综述：PlanetScope立方体卫星在森林监测中的应用综述

本综述系统评述了PlanetScope立方星在森林监测中的前沿应用，涵盖高时空分辨率优势（3米分辨率、近每日重访）及其在森林覆盖制图、扰动监测、生物量估算等关键领域的突破。文章深入分析了多光谱数据（RGB-NIR及新增海岸蓝、红边等波段）的处理方法（如机器学习、光谱混合分析），并探讨了与Sentinel-2、Landsat等数据的融合策略，为精准林业（Precision Forestry）和近实时监测（Near-real-time Monitoring）提供重要技术支撑。

　　

技术概述：PlanetScope平台与数据产品

PlanetScope是由Planet Labs PBC运营的立方星星座，单个卫星（称为"Dove"）尺寸为30cm × 10cm × 10cm，重量仅5.8kg，运行于450-580km的太阳同步轨道，可覆盖南北纬81.5°范围内的区域。其空间分辨率达3-4.2米，具备每日重访能力，全球中位数重访时间为30.3小时。卫星搭载帧式成像仪（非推扫式），提供离散且部分重叠的影像帧。

星座历经三代演进：

• •
  Dove Classic（2014-2022）：配备PS2传感器，提供蓝（455–515nm）、绿（500–590nm）、红（590–670nm）、近红外（780–860nm）4个波段，但可见光波段存在显著光谱重叠。
• •
  Dove-R（2019-2022）：采用PS2.SD传感器，使用"屠夫块滤光片"技术，光谱带窄且无重叠。
• •
  Super Dove（2020至今）：PSB.SD传感器新增海岸蓝、黄、红边等波段，共计8个波段，其中7个与Sentinel-2的波段1-5及8a对应，更适用于植被精细分析。

数据产品分为：

• •
  Basic Scene（L1B）：表观辐射亮度，未做正射校正，保留原始分辨率。
• •
  Ortho Scene（L3B）：正射校正并重采样至3米像素，分"Visual"（RGB经色彩校正）和"Analytic"（全波段，提供表观辐射亮度或地表反射率）。
• •
  Basemap：基于时间序列合成的周、月、季度产品，经辐射归一化处理，像素大小为4.77米。

文献分析与方法

通过Web of Science和Scopus数据库检索，筛选出157篇相关文献（2018-2024年）。研究覆盖全球98个国家，重点关注热带森林（46%），其次是温带林（29%）和人工林（9%）。巴西是研究最集中的国家。数据应用以时间序列分析为主（78篇文章），时间跨度从1天至6年，中位数长度为1年，影像间隔中位数为29天。

数据质量与预处理挑战

PlanetScope数据存在辐射不一致性（因卫星代际差异、传感器异质性和校准方式引起）、几何偏差及噪声像素（云、阴影等）三大问题。辐射校正主要采用三类方法：

1. 1.
   相对辐射校正（RRC）：以Landsat或MODIS为参考影像，通过线性回归或直方图匹配进行标准化。
2. 2.
   场景内归一化：如软最大化函数或Z-score变换。
3. 3.
   时间平滑：采用移动窗口中位数或均值滤波降低时序噪声。
   去噪方面，除使用Planet自带的可用数据掩膜（UDM）外，STI-ACSS算法和AROSICS工具分别用于云影检测和自动配准，显著提升数据可用性。

光谱特征与衍生变量

最常用波段为近红外（NIR）、红、绿，蓝波段因易受大气干扰使用较少。植被指数中以NDVI（归一化植被指数）应用最广，其次为EVI（增强植被指数）、GNDVI（绿波段归一化植被指数）等。纹理特征（如GLCM灰度共生矩阵）广泛用于树冠结构分析，窗口尺寸多为3×3像素，但在物种分类中可达29×29像素。Super Dove新增的黄、红边波段在物种识别和生物量估算中展现出潜力，例如新提出的YNDVI（黄波段归一化植被指数）在健康植被与土壤区分中效果显著。

分析方法与模型性能

分类任务（78篇文章）以随机森林（Random Forest）和深度学习（如U-Net）为主，支持向量机（SVM）亦常见。对象基分类（OBIA）在19%的研究中被采用，较像素基方法精度提升约4-10%。

回归任务（41篇文章）多用于生物量估算，MARS（多元自适应回归样条）、XGBoost和随机森林表现最佳，R2最高达0.82（如南非再造林区），但在复杂森林中可低至0.08（坦桑尼亚天然林）。

创新应用场景

1. 1.
   近实时扰动监测：
   • •
     采用时间序列突变检测算法（如Kernelized Change Point Detection），结合阈值奖惩机制（Thresholding Rewards and Penances），实现伐木与火灾检测，用户精度达86-92%。
   • •
     单时相深度学习模型（如U-Net）直接分割风倒或火烧迹地，IoU超79%。
2. 2.
   精准林业与单木尺度研究：
   • •
     结合无人机或激光雷达（ALS）先分割单木冠层（ITC），再利用PlanetScope监测物候（开花期）或病害（心腐病），冠层面积大于9m2时模型精度显著提升。
   • •
     光谱混合分析（Spectral Mixture Analysis）自动提取端元（光合/非光合植被、阴影），量化落叶季相动态。

多源数据融合与对比

73项对比研究表明：

• •
  PlanetScope在时间分辨率敏感场景（如物候、灾后恢复）优势显著，优于Sentinel-2和Landsat。
• •
  但光谱分辨率不足（缺短波红外与热红外波段）导致在生物量估算中常逊于Sentinel-2（R2低0.1-0.5）。
• •
  数据融合策略提升效果：
  • •
    与SAR（Sentinel-1）结合穿透云层监测。
  • •
    pansharpening算法增强Sentinel-2至3米分辨率，分类精度提高5-20%。

未来方向与建议

1. 1.
   加强辐射一致性算法开发与开源工具集成。
2. 2.
   拓展北方森林与生物多样性监测（如鸟类多样性预测）应用。
3. 3.
   探索单星数据源的分割方法，减少对辅助数据的依赖。
4. 4.
   优化空间分辨率选择策略，通过重采样测试最佳尺度。
   PlanetScope凭借其全球覆盖与高频观测能力，已成为森林动态监测不可替代的工具，尤其在快速响应扰动与精细化生态过程追踪方面潜力巨大。