桉树人工林成熟期细粒度识别：基于深度学习与多模态特征融合的方法

《Remote Sensing》：Fine-Scale Maturity Recognition of Eucalyptus Plantations Based on Deep Learning and Multimodal Feature Fusion

　　

准确识别桉树（Eucalyptus spp.）人工林成熟期（按生长与生理发育阶段分级为幼龄林、中龄林和成熟林）对林业管理与可持续发展至关重要。目前针对桉树不同生长阶段细粒度语义分割研究不足，且缺乏对经典深度学习架构与多模态数据在桉树成熟期识别中的系统评估，限制了遥感技术在林业管理中的应用。研究人员以广西南宁高峰林场为研究区，基于光谱指数（SIs）、C波段合成孔径雷达（SAR，S1）数据与多光谱数据（S2），分析了四代深度学习分割架构——U-Net（卷积基线）、Trans-UNet（CNN-Transformer混合）、Swin-UNet（纯Transformer）与Mamba-UNet（状态空间模型，SSM）——在桉树人工林成熟期细识别中的适应性。结果表明：（1）模型复杂度与识别性能无正相关，Mamba-UNet最优，验证集mIoU达79.10%、F1-score为88.26%，架构性能排序为Mamba-UNet > Swin-UNet > U-Net > Trans-UNet；（2）S2+SI组合精度最高（mIoU 79.10%），优于S2+S1+SI（78.55%）、S2+S1（78.38%）与单S2（77.72%），表明光谱指数与桉树生理特征强相关，S1后向散射受亚热带雨林冠层穿透限制引入冗余并产生负融合效应；（3）野外调查点独立验证显示方法泛化能力强，OA为94.08%、mIoU为85.62%、Precision为93.00%、Recall为91.37%、F1-score为92.15%；（4）桉树占高峰林场总面积60.15%，幼龄、中龄、成熟林分别占20.67%、13.62%、25.86%，整体呈幼龄与成熟林占比高的两极分布。该研究为速生人工林动态监测与林分发育阶段精细化管理提供理论支撑。

研究背景方面，桉树作为全球重要速生阔叶树种，在造纸、生物能源与环保中应用广泛，中国桉树人工林面积达608万公顷，广西占比约50.7%。传统森林清查耗时费力且存在危险，现有桉树遥感研究多聚焦分布制图、生物量估算与健康监测，仅判断像素是否属于桉树植被，缺乏纯桉树林分内生长年龄差异的细粒度区分。同时，深度学习架构已从CNN演进至Transformer与状态空间模型（SSM），但四代架构在华南区域尺度桉树成熟期识别中的性能未知，多源遥感数据融合效果也缺乏系统方案。为此，研究人员以广西南宁高峰林场为研究区开展细粒度识别研究。

关键技术方法上，研究人员选用2023年1月至2月Google Earth Engine平台Sentinel-2（S2_SR_HARMONIZED，10米， median合成）与Sentinel-1（S1_GRD，VV/VH极化，10米）数据，基于S2计算NDVI、GNDVI、EVI、MSAVI、NDWI、NDBI六类光谱指数（SIs）；构建S2（10波段）、S2+S1（12波段）、S2+SI（16波段）、S2+S1+SI（18波段）四套数据集；样本来自Galaxy 6 RTK野外调查802点加目视解译共9908点（含九地类），选取20个256×256像素子区用随机森林预分类并人工后处理生成254块掩膜（16训练/4验证，滑动窗口增强后重采样10米）；采用U-Net、Trans-UNet、Swin-UNet、Mamba-UNet四架构，PyTorch框架、RTX 3090、batch=8、200 epoch、Adam（lr=1e-4）、CE+Dice损失，以OA/mIoU/Precision/Recall/F1五项指标评估。

研究结果部分，首先为基于遥感数据的桉树成熟期可分离性验证：统计9908样本像素值发现，S2红边与近红外波段（B5–B8A）呈现成熟>中龄>幼龄反射率梯度，六类SIs放大活力差异，S1的VH极化有成熟>中龄>幼龄梯度但仅反映上层冠层，多源融合下光学区分地物、SIs放大生理差、雷达补充有限。

