识别精度。

1.3 红树林生态系统碳储密度估算方法

通过无人机高清影像与实地调查等综合手段，获取植物的冠层结构、枝叶形态，并计算叶面积指数；同时收集平均株高(H)、胸径(D)、叶间距、盖度等特征参数的统计数据。结合现场采集的数据，测定植物光合作用速率、冠层下行可见光衰减、日照-时间曲线、CO₂吸收速率等生理生态参数。以这些多源参数为基础，构建植被光合碳汇模型。在此基础上，结合高分辨率遥感影像的精细分类与斑块动态变化结果，估算不同覆盖度、不同植被类型在不同季节及年际尺度下的固碳能力动态变化，从而估算出红树林群落的地上生物量与地下生物量。同时，在各斑块内采用凋落物收集法，将采集的凋落物带回实验室测定其生物量；并采用样方法测定土壤有机碳含量，综合汇总形成整个红树林群落碳储量的动态演变格局。具体技术路线如图 3所示。

估算红树林生态系统的碳储量主要有两种方法：生物量法和土壤有机碳法。①生物量法：首先，通过测量红树林中各种植物的直径、高度等参数，利用相应的生物量模型计算植物的生物量；然后，将得到的生物量乘以对应的碳含量系数，即可获得植物的碳储量；最后，将各树种的碳储量加总，即可得到红树林生态系统的总碳储量。②土壤有机碳法：首先，在红树林中选取具有代表性的样点，采集土壤样本；然后，将样本送至实验室进行分析，测定土壤中的有机碳含量；接着，将土壤有机碳含量乘以相应的土壤密度和土壤层厚度，即可计算出单位面积的土壤有机碳储量；最后，将所有样点的土壤有机碳储量加总，得到红树林生态系统的总土壤有机碳储量^[18]。以上为两种常见的计算红树林生态系统碳储量的方法及其计算公式。由于红树林生态系统的碳储量包括地上生物量和地下沉积物的碳储量，因此在实际应用中，经常将上述两种方法结合使用。

2021年3月起，本项目组开展了多批次广西红树林生态系统碳储量的采样调查与评估工作，重点围绕红树林群落、植物碳储量、沉积物碳储量、凋落物碳储量等方面进行调查与分析，构建了涵盖红树林植被特征、沉积物性质、碳储量、红树林分布范围等数据的数据集。主要调查内容见表 1。

在实际调查中，目前大多利用遥感影像结合实测的红树林地上部分生物量数据，并综合光谱与纹理特征，采用凋落物搜集、公式计算等方法，对红树林的地上生物量及碳储量进行估算，并制作红树林生物量、碳储量空间分布图，主要包括以下步骤：

① 选定样方。根据群落组成类型，在每个群落内随机设置N个样方，样方大小可根据群落的分布形态进行设定，并统计样方中植被的数量、高度、平均间距和胸径。

② 群落结构调查。对于高度低于1.6 m的植被，可直接测量其高度；对于高于1.6 m的树木，则采用三角高程测量法进行测定。树干中间部位的周长可使用软尺测量，并根据下式计算胸径(cm)：

$ D=S / \pi, $

(11)

式中，S为周长(cm)。

③ 地上生物量和地下生物量估算。利用调查获取的数据，以及不同种类红树林的异速生长方程^[19]，估算每棵树木的地上生物量和地下生物量。结合各个群落的面积和植株间距，进一步得到各个群落的生物量大小，结果如表 2所示。

本文在样方调查中记录了红树林的主要优势种类(包括秋茄Kandelia candel、桐花树Aegiceras corniculatum、白骨壤Avicennia marina、无瓣海桑Sonneratia apetala、木榄Bruguiera gymnoihiza、红海榄Rhizophora stylosa等)，并依据表 2中各树种的异速生长方程分别计算单株生物量。在整景遥感提取结果中，由于当前模型尚未进行树种级分类，本文利用各群落内优势种的比例对碳密度进行加权平均，从而估算区域碳储量。未来可结合高光谱或时序遥感数据进一步实现树种分布制图，以降低估算的不确定性。

