《Ecological Informatics》：Satellite embeddings as complementary predictors of standing dead-tree volume fraction in boreal forests
编辑推荐：
站立枯树体积分数是森林状况和生物多样性的重要指标，但在野外样地之外进行估算仍具挑战性。遥感可以支持样地级别预测，但尚不清楚当航拍多光谱影像（MSI）不可用时，卫星嵌入（SE）能否提供替代信息源，或在与冠层高度模型（CHM）和MSI预测因子结合时能否增加信息。S
站立枯树体积分数是森林状况和生物多样性的重要指标，但在野外样地之外进行估算仍具挑战性。遥感可以支持样地级别预测，但尚不清楚当航拍多光谱影像（MSI）不可用时，卫星嵌入（SE）能否提供替代信息源，或在与冠层高度模型（CHM）和MSI预测因子结合时能否增加信息。SE是预计算的AlphaEarth表示，将多源卫星观测（包括Sentinel-1、Sentinel-2和Landsat）汇总为年度10?m图层，在编码光谱、空间和时间信息的同时减少预处理负担。研究人员利用芬兰原始和近天然北方森林的134个野外样地，使用CHM、MSI和SE预测因子预测站立枯树体积分数。通过嵌套交叉验证，在七种预测因子组合上评估了随机森林、梯度提升和XGBoost模型。对于XGBoost，CHM?+?SE在此数据集中的表现几乎与CHM?+?MSI相当（R2?=?0.660 vs. 0.657），表明当MSI不可用时，SE预测因子可能提供冠层状况信息。最高精度由CHM?+?MSI?+?SE实现（R2?=?0.708?±?0.062，RMSE?=?0.099?±?0.017，MAE?=?0.075?±?0.010），表明结合预测因子来源有适度益处。预测值向中间值压缩，高分数被低估，低分数被轻微高估。SHAP分析表明，SE预测因子与冠层结构和光谱变量相互作用，其中时间变化预测因子最具影响力。总体而言，SE预测因子可在MSI不可用时支持样地级别预测，但其贡献是补充性和情境依赖性的。未来在开展全覆盖死亡率制图之前，应测试空间可迁移性和更长的嵌入轨迹。
**论文解读：卫星嵌入作为北方森林站立枯树体积分数预测的补充信息源**
**研究背景与问题**
站立枯树是森林生态系统的重要结构和功能组成部分，为腐生真菌、昆虫和穴居脊椎动物提供栖息地，并参与木材分解、养分循环等生物地球化学过程。由于其丰度和空间分布反映干扰、腐烂和林分发育，站立枯树被广泛用作森林状况和结构复杂性的指标。然而，过去二十年中，许多生物群落中的树木死亡率因干旱、虫害爆发和复合气候极端事件而增加，因此大范围系统性监测树木死亡率成为重要研究优先事项。站立枯树体积分数（相对于总站立树木体积的比例）为生物多样性评估、碳核算和森林管理提供了一个简单但生态上有意义的指标。
野外森林清查是测量站立枯树体积分数的最直接方法，但仅靠样地数据难以生成空间连续的死亡率图。遥感通过提供空间连续且可重复的观测提供了重要补充，但不同数据源（如航拍激光扫描、多光谱影像和卫星影像）捕捉森林状况的不同方面，且各有局限性。冠层高度模型（CHM）描述垂直结构，但站立枯树在死亡后可能多年保持冠形、高度和树干结构，因此仅靠高度指标对死亡率相关变化的信号有限。多光谱影像（MSI）通过捕捉冠层反射率（如归一化植被指数NDVI）来检测植被状况，但高分辨率航拍MSI的大范围操作成本高且获取不一致。卫星嵌入（SE）作为预计算的高维特征向量，由深度学习模型从多源地球观测数据生成，可减少预处理负担并编码光谱、空间和时间信息，但其在森林死亡率预测中的角色尚不清楚。本研究旨在系统评估AlphaEarth卫星嵌入预测因子在样地级别站立枯树体积分数预测中的价值，包括其作为MSI替代或补充信息源的能力，以及在不同机器学习模型和预测因子组合下的表现。
**开展的研究与结论**
研究人员利用芬兰原始和近天然北方森林的134个圆形样地（半径15?m），结合野外实测数据（包括树木胸径DBH、高度和物种，采用Laasasenaho体积方程计算单木体积，进而计算样地级别站立枯树体积分数SDF
