基于多模型卷积神经网络的沿海森林范围与地上生物量估算研究——以菲律宾萨兰加尼湾保护海景为例

本研究针对菲律宾萨兰加尼湾保护海景（SBPS）沿海森林长期被忽视的现状，评估了U-Net、DeepLabV3和PSPNet三种卷积神经网络（CNN）模型在森林范围识别和叶面积指数（LAI）驱动的生物量估算中的性能。结果显示，U-Net模型以92.66%的总体精度最优，并首次量化了区域内沿海森林地上生物量（AGB）空间分布（最高达2,582.43 Mg ha-1），为全球蓝碳生态系统保护和气候变化减缓提供了高精度技术方案。

　　

沿海森林作为陆地与海洋交汇的生态屏障，在全球碳循环和生物多样性保护中扮演着关键角色。然而，受人类活动和自然因素的双重威胁，全球约35%的红树林已消失，其中东南亚地区损失尤为严重。菲律宾萨兰加尼湾保护海景（SBPS）作为该国重要的滨海生态系统，虽拥有24种红树林和39种海滩森林物种，但其实际生态价值长期未被量化，甚至在国家级（如2019年菲律宾红树林测绘）和全球性（如Global Mangrove Watch 3.0）测绘项目中均被遗漏。传统遥感方法在复杂海岸带环境中存在小斑块识别困难、光谱混淆等问题，亟需引入更精准的监测技术。

为破解这一难题，研究人员首次系统评估了三种主流卷积神经网络（CNN）架构——U-Net、DeepLabV3和PSPNet在SBPS沿海森林制图与生物量估算中的表现。研究采用Sentinel-2光学影像（2022年11月27日获取，分辨率10米）生成真彩色合成波段作为基础数据，通过SNAP 8.0软件提取叶面积指数（LAI）层，并结合实地验证数据（2018-2022年采集的128个沿海森林和253个非森林样本）进行模型训练。结果显示，U-Net模型以92.66%的总体精度和94.77%的F1值显著优于PSPNet（90.75%）和DeepLabV3（89.08%），其验证损失曲线与训练曲线高度吻合，表现出最优的泛化能力。值得注意的是，传统机器学习方法随机森林（RF）的精度（87.92%）明显低于CNN模型，凸显了深度学习在空间特征提取上的优势。

通过最优模型识别发现，SBPS沿海森林总面积达2,963.23公顷，远超既往记录的514公顷（仅含真红树林），其中Glan（1,032.72公顷）和Maasim（579.79公顷）为分布核心区。基于LAI的生物量估算显示，这些森林的AGB呈现显著空间异质性：Glan以2,582.43 Mg ha^-1高居首位，而Alabel仅27.27 Mg ha^-1，反映出人类活动对碳储量的强烈干扰。与东南亚其他区域相比，SBPS部分站点（如Maasim记录1,260.57 Mg ha^-1）的生物量水平远超菲律宾本土（通常<400 Mg ha^-1）和邻国数据，证实其作为关键碳汇的生态价值。

技术方法上，研究团队采用Sentinel-2 L2A级影像，通过SNAP 8.0进行双线性重采样和区域裁剪；利用生物物理处理器生成LAI层；结合IFSAR数字高程模型（DEM）进行地形校正；采用ArcGIS Pro 3.2划分70%训练集与30%验证集，并通过混淆矩阵计算精度指标。CNN模型均基于ResNet34架构，设置256×256像素芯片尺寸，以0.0001学习率训练100个epoch。

研究结论部分强调，U-Net模型在有限计算资源（NVIDIA GTX 1050显卡）下仍实现高效训练（8小时48分），其精准的像素级分类能力为动态海岸带监测树立了新标杆。尽管当前方法尚难区分红树林与海滩森林（光谱相似性导致），但通过整合多源遥感数据和提升硬件配置，未来可进一步优化分类细节。该成果不仅填补了SBPS生态本底数据的空白，更通过可复制的技术框架，为全球滨海生态系统的"零净碳损失"目标提供了科学工具。论文发表于《Remote Sensing Applications: Society and Environment》，为发展中国家应用低成本深度学习技术解决环境挑战提供了范例。