从像元分类到地块对象：三重监测瓶颈
雅鲁藏布江中游河谷是青藏高原重要的生态安全屏障与人工造林核心区，海拔多在 3 500~5 000 m，年降水量仅 300~500 mm且蒸发强烈，生态环境脆弱。为防治河谷风沙化与水土流失，当地陆续实施成规模造林工程，栽植杨树、沙生槐、藏川杨等适生树种，形成沿江连续或片状分布的人工林景观。然而该区人工林地块破碎、尺度差异显著且与天然植被光谱相近，传统像元级监测难以同时兼顾空间边界精度与种植时间信息的表达。
像元级分类难抵混合像元
随机森林、支持向量机等传统分类方法在区域尺度制图中应用广泛，但在复杂地形与空间异质性较强区域易受混合像元影响，难以准确刻画人工林地块的真实边界。在稀疏冠层样区，林木分布离散、地表裸露程度高，裸地光谱干扰使提取结果更趋破碎，无法满足以地块为基本单元的调查与经营需求。
通用分割模型的粘连与遗漏
高原河谷人工林兼具地块破碎、尺度差异显著与背景复杂三重特征，直接套用通用语义分割模型易出现地块粘连、边界模糊和小尺度目标遗漏。U-Net 依赖编码-解码结构进行特征恢复，复杂背景下易产生粘连；Mask R-CNN 依赖候选区域生成机制，形态不规则时易漏检；SAM 对细粒度地物边界刻画仍不够稳定。
时序变化信息的空间离散
趋势分析、分段拟合与突变点检测等方法能有效识别植被变化时间节点，但多数研究仍以像元或区域统计为基本分析单元，变化结果在空间上呈离散分布，难以直接对应实际管理中的地块单元。像元尺度显著性判断不准确还会造成大量漏检，使种植年份信息在空间覆盖上出现系统性空缺。
地块单元
37 年长序列
西高东低
高原温带半干旱
「分割-优化-反演」五步技术链路
本文并不提出新的深度学习模型，而是面向区域应用集成成熟方法：以 DeepLabV3 语义分割初步提取人工林覆盖范围，以标记控制分水岭算法分离相邻造林单元，以水平集方法消除边界锯齿化，再基于 1988—2024 年 Landsat 与 Sentinel-2 数据构建地块尺度 NDVI 序列，用最大年度差分法检测突变年份。全链路以地块为基本分析单元，使空间边界与时间属性高度一致。
DeepLabV3 语义分割初步提取
选用 DeepLabV3 作为核心分割模型，其通过空洞卷积与空洞空间金字塔池化（ASPP）结构，在保持特征图分辨率的同时扩大感受野，更有效地融合多尺度上下文信息，适配人工林地块尺度差异显著、空间结构复杂的场景。针对大尺度连续分布与小尺度零散地块并存的特征，重点优化 ASPP 模块，设置不同空洞率组合开展对比实验，最终确定空洞率（3, 6, 12）为最优多尺度特征提取组合，分别捕获小、中、大尺度地块特征。
标记控制分水岭实例分割
DeepLabV3 输出为概率掩膜，边界常出现局部模糊与锯齿化，且无法直接区分空间相邻的独立造林地块。为此采用标记控制的分水岭算法对初步提取区域进行实例分割，以前景（人工林）与背景（非人工林）标记引导淹没过程，核心为距离变换：对每个前景像元 p 取到背景像元 q 的最小距离作为距离值，从而高效、准确地分离空间相邻造林单元。
水平集方法边界精细化
分水岭优化后的地块边界仍受原始分割结果影响，存在锯齿状不规则现象。引入水平集方法，以边缘指示函数 g 控制曲线演化速度，水平集函数随时间的偏导数由曲率项与梯度项共同驱动，在图像梯度较弱处快速推进、在边缘处停止，从而克服过分割与边界锯齿化问题，生成可用于精准面积量算和变化监测的人工林地块矢量数据。
地块尺度 NDVI 长时序构建
基于 1988—2024 年 Landsat-5、Landsat-8 与 Sentinel-2 地表反射率产品计算 NDVI，统一采用地表反射率以减少大气条件差异与辐射定标误差；在年度尺度上做云掩膜与多时相融合的无云合成，生成年度代表影像。采用「年度中值合成-SG 滤波平滑-地块尺度聚合」流程：年度 NDVI 取多时相中值以增强稳定性，Savitzky-Golay 滤波抑制高频噪声并保留突变特征，再以地块为单元对像元级 NDVI 作均值聚合。
最大年度差分法突变检测
高原河谷人工林多以工程化方式集中种植，植被覆盖通常在短时期内由裸地或低覆盖迅速转为高覆盖，在 NDVI 序列上表现为明显跃迁。据此采用最大年度差分法：在时间序列第 2 至第 t 个时相中，取相邻年份 NDVI 差值绝对值最大的位置作为突变年份 T，即判定为人工林初始种植年份，为每个地块赋予唯一的时间属性。
0.5 m 影像样本与 37 年时序数据
空间提取样本基于 2023 年 Google Earth 高分辨率影像构建，分辨率约 0.5 m，云遮挡少、地表信息完整；按固定窗口滑动裁为 512 像素×512 像素图像块，兼顾计算效率与地块空间完整性。样本覆盖山南段与日喀则段两个空间区段及稀疏、中等、郁闭三类冠层覆盖度，采用人工目视解译结合无人机影像逐像素勾绘生成二值标签，最终标注 564 幅并通过旋转扩充至 2 256 幅。时序数据来自 Google Earth Engine，Landsat 提供 30 m 长期连续观测，Sentinel-2 提供 10 m 较高时空分辨率数据；2016—2018 年同期影像一致性验证显示两类传感器 NDVI 决定系数 R² 达 0.876、RMSE 仅 0.008。
