文章转载自微信公众号“生态学家”
Nature | News and Views
一项对卫星图像的分析已经准确地指出了西非大片地区的单个树冠。这些数据表明，在某些限制条件下，很快就有可能绘制全世界每棵树的位置和大小。
陆地生态系统在很大程度上是由其木本植物决定的。草地、灌木丛、草原、林地和森林代表了一系列树木和灌木密度的梯度，从低密度、低矮的木本植物的生态系统到那些有较高树木和重叠树冠的系统。因此，关于生态系统的木本植物结构的准确信息对于我们理解全球规模的生态学、生物地理学以及碳、水和其他营养物质的生物地球化学循环是至关重要的。
Brandt等人在《自然》杂志上撰文，他们对覆盖西非撒哈拉西部和萨赫勒地区130多万平方公里的高分辨率卫星图像的大规模数据库进行了分析。他们绘制了超过18亿棵树冠的位置和大小；以前从未在如此大的区域内对树木进行过如此详细的绘制。
▲图1 | Brandt等人利用亚米级分辨率的卫星图像和深度学习，绘制了西非撒哈拉、萨赫勒和亚湿润区130万平方公里土地上每棵超过3平方米的树木的树冠大小。
大多数卫星数据的空间分辨率相对较粗，单个图像像素通常对应于地面上大于100平方米的区域，而且往往大于1平方公里。这种限制迫使地球观测领域的研究人员把重点放在一些比较粗粒的属性上，比如树冠覆盖的景观比例（被称为树冠覆盖）。
然而，在过去的二十年里，各种商业卫星已经开始以更高的空间分辨率收集数据，能够捕捉到一平方米以下的地面物体。这种分辨率的提高使陆地遥感领域处于一个根本性的飞跃阶段：从专注于总体景观规模的测量，到有可能在大区域或全球范围内绘制每棵树的位置和树冠大小。这场观测能力的革命无疑将推动我们对全球陆地生态系统的思考、监测、建模和管理发生根本性变化。
该研究对陆地遥感的这种转变进行了惊人的展示。作者分析了11000多张空间分辨率为0.5米的图像，以识别树冠直径为2米以上的单个树木和灌木。作者使用人工智能完成了这项巨大的任务——利用一种涉及所谓完全卷积神经网络（fully convolutional neural networks）的计算方法。
这种深度学习方法旨在根据物体（在这种情况下，树冠）在较大图像中的特征形状和颜色来识别它们。卷积网络依赖于训练数据的可用性，在本研究中，训练数据包括卫星图像，但其中树木和灌木树冠的可见轮廓是先需要进行人工标注的。通过使用这些人工标注的样本进行训练，计算机学会了如何在其他图像中高精度地识别单个树冠，从而能够对整个毛里塔尼亚南部、塞内加尔和马里西南部的所有直径大于2米的树木进行了连续绘制。
在之前对全球范围内的树木总数进行估计的研究（Crowther et al., Nature 2015）中，其评估时基于世界各地约43万个森林样地的实地数据获得的。他们然后使用统计回归模型，在植被类型和气候的基础上，估计了实地地点之间的树木密度。他们的分析表明，全球大约有三万亿棵树。然而，这种估计树木密度的方法具有固有的误差和不确定性，特别是对于旱地来说，可用于校准模型的实地测量相对较少。
▲图2 | Crowther等人利用森林清查数据，首次对全球的树木密度进行了评估，发现全球共有约3.04万亿棵树木。
例如，将之前的评估结果（Crowther et al., Nature 2015）与Brandt等人在萨赫勒西部的研究结果进行比较（图1），显示之前的研究倾向于低估干旱地区（年降雨量低于600毫米的地区）的树木数量。
此外，Crowther等人的研究没有提供每平方公里内单个树木的位置和大小的信息，而Brandt等人的研究则提供了每个单独树冠的位置和大小的详细信息。
而且他们的改进还体现在它为较湿润的地区（年降雨量大于600毫米的地区）提供了更高层次的细节，并显示了树木的局部空间变化，这可能与土壤类型、水的可用性、土地利用和土地利用历史的对比有关。
图3 | 大规模的树木测绘。a-b, Crowther等人的评估结果；c-d, Brandt等人的评估结果。相比之下，Brandt等人发现非洲干旱地区的树木密度要更高。
当然，如果要将这一基于遥感影像和深度学习的研究方法扩展到全球，可能还存在一些注意事项和局限性。由于图像空间分辨率的限制，在冠层直径为2米以下时，冠层探测的成功率急剧下降。尽管我们可以期待卫星图像空间分辨率的进一步提高，但探究在不同地区需要什么样的最小树冠尺寸来描述木本植物群落的特征就变得很有意义。
对于全球树冠地图，如果我们假设与大数据量相关的计算和存储挑战可以被克服，那么最大的障碍将在于开发高效的树冠自动分类和划定方法。Brandt及其同事的深度学习方法需要输入大约90,000个人工数字化的训练点。这种方法对于全球规模的工作来说是行不通的，从卫星图像中提取信息的更加自动化（无监督）的方法将是必要的。
一个相关的问题是区分可能看起来像一个大树冠和相邻的、不同个体树木重叠的树冠的能力。为了改善树冠的分离，Brandt等人在训练他们的卷积神经网络时使用了一个加权方案，但仍然诉诸于一个 "树冠丛（canopy clump）"的分类来描述超过200平方米的聚集的树冠区域，这表明分离方法并不总是有效。对于在湿润地区的应用，林地和森林中重叠的树冠很常见，树冠的划分和分离方法将需要完善和自动化，以便在全球范围内可行。
然而，更具挑战性的是树种的识别。尽管根据树冠的颜色、形状和质地是可行的，但在区域和全球范围内以及在生物多样性的生态系统中，这将是特别棘手的问题。在一段时间内，按树种绘制单个树冠图可能仍然是地球观测研究界的首要任务。
在未来的几年里，随着一系列来源的数据——包括光探测和测距（激光雷达）、雷达和高分辨率可见光和近红外传感器——变得更加容易获得，遥感无疑将提供关于植被结构的前所未有的细节。卫星提供的关于树冠大小和密度的高分辨率数据可有助于森林和林地的清查和管理、毁林监测以及对生物质、木材、薪材和树木作物中的碳固存进行评估。
利用这种卫星数据绘制单个树冠的大小和位置的能力将补充其他仪器提供的关于树高、树冠垂直剖面和地面木材生物量的数据的信息。需要继续研究以开发更有效的树冠分类算法。同时，这一研究已经清楚地证明了未来在亚米尺度上绘制全球树冠图的潜力。
文章信息
标题：Satellites could soon map every tree on Earth
期刊：Nature
类型：News and Views
作者：Niall P. Hanan & Julius Y. Anchang【New Mexico State University】
时间：2020-10-14
DOI：https://doi.org/10.1038/d41586-020-02830-3
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
