《Ecological Indicators》:A remote sensing-based tree mortality indicator for biodiversity monitoring using multispectral UAV and lidar in the Arctic region, Finland
编辑推荐:
死木(deadwood)是公认的森林生物多样性生态指标。联合国生物多样性公约(UN Convention on Biological Diversity)和欧盟生物多样性战略2030(EU Biodiversity Strategy 2030)均要求对死木进行
死木(deadwood)是公认的森林生物多样性生态指标。联合国生物多样性公约(UN Convention on Biological Diversity)和欧盟生物多样性战略2030(EU Biodiversity Strategy 2030)均要求对死木进行清查和报告。然而,监测作为死木来源的树死亡率(tree mortality)仍然具有挑战性,尤其是在北极和亚北极地区。该区域的北方森林面临日益加剧的气候驱动胁迫因子:干旱、虫害爆发和雪害。这些胁迫因子加速了树死亡率并威胁生物多样性。基于深度学习的语义分割(semantic segmentation)提供了一种可扩展的解决方案,利用遥感数据(如多光谱无人机(multispectral UAV)影像和激光雷达(lidar)衍生的冠层高度模型(canopy height model, CHM))监测立木死亡率。在这项研究中,研究人员(1)评估了U-Net模型在208公顷的挪威云杉(Picea abies)、欧洲赤松(Pinus sylvestris)和落叶树优势林中的树死亡率检测性能,(2)制作了全覆盖死亡率图,以识别芬兰北拉普兰地区的空间格局和潜在驱动因子。训练数据集包含411个图块,共4380个手动描绘的树冠。模型总体准确率为0.92,死树的召回率(recall)和F1分数(F1-score)分别为0.82和0.57,活树分别为0.93和0.96。尽管存在假阳性检测,该性能足以识别空间格局。死亡率热点集中在高海拔的挪威云杉优势区域,这些区域分布着老龄树,表明除了自然死亡外,雪害也是一个相关因素。这些结果证明了基于无人机(UAV)的深度学习工作流在北极和亚北极地区北方森林中大规模探索性监测树死亡率模式的潜力,并通过空间森林健康评估支持生物多样性报告和恢复监测。
论文解读:基于深度学习的遥感树死亡率指标用于北极地区生物多样性监测
**研究背景、问题与意义**
死木(deadwood)是森林生物多样性的关键生态指标,其存在和多样性与物种丰富度密切相关,尤其是腐生生物(如真菌、甲虫和洞巢鸟类)。联合国生物多样性公约和欧盟生物多样性战略2030均要求对死木进行清查和报告。然而,监测作为死木来源的树死亡率(tree mortality)面临严峻挑战,尤其是在北极和亚北极地区。这些区域的北方森林正经历日益加剧的气候驱动胁迫因子,包括干旱、虫害爆发和雪害。气候变化导致北极变暖速度是全球平均的4倍(Rantanen et al., 2022),这增加了树木生长、竞争和脆弱性,同时加剧了雪载、冻融循环和土壤水分变化,直接影响树木存活。此外,国际公约和欧盟自然恢复法规(NRR)要求成员国报告树死亡率,作为森林恢复监测的一部分。尽管死木作为生物多样性指标已得到广泛认可,但传统实地调查方法在空间覆盖和效率上存在局限,难以实现大尺度、连续监测。因此,开发可扩展的树死亡率遥感监测方法对于支持生物多样性评估和气候适应性森林管理至关重要。
