利用Sentinel-2数据和多季节深度学习融合技术提升树木物种组成制图的质量

《International Journal of Remote Sensing》：Enhancing tree species composition mapping using Sentinel-2 and multi-seasonal deep learning fusion

准确高分辨率的树种组成（TSC）地图对森林管理至关重要。本研究基于Sentinel-2影像，系统评估了空间分辨率增强（10m/5m）与多时相数据融合对深度学习（DL）辅助TSC映射的影响，提出多源多时相融合（MSMSF）模块，将R2值提升至0.731（RMSE=0.120），较单时相模型提高5%以上，为免费卫星数据支持的森林资源调查建立新基准。

　　

摘要

准确地进行树木物种组成（TSC）的全面映射对于有效的森林管理至关重要。然而，由于公开获取的卫星图像空间分辨率较低，从卫星图像中区分物种级信息仍然是一个挑战。在这项研究中，我们首次系统地评估了使用Sentinel-2图像进行基于深度学习（DL）的TSC映射时的空间分辨率提升和多季节数据融合方法。具体而言，我们评估了：（1）不同空间分辨率和增强方法的影响，将原始的20米Sentinel-2图像与10米和5米的双线性重采样图像、10米的超分辨率（SR）增强图像进行了比较，并研究了它们的组合使用效果；（2）多季节图像和辅助环境数据（气候、地形）的贡献；（3）一种新颖的多源多季节融合（MSMSF）方法在整合季节性和环境数据集方面的有效性。我们的结果表明，当空间分辨率从20米提高到10米时，精度有了显著提升（$R_{\mathrm{平均}\mathrm{误差}}^2$提高了7%），并通过结合5米双线性重采样图像和10米SR增强图像获得了最佳结果（均方根误差RMSE = 0.120，${\mathrm{平均}}_{\mathrm{误差}}^2$ = 0.731）。此外，我们提出的MSMSF模块和多季节数据在${\mathrm{平均}}_{\mathrm{误差}}^2$方面比最佳的单季节模型性能提高了5%以上。这些发现为基于DL的TSC映射建立了新的基准，并强调了将分辨率提升与细节保留的融合策略相结合的创新性，从而可以利用免费的卫星数据实现可扩展、高精度的森林清查。