《Science of Remote Sensing》：Geospatial foundation models enable data-efficient tree species mapping in temperate mountain forests
编辑推荐：
准确的卫星数据树种制图在异质山地森林中仍然具有挑战性，这归因于环境梯度、混交林和有限的训练标签。地理空间基础模型从大型多传感器档案中学习丰富的表征，但其在物种水平制图中的效用仍不清楚。在此，研究人员评估了两种GFM嵌入，即AlphaEarth和Tessera，
准确的卫星数据树种制图在异质山地森林中仍然具有挑战性，这归因于环境梯度、混交林和有限的训练标签。地理空间基础模型从大型多传感器档案中学习丰富的表征，但其在物种水平制图中的效用仍不清楚。在此，研究人员评估了两种GFM嵌入，即AlphaEarth和Tessera，用于在苛刻的山地景观中进行树种分类，研究区域为意大利特伦蒂诺，涉及18个物种和类群。作为对比，研究人员采用了传统的Sentinel-1+2合成影像，并通过一系列实验进行验证，这些实验涵盖了分类准确性、标签效率、分类器复杂度、环境变量、标签杂质和时间可转移性。GFM嵌入始终优于传统基线，加权F1得分为0.83对0.80，宏F1得分为0.55对0.50。仅需5%的训练地块即可接近性能饱和，同时将物种组织成具有生态意义的分类群和功能群组。要实现这一优势需要非线性分类器：紧凑型神经网络带来了最大的单一增益，而在GFM嵌入上使用线性分类器的表现则不如在传统合成影像上使用神经网络。分类对中度标签杂质具有鲁棒性，并且在没有纯度过滤的情况下，使用地块级物种比例作为软标签进行训练改善了少数物种的区分度，宏F1达到0.586至0.589。添加地形衍生的协变量没有提供进一步的收益。跨年份的时间迁移会降低性能：Tessera的加权F1从0.84降至0.77，AlphaEarth从0.85降至0.73，稀有物种的损失尤为严重。这些结果表明，GFM将物种制图中主要的瓶颈从特征工程转向了参考数据的可用性、质量与时间对齐。
本研究针对温带山地森林树种遥感精细识别的难点，探讨了地理空间基础模型在该领域的应用潜力。山地森林由于地形复杂、植被垂直带谱明显且多为混交林，利用传统光学和雷达卫星影像进行树种分类面临极大挑战。随着全球气候变化导致的高海拔林带迁移及病虫害频发，迫切需要一种能够在大尺度上进行高精度、重复性监测的方法。为此，研究人员引入预训练的GFM嵌入，旨在解决传统方法中特征提取困难、标签数据匮乏以及时空泛化能力弱等核心痛点。
在技术方法上，研究人员选取了意大利特伦蒂诺自治省作为研究区，利用当地2010年至2021年的省级森林评估计划地块数据作为参考标签，包含约83684个管理单元。研究采用了两种全球预训练的GFM嵌入作为核心输入，分别是64维的AlphaEarth和128维的Tessera，两者均整合了Sentinel-1合成孔径雷达和Sentinel-2光学时间序列数据。作为对照，研究人员构建了传统的Sentinel-1+2年度和季节性合成影像。在模型构建方面，研究人员采用了像素级分类策略，并测试了涵盖逻辑回归、随机森林、XGBoost、LightGBM以及多层感知机等多种分类器架构。为了全面评估模型性能，研究设计了嵌套的地块级交叉验证以防止空间泄漏，并综合运用了加权F1、宏F1以及比例L1误差等评价指标，同时引入了软标签训练和跨年迁移实验作为关键的消融与分析手段。
研究结果
3.1 分类准确性、标签效率与生态结构
GFM嵌入在树种分类任务中表现出色，Tessera和AlphaEarth的加权F1分别达到0.827和0.833，显著优于传统基线。在标签效率方面，GFM展现出极高的数据利用效率，仅需约5%的训练地块即可接近性能饱和。此外，通过对嵌入空间进行UMAP可视化分析，发现GFM不仅捕捉到了物种间的细微差别，还沿着海拔等环境梯度以及针叶与阔叶等功能类型进行了有序的组织。混淆矩阵显示，虽然整体准确率高，但错误主要集中在分类学上相近的类群内部，例如冷杉属与云杉属之间的混淆。
