Nature｜基于深度学习和高分辨率卫星的树木监测研究

非森林树木为人类和动物提供了碳储存、食物资源和住所等生态系统服务，在生物多样性方面发挥着至关重要的作用，但是研究人员的目光仍然集中在森林树木上，导致了有关非森林树木的文献记录和研究过于匮乏。该文使用亚米分辨率卫星图像和深度学习算法，绘制了西非撒哈拉、萨赫勒和半湿润地区，每棵面积超过3平方米的树木的树冠大小。提出了一种监测全球非森林树木的方法，探索非森林树木在减缓退化、气候变化和贫困方面的作用。

利用卫星对非森林树木进行监测

研究团队对西非撒哈拉、萨赫勒和半湿润地区的非森林树木(定义为树冠大小超过3平方米的木本植物)进行了全面识别，依照超干旱、干旱、半干旱到半湿润的降雨梯度进行监测，并按照树冠大小将非森林树木分为灌木(3-15平方米)，小树(15-50平方米)和大树(50-200平方米)，以及非常大的树木和形成灌木丛或灌木的丛状冠层(超过200平方米)。

Mapping trees using deep learning

监测手段

通过使用DigitalGlobe卫星提供的具有极高空间分辨率(0.5米)的卫星数据，研究团队结合现代机器学习技术，实现了单株水平的木本植物测绘，并利用多光谱图像制作了panchromatic and pansharpened normalized difference vegetation index (NVDI)数据集(均为0.5 m空间分辨率)。在研究过程中该团队使用全卷积网络作为关键算法构建块之一，并利用深度学习算法搭建了树木检测框架。

Examples of tree density, crown size and canopy cover

研究成果

研究结果表明树木密度和覆盖率、降雨量成正相关，且该地区大部分树木的树冠面积为3-15平方米。观测结果显示，随着纬度上的增加，半湿润区非沙质土壤的优势度也会之增加；不同雨区内，树木的平均冠径从超干旱区向半湿润区呈递增趋势，随着干旱程度的增加，坡度也会更陡。

Cover and density of individual trees

研究意义及未来发展

当前的研究在关于干旱地区树木数量和树冠覆盖范围问题上仍存在争议，该研究可以帮助解决以上难题。该团队的研究结果显示了目前针对树木覆盖的定义并不全面，因为它没有包括被孤立的非森林树木，也就不适用于这些地区的大部分树木。

Overview of satellite images

该研究证明了，将深度学习与超高空间分辨率的卫星图像相结合，是一种颠覆性的技术，为探测大面积的孤立树木提供了优秀的模型。在训练模型时，由于训练样本存在多种变化，需要大量的训练数据，并且耗时耗力，所以未来将深度学习应用于大规模的卫星图像分析还存在难度。

该研究为建立一个包含所有非森林木信息的综合数据库奠定了基础，这将有利于了解旱地生态系统以及人类活动和气候变化对旱地树木分布的影响。从更长远的角度来看，甚至有助于改进与长期监测、环境评估和信息驱动有关的土地使用政策。因此，旱地树木数据库将是决策者和利益攸关方的重要基准，也是在制定相应举措来保护和恢复干旱和半干旱土地树木时的重要基准，这将关系到缓解退化、贫困和气候变化。

论文链接：https://doi.org/10.1038/s41586-020-2824-5