在再生中的热带安第斯森林中，光谱指数在估算地上生物量方面优于AlphaEarth基础嵌入方法

《Remote Sensing Applications: Society and Environment》：Spectral indices outperform AlphaEarth foundation embeddings for aboveground biomass estimation in a regenerating tropical Andean forest

　　J.C. Rojas-Lucero | Y.T. Solano-Correa | N.E. Kolarik | J.S. Brandt | T. Caughlin
计算机系与人类环境系统系
博伊西州立大学
博伊西州立大学，2133 W Cesar Chavez Ln，博伊西，ID 83725，美国

**摘要**
森林在调节全球碳循环中发挥着关键作用，作为主要的碳储存库。随着温室气体排放（尤其是二氧化碳（CO2）的持续增加，气候变化的速度正在加快；然而，准确量化大面积异质森林景观中的地上生物量仍然具有挑战性。卫星遥感技术结合新兴的基础模型表示方法（如AlphaEarth嵌入）提供了关于森林结构的一致的空间和时间观测数据，为大规模生物量估算提供了重要机会。本研究的目的是系统地比较光谱预测因子和AlphaEarth基础模型嵌入在利用人工神经网络（ANN）和随机森林（RF）模型估算再生热带安第斯森林地上生物量方面的效果。我们在哥伦比亚的考卡地区进行了这项研究，该地区以高生态多样性、陡峭的环境梯度、持续的云层覆盖以及有限的实地数据可用性为特征，使其成为评估模型在复杂条件下的鲁棒性的理想测试案例。我们比较了两种类型的预测因子：（i）基于传统光谱指数的特征（例如NDVI、EVI、SAVI），以及（ii）AlphaEarth嵌入，后者将多源地球观测数据整合到紧凑的特征空间中，以捕捉超出人工设计特征的光谱、空间和时间变化。结果表明，在两种建模方法中，传统光谱指数始终优于AlphaEarth嵌入。虽然ANN取得了最高的整体准确率（65.8%），但在所有情况下，基于光谱指数的预测因子都比AlphaEarth嵌入提供了更好的预测性能。这些发现表明，尽管人们对基础模型嵌入越来越感兴趣，但在年轻的再生森林环境中，传统的光谱指数特征工程仍然更有效，而ANN提供了一个强大且易于使用的建模框架。尽管更广泛的多生态系统比较可能会揭示嵌入在某些情况下具有更大的可转移性，但我们的结果强调了在许多应用生物量测绘工作的空间尺度上，将基础模型预测因子与更简单的、本地校准的替代方法进行基准测试的重要性。

**引言**
森林生态系统在影响气候变化和调节全球碳循环方面起着基础性作用，因为它们包含了世界上80%的地上生物量（Zhou等人，2025；Yin等人，2015）。地上生物量（AGB）是量化森林碳储量和评估森林作为碳汇能力的关键变量，同时也是生态系统状况和生产力的重要指标（Matiza等人，2023）。因此，准确描述AGB的空间分布和数量对于支持生物多样性保护、提高我们对区域和全球尺度碳循环的理解以及制定碳抵消和气候变化缓解策略至关重要。尽管如此，可靠地估算AGB仍然是一个重大挑战，特别是在热带森林中。数十年的研究以及政府间气候变化专门委员会（IPCC）的反复警告仍未解决热带森林生物量对全球碳预算贡献的实质性不确定性（Bloom等人，2016）。尽管这些森林被广泛认为是重要的碳储存库，但在大范围内准确量化其AGB仍然很困难（Csillik等人，2019；Goodale等人，2002；Matiza等人，2023；Marvin等人，2014）。这一挑战因热带生态系统的高结构复杂性和环境异质性而进一步加剧，这削弱了观测信号与AGB之间的关系（Zhou等人，2025；Marvin等人，2014）。

基于实地测量（通过样地调查和采样）的传统方法用于估算森林AGB，但这些方法成本高昂、耗时且需要大量的财务和人力资源（Marvin等人，2014）。然而，在安第斯山脉等山区，这些限制因陡峭的海拔梯度和崎岖的地形以及有限的可达性而变得更加严重，这限制了野外采样范围，并在数据收集中引入了空间偏差（Asner等人，2012；Caughlin等人，2021）。此外，野外样地通常代表的是小范围的局部样本，无法捕捉热带山地森林的强烈生态和结构变化（Graves等人，2018）。因此，这些限制阻碍了大规模监测，并降低了准确评估森林动态（如森林砍伐、退化和恢复）的能力。

