近日，华东师范大学河口海岸全国重点实验室谭凯副研究员团队在海岸带大尺度盐沼“精灵圈”智能识别方面取得新进展，推进了AI4S（AI for Science）、数理模型与国产亚米级光学卫星影像在遥感与生态交叉前沿领域的创新与突破。该研究针对亚米级光学卫星影像在“精灵圈”识别中面临的三大挑战——样本量稀缺、目标形态多样性显著及类别分布极度不平衡，结合AI视觉分割大模型SAM（Segment Anything Model）的零样本推理、多机器学习模型协同优化以及不平衡贝叶斯概率更新模型，提出了仅利用常规R、G、B三波段的大尺度盐沼多模式“精灵圈”跨区域泛化识别与计数框架，揭示了不平衡贝叶斯更新在极端失衡条件下的原理，为解决遥感影像解译中小目标检测精度低、小样本学习识别误差大、目标状态表征复杂等关键技术瓶颈提供新思路。研究成果为揭示“精灵圈”时空演变格局、生态功能与大尺度形成机制提供了高精度的智能化分析工具，推动了AI4S范式在生态遥感领域的创新应用，为海岸带生态系统动态监测与机理研究开辟了新的技术路径。

　　相关成果以Recognition of Salt-Marsh Fairy Circles in Conventional Optical Satellite Imagery: A Generalizable Framework with Multiple Machine Learning Models and Imbalanced Bayesian Probability Updating为题，发表于遥感领域国际著名期刊International Journal of Applied Earth Observation and Geoinformation（中科院一区TOP期刊），第一作者和通讯作者分别为河口海岸全国重点实验室博士生杨建儒和谭凯副研究员，合作作者包括香港城市大学郑豪助理教授，宁波大学孙伟伟教授，以及华东师范大学张卫国研究员、周云轩教授、程和琴研究员、谢卫明副研究员、陈春鹏副研究员、胡越凯博士。研究团队特别致谢中山大学石茜教授在贝叶斯理论与应用方面给予的宝贵指导和启发。

 

研究背景

　　滨海盐沼作为陆海交错带的典型生态系统，同时承受潮汐作用、盐度梯度变化、泥沙动态淤积及人类活动的多重扰动。作为其中对环境状态变化十分敏感的“成员”，盐沼植被动态演变能反映区域性的生态系统变化。在互花米草与海三棱藨草种群中可以频繁观察到一种具有自组织特征的“神秘”准圆状规则斑块结构，即“精灵圈”（Fairy Circles）。“精灵圈”是不同时空尺度的海岸带系统多因素耦合而形成的生态空间格局和空间自组织现象。结合对旱地“精灵圈”的研究成果，学界普遍认为其成因涉及环境胁迫与种内竞争的复合作用，而其复杂的状态变化则直观反映了植被生长与衰退的空间博弈过程：既表现为“内部衰退、外围生长”的环状或同心环状结构，也呈现为单体或多体的“实心斑块”等阶段性形态。

　　因此，盐沼“精灵圈”不只是“长得好看”的空间纹理，更是生态系统结构动态变化、系统韧性演变及潜在临界转变的重要空间表征，具有显著的生态过程指示意义。能否在卫星影像上可靠、高效地识别大尺度的盐沼“精灵圈”，直接影响是否能揭示区域尺度生态规律、深化对盐沼生态系统的科学认知，并为理解盐沼植被韧性机制、评估盐沼生态系统演替进程、检验入侵物种生态修复成效以及分析工程扰动生态影响提供关键证据支撑。

　　然而，该研究在推进过程中面临多重核心挑战，这些挑战共同构成了盐沼“精灵圈”智能识别的技术壁垒，亟待通过多学科交叉创新予以突破。具体而言：（1）小目标与类别失衡难题‌：即便在亚米级高分辨率影像中，“精灵圈”仍呈现为小而碎的目标特征，其占比不足导致影像中目标与背景类别分布呈现极度不平衡状态。传统机器学习模型因过度学习背景信息，往往对“精灵圈”的识别精度显著不足。（2）形态与光谱相似性挑战‌：“精灵圈”存在单体、多体、环状、同心环等多种形态，且与周围背景植被的光谱特征与纹理信息高度相似。这种“类内几何差异大而类间光谱差异小”的特性，使得基于像元光谱或简单纹理的传统分类方法难以有效区分目标与背景，导致识别结果存在较大不确定性。（3）样本稀缺与泛化瓶颈‌：由于标注样本数量极其有限，模型在不同区域的迁移应用过程中易出现性能波动，难以保持稳定的跨区域识别精度。这种样本稀缺性不仅限制了模型的初始训练效果，更在跨区域应用时引发显著的泛化能力下降，成为制约技术推广的关键因素。

 

