近日，林學(xué)院黃華國教授團(tuán)隊(duì)在中國科學(xué)院1區(qū)期刊Journal of Remote Sensing雜志發(fā)表了題為“A Novel Large Vision Foundation Model (LVFM)-based Approach for Generating High Resolution Canopy Height Maps in Plantations for Precision Forestry Management”的研究論文。該研究提出了一種基于預(yù)訓(xùn)練視覺大模型的人工林冠層高度估算方法，實(shí)現(xiàn)了從亞米級(jí)衛(wèi)星影像捕捉樹冠的細(xì)粒度結(jié)構(gòu)特征與冠層高度空間格局，冠層高度預(yù)測結(jié)果滿足林分監(jiān)測的精度要求，具備用歷史高分衛(wèi)星數(shù)據(jù)回溯人工林高生長過程的潛力。
在“雙碳”戰(zhàn)略目標(biāo)引導(dǎo)下，我國積極推動(dòng)人工林碳匯項(xiàng)目建設(shè)。如何對(duì)人工林碳匯收益開展及時(shí)、精準(zhǔn)的監(jiān)測，以支撐科學(xué)的森林經(jīng)營決策，成為提升資源效率與項(xiàng)目收益的關(guān)鍵瓶頸。近年來，隨著深度學(xué)習(xí)的發(fā)展，研究者開始探索利用超高分辨率RGB影像生成冠層表面模型（CHM）的可能性。常見的卷積神經(jīng)網(wǎng)絡(luò)（CNN）與視覺Transformer（ViT）在空間細(xì)節(jié)刻畫與小尺度人工林適配方面仍存在不足。相比之下，視覺大模型（Large Vision Foundation Models, LVFMs）通過海量數(shù)據(jù)預(yù)訓(xùn)練，具備捕捉復(fù)雜空間模式與環(huán)境依賴的能力，展現(xiàn)出優(yōu)異的特征提取與跨域泛化性能。本研究基于LVFMs的深度特征表達(dá)能力，探索構(gòu)建一種高精度、低成本的人工林CHM生成與生物量監(jiān)測的新路徑。
論文構(gòu)建的CHM生成模型由三個(gè)核心模塊組成：特征提取模塊、自監(jiān)督特征增強(qiáng)模塊與樹高映射模塊（圖1）。首先，特征提取模塊基于預(yù)訓(xùn)練的視覺大模型 DINOv2，從高分辨率RGB影像中提取多尺度深層特征，充分利用其在大規(guī)模數(shù)據(jù)上的先驗(yàn)學(xué)習(xí)能力，以捕獲植被空間格局與高度差異等結(jié)構(gòu)信息。其次，自監(jiān)督特征增強(qiáng)模塊對(duì)提取的特征圖進(jìn)行上采樣與細(xì)節(jié)修復(fù)，在無需額外標(biāo)注的條件下提升特征分辨率，避免因分塊處理導(dǎo)致的空間細(xì)節(jié)丟失，并強(qiáng)化樹冠邊緣與局部紋理表達(dá)。最后，輕量化的樹高映射模塊（小型卷積神經(jīng)網(wǎng)絡(luò)）將增強(qiáng)后的高分辨率特征轉(zhuǎn)換為像素級(jí)樹高值，生成高精度CHM。
圖1.模型結(jié)構(gòu)圖
實(shí)驗(yàn)結(jié)果顯示，本研究構(gòu)建的樹高估算模型能夠在RGB影像上產(chǎn)出高精度的冠層高度估計(jì)。在像素水平上，模型預(yù)測的CHM與激光雷達(dá)實(shí)測值高度吻合：平均絕對(duì)誤差為0.09米，均方根誤差0.24米，決定系數(shù)R2達(dá)到0.78，優(yōu)于當(dāng)前同類方法，表明模型達(dá)到了目前最優(yōu)的CHM預(yù)測水平（圖2）。
圖2.逐像素樹高驗(yàn)證結(jié)果。圖(a)為基于CNN的樹高估算結(jié)果，圖(b)為基于Transformer的預(yù)訓(xùn)練模型DPT的樹高估算結(jié)果，圖(c)為本研究模型估算結(jié)果。結(jié)果驗(yàn)證指標(biāo)：MAE為平均絕對(duì)偏差，RMSE為均方根誤差，R2為決定系數(shù)
生成的CHM在個(gè)體樹檢測中取得了超過90%的準(zhǔn)確率（圖3a），充分證明模型能夠有效保留林分內(nèi)部的細(xì)粒度樹冠結(jié)構(gòu)信息?；贑HM的地上生物量估算結(jié)果與激光雷達(dá)參考值保持高度一致，主要樹種的決定系數(shù)均接近或超過0.8（圖3b），驗(yàn)證了其在生物量反演中的可靠性。同時(shí)，模型在歷史多時(shí)相影像上的適用性亦得到驗(yàn)證：利用不同時(shí)期RGB數(shù)據(jù)生成的CHM能夠穩(wěn)定反映人工林高度隨時(shí)間的增長趨勢(shì)，且模型推算的年度生長量與樹種特性及經(jīng)營措施高度吻合。
圖3.典型應(yīng)用結(jié)果示意。圖(a)為基于生成CHM的單木分割結(jié)果，圖(b)林分尺度生物量估算結(jié)果（以林班邊界為統(tǒng)計(jì)單元）
研究提出的基于視覺大模型的人工林CHM生成與生物量監(jiān)測方法，有效突破了既有方法在成本與精度上的雙重瓶頸，在人工林碳匯監(jiān)測中展現(xiàn)出顯著的業(yè)務(wù)化應(yīng)用潛力。與激光雷達(dá)等傳統(tǒng)手段相比，該方法以極低成本實(shí)現(xiàn)了接近的冠層高度與生物量估算精度，能夠支撐人工林碳匯的高頻率、常態(tài)化監(jiān)測。研究成果為長期追蹤人工林林分生長與碳匯增益評(píng)估提供了關(guān)鍵技術(shù)支撐。
林學(xué)院講師譚深博士為論文第一作者，合作作者包括曼徹斯特都會(huì)大學(xué)Xin Zhang博士、Liangxiu Han教授、我校林學(xué)院黃華國教授、清華大學(xué)地學(xué)系王焓副教授。該工作得到了國家自然科學(xué)基金項(xiàng)目“碳達(dá)峰碳中和路徑與對(duì)策綜合研究”(72140005)、北京市自然科學(xué)基金面上項(xiàng)目“北京市平原林碳匯遙感智能估算方法研究”（3252016）的資助。
論文鏈接：https://spj.science.org/doi/10.34133/remotesensing.0880