④ 沉积物碳储量估算。

a.样品采集。对样方内的植株地上部分进行收割，地下部分进行挖掘，以获取生物量样品，并对样品进行编号整理。若无法及时进行实验测定，则需将样品冷藏保存，具体操作按照GB/T 12763.8—2007^[21]规定执行。

b.样品处理。将样品在65 ℃条件下烘干，分别称量各部分的干重。其中，茎叶干重即为植株地上生物量，根干重为植株地下生物量，二者之和为植株总生物量。

c.每层沉积物样品的容重(W, g/cm³)计算：

$ W=M / V, $

(12)

式中，M为样品干重(g)；V为样品原始体积(cm³)。

d.每层沉积物样品的碳密度(ρ_c，g C/cm³)计算：

$ \rho_{\mathrm{c}}=W \times\left(C_{\%} \div 100\right), $

(13)

式中，C_%为样品有机碳含量。

e.每层沉积物样品的碳含量(C_i, g C/cm²)计算：

$ C_i=\rho_{c_i} \times d, $

(14)

式中，ρ_ci为第i层沉积物样品的碳密度(g C/cm³)；d为样品间隔的厚度(cm)。

f.当前柱状剖面n层沉积物样品总碳含量(C_s, g C/cm²)：

$ C_{\mathrm{s}}=\sum _{i=1}^n C_i, $

(15)

式中，C_i为第i层沉积物的碳含量。

g.计算区域内的总碳含量(C_all, Mg C)：

$ C_{\text {all }}=\overline{C_s} \times S_{\text {all }}, $

(16)

其中，$ \overline{C_{\mathrm{s}}}$为同一断面中N个柱状剖面样本碳含量的平均值(Mg C/cm²)；S_all为计算区域的总面积(hm²)。

⑤ 凋落物生物量计算。每个群落设置3至5个收集点，每月定期收集凋落物，并进行烘干、分类、称重。根据地面积累的凋落物的每月收集量及其分解速率，其生物量计算公式如下：

$ R_i=\sum _{t_i=0}^{T_{95}}\left(112.2 \times a_i \mathrm{e}^{-k_i t_i}\right), $

(17)

式中，R_i为第i种植物凋落物残留总量(Mg/hm²)；t_i为第i种植物凋落物已分解的时间，T₉₅表示第i种植物凋落物分解95%所需要的时间(月)；k_i为第i种植物凋落物的分解常数；a_i为第i种植物凋落物的修正系数。

⑥ 植物碳储量计算。植物光合作用过程中，CO₂与干物质的转化关系可由光合作用总反应方程式表达：

$ 6 \mathrm{CO}_2+6 \mathrm{H}_2 \mathrm{O} \xrightarrow{\text { 光照 }} \mathrm{C}_6 \mathrm{H}_{12} \mathrm{O}_6+6 \mathrm{O}_2 \uparrow $

根据该反应式，每生成1 g植物干物质需固定1.62 g CO₂，对应固定的碳量为0.44 g(碳转换系数)。植物碳储量通过实测地上生物量、地下生物量的干重乘以碳转换系数0.44计算得到。

2 实验与结果分析 2.1 研究区概况及遥感调查

广西位于中国南海西北部，大陆海岸线全长约1 600 km，西起中越交界的北仑河口，东至与广东接壤的洗米河口，沿岸分布有珍珠湾、防城湾、钦州湾、廉州湾、铁山湾、英罗湾等天然港湾。该区域属亚热带海洋性季风气候，年均气温22—23 ℃，年均降水量170—2 200 mm；潮汐以正规全日潮为主，平均潮差约2.2 m，最大潮差可达5.1 m^[22]。沿岸有南流江、大风江、钦江等百余条河流注入，河流输送的泥沙为海岸带湿地生态系统的发育提供了物质基础。此外，该区域是中华白海豚Sousa chinensis、中国鲎Tachypleus tridentatus等多种珍稀海洋生物的重要栖息地。

为支撑典型生态系统的智能提取与碳汇评估，本文融合了多源遥感影像、地面调查数据及辅助资料。采用的遥感影像主要包括：Sentinel-2多光谱影像(2023年11月至2024年2月，空间分辨率10 m)和国产高分二号(GF-2)影像(2023年12月，空间分辨率1 m)。其中，Sentinel-2影像用于模型训练与提取，GF-2影像用于结果验证与边界修正。所有影像均经过辐射定标、大气校正、正射校正及几何精配准。模型输入选用Sentinel-2的蓝、绿、红、红边1—3、近红外共7个波段。地面调查数据于2022年6月至11月期间分3个批次采集，共布设15个10 m×10 m的样方(钦州6个、北海6个、防城港3个)。调查内容涵盖红树林种类、株高、胸径、盖度等植被参数，以及分层采集至50 cm深度的沉积物样品。研究区范围如图 4所示。

