一个深度学习框架，用于利用融合的双时相WorldView影像和时间序列Landsat影像，在混合山地森林中以30米分辨率绘制常绿针叶树的比例覆盖度图

《Remote Sensing of Environment》：A deep learning framework for mapping evergreen conifer fractional cover at 30 m resolution using fused bi-temporal WorldView and time-series Landsat imagery in mixed mountain forests

本研究提出一种结合高分辨率卫星影像与深度学习框架的常绿针叶树覆盖比例估算方法，通过地形阴影校正和3D U-Net模型生成参考数据，利用LSTM网络分析Landsat时间序列数据，在复杂地形的高山森林中实现了30米分辨率的覆盖比例映射，精度显著优于传统随机森林方法，并揭示了空间配置特征与生态梯度关系。

　　在温带落叶阔叶林和混交林中，常绿针叶树是生态系统中的关键组成部分，对生态系统的结构、功能以及应对气候变化的韧性具有重要影响。此外，它们还影响着人类的森林管理实践。精确地绘制常绿针叶树的覆盖比例对于可持续的森林管理至关重要，因为它支持了优化的木材采伐、有针对性的重新造林以及生物多样性保护。常绿针叶树的覆盖比例信息对于维持栖息地质量也非常重要，因为许多物种依赖特定的森林结构。例如，常绿针叶树与落叶阔叶树的混合分布支持了竹子的生长，而竹子是大熊猫的重要食物来源。因此，精确地绘制常绿针叶树的覆盖比例对于保护这一濒危物种的栖息地具有重要意义。

传统的土地覆盖比例测绘方法在复杂多变的地形和生态背景下存在显著挑战。这些方法通常依赖于像素级分类，如ISODATA聚类、模糊K均值、最大似然分类和随机森林算法。然而，这些方法在扩展到对象级分类时，往往需要依赖图像分割工具（如eCognition）和人工构建的空间特征，导致其性能严重依赖于分割质量。这使得这些方法难以捕捉生成高质量参考覆盖比例地图所需的复杂空间特征。因此，开发能够自动从高分辨率（VHR）图像中提取高级空间特征的方法显得尤为重要。

另一方面，回归方法在基于回归的混合分析和分类-回归整合方法中被广泛采用，包括回归树、随机森林、支持向量机、核岭回归和神经网络。这些技术通常利用较粗分辨率图像的光谱或光谱-时间序列特征来估计土地覆盖比例。其中，随机森林回归是目前最常用的回归方法之一。然而，尽管这些方法在某些领域取得了进展，它们在处理时间序列数据时仍相对基础，缺乏从时间序列中提取顺序特征的能力，并且在某些情况下未能显著优于传统机器学习方法。因此，迫切需要能够有效利用时间信息的方法，以在复杂的森林生态系统中实现精确的常绿针叶树覆盖比例测绘。

深度学习提供了一条解决这些挑战的有希望的路径。卷积神经网络（CNN）作为深度学习的核心，已经在图像处理任务中取得了革命性的进展，包括分类、语义分割和目标检测。CNN能够自动提取高阶空间（2D-CNN）和空间-光谱（3D-CNN）特征，从而实现对VHR图像的精确分析。鉴于CNN在土地覆盖分类中展现出最先进的性能，一些研究已将其用于生成参考土地覆盖比例以评估准确性。然而，如何将CNN集成到大规模生成高质量训练样本的流程中仍然是一个未被充分探索的领域。

长短期记忆（LSTM）网络是另一种重要的深度学习方法，专门用于分析序列数据，其应用范围包括降雨-径流建模、作物产量预测和叶面积指数（LAI）估算。LSTM网络在均匀的景观（如农田、灌木丛和草地）中，已经在常绿植被覆盖比例估算中表现出优于传统机器学习方法的能力。此外，LSTM网络在处理土地覆盖比例测绘时，能够通过在建模过程中为受云影响的像素分配零值，从而有效缓解云污染问题。尽管这些优势明显，但LSTM网络在复杂森林生态系统中的应用仍较为有限。

本研究提出了一种基于深度学习的框架，用于在温带混交森林中，以30米分辨率精确测绘常绿针叶树的覆盖比例。该框架结合了两个互补的组件：一种是利用融合的双时相WorldView图像的空间和光谱丰富性生成高质量参考地图的3D U-Net模型，以及一种利用Landsat时间序列学习顺序特征进行大规模回归的LSTM网络。我们通过与随机森林回归基准进行比较，评估了该框架在空间和时间领域的准确性和可迁移性。通过结合多源、多分辨率的卫星影像与专门设计的深度学习框架，本研究旨在推动土地覆盖比例测绘技术的发展，并为复杂山地地区的生态系统监测提供可扩展的解决方案。

