基于U-Net卷积神经网络的国家级航拍影像欧洲山杨（Populus tremula L.）大尺度精准制图研究

《Remote Sensing Applications: Society and Environment》：Mapping Large European Aspens (Populus tremula L.) Using National Aerial Imagery and a U-Net Convolutional Neural Network

本研究针对欧洲山杨（Populus tremula L.）因分布稀疏、传统调查方法低效而缺乏大尺度精准分布数据的瓶颈问题，开发了一种基于U-Net卷积神经网络的语义分割模型，利用芬兰公开的0.5米分辨率四波段（RGB-NIR）航拍影像进行山杨自动识别。研究对比了叶片生长季（leaf-on）与落叶季（leaf-off）条件下的分割精度，并评估了胸径（DBH）对识别效果的影响。结果显示，落叶季条件（F1-score: 0.573）下的识别精度优于生长季（F1-score: 0.494），且模型对大胸径（>30 cm DBH）山杨的识别效果显著提升（F1-score达0.710）。该研究为基于公开遥感数据的濒危关键树种大规模监测提供了可推广的技术路径，对 boreal 森林生物多样性保护与可持续经营具有重要实践意义。

　　

在欧洲北部广袤的寒温带针叶林中，欧洲山杨（Populus tremula L.）扮演着“生态系统工程师”的特殊角色。这种看似普通的落叶乔木，却是众多鸟类、哺乳动物和昆虫赖以生存的家园。例如，山杨富含钙质的凋落物能改善酸性土壤，其树干为啄木鸟、猫头鹰提供巢穴，树洞更是飞鼠和树栖蝙蝠繁殖后代的温暖庇护所。正因如此，山杨被生态学家视为维持 boreal 森林生物多样性的“关键树种”。然而，在集约化林业经营背景下，欧洲山杨的数量正急剧减少。有研究表明，芬兰境内的活体山杨在18年间减少了37%，其生存前景令人担忧。

面对山杨种群衰退的严峻现实，有效的保护行动亟需准确、大范围的分布数据作为支撑。但传统森林调查方法往往将山杨与其他次要阔叶树种合并记录，导致其真实分布和数量被严重低估。山杨通常以零散集群方式生长在针叶林背景中，这种分布模式给人工实地调查带来巨大挑战。近年来，遥感技术，特别是高分辨率航空影像和激光雷达（LiDAR），为树木物种识别提供了新的解决方案。尽管已有研究尝试利用支持向量机（SVM）、随机森林（RF）等传统机器学习方法识别山杨，但这些方法通常依赖人工特征提取和精确的树冠勾勒，过程繁琐且在高分辨率影像中易受背景噪声干扰。因此，开发一种能够自动化、精准化、并可应用于大范围区域的山杨制图技术，成为森林遥感领域一个亟待突破的课题。

为了解决这一难题，由芬兰东部大学（University of Eastern Finland）森林科学学院的研究团队领衔，开展了一项创新性研究。他们致力于利用深度学习技术，实现基于国家级公开航拍影像的欧洲山杨自动识别与制图。相关研究成果已发表在环境遥感领域知名期刊《Remote Sensing Applications: Society and Environment》上。

本研究主要采用了以下几个关键技术方法：研究数据来源于芬兰国土调查局公开提供的0.5米空间分辨率航空影像（包含红、绿、蓝、近红外四个波段），覆盖2010至2023年期间叶片生长季和落叶季的条件。研究区域位于芬兰南部的赫尔辛基、洛赫亚和埃沃三个地区，并包含了289棵经过实地精确测量（使用Trimble R10 RTK-GPS）并记录其胸径的山杨作为验证数据。在模型构建上，研究人员设计并训练了一个基于U-Net架构的卷积神经网络（CNN）进行语义分割。该模型融入了移动残差块（Mobile Residual Blocks, M_ResB）以提升计算效率，并引入了空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块来捕获多尺度特征，从而增强对山杨树冠形态的识别能力。

3.1. 落叶季影像中的山杨分割精度更高

模型评估结果表明，季节条件是影响山杨识别精度的关键因素。总体来看，利用落叶季影像进行分割的准确性显著高于叶片生长季。具体表现为：落叶季条件下的F1分数（综合精确率和召回率的平衡指标）为0.573，高于生长季的0.494；交集比并集（IoU，衡量预测区域与真实区域重叠度的指标）也显示出相同趋势，落叶季为0.280，生长季为0.256。精确率（Precision）在生长季略高（0.907 vs 0.879），但落叶季的召回率（Recall）更高（0.426 vs 0.339），说明落叶季模型能发现更多真实存在的山杨。这种现象很可能是因为落叶后，山杨独特的枝干结构和树皮纹理更清晰地暴露出来，减少了茂密叶片造成的遮挡和与背景植被的光谱混淆。

3.2. 模型对更大胸径的山杨表现出更优的性能

研究还发现，山杨的个体大小，即胸径（DBH），对分割效果有显著影响。模型对胸径较大的山杨识别得更好。当仅分析胸径大于20厘米的山杨时，落叶季和生长季的F1分数分别提升至0.663和0.551。进一步将目标限定在胸径大于30厘米的大型山杨时，模型性能再次跃升，落叶季F1分数达到0.710，生长季达到0.594。在洛赫亚地区，对大于30厘米山杨的识别甚至达到了惊人的F1分数0.903（落叶季）。这表明，更大的树冠在影像上具有更明显的特征，使其更容易被深度学习模型检测和分割出来。

在讨论部分，研究者将本研究的结果与先前工作进行了对比。尽管一些利用无人机高光谱影像或LiDAR数据结合传统机器学习方法的研究报告了更高的准确率（例如F1分数超过0.9），但本研究模型的优势在于其可扩展性和成本效益。它完全基于易于获取的国家级公开航拍影像，无需昂贵的数据采集设备，为实现真正的大范围山杨监测提供了实用方案。研究者也坦诚指出了当前模型的局限性，例如在物候过渡期（叶片刚开始萌发时）采集的影像会导致识别精度下降，以及在山杨与其它阔叶树种（如桦树）混合生长的茂密森林中仍存在误判的可能。

综上所述，这项研究成功地开发并验证了一个基于U-Net深度学习框架的解决方案，能够利用公开航拍影像对欧洲山杨进行有效的语义分割。研究明确指出了落叶季是进行山杨遥感监测的更佳窗口期，并证实了该技术对成熟大型个体的识别具有较高可靠性。这项工作的重要意义在于，它为森林管理者和保护生物学家提供了一种强大的工具，能够以前所未有的效率和尺度绘制关键树种的分布图，从而为制定针对性的保护策略、监测种群动态、以及评估森林管理措施对生物多样性的影响提供了至关重要的数据基础。未来，通过融合更高分辨率影像、引入多时相分析或结合激光雷达等补充数据，有望进一步突破当前技术瓶颈，提升对幼龄山杨及其在复杂生境中识别能力。