《Remote Sensing》：Multimodal Classification of Urban Trees into Remote-Sensing-Derived Taxonomic Groups Across the United States
编辑推荐：
城市树木提供重要生态系统服务；然而，用于表征城市森林组成的市政清单仍不完整且城市间不一致。研究人员开发了一个多模态深度学习框架，将市政清单与以树为中心的国家农业影像计划（NAIP）航空影像、机载激光雷达（LiDAR）冠层高度、Sentinel-2时间序列与物候
城市树木提供重要生态系统服务；然而，用于表征城市森林组成的市政清单仍不完整且城市间不一致。研究人员开发了一个多模态深度学习框架，将市政清单与以树为中心的国家农业影像计划（NAIP）航空影像、机载激光雷达（LiDAR）冠层高度、Sentinel-2时间序列与物候、Google Satellite Embeddings以及每日天气相结合。从美国60个城市的543万条记录开始，质量控制和数据可用性筛选保留了36个城市中代表579个分类群的185万条记录。由于许多种和属具有重叠的遥感特征，一个有监督判别模型识别出11个中间组，随后将其合并为6个遥感衍生分类群。在包含161,508条记录的独立测试集上，最终剪枝集成模型达到0.793的准确率、0.772的宏平均F1（macro-F1）和0.792的加权F1（weighted-F1）。在LiDAR衍生植被高度≥2 m的树木中，各组F1为0.705–0.867。门控权重（gate weights）强调高分辨率NAIP输入，而消融（ablation）和单模态分析（single-modality analyses）显示Sentinel-2和天气时间序列提供了重要的互补时间信息。当目标城市被留出时，平均准确率和宏平均F1降至0.685和0.478，但仍显著高于使用单个城市训练的模型。该框架支持将个体城市树木分类到更广泛的遥感可区分组，而非物种级识别或生态功能型（ecological functional types）。Sentinel-2测量以10 m分辨率提供上下文信息，而非单冠层观测。
城市树木提供重要的生态系统服务，但也可能带来风险；不同树种的效益、风险和管理成本差异显著，对病虫害和气候变化响应也不同。准确清单对城市森林管理、生态研究和环境健康评估至关重要。然而，市政清单是最常见的个体树信息来源，却在完整性、分类分辨率、更新频率和质量上城市间差异很大，实地创建和更新成本高，难以形成一致的国家覆盖。遥感识别面临城市环境高多样性和引入种普遍等障碍；例如McCoy et al.分析美国63个城市约570万株树，天然物种中位数仅45.6%，数据集包含1000余种、300余属。已有高光谱与LiDAR、WorldView与LiDAR、多季节Sentinel-2与LiDAR等研究多局限于单城市和少量常见种；仅关注常见种会高估性能，因为未建模稀有种会被误分，累积误差大。物种级全国模型需数百个标签且遥感特征重叠。因此，研究人员提出以遥感可分离的较宽分类群代替物种，作为分类性能、地理范围和物种覆盖的折中，并开展全国多城市多模态分类。
研究人员整合市政清单与树中心NAIP、LiDAR、Sentinel-2、卫星嵌入和天气数据；先训练判别模型识别11个中间组，再合并为6个遥感衍生分类群；随后训练门控多模态集成分类器，并在独立测试集上评估分组、城市和树高差异，开展留一城市交叉验证（LOCO）和单城市训练比较。最终模型在独立测试集取得0.793准确率、0.772宏平均F1和0.792加权F1，表明多模态观测可将个体城市树木分类到遥感可区分组，而非物种或生态功能型；多站点训练优于单城市模型，但未见城市性能仍下降。
技术方法概况：研究人员使用McCoy et al.汇编的60个美国市政树木清单，经筛选保留36个城市185万条记录；输入包括以树为中心的NAIP四波段航空影像与归一化差异植被指数（NDVI）、USGS 3D Elevation Program的1 m激光雷达（LiDAR）冠层高度模型（CHM）、2021—2023年Sentinel-2 10 m时间序列及95个物候指标、Google Satellite Embedding 64维年度向量和PRISM 800 m每日气象；采用Ventura et al.的树冠检测卷积神经网络并以5 m半径匹配清单树，构建判别模型和门控多模态分类器，使用固定分层训练、验证和测试，并进行消融与LOCO评估。
结果部分如下。
