与按年或多年时间步骤制作的干扰图相比，月度森林采伐图可以提供研究社会经济驱动因素所需的更多时间细节(例如，将回收性伐木和刀耕火种与其他木材采伐区分开来)，并描述相关的年度内碳和水文动态。频繁的云覆盖限制了光学遥感在森林变化及时测绘中的应用。免费提供的Sentinel-1合成孔径雷达(synthetic aperture radar，SAR)传感器提供了前所未有的机会，可以比以往更频繁地(即每月一次)绘制森林采伐图。从sentien-1数据中获得的森林采伐的独特景观格局(即，采伐后的斑块与周围完整森林的对比情况)为采伐制图提供了关键信息，但尚未得到充分的探索。在本研究中，提出了一种基于深度学习(即U-Net)的方法，利用Sentinel-1数据中的景观格局，在两个砍伐森林的热点地区(图1，图2)——California, USA 和 Rondˆonia, Brazil——制作为期三年的月度森林收获地图，技术路线如图3，U-Net架构如图4。

　　从图5和图6可知，所提出的方法是可靠的(平均F1得分(用户和生产者准确率的几何平均值)为0.74-0.78;利用Sentinel-1数据进行月度森林采伐测绘，其IoU均值为0.59-0.65，优于传统的基于对象的方法(IoU均值为0.38-0.43)。从Sentinel-1数据中不同的收获模式可以被U-Net瓶颈块识别为完整的实体，这是提出的方法的关键优势;多时相SAR滤波有助于提高算法的精度(分别增加了0.04和0.06的F1和IoU);

　　提出的模型可以使用在特定时间内收集的样本进行训练，并使用来自新区域的稀疏局部样本进行微调，以获得最佳性能，因此，当应用于新的研究地点时，可以大大减少训练数据的收集工作;

　　利用所提出的方法绘制的森林采伐图(图7和图8)显示了月采伐活动的巨大差异:在Rondˆonia，大部分森林采伐发生在7/8月(旱季)，约14%的旱季采伐之后发生了火灾(即刀耕火种);在加州，森林采伐率相对稳定，但由于大火后的回收性砍伐，可能会出现异常高的值。所提出的每月绘制森林采伐图的新方法是及时监测森林采伐和协助利益攸关方制定可持续森林管理战略的重要一步，特别是在云层覆盖频繁的地区。

　　图1 (a)巴西Rondˆonia和美国加利福尼亚的采集地实例。我们将采伐定义为具有规则形状的森林覆盖损失，其原因要么是由商品驱动的森林砍伐(①②)，要么是在受管理的森林中进行的林业经营(③④)。对于每个研究地点，左列为收获后的景观的光学图像，而右列为同一区域的Sentinel-1 SAR图像。②和④给出了光学数据被云覆盖而SAR数据能提供可靠森林变化信号的两个例子。计算了典型收获区的周长与面积比(Perimeter to Area Ratio, PAR)，并突出显示——周长与面积比(PAR)是斑块级形状复杂性的指标，较高的面积比意味着形状更复杂，反之亦然;(b)基于模型调整和可转移的PAR对景观格局影响假说。

　　图2 (a)美国加利福尼亚州(测试区1); (b)巴西Rondˆonia(测试区2)。在模型开发、校准和评价阶段分别使用了训练、参数化和测试样本区。注:这些训练、参数化和测试区域的大小为128 × 128 Sentinel-1像素(每个像素的空间分辨率为10-m × 10-m)，训练、参数化和测试斑块之间没有重叠。绿色区域(森林)和灰色区域(非森林)来源于Hansen全球森林变化产品(2016年)。

　　图3 本研究的工作流程。VHR:非常高的分辨率; GEP:谷歌Earth Pro; GEE:谷歌地球引擎; MTBS:烧伤严重程度的监测趋势。

　　图4 本研究中使用的U-Net架构及参数。颜色代表层、块或连接的类型。层的顶部的数字表示通道的数量。

　　图5 验证#1精度度量条

　　图6 参考数据集的空间显示和基于对象的随机森林模型的分类结果。第一行显示的是谷歌Earth Pro中的高分辨率图像。第二行显示的是原始Sentinel-1 SAR图像，颜色组合为红色- VV、绿色- vh和蓝色- vh。第三行是人工绘制的森林采伐和未采伐的标签，第四到第五行分别是U-Net和基于对象的随机森林(RF)模型的分类结果。

　　图7 加州研究区(a)和Rondˆonia研究区(b)的月度森林收获结果。四个黑色圆圈区域显示为每个研究区单独的放大视图。在四个放大视图窗口旁边是分别从立方体行星卫星获得的采集前后几个月的高分辨率图像。

　　图8 (a) 2017年1月至2019年12月，加州研究区域的月度回收采伐区域(橙色)和其他森林采伐区域(灰色)。加州的两个主要火灾事件被强调，以显示火灾和火灾后抢救性伐木活动之间的时间联系。(b) 2019年1月至2019年12月，Rondˆonia站点月度刀耕火种区(橙色)和其他森林采收区(灰色)。Rondˆonia网站的旱季突出显示，在旱季期间，该地区通常会发生刀耕火种的活动。

　　来源：Zhao F, Sun R, Zhong L, Meng R, Huang C, Zeng X, Wang M, Li Y, Wang Z. (2022). Monthly mapping of forest harvesting using dense time series Sentinel-1 SAR imagery and deep learning. Remote Sensing of Environment, 269: 112822. https://doi.org/10.1016/j.rse.2021.112822

　　编辑：王春颖