基于多传感器与多时相GeoAI框架的南极生态尺度失配解译方法研究

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：A multi-sensor and multi-temporal GeoAI framework for resolving ecological scale mismatch in Antarctica

　　

论文摘要专业翻译 遥感（Remote Sensing, RS）与人工智能（Artificial Intelligence, AI）的进步正在为跨空间和时间尺度的生态监测提供新方法。然而，极地环境中的植被制图仍受到生态过程精细空间尺度与卫星观测粗分辨率之间根本性失配的制约，同时也受限于生物学上可靠的训练数据获取不足。在本研究中，研究人员通过开发一个端到端的GeoAI框架来应对这些挑战，该框架整合了实地观测、无人机影像和卫星时间序列数据，以实现跨尺度植被制图。研究人员提出了一种渐进式弱到强标注工作流，其起点为：1）基于生物学依据的样方标注，结合2）光谱相似性与机器学习，以迭代扩展训练数据，随后3）利用深度学习（Deep Learning, DL）模型进行像素级分割。原生Sentinel-2观测数据（10–20 m空间分辨率）通过基于DL的超分辨率处理，生成约1 m输出网格的产品。高分辨率无人机DL预测结果随后被转换为与超分辨率卫星网格对齐的盖度分数标签，支持厘米至米分辨率的跨尺度建模。研究人员使用空间分离的无人机评估数据对多种DL架构进行评价，并以与无人机衍生的盖度分数参考标签的一致性来评估卫星尺度性能。结果表明，所提出的框架显著提高了数据有限环境中植被制图的可扩展性和生态相关性。性能最优的无人机尺度DL模型（DeepLabv3+）在精细尺度植被分割中实现了0.91的总体精度和0.85的Macro-F1分数。在卫星尺度上，U-Net盖度分数模型对主要植被类别表现出较强的预测性能，包括蓝细菌（R2 = 0.94）和红色Hennediella heimii苔藓（R2 = 0.88），而对光谱复杂或稀疏代表的类别性能有所下降，这表明尽管存在亚像素异质性和光谱混合相关的挑战，跨尺度植被制图仍然有效。本研究为在生态遥感中整合多传感器数据和AI提供了一个可推广的方法论框架，展示了强大的跨尺度性能，同时揭示了在卫星尺度捕捉精细尺度植被异质性所面临的挑战。

论文解读文章

一、研究背景与问题

尺度是生态学的核心概念，深刻影响着生态过程被观测、测量和解释的方式。在时空研究中，最易获取的环境数据来自卫星遥感产品，其空间分辨率远粗于植被群落（包括微生境、环境梯度和斑块级分布格局）的精细空间异质性。这种脱节造成了生态推断中持续存在的尺度失配问题，限制了对空间分布进行精确量化、对生态变化进行检测以及将格局与潜在过程相联系的能力。尽管方法论不断进步，这一问题在生态遥感领域仍未得到根本解决。

近年来，人工智能尤其是深度学习技术的进步显著提升了从遥感数据中提取复杂空间格局的能力。然而，这些方法在生态学中的应用受限于高质量、有生物学依据的训练数据的可获得性。在偏远或后勤条件受限的环境中，实地观测稀疏，影像的人工标注耗时费力，导致基于遥感输出的生态AI模型往往在有限或弱标注数据集上训练，降低了其泛化性、可迁移性和生态可靠性。

南极陆地生态系统为检验跨尺度生态遥感方法提供了理想系统。南极植被稀疏、斑块化，常局限于小型微生境中，且常被大型岩石露头和砾石部分遮挡，即使在无人机高分辨率影像中也可能导致低估。此外，许多南极环境可达性有限，制约了基于实地的验证和具有生态代表性的训练数据收集。因此，南极植被为评估跨尺度遥感框架的方法稳健性、可扩展性和生态有效性提供了严格检验案例。

通过对已发表南极植被制图研究的系统综述发现，多季节研究仍然有限且主要基于卫星，仅少数研究整合了无人机观测；AI应用仍然稀少，多数研究依赖经典机器学习或常规遥感分析而非深度学习；地理独立验证和连续盖度分数直接估算的报告极少。这些发现揭示了关键研究空白：需要整合无人机与卫星观测、采用稳健深度学习方法的综合多季节GeoAI框架，以同时捕捉精细尺度空间异质性和长期生态动态。