遥感技术被广泛用于AGB估算，因为光谱信息提供了与森林结构相关的可测量植被属性的代理（Tian等人，2023；Wang等人，2016a；Csillik等人，2019）。特别是从光学卫星数据中得出的光谱指数能够捕捉冠层绿色度、叶绿素含量和植被密度的变化，这些变化与生物量和生态系统生产力间接相关（Arfa-Fathollahkhani和Minaei，2024；Helman等人，2015；Pettorelli等人，2005）。Sentinel-2星座特别适合用于获取这些指标，因为它具有高空间分辨率、频繁的重访时间以及增强对植被条件敏感性的红边光谱波段（Belloli等人，2022；Cunliffe等人，2022；Dong等人，2020；Eliyajrj等人，2021）。这些特性使Sentinel-2成为大规模生物量测绘的常用数据源，其中光谱指数及相关特征通常被整合到统计和机器学习模型中，以估算异质景观中的AGB（Tovar Blanco等人，2020；Phiri等人，2020）。然而，传统方法依赖于手动特征工程，如光谱指数或植被指标，这些方法劳动密集、依赖专家知识，并可能忽略对AGB估算重要的微妙空间和时间模式。重要的是，这些方法还需要高质量的标记训练数据进行模型校准，这通常成本高昂且空间覆盖范围有限，从而限制了它们在大型异质森林环境中的可扩展性（Sarith Divakar等人，2022）。

另一方面，AlphaEarth嵌入通过自动将多源地球观测数据总结为紧凑的信息表示，提供了一种有前景的替代方案，可以捕捉与AGB估算相关的复杂森林结构和季节性动态（C. I. Alvarez等人，2025）。这些嵌入利用深度神经网络学到的知识将其转换为简单的特征向量，使用户无需运行复杂或计算成本高昂的模型即可受益于先进的深度学习（Doda等人，2024）。这使得它们易于在标准工作流程中使用，如随机森林、回归模型或其他空间建模方法（Bommasani等人，2022）。这有可能使高性能地理空间预测的访问更加普及。然而，尽管前景广阔，AlphaEarth嵌入在应用生态学环境中的测试仍然不足，其实际优势、局限性和相对于传统预测因子的附加价值仍不甚清楚（Brown等人，2025）。在结构复杂和环境异质的森林区域，AGB与遥感预测因子之间的关系本质上是非线性的，这限制了传统参数方法的有效性。诸如多元线性回归等方法在早期的生物量研究中被广泛使用；然而，它们不适合捕捉变量之间的复杂相互作用，并且经常受到遥感数据集中共线性的影响（Matiza等人，2023）。为了解决这些限制，人工智能领域开发的机器学习算法已成为绘制AGB的强大非参数替代方案（W. Xu等人，2025）。这些方法可以自动建模预测因子之间的复杂相互作用，从而在异质景观中实现更好的泛化。然而，选择合适的机器学习算法对于准确估算自然森林中的AGB至关重要（Su等人，2020；Safari等人，2017）。实际上，研究人员必须平衡预测准确性、对有限训练样本的鲁棒性、可解释性和计算成本。

随机森林（RF）已成为许多遥感生物量研究的默认选择，因为它们对噪声和异质预测因子具有鲁棒性，需要相对较少的调整，并提供有用的变量重要性度量（Lu等人，2016），使其成为AGB估算的强大可靠基线。另一方面，人工神经网络（ANN）代表了一类更灵活的经验建模技术，能够捕捉预测因子与AGB之间的复杂非线性关系，这些关系在生态异质森林环境中很常见（Faria等人，2024）。这种能力使ANN特别适合建模基于遥感的生物量估算问题中的非线性。光谱指数因其强大的生物物理可解释性和与AGB相关的植被属性的确立关系而被包括在内，提供了透明且经过广泛验证的特征表示（Pettorelli等人，2005）。相比之下，AlphaEarth嵌入作为数据驱动的表示方法，将多源地球观测信息整合到更高层次的特征空间中，能够捕捉比手工制作的指数更复杂的光谱-空间-时间模式（Putra等人，2025；Su等人，2020；Faria等人，2024）。

为了解决传统AGB映射中的特征表示和训练数据要求的限制，使用光谱指数和AlphaEarth嵌入提供了一个有前景的框架，因为它们能够捕捉互补的植被信息层次，同时减少对大量手动特征工程的依赖。在RF和ANN等灵活的机器学习模型中进行评估时，它们能够在复杂和数据有限的森林条件下实现非线性建模性能的稳健比较。

