首个国家级树冠覆盖：融合AlphaEarth嵌入与Landsat用于热带区域森林监测

《Remote Sensing Applications: Society and Environment》：First National-level Tree Canopy Cover: Integrating AlphaEarth Embeddings with Landsat for Forest Monitoring in a Tropical Region

　　

尼日利亚拥有多样化的森林类型，这些森林保护着生物多样性并提供重要的生态系统服务，包括非木材林产品、碳固存和气候调节。然而，尼日利亚在历史上一直缺乏全国范围内全面且具有空间显式数据的树冠覆盖度（tree canopy cover, TCC）数据，阻碍了基于证据的森林管理和政策制定。这主要是由于后勤限制所致，而不安全危机进一步加剧了这些限制。不过，高分辨率影像的可得性结合先进的机器学习，有助于缓解这些挑战。因此，本研究首次为尼日利亚提供了全国尺度的树冠覆盖度以及森林/非森林区域数据集。研究人员采用分层随机抽样，利用Google Earth影像在全国范围（n = 3,047）采集了参考树冠覆盖度数据。在Google Earth Engine中，研究人员使用随机森林回归模型进行树冠覆盖度建模，模型纳入了Landsat波段、植被指数和AlphaEarth嵌入（AlphaEarth Embeddings, AEE）。结果表明，将嵌入与多光谱波段和指数相结合，有助于在撒哈拉以南非洲地区（例如尼日利亚）精确模拟树冠覆盖度。2024年的树冠覆盖度模型被用于预测其他年份（2017年和2020年）的树冠覆盖度，并对这些年份生成的树冠覆盖度地图进行了验证。根据该国采用的森林定义，研究人员将TCC地图重新分类，生成二值分类的森林与非森林地图。分析显示，2024年尼日利亚有18.7%的地区为森林覆盖，且2017年至2024年森林覆盖百分比呈现动态变化。所开发的数据集可在Zenodo上公开获取，对于持续的国家级森林监测和可持续管理至关重要。

尼日利亚拥有从南部热带雨林到北部几内亚稀树草原等多种生态区，森林提供土壤保持、非木材林产品、碳固存和气候调节等关键服务。然而，该国历史上缺乏全国尺度、空间显式的树冠覆盖度数据，阻碍了基于证据的森林管理和政策制定。传统地面调查成本高昂、耗时，难以覆盖约92.4万平方公里国土，且部分地区因安全危机无法进入。近年来，Landsat和Sentinel等免费遥感数据、Google Earth Engine（GEE）云计算平台以及AlphaEarth Embeddings（AEE）等预训练地理空间基础模型的出现，为大规模森林监测提供了新机遇。因此，本研究旨在开发尼日利亚首个全国范围的高分辨率树冠覆盖度及森林/非森林数据集，论文发表在《Remote Sensing Applications: Society and Environment》上。

研究人员基于归一化植被指数（Normalized Difference Vegetation Index, NDVI）进行分层随机抽样，在全国生成4000个候选样点，并以30 m × 30 m像元大小设置样地；由四位分析员在Google Earth高分辨率影像上判读100个网格点中的树冠覆盖，最终获得3047个参考样地。在GEE中，以Landsat 8表面反射率波段、NDVI、归一化燃烧指数（Normalized Burn Ratio, NBR）、归一化差异水分指数（Normalized Difference Moisture Index, NDMI）、土壤调节植被指数（Soil Adjusted Vegetation Index, SAVI）、SRTM地形变量及AEE全部64个嵌入波段为预测变量，训练随机森林回归模型。采用80%训练、20%测试划分，独立验证样本来自Google Earth历史影像（2017年188个、2020年219个、2024年264个）。将2024年模型应用于2017和2020年Landsat影像，根据森林定义（树冠覆盖度≥15%、最小面积≥0.5 ha）生成森林/非森林图。

**（1）模型性能与变量组合优化**：通过对比仅用Landsat波段、波段加指数、仅用AEE以及三者组合，随机森林回归模型在组合模式下测试集R²为72.4%，RMSE为15.7%，MAE为9.3%，优于其他组合，说明AEE嵌入特征能有效提升模型精度。短波红外波段以及NBR、NDMI和AEE波段是重要性最高的预测变量。

**（2）独立验证与年际预测**：独立验证显示2017、2020和2024年的R²分别为72%、64%和83%，RMSE分别为16.58%、19.29%和15.05%，表明模型预测精度中等至较高。应用2024模型生成的2017年树冠覆盖度范围为0–78%，2020年为0–79%，2024年为0–88%。

**（3）森林覆盖时空格局**：按照森林定义（树冠覆盖度≥15%且面积≥0.54 ha）重分类后，2017年、2020年和2024年尼日利亚森林覆盖率分别为18.3%、20.6%和18.7%，呈非单调变化。南部各州森林覆盖明显高于北部，2024年巴耶尔萨州森林面积占比最高（95.3%），吉加瓦州最低（0.2%）。从州际变化看，2017–2020年多数州森林增加，2020–2024年多数州下降。

**（4）案例研究：奥莫森林保护区**：在奥莫森林保护区（Omo Forest Reserve, OFR），2017–2024年间冠层覆盖面积净增加8.75 km²，但约41 km²的区域降至树冠覆盖度低于15%，净退化明显。

讨论部分围绕几个核心主题展开：其一，AlphaEarth嵌入与传统多光谱数据的结合在非洲复杂景观中有效提升了模型精度，其模型性能与已有研究相当；其二，空间格局与尼日利亚南北气候梯度一致，南部湿润森林覆盖高，北部干旱区覆盖低，反映环境约束；其三，时间动态呈现非单调变化，反映恢复努力与农业扩张、非法采伐等压力之间的相互作用；其四，研究结果对REDD+和“昆明-蒙特利尔全球生物多样性框架”（GBF）目标具有重要意义，需在保护策略中考虑生态差异和社区生计；其五，数据集应用于城市绿化、生态监测、森林保护等多个领域，可支持政策决策。

本研究为利用现代机器学习和基于卫星的方法开展持续的国家森林监测奠定了基础，为可持续森林管理、气候变化减缓以及REDD+和可持续发展目标（SDG 15.2）框架下的国家报告提供了空间一致且时间可比的树冠覆盖度和森林/非森林数据。本研究开发了首个公开获取的国家级树冠覆盖度和森林/非森林产品，证明基于嵌入的遥感方法可以在数据有限的地区革新生态监测。所开发的数据集捕捉了显著的南北森林梯度（反映了基本的环境约束）以及复杂的时空动态（恢复努力与毁林驱动因素之间的相互作用）。该数据集在尼日利亚关键森林生态系统之一——奥莫森林保护区中的应用表明，尽管存在局部冠层增加，但该保护区仍损失了大量高质量森林，这说明了冠层覆盖与森林完整性之间的区别，必须为保护战略提供信息。展望未来，将多传感器遥感与战略性实地验证相结合的综合监测系统可以支持尼日利亚的承诺和森林保护目标。然而，技术能力必须与政策改革相结合，以解决森林损失的经济和社会驱动因素。所开发的产品已在多个平台上公开发布。