使用光谱-空间深度学习从卫星影像中映射树种比例

遥感可以用来收集与森林管理相关的信息。以往的研究展示了使用多光谱卫星影像分类树种的潜力。然而，缺乏可以在大规模混合林地上绘制树种分布的方法。我们提出了一种创新方法，通过哨兵-2卫星影像映射树种的比例。采用卷积神经网络考虑邻近环境量化每像素的树种基面积比例（光谱-空间深度学习）。实施了嵌套的U型神经网络（UNet++）架构。我们制作了瓦隆地区（比利时南部）的地图。考虑了九种树种或树种组合：云杉属、橡树属、山毛榉、道格拉斯冷杉、松树属、杨树属、落叶松属、桦树属以及其他树种。卷积神经网络模型的训练数据集是通过从瓦隆公共森林管理局的地理数据库提取的森林地块地图准备的。覆盖该地区的预测地图的准确性是通过瓦隆地区的森林清查数据独立评估的。提出了一种强大的树种比例地图评估方法，以评估（1）主要树种，（2）树种组成（出现或缺失），以及（3）树种比例（比例值）。指标OAmaj（0.73）的实现值表明我们的方法能够在混合林和纯林中绘制主要树种。指标MS（0.89），MPS（0.72）和MUS（0.83）支持该模型可以在研究区的大多数情况下预测树种组成。云杉属、橡树属、山毛榉和道格拉斯冷杉取得了最佳结果，PA和UA接近或高于0.70。特别是，在低面积比例下，检测橡树属和山毛榉的性能表现优异：PA和UA高于0.70，比例为0.4。预测比例的Radj2为0.50。该方法通过光谱-空间深度学习映射树种比例是创新的，因为它适应了混合森林的复杂性和当前卫星影像的空间分辨率。此外，它通过考虑从纯林到高度混合森林地块的所有像素，优化了模型构建中可用森林数据的使用。当森林清查在广义上可用，即具有树种比例的地理参考区时，该方法具有很强的可重复性和大规模适用性，为森林管理提供了潜力。