基于树木空间排列特征的非洲农林业土地空间范围制图

《International Journal of Applied Earth Observation and Geoinformation》：Mapping the spatial extent of agroforestry lands across Africa by characterizing tree spatial arrangements

　　

研究人员利用哨兵二号（Sentinel-2）影像和树冠覆盖数据，开发了非洲100 m分辨率农林业地图。该研究提出了一种新框架，利用树像素距离（tree-pixel distances）和深度学习（deep learning）绘制农林业系统。这是首幅区分散生树（scattered-tree）和行植树（tree-row）系统的非洲大陆尺度农林业地图。

农林业（Agroforestry）将树木和木本灌木整合进农业景观，可提供水果、坚果、薪柴、饲料等林产品，同时调节微气候、改善土壤肥力，从而增强粮食安全与生计。非洲约71%的国家已将农林业纳入其国家自主贡献（NDCs）气候适应与减缓目标。然而，农林业的碳移除估算仍存在很大不确定性，主要源于定义不统一以及缺乏空间明确的信息。现有研究多依赖实地站点观测或元分析，难以绘制可靠的地理分布图；而粗分辨率遥感产品（如约1 km均质冠层比例）无法捕捉农用地内部树木、灌木与作物混合的精细尺度和结构复杂性。树木空间排列（如树-作物距离、树行走向）对遮荫、地下竞争和微气候有显著影响，但现有大尺度数据无法提供这些信息。因此，研究人员提出假设：显式表征树木空间排列能够揭示仅靠冠层覆盖阈值无法分辨的开放冠层农林业模式，并据此开展非洲农林业制图研究。

研究人员利用源自PlanetScope和Sentinel-2的10 m树冠覆盖数据，结合树像素距离度量和深度学习，开发了一种新框架。首先利用树像素间的欧氏距离识别散生树配置：在100 m×100 m网格内计算每个树像素到最近四个树像素的平均距离，并以其中位数大于1.3像素作为候选散生树单元。其次使用U-Net模型分割行植树，输入为5波段（红、绿、蓝、近红外和树冠覆盖）128×128像素影像，训练数据包含约38,000个手动标注的行植树样本，来自非洲60个0.1°×0.1°网格，并使用非洲和欧洲独立区域进行外部验证。最后将树空间配置层与Potapov等人（2021）的30 m耕地范围图叠加，生成2019年非洲100 m分辨率农林业地图，区分散生树和行植树两类。精度验证使用从文献和Google Earth收集的992个参考点。上述方法主要利用了树像素距离计算、U-Net深度学习、以及多源遥感数据融合与耕地掩膜叠加，未涉及具体实验试剂或培养操作。

3.1 非洲农林业土地分布

通过分析树空间配置图层与耕地叠加，发现非洲农林业土地总面积约73.2百万公顷（Mha），占非洲耕地（173.1 Mha）的42.3%。其中仅含散生树农林业的占耕地34.6%（59.9 Mha），仅含行植树农林业占7.7%（13.3 Mha），包括两者同时存在的5.0%。空间上，农林业主要分布在撒哈拉沙漠南缘、东非和中非雨林边缘。国家尺度上，尼日利亚、埃塞俄比亚和坦桑尼亚面积最大，但苏丹等耕地大国农林业比例较低。

3.2 农林业地图精度评估

利用参考点构建混淆矩阵，总体精度为77.2%；散生树和行植树的用户精度分别为86%和66%，生产者精度分别为66.3%和64.6%。将重叠区域样本排除后，总体精度提高到81.1%。这表明该方法能有效识别农林业土地。

3.3 与全球农林业相关数据集比较

与Lesiv等人（2022）的农林业面积（45 Mha）相比，本研究估计更高；与Zomer等人（2016）基于>10%树冠覆盖的估计（168.4 Mha）相比，本研究估计更低。差异主要源于目标类别、结构标准和操作定义的不同。

讨论部分指出，本研究地图是首个基于树木空间排列的非洲农林业数据集，区别于仅基于冠层覆盖的代理指标。但存在不确定性：Sentinel-2有效分辨率较标称10 m更粗；小冠幅树木漏检；固定100 m网格不能匹配实际田块边界；单年影像无法确认树木管理状态。未来可结合密集时间序列和管理信息，并针对其他区域重新训练和校准。研究结论为：研究人员制作了2019年非洲100 m分辨率农林业土地新地图，利用树像素距离度量和U-Net模型结合10 m树冠覆盖与Sentinel-2影像，识别散生或行植树木并叠加耕地数据。该数据集为评估农林业对粮食安全、经济发展和环境可持续性的贡献与潜力提供了基础，并可推广至中国、印度等地区，但需区域特定训练与完善封闭冠层农林业探测。