在研究区域的选择上，本研究聚焦于中国西南部的大熊猫栖息地，这一地区以温带阔叶林和混交林为主，且下层植被主要由竹子构成。研究区域涵盖了六个山脉——秦岭、岷山、邛崃、大相岭、小相岭和凉山，这些山脉以陡峭的山地和深邃的山谷为特征。整个研究区域的总面积约为64,705平方公里，海拔范围从1200米到3800米。该区域的森林组成包括落叶树种和常绿针叶树种。落叶树种通常在温带混交林中季节性脱落叶片，而常绿针叶树种则全年保持叶片。研究区域内常见的常绿针叶树种包括云杉（Picea sp.）、冷杉（Abies sp.）、圆柏（Sabina sp.）、松树（Pinus sp.）、铁杉（Tsuga sp.）和侧柏（Cupressus sp.），它们的树高通常在8-35米之间。此外，该地区还存在灌木，但它们相对稀疏且高度通常不超过4米。下层植被主要是常绿竹子（高度通常在2-4米之间），它们是大熊猫的重要食物来源。研究区域内的多样环境条件支持了众多植物和动物物种，使其成为全球最重要的生物多样性热点之一，也是生态保护的重点区域。

在卫星影像的使用上，我们利用了WorldView-1（WV-1）、WorldView-2（WV-2）和WorldView-3（WV-3）卫星的影像。WV-1提供单波段的全色影像，空间分辨率为0.5米。WV-2提供与WV-1相同的空间分辨率的全色影像和八波段的多光谱影像（包括海岸蓝、蓝、绿、黄、红、红边、近红外1和近红外2波段，分辨率为2米）。WV-3则扩展了WV-2的功能，提供了八波段的可见光和近红外光谱影像（分辨率为1.24米）、八波段的短波红外影像（分辨率为3.7米）以及一个全色波段（分辨率为0.31米）。为了生成参考覆盖比例地图并评估框架的空间和时间可迁移性，我们利用了WV-1和WV-2影像，这些影像均在叶片脱落季节获取，以减少落叶树种的干扰。此外，我们还使用了其他区域的WorldView影像进行空间和时间可迁移性评估。

在Landsat数据的使用上，我们利用了Landsat 5、7、8和9任务的表面反射率数据，这些数据通过Google Earth Engine（GEE）平台获取。Landsat任务提供了全球一致的空间分辨率（30米）和16天的时空分辨率，其Collection 2 Tier 1数据提供了改进的辐射校正和地理位置精度。Tier 1数据代表了Landsat存档中最高质量的可用数据。尽管跨传感器校正对于长期（例如30年）和密集时间序列分析在环境监测中至关重要，但由于本研究的时间跨度较短且常绿针叶树覆盖比例相对稳定，因此未采用跨传感器校正。此外，近期研究表明，在较短的时间范围内，Landsat Collection 2数据具有高度的跨传感器一致性。

为了进行常绿针叶树覆盖比例的测绘，我们使用了Landsat月度时间序列的六个表面反射率波段（蓝、红、绿、近红外、短波红外1和短波红外2）。考虑到研究区域经常出现云覆盖，我们应用了CFMask算法生成的QA_PIXEL波段来屏蔽云和云阴影。CFMask是一种基于Landsat顶大气反射率和亮度温度的改进型FMask算法的C实现，用于检测云、云阴影和积雪。CFMask已被集成到USGS Landsat处理流程中，并因其稳健性和高效性而广受认可。我们随后为每个月份生成了合成图像，通过计算同一月份内所有Landsat观测的中值来确保时间序列建模的稳定性。在仔细检查合成图像后，我们确认五年的合成数据有效填补了大部分由云和云阴影去除导致的缺失值。剩余的少量缺失值则用零填充。表2提供了用于构建各区域和各建模过程的Landsat图像的详细信息。表2中为过滤Landsat图像用于模型训练、验证、测试以及空间和时间可迁移性评估所指定的时间区间，与表1中WorldView图像的获取年份一致。我们使用了最近的五年Landsat图像，以确保在整个大熊猫栖息地模型预测的一致性和准确性。

