双分支深度学习结合多源遥感数据进行海南热带雨林林分分类

《Remote Sensing》：Dual-Branch Deep Learning for Forest Stand Classification in Hainan Tropical Rainforests with Multi-Source Remote Sensing Data

　　

热带雨林具有物种多样性高和冠层结构复杂的特点，精确的林分分类对生态系统评估、生物多样性监测及森林碳估算具有重要意义。然而，单一源遥感数据因"同物异谱、异物同谱"导致类间光谱区分能力不足，传统卷积神经网络（Convolutional Neural Network, CNN）在复杂森林环境中难以充分提取判别性特征及融合异构数据。为此，研究人员以海南热带雨林国家公园为研究区，构建了一种融合DenseNet与ConvNeXt的双分支深度学习框架（Dual-Branch Feature Fusion Network, DB-FFN），联合亚米级Google Earth影像捕捉空间–纹理细节与多时相Sentinel-2影像表征物候变化。结果表明：多时相Sentinel-2数据较单时相影像能通过捕获物候模式提升分类精度；高分辨率空间信息与多时相光谱信息融合优于任一单数据源单独使用；双分支模型总体精度（Overall Accuracy, OA）达94.47%，Kappa系数为0.94，优于所有基准模型。研究证明，分支特异性特征提取与自适应融合可改善复杂热带雨林环境下的精细尺度分类，所提框架为精细尺度林分制图、生物多样性监测、生态评估及可持续森林管理提供了可行方案。

论文解读：双分支深度学习结合多源遥感数据进行海南热带雨林林分分类

《Remote Sensing》刊载的该研究针对海南热带雨林物种组成复杂、不同树种光谱响应相似（"同物异谱、异物同谱"）导致单源遥感难以精确区分林分类型的难题，以及传统CNN难以有效提取异质多源数据特征的问题，开展基于双分支深度学习的多源遥感数据融合林分分类研究，得出结论：多时相物候信息与高分辨率空间纹理信息具互补性，所提出的双分支特征融合网络（Dual-Branch Feature Fusion Network, DB-FFN）能分别针对性提取空间与时谱特征并自适应融合，显著优于单分支基准模型与单数据源方案，总体精度（Overall Accuracy, OA）达94.47%、Kappa系数0.94，可实现复杂热带雨林区精细林分制图，对生物多样性监测、生态评估及森林可持续管理有重要支撑意义。

主要关键技术方法：

研究人员以海南热带雨林国家公园霸王岭与五指山保护区为研究区，布设41块30 m×30 m永久样地并于2024年12月与2025年3月开展野外调查获取8类林分（热带山地雨林原生林TMRPF、热带落叶/半落叶雨林TDR、低地雨林次生林LRSF、低地雨林LR、槟榔园ACP、加勒比松人工林PCP、橡胶林HBP、南亚松人工林PLP）地面真值，辅以RTK高精度定位；遥感数据采用亚米级Google Earth RGB影像（0.56 m）与ESA下载的Sentinel-2 Level-2A多时相（1月、3月、8月、11月）影像并选取Band 2/3/4/8（10 m）及Band 8A（重采样至10 m），进行几何精校正（RMSE＜0.3 m）与Min-Max归一化；基于eCognition多尺度分割（尺度50，形状0.6，紧致度0.7）提取林分对象，裁剪为128×128像素样本并进行旋转与翻转扩增（原始1120→6720训练+508测试）；构建DB-FFN模型——空间分支以改进DenseNet-121提取Google Earth纹理形态，时谱分支以改进ConvNeXt-Tiny（嵌入Efficient Channel Attention, ECA模块）提取多时相Sentinel-2物候特征，两分支分获特征后经门控注意力融合（Gated Attention Fusion）模块自适应加权拼接特征，再通过全局平均池化（Global Average Pooling, GAP）与两层多层感知机（Multilayer Perceptron, MLP）及Softmax输出8类概率；设置单时相Sentinel-2、多时相Sentinel-2、Google Earth单源及两者融合四组数据情境，以VGG-16、ResNet-18、GoogLeNet、DenseNet-121、ConvNeXt-Tiny及双分支注意力融合网络DBAF-Net为对照，经5次随机种子重复实验，采用OA、Kappa、用户精度（User's Accuracy, UA/精确率）、生产者精度（Producer's Accuracy, PA/召回率）及F1分数评价。

研究结果

3.1. Effect of Multi-Temporal Information on Classification Accuracy（多时相信息对分类精度的影响）

对比单时相与多时相Sentinel-2下各基准模型结果，多时相设置使ConvNeXt OA由62.40%升至83.07%（+20.67%），DenseNet-121由60.04%升至82.09%（+22.05%），其余模型亦有15.16%—21.46%的提升，Kappa由0.52—0.56升至0.70—0.81。结论：选取1月（晚落叶/落叶期）、3月（早生长期/花期）、8月（生长盛期）、11月（种子成熟期）构建的多时相序列可捕获不同树种物候节律差异，缓解光谱相似性导致的类间混淆。

