利用低监督深度神经网络模型,结合高分辨率JL-1多光谱卫星图像对城市常绿林与落叶林进行精细尺度制图
《Urban Forestry & Urban Greening》:Fine-scale Mapping of Urban Evergreen and Deciduous Forests with High-Resolution JL-1 Multispectral Satellite Images Using a Weakly Supervised Deep Neural Network Model
【字体:
大
中
小
】
时间:2026年06月30日
来源:Urban Forestry & Urban Greening 8.2
编辑推荐:
袁媛|葛晨天|严文佳|张桂莲|范哲奎|张超中国上海200241,华东师范大学地理科学学院摘要有效的城市森林类型制图对于分析城市地区的生态功能具有重要意义,这需要对常绿树和落叶树进行精细尺度的识别。然而,城市环境的高度复杂性以及不同树种多样的物候特征,给精确描述森林分布带来了巨大挑
袁媛|葛晨天|严文佳|张桂莲|范哲奎|张超中国上海200241,华东师范大学地理科学学院摘要有效的城市森林类型制图对于分析城市地区的生态功能具有重要意义,这需要对常绿树和落叶树进行精细尺度的识别。然而,城市环境的高度复杂性以及不同树种多样的物候特征,给精确描述森林分布带来了巨大挑战。本研究首先利用叶展期和叶落期获取的双时相高分辨率多光谱JL-1影像,为上海建立了城市森林分割数据集。此外,我们还提出了一种基于双时相遥感影像的城市森林分割双时相森林网络模型(BTForestNet)。该模型采用编码器-解码器架构,并引入卷积门控单元,通过“学生-教师”框架与伪标签增强策略,动态整合双时相森林特征。实验结果表明,BTForestNet在森林/非森林分类中,客观准确率达93.86%,F1值为92.16%,交并比为85.45%;在常绿林与落叶林分类中,这三大指标分别达到96.43%、96.82%和93.84%。研究表明,所提出的方法能够精准绘制城市森林分布图,并详细呈现这两种森林类型的精细空间格局。该研究证实,高分辨率多光谱卫星影像对于精细尺度森林识别至关重要,尤其适用于城市中的孤立树木和行道树。同时,遥感技术与弱监督深度学习的结合,为城市森林类型监测及绿地规划具有重要的实用价值。引言森林生态系统在气候调节、环境改善、人类健康与娱乐以及碳减排等方面发挥着核心作用(Malhi和Grace,2000;Nowak等人,2014;Helletsgruber等人,2020;Wolf等人,2020;Sj?man等人,2024)。不过,这些生态与社会功能在不同地区及不同森林类型间的差异仍十分显著(Pugh等人,2019;Ali,2023)。与山地森林相比,城市森林往往呈现出高度破碎化、小块分布的特点,这给城市树木监测和林地管理带来了极大困难。此外,人类活动的频繁干扰以及土地用途的变化也显著影响了城市森林类型的分布。虽然传统的野外调查方法和航空照片的视觉解译在更新大规模森林主题地图方面具有较高精度,但它们需要耗费大量时间和人力(Pu和Landry,2020)。因此,亟需一种高效、可靠的手段,实现对城市森林的及时、精准监测与制图。在城市森林生态系统中,常绿林和落叶林是两种主要类型,二者在生理和生态特征上存在显著差异(Tiwari等人,2025)。常绿树种即使在冬季低温环境下也能保持较低但稳定的光合作用能力,从而实现长期碳积累(Muller等人,2005)。而落叶树种则在生长季内能迅速达到光合作用高峰,短期生产力更高(Givnish,2002;Miyazawa和Kikuzawa,2005;Ye等人,2022)。因此,常绿林与落叶林的空间分布格局及其比例决定了它们的碳固定潜力以及调节城市水热平衡等生态系统服务功能。这也凸显了在城市环境中准确识别常绿林和落叶林的必要性。目前,卫星遥感数据已被广泛用于城市森林监测与分类。利用中等分辨率(10米)的Sentinel-2影像,结合随机森林或支持向量机分类器,可提取城市森林覆盖度,总体准确率可达75%-85%(Jeong和Park,2023)。此外,Sentinel-2时间序列影像也被用于通过深度学习模型对城市树种进行分类,但不同树种间的相似性会带来分类误差(Bressant等人,2026)。不过,这类影像并不适合用于精细尺度的城市森林类型识别。近年来,高分辨率商业卫星的快速发展使得大量亚米级分辨率的多光谱遥感影像得以获取,为精细尺度城市森林监测和精准树种识别提供了新可能。美国国家农业影像计划提供的米级分辨率航空影像也可用于成功绘制城市森林冠层覆盖图(McGee等人,2012)。通过将0.3米分辨率的WorldView-3卫星影像与随机森林算法相结合,可实现对混合落叶林85%的总体分类精度(Deur等人,2020)。此外,多源遥感数据融合还能提升分类性能。有研究显示,通过整合高光谱数据和激光雷达数据,可在比利时布鲁塞尔首都大区实现7种阔叶树种的84.2%总体分类精度,远优于传统模型(Chi等人,2025)。另一项研究则利用中国的GF-5、GF-6卫星数据及激光雷达数据,结合街景样本数据集,对中国上海的15种树种进行了识别,总体准确率为77.89%(Wang等人,2025)。传统的机器学习方法(如随机森林、支持向量机以及基于对象的图像分析)已推动了从高分辨率遥感影像中提取城市森林覆盖度的进程。但这些方法主要依赖影像的光谱、纹理或形状特征,无法捕捉复杂城市环境中的细微功能类型差异。此外,其泛化能力有限,难以在不同地区、季节及传感器类型间应用(Vinod等人,2023)。