在方法部分，我们描述了所提出的深度学习框架的工作流程。该框架整合了WorldView影像和Landsat时间序列数据以估算常绿针叶树的覆盖比例。流程首先通过减少地形阴影引起的分类误差来缓解WorldView影像中的地形阴影问题。随后，利用3D U-Net模型对去阴影的WorldView影像进行分类，以检测常绿针叶树。这些常绿针叶树的分类地图在0.5米分辨率下生成，并随后重新采样为30米分辨率以创建参考覆盖比例地图。为了训练回归模型，我们使用了80%的参考覆盖比例地图及其对应的Landsat合成数据作为LSTM网络的训练样本，该网络利用Landsat时间序列中的顺序信息进行覆盖比例预测。作为基准测试，我们进行了随机森林回归。为了排除传统机器学习方法在图像分类过程中因分割参数带来的不确定性，本研究未使用这些方法进行分类比较。覆盖比例估算的准确性通过剩余20%的参考覆盖比例地图进行评估。此外，我们还使用来自补充WorldView影像的视觉解释独立测试集评估了该框架的空间和时间可迁移性。

在检测常绿针叶树的过程中，我们采用了3D U-Net深度学习模型，以从融合的WorldView影像中检测常绿针叶树。在地形阴影缓解过程后，之前被阴影覆盖的区域的空间信息得以恢复，这需要一种能够充分利用空间特征的方法。此外，由于融合后的影像在非阴影区域含有相对丰富的光谱信息，所选方法需要能够有效利用空间和光谱特征。3D U-Net模型作为3D卷积神经网络的一种高级变体，被选中用于同时学习空间和光谱特征。

我们通过手动标注图像块（1通道×8深度×256像素×256像素）来创建训练、验证和测试样本，这些图像块基于专家对当地条件的视觉解释。为了减少将灌木或竹子误分类为常绿针叶树的风险，我们在样本准备过程中采取了若干预防措施。在叶片脱落的WorldView影像中，常绿针叶树展现出独特的树冠形状和明显的树冠阴影，这些特征能够将其与低矮的灌木和通常缺乏此类特征的均匀竹子区域区分开来。这些视觉线索被仔细用于指导手动标注和训练样本选择。图像块的大小（256像素×256像素，相当于0.5米分辨率下的128米×128米）被选择以确保覆盖完整的树冠（通常直径在5-10米之间），以捕捉局部景观的异质性，并与3D U-Net模型的架构在GPU内存限制内保持兼容性。Qinling A、Minshan A、Qionglai A和Liangshan A区域的训练和验证标注块分别为86、83、84和75块。这些标注被转换为二进制图像，以匹配原始图像块的尺寸。我们还应用了数据增强技术，如水平、垂直和对角线翻转，以增强模型的泛化能力。此外，我们对图像块的数字数（DN）值进行了随机调整，以模拟不同的光照条件，进一步提高模型的泛化能力。

为了训练和评估3D U-Net模型，我们结合了四个山脉的样本，并采用分层K折交叉验证策略（K=5）。在每个交叉验证迭代中，K-1折用于模型训练，而剩余的一折用于验证。为了提高检测准确性，我们使用了软F1损失函数。在超参数调优过程中，我们评估了3D U-Net模型，使用了Adam优化器（初始学习率分别为0.01、0.001、0.0001和0.00001）。为了确定最佳的批量大小，我们测试了4、5、6、7和8等值。考虑到3D U-Net模型在处理三维数据时的复杂性，初始训练进行了100个epoch。在后续迭代中，epoch数量逐渐减少以减轻过拟合。经过超参数优化后，最终的模型配置采用了Adam优化器，学习率为0.0001，批量大小为8，训练了50个epoch。模型选择基于交叉验证期间获得的最高软F1分数。随后，这五个3D U-Net模型用于预测WorldView影像。最终的常绿针叶树检测结果通过五次预测的多数投票方式获得，以确保结果的稳健性。

在评估常绿针叶树检测的准确性时，我们使用了测试集中的手动标注标签作为真实值。对于Qinling A、Minshan A、Qionglai A和Liangshan A区域，我们随机选取了12个样本块进行测试。我们使用了四个关键指标来评估最终检测结果的准确性：精确率、召回率、F1分数和总体准确率。精确率评估了模型在检测常绿针叶树时的准确性，定义为所有阳性预测中真正阳性预测的比例。召回率衡量了模型正确识别所有常绿针叶树实例的能力。F1分数是精确率和召回率的调和平均数，提供了一个在数据不平衡情况下的平衡评估指标。总体准确率计算了所有正确分类预测的比例，包括真正阳性和真正阴性，相对于总预测数，提供了对模型分类准确率的全面评估。这些指标的计算方式如下：

