基于多分支深度学习与多源遥感数据的多标签树种分类模型MMTSC及其在生物量估算中的应用

针对多标签树种分类中数据稀缺、类别不平衡及多源遥感数据融合难题，研究者提出多分支多标签树种分类模型MMTSC，集成无人机航拍与Sentinel遥感数据，通过定制化特征提取与动态权重融合策略，在TreeSatAI数据集上实现15类树种的精准识别（F1-Score达72.05%），并成功应用于森林生物量估算，为森林资源管理与碳汇能力提升提供科学支撑。

　　

在全球森林面临极端人为与自然干扰威胁的背景下，实时监测森林资源已成为生态保护的迫切需求。树种分类作为森林监测的核心环节，能够精确揭示树种分布与变化趋势，但传统方法面临巨大挑战：自然生态系统中混合林普遍存在，而现有研究多集中于单标签树种分类；遥感图像波段复杂、数据庞大，树种分布密集，仅靠人工手段难以高效准确分类；多标签树种遥感图像数据集稀缺，且存在严重类别不平衡问题；不同传感器来源的数据难以有效融合。这些瓶颈严重制约了森林资源管理的精准性和科学性。

为了突破这些难题，南京林业大学与多伦多大学的研究团队在《Scientific Reports》发表了一项创新性研究，提出专为多源遥感数据设计的多分支多标签树种分类模型（MMTSC, Multi-branch and Multi-label Tree Species Classification），成功实现了复杂林分场景下15类树种的高精度识别，并将分类结果应用于生物量估算，为森林资源管理提供了闭环应用方案。

研究团队运用三大关键技术方法构建分析体系：首先，基于公开的TreeSatAI数据集（源自德国下萨克森州2015-2020年数据），整合无人机航拍（Aerial）、Sentinel-1（S1）雷达与Sentinel-2（S2）光学遥感三类多源影像数据；其次，设计多分支深度学习架构，分别为不同数据源定制特征提取模块（Aerial分支采用改进的DenseNet121CW模型，S1/S2分支采用Swin Transformer变体），并创新性地引入可学习权重融合、多头注意力（Multi-head Attention）与残差连接策略实现特征融合；第三，采用非对称损失函数（Asymmetric Loss）解决类别不平衡问题，并通过混合增强（mixup）技术提升小样本类别的训练效果。

模型架构设计与性能表现

MMTSC模型的核心创新在于其多分支架构与融合策略。针对无人机航拍数据富含细节纹理的特点，研究团队在DenseNet121基础上引入卷积块注意力模块（CBAMC）与离散小波变换，强化关键区域关注与边缘信息补充；针对S1雷达数据的散射噪声问题，采用深度可分离卷积抑制噪声并保留纹理特征；针对S2多光谱数据的光谱优势，直接通过Swin Transformer捕获长程依赖关系。三类数据特征通过动态权重调整与多头注意力机制融合，最终输出多标签分类结果。

实验结果显示，MMTSC在极度不平衡数据集上表现卓越：F1-Score Micro达72.05%，Precision Micro达78.93%，mAP（平均精度）达76.60%，显著优于其他先进方法（如TResNet、ML-Decoder+ViT/Swin、ASL+SAL等）。 ablation实验证实各模块贡献显著：移除S1/S2分支导致F1-Score下降0.82%，移除小波变换下降1.08%，移除CBAMC模块下降0.51%。可视化分析进一步验证了模型有效性：Grad-CAM热图显示模型对分类效果较好的树种（如Tilia、Prunus）能精准聚焦特征区域，而对易混淆树种（如Betula、Larix）的注意力分布较分散，与混淆矩阵中FN/FP值较高的现象一致。

生物量估算与实际应用

基于分类结果，研究团队结合德国国家森林清查数据与IPCC（Intergovernmental Panel on Climate Change）推荐的生物量转换因子（BCEFs, Biomass Conversion and Expansion Factors），实现了各树种地上生物量（AGB, Aboveground Biomass）的精确估算。估算公式为：

AGB = ∑(预测概率 × 年平均材积 × BCEFs)

结果显示：经济树种（如Fagus、Picea、Pinus）的生物量显著高于生态树种，其中Fagus生物量达841万吨，Pinus达635万吨。结合区域森林现状（如Fagus受干旱威胁、Picea/Pinus受甲虫真菌侵害），研究提出四项管理建议：优先种植适应气候变化的树种（如Abies）；在经济林中引入阔叶树种并加强无人机监测；延长采伐周期促进老龄林转化；应用深度学习技术实现高效森林监测。

研究局限与未来方向

尽管MMTSC在德国下萨克森州表现出色，但其区域适应性仍受限于公开数据集稀缺。研究团队已在中国南京老山林场开展野外调查，计划进一步验证模型泛化能力，并未来将结合生态参数建模预测区域森林碳储量与碳汇潜力，推动模型在碳评估中的实际应用。

该研究通过深度融合多源遥感数据与深度学习技术，不仅解决了多标签树种分类的核心难题，更实现了从分类到生物量估算的闭环应用，为全球森林资源监测与可持续发展提供了可推广的技术范式。