2.2 数据集制作

针对红树林遥感影像数据量巨大、人工标注成本高且效率低的问题，本文构建一套高效的样本数据集制作流程。首先，对多源高分辨率遥感影像进行辐射校正、正射校正及裁剪等预处理操作。随后，基于遥感图像，采用自动化标注工具EISeg^[23]对红树林进行语义标注。利用该工具的交互式分割特性快速生成红树林的初步掩膜标签，再由人工进行精细化修正。这一方法有效克服了传统目视解译耗时费力的问题，并确保了标注边界的准确性^[24]。标注完成后，将矢量数据转换为栅格掩膜，并按照固定尺寸(如400×400像素)进行分幅裁切，生成初始样本集。为解决样本量不足及模型训练过程中的过拟合问题，提升模型泛化能力，本文采用几何变换(如水平翻转、垂直翻转、随机旋转、平移等)与纹理增强(如亮度/对比度调整、颜色抖动、直方图均衡化等)相结合的策略对样本进行扩充^[25]。最后，剔除全为背景及被云雾遮挡严重的无效样本，构建高质量的红树林语义分割样本数据集，为深度学习模型的训练与验证提供了坚实的数据基础。最终构建的样本数据集共包含800张图像—标签对，其中红树林覆盖占比约18.7%。样本覆盖钦州茅尾海、北海合浦、防城港北仑河口等典型区域，影像时相为2023年11月至2024年2月。需要说明的是，原始样本量仅为800张，规模相对有限。为满足深度学习模型对大规模训练数据的需求并进一步防止过拟合，本文采用在线数据增强策略：每轮训练时，对原始样本随机应用水平翻转、垂直翻转、90°、180°、270°旋转及高斯噪声注入等变换。经数据增强后，每轮训练的等效样本量扩大至原始样本的8倍(约6 400张/轮)，显著提升了模型的泛化能力。消融实验和对比测试结果(表 1、表 2)表明，在当前样本量下，模型仍取得了96.3%的总体精度，验证了本数据增强策略的有效性。

2.3 模型训练 2.3.1 数据集划分

为客观评估模型的泛化能力与分割精度，避免过拟合，本文采用随机分层抽样方式将构建的红树林遥感影像样本数据集划分为3个独立子集：训练集、验证集和测试集，划分比例设定为7∶2∶1。其中，70%的样本用于模型参数学习，20%用于训练过程中的超参数调整与模型优选，剩余10%用于最终的独立测试与性能评估。采用分层抽样可确保红树林目标与背景类别在不同子集中的分布均衡。

2.3.2 参数设置

本文实验的硬件环境基于NVIDIA RTX 4090 GPU，软件框架选用PyTorch。为适配显卡显存并保留足够的纹理细节，输入图像尺寸统一设定为256×256像素。Batch Size设置为16，以兼顾梯度下降的稳定性与内存占用。选用Adam优化器^[26]，相较于传统的SGD，Adam能够自适应调整学习率，加速收敛。初始学习率设定为0.000 1，并引入余弦退火学习率衰减策略，动态调整学习率，以在训练后期精细优化模型参数。采用He初始化方法对卷积层权重进行初始化，以缓解深层网络训练中的梯度消失问题。总训练Epoch设为200，并采用Early Stopping机制监控验证集损失：若连续20个Epoch损失值未见下降，则提前终止训练，防止过拟合。

2.3.3 训练策略

① 损失函数设计。针对红树林遥感影像中普遍存在的“小目标、大背景”特征，单一的交叉熵损失易受背景类别主导，导致红树林目标漏检。因此，本文采用Dice Loss与二元交叉熵损失的组合作为总损失函数^[27]，公式为L_total=L_BCE+αL_Dice，其中α为权重系数。Dice Loss通过关注区域重叠度，有效缓解了类别不平衡状况，提升了模型对红树林边界的敏感度^[28]。

② 数据增强。在训练过程中实施在线数据增强策略，包括随机水平翻转、垂直翻转、随机旋转(90°、180°、270°)及高斯噪声注入。该策略不仅扩充了样本多样性，还进一步增强了模型对光照变化和不同拍摄角度的鲁棒性。