精确率 = 真正阳性 / (真正阳性 + 假正阳性)

召回率 = 真正阳性 / (真正阳性 + 假阴性)

F1分数 = 2 × 精确率 × 召回率 / (精确率 + 召回率)

总体准确率 = (真正阳性 + 真正阴性) / (真正阳性 + 真正阴性 + 假正阳性 + 假阴性)

其中，真正阳性表示正确识别的常绿针叶树像素，假正阳性表示错误识别为常绿针叶树的非常绿针叶树像素，真正阴性表示正确识别为非常绿针叶树的像素，假阴性表示错误识别为非常绿针叶树的常绿针叶树像素。

在利用Landsat时间序列图像进行常绿针叶树覆盖比例测绘时，我们采用了LSTM网络和随机森林回归两种方法。VHR常绿针叶树分类地图（0.5米）在Qinling A、Minshan A、Qionglai A和Liangshan A区域被重新采样为30米分辨率以生成参考覆盖比例地图。为了聚焦模型的学习，我们排除了熊猫栖息地以外的样本。参考图像的东部四分之三被随机划分为训练和验证集，比例为4:1。Landsat生成的覆盖比例值和月度合成影像被分别作为LSTM网络和随机森林回归的因变量和自变量。为了提高模型的泛化能力，我们结合了不同山脉、不同时期和Landsat传感器的所有训练数据，以训练单一的LSTM或随机森林模型。验证则使用了合并的验证数据。训练和验证集分别包含1,038,517和259,630个样本（像素）。

在利用LSTM网络进行常绿针叶树覆盖比例测绘时，LSTM网络在时间序列分析中表现出色，其优势在于能够建模长时序数据和复杂的时间模式。Ma和Liang（2022）使用双向LSTM网络生成全球陆地表面卫星（GLASS）叶面积指数产品（版本6），并报告称，无论是单生境还是跨生境的合成样本，模型的准确率均相当。这一发现表明，LSTM网络可以在不依赖显式植被物候对齐的情况下自动学习时间序列数据中的时间依赖性。鉴于本研究区域的广阔地理范围，我们通过比较单山脉样本和多山脉组合训练策略来评估LSTM模型的物候鲁棒性（补充图1和图2）。

LSTM网络可以配置为单层或多层，每层由一系列记忆单元组成，用于在时间步长之间传播信息。每个记忆单元在LSTM层中保持两种状态：细胞状态和隐藏状态。细胞状态在整个序列中保留长期记忆，而隐藏状态携带短期记忆，并在每个时间步长中作为输出。图4展示了LSTM网络的架构和内部结构。每个细胞包含三个门，即遗忘门（f_t）、输入门（i_t）和输出门（o_t），它们调节信息的流动。遗忘门决定了从上一步长（C_{t-1}）中保留或丢弃长期记忆的比例。这一决定基于当前输入（X_t）和上一步长的隐藏状态（h_{t-1}）。输入门调节当前输入（X_t）中新信息用于更新当前细胞状态（C_t）的比例。输出门控制当前细胞状态（C_t）中信息传递到下一步长隐藏状态（h_t）的比例。在具有多个LSTM层的网络中，每一层的时间步长输出作为下一层对应时间步长的输入。最终LSTM层的输出被传递到一个全连接层以获得单个输出神经元。为了确保LSTM网络的最终输出值在0到1的覆盖比例范围内，我们在全连接层之后应用了Sigmoid激活函数。

在设置LSTM网络的适当超参数方面，这对于准确建模常绿针叶树的覆盖比例至关重要。本研究使用了来自合成Landsat图像的六个光谱波段作为解释变量，并将细胞/隐藏状态长度设置为6。输入序列长度被定义为12，对应于提供给网络的12个月合成Landsat图像。我们使用了均方误差（MSE）损失函数。在调整其他超参数时，我们测试了Adam优化器（初始学习率分别为0.01、0.001和0.0001）。我们还评估了256、512和1024等批量大小，以及由两、三、四层LSTM网络组成的网络配置。为了防止过拟合，我们在LSTM层之间应用了Dropout，测试了50%、40%、30%和20%的Dropout率。隐藏层大小测试了50、100和150三种配置，以确定最有效的组合。基于超参数调优的结果，最终的LSTM网络配置包括三层，每层的隐藏大小为100，Dropout率为30%。初始学习率设置为0.001，批量大小为512。模型被训练了100个epoch，并且在验证数据集上达到最低MSE的版本被选为最终模型。该优化后的LSTM网络随后用于准确率评估。

