卫星点名，没你不行：全球树木普查来了！

原文作者：Niall P. Hanan & Julius Y. Anchang

一项卫星图像分析精确定位了一大片西非土地上的每个树冠。这些数据表明，虽然会有局限性，但我们很快就能绘制出全世界的树木位置和大小地图了。

对陆地生态系统的定义在很大程度上取决于其木本植物。草地、灌丛、热带稀树草原、林地、森林代表了各个层次的乔木和灌木密度——从低密度、低矮木本植物为主的生态系统，到乔木高耸、树冠相叠的生态系统。可以说，掌握生态系统中木本植被结构的准确信息，是我们理解全球生态、生物地理，以及碳、水和其他营养素组成的生物地球化学循环的重点。Brandt等人[1]在《自然》发文报道了他们对一个大型数据库的分析，数据库所包含的高分辨率卫星图像覆盖了西非西撒哈拉和萨赫勒地区130多万平方千米的土地。作者绘制了逾18亿个个体树冠的位置和大小——此前从未在如此大面积土地上对树进行过这种尺度的定位。

大部分卫星数据的空间分辨率相对欠佳，单个图片像素对应的土地面积一般超过100平方米——许多甚至超过1平方千米。这一限制让地球观测领域的研究人员不得不测量综合性质，比如从顶部往下看，被树冠遮盖的景观的比例（这个比值也被称为树冠覆盖度）。

过去20年里，各类商用卫星已经开始采集空间分辨率更高的数据，这些数据可以捕捉到大小在1平方米或以下的地面物体。分辨率的提升让陆地遥感领域迈上了飞跃性的台阶：从关注景观层面的整体测量数据到有潜力在大片区域或全球尺度上绘制每颗树的位置和树冠大小。这场观测能力的革命无疑将从根本上改变我们思考、监测、模拟、管理全球陆地生态系统的方式。

来源：pixabay

Brandt等人以具有冲击力的方式展现了陆地遥感技术的这种转变。几位作者分析了逾1.1万张空间分辨率为0.5米的图像，寻找其中树冠直径不小于2米的每一棵乔木和灌木。作者借助人工智能完成了这一庞杂的工作，他们使用的是一种涉及“全卷积神经网络”的计算方法。该深度学习方法的设计理念是基于物体的特征形状和颜色，在更大的图像中识别它们（此处为树冠）。卷积网络依赖于训练数据，这里的训练数据是卫星图像，图像中可见的乔木和灌木的树冠轮廓利用人工方法进行追踪。通过训练如何使用这些样本，计算机学会了如何在其他图像中找出高分辨率的单个树冠。最终，研究人员得到了整个毛里塔尼亚南部、塞内加尔、马里西南部地区的所有直径大于2米的树木地图。

此前的一次全球树木数量估算[2]是利用全球约43万个森林样地的实地数据完成的。该研究作者利用统计回归模型，基于植被型和气候，估算了这些野外实地之间的树木密度。作者的分析显示，全球约有3万亿棵树木。不过，这种估算树木密度的方式存在固有误差和不确定性，对于旱地尤其如此，因为能用来校准这类模型的旱地实地测量数据相对较少。

比如，将之前这项研究结果与Brandt等人在西萨赫勒的研究结果相比较（图1），可以发现前者容易低估干旱地区（年降雨量少于600毫米）的树木数量。此外，之前的估算数据并未提供每平方千米内每颗树木的位置和大小信息，而Brandt等人却给出了每个树冠的详细位置和大小。最新研究的进步还体现在潮湿地区（年降雨量大于600毫米）的细节水平更高，显示了假定与土壤类型、可用水量、土地利用及土地利用历史相关的树的局地空间变异性。

图1 | 大尺度树木地图。关于树木分布的准确信息能为生态学研究提供有用洞察，但要获取较大面积土地的这类数据存在挑战。a，此前一项研究[2]基于实地样地数据（图中为西非的数据样本）估算了全球每公顷的树木密度。a图中的方块内是一片干旱地区（年均降雨量少于600毫米），对应图b。虚线显示为年均降雨量（单位为毫米）边界。c，d，Brandt等人[1]利用一种能分析高分辨率卫星图像的人工智能方法，鉴定了西非地区的单个树冠。作者在非洲旱地发现的树木密度高于此前研究结果。比如，Brandt等人对a图中方块的对应地区进行了分析，得到了c图显示的每公顷树木密度。他们还鉴定了每个树冠（绿色）的大小和位置，如d图所示，对应c图中的方块地区。此前研究并未提供这种细节的树木信息。（上图根据参考文献[1]和[2]制作。）（施普林格·自然对于出版地图中的管辖权声明持中立态度。）

