《Remote Sensing of Environment》：Deep learning-based forest disturbance detection for Europe using Landsat time series
编辑推荐：
森林在气候调节、碳储存、自然保护和人类福祉中扮演着至关重要的角色。然而，这些服务正日益受到不断增加的森林干扰（forest disturbance）的威胁。因此，需要对大陆尺度的森林干扰进行持续、长期的监测。在此，研究人员提出了一种利用深度学习架构从Lands
森林在气候调节、碳储存、自然保护和人类福祉中扮演着至关重要的角色。然而，这些服务正日益受到不断增加的森林干扰（forest disturbance）的威胁。因此，需要对大陆尺度的森林干扰进行持续、长期的监测。在此，研究人员提出了一种利用深度学习架构从Landsat数据绘制全欧洲森林干扰图的新方法。具体来说，研究人员实施了两种时间卷积神经网络（TempCNN）和一维U-Net（1D U-Net）架构，用于像素级的年度森林干扰检测，并将其性能与随机森林（Random Forest）基线进行了比较。研究表明，这两种深度学习模型在使用短时间序列（如5年窗口）和原始Landsat波段时均表现出稳健的性能，其中1D U-Net模型通过平衡漏检误差（omission error）和误检误差（commission error），始终优于随机森林。利用选定的模型配置，研究人员生成了1986年至2024年间覆盖整个欧洲的年度干扰图。通过一个包含14000个独立验证像元的参考数据集进行评估，结果显示加权F1分数（weighted F1-score）为0.82，漏检误差为0.16，误检误差为0.21。新的深度学习地图在空间和时间上都比之前的随机森林地图表现更好，尤其是在北欧和山区等具有挑战性的环境中，误检率显著降低。本研究呈现了一种稳健且经过验证的方法，用于从Landsat时间序列中检测森林干扰，提供了涵盖216百万公顷森林、跨越近四十年的年度干扰图，包括对重复干扰事件的检测。
论文解读文章
1. 研究背景与问题
森林对于气候调节、碳储存和生物多样性保护至关重要。然而，在欧洲，由人为采伐和自然因素（如山火、虫害、风灾）引起的森林干扰事件频率和强度都在增加。为了有效管理和应对这一趋势，亟需一套覆盖全欧洲、长期且一致的森林干扰监测数据。
现有的森林干扰产品存在一些不足：
- •
传统方法局限：无监督变化检测算法对参数设置敏感；而基于机器学习的分类方法，如已有的欧洲森林干扰图集（European Forest Disturbance Atlas, EFDA），虽然能检测多次干扰，但在大气和光照条件复杂的地区（如北欧、山区）容易出现较高的误检误差。
- •
数据需求：全球尺度的产品往往无法捕捉欧洲森林干扰格局的复杂性。因此，需要一个专门针对欧洲、长时序（回溯至1980年代）、高精度的干扰数据集。
为了解决上述问题，研究人员旨在探索深度学习方法的潜力，以期更准确、更稳健地绘制全欧洲尺度的森林干扰图。该研究成果发表于《Remote Sensing of Environment》。
2. 主要关键技术方法
研究人员采用了一套完整的遥感与深度学习技术流程：
- 1.
Landsat数据立方体构建：收集了1984年至2024年间生长季（6月1日至9月30日）的Landsat 4-9卫星影像，共160,858景。通过FORCE处理框架进行大气校正、地形校正和云掩膜，并采用最佳可用像元（Best Available Pixel, BAP）合成方法生成年度无云影像。
- 2.
参考数据集建立：使用了包含35,000个人工解译像元的参考数据集（来自Senf等人，2026年）。该数据集基于分层等额抽样设计，在每个国家选取1000个像元，其中一半位于先前地图标记的干扰区，一半位于非干扰区。最终，14,000个像元用于独立验证，21,000个用于模型训练和测试。
- 3.
深度学习模型：
- •
TempCNN：采用三个连续的时间卷积层，无池化操作，直接从光谱时间序列中学习特征。
- •
1D U-Net：将经典的U-Net架构适配到一维时间序列，包含编码器-解码器结构、跳跃连接和多核时间卷积，并在瓶颈层加入了时间自注意力模块。
- •
随机森林（Random Forest）基线：作为对比的传统机器学习方法。
- 4.
实验设置：所有模型均以3、5、7年的固定长度子序列作为输入，预测目标年份的干扰发生概率。模型使用焦点损失函数（Focal Loss）解决类别不平衡问题，并通过早停法（Early Stopping）和超参数调优进行优化。
3. 研究结果
3.1 深度学习模型配置评估
- •
通过比较不同窗口大小和目标位置，发现5年窗口和中心年预测的组合为两个深度学习模型带来了最高的平均精度。
- •
在所有测试配置下，1D U-Net模型的性能始终优于TempCNN和随机森林。特别是在使用5年窗口和中心年预测时，1D U-Net取得了最高的F1分数和AUPRC值。
- •
随着窗口从3年增加到5年，模型性能提升显著，但从5年增加到7年时提升有限，表明5年窗口足以捕获关键的干扰信号。
3.2 地图验证与对比
- •
利用独立的14,000个验证像元，对1D U-Net生成的最终年度干扰图（1986-2024）进行了严格评估。经加权引导法（Weighted Bootstrap）校正抽样偏差后，全欧洲范围的总体验证指标为：加权F1分数0.82，漏检误差0.16，误检误差0.21。
- •
与基于随机森林的已有地图相比，1D U-Net地图的误检误差显著降低（从0.35降至0.24），同时保持了较低的漏检误差，表明其在减少虚警方面具有明显优势。
- •
空间分析显示，新地图在北欧和山区等挑战性区域的误检情况大幅减少，空间一致性更高。时间序列分析也表明，新地图能够更好地捕捉到重复干扰事件。
4. 讨论与结论
讨论总结：研究人员指出，深度学习模型，特别是1D U-Net，之所以能取得更好的性能，归功于其能够自动学习更具判别力的时空特征，并能更好地利用时间上下文信息来区分真实的干扰和噪声。1D U-Net的编码器-解码器结构和跳跃连接使其在保持高分辨率的同时，也能整合多尺度的时间信息，从而在处理不同持续时间和形态的干扰轨迹时更具优势。此外，该模型对短时序输入的稳健性降低了数据预处理的要求，提升了方法的可推广性。
研究结论：本研究表明，深度学习，尤其是1D U-Net架构，为从Landsat时间序列中进行大规模、高精度的森林干扰检测提供了一种强大且稳健的工具。由此产生的欧洲森林干扰图不仅精度超越了现有产品，还提供了长达近四十年、涵盖重复干扰事件的连续记录。这项工作为理解欧洲森林动态、评估气候变化影响和支持可持续森林管理提供了宝贵的数据基础。
