卫星遥感分析发现过去十年印度农田大树严重减少

丹麦哥本哈根大学马丁(Martin Brandt)等人使用亚米高分辨率卫星图像和深度学习方法，绘制了西非130万平方千米土地上单颗树(树冠大于3平方米)的分布图，总共检测到了超过18亿颗树，这项研究发表在《自然》期刊，而且被该期刊评为2020年十大重要科学发现之一。这是第一次如此详尽的在单颗树层次上大范围调查树木的分布，也显示了亚米高分辨率卫星图像和深度学习方法结合在绘制更精细地表要素方面的能力，《自然》期刊评价“卫星可能很快会绘制出地球上每一棵树”。

地球科学和生态环境交叉领域的顶刊——《自然可持续性(nature sustainability)》2024年5月15日在线发表了马丁(Martin Brandt)的最新论文，文章题目为《过去十年印度农田大树严重减少》(Severe decline in large farmland trees in India over the past decade)，该文基于米级分辨率遥感卫星数据，绘制了印度6亿棵农田树木的地图(不包括种植园)，并跟踪了过去十年的情况。分析发现，2010/2011年绘制的大树(树冠约96平方米)在2018年约有11±2%已经消失；此外，在2018-2022年期间，超过500万棵大型农田树木(树冠约67平方米)消失了。

以下节选马丁论文的部分内容介绍卫星遥感分析得到过去十年印度农田大树减少的情况和卫星遥感数据处理及分析方法，最后总结和点评。

使用2010/2011年RapidEye卫星图像和2018-2022年PlanetScope卫星图像对印度农田区域在树木层面上进行了跟踪调查，基于3-5米空间分辨率的遥感卫星图像绘制了印度农田内可识别为个体的成年树木，图像的空间分辨率限制了对小树的检测，通常树冠面积>10平方米，农田由之前发布的最新土地覆盖地图(10 米分辨率)确定。

印度经历了大量农田树木的损失(见图1)：

（1）图2a，2018/2019年至2020-2022年期间每平方千米消失的树棵数，估计总共有560万棵树木消失。

（2）图2b，放大到印度西北部的一个热点地区，近年来该地区相当一部分农田大树已经消失。

（3）图2c，2019年成像的PlanetScope卫星图像，假彩色合成显示，树冠为红色，2020-2022年被归类为消失的树在2019年仍然活着。

（4）图2d，2019年检测到的相当数量的树在2022年已不复存在，底图是谷歌地球卫星图。此处消失的树树冠面积大于150平方米，意味着这些树已经成熟。

图2 2018-2022年消失的农田树木(英文原图引自参考资料1)

论文使用的卫星遥感数据为5米分辨率的RapidEye和3米分辨率的PlanetScope，对遥感数据处理生成了2010、 2011、2018、2019、2020、2021和2022年的印度全国范围的定制镶嵌图，其中2010和2011年为RapidEye卫星图像，其它年份为PlanetScope卫星图像。训练了深度学习模型来检测每年的单颗非林树，并通过跟踪不同年份的树冠中心来研究年际变化；计算了每棵树的变化置信度，它由多年检测置信度组成，能够量化检测和变化的不确定性。卫星遥感数据处理和分析方法主要为如下3个方面：

卫星遥感数据准备

（一）挑选卫星图像

根据MODIS的地表反射率产品(MOD09)确定的物候窗口来搜集卫星图像；采用了较为严格的标准来筛选图像，如太阳高度角、云量和清晰度等。

（二）制作1°×1°的镶嵌图

使用同一时期的Landsat和Sentinel-2卫星图像和直方图匹配算法来调整颜色差异以形成均匀的镶嵌图，每个波段标准化为0-255之间的值。

模型训练和单株树检测

（一）训练数据

在树冠中心用点标签对树木进行人工标注，PlanetScope图像标注13万个样本，RapidEye图像标注10万个样本，使用谷歌地球和必应的高分辨率卫星图像来验证。在效果不理想区域添加样本，反复到结果满意为止。

（二）模型训练

使用卷积神经网络(CNNs)生成一个可信度图，显示单棵树的位置(见图3)。可信度图("热图")的峰值被假定为树冠的中心。使用20%的训练数据作为验证数据来监控训练过程，模型进行了2500次训练，共训练了5个模型。

（三）单株树检测

使用5个模型的集合对镶嵌卫星图进行预测，并对热图的结果取平均值。集合热图的局部最大值被转换为点文件，反映了树冠的中心；树冠中心的峰值置信度被保存为与每个质心相关的属性值，反映了检测置信度。置信度低于0.35，则认为未检测到树。

树变化制图

（一）定义缓冲区

在检测到的树冠中心周围定义了一个15米的圆形缓冲区，检测后续几年是否检测到树木，如果没有则为消失的树。

（二）树还在和树消失分类

结合了 RapidEye卫星图像(2010年和2011年)的结果以反映前期，结合PlanetScope卫星图像(2018‑2022年)的结果以反映后期；然后将前期发现的树冠中心与后期进行比较，如果1颗树只在前期被观察到，而在后期没有被观察到，归类为树消失；这棵树在两个时期都被观察到，则归类为树还在。

（三）变化置信度(2018-2022年)

“变化置信度”指标将树木检测的置信度量化为3个类别：消失的树、树和低置信度树/错误分类。如果一棵树在2018年或2019年以高置信度被发现，或者在2年内以中等置信度被发现，然后在连续3年(2020、2021和2022年)均未被发现，将它标记为消失的树。如果一棵树在1年内以非常高的置信度被发现，或者在几年内以低置信度或中等置信度被发现，则将质心标记为树。如果1棵树仅在1年内以低置信度或中等置信度被发现，则将其标记为低置信度树。

马丁的新论文《过去十年印度农田大树严重减少》相较于2020年发表在《自然》期刊上论文使用了分辨率相对较低的米级数据，主要原因是大范围时间序列的亚米数据成本较高，10米级的免费数据识别单株树木空间分辨率又不够，论文使用的米级数据成本比亚米级图像低几个数量级。新论文的分析结果出人意料，印度农田的大树严重减少，减少的原因很可能是耕作方式的改变，农田里减少的大树也有利于农作物产量的提升。

马丁的论文定位和量化了大范围农田内单株树木及其多年变化，论文中对卫星遥感数据的挑选处理、样本制作、模型训练、树变化制图、不确定性来源分析、树木检测和变化评估都有力支撑了其结论的可靠性。对数据处理、分析和结果讨论的细节都在原论文中，值得一读。