**关键技术与方法**
研究人员采用多光谱无人机(UAV)影像和激光雷达(lidar)衍生的冠层高度模型(CHM)作为输入数据,基于U-Net深度学习模型进行语义分割(semantic segmentation)。研究区域位于芬兰北拉普兰的V?lisuo,面积208公顷,涵盖挪威云杉(Picea abies)、欧洲赤松(Pinus sylvestris)和落叶树优势林。UAV数据于2023年7月22日采集,使用MicaSense Altum-PT传感器(5个光谱波段:蓝、绿、红、红边、近红外),地面采样距离(GSD)约5.2 cm。CHM来自2018–2019年国家激光雷达数据(0.5点/平方米),经TIN插值和抗凹陷算法处理,空间分辨率1米。训练数据包括411个256×256像素图块,包含4380个手动描绘的树冠多边形(分为死树、活树和背景三类)。U-Net模型采用编码器-解码器结构,使用交叉熵损失函数(逆频率加权)处理类别不平衡,训练超参数包括学习率0.00001、200个epoch、批次大小16。模型通过10折交叉验证评估,在树段级别(基于像素多数投票)计算精确率、召回率、F1分数和准确率。
**研究结果**
**3.1 树死亡率U-Net模型性能**
模型在树段级别上,死树F1分数为0.57,活树为0.96,加权平均为0.95。死树精确率为0.44,召回率为0.82;活树精确率接近1.00,召回率为0.93。总体准确率为0.92。混滑矩阵显示,116棵死树被正确识别,15棵被遗漏(分类为背景),11棵被误分类为活树。死树精确率较低表明存在大量假阳性,主要源于部分死亡树冠、活树上的死枝以及密集林分中树冠重叠导致的混淆。
**3.2 模型在三种森林优势区的表现**
挪威云杉优势区总体准确率最低(0.90),死树F1分数为0.56,活树为0.95;欧洲赤松优势区和落叶树优势区准确率均为0.97,死树F1分数分别为0.59和0.71,活树分别为0.99和0.98。落叶树优势区死树样本数最少,但F1分数最高。挪威云杉优势区死树召回率最高(0.85),但精确率低(0.42),表明该区域模型检测灵敏度高但假阳性多。
**3.3 全覆盖图与潜在环境驱动因子**
全覆盖死亡率图显示,死亡率热点集中在研究区南部,即海拔较高、挪威云杉优势的老龄林(成熟林、更新准备林)。欧洲赤松优势区尽管密度高,但死亡率显著低于云杉区,没有超过10%死亡率的网格单元。雪害风险图与死亡率空间格局一致,表明雪害可能是除自然死亡外的主要驱动因子,尤其在云杉林,这与先前研究(Lehtonen et al., 2014; Suvanto et al., 2021)一致,即雪载和海拔是雪害的关键因素。
**讨论与结论**
讨论部分指出,模型总体准确率0.92,活树检测性能高(F1=0.96),但死树检测仅有中等性能(F1=0.57),主要受限于假阳性。假阳性源于部分死亡树冠、活树上的死枝以及密集树冠重叠。与其他研究对比,本模型的多类分类性能与同类方法相当(F1 0.66–0.71),但精确率较低。模型适用于识别死亡率高概率区域,但尚不适合个体树或林分级别的操作决策。环境驱动因子分析确认了雪害、海拔和立地结构是主要驱动因子,云杉林对雪害更敏感。方法局限性包括:部分死亡(如树梢枯死)被归入活树类,导致漏检;手动树冠描绘在密集林分中引入不确定性;死树样本量小,可能影响模型泛化能力。未来工作应改进类别可分性、纳入时间信息并明确处理部分死亡。
**研究结论**
本研究证明,基于U-Net的分割方法结合高分辨率航空影像和激光雷达衍生的冠层高度模型,可提供可扩展、可空间量化的树死亡率指标。在北极地区,尽管环境快速变化,该方法仍能可靠识别活树并以高召回率检测死树,但存在假阳性导致的不确定性。该指标并非旨在精确的个体树死亡率统计,而是用于空间显式识别死亡率模式和热点。通过检测死树热点并关联关键环境驱动因子(如海拔、雪载和森林立地结构),该指标可支持死亡率模式的初步评估,但尚未提供可靠的早期预警能力。未来可补充森林清查,并扩展至Sentinel-2卫星观测,以实现大尺度、连续监测。