3.2. Effect of Multi-Source Data Fusion on Classification Accuracy（多源数据融合对分类精度的影响）

四种数据设置精度排序为：Google Earth＋多时相Sentinel-2融合＞Google Earth单源＞多时相Sentinel-2单源＞单时相Sentinel-2。融合数据下ConvNeXt OA较单时相Sentinel-2提升30.91%，较单独多时相Sentinel-2提升10.24%。结论：高分辨率RGB影像提供冠层纹理、树冠形态与空间格局信息，多时相Sentinel-2提供季节性光谱变化信息，二者互补并联合使用可显著提高复杂热带森林场景分类性能。

3.3. Performance of DB-FFN Under the Fused Data Setting（DB-FFN在融合数据设置下的表现）

融合数据下DB-FFN取得OA＝94.49%、Kappa＝0.94，超过最优基准模型ConvNeXt（OA 93.31%）1.18个百分点，超过DenseNet-121、GoogLeNet等2.17—3.35个百分点；较Google Earth单源最优结果（DenseNet-121，89.57%）高4.92%，较单独多时相Sentinel-2最优结果（GoogLeNet，83.27%）高11.22%。结论：针对异质数据源设独立分支分别提取空间纹理特征与时谱特征再进行自适应融合，比简单拼接早期融合并更充分利用多源信息，分类效果最优。

3.4. Class-Level Accuracy of the DB-FFN Model（DB-FFN模型类别水平精度）

基于混淆矩阵：加勒比松人工林与橡胶林PA、UA、F1均近100%；南亚松人工林F1＝97%（PA＞96%，UA＞96%）；热带落叶/半落叶雨林F1＝96%（UA＝100%，PA＝92%）；热带山地雨林原生林PA＝95%、UA＝90%；低地雨林次生林F1最低（91%），主要混淆来源于与其他自然林及槟榔园的光谱与纹理重叠；槟榔园UA＝98%、PA＝96%；低地雨林PA＝98%但UA＝88%（部分被误分为山地雨林与南亚松人工林）。结论：人工纯林因结构均一易区分，次生林因高度异质、物候异步、冠层破碎最难分离。

3.5. Forest Stand Classification Map Produced by DB-FFN（DB-FFN生成的林分分类图）

分类图清晰刻画研究区各林分型空间镶嵌分布：自然林（山地雨林、低地雨林）集中于地形复杂区且边界不规则；人工林（加勒比松、橡胶、槟榔）呈规整集中斑块分布于道路或耕作区周边；低地雨林次生林与落叶/半落叶雨林交错散布反映不同恢复阶段与干扰历史。结论：多源数据融合方法可支持复杂热带环境林分型识别与空间制图，为生物多样性、森林演替及生态系统管理提供空间基底。

讨论与结论（翻译浓缩）

讨论指出：①多时相物候信息通过捕捉叶色素、含水量及物候阶段引发的季节光谱变异，可缓解"异物同谱"问题；②高分辨率影像缺光谱维但含纹理空间信息，多时相光谱数据缺空间细节但含物候信息，二者融合互补减局限；③DB-FFN通过分支特异性提取（DenseNet-121学空间纹理、ConvNeXt学时序依赖）与门控注意力自适应融合，较直接拼接更有效利用异质数据源；④本研究受限于热带雨林野外取样难导致样本量偏小及类别分布不均，简单几何扩增仅部分缓解，后续可引入生成式方法（如vMRF约束GANSO）合成样本以改善。

结论归纳为三点：第一，多时相物候信息通过捕捉单时相无法反映的季节光谱变化提高类可分性，缓解热带复杂环境下不同树种光谱相似问题；第二，高分辨率空间信息与多时相光谱信息具互补性——前者表征冠层纹理与空间结构，后者捕获长期物候动态，融合实现对复杂林分特征的更全面表达；第三，定制化融合设计（分分支独立提取后自适应融合）优于单源数据及简单融合，所提DB-FFN取得最优整体效果，表明针对不同数据类型分设分支提取再融合适用于充分发挥异源遥感数据价值。本研究证实物候应作为热带雨林树种分类的核心维度，高分辨率纹理数据与多时相卫星数据结合可支持复杂林区精细制图；分源特征提取加自适应融合可提升异源多源信息利用效率，未来可在更多热带林区验证框架普适性，纳入无人机高光谱与LiDAR丰富多维特征，并引入跨区域迁移学习增强实用性。