本研究的主要目标是首次系统地比较光谱指数和AlphaEarth基础嵌入在利用ANN和RF模型估算热带安第斯森林AGB方面的效果。为了实现这一目标，我们解决了以下具体目标：（i）评估AlphaEarth嵌入是否在AGB估算方面提供了比传统特征工程输入更好的预测性能和附加价值；（ii）比较使用Sentinel-2衍生的光谱指数和AlphaEarth嵌入作为输入特征的ANN和RF模型的性能。基于这些目标，我们探讨了在结合ANN和RF模型使用时，传统光谱指数是否在估算热带安第斯森林AGB方面优于AlphaEarth嵌入。该研究集中在哥伦比亚的考卡地区，该地区因其生态多样性、陡峭的海拔梯度和异质植被结构而成为开发先进生物量估算方法的理想场所。这一系统框架使我们能够评估AlphaEarth表示相对于手工制作特征的附加价值，并确定在异质景观中进行空间明确AGB映射的最有效工作流程，这对区域碳储量评估和气候变化缓解策略具有重要意义。

**研究区域**
Las Piedras河流域位于哥伦比亚的考卡省，横跨Puracé、Totoró和Popayán三个市镇，位于中央山脉的西侧，纬度范围为2°26'57.658" N至2°25'28.161" N，经度范围为76°31'13.995" W至76°23'8.273" W（图1）。它起源于Totoró的Gabriel López地区的帕拉莫生态系统，流向与Cauca河的交汇处，覆盖面积约为6,551公顷。

**结果**
开发了两种机器学习模型（RF和ANN）来使用（i）传统光谱指数和（ii）从卫星图像中提取的AlphaEarth基础嵌入来估算AGB。两种模型的性能指标总结在表2中。表2显示，使用嵌入的ANN模型的损失曲线与仅使用光谱指数的模型相当，表明嵌入并未提高模型性能。

**光谱指数与嵌入的性能比较**
基于特征的模型在预测AGB方面始终优于基于嵌入的模型。使用传统植被指数的ANN模型实现了更低的预测误差（MAE = 0.810），优于使用AlphaEarth嵌入的模型。这一结果表明，在这种复杂的安第斯森林生态系统中，基于领域驱动的特征（在这种情况下是从S2派生的光谱指数）仍然非常有效。基于嵌入的方法相对较差的性能可能源于……

**结论**
本研究评估了基于实地测量的异速生长模型、Sentinel-2光谱指数和机器学习方法在再生安第斯森林中估算AGB的效果。结果表明，基于植被指数的特征工程模型始终优于基于嵌入的方法，表明在本研究的空间和生态范围内，光谱指数提供了比AlphaEarth嵌入更强的预测性能。

**作者贡献声明**
J.S. Brandt：撰写——审阅与编辑、可视化、验证、监督、形式分析、概念化。
T. Caughlin：撰写——审阅与编辑、撰写——原始草稿、验证、监督、方法论、调查、形式分析、数据管理、概念化。罗哈斯·卢塞罗（Rojas Lucero）：撰写工作（初稿编写）、数据可视化、结果验证、研究方法设计、调查实施、形式化数据分析、数据整理与处理以及概念框架构建。
YT·索拉诺-科雷亚（YT Solano-Correa）：撰写工作（审稿与编辑）、数据可视化；未引用的参考文献包括：AgarapAbien Fred（2018年）、Encicl（2026年）、Pascagaza等人（2022年）、Blanco等人（2020年）以及Xu等人（未提供具体年份）。

**伦理审批**
本研究无需机构伦理审批，因为其仅涉及遥感数据与森林资源清查数据的分析，未涉及人类参与者或个人信息的处理。

**知情同意**
不适用，因为该研究未涉及人类受试者或可识别的个人信息。

**利益冲突**
作者声明不存在任何利益冲突。

**动物福利**
本研究未使用动物。

**利益冲突声明**
? 作者声明以下可能被视为潜在利益冲突的财务利益或个人关系：
胡安·卡米洛·罗哈斯·卢塞罗（Juan Camilo Rojas Lucero）表示，博伊西州立大学（Boise State University）提供了行政支持、文章发表费用、统计分析服务以及写作指导。此外，他与博伊西州立大学存在雇佣关系。若还有其他作者参与，他们也声明自己不存在任何已知的财务利益冲突。