4.2.1 U-Net性能：S2+SI验证mIoU 76.41%最优，S2单源75.18%，加S1降至73.37%，全融合72.14%，数据集排序S2+SI > S2 > S2+S1 > S2+S1+SI。

4.2.2 Trans-UNet性能：全局自注意力未有效捕捉长程依赖，S2+SI验证mIoU仅71.05%（较U-Net降5.36%），S2最差62.94%，排序S2+SI > S2+S1+SI > S2+S1 > S2。

4.2.3 Swin-UNet性能：边界更平滑、盐椒噪声少，S2+SI验证mIoU 77.00%最优，S2为75.80%，S2+S1+SI 75.30%，S2+S1最差74.90%，排序S2+SI > S2 > S2+S1+SI > S2+S1。

4.2.4 Mamba-UNet性能：S2+SI验证mIoU 79.10%（较U-Net/Swin-UNet/Trans-UNet最优分别高2.69%/2.10%/8.05%），F1 88.26%；S2+S1+SI仅降0.55%至78.55%，抗冗余最强，排序S2+SI > S2+S1+SI > S2+S1 > S2。

4.2.5 综合比较：视觉与量化一致，模型排序Mamba-UNet > Swin-UNet > U-Net > Trans-UNet，最优数据配置S2+SI；架构演进使抗特征冗余能力提升。

4.2.6 独立精度验证与面积核算：用30%独立于训练子区的样点验证最优模型，OA 94.08%、mIoU 85.62%、Precision 93.00%、Recall 91.37%、F1 92.15%；桉树占60.15%，成熟林59.79 km²（25.86%）、幼龄47.79 km²（20.67%）、中龄31.50 km²（13.62%），呈幼龄与成熟两极分布。

讨论部分指出，模型复杂度不与精度正相关；U-Net受限于局部感受野，Trans-UNet局部-全局特征互扰，Swin-UNet窗口注意力断空间连续性，Mamba-UNet借SSM离散状态方程x_k+1=A_kx_k+B_ku_k与输入自适应门控实现线性O(N)全局递归，抑制C波段SAR冗余并增强红边/近红外/植被指数权重，契合林分连续生长动态。数据融合上S2+SI最优因SIs与桉树生理强耦合，C波段S1仅捕上层冠层粗糙度与含水量、与光学信息重叠致负融合；负融合随架构演进减弱但不可由架构完全消除。高峰林场年龄结构反映5–7年短轮伐制，中龄林占比低或引采收间隙与生态脆弱性。与已有文献比，单时相S2+SI可恢复需多 decade时序才得的轮伐信号；C波段局限不同于L波段（PALSAR-2）对 trunks/understory敏感。局限含研究区尺度、单时相、SIs非桉树专属、目视标注主观；未来将扩至华南、引入L波段SAR与LiDAR、多时相时序、专属指数及半监督标注。

结论部分翻译：本研究系统评估了四代深度学习架构在广西南宁国有高峰林场基于多模态遥感数据细粒度识别桉树成熟期的适应性。结果表明，高效的全局上下文建模而非架构复杂度是提升桉树成熟期识别性能的关键，状态空间模型在计算效率与长程依赖捕获间取得最优平衡，优于纯卷积与基于Transformer的架构。多模态数据融合中特征有效性胜过数据冗余，与桉树生理特征强相关的光谱指数为光学影像提供最有价值互补信息；反之C波段SAR后向散射因亚热带雨林冠层穿透有限引入特征冗余，导致融合效果下降甚至负效应。所提方法在野外调查数据独立验证中表现强劲，确认其在业务化森林资源监测中的实用价值。林分年龄结构量化分析揭示幼龄与成熟林主导的两极分布及中龄林明显欠缺，该模式对商品桉树人工林可持续产量规划与采伐调度具重要管理意义。

（全文刊于《Remote Sensing》）