评估深度嵌入在荷兰森林资源清查中树种分类的有效性
计算机视觉与模式识别
2026-01-28 v2
摘要
国家森林资源清查（National Forest Inventory）是森林信息的主要来源，然而，维护这些清查工作需要林业专家进行劳动密集的实地调查，以识别和记录树种。来自深度预训练遥感模型的嵌入为更频繁、更大规模地更新NFI提供了新的机遇。虽然在少量数据点上训练新的深度学习模型仍然具有挑战性，但我们表明，使用预计算的嵌入结合随机森林（Random Forest），通过季节性冠层反射模式可以有效地区分树种。这项工作系统地研究了深度嵌入如何在少量标注数据的情况下提高荷兰树种分类的准确性。我们在三个不同难度的树种数据集上，对Presto、Alpha Earth和Tessera三个嵌入模型进行了评估。在数据方面，我们比较了来自Alpha Earth和Tessera的可用嵌入与来自预训练Presto模型动态计算的嵌入。我们的结果表明，对公开可用的遥感时间序列预训练模型进行微调，其性能优于荷兰NFI分类的当前最优水平，在不同数据集和评估指标上实现了约2-9个百分点的性能提升。这表明经典的人工定义特征对于此任务过于简单，并凸显了在NFI分类等数据有限的应用中使用深度嵌入的潜力。通过利用公开可用的卫星数据和来自预训练模型的深度嵌入，与传统方法相比，该方法显著提高了分类精度，并能有效补充现有的森林资源清查流程。
引用
@article{arxiv.2508.18829,
title = {Assessing the Effectiveness of Deep Embeddings for Tree Species Classification in the Dutch Forest Inventory},
author = {Takayuki Ishikawa and Carmelo Bonannella and Bas J. W. Lerink and Marc Rußwurm},
journal= {arXiv preprint arXiv:2508.18829},
year = {2026}
}