全球10米分辨率森林类型分类图谱及其在土地覆被监测中的应用

《Scientific Data》:Global forest typology at 10-meter resolution for forest and land-use monitoring

【字体: 大 中 小 】 时间:2026年10月22日 来源:Scientific Data 7.2

编辑推荐:

  区分森林类型——原始林、自然更新林、人工林和种植园——与农业林木作物及其他土地利用,对于碳核算、生物多样性评估、保护规划和供应链监管至关重要。然而,现有全球数据集尚未在高空间分辨率下解决这一分类体系。研究人员提出了森林类型分类(Forest Typology,

  
区分森林类型——原始林、自然更新林、人工林和种植园——与农业林木作物及其他土地利用,对于碳核算、生物多样性评估、保护规划和供应链监管至关重要。然而,现有全球数据集尚未在高空间分辨率下解决这一分类体系。研究人员提出了森林类型分类(Forest Typology, ForTy)v1数据集,这是一套全球10米分辨率的2020年基线地图,将所有土地划分为六个与联合国粮农组织(FAO)和欧盟零毁林法规(EUDR)定义相一致的类别:原始林(Primary Forest)、自然更新林(Naturally Regenerating Forest)、人工林(Planted Forest)、种植园(Plantation Forest)、林木作物与农林复合经营(Tree Crops and Agroforestry)以及其他土地(Other Land)。一条级联式深度学习流水线基于170万个全球分布样本进行训练,通过结合弱监督学习与主动学习,从地理空间卫星嵌入中生成逐类相对置信度地图。针对8190个经专家标记的分层随机样点进行的独立验证表明,六分类方案的总体精度达到90.2%,天然林分类精度达94.8%,森林/非森林分类精度达95.5%。

研究背景与问题

森林覆盖了全球约31%的陆地面积,储存约662吉吨碳,并承载了大多数陆地生物多样性。然而,一片林分的生态和经济价值取决于其类型和管理历史:例如,原始林与人工林、种植园及农业林木作物在碳密度、物种丰富度以及对原住民和地方社区的重要性上相差数个数量级,在法律地位上也截然不同。碳核算、生物多样性评估、REDD+核查以及土地利用监测都需要超越生物物理树冠覆盖存在的分类方式,以区分天然林与人工林、种植园及农业林木作物。这种分类细节对于评估昆明-蒙特利尔全球生物多样性框架“30×30”目标也至关重要。
目前的空白带来了日益严重的政策后果。欧盟零毁林法规要求进入欧盟市场的商品既无毁林也无森林退化,并以2020年12月31日为基准线。EUDR将“毁林”(森林转为农业用途)与“森林退化”(森林土地利用内的结构变化,如原始林转为种植园)加以区分。监测这些动态过程需要一个静态的分类基线,记录每个地点在参考日期的森林类型,而不仅仅是树木是否存在。此外,热带森林永久基金按每公顷现存热带森林支付款项,同样需要将种植园和农业林木作物排除在合格森林面积之外。
已有多个全球和区域数据集刻画了这一分类谱系的部分内容,但没有一个能在全球尺度上解决完整的多类别分类问题。原始林的分布只能通过仅限热带或粗分辨率产品近似得到。已有的人工林空间数据库在覆盖范围上仍不完整且时间上不一致。没有全球地图能将农业林木作物(如油棕、橡胶、可可)与森林分开。挑战有三重:首先,森林分类本质上是土地利用分类,而卫星遥感观测的是土地覆被;其次,人工林、种植园和农业林木作物可能具有相似的光谱和结构特征;第三,每个类别在不同生物群落和管理传统中的表现差异很大,需要详尽且地理多样化的训练数据。

研究方法

研究人员开发了一套可扩展的深度学习流水线,用于从地球观测数据估算森林类型。关键技术方法包括:(1)三级级联训练,在不同标签粒度、时间范围和数据集规模上进行训练,从而能够利用异质的参考数据源;(2)地理空间卫星嵌入,将多源、多时相卫星观测编码为紧凑的逐像素表征;(3)标签协调,将多样的区域和全球参考数据集整合为一个全球一致的训练语料库,并采用层级标签结构;(4)带有部分标签的弱监督学习,使模型能够从不同层级标注的样本中学习;(5)主动学习,迭代优化代表性不足地区和困难生物群落的训练数据。研究人员使用了来自AlphaEarth Foundations(AEF)的嵌入作为主要输入,并结合Copernicus数字高程模型的30米地形特征。

