卫星遥感图像定位描绘18亿棵树意义何在？中科院专家这样解读(2)

例如，2018年1月由中国科学院亚热带农业生态研究所的科学家发表在《自然·可持续发展》上的一篇论文，通过对中国西南地区卫星遥感图像的分析，发现贵州、广西和云南一些容易发生水土流失的地区因为植树造林项目而变得更“绿”了。论文作者采用了“叶面积指数”和“植物生物量”两个指标来估算植树造林的效果，而这两个指标都具有宏观统计的内涵：前者是指每平方米地面的植被覆盖面积；后者是根据植物含水量与卫星观测频段之间的定量关系反演得出的。
利用类似的方法，美国航天局还在2019年2月以“中国和印度引领绿化”为题，报道全世界的植被面积自2000年以来增加了5%，相当于一个亚马孙热带雨林，其中中国和印度的贡献占比高达三分之一。可见，我国多年以来对生态文明的重视和对环境的整治已经取得了让世界遥感科学家所认证的成果。
“机器学习”成遥感分析新利器
随着航天技术的飞速发展和大量更高空间分辨率的遥感卫星的发射部署，卫星遥感数据的体量也呈现指数级上升趋势，给遥感图像的判读和分析带来了更大挑战。同时，以大数据和人工智能技术为代表的新一代信息技术日新月异，为遥感信息处理工作提供了新的利器。《自然》杂志报道的这次研究实现了对18亿棵树的识别，正是利用了时下热门的机器学习方法。
用于遥感数据处理的机器学习方法大致可以分为“无监督”和“有监督”两种。“无监督”的机器学习一般应用于对遥感图像的“聚类分析”，它可以让具有相似性的遥感图像像素自动地归并为同一类。这种方法的效果类似于“物以类聚，人以群分”，分类的结果使得不同类的数据之间相似度最小，而同一类的数据内部相似度最大。由于在遥感图像上，同类地物在相同的表面结构、光照条件、地质环境、植被覆盖情况下，具有相同或相近的光谱特征，因此通过“无监督”机器学习方法就能够将它们进行归并，从而提高识别和分析的效率。
“有监督”的机器学习方法则需要人“教会”计算机程序来对遥感图像进行分类。科学家先对图像中每种目标类别选取一定的“训练区”，让计算机计算这些“训练区”的统计量，然后将“训练区”之外的所有图像像元的统计量和训练区样本进行比较，将它们分配到最相似的样本类别上，就可以实现对全部图像像元的分类。
本次研究的研究者为了“教会”计算机识别卫星遥感图像中的树，首先通过人工判读的方式，在卫星遥感图像上手动标出了89899棵树和灌木的冠层轮廓。他们将这近9万个树冠的特征形状和颜色作为深度学习模型的“训练集”，使计算机学会了如何“分辨”卫星遥感图像（0.5米空间分辨率）中直径在2米以上的树冠。然后，他们将待分析的遥感图像划分为256×256像素的色块，对每个色块是否包含树冠图像进行了自动分析。最终，他们在整个卫星遥感区域识别出了接近18亿个树冠的位置和大小，并且发现此前同类的研究低估了干旱地区的树木数量。