基于深度学习与多源卫星影像（Sentinel-1/2）的科特迪瓦森林砍伐监测研究

本研究针对科特迪瓦因可可种植导致的森林砍伐问题，开发了融合SAR（Sentinel-1）与光学卫星影像（Sentinel-2）的深度学习模型（U-Net、Attention U-Net等），通过优化森林-非森林地图（FNF）分辨率至10m/px，实现了云雨环境下高精度森林分割（F1-score达0.9646），为发展中国家提供低成本、高时空分辨率的 deforestation 监测方案。

　　

在全球化浪潮中，科特迪瓦作为世界最大的可可豆生产国（占全球产量43%），却面临着严峻的森林退化和 deforestation 问题。由于农业扩张和 slash-and-burn（刀耕火种）的耕作方式，该国森林覆盖率在过去几十年中急剧下降——例如在Haut-Sassandra地区，森林面积从1997年的93%骤降至2015年的28%。这种大规模的 deforestation 不仅破坏了生物多样性（80%的两栖动物、75%的鸟类和68%的哺乳类依赖森林栖息），还加剧了气候变化、土壤退化和极端天气事件的发生。尽管欧盟近年来出台了 deforestation-free 供应链法规（如EUDR 1115/2023），但像科特迪瓦这样的发展中国家往往缺乏资金、技术资源和数据支持来满足合规要求。因此，开发低成本、开放获取的森林监测工具已成为当务之急。

传统上，森林监测主要依赖光学卫星影像（如Landsat和Sentinel-2），但这些数据在热带雨林地区常受云层干扰，导致观测盲区。而合成孔径雷达（SAR，如Sentinel-1）能够穿透云层，实现全天候观测，但其分辨率较低且信息提取难度较大。此外，现有的全球森林地图（如Hansen的森林损失图或ESA World Cover）空间分辨率有限（通常为30m/px），难以捕捉小尺度的 deforestation 活动。科特迪瓦等非洲国家还缺乏本地化的高精度森林覆盖数据集，进一步增加了监测难度。

为了应对这些挑战，由Gabriele Sartor、Matteo Salis等人组成的研究团队开展了一项创新性研究，旨在利用多源卫星数据和深度学习技术，实现科特迪瓦森林的高精度、云雨 resilient 监测。该研究近期发表在《International Journal of Applied Earth Observation and Geoinformation》上，为发展中国家提供了可复制的技术方案。

研究团队主要采用了以下关键技术方法：首先，通过Google Earth Engine平台获取2019年科特迪瓦中部地区的Sentinel-1（VV和VH波段）、Sentinel-2（B2、B3、B4、B8波段及云概率图层）和ALOS PALSAR的森林-非森林地图（FNF）数据；其次，对FNF地图进行空间分辨率提升（从25m/px至10m/px）和精细化处理，结合线性判别分析（LDA）优化分类标签；然后，利用四种深度学习模型（U-Net、Attention U-Net、SegNet-ResNet50和FCN32-VGG16）在不同数据输入场景下进行森林分割实验；最后，通过比较两年间（2019-2020）像素级分类变化检测 deforestation。

4. Results

研究结果显示：在仅使用Sentinel-1数据的场景（S1）下，Attention U-Net表现最佳（F1-score: 0.8874），但细节识别能力有限；而仅使用Sentinel-2数据（S2）时，U-Net和Attention U-Net在 cloud-free 条件下达到最高精度（F1-score: 0.9613）。通过融合Sentinel-1、Sentinel-2和云概率数据（S1-2-CP场景），U-Net模型实现了最优性能（2019年F1-score: 0.9506；2020年F1-score: 0.9646），显著提升了云雨环境下的分类鲁棒性。 deforestation 检测结果表明，融合多源数据的方案能更平衡地估计森林损失（ROI内约1962km2），避免了单一数据源的低估或高估问题。

5. Discussion

本研究首次在科特迪瓦地区实现了基于深度学习和多源卫星数据的森林分割，其创新性体现在三个方面：一是提出了FNF地图的精细化流程，提升了空间分辨率与局部准确性；二是证明了SAR与光学数据融合在云雨地区的优势；三是提供了完全开源的技术框架（Python代码已公开），可供全球复制应用。尽管存在数据质量限制（如FNF原始精度仅91%、Sentinel-1缺乏 descending orbit 数据），但本研究仍达到了与全球先进水平相当的分类精度（93-95%）。未来工作可进一步探索 neuro-symbolic 模型优化数据融合策略，并扩展至时空联合 deforestation 检测模型。

6. Conclusions

该研究成功开发了一套低成本、高分辨率、云雨 resilient 的森林监测深度学习框架，通过融合Sentinel-1/2数据与FNF地图，实现了科特迪瓦地区10m/px精度的森林分割与 deforestation 制图。这一方案不仅为发展中国家应对国际环境法规提供了技术支撑，也为全球森林动态监测提供了可扩展的开放 access 范式。