v），从三个遥感数据源提取预测因子：CHM（1?m分辨率，衍生5个统计量）、MSI（0.5?m航拍正射影像，包括红绿蓝近红外波段及植被指数、纹理等54个预测因子）和SE（AlphaEarth Foundations的年度10?m嵌入，64维向量，包括2023和2025年嵌入及年际变化，共134个预测因子）。通过嵌套交叉验证（外层重复分层五折交叉验证10次，内层五折三次随机超参数调优），使用随机森林（RF）、梯度提升（GB）和XGBoost三种树集成模型，评估七种预测因子组合（CHM、MSI、SE、CHM+MSI、CHM+SE、MSI+SE、CHM+MSI+SE），并采用分组特征选择（SelectKBest）以平衡各组代表。此外，通过SHAP分析解释模型输出，并测试训练样本量对SE贡献的影响。
主要结论：XGBoost在使用全预测因子集（CHM+MSI+SE）时达到最高精度（R2=0.708±0.062，RMSE=0.099±0.017，MAE=0.075±0.010），表明结合结构、光谱和嵌入信息可获得最佳性能。SE预测因子在单独使用时表现良好（R2=0.486–0.626），但未超过MSI（R2=0.519–0.674）。当MSI不可用时，CHM+SE几乎匹配CHM+MSI的性能（XGBoost R2=0.660 vs. 0.657），表明SE可提供冠层状况替代信息。在CHM+MSI基础上添加SE带来适度改进（R2增加0.051–0.060），但训练样本量分析显示，在训练数据有限（20%–80%）时，SE并未持续提升性能，甚至在使用全部训练池时降低性能（如XGBoost R2从0.548降至0.454），表明高维嵌入需要充足标定数据。SHAP分析显示，GNDVI_p90（绿归一化植被指数第90百分位数）是最重要的预测因子，CHM_cv（冠层高度变异系数）是最高排名的结构预测因子，多个SE预测因子（如SE2025_B49_mean、dSE_B47_mean等）也进入前20，且SE预测因子主要与MSI衍生的光谱变量相互作用。该研究发表在《Ecological Informatics》。
**关键技术方法（不超过250字）**
研究人员主要采用以下关键技术方法：（1）野外数据采集：测量134个样地内胸径>10?cm的站立树木，使用Laasasenaho（1982）物种特异性体积函数估算单木体积，计算样地级别站立枯树体积分数（SDF
v）。（2）遥感数据提取：从CHM（1?m分辨率，芬兰森林中心2023–2025年数据）提取5个统计量；从航拍MSI（0.5?m，国家土地调查局，2023–2025年）提取54个光谱、植被指数和纹理指标；从AlphaEarth Foundations（Google Earth Engine）获取2023和2025年年度10?m卫星嵌入（64维），并计算年际变化（dSE）。（3）机器学习建模：使用随机森林、梯度提升和XGBoost，通过嵌套交叉验证（重复分层五折外循环，五折内循环超参数调优）和分组特征选择（SelectKBest）评估七种预测因子组合。（4）模型解释：采用SHAP（SHapley Additive exPlanations）分析预测因子重要性和交互效应，并通过Spearman相关分析样地特定SE收益。
**研究结果**
**3.1 模型性能与预测因子集比较**
预测精度在不同预测因子集和算法间变化。全预测因子集（CHM+MSI+SE）在所有算法中达到最高R2，XGBoost表现最佳（R2=0.708±0.062）。单独预测因子组中，MSI表现最强（R2=0.519–0.674），其次是SE（R2=0.486–0.626），CHM最弱（R2=0.226–0.291）。添加MSI或SE至CHM模型显著提升精度，CHM+MSI+SE相比CHM+MSI带来适度改进（如XGBoost R2从0.657增至0.708）。预测值向中间值压缩，高分数被低估，低分数被高估。空间自相关检验显示残差无显著空间聚类。