随着数据维度和空间分辨率的提升,机器学习模型在处理高维度、非线性且复杂的影像时,会面临性能瓶颈和计算资源限制(Yun等人,2024)。相比之下,深度学习凭借其自动特征学习能力,能够有效从高分辨率遥感影像中提取光谱和空间上下文特征。在森林制图领域,深度学习已展现出显著优势——通过架构设计可提升其泛化能力和空间上下文理解能力,同时还支持快速处理及大规模、高分辨率的应用(Fassnacht等人,2016;Kestur等人,2018;Franklin和Ahmed,2018)。在美国加利福尼亚州南部,人们利用高分辨率多光谱遥感影像训练神经网络,生成置信度图并实现树木位置回归,由此获得的73.6%精度和73.3%召回率,证明了深度学习在识别城市森林空间分布方面的可扩展性(Ventura等人,2024)。通过将超分辨率Pléiades影像的光谱特征与激光雷达数据获取的结构信息相结合来训练卷积神经网络,可使城市树种分类的F1值提升12.6%(Ferreira等人,2024)。Cui等人(2025)进一步证实,结合DeeplabV3+网络的迁移学习方法,能够以更高的精度和效率实现基于Pléiades数据的树种分类。同样,采用带有编码器-解码器架构的深度学习模型处理融合多源数据,也能提升分类性能(Sun等人,2025)。然而,由于高质量、具有代表性的精细级别森林类型标注样本稀缺,城市森林功能类型的监测(尤其是针叶林与落叶林的分类)受到限制,这降低了模型的训练效果(Shojanoori和Shafri,2016;Wang等人,2025)。此外,现有网络模型的高复杂性以及高昂的训练成本,也制约了其在计算资源有限环境中的应用。即便使用亚米级分辨率的遥感影像,城市森林的破碎化、样本量不足、复杂的土地覆盖背景以及阴影遮挡等问题,依然会影响城市森林分类的精度(Veitch-Michaelis等人,2024)。因此,亟需整合空间上下文信息、生态学先验知识以及弱监督学习技术,以提高分类精度并增强模型的泛化能力。近期研究表明,即便仅有极为稀少的像素级标签,弱监督学习也能实现遥感影像的高精度语义分割,同时大幅降低人工标注成本(Wang等人,2020)。首先通过“点标签”监督生成超像素伪标签,再将其用于训练语义分割网络,该网络在航空影像上的表现可接近全监督水平(Rivier等人,2023)。对于长期、多尺度的遥感观测任务,Tong等人(2025)指出,全监督方法难以适应实际场景中的细粒度土地覆盖分类,因此需要弱监督来减少对精确标注样本的依赖。因此,结合点标签与伪标签技术的弱监督学习,更有利于节约标注资源并提升模型泛化能力,为城市森林类型的精细识别提供了一种可行的替代方案。本研究旨在提出一种方案,实现城市尺度上常绿林和落叶林的精准制图。其主要目标是:(1)通过基于高分辨率卫星多光谱影像构建数据集,弥补现有城市森林分割数据的不足;(2)通过整合影像上下文信息与伪标签技术,探讨端到端弱监督学习模型在城市森林分割中的适用性;(3)为分析复杂城市环境中的常绿林与落叶林空间格局提供依据。本研究将为城市林业的精准管理提供科学依据,推动城市森林类型监测技术的发展,为科学绿地规划决策提供参考,进而提升森林地带的生态服务功能,服务于未来城市发展。研究区域本研究区域为上海,位于中国长江入海口处(北纬30?40' - 31?53',东经120?52' - 122?12')(图1)。上海属于典型的亚热带季风气候,阳光充足,降雨量丰富。年平均气温为17.6℃,年平均降水量约为1173.4毫米。如此优越的自然环境非常适合各类常绿树种和落叶树种的生长(Zhong等人,2019)。该地区植被生长期较短……森林分割模型性能评估在消融实验中,我们选择了五种常用的解码器(U-Net、U-Net++、PSPNet、FPN和DeepLabv3+),将所提模型与FPN解码器及ConvGRU模块进行对比。无论是森林/非森林分类还是森林类型分类,使用这五种常用解码器的各模型整体分割精度差异较小。在二分类森林分割任务中,BTForestNet的表现最佳,其总体准确率为93.86%,比其他模型高出0.57%至1.83%。BTForestNet模型性能分析所提出的BTForestNet能够同步处理叶展期和叶落期获取的双时相高分辨率卫星影像,可在一定程度上缓解常绿林和落叶林光谱特征的时空变化。不过,模型如何有效整合从双时相影像中提取的多层次特征,是影响分类性能的关键因素。在模型设计方面,本研究引入了……结论本研究提出了一种基于双时相高分辨率多光谱卫星影像的全面且实用的都市森林分割方案,能够在复杂城市环境中实现常绿林和落叶林的精细分割。研究表明,米级或亚米级空间分辨率的高光谱影像是精准绘制城市森林空间分布的必要前提。同时,遥感数据……致谢本研究得到了中国国家重点研发计划[2023YFC3208500]的支持,高分辨率JL-1多光谱影像由长光卫星技术有限公司提供。未引用参考文献(Ebi等人,2021;Minaee等人,2022)CRediT作者贡献说明袁媛:撰写——初稿、方法论、概念设计。严文佳:资源获取、调研工作。葛晨天:可视化处理、验证、软件应用、形式分析、数据整理。张桂莲:项目监督、项目管理。范哲奎:可视化处理、形式分析。张超:撰写——审稿与编辑、资金筹措。利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。致谢本研究所需数据由长光卫星技术有限公司提供。
生物通微信公众号
生物通新浪微博
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