研究方法和结果

　　在上述背景下，研究的关注点不在于训练一个更强的分割网络，而是设计一个完整的、受现实条件（数据有限、计算资源有限、影像质量方差大等）约束的遥感应用框架，实现自动的“识别 + 计数 + 时空分析”的一体化流程（图1）：在零样本分割大模型（SAM）提供候选实例的基础上，结合多种类不平衡约束策略（如重采样技术、多类别Equalized Focal Loss、离线数据增强等）与“色彩-几何-分布模式”关键特征构建，利用单一集成学习（Random Forest、XGBoost）和深度学习（U-Net、Attention U-Net、Swin-Unet）模型进行“精灵圈”独立识别；通过类别不平衡的贝叶斯概率更新来融合模型输出，获得更优识别结果；针对单阶段语义分割难以直接获得“精灵圈”实例数量以及现有图像聚类算法效率低等挑战，提出了单参数计数模块，通过按行检索关键“入口”像元，快速获得“精灵圈”实例数量。

　　机器学习（集成学习和深度学习）分类通常上是一个概率估计问题，为遥感影像的每个像元预测各个类别的概率：以类别数为2示例，即属于“精灵圈”类别的概率P₁和属于“非精灵圈”类别的概率P₂，两者之和为1。若经过n个机器学习独立分类，每个像元就对应着2n个概率。贝叶斯定理展示了一种根据新证据修正先验概率的方法。因此，贝叶斯模块通过不同机器学习模型的独立预测来更新现有的概率，进而产生更准确的“精灵圈”识别。然而，标准贝叶斯方法依赖于各模型预测模式的多样性，对少数类“精灵圈”的概率P₁和属于多数类“非精灵圈”的概率P₂都一视同仁（图2）；在类别极度不平衡的情况下（模型多样性不足，都倾向于低估少数类）使得多数类的先验概率被进一步夸大，使Argmax计算向多数类倾斜，表现为少数类的低召回率问题与有限的识别精度提升。针对此问题，本研究提出了一种新的不平衡贝叶斯概率更新方法：通过巧妙地解耦多数类与少数类的更新，确保只有满足少数类召回率标准（Q₃或Q₂）的预测才能影响概率P₂的更新，既防止了多数类概率P₂无差别地累积，又能保留对少数类的“新认识”。这种方式无需额外的训练或架构更改，可以很好地抑制不平衡分布中“非精灵圈”像元过高的预测概率，提高“精灵圈”召回率与识别精度。在此基础上，针对遥感影像语义分割无法直接获得“精灵圈”实例数量的问题，提出了单参数的计数算法，最终实现自动、一体化的识别流程，从而推动盐沼“精灵圈”或相似目标的大尺度动态监测。

　　在我国东南沿海四个典型盐沼区域（上海崇明岛、浙江宁波、福建福州、福建漳州）的实验结果（图3）表明：

　　（1）标准的贝叶斯方法主要依赖于不同机器学习模型预测模式的多样性，而不平衡贝叶斯方法无需额外的训练或架构更改（图4），能改善单一机器学习模型和标准贝叶斯方法的不足，显著提升“精灵圈”识别精度（图5与图6）。

　　（2）对比常规的色彩-几何特征和常用函数，基于“精灵圈”高级分布模式特别设计的特征可为识别精度带来显著增益，类别损失均衡的函数与策略在极不平衡场景更能约束模型学习方向，从而为不平衡贝叶斯更新的精度提升奠定基础。相较于常用的聚类算法，所提出的单参数计数模块对形态复杂的“精灵圈”目标有更低的统计误差。

　　（3）经参数调节的视觉大模型SAM在卫星遥感图像中具有优秀的零样本、无语义分割的泛化能力（图7），在较密集杂乱的海岸盐沼场景中仍能保持可靠的实例分割性能，遗漏的“精灵圈”目标较少，从而极大提升框架自动运算效率并保障识别精度。

　　（4）利用本框架揭示了我国崇明岛沿海区域三年间的“精灵圈”时空演变，并分析了季节与人类活动对其数量变化、空间分布的影响，未来可将本框架用于更大时空尺度“精灵圈”的时空演化研究，为海岸带湿地生态保护和入侵植物管理提供数据支撑。

　　本研究提出的框架不仅适用于多模式“精灵圈”目标的识别，对其他类似的小目标、小样本的遥感智能识别也有借鉴价值。从原理层面看，融合多机器学习/AI模型预测概率的贝叶斯方法具有通用性，可应用于2D影像与3D点云数据，在多样化的遥感分类任务及大模型推理领域展现出广阔的泛化潜力。

 

研究资助

　　研究受国家自然科学基金（42471473、42171425）、重庆市科学技术局（CSTB2022NSCQ-MSX1254）、上海市科学技术委员会（25TS1404600、23590780200）、国家重点研发计划（2024YFF0808800）的资助。

 

文章信息

　　Jianru Yang, Hao Zheng, Weiwei Sun, Yuekai Hu, Weiguo Zhang, Chunpeng Chen, Yunxuan Zhou, Heqin Cheng, Weiming Xie, Kai Tan*. Recognition of Salt-Marsh Fairy Circles in Conventional Optical Satellite Imagery: A Generalizable Framework with Multiple Machine Learning Models and Imbalanced Bayesian Probability Updating. International Journal of Applied Earth Observation and Geoinformation. 2026, 146: 105101.

　　论文链接：https://doi.org/10.1016/j.jag.2026.105101