基于模型–地图不一致信号的森林类型图更新筛查：一种Sentinel-2深度学习框架

《Forests》：Stand-Level Model–Map Disagreement as a Forest Type Map Update Signal: A Sentinel-2 Deep-Learning Approach

　　

专业术语翻译（摘要部分） 森林类型图（Forest Type Map, FTM）需要定期修订，然而对每个小班进行实地调查并不现实。本研究检验了Sentinel-2 U-Net分类器与大韩民国森林类型图之间的小班尺度（stand-level）不一致是否能够支持修订筛查。研究人员利用2025年季节性Sentinel-2合成影像训练了一个七类别U-Net模型，并将像素级预测聚合至森林小班。通过优势度阈值与置信度阈值的小班不一致被标记（flagged），并由不知情判读人员（blinded interpreters）利用高分辨率底图辅以Sentinel-2合成影像进行评估。小班尺度上与地图的一致性按小班计数为0.69，按面积加权为0.76。在主要分析中，高精度类别（high-precision-class）标记在判读小班中的错配率为41.3%（按总体加权后为29.7%），而对照组为7.7%。测试集类别精度（test-set class precision）作为预先指定的优先排序准则，在本分析中未能区分更可靠的标记。按标记类型进行的探索性划分显示，蓄积状态标记（stocking-status flags）对应的错配加权率为80.9%，树种优势标记（species-dominance flags）为26.0%，分别较各自区域基线富集12.3倍和2.4倍。估计约35%的标记小班为错配，且标记捕获了约7.5%的估计错配。这些发现支持模型–地图不一致可作为研究区域内优先开展小班核查的潜在工具。

论文解读文章

一、研究背景与问题

森林类型图是森林经营与碳储量核算的基础数据。在大韩民国，森林类型图通过航拍影像判读结合实地调查编制，并按五个区域分区轮换修订，每个区域每五年仅更新一次。因此，地图与实地状况之间可能产生偏差，其原因有二：其一，空间分辨率与小班划分标准的差异导致森林类型图与卫星分类对森林异质性的表征不同；其二，森林在成图后可能发生变化，即使判读完全准确，更新周期也使得地图最多可滞后五年。由于逐一实地核查每个小班不切实际，遥感成为识别需要重点核查小班的成本效益型手段。

既往研究多将地图误差视为分类器训练与评估中的标签噪声，或采用双时相变化检测识别地表变化，但后者无法直接检验当前影像与现有地图的一致性——一个在制图时即被错误标记且未发生变化的小班可能始终无法被发现。本研究直接针对影像–地图不一致检测，回答一个具体问题：基于地图派生标签训练的分类器与同一地图之间的小班尺度不一致，能否识别出具有更高影像–地图错配可能性的现有小班？回答这一问题需要对筛查输出进行超越分类器与地图一致性的评估。

二、研究内容与主要结论

研究人员在韩国首尔–京畿地区（约37° N，127° E，约361,981公顷温带森林）开展研究，将森林类型图分类类别整合为七类别方案（松类、韩国松、落叶松、栎类、其他阔叶、其他针叶、无立木林地），并排除了针阔混交林小班（35,422个小班，占森林面积的12.3%）。研究采用标准U-Net语义分割网络，输入为2025年Sentinel-2地表反射率产品合成的三季（4月展叶期、9月冠层盛期、11月落叶前期）影像，每季包含10个光谱波段、7个植被指数和7个GLCM纹理特征，另附4个地形通道，共76通道输入。模型以森林类型图派生标签为训练标签，以4 × 4 km渔网格为空间块划分训练、验证与测试集（79个单元，其中训练55个、验证10个、测试14个），测试单元在三次重复中固定不变。像素预测按森林类型图小班多边形聚合，定义模型优势类别及其面积占比（dom_share）与小班平均像素置信度（conf）。满足模型–地图优势类别不一致且dom_share ≥ 0.70、conf ≥ 0.70的小班被定义为标记小班（flags），并按模型预测类别的测试集精度（阈值0.60）划分为高精度类别标记与低精度类别标记。随后对高精度类别标记、低精度类别标记、对照组（满足门控条件但模型与地图一致）及未门控组（未通过门控条件）进行分层随机抽样，由三名不知情判读人员基于高分辨率底图（辅以Sentinel-2合成影像）独立判读，多数投票结合共识裁决确定最终结论。