当然，Brandt等人的工作以及扩展他们的方法用于全球性分析的潜力也存在需要注意的地方和局限性。对于直径小于2米的树冠来说，由于影像空间分辨率的约束，树冠探测的成功率会大幅下降，与早前研究[3]一致。虽然卫星图像的空间分辨率尚有提升空间，但我们不禁要问：表征不同地区的木本植物群落所需的最小树冠大小是多少？对于全球性的树冠地图绘制，若假设涉及大规模数据的计算和储存挑战是可以克服的，那么剩下的最大障碍将在于开发出能对树冠进行自动分类和圈定的有效方法。Brandt等人的深度学习方法要求输入大概9万个人工数字化的训练点。这种方法显然在全球尺度上并不可行，必须要有更自动化（无监督）的方法来从卫星图像中提取信息[4]。

其中的一个相关问题是能够区分出真的大型树冠，或是相邻的不同树木形成的相叠树冠。为了提升区分树冠的能力，Brandt等人采用一种加权方法来训练他们的卷积神经网络，但他们仍需借助“树冠丛”分类来描述面积超过200平方米的聚集树冠区域，这说明该区分方法并不总是有效。而在潮湿区域，树冠相叠在林地和森林更为常见，树冠的圈定和区分方法需要改进和实现自动化，才能适用于全球尺度。

不过，更大的挑战在于树种鉴定。虽然可以基于树冠颜色、形状和质地[5]来判断，但在地区和全球尺度以及整个生物多样生态系统中要做到这一点将尤其困难。未来一段时间内，按物种绘制单个树冠或是地球观测研究领域的一个主要目标[6]。

未来几年，随着各种来源的数据更易获取——光检测与距离修正（lidar）、雷达、高分辨率可视近红外传感器，遥感无疑将带来关于植被结构的前所未有的详细信息[7]。来自卫星的关于树冠大小和密度的高分辨率数据或有助于森林和林地清查与管理、滥砍滥伐管控，以及对生物量、木材、薪炭林、林木作物的碳封存情况进行评估。能够利用这类卫星数据绘制树冠大小和位置地图，将是对其他仪器已能提供的数据的有益补充，比如已能获得的树木高度、垂直树冠信息、地上林木生物量。接下来要继续展开研究，开发出更有效的树冠分类算法。与此同时，Brandt等人也清晰展示了将来在亚米级尺度上绘制全球树冠地图的潜力。

参考文献：

1. Brandt, M. et al. Nature https://doi.org/10.1038/s41586-020-2824-5 (2020).

2. Crowther, T. W. et al. Nature 525, 201–205 (2015).

3. Axelsson, C. R. & Hanan, N. P. Biogeosciences 14, 3239–3252 (2017).

4. Reichstein, M. et al. Nature 566, 195–204 (2019).

5. Engler, R. et al. Forest Ecol. Mgmt 310, 64–73 (2013).

6. Draper, F. C. et al. Trends Ecol. Evol. https://doi.org/10.1016/j.tree.2020.08.003 (2020).

7. National Academies of Sciences, Engineering, and Medicine. Thriving on Our Changing Planet: A Decadal Strategy for Earth Observation from Space (Natl Academies Press, 2018).

原文以Satellites could soon map every tree on Earth为标题发表在 2020年10月14日的《自然》新闻观点版块

© nature

doi: 10.1038/d41586-020-02830-3

点击阅读原文查看英文原文

点击图片阅读热门文章

打开全新“视”界：冷冻电镜成像技术首达原子分辨率

天天吃土，土还太“咸” | 植物如何感知环境中的盐胁迫

太空中漂浮的数十万人造物体，我们该拿它们怎么办？

版权声明：

本文由施普林格·自然上海办公室负责翻译。中文内容仅供参考，一切内容以英文原版为准。欢迎转发至朋友圈，如需转载，请邮件[e-mail]。未经授权的翻译是侵权行为，版权方将保留追究法律责任的权利。

© 2020 Springer Nature Limited. All Rights Reserved

喜欢今天的内容吗？喜欢就给我们一个“三连”（转发，将公众号设为星标🌟，在看⇣⇣）吧！

Nature Research科研服务

点击图片阅读