《Remote Sensing Applications: Society and Environment》：Mountain pine time series mapping with Sentinel-2 and assessing their ecological role in Alpine vegetation dynamics.
编辑推荐：
山地松（Pinus mugo）是高山生态系统krummholz带（矮曲林带）的关键物种，对于理解持续气候变化下的树线动态至关重要。尽管具有多种生态系统功能，其空间分布在地形复杂的山地区域仍未得到充分量化。本研究利用Sentinel-2多时相光学影像，结合地形特
山地松（Pinus mugo）是高山生态系统krummholz带（矮曲林带）的关键物种，对于理解持续气候变化下的树线动态至关重要。尽管具有多种生态系统功能，其空间分布在地形复杂的山地区域仍未得到充分量化。本研究利用Sentinel-2多时相光学影像，结合地形特征和纹理特征，训练随机森林（Random Forest, RF）模型，以10米分辨率绘制德国南部的该物种分布图。在空间独立验证下，分类F1分数（F1 score）达到87.5%–90.4%，并应用于生成2017年至2025年的年度山地松分布图。将该方法应用于2025年夏季在楚格峰（Zugspitze）附近获取的高分辨率无人机系统（Unmanned Aerial System, UAS）数据，突显了传感器尺度局限性。Sentinel-2制图在高海拔区域存在检测不足，尤其是在斑块较小且破碎化的景观中，原因是Sentinel-2像元尺度下的混合像元效应。年度山地松时间序列图揭示了斑块动态、与地形相关的分布特征，以及在德国境内欧洲阿尔卑斯山区分布上界的可检测上坡迁移。为证明这些地图的生态相关性，一项探索性固定效应（fixed-effects）分析表明，绿度主要受生长季和初冬温度影响，指示该系统为能量受限系统，变暖条件对其有利。研究结果凸显了机器学习在数据稀缺地区进行高分辨率物种级制图的潜力。该方法为高山生态系统中的其他物种提供了可扩展的工作流程，有助于在不断变化的环境中开展稳健的生态监测。
**研究背景与意义**
IPCC已将欧洲阿尔卑斯山确定为气候变化热点区域，过去一个世纪气温上升1.6–2°C，为全球平均值的两倍。气候变化引发物种多样性变化和树线上坡迁移，而土地弃耕、集约放牧等人为活动也显著影响高山生物多样性。高山松（Pinus mugo Turra）是阿尔卑斯山krummholz带（矮曲林带）的优势物种，具有稳固土壤、减少侵蚀和雪崩风险等重要生态功能。然而，德国阿尔卑斯山区此前缺乏一致的多年度高分辨率高山松分布图，限制了对树线生态系统和krummholz带的生态监测与保护规划。本研究旨在利用Sentinel-2（S2）影像生成2017–2025年高山松时间序列分布图，通过无人机系统（Unmanned Aerial System, UAS）数据评估传感器尺度限制，并在地形、物候和气候层面探索高山松的生态响应，论文发表于《Remote Sensing Applications: Society and Environment》。
**关键技术与方法**
研究人员基于Google Earth Engine构建S2 6–10月逐月无云合成影像，提取光谱波段、NDVI（归一化植被指数）、NARI（归一化花青素反射指数）及由DTM（数字地形模型）衍生的坡度、坡向、冠层高度（Canopy Height, CH）和GLCM（灰度共生矩阵）纹理特征共62个候选变量，经相关过滤、PCA（主成分分析）和RFE（递归特征消除）筛选出30个。参考样本基于巴伐利亚DOP20正射影像人工勾绘，14,000正样本与21,000负样本按多边形分组70/30划分，训练随机森林（Random Forest, RF）分类器逐年制图。UAS数据在楚格峰（Zugspitze）附近Reintal山谷采集；气候数据来自DWD三个站点及1 km网格产品；独立验证用GBIF（全球生物多样性信息机构）记录，气候-NDVI关系用双向固定效应面板模型。
**研究结果**
3.1 特征选择与分类精度：冠层高度和DTM高程的置换重要性最高，GLCM纹理特征次之。年度模型F1分数为93.1%–94.8%（Kappa=0.88–0.91）；空间块交叉验证下F1从90.4%（1 km）降至87.5%（25 km），表明空间自相关存在但精度稳健。
3.2 年度分布图与稳定性：高山松平均海拔约1600 m，年均检测约34,000个斑块，斑块面积分布高度不均（Gini系数≈0.93）。时间滤波序列显示制图面积以?0.56 km
2 yr
?1（p<0.001）递减；面积加权平均海拔无显著趋势。分布上界显著上移（P95：+0.79 m yr
?1；P99：+1.39 m yr
?1），下界下降（P5：?1.40 m yr
?1；P1：?3.19 m yr
?1）。
3.3 GBIF交叉验证：50 m缓冲区一致性为27.6%，250 m升至84.0%，500 m为87.6%，证实制图结果的空间可靠性。
3.4 UAS亚像元检测限制：UAS分类F1为97.3%；S2像元仅在UAS分数覆盖超过0.6时才被分类为高山松，表明S2对高海拔破碎小斑块存在系统性欠检测。
3.5 地形与结构分布：高山松集中于海拔1400–1800 m、坡度20–40°及南—东南坡向；CH中位数3.5 m，随海拔升高逐渐降低，南/东坡冠层最高（5–7 m）。
3.6 NDVI物候：物种呈常绿特征，6—7月NDVI上升指示新梢萌发；夏季NDVI随海拔每300 m下降0.02–0.03，最大值出现在1200–1600 m，北坡下降幅度大于南坡。
3.7 气候对绿度的影响：固定效应模型显示夏季温度（β=+0.0015）和初冬（12月）温度（β=+0.0013）与NDVI正相关；温和冬季周数呈弱负相关（β=?0.0009），冬季降水影响不显著，指示该系统受能量而非水分限制。
**讨论与结论**
上界上移速率高于R?sler等（2024）基于公民科学数据的世纪尺度估计（51 m），但远低于热力梯度单独所允许的500 m，可能受高海拔土壤和基质条件限制。与喀尔巴阡和塔特拉山脉因土地弃耕驱动的二维面积扩张不同，本研究观测到面积净收缩且Gini系数稳定，提示损失发生在既有斑块边缘而非新斑块形成。固定效应分析表明高山松绿度主要受生长季和初冬温度控制，支持能量受限系统假说；冬季温暖期可能引发部分脱硬化从而增加霜冻风险。总体而言，基于机器学习的S2制图方法总体精度约90%，生成了德国首个高山松高分辨率分布产品（2017–2025），可支持krummholz带生态研究、滑坡与雪崩防治评估，并具备向奥地利、意大利等邻国及其他高山物种推广的可扩展工作流程。
