《Science of Remote Sensing》：Assessing the effectiveness of deep embeddings for tree species classification in the Dutch Forest Inventory
编辑推荐：
研究人员针对荷兰国家森林清查（National Forest Inventory, NFI）制图，将深度嵌入与手工特征进行了基准比较。研究结果表明，深度嵌入在样地尺度和全国地图尺度上均优于手工特征。在NFI样地级任务中，微调后的Presto优于预计算嵌入。预计
研究人员针对荷兰国家森林清查（National Forest Inventory, NFI）制图，将深度嵌入与手工特征进行了基准比较。研究结果表明，深度嵌入在样地尺度和全国地图尺度上均优于手工特征。在NFI样地级任务中，微调后的Presto优于预计算嵌入。预计算嵌入能够生成与样地级精度相匹配的全国地图。数据增强有助于稀有物种，但必须控制空间自相关。
荷兰森林约占国土面积11%，提供重要的气候调节与生态系统服务。国家森林清查（National Forest Inventory, NFI）是相关应用的主要国家参考，但受限于基于抽样的实地测量，通常每5～10年重复一次，难以快速捕捉气候变化和土地利用驱动的变化。遥感可提供高频、全覆盖观测，但传统机器学习方法（如随机森林，Random Forest, RF）依赖手工设计的谐波和季节medoid特征，这些特征需要领域知识，且难以迁移到其他生态或传感条件。近年来，自监督预训练的深度嵌入模型（如Presto、TESSERA、AlphaEarth Foundations, AEF）可从大规模无标注遥感数据中提取通用表示，但尚未在运营性森林清查中得到系统评估。为此，研究人员利用荷兰NFI数据，系统比较了手工谐波与季节medoid特征（209个特征）和三种深度嵌入（Presto、TESSERA、AEF）在树种分类中的性能。研究使用了三个数据集：复杂且不平衡的COMB（13类，1462个样本）、简化且不平衡的SIMB（7类，1479个样本）以及简化且平衡的SIBA（7类，13790个样本，通过照片解译增强）。实验评估了传感器贡献、特征表示、分类器架构和空间上下文的影响，并进行了全国尺度全覆盖制图。研究表明，深度嵌入在样地级和全国尺度上均优于手工特征；微调后的Presto在NFI样地任务中表现最佳；预计算嵌入（AEF和TESSERA）能够生成与样地级精度相匹配的国家地图。该研究为NFI实现高效、可扩展的大规模树种制图提供了新途径。论文发表在《Science of Remote Sensing》。
关键技术方法：研究使用荷兰NFI数据，包括COMB、SIMB和SIBA三个数据集（SIBA由NFI样地照片解译增强而来）。从Google Earth Engine提取2020年1—12月的Sentinel-1/2、ERA5和SRTM时间序列，计算谐波和季节medoid特征；使用Presto微调编码器及其冻结嵌入、TESSERA和AEF预计算嵌入；下游分类器采用随机森林（Random Forest, RF）和多层感知机（Multilayer Perceptron, MLP），70/30分割，5次重复，并测试3×3邻域池化和全国制图。
研究结果：
5.1 Influence of multi-source input features in harmonic and medoid features：通过对比S-1、S-2及组合特征在RF中的分类精度，发现S-1加入S-2带来小幅提升（COMB精度从66.34%升至66.71%，SIMB从72.87%升至74.22%），表明雷达信号提供补充信息。
5.2 Pixel-level classification performance evaluation：在像素级比较了深度嵌入与谐波特征。5.2.1 Deep embeddings vs. Harmonic features：RF使用微调Presto嵌入在所有数据集上优于谐波特征，SIMB准确率78.59%对69.48%，COMB 70.29%对62.80%，SIBA 94.50%对84.47%。5.2.2 MLP vs. RF classifier：使用微调Presto嵌入时，RF在小型NFI数据集上与MLP相当或略优，而在SIBA上MLP明显领先（97.26%对94.50%）。5.2.3 From-scratch vs. deep embeddings：从零训练的TempCNN和MLP在SIMB上接近AEF和TESSERA，但低于微调Presto；在SIBA像素级分割下表现高，但受空间自相关影响。5.2.4 Effect of spatial context: n×n patch pooling：3×3均值池化对TESSERA提升显著（SIMB 72.96%→78.88%，COMB 65.37%→71.78%），对微调Presto在NFI数据有提升，但在SIBA无提升。
5.3 Class level performances：通过混淆矩阵分析，发现阔叶树种间混淆严重（如Alnus召回率仅2.2%，多被误分为栎类），针叶树内部也有混淆（如Pinus spp.被误分为P. sylvestris）。
5.4 Phenological trajectories and gradient-based temporal attribution：物候轨迹显示NDVI和Sentinel-1 VH能区分不同树种；梯度归因表明微调模型在春季展叶、秋季转变等物候窗口集中敏感，并利用短波红外、红、红边等多个波段而非单一指数。
5.5 National-scale species mapping：全国制图结果。5.5.1 1M-pixel mapping before full mapping：在100万像素抽样中，微调Presto和从零MLP在SIBA上产生退化地图（大范围崩塌为Other Broadleaves，丢失针叶树），而冻结的AEF、TESSERA和手工特征保持合理。5.5.2 Full Dutch forest species mapping：基于AEF和TESSERA（3×3均值池化）生成全国地图，SIBA训练的地图整体精度更高（TESSERA 84.68%），并能正确识别Flevopolder地区以杨树为主的区域。
讨论与结论：讨论部分指出，多模态传感器整合带来小幅提升；深度嵌入优于手工特征，但微调嵌入在空间自相关数据上可能过拟合；冻结的预计算嵌入在空间独立评估中更稳健，并支持低成本全国制图。数据增强可改善稀有类表示，但必须控制空间自相关。结论翻译：本研究验证了深度嵌入在NFI树种分类中的有效性。从预训练模型提取的深度嵌入在样地级一致优于传统的谐波和medoid预测特征，且优势来自自监督预训练而非深度学习本身。分类器选择不如表示重要；梯度归因显示模型跨多个波段并集中在物候信息月份。预计算嵌入生成的全国地图精度与样地级一致，证明该方法可支持运营性全覆盖NFI制图。这些结果展示了在NFI系统中实现高效大规模树种制图的潜力。
