💡这项突破是什么?
信息学院科研团队在森林冠层结构精细反演方面取得进展
近日，信息学院（人工智能学院）陈志泊教授团队针对城市森林冠层结构精细反演的技术瓶颈，提出了MiMNet-STASF时空解耦深度学习框架，相关成果以“MiMNet-STASF: a spatiotemporal decoupled network for sub-pixel canopy structure retrieval of urban forests with multi-source long-term remote sensing time series”为题，发表于遥感与地球观测领域TOP期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（中国科学院一区，IF=12.2）。
城市森林在碳汇固碳、微气候调节、生物多样性维持和宜居环境营造等方面具有重要作用。其中，森林冠层高度及其垂直分层结构，是反映森林生长状态、结构复杂度和生态功能的关键指标。然而，在城乡交错、地物破碎、植被类型复杂的区域，城市森林冠层结构反演面临精度、稳定性和尺度适应性不足等问题。地面调查覆盖范围有限，无人机激光雷达难以支撑大范围常态化监测，单一卫星遥感数据又存在穿透能力不足、光谱饱和等局限，制约了城市森林精细化管护。针对上述问题，研究团队以河北雄安新区这一典型城乡过渡带区域为研究对象，构建了面向城市森林冠层结构反演的高分辨率样本体系，并以无人机机载激光雷达数据作为监督信息，对森林冠层进行精细化结构建模。在数据层面，研究依托24个月长时间序列Sentinel-1雷达与Sentinel-2光学遥感数据，充分利用多源遥感在结构感知、光谱响应和物候表征方面的互补优势，为复杂场景下的冠层结构反演提供了更完整的信息基础。
图1 模型框架图
在方法设计上，团队提出的MiMNet-STASF框架采用嵌套式Mamba架构，实现了空间特征提取与时间序列建模的有效解耦。其中，内部视觉Mamba模块用于多尺度空间特征编码，重点捕捉林地内部细微的形态差异与空间纹理变化；外部双向Mamba模块则用于建模长时序依赖关系，挖掘植被在不同季节和不同生长阶段的动态演化规律。在此基础上，STASF时空自适应融合机制进一步对空间尺度、时间可靠性与像元级证据进行动态协调，从而提升模型在复杂异质场景中的稳健性和判别能力。此外，研究还设计了物理信息感知的双任务回归头，联合预测森林冠层高度以及三个高度层（<10米、10–20米、≥20米）的亚像元占比，以增强结果的物理一致性和结构可解释性。
图2 MiMNet-STASF 冠层高度反演结果
实验部分，研究团队以雄安新区为核心研究区，将MiMNet-STASF与RNN、CNN、Transformer、SSM等四大类范式下的13种主流深度学习模型进行了系统对比。结果显示，MiMNet-STASF在森林冠层高度反演任务中表现最佳，决定系数R2达到0.8963，均方根误差RMSE为1.0903米，整体性能优于所有对比方法。在垂直结构比例反演方面，模型同样表现稳定，尤其在高层树木占比这一难度更高的目标上仍保持较好鲁棒性，说明其不仅能够估计冠层高度，还能更全面地刻画森林内部垂直结构。进一步的跨时间回推实验表明，模型在历史时相中仍能较好保持林地纹理和结构连续性，具备一定的时间迁移能力。消融实验也验证了各模块的有效性，结果显示多尺度空间建模、长时序依赖捕捉和时空自适应融合具有明显协同作用；同时，Sentinel-1与Sentinel-2的融合效果优于单一数据源，体现出雷达与光学遥感在森林结构识别中的互补优势。对于城市森林而言，这种面向结构层级的反演能力，具有更高的应用价值，可为森林健康评估、群落演替分析和生态功能识别提供更加精细的量化依据。
近年来，陈志泊教授团队持续聚焦人工智能技术与林业应用的交叉融合，在高分辨率遥感图像解译、深度学习模型设计与生态参数反演等方向不断探索。此次研究成果在方法上为多源长时序遥感条件下的城市森林亚像元结构反演提供了新的技术路径，在应用上则为碳汇核算、生态监测、智慧林草建设和城市森林精细化管理提供了可推广的模型框架。研究表明，面向复杂城市生态场景，融合多源遥感信息与时空解耦建模思路，是提升森林结构反演精度与稳定性的有效方向，也为后续开展更大范围、更长时间尺度的城市森林监测研究奠定了基础。
论文第一作者为信息学院（人工智能学院）2024级博士研究生秦聚爽，通讯作者为陈志泊教授，北京林业大学为唯一完成单位。
该研究受到雄安新区科技创新计划（2023XAGG0065）的资助。
