基于地形特征的自监督表示学习方法：用于山区树木物种识别，即使在有限的野外样本条件下也能有效应用 （Terrain-Aware Self-Supervised Representation Learning for Tree Species Mapping in Mountainous Regions with Limited Field Samples） 作者： 何李（Li He） 王乐光（Leiguang Wang） 洪亮（Liang Hong） 戴秦岭（Qinling Dai） 顾伟（Wei Gu） 杜星月（Xingyue Du） 杨明琦（Mingqi Yang） 刘娟娟（Juanjuan Liu） 冯耀明（Yaoming Feng）

《Remote Sensing》：Terrain-Aware Self-Supervised Representation Learning for Tree Species Mapping in Mountainous Regions Under Limited Field Samples Li He, Leiguang Wang, Liang Hong, Qinling Dai, Wei Gu, Xingyue Du, Mingqi Yang, Juanjuan Liu and Yaoming Feng

　　

摘要

准确的树种地图绘制对于森林资源清查、生物多样性评估和生态系统管理至关重要。在山区，由于地形导致的辐射测量非稳定性以及有限的野外调查条件，往往只能获得少量、分散且存在环境偏差的样本，这限制了模型的泛化能力。为解决这一问题，本研究提出了一种基于地形信息的自监督表示学习框架，用于在小样本条件下进行树种分类。该框架将地形信息整合到表示学习过程中，并采用混合对比生成式的自监督策略，从大量未标记的多源遥感数据中学习具有区分性和地形鲁棒性的特征。这些学习到的表示随后与有限的野外样本相结合，生成了区域级的树种分布图。在中国云南省进行的实验中，使用Sentinel-1、Sentinel-2和Landsat时间序列数据验证了该框架在复杂山区环境中的显著效果：该框架提高了类别的可分性和分类的鲁棒性，整体准确率达到75.8%，显著优于传统的特征工程方法（38.3–40.6%）和监督式深度学习模型（37.3–47.8%）。结构相对均匀且生态位依赖性强的树种可以通过有限的训练样本得到准确绘制，而结构复杂的森林群落则需要更广泛的环境样本覆盖。总体而言，这些结果凸显了基于地形信息的自监督表示学习作为一种可扩展且数据效率高的森林地图绘制方法的潜力，尤其适用于山区和生态环境多样化的地区。