Sentinel-1 SAR时间序列用于森林物候:融合气象数据的落叶阔叶林和常绿针叶林多模态深度学习

《Agricultural and Forest Meteorology》:Sentinel-1 SAR time series for forest phenology: multimodal deep learning with meteorological fusion across deciduous broadleaf and evergreen needleleaf forests

【字体: 大 中 小 】 时间:2026年07月26日 来源:Agricultural and Forest Meteorology 6.6

编辑推荐:

  森林物候对于评估森林生态系统的健康和生产力及其对气候变化的响应至关重要。源自光学遥感的植被指数被广泛用于监测大尺度森林物候,但云污染在关键过渡期造成了数据缺失。合成孔径雷达(SAR)提供了对地球表面的云穿透观测,但其在不同森林类型中获取森林物候的能力尚未得到充

  
森林物候对于评估森林生态系统的健康和生产力及其对气候变化的响应至关重要。源自光学遥感的植被指数被广泛用于监测大尺度森林物候,但云污染在关键过渡期造成了数据缺失。合成孔径雷达(SAR)提供了对地球表面的云穿透观测,但其在不同森林类型中获取森林物候的能力尚未得到充分评估。在此,研究人员开发了一个多模态深度学习(MDL)框架,融合了Sentinel-1时间序列与气象变量(温度、土壤湿度、辐射和降水),以估算落叶阔叶林(DB)和常绿针叶林(EN)的生长季开始(SOS)和结束(EOS)。在仅使用Sentinel-1和融合气象变量的多模态设置下,评估了四种架构,包括卷积神经网络(CNN)、时间卷积网络(TCN)、Transformer和U-Net,使用了北美和欧洲的PhenoCam参考日期。在留一年交叉验证下,仅使用Sentinel-1的模型以中等技能获取了物候,其中U-Net和Transformer通常表现最强。气象融合进一步改善了DB森林中的获取效果,其中最佳MDL模型在SOS上实现了9.5天的均方根误差(RMSE),在EOS上实现了10.8天的RMSE。在EN森林中改进较为温和,特别是对于EOS,反映了常绿冠层中较弱的季节性SAR信号。这些结果表明,与传统的阈值方法相比,深度学习显著改进了基于SAR的物候反演,并且整合气象信息可以进一步提高精度,特别是在DB森林中。该框架有助于在光学图像通常不可用的持续多云区域进行业务化物候监测。
森林物候是评估生态系统健康、生产力及其对气候变化响应的关键指标。光学遥感植被指数(如归一化植被指数NDVI)广泛用于大尺度物候监测,但全球约67%的云覆盖(基于MODIS云掩膜)导致数据缺失,尤其在关键过渡期(如生长季开始SOS和结束EOS)引入显著不确定性。合成孔径雷达(SAR)不受云层影响,可提供全天候观测,但C波段后向散射主要敏感于冠层结构、含水量及土壤湿度,而非光学绿度,使得物候信号间接且易受环境干扰。现有阈值方法基于交叉比(CR)等指标在落叶阔叶林(DB)中获取SOS有一定效果,但在常绿针叶林(EN)中表现不佳,尤其对EOS探索有限。针对这些挑战,研究人员开展本研究,旨在评估多模态深度学习(MDL)框架融合Sentinel-1 SAR时间序列与气象变量(温度、土壤湿度、辐射、降水)提升森林物候反演精度的可行性。研究利用北美和欧洲PhenoCam网络2017–2024年的地面参考数据(54个DB站点,415站点年;31个EN站点,232站点年),通过留一年时间交叉验证,比较四种深度学习架构(CNN、TCN、Transformer、U-Net)在仅SAR和多模态设置下的性能,并与传统动态阈值方法对比。结果表明,深度学习显著优于阈值法,U-Net和Transformer在仅SAR模式下表现最佳;气象融合进一步提升了DB森林的精度(最佳MDL模型:SOS RMSE=9.5天,EOS RMSE=10.8天),而EN森林改进较小,反映了常绿冠层弱的季节性SAR信号。该框架为持续多云区域提供了业务化物候监测新途径,论文发表在《Agricultural and Forest Meteorology》。

本研究的核心技术方法包括:(1)数据来源:Sentinel-1 C波段SAR图像(VV、VH极化,衍生交叉比CR和雷达植被指数RVI),来自欧洲空间局(ESA)Copernicus计划,样本覆盖北美和欧洲的PhenoCam站点(54个DB站点,31个EN站点,2017–2024年);(2)气象数据:ERA5-Land再分析数据集(2米气温、表层土壤体积含水量、地表净太阳辐射、总降水),每日聚合;(3)基线方法:基于动态阈值法(10%–50%幅度阈值)从SAR指数提取SOS/EOS,与PhenoCam的25%阈值GCC日期对比;(4)深度学习架构:四种序列模型——1D卷积神经网络(CNN)、1D U-Net、1D时间卷积网络(TCN)和Transformer,均采用相同预处理(日重采样、分位数修剪、三次样条插值、标准化),目标限定DOY 60–200(SOS)和210–350(EOS);(5)多模态融合:轻量级气象分支通过softmax时间加权生成紧凑描述符,经门控(0–0.5缩放)与SAR潜在向量逐元素相加,实现后期融合,确保SAR主导;(6)模型评估:留一年时间交叉验证(2017–2024共8折),指标包括皮尔逊相关系数(r)、均方根误差(RMSE)、中心化RMSE(CRMSE)等;(7)可解释性:梯度归因方法(积分梯度IG和SmoothGrad×Input SGI)量化输入贡献。

