利用深度学习图像分割技术对历史航拍照片的时间序列数据进行分析，以提高森林年龄估算的准确性，从而更好地理解亚热带森林的再生动态

《Remote Sensing in Ecology and Conservation》：Improving forest age estimation to understand subtropical forest regrowth dynamics using deep learning image segmentation of time-series historical aerial photographs

森林年龄估算通过历史航拍图像结合两步深度学习模型实现，采用U-Net架构与ResNet50/VGG16编码器，辅以数据增强处理地形阴影，模型在30米分辨率下达到0.859的IoU和0.921的F1分数。产品显示香港森林覆盖从1964年的4.12%增至2020年的41.85%，年轻森林占比达40%，并揭示年龄与冠层高度、密度等结构指标的非线性关系。相较于中国现有全国性产品，本成果在时空覆盖和精度上具有显著优势，为热带山地森林监测提供新范式。

　　森林年龄的准确估算对于理解森林恢复过程和评估恢复策略的有效性具有重要意义。传统方法虽然准确，但受限于时间和空间范围，难以大规模应用。而卫星遥感技术则提供了更广泛的覆盖能力，但其在局部景观层面的精度仍有待提升。因此，研究者们开始探索利用历史航空影像作为补充手段，以实现更精细的森林年龄估算。航空影像具备较高的空间分辨率和较长的历史记录，能够捕捉森林恢复和土地利用变化的细节。然而，由于航空影像通常为灰度图像，缺乏丰富的光谱信息，同时在复杂地形中可能受到阴影干扰，导致土地覆盖分类和时间动态分析存在不确定性。为解决这些问题，本研究开发了一种基于深度学习的两步图像分割方法，利用历史航空影像进行森林年龄估算，取得了显著成效。

本研究以香港为实验区域，利用该地区自1945年以来由香港特别行政区土地注册处提供的大量航空影像数据。这些影像涵盖了从1964年到2020年的多个时间节点，能够反映森林覆盖的变化趋势。为了提高模型的泛化能力，研究团队采用了开源数据集OpenEarthMap（OEM）作为初始训练数据，并结合本地的森林数据进行模型微调。这种结合全球和本地数据的方法，不仅提升了模型在复杂地形中的表现，还增强了对不同森林类型和历史变化的适应性。通过将灰度航空影像转换为三通道图像，并利用U-Net架构结合ResNet50和VGG16等卷积神经网络作为编码器，研究团队构建了一个性能优异的森林分割模型，其平均交并比（IoU）达到了0.859，F1分数为0.921，显著优于其他模型。

在研究方法中，团队首先对航空影像进行了预处理，包括裁剪、去除照片边框、使用Open Drone Map进行正射影像制作，并通过手动标注的地面控制点对影像进行地理配准。为了增强模型的鲁棒性，研究者们还采用了多种图像增强技术，如翻转、旋转、调整亮度和对比度，以及添加噪声，以应对不同年代航空影像之间的光谱差异和地形阴影问题。这些技术的应用，使得模型在处理不同环境下的森林覆盖分类时更具适应性，提高了预测的准确性。

为了验证模型的性能，研究团队使用了LiDAR结构指标作为参考，并与本地森林数据和中国现有的国家尺度森林年龄产品进行了对比。结果显示，本研究的森林年龄产品在整体准确性和与本地记录的一致性方面表现优异，特别是在识别老林和年轻森林方面，与现有产品相比具有更高的相关性。例如，通过回归分析，研究团队发现本研究的森林年龄估算与实际森林年龄之间的相关系数（R2）达到了0.67，而其他两个产品则分别只有0.001和0.005，表明其预测能力较差。此外，本研究还揭示了森林年龄与结构指标之间的关系，如冠层高度、冠层密度、有效植物面积指数（ePAI）和冠层粗糙度等。随着森林年龄的增长，这些指标呈现出一定的增长趋势，并在达到一定阶段后趋于饱和。这一发现对于理解森林结构随时间的变化规律具有重要价值。

在应用过程中，团队还发现，尽管深度学习方法在森林分割方面表现出色，但仍然存在一些挑战。例如，由于历史航空影像的分辨率较高，但在某些区域可能因为飞行线路不完整或云层遮挡而导致部分像素缺失，这在一定程度上影响了森林年龄估算的连续性和精度。此外，森林年龄估算的不确定性还来源于森林管理方式和干扰历史的差异。不同类型的森林（如外来物种种植林和自然森林）在生长速度和结构特征上存在显著差异，这使得仅依靠影像数据难以准确区分其年龄。因此，结合实地调查和木芯采样等方法，可以进一步提高森林年龄估算的准确性。

研究团队还通过对比分析，揭示了森林年龄与森林结构之间的复杂关系。例如，年轻森林的冠层高度和密度较低，而随着森林年龄的增长，冠层结构逐渐复杂，冠层粗糙度和ePAI等指标趋于稳定。这一发现表明，森林结构的变化与年龄密切相关，为评估森林恢复和演替轨迹提供了重要的依据。同时，这些结构指标还可以用于碳汇潜力的评估，为森林管理和生态恢复策略提供科学支持。

本研究的成果不仅对香港地区的森林年龄估算具有重要意义，也为其他热带和山区地区提供了可借鉴的方法。通过结合深度学习技术和历史航空影像，研究团队成功构建了一个高分辨率的森林年龄地图，为城市范围内的森林恢复研究提供了新的视角。此外，该方法在时间序列分析和空间异质性处理方面表现出色，能够更准确地捕捉森林覆盖变化和干扰事件的影响。然而，为了进一步提升模型的性能，研究者们建议未来可以通过增加影像获取频率、引入更多植被类别以及结合其他遥感技术，如多光谱和高光谱影像，来优化森林年龄估算的精度。

总的来说，本研究展示了深度学习算法在利用灰度历史航空影像进行森林年龄监测中的巨大潜力，同时也指出了当前方法在局部监测中的局限性。通过构建和验证高精度的森林年龄产品，研究团队不仅为森林生态学和景观管理提供了重要的数据支持，也为政策制定者和环境管理者提供了科学依据，以更好地理解和应对森林恢复过程中的各种挑战。