二、研究内容与主要技术方法

针对上述问题，研究人员开发了一个端到端GeoAI框架，整合无人机影像、卫星时间序列数据和实地观测，实现跨尺度植被制图。研究在加拿大冰川南极特别保护区（ASPA 131，麦克默多干谷，约77°37′S，163°3′E）开展，该地是稀疏且高度异质的极地荒漠生态系统。

研究采用的主要关键技术方法包括：第一，渐进式弱到强标注工作流，从基于生物学依据的样方人工标注出发，利用光谱角制图（Spectral Angle Mapper, SAM）进行光谱相似性扩展，再经经典机器学习（随机森林、支持向量机、XGBoost、CatBoost）精化，最终生成高质量训练数据；第二，基于深度学习的Sentinel-2超分辨率处理（S2DR3模型），将原生10–20 m分辨率影像增强至约1 m输出网格；第三，多种深度学习分割架构（包括U-Net、U-Net++、U-Net3+、FCN、DeepLabv3+、SegNet、PSPNet、OCRNet、LinkNet和TinyCNN）的评估与优化；第四，将无人机分割预测聚合为与卫星网格对齐的盖度分数标签，实现跨尺度建模。研究数据包括2018年（MicaSense Altum多光谱传感器，约2.56 cm分辨率）和2023年（DJI Mavic 3 Multispectral，约2.08 cm分辨率）两次无人机航测，2018–2025年Sentinel-2卫星时间序列影像，以及2018年样方摄影和2023年手持摄影的实地观测数据。

三、主要研究结果

3.1 渐进式标注显著提升训练数据规模与模型性能

初始人工标注仅包含956个像素和12个训练补丁，经SAM辅助扩展和机器学习精化后，最终产生约393万个精化标注像素、1020个原始训练补丁和3043个增强补丁。以DeepLabv3+模型为基准，Macro-F1分数从仅使用初始标注时的0.31提升至渐进式标注后的0.85，表明渐进式标注的主要收益在于改善类别代表性。

3.2 无人机尺度深度学习分割性能

在空间分离的测试区域上，DeepLabv3+模型实现了最优性能，总体精度为0.91，Macro-F1分数为0.85，在精细尺度植被分割中表现出色。多种深度学习架构的系统比较显示，DeepLabv3+凭借空洞卷积捕捉多尺度上下文信息的能力，在保持精细植被边界准确勾勒方面具有优势。

3.3 卫星尺度盖度分数预测

在卫星尺度上，U-Net盖度分数模型对主要植被类别表现出较强的预测性能：蓝细菌R² = 0.94，红色Hennediella heimii苔藓R² = 0.88。对于光谱复杂或稀疏代表的类别，预测性能有所下降，反映了亚像素异质性和光谱混合带来的挑战。

3.4 超分辨率影像的谱段一致性验证

将S2DR3超分辨率产品聚合回原生Sentinel-2网格后，所有10个谱段的R²范围为0.951–0.982，Pearson相关系数范围为0.976–0.992，RMSE保持低位（0.013–0.038反射率单位），平均偏差可忽略（绝对值<0.004），光谱角中位数为1.42°，表明超分辨率处理良好保留了原始光谱信息。

四、讨论与结论

研究表明，所提出的GeoAI框架在数据有限环境中显著提高了植被制图的可扩展性和生态相关性。渐进式弱到强标注策略有效解决了训练数据不足的问题，深度学习超分辨率处理弥合了卫星与无人机之间的空间分辨率差距，盖度分数聚合策略保留了亚像素异质性。跨尺度建模的成功验证了整合多传感器数据和AI在生态遥感中的可行性，尽管在卫星尺度上捕捉精细植被异质性仍面临挑战。该框架为多传感器数据与AI在生态遥感中的整合提供了可推广的方法论范式，展示了强大的跨尺度性能，同时揭示了在卫星尺度捕捉精细尺度植被异质性所面临的挑战。研究为南极及其他数据受限环境中基于遥感的生态监测提供了新的方法论支撑，对理解极地生态系统对气候变化的响应具有重要意义。