**3.2 卫星嵌入的预测贡献与增加值**
添加SE预测因子在基线为CHM时产生最大性能变化（如XGBoost ΔR2=0.435，p<0.001）。当基线为MSI时，添加SE的改进较小，部分不显著（如GB ΔR2=0.030，p=0.128）。当基线为CHM+MSI时，添加SE对所有算法均有正改进，但幅度较小（ΔR2=0.036–0.060），且对GB仅MAE显著。配对Wilcoxon符号秩检验表明，多数变化在统计上显著。
**3.3 训练数据可用性对模型性能的影响**
随着训练数据比例增加，所有模型性能提升。在20%训练数据时，性能弱且变异大（R2= -0.097至0.170）。添加SE预测因子在训练数据有限时未持续改进性能，甚至在使用100%训练数据时降低性能（如XGBoost CHM+MSI+SE R2=0.454 vs. CHM+MSI R2=0.548）。这表明SE不能补偿有限的标定数据。
**3.4 预测因子重要性与交互效应**
算法平均SHAP排名中，GNDVI_p90是最重要预测因子，其次为R_max、SE2025_B49_mean、CHM_cv、dSE_B47_mean和dSE_B61_mean。MSI衍生变量（如GNDVI_p90、R_max、brightness_std等）和SE预测因子（包括当前嵌入和时间变化预测因子）均占重要位置。交互分析显示，SE预测因子主要与MSI变量交互（如dSE_B15_mean×GNDVI_p90），SHAP相关性最高的是SE2025_B03_mean与R_max和brightness_std。
**3.5 卫星嵌入贡献的样地特异性变化**
样地级别SE收益与遥感衍生条件变量仅呈弱相关。最弱负相关出现在GNDVI变异系数（如GB Spearman r=-0.15），最弱正相关出现在NDVI分数>0.5（RF r=0.17）。所有相关性较小，表明样地特异性SE收益不受单一测试变量强烈控制。
**讨论与结论总结**
讨论部分指出，SE预测因子在MSI不可用时最有用，可提供冠层状况和时间背景信息，但其贡献是补充性的且依赖于情境。当MSI已存在时，添加SE的改进较小，表明信息重叠。训练样本量分析表明，高维嵌入预测因子需要充足标定数据，不应视为替代充足野外采样的方法。SHAP分析确认SE预测因子主要通过光谱植被状况变量贡献，时间变化嵌入预测因子具有影响力。实际意义包括：CHM+SE适用于MSI不可用场景；CHM+MSI提供强操作基线；MSI+SE可接近全模型性能；CHM+MSI+SE在需要最大精度且有足够标定数据时最合适。未来研究需测试空间可迁移性、更长嵌入轨迹，并评估不同森林类型和干扰制度下的泛化能力。
结论部分翻译：本研究评估了AlphaEarth卫星嵌入（SE）预测因子能否支持北方森林中样地级别站立枯树体积分数建模，无论是作为航拍多光谱影像（MSI）不可用时的替代冠层状况信息源，还是与冠层高度模型（CHM）和MSI预测因子结合的额外预测源。最佳性能由XGBoost使用全CHM+MSI+SE预测因子集实现，表明当冠层结构、光谱信息和卫星嵌入预测因子结合时，站立枯树体积分数预测最准确。MSI+SE也几乎与全预测因子集表现相当，表明光谱和嵌入衍生信息捕获了大部分预测信号。SE预测因子在添加到仅CHM模型时特别有用，表明它们提供了高度指标无法捕获的冠层状况和时间背景信息。然而，SE预测因子应被解释为补充性预测因子，而非MSI的优越替代，特别是因为MSI在本研究中保持最强的独立预测源。当MSI预测因子已包含时，添加SE带来的额外增益较小，表明SE预测因子与航拍多光谱变量捕获的信息存在部分重叠。减少训练分析表明，当野外数据有限时，SE预测因子未改善模型性能，且在添加至CHM+MSI模型时常降低性能，表明高维嵌入预测因子需要充足野外标定数据，不应视为替代充足野外采样的方法。SHAP分析表明，SE预测因子主要通过与MSI衍生的植被状况变量关系贡献，并与CHM变量有额外联系。时间变化嵌入预测因子也属于最具影响力的预测因子。这些发现应被解释为针对芬兰北方森林和样地级别站立枯树体积分数的特定情境，直到用其他森林类型和干扰制度的独立数据进行测试。当MSI和SE数据均可用时，其组合可能提供额外改进，但操作使用应得到充足野外标定数据、更长时间嵌入轨迹以及跨区域和干扰制度的空间独立验证的支持。