在利用随机森林回归进行常绿针叶树覆盖比例测绘时，随机森林回归因其多功能性和可靠性而被广泛认可。该算法的优势包括能够处理大量输入特征、对噪声和缺失数据的较低敏感性、较低的过拟合风险以及评估特征重要性以进行特征选择的能力。鉴于这些优势，随机森林回归被用于与LSTM网络进行比较，以评估其在常绿针叶树覆盖比例测绘中的有效性。

除了合成的Landsat月度时间序列表面反射率外，我们还计算了归一化植被指数（NDVI）和其他变量作为解释变量。如表3所示，最初为随机森林回归准备了87个特征。然而，许多这些特征表现出高度共线性，这增加了训练时间、降低了模型稳定性并使解释复杂化。为此，我们实施了递归特征消除（RFE）进行特征选择和共线性减少。RFE通过迭代训练模型、排序特征重要性并移除每一轮中最重要的特征来实现。在每一轮中，模型在剩余特征上进行训练，并在验证集上通过计算MSE进行评估。这一迭代过程持续到只剩下单一特征。获得最低MSE的特征子集被选为模型的最佳配置。经过RFE过程后，特征数量从87个减少到19个。这些选定的特征随后用于使用随机森林回归模型进行常绿针叶树覆盖比例建模。

为了全面评估模型在常绿针叶树覆盖比例测绘中的预测准确性，我们进行了两种类型的评估：（1）使用参考覆盖比例地图进行测试，以及（2）对模型的空间和时间可迁移性进行独立评估。对于第一种评估，我们使用了Qinling A、Minshan A、Qionglai A和Liangshan A区域参考覆盖比例地图的西部分之一作为测试集，总计339,006个像素。从该测试集中，我们随机抽取了每个10%覆盖比例区间的300个像素，共计3000个像素。对于第二种评估，我们通过使用独立WorldView影像的视觉解释获得的参考覆盖比例值，对模型的可迁移性进行了评估。我们对Qinling B、Minshan B、Qionglai B、Daxiangling B和Xiaoxiangling B区域的每个0.1覆盖比例区间进行了分层随机抽样，共选取了500个像素。对于每个抽样的像素，我们通过对应WorldView影像中手动标注的常绿针叶树获得了参考覆盖比例值，如表1所示。这一标注过程也由经验丰富的专家指导，以确保准确性和一致性。

本研究的结果突显了结合多源卫星影像和深度学习模型在温带混交山地森林中测绘常绿针叶树覆盖比例的有效性。该框架在空间和时间上的强可迁移性表明其在不同地形和森林条件下的泛化能力。特别是，与传统机器学习方法相比，深度学习方法在复杂地形和混合森林组成区域中表现出了更高的准确性。这些发现表明，利用高分辨率光学影像和Landsat时间序列进行建模在混合森林环境中具有显著优势。

在参考数据生成方面的创新是本研究的一个关键点。我们采用了一种3D卷积神经网络模型，对在叶片脱落季节获取的WorldView卫星影像进行分类，以生成准确的参考数据。传统野外调查在偏远和崎岖的森林区域中往往不切实际，因为这些区域的可及性和定位精度有限。通过将WV-2多光谱影像与WV-1全色影像融合，我们有效缓解了地形阴影，这是使用VHR卫星影像进行土地覆盖测绘时常见的挑战。尽管在叶片脱落季节由于低太阳高度角，一些地形阴影不可避免，但双时相影像融合过程消除了大部分阴影，从而提高了参考数据的清晰度。在缓解地形阴影后，3D U-Net深度学习模型有效地利用空间特征进行常绿针叶树的准确检测。相比之下，传统机器学习方法由于其处理复杂条件的能力有限，显得不足。

我们基于3D U-Net的常绿针叶树检测取得了90.4%的F1分数和93%的总体准确率。虽然分类并非完全无误，但空间和光谱特征的整合有助于实现常绿针叶树与非树植被之间的稳健分离。总体准确率意味着可能存在7%的分类误差，这种误差可能会传播到后续的回归模型中。然而，几个因素有助于缓解这一潜在影响。首先，我们没有直接使用分类输出作为分类标签，而是将结果重新采样到30米×30米的网格上以计算覆盖比例，这有效减少了小尺度误分类噪声的影响。其次，我们的参考样本来自不同环境条件下的多个场景，这可能限制了局部误差的影响，因为这些误分类不太可能具有空间或时间上的系统性。

