基于深度学习与多源遥感数据的植被联盟（Vegetation Alliance）制图

《Remote Sensing》：Mapping Vegetation Alliances Using Deep Learning and Multi-Source Remote Sensing Data

　　

制图植被联盟（Vegetation Alliance）对于理解干旱与半干旱地区的生态格局及支撑可持续土地管理至关重要。然而，传统遥感通常仅区分草地边界或宽泛子类，无法辨别特定植被联盟；同时，传统植被制图高度依赖野外调查、人工解译与专家知识，劳动密集，难以高效支撑大区域制图。研究人员提出一种高效植被制图方法，将野外调查数据与多源、多时序遥感变量通过深度学习集成。研究人员设计了一系列深度神经网络（DNN）模型，系统表征并利用光谱特征、气候因子与地形生境特征，对新疆这一典型干旱至半干旱区的32个植被联盟进行精细分类。所得2023年植被图在独立测试集上联盟级分类总体精度（OA）达0.5125，五个主导联盟——针茅属（Stipa spp.）荒漠草原、针茅属（Stipa spp.）草原、早熟禾属（Poa spp.）草甸及猪毛菜属（Anabasis spp.）荒漠合计占新疆总面积逾10.45%。相较传统方法，该方法显著提升制图效率，为大区域可更新植被分类提供可扩展方案，并为干旱半干旱区生态评估与动态监测提供参考。

研究背景方面，植被图是描述自然环境与生态资源的基础工具，但常规土地利用与土地覆被（LULC）产品多停留在植被群系组（Vegetation Formation Group）粗粒度，而植被联盟作为以优势种界定的更细分类单元，能揭示牧压资源的异质性，区分可食高蛋白牧草与低适口度覆盖类型，支撑可持续放牧管理。传统野外调查虽精细但覆盖有限且劳动密集；遥感具广覆盖与复现观测优势，但单一光谱与植被指数难捕捉精细结构与功能多样性。新疆作为典型干旱半干旱区，景观高度异质，自然植被受海拔梯度驱动呈破碎化分布。已有遥感结合机器学习制图在效率上提升，仍难刻画联盟级复杂性。多源多时序遥感可纳入气候、地形、物候等生境特征，但高维数据需可扩展处理。深度学习能自动抽取非线性抽象表征，因此研究人员集成生态野外调查标签与多源多时序遥感特征，构建层次化深度神经网络框架，在新疆实现联盟级精细制图。

关键技术方法上，研究人员于2023年在新疆开展野外调查，采用网格化与分层覆盖双策略采样，以0.5 m×0.5 m样方记录优势种并依《中国植被分类系统修订方案》归并75个原始联盟为32类，获1391条标注样本；遥感侧在Google Earth Engine（GEE）平台整合250 m分辨率MODIS为主的多时序数据，涵盖地形（DEM、坡度、坡向）、植被指数（NDVI、EVI、LAI、FPAR、GPP）、气候（地表温、降水、土壤湿度、蒸散）与多光谱影像共315期，统一重采样至250 m；模型采用TensorFlow构建4层全连接DNN（256-128-64-32节点），隐藏层用ReLU激活，接Batch Normalization与Dropout，以Focal Loss结合类别平衡权重缓解长尾不平衡，Adam优化；训练采取自顶向下层次分类：先分9个植被群系（Vegetation Formation）再各训子模型分32联盟；以随机森林（RF）静态特征与RF多源多时序作基线，做消融与bootstrap验证。

研究结果部分，3.1节模型性能显示，独立测试集上DNN联盟级OA为0.5125，平衡精度0.3746，宏精度0.5084，宏召回0.5125，宏F1 0.4930；多数类基线仅0.2007，证明学到真实模式；粗化至9群系级OA升至0.6667。DNN较RF静态特征OA高17.92个百分点；RF多源多时序OA虽0.5595但宏F1仅0.2276，表明传统树模型在高维时序下过拟合多数类。消融实验中平铺分类降至0.4552，换交叉熵降至0.4373，去BN与Dropout降至0.2007，印证层次化、Focal Loss与正则化缺一不可。3.2节植被联盟制图中，2023年新疆联盟图识别32类，面积最大为Stipa spp. desert steppe（65944.71 km²，占植被面积17.53%），次为Stipa spp. steppe（9.00%）、Poa spp. meadow（7.43%）、Artemisia spp. desert（6.23%）、Stipa purpurea steppe（6.05%），空间格局与已知海拔梯度及历史图件一致。3.3节群系级分类获9类，自然群系以丛生草原（Tussock Steppe，163216.66 km²）、半灌木草本荒漠（Semi-Shrub and Herb Desert，88597.11 km²）、根茎草甸（Rhizome Meadow）居前，证明粗粒度边界更分明、光谱混淆更低。

讨论部分指出，该方法相对VegCAMP等人工精解范式优先空间可扩展性，以自动化特征抽取实现大区域可更新制图；新疆联盟分布与历史《中国植被图》及文献点吻合，2010s至2023变化表现为整体变绿、荒漠面积基本稳定、耕地因低盖度草场转化显著扩张。局限在于稀有联盟样本少致长尾误差、250 m空间分辨率存混合像元、过渡带易混淆（如Phragmites australis草甸与盐生草甸），框架留作模块化可迭代。结论部分翻译如下：本研究提出一种集成生态野外调查与多源遥感变量、基于深度学习的干旱半干旱区精细植被制图框架；通过层次化DNN生成新疆联盟级地图，辨识32个植被联盟，较传统LULC产品实现显著分类细化；方法在粒度上以群系到联盟层次降低相似群落混淆，精度上DNN较RF基线OA提升17.92%（0.5125对0.3333），证实其抽取非线性生境关系能力，效率上以模块化流程克服人工限制并形成可更新系统；虽稀有类样本不平衡制约当前性能，但验证了深度学习支撑大区域高分辨生态监测之可行，未来扩样、引空间上下文与先进架构可进一步提升精度与动态管理支撑力。