研究得出以下主要结论：小班尺度上与森林类型图的一致性按小班计数为0.69 ± 0.03，按面积加权为0.76 ± 0.03，宏F1为0.67 ± 0.04，加权F1为0.68 ± 0.04。高精度类别标记的判读错配率为41.3%（95% CI 31.8–51.5），显著高于对照组的7.7%（95% CI 3.6–15.8），比值比为8.4（95% CI 3.3–21.4，Fisher精确检验p = 4.2 × 10^?7）。低精度类别标记的错配率为49.4%，但其中无立木林地（精度0.42）错配率高达92.9%，其他针叶（精度0.55）仅为27.3%，两类行为相反，故类别精度准则未能在主要分析中提供预期优先排序。未门控组中，模型与地图不一致但未通过门控的小班错配率为28.1%，高于一致小班的8.3%。按标记类型划分的探索性分析显示，蓄积状态标记（涉及无立木林地的双向不一致）的对应错配加权率为80.9%，较区域基线（6.6%）富集12.3倍；树种优势标记的对应错配加权率为26.0%，较区域基线（10.7%）富集2.4倍。估计约35%的标记小班为错配，标记捕获了约7.5%的区域估计错配。

三、主要关键技术方法

本研究采用以下关键技术方法：第一，基于Google Earth Engine的2025年Sentinel-2地表反射率产品三季中值合成，构建76通道输入（每季10个光谱波段、7个植被指数、7个GLCM纹理特征，附4个地形通道）；第二，标准U-Net语义分割网络，以森林类型图派生标签为训练标签，按4 × 4 km渔网格空间块划分训练、验证与测试集，三次重复训练；第三，像素预测按森林类型图小班多边形聚合，定义模型优势类别、dom_share与conf指标；第四，基于dom_share ≥ 0.70与conf ≥ 0.70双阈值的小班标记框架，并按测试集类别精度（阈值0.60）分层；第五，盲法影像判读评估设计，由三名判读人员基于高分辨率底图独立判读，多数投票结合共识裁决，辅以Fisher精确检验、Wilson置信区间与总体加权估计。

四、研究结果

4.1 模型性能

小班尺度上与森林类型图的一致性按小班计数为0.69 ± 0.03，按面积加权为0.76 ± 0.03。松类精度最高（0.88 ± 0.01），落叶松（0.78 ± 0.05）与其他阔叶（0.78 ± 0.04）次之，韩国松（0.66 ± 0.02）与栎类（0.63 ± 0.05）亦达到精度准则，五类被划入高精度层；无立木林地（0.42 ± 0.07）与其他针叶（0.55 ± 0.02）低于阈值，划入低精度层。预测因子消融实验显示，植被指数较纯光谱波段略有提升（面积加权0.756 vs. 0.744），加入纹理后降至0.731，完整76通道达0.758，净增益较小。混淆矩阵显示主要混淆发生在栎类与其他阔叶之间，以及松类被预测为韩国松或栎类的情况。