3.1 判别空间分组：通过判别模型和判别空间分析，识别出11个中间组并合并为6个报告组；11组最近原型分类准确率0.653、宏平均F1 0.649，合并六组后升至0.763和0.733，组别F1为0.642–0.840。分组不总遵循属级分类，例如Acer跨多个中间组和两个合并组，Pinus亦有例外，说明分组反映遥感冠层外观、结构、物候和环境背景相似性而非单纯分类学关系。
3.2 总体分类模型性能：通过独立测试集及分层敏感性分析，最终剪枝模型六组预测准确率0.793、宏平均F1 0.772、加权F1 0.792；11个中间组为0.688、0.690和0.688。植被高度≥2 m记录宏平均F1为0.777，低于阈值者为0.610；核心分类群0.781，稀有分类群0.624；高大CHM植被占Sentinel-2像元不足25%、NAIP植被占比不足25%、冠层匹配距离≥2.5 m及时间序列插值较多时性能下降。
3.3 组别模型性能：在LiDAR衍生植被高度≥2 m记录中，组1的F1最高（0.867），组2、3、5分别为0.801、0.793、0.787，组4和组6较低（0.709、0.705）；组1召回高于精确率，提示相对过预测，组6精确率高于召回，提示欠预测；组别F1与测试支持度呈中度但不显著相关（Pearson’s r=0.44，p=0.38）。
3.4 误分类与误差：通过独立测试混淆矩阵，组1对角线一致率90.8%，其余组为66.9%—79.7%；组2与组3互相误分14.9%和15.5%，组4误分为组1为13.2%，组5误分为组3为10.4%，组6误分为组2或组3为13.7%和9.5%。分类群层面误差随与竞争组原型分离度增加而下降（Spearman’s ρ=?0.488，p=3.2 × 10
?41）；在自举一致性和原型边界较稳定的分类群中，核心与稀有分类群平均准确率接近（0.813和0.812），稀有分类群较低总体表现集中于不确定组分配。
3.5 模态性能与门控权重：通过门控权重、单模态和留一分支消融，平均门控权重最高为树中心NAIP（0.481）和NAIP–CHM交互（0.246），合计72.7%；CHM为0.093、卫星嵌入0.071、Sentinel-2物候0.054、原始Sentinel-2–PRISM时间序列0.054。门控权重不等同因果重要性：原始Sentinel-2–PRISM单模态模型最强（准确率0.720、宏平均F1 0.683），移除后准确率、宏平均F1和加权F1下降约2.6—2.8个百分点；移除NAIP、NAIP–CHM交互或卫星嵌入下降约0.4—0.6个百分点；移除CHM或Sentinel-2物候不显著。
3.6 地理变异与敏感性：通过22个拥有至少1000条质量筛检测试记录城市的比较，城市准确率从Baltimore的0.728到Cape Coral的0.955，宏平均F1从Denver的0.443到Sioux Falls的0.864；平均城市准确率0.811但平均宏平均F1仅0.638。LOCO平均准确率和宏平均F1降至0.685和0.478，单城市训练模型仅0.343和0.188，说明多站点训练显著改善地理迁移但仍低于主分割。Rancho Cucamonga误差呈弱空间自相关（Moran’s I=0.079，p=0.001），组3和组4较强（0.171和0.136）。
讨论部分总结：公共遥感数据使大尺度城市树木建模更可行，但清单质量、LiDAR可用性、NAIP采集年份与分辨率差异及地理域偏移导致大量筛选和代表性限制。研究所用六组由经验可分性导出，不等同生态功能型，不能直接用于生态系统服务估算；50条记录下限在分类覆盖与分配可靠性之间折中，280个核心分类群用于判别训练，299个稀有种分类群随后分配到固定原型。整体性能较好，≥2 m树木更易分类，但低高度记录可能受树冠检测、清单位置或分类错误影响；六组划分较11组更平衡，组2和组3遥感特征重叠仍是主要误差来源，单随机种子和检查点平均限制了对优化变异与地理敏感性的区分。门控权重集中于高分辨率NAIP，但消融表明Sentinel-2–PRISM时间序列提供互补信息；Sentinel-2为10 m像元信号，存在混合像元，树冠检测和清单匹配误差可传播至训练与评估。主分割可能偏乐观，LOCO性能下降但仍远优于单城市模型；城市间清单实践、影像和LiDAR采集、气候与城市形态差异混杂，未来可考虑区域化模型和更标准化清单。
研究结论翻译：当前可公开获取的遥感数据不足以在广泛地理范围内可靠分类数百个城市树种。然而，研究结果表明，多模态观测可将个体树木分类到由遥感冠层外观、结构、物候和环境背景相似性定义的更广泛组。高分辨率NAIP和LiDAR输入提供主导空间信息，而Sentinel-2和PRISM尽管分辨率较粗，仍提供互补的时间背景。未见城市性能下降，但多站点训练仍显著强于使用单个市政清单训练的模型。报告输出为6个遥感衍生分类群，不应解释为物种级鉴定或经独立验证的生态功能型。