与其他研究中用于常绿针叶树检测的方法相比，我们的方法在性能上取得了明显提升。例如，Li等人（2020）在平坦地形中使用WV-3影像的极大似然分类器，报告了整体分类准确率在85%到92%之间。Bennett等人（2024）则在夏季和冬季季节的VHR卫星影像上应用了YOLOv8目标检测模型，报告了常绿针叶树在不同交叠率（IoU）阈值下的平均F1分数为85%。尽管他们的工作在方法上与我们有相似之处，但未明确处理地形阴影问题，而地形阴影在本研究背景下是至关重要的。此外，他们的目标检测框架生成边界框，而我们的语义分割方法则更适合生成粗分辨率下的参考覆盖比例样本。更重要的是，我们的框架通过将参考样本整合到基于Landsat时间序列的回归模型中，超越了像素级分类，实现了端到端的整合，从而增强了模型的可扩展性和时间鲁棒性，为异质森林景观中的覆盖比例测绘提供了全面的解决方案。

LSTM网络在建模常绿针叶树覆盖比例方面表现出高度的有效性和鲁棒性。与需要大量预处理（如特征创建和选择）的随机森林回归相比，LSTM网络直接利用了Landsat时间序列的六个光谱波段，实现了更高的准确性且复杂度较低。LSTM网络所达到的较高R2值表明其能够捕捉参考数据中的方差，即使其结构相对简单。LSTM网络在本研究中的应用还显示了其在处理云污染问题上的优势。我们通过合成五年的Landsat时间序列数据来缓解云污染，尽管月度合成影像中仍存在少量的缺失值，但LSTM网络通过为这些缺失值分配零值，展示了其对这些小规模缺失的鲁棒性。此外，LSTM网络在常绿针叶树与密集的常绿竹子共存的区域表现良好，这表明该模型能够区分不同常绿植被类型之间的光谱差异，并可能在估算不同常绿针叶树种的覆盖比例方面具有进一步应用的潜力。此外，该模型在涵盖约6°纬度和超过2500米海拔的广阔研究区域中表现出色，这一区域包含了广泛的气候和物候条件。尽管存在这种变化，使用单一或多个山脉的样本进行训练的模型在测试集上取得了相当的准确性（补充图1），这表明模型对物候差异具有一定的鲁棒性。类似的研究结果也出现在使用双向LSTM网络进行全球LAI估算中，其中物候变化对模型准确性的影响被证明是有限的（Ma和Liang，2022）。重要的是，使用多个山脉的样本进行训练提高了模型在独立空间和时间可迁移性评估中的准确性（补充图2）。这些结果与最近强调通过在生态和地理多样性数据集上训练LSTM网络以增强时间序列环境监测中鲁棒性和可迁移性的文献一致（Snieder和Khan，2025）。

在生态和保护意义方面，本研究首次在大熊猫栖息地的30米分辨率下生成了常绿针叶树覆盖比例的全面地图，为栖息地恢复和连通性规划提供了重要的基础。目前，大熊猫被分为33个孤立的种群，其中一些小型种群由于栖息地碎片化而面临局部灭绝的风险。增强栖息地连通性对于促进基因交流和提高种群生存能力至关重要。以往的恢复努力通常集中在种植单一的树种，但这些单一树种已被证明在大熊猫栖息地的恢复中效果不佳。有效的栖息地恢复和连通性计划需要对关键栖息地组成部分的深入了解，特别是上层树木和下层竹子的空间分布。通过对每个覆盖类别中30米像素的空间模式进行分析，我们发现低覆盖比例区域（5%–25%）表现出更分散的空间模式，而中等覆盖比例区域（25%–75%）则通常与更大的、更连贯的森林块相关联。在六个山脉中，秦岭山脉显示出最低的高覆盖比例像素比例，并且在所有覆盖类别中都表现出更分散的空间模式。这些发现反映了自然生态梯度和历史土地利用压力的影响，强调了为森林恢复和保护规划制定区域特定策略的重要性。除了对大熊猫保护的相关性外，本研究还展示了结合多源卫星影像与先进深度学习框架在复杂地形森林环境中的广泛适用性，以支持生态系统监测和景观尺度的保护规划。