**3.1. 基于阈值的Sentinel-1指数物候提取**
研究通过动态阈值法从Sentinel-1指数(σVH0、σVV0、CR、RVI)提取物候,并与PhenoCam GCC参考日期对比。在DB森林中,CR在25%阈值下对SOS表现最佳(r=0.54,RMSE=23.6天),RVI和VH次之,VV相关性弱;EOS整体较弱,CR在10–20%阈值下r=0.27–0.29,RMSE≈30–33天。在EN森林中,所有指数相关性差,SOS的r接近0或负值,EOS仅CR在10%阈值下r=0.33,但误差大(>60天)。表明阈值方法在DB-SOS有一定能力,但对EOS和EN森林效果有限。

**3.2. 仅Sentinel-1深度学习反演SOS和EOS**
利用仅SAR时间序列,四种深度学习模型在留一年交叉验证下表现差异显著。U-Net和Transformer总体最接近PhenoCam参考,而CNN和TCN较差。DB-SOS中U-Net最佳(r=0.74,RMSE=12.3天),Transformer次之(r=0.70,RMSE=12.9天);DB-EOS中Transformer最佳(r=0.54,RMSE=12.5天)。EN森林性能较低,尤其EN-EOS是所有任务中最具挑战性的。预测范围倾向于压缩,难以捕捉极端早/晚日期。

**3.3. 融合气象变量的多模态反演SOS和EOS**
加入每日气象变量后,MDL模型在DB森林中提升最显著。DB-SOS所有模型r达0.83–0.85,RMSE 9.5–10.1天,TCN最佳(r=0.85,RMSE=9.5天);DB-EOS中TCN最佳(r=0.70,RMSE=10.8天)。EN森林提升温和,EN-SOS中TCN最佳(r=0.51,RMSE=17.5天),EN-EOS所有模型r≈0.41–0.44,RMSE≈21天。表明气象融合对DB更有效,对EN尤其EOS帮助有限。

**3.4. 基于梯度的MDL模型解释**
积分梯度(IG)分析显示,Sentinel-1仍是大多数模型的主要贡献来源(U-Net在DB-SOS/EOS和EN-SOS中占89.0%、84.7%、92.8%),但气象分支在TCN和U-Net的EN-EOS中贡献显著(U-Net中气候占85.0%)。SmoothGrad×Input热图表明,在DB-SOS中温度和辐射在生长季贡献强,SAR通道(VH、CR、RVI)在年初突出;DB-EOS敏感期移至生长季后期,分布更分散。EN森林中归因更分散,反映常绿冠层弱季节性信号,部分模型(如U-Net)依赖气象补偿。

讨论部分指出,深度学习相比传统阈值方法显著提升了SAR物候反演能力,U-Net和Transformer在仅SAR模式下有效利用多尺度特征和全局上下文,但EN-EOS仍困难。气象融合通过提供热力、辐射和水文背景稳定了SAR-物候关系,但效果依赖于架构和目标。梯度归因证实Sentinel-1主导,气象作为修饰因子。研究局限性包括参考数据集规模有限(尤其EN),留一年交叉验证主要评估时间可迁移性而非空间泛化。未来需扩大站点和区域,并生成大尺度物候图。

**结论**
本研究证明,Sentinel-1时间序列为获取森林物候提供了有用信息,且深度学习比传统动态阈值方法更有效地从SAR后向散射估计SOS和EOS。仅使用Sentinel-1时,U-Net和Transformer通常是最具竞争力的架构,体现了多尺度时间特征整合和序列全局上下文对基于SAR的物候反演的价值。融合每日气象变量进一步改善了性能,在DB森林中最明显,最佳MDL模型在DB-SOS上实现RMSE=9.5天,在DB-EOS上实现RMSE=10.8天,而在EN森林中改进较为温和,特别是EN-EOS。这些结果表明,气象信息可以通过提供热力、辐射和水文背景来稳定SAR-物候关系,但其益处依赖于架构和目标,而非统一。基于梯度的归因进一步表明,Sentinel-1特征在大多数模型中仍是主要信息源,而气象变量主要在仅SAR信号弱时作为上下文修饰因子。总体而言,所提出的框架突显了在光学观测受限的持续多云区域利用Sentinel-1进行物候监测的潜力。由于C波段后向散射对冠层水分状态和植被含水量敏感,Sentinel-1也有望用于追踪干旱和热浪极端年份的物候时间及其异常。未来研究应扩大评估范围至更多植被类型和区域,并调整框架以生成大尺度物候图,通过与光学产品和独立地面观测对比来量化持续多云区域精度的改善。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号