面向人工智能的高分辨率森林扰动遥感数据集

受损森林为何与所有人相关

在整个欧洲，森林正面临来自干旱、风暴、害虫和采伐的日益压力。这些变化常以难以从地面察觉的小斑块形式出现，但它们影响着从徒步景观到碳储存及区域气候的方方面面。本研究引入了一个新的开放数据集，将德国森林的超高分辨率航拍照片转化为人工智能的训练资料，使得检测森林何时、何地以及为何受损变得更加容易。

从高空以精细视角看森林

研究聚焦于莱茵兰-普法尔茨，一个位于德国西部、森林覆盖率高的联邦州，近几十年尤其是云杉经历了严重的树木衰退。作者并未依赖将地表模糊为10–30米像素的常见卫星影像，而是使用分辨率仅为20厘米的航拍照片——足够清晰以区分单棵树冠和狭窄的林隙。每幅大型航拍场景被切分为标准的100×100米瓦片，形成约1.75万张影像补丁的集合。这种细粒度视角使得常被粗糙传感器忽略的小而不规则的扰动斑块得以更精确地绘制。

加入肉眼看不见的颜色与林高信息

该数据集不仅存储常规彩色照片。每个瓦片包含五层信息：红、绿、蓝、近红外波段以及一个物体高度估计。近红外可以揭示植被的光合活性，使受胁或死亡的树木在影像中与健康植被区分开来。高度层由地表高程模型与地面高程模型结合生成，显示物体的高度，有助于分辨立着的树木与伐区或倒木。结合这些层，既捕捉了林冠的“色彩”，也捕捉了其“形状”，为人工智能模型提供了区分不同扰动类型的线索。

将专家知识转化为训练数据

高质量的训练数据是许多人工智能项目的瓶颈，森林监测亦然。为对影像进行标注，团队将国家公园和州级报告系统的现场扰动记录与细致的视觉判读相结合。第一步，护林员的现场观察被人工转录为详细的扰动多边形。接着，使用现代计算机视觉模型对更大范围数据库中通常粗糙的扰动轮廓进行微调，使其对齐到影像中实际可见的受损区域。专家随后使用定制的网页工具审阅了数千张瓦片，修正边界、类别与遗漏的斑块。最终产出是一组分割掩码，将每个像素标注为松毛虫危害、清伐、风倒或背景，专家验收率超过90%。

人工智能能多好地“读”懂森林

为展示数据集的能力，作者训练了一种流行的深度学习结构以自动分割扰动类型。使用全部五个通道时，模型正确分类了约88%的像素，在识别清伐和松毛虫危害方面表现尤为出色。另一次实验系统地移除输入通道以观察各通道的重要性。去掉近红外或高度层导致性能下降最大，特别是在检测死亡或被采伐林分以及纠结的风倒区时。这证实了将光谱线索与三维结构信息结合，对于识别树木死亡或被移除的细微差别至关重要。

对未来森林监测的意义

对于非专业读者，主要结论是该研究提供了一个经过精心策划、开放可用的训练场，用于构建能够从上方“解读”森林的人工智能系统。通过将清晰的航拍视图与可信的扰动标签配对，它使研究人员、机构乃至保护组织更容易构建和比较用于追踪森林健康的自动化工具。尽管该数据集基于德国的一个联邦州，其设计与随附发布的代码为其他地区提供了可借鉴的范式。长期来看，这类资源有助于社会在从单一林斑到整个区域的尺度上更早地发现并响应森林问题。

引用: Rodríguez-Paulino, E., Stoffels, J., Schlerf, M. et al. An AI-ready remote sensing dataset for high-resolution forest disturbance mapping. Sci Data 13, 490 (2026). https://doi.org/10.1038/s41597-026-07084-8

关键词: 森林扰动, 遥感, 航拍影像, 深度学习, 松毛虫