【典型案例】韩国借助遥感技术与深度学习进行森林碳汇管理

准确的森林监测对于碳汇管理和确保国家温室气体清单的可信度至关重要。通过将遥感技术与深度学习相结合，各国可用基于观测的数据替代宽泛的统计假设，这些数据能更真实地反映森林动态。本案例研究重点介绍了 ENVI软件及其深度学习模块如何助力韩国更精准地绘制森林类型图，提供可靠数据以直接优化国家温室气体和森林碳汇报告工作。

挑战

历史上，韩国的混交林一直被记载为针叶树与阔叶树各占 50% 的比例，即便其中某一树种明显占据优势。这种简化统计的方式虽为报告编制提供了便利，却带来了数据偏差 —— 既掩盖了真实的生态变化，还致使储量差值核算结果失真。韩国大学的研究团队亟需一套可直接用于绘图、基于实测的动态数据，这类数据需能够实现年度更新，且符合政府间气候变化专门委员会（IPCC）的相关标准。

图1：韩国江原道雉岳山国家公园

解决方案

韩国大学的金俊（Joon Kim）及其团队在 ENVI 软件中开发了物候分类框架（PCF），并利用哨兵2号卫星影像开展研究。他们每年生成5组季节合成影像，以捕捉森林的展叶期和落叶期状态。随后，借助ENVI软件及其深度学习模块，团队训练了一个U-Net模型，对全国范围内的森林进行针叶林与阔叶林分类，最终绘制出2019 年、2020年和2021年的全国森林类型分布图。

图2：研究区域

ENVI 软件提供了一体化操作环境，可在单一界面内完成大型卫星影像集处理、物候合成影像制作及训练数据管理等工作。其深度学习模块尤为关键，能让团队无需编写定制代码即可训练并应用 U-Net 模型。这使得他们在标准工作站上就能高效开展全国尺度的森林分类，且每年可轻松重复该工作流程。

团队还认可 ENVI 的灵活扩展性，它可整合各类指数、地形数据或定制化IDL脚本，为未来的研究推进和模型优化提供了适应性强的基础平台。

 

技术流程

借助 ENVI 软件，团队基于哨兵 2 号卫星影像，每年生成 5 组季节合成影像，以此捕捉不同季节的物候变化特征。这些合成影像被整合为 20 层数据集，成为森林分类工作的基础数据。

图3：数据输入与输出流程

团队借助 ENVI 深度学习模块开展模型训练工作，将韩国林务局发布的森林类型图作为参考数据，以此训练 U-Net 模型，最终实现了针叶林与阔叶林的均衡分类。该模型训练完成后，被应用于韩国全国范围的森林分类，进而生成了 2019 年、2020 年和 2021 年的年度森林类型分布图。

 

随后，研究团队采用 IPCC 存量差值法（一种碳储量核算方法），将上述生成的数据集用于碳储量核算。这一举措使得团队能够用精准的实测数据替代粗略的统计估算值，大幅提升了韩国全国温室气体清单的核算精度。

 

结果

基于 ENVI 的工作流程所生成的森林类型图，经官方参考数据验证，总体准确率达 83.13%，kappa为 0.6755。通过冬季影像开展的人工目视核查显示，其准确率约为 90%。

图4：韩国全域森林的物候型森林分类 (a) 2019, (b) 2020, and (c) 2021

最值得关注的是，该分析揭示韩国混交林并非针叶树与阔叶树各占一半。实际情况是，仅约 15% 为针叶树占优的混交林，而阔叶树占优的混交林约占 85%。将这些基于实测的结果纳入 IPCC 报告后，得出的碳储量变化趋势与此前的国家估算值存在差异，这也印证了 ENVI 和遥感技术在实现透明化、数据驱动且与政策相关的温室气体森林碳汇报告方面的价值。

图5： 按森林类型划分的年度碳储量变化

“这项研究使用的是公益卫星影像，采用ENVI深度学习模块可提升训练效率并简化操作流程。与基于Python的训练方法不同，ENVI深度学习模块能够自动分割卫星影像并完成模型训练，这使得即便是在普通个人计算机上也能处理大型数据集”。

                          —韩国大学项目团队

图6：基于森林类型的近红外波段物候光谱反射率

总结

韩国大学研究团队将哨兵2号时序影像与 ENVI 软件及其深度学习模块相结合，开发出一套可扩展、可重复且基于实测数据的全国森林分类工作流程。该方法用精准的地图结果取代了长期沿用的统计假设，揭示出混交林以阔叶树占绝对优势的实际情况。

 

这些研究成果提升了碳储量估算的准确性，同时也证明了 ENVI 如何支持构建透明化、符合 IPCC 标准的数据处理流程，既助力深化科学认知，也为政策制定提供了有力支撑。

 

原作者：Cherie Tyrrell