研究结果

类别的定义

研究人员采用了一个六类森林分类方案,映射到EUDR监管要求:原始林(Primary Forest)、自然更新林(Naturally Regenerating Forest)、人工林(Planted Forest)、种植园(Plantation Forest)、林木作物与农林复合经营(Tree Crops and Agroforestry)以及其他土地(Other Land)。

人工林与种植园的40年轮伐期代理指标

由于管理强度无法直接从卫星影像中观察,研究人员采用了40年轮伐期阈值作为可观察的代理指标:轮伐期超过40年的人工林归类为人工林,轮伐期较短者归类为种植园。

其他林地

EUDR承认其他林地(树冠覆盖率为5%-10%)是一个独立的类别,但在本数据集中被归入“其他土地”类别,未作为单独类别处理。

输入数据

所有模型阶段的主要输入由AEF嵌入组成,它压缩了多源、多时相的卫星观测数据(Sentinel-1、Sentinel-2、Landsat、ALOS PALSAR-2等)为每年每像素的嵌入向量,分辨率为10米。

训练数据

研究人员从精选参考数据集、外部区域数据集、主动学习活动和前序阶段的伪标签生成中构建了三个模型阶段的训练数据。

模型架构与训练阶段

所有三个阶段均使用Swin Transformer v2架构,采用Tiny变体,补丁大小为4,并配备密集分割头。每个阶段训练五个独立初始化的SwinV2-Ti/4模型集成。

地图构建

研究人员创建了一个覆盖所有陆地区域的推理数据集,采用重叠采样策略以减少拼接伪影。

类别概率与不确定性

逐类伪概率计算为五个独立初始化模型softmax输出的算术平均值,重叠推理策略提供了额外平滑。

数据记录

该数据集在Figshare上可用,也可在Google Earth Engine上获取,采用CC-BY 4.0许可。数据集包含613个zip存档,每个对应一个含有陆地的UTM单元。主要数据记录是一个五波段栅格,代表各类的相对置信度分数。第六类“其他土地”的置信度可通过互补关系获得。此外还发布了分类图层数据集和验证数据集。

技术验证

全球森林类型验证数据集

研究人员在IIASA的Geo-Wiki平台上进行了全球验证活动,采用分层随机抽样设计,共9100个样点,其中8190个通过专家共识完全确定。

验证注释协议

验证数据集使用13个注释标签,分为三类:森林和基于树木的注释标签、农业和农林复合经营注释标签以及其他注释标签。

精度评估

六分类方案的总体精度为90.2%(标准误SE=0.3%)。原始林在森林类别中F1分数最高(82.9%),其次是自然更新林(72.6%)和种植园(66.7%)。人工林类别的F1分数最低(58.2%),反映了仅凭卫星观测区分人工林与自然更新林和种植园的难度。“其他土地”类别表现最佳(F1=96.4%)。当合并为自然林类别时,总体精度提升至93.9%。天然林与非天然林的二分类总体精度为94.8%,森林与非森林的二分类总体精度为95.5%。

各大洲精度

各大陆的总体精度一致,介于88.5%(欧洲)至90.7%(南美洲)之间。原始林F1分数在南美洲最高(92.6%),在澳大利亚最低(65.8%)。自然更新林在各大陆间表现最为均匀(F1为62.5%-79.5%)。

与其他森林地图的比较

在与JRC GFC2020、ESA WorldCover 2020和ALOS PALSAR FNF4的比较中,森林类型分类在二分类森林/非森林分类中取得了最高的总体精度。在与JRC GFT2020的四分类比较中,森林类型分类的总体精度提高了3.1个百分点,所有类别均有提升,其中原始林F1提高6.0个百分点。

讨论与结论

研究人员指出,该数据集的一个局限性在于它代表了2020年的静态基线,而非动态变化检测产品。另一个限制是其他林地未被单独分类,而是归入“其他土地”类别。此外,人工林与种植园的40年轮伐期阈值是一种操作简化,可能无法在所有生物群落和国别管理传统中通用。
研究人员得出结论,ForTy v1数据集提供了一个全球一致的、高分辨率的森林类型基线,能够支持EUDR合规性评估、碳核算、生物多样性保护和森林监测研究。该数据集以相对置信度分数的形式发布,允许用户根据具体应用场景调整阈值,权衡精确率与召回率。所有地图数据和训练代码均已公开提供,以支持毁林风险评估、保护规划和森林监测研究。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号