4.2 影像判读错配率

在操作点（conf ≥ 0.70），研究区域内共标记4303个小班，占可评估小班的3.69%。判读样本中，高精度类别标记错配率41.3%（38/92），显著高于对照组的7.7%（6/78），比值比8.4，Fisher精确检验p = 4.2 × 10^?7。按模型预测类别分解，五个高精度类别均超过对照组率（33.3%–58.8%），且各对比均显著。低精度类别标记错配率49.4%（41/83），显著高于对照组（p = 3.1 × 10^?9），但与高精度类别标记无显著差异（p = 0.29）；其中无立木林地错配率92.9%（26/28），其他针叶仅27.3%（15/55）。未门控组中，模型与地图不一致但未通过门控的小班错配率28.1%（16/57），一致小班为8.3%（3/36）。经总体加权后，标记小班总体错配率约为35%（95% CI 26.4–43.6），高精度类别标记加权率为29.7%，区域总体错配率估计为17.3%（95% CI 11.3–23.2），其中树种优势错配占10.7%，蓄积状态错配占6.6%。

4.3 敏感性分析

置信度阈值从0.60升至0.80时，高精度类别标记错配率保持稳定（0.41–0.44），对照组率单调下降（0.123 → 0.077 → 0.037 → 0.000），两组分离度随阈值升高而增大，各阈值下对比均显著（p < 10^?5）。三名判读人员独立评估均复现了高精度类别标记–对照组对比（52.5% vs. 21.9%、52.7% vs. 16.5%、38.7% vs. 15.4%），比值比3.5–5.7。训练单元内的高精度类别标记错配率40.0%（10/25），非训练单元为41.8%（28/67），无显著差异（p = 1.00）；训练单元内标记仍显著超过对照组（40.0% vs. 9.1%，OR = 6.7，p = 0.021）。

4.4 按标记类型划分与错配类型

将标记按是否涉及无立木林地划分为两类：蓄积状态标记53个，树种优势标记122个。蓄积状态标记错配率75.5%（40/53），树种优势标记为32.0%（39/122），比值比6.55（95% CI 3.15–13.62，p = 1.6 × 10^?7）。总体加权后，蓄积状态标记对应错配率为80.9%，树种优势标记为26.0%，分别较区域基线富集12.3倍与2.4倍。判读记录的错配类型与标记类型在79个错配小班中的74个相对应，支持两类筛查通道的区分。

五、讨论与结论

讨论部分指出：模型–地图优势不一致确实富集了影像–地图错配，高精度类别标记的判读错配率显著高于对照组，且该对比在独立判读人员与各置信度阈值下均稳健；测试集类别精度未能提供预期优先排序，低精度层内无立木林地与其他针叶行为相反，不建议仅因预测类别的地图精度低而排除标记；森林类型图同时提供训练标签与评估参考，存在循环依赖，但训练单元内的对比显示模型并未复现所有地图标签；蓄积状态标记与树种优势标记构成两类候选核查队列，前者估计产出更高，后者可补充扰动筛查未覆盖的树种组成差异；操作层面，蓄积状态标记约1.2个小班对应一个错配，树种优势标记约3.8个小班对应一个错配，而随机抽查分别需15.2与9.3个小班。局限性包括影像判读不确定性（Fleiss' κ = 0.31）、单一区域与地图版本适用性、抽样设计针对精度层而非标记类型层、若干阈值选择未充分评估等。

结论部分翻译：本研究发现，Sentinel-2 U-Net分类器与森林类型图之间的小班尺度不一致能够识别研究区域内值得核查的小班。高精度类别标记在判读样本中的影像–地图错配多于对照组（41.3% vs. 7.7%；比值比8.4）。测试集类别精度在主要分析中未能提供预期优先排序。按标记类型进行的探索性划分显示出不同的加权产出：蓄积状态标记中对应蓄积状态错配占80.9%，树种优势标记中对应树种优势错配占26.0%，分别较各自区域基线富集12.3倍与2.4倍。标记类型为核查提供了候选队列，蓄积状态标记估计产出更高，树种优势标记保留独特作用。估计约35%的标记小班为错配，但标记仅捕获了约7.5%的区域估计错配。这些发现支持在更广泛的更新流程中、地图编辑前开展有针对性的核查。该框架利用公开卫星数据与现有地图，可支持对计划修订区域的预筛查，但其产出与标记类型优先级需在更多区域及独立抽样验证样本中进一步评估。