2.4 测试结果

对比实验中，U-Net与DeepLab V3+^[29]均采用与本文模型相同的训练策略(包括优化器、学习率、损失函数、数据增强及训练轮数)，输入图像尺寸统一为256×256像素，以确保对比的公平性。其中，U-Net采用标准编码器—解码器结构；DeepLab V3+则采用Xception骨干网络，输出步长设为16。

实验结果表明，本文提出的方法在红树林提取任务中表现优异，总体精度(OA)达到96.3%，Kappa系数为0.90，均显著优于对比的基线模型(表 3)。具体而言，与基础U-Net模型相比，本文方法的总体精度提升了约6.9百分点，验证了动态状态空间模块在捕捉红树林长距离空间依赖关系方面的有效性。此外，由于引入局部注意力机制，本文方法在边缘精细化提取方面表现更佳，有效解决了红树林与水体、其他植被边界之间模糊的问题，结果如图 5所示。

未经后处理的直接分类结果中存在少量孤立噪点(面积小于5个像素)及局部孔洞。通过形态学开运算去除噪点、闭运算填充孔洞后，红树林边界的连续性与完整性显著提升。定量评估结果显示，后处理使Kappa系数从0.88提升至0.90，而总体精度无明显变化。这表明模型本身已具备较高的像素级分类能力，后处理主要起到改善区域完整性的作用。

2.5 消融实验

为定量评估各改进模块(DSSM、LAM、SKNet)对模型性能的独立贡献，本文在相同实验条件下(数据集划分、训练参数、评价指标均保持一致)开展消融实验。以基础U-Net为基线模型，逐步引入各改进模块，并记录每次改进后的总体精度与Kappa系数。实验结果如表 4所示。

单独引入DSSM后，总体精度较U-Net提升约3.2百分点，主要改善了长距离连通区域的识别连续性；单独引入LAM后，总体精度提升约2.5百分点，显著优化了红树林边缘的分割效果；单独引入SKNet后，总体精度提升约1.2百分点，增强了模型对多尺度目标的鲁棒性。当三者联合使用时，总体精度提升达6.9百分点，验证了各模块之间的协同有效性。

2.6 模型应用

由于遥感影像幅宽大、数据量庞大，模型在实际推理阶段难以直接处理整景影像。为此，本文采用基于滑动窗口的分块预测与拼接融合策略，具体流程如下。

首先，采用滑动窗口技术将大尺寸遥感影像按固定尺寸(如400×400像素)进行裁剪，生成一系列子影像块。为避免边缘切割效应导致预测不准确，在裁剪过程中设置一定的重叠度(Overlap)^[30]。重叠区域的设置至关重要，能够保证每个子块边缘部分的上下文信息完整性，从而提升边缘像素的预测置信度。

其次，将各子影像块输入训练好的分割模型中进行并行推理，输出对应的红树林概率预测图。在拼接阶段，依据各子影像块的原始地理坐标信息，将其映射回整景影像的坐标系中。对于重叠区域的像素值，采用加权平均融合策略进行重构。具体而言，计算像素点到子影像块边界的距离，距离中心越近的像素赋予越高的权重(如线性加权或高斯加权)，距离边缘越近则权重越低，从而有效消除拼接处痕迹，保证结果的一致性。

最后，对融合后的完整概率图进行阈值二值化处理，并结合形态学操作(如开运算去除孤立噪点、闭运算填充内部空洞)优化其形态，最终通过矢量化处理得到精细、完整的红树林分布边界。该过程不仅有效解决了显存限制问题，还通过边界融合机制显著提升了整幅影像提取结果的几何精度^[31]，结果如图 6、图 7所示。

根据模型的遥感影像智能提取及拼接结果，钦州红树林主要分布于茅尾海、七十二泾和大风江区域，总面积约3 530.7 hm²；北海红树林分布范围较广，总面积约4 622.1 hm²；防城港红树林总面积约2 351.0 hm²，详见图 8和表 5。

