《Forest Ecosystems》：A shadow-aware deep learning framework for classifying urban tree species from very high-resolution Pléiades imagery
编辑推荐：
准确的城市树种分布信息对城市绿地规划与管理至关重要，包括城市降温评估、碳汇估算、生物多样性保护及树种特异性养护调度。然而，复杂城市环境中高空间分辨率影像普遍存在的阴影会扭曲光谱保真度并降低分类精度。为此，研究人员提出了一种阴影感知深度学习框架，用于对中国南京P
准确的城市树种分布信息对城市绿地规划与管理至关重要，包括城市降温评估、碳汇估算、生物多样性保护及树种特异性养护调度。然而，复杂城市环境中高空间分辨率影像普遍存在的阴影会扭曲光谱保真度并降低分类精度。为此，研究人员提出了一种阴影感知深度学习框架，用于对中国南京Pléiades影像中8种主要城市树种进行分类。该框架由三部分组成：（1）通过迁移学习扩展多尺度空间注意力阴影检测网络（MSASDNet）构建改进的6通道阴影检测模型，并制作扩展的多光谱阴影数据集Pléiades-SD，以支持从常规3通道RGB影像到6通道多光谱影像的知识迁移；（2）将传统基于RGB的阴影恢复方法扩展为多光谱恢复，采用多波段补偿与边界平滑，在补偿阴影引起的光谱畸变的同时保留跨波段结构信息；（3）通过集成双级归一化注意力模块（NAM）与多尺度空洞空间金字塔池化（ASPP）融合策略改进DeepLabV3+模型，用于细粒度树种分类。结果表明，所提6通道阴影检测器优于原始3通道迁移模型，精度由82.80%提升至98.18%。使用完整的6通道NAM-DeepLabV3+模型时，阴影恢复使平均交并比（mIoU）由76.84%升至78.90%，平均像素精度（mPA）由90.31%升至92.15%（p=0.004）。这些结果证实恢复可通过降低阴影引起的光谱不一致性来改善分类。
研究背景方面，城市绿地通过缓解热岛、改善空气质量、保护生物多样性和提升居民福祉支撑可持续城市，其生态与管理价值不仅取决于植被覆盖，更取决于树种组成与空间配置，因为不同树种在固碳、蒸散、季相遮荫、抗病虫害及观赏价值上差异显著。随着高空间分辨率遥感影像可及性提高，城市树种制图已从野外调查与传统机器学习转向基于深度学习的语义分割，但城市植被嵌入高度异质环境，树冠破碎、背景混杂、种间光谱相似且阴影持续干扰，其中阴影引起的光谱畸变是主要不确定源：阴影改变同物异地（遮阳与受光）光谱响应模式，削弱类内一致性、加剧类间混淆，使遮阳树冠易被误判为深色不透水面或非植被。现有方法多从分类端容忍阴影或掩膜排除遮阳区，或引入高光谱、激光雷达（LiDAR）、双时相融合等互补信息间接缓解，未显式恢复遮阳与受光植被间的光谱一致性；且RGB光谱不足以刻画植被在阴影下的变化，而Pléiades 6波段（含红边与近红外）可提供更完整植被信息，但缺乏标注多光谱阴影数据，RGB预训练模型直迁多光谱性能差。因此，研究人员在《Forest Ecosystems》发表该研究，旨在将细粒度城市树种制图中的阴影干扰重构为分类前多光谱光谱一致性恢复问题，而非仅掩膜暗区或让分类器容忍噪声。
关键技术方法上，研究人员以南京主城区约225 km2为研究区，采用2022年9月19日Pléiades Neo影像（0.3 m全色融合至0.3 m的6波段地表反射率：深蓝、蓝、绿、红、红边740–780 nm、近红外770–890 nm），结合AISD（514张RGB航空影象阴影数据集）作预训练源，人工标注260块512×512多光谱阴影块构建Pléiades-SD；树种标签来自2023年7月7998株手持GNSS实地记录，经LabelMe勾绘生成4848块128×128六波段斑块，覆盖8种乔木（樟树、二球悬铃木、雪松、银杏、水杉、枫杨、垂柳、无患子）及灌木、草、竹，按物种分层10折交叉验证。框架分三阶段：MSASDNet-M阴影检测（通道扩至6、AISD权重均值填充新通道、两阶段迁移、加权交叉熵）、逐波段辐射补偿阴影恢复（植被样本估增益、高斯平滑软掩膜混合）、NAM-DeepLabV3+分类（6通道输入、浅层通道NAM+深层Query-Key-Value空间NAM、轻量ASPP、CE+Dice+Focal混合损失）。
研究结果部分，4.1阴影检测结果显示，五组实验（Exp1零样本迁移、Exp2 3通道从头训、Exp3 3通道迁移、Exp4 6通道从头训、Exp5 6通道迁移）中Exp5最优：精度98.18%、召回72.31%、F1 83.28%、平衡错误率（BER）11.27%、总体精度（OA）93.31%，较3通道迁移Exp3精度82.80%大幅提升，证明多光谱输入与迁移学习互补。4.2阴影恢复结果显示，所提逐波段补偿+边界平滑法在红边带平均光谱偏差由18.7%降至10.4%，近红外由22.3%降至12.8%，NDVI差由0.143降至0.087，NDRE差由0.118降至0.079，目视阴影区色彩保真与植被纹理均优于Silva等（2018）多级Otsu法与Guo等（2024）区域匹配法。4.3树种分类消融与控制实验中，渐进消融（3通道基线→6通道→6通道+单NAM→6通道+双NAM→6通道+双NAM+改进损失）mIoU由74.33%升至78.90%，mPA由88.50%升至92.15%；控制实验在完整6通道NAM-DeepLabV3+下，恢复后相较原图mIoU 76.84%→78.90%、mPA 90.31%→92.15%（配对t检验p=0.004），十折均值差2.06百分点（95%CI 0.85–3.28），证实恢复显式提升遮阳冠层连续性、减少漏分。
讨论与结论部分，研究人员指出该框架核心创新是将阴影干扰重定义为分类前多光谱光谱一致性恢复，而非暗区掩膜或分类器鲁棒性增强；MSASDNet-M通过通道扩展与两阶段迁移弥补了多光谱阴影标注稀缺，Pléiades-SD支撑RGB→多光谱知识迁移；逐波段补偿保留可见光-红边-近红外跨波段关系，优于仅调亮度的传统RGB恢复；双级NAM分别强化浅层光谱边缘与深层长程语义，使稀疏分布树种分类改善。结论为：6通道阴影检测精度98.18%超越3通道迁移；阴影恢复使6通道NAM-DeepLabV3+的mIoU与mPA显著提升（p=0.004），证明显式恢复遮阳-受光植被光谱一致性可降低城市高空间分辨率树种分类不确定性，为复杂阴影环境城市树种精细制图提供可靠流程。