3.2 下游分类器容量的影响
研究发现，分类器的容量对挖掘GFM潜力至关重要。线性分类器无法有效处理GFM嵌入中的复杂结构，其表现甚至不如在传统影像上运行的神经网络。多层感知机作为最佳分类器，能够将宏F1提升至0.55左右。然而，超过一定的非线性阈值后，进一步增加模型复杂度带来的收益微乎其微，表明适度复杂的非线性模型是性价比最高的选择。
3.3 环境变量是否有帮助？
针对山地森林常见的地形干扰问题，研究人员测试了加入数字高程模型衍生的地形协变量，包括高程、坡度、坡向和地形位置指数。结果显示，无论是AlphaEarth还是Tessera，在加入这些环境变量后，各项性能指标均未发生显著变化。这表明GFM嵌入已经充分编码了地形所影响的生态位信息，额外添加地形变量属于冗余操作。
3.4 对标签纯度和弱监督的敏感性
研究评估了不同主导物种覆盖度阈值对训练的影响。结果表明，GFM对适度的标签杂质具有较强鲁棒性，当纯度阈值在30%至80%之间时性能保持稳定。更为重要的是，采用软标签训练策略，即将地块内的物种比例向量作为目标，显著提升了少数物种的识别能力，宏F1最高达到0.589，同时降低了景观尺度的物种比例误差。这说明保留混交林的原始比例信息比强行转换为单优势种硬标签更为科学。
3.5 时间可转移性
跨年度迁移实验揭示了当前GFM面临的一大局限。将在2018年数据上训练的模型应用于2019年数据时，两类GFM的性能均出现显著下降。Tessera的加权F1从0.842降至0.767，AlphaEarth从0.848降至0.728。这种退化在宏F1指标上尤为明显，说明稀有物种对年间物候变化和域偏移极为敏感。
讨论与结论
讨论部分深入剖析了GFM取得优异表现的内在机制。研究人员指出，传统光谱特征仅是树种生化与结构特征的微弱代理，而GFM通过自监督学习整合了多时相和多模态数据，提取出了更具生态意义的表征。尽管两类GFM均表现良好，但在细节上存在差异：Tessera在少数物种判别和组成保真度上略胜一筹，这可能归功于其纯粹基于遥感的像素级训练方式；而AlphaEarth虽然总体精度稍高，但由于其引入了激光雷达和气候等多模态辅助目标，可能导致局部光谱变异被过度平滑。
关于分类器容量，讨论强调从线性到非线性的跨越是释放GFM潜力的关键，但这并不等同于模型越深越好。在时间稳定性方面，讨论承认了跨年迁移的挑战，认为年间物候差异、积雪覆盖变化以及极端天气事件是造成性能衰减的主要原因，这为未来的时序域适应研究指明了方向。
结论
地理空间基础模型嵌入能够在复杂的山地森林中实现准确且数据高效的树种制图，当与非线性分类器结合使用时，其表现始终优于传统的Sentinel-1+2合成影像。嵌入比传统合成影像能更有效地编码物种鉴别信息，这一优势在少数物种中最为显著；所有表征在使用有限训练数据时都接近性能饱和，但嵌入的上限更高。实现这一优势至少需要一个中等复杂的非线性分类器，从线性模型到非线性模型的跨越带来了最大的单一改进，但进一步提升模型容量带来的收益会递减。分类对适度的标签杂质具有鲁棒性，软物种组成标签显著改善了少数物种的区分度，这表明将分数清查数据转换为离散标签会丢弃可用信息。补充的环境协变量在与嵌入连接时没有提供额外的预测能力。跨年份的时间迁移显示出显著的性能退化，特别是对于稀有物种，嵌入选择会影响时间稳定性。这些发现基于单个研究区域，在推广之前需要进行多点验证。尽管如此，它们表明地理空间基础模型将物种制图中主要的瓶颈从特征工程转向了生态参考数据的可用性、质量和时间对齐。充分发挥其在业务化生物多样性监测中的潜力，将需要时间一致的训练策略和拥抱真实森林群落组成复杂性的参考数据集。