2.7 基于智能提取结果的广西红树林生态系统碳储量估算

根据广西红树林智能提取结果，沉积物按地下50 cm深度进行测算，广西红树林生态系统碳储量如表 6、图 9所示。

从表 6和图 9可以看出，广西红树林生态系统碳储量呈现明显的空间分布特征。北海红树林碳储量为1.155×10⁶ Mg C，在广西3个沿海城市中最高，占广西红树林总碳储量的44.0%，这与其红树林分布面积最大(达到4 622.1 hm²)直接相关；钦州红树林碳储量为8.823×10⁵ Mg C，占比为33.6%，红树林面积为3 530.7 hm²；防城港红树林碳储量为5.875×10⁵ Mg C，占比为22.4%，红树林面积为2 351.0 hm²。按50 cm沉积物深度统一计算，3地碳密度平均为249.88 Mg C/hm²，反映出本文采用区域平均碳密度的估算方法。

本文提取的2023年广西红树林总面积为10 503.8 hm²，其中北海占比最高，约44.0%，与广西壮族自治区海洋局发布的2023年红树林资源调查数据(北海约4 500 hm²、钦州约3 400 hm²、防城港约2 300 hm²)基本吻合，总体偏差小于5%，验证了本文方法的可靠性。与已有基于中分辨率遥感影像的红树林面积监测结果相比，本文的提取面积略偏高，主要原因在于本文采用10 m分辨率Sentinel-2影像及深度学习模型，能够更精细地识别零星分布的小斑块红树林。这一差异也说明高分辨率智能提取方法对于摸清红树林资源本底具有重要价值。在碳储量方面，本文估算的广西红树林总碳储量约2.625×10⁶ Mg C，平均碳储密度249.88 Mg C/hm²。与同属亚热带地区的广东湛江红树林(约280 Mg C/hm²)^[32]和福建漳江口红树林(约260 Mg C/hm²)^[33]相比，广西红树林平均碳储密度略低，这与研究区砂质土壤有机碳含量较低、白骨壤纯林占比较高的实地调查结果一致。本文的主要优势在于：①实现了红树林分布的10 m级智能提取，精度达96.3%；②构建了“提取—估算”一体化技术流程。局限性在于：①碳密度采用区域均值，且地面调查样方数量有限，采样密度较低，暂未能充分反映内部空间异质性；②方法仅在广西验证，普适性有待检验。

3 结论

本文针对红树林生态系统高精度监测与碳汇评估的迫切需求，提出一种融合动态状态空间模块与局部注意力机制的遥感影像智能提取方法，并以广西海岸带为研究区开展了系统实践。主要贡献与结论如下。

① 提出一种融合动态状态空间与局部注意力的红树林遥感影像智能提取模型。针对红树林斑块分布呈长条状、不规则连通且与背景地物易混淆的特点，在U-Net架构基础上引入DSSM建模长距离依赖、LAM增强边缘细节感知、SKNet实现多尺度特征自适应融合3个模块。实验结果表明，该方法总体精度达96.3%，Kappa系数为0.90，显著优于U-Net和DeepLab V3+等基线模型。消融实验进一步表明，DSSM、LAM、SKNet分别贡献了3.2、2.5、1.2百分点的精度提升，验证了各模块的独立有效性与协同增益。

② 构建“多源遥感智能提取—碳储量核算模型耦合”的区域蓝碳评估技术体系。结合高分辨率遥感提取结果、地面样方调查、异速生长方程及土壤有机碳测定方法，构建了包含植被生物量、沉积物碳储量及凋落物碳储量的全方位碳储量估算模型，实现了从精细空间分布识别到碳储量精准量化的技术闭环。

③ 摸清广西沿海红树林空间分布格局与碳储量本底。应用上述方法对广西钦州、北海、防城港3地进行红树林分布提取与碳储量测算。结果表明，广西红树林平均碳密度249.88 Mg C/hm²(沉积物按50 cm深度计)，总碳储量约2.625×10⁶ Mg C，其中北海碳储量最高(1.155×10⁶ Mg C)。与已有涡度相关研究相互印证，反映了广西红树林因砂质土壤、群落结构单一而导致的固碳能力偏低特征。

本文的局限性在于：一是碳储量估算中部分参数采用区域平均值，且地面调查样方数量有限，采样密度相对较低，在一定程度上影响了对区域碳储量空间异质性的刻画精度，未来需加密采样点并结合分层模型提升估算可靠性；二是方法验证主要在广西海岸带开展，其在不同气候区、红树林群落类型的适应性有待进一步验证。后续研究可结合时序遥感分析红树林碳汇动态，并探索基于深度学习的碳储量直接反演模型，以进一步提升蓝碳监测的自动化与精细化水平。