训练策略、参数配置与验证方案
训练阶段引入随机旋转（0~360°）与随机缩放（0.8~1.2 倍）数据增强，模拟人工林不同方向与尺度变化；采用 Adam 优化器，初始学习率 0.001，batch size 为 8，训练 50 轮，以交叉熵损失函数为优化目标，验证集监控显示训练过程稳定。数据集按随机抽样划分并避免空间相邻样本同时进入训练集与测试集，以削弱空间自相关影响；独立测试集共 376 幅影像，全程不参与训练与参数优化，参考标签由人工目视解译获得。精度评价取平均交并比 mIoU、总体精度 OA 与召回率 Recall 三项指标；种植年份反演另以 71 个具有明确历史记录（实地访谈与林业档案查阅）的地块样本进行验证。
地块提取精度与种植时序的分异格局
研究区人工林被划分为 4 378 个空间上相互独立的地块单元，并逐一赋予种植年份属性，整体沿雅鲁藏布江河谷呈带状集聚分布。精度验证显示全区 mIoU 达 88.72%、OA 达 90.12%、Recall 达 90.05%；模型对比与空洞率组合实验从不同角度说明了方法选择的依据，山南段与日喀则段则在地块格局、提取精度与种植时序上呈现显著的区段分异。
预测与标签重叠度
全部像元正确率
人工林识别完整度
71 个样本地块验证
| 语义分割模型 | mIoU / % | Recall / % | OA / % | 模型机制与研究区适配性 | 主要局限表现 |
|---|---|---|---|---|---|
| DeepLabV3 | 88.41 | 90.05 | 90.12 | 空洞卷积 + ASPP，保持分辨率同时扩大感受野，融合多尺度上下文 | 输出为概率掩膜，相邻地块需后处理分离 |
| U-Net | 84.50 | 88.73 | 87.51 | 编码-解码结构逐级恢复空间特征 | 复杂背景下易产生地块粘连 |
| Mask R-CNN | 82.39 | 86.20 | 85.92 | 典型实例分割，依赖候选区域生成机制 | 边界复杂、形态不规则时漏检或边界不完整 |
| SAM | 81.11 | 84.37 | 84.23 | 通用大模型分割范式 | 高分辨率影像细粒度地物边界刻画不稳定 |
| 空洞率组合（ASPP） | mIoU / % | Recall / % | OA / % | 多尺度特征提取特征 |
|---|---|---|---|---|
| r = 3, 5, 7 | 85.13 | 87.44 | 86.53 | 感受野偏小，大尺度连续地块上下文捕获不足 |
| r = 3, 6, 12（最优） | 88.41 | 90.05 | 90.12 | 分别覆盖小、中、大尺度地块，精度表现最佳 |
| r = 3, 7, 9 | 81.87 | 82.72 | 83.32 | 尺度间隔不均，三类指标同步下降 |
| r = 5, 7, 9 | 84.37 | 85.93 | 85.61 | 缺少小空洞率，零散小地块细节损失 |
| r = 5, 9, 12 | 86.92 | 89.21 | 88.74 | 中等偏好，整体略逊于 3, 6, 12 组合 |
| 区段 / 范围 | 地块空间格局 | 提取 IoU / % | 种植时序特征 | 年种植面积 / km² | 分异成因 |
|---|---|---|---|---|---|
| 山南段（山南-曲水-拉萨-墨竹工卡） | 大规模、连续分布，地块数量少、单块面积大，内部结构均一 | 91.33 | 年份分布分散，出现多个种植峰值，扩展过程持续 | 1990 年 11.5、2001 年 15.5、2008 年 23.5、2017 年 10.5 | 河谷宽阔、地势平缓、灌溉条件好，工程化造林集中 |
| 日喀则段（大竹卡-日喀则-达那答乡） | 数量多、面积小、高度破碎化，地块间常被裸地隔离 | 87.11 | 种植年份集中，主要活动发生在 2010 年前后 | 1990 年及以前 1.5；1991—1999 年 0.1~0.2；2000 年后约 2 | 地形起伏、水资源分布不均，以零星补植与小规模修复为主 |
| 全区汇总 | 4 378 个独立地块，沿河谷带状集聚 | mIoU 88.72 | 1988—2024 年连续覆盖，阶段性推进特征明显 | 时序 37 年，逐年面积随工程节奏波动 | 地形、水资源与人类活动共同约束 |
精度随地块连续性与背景纯度分异
山南段人工林内部结构均一、林冠郁闭度高，光谱与纹理特征稳定，与周边裸地、灌丛可分性好，IoU 高达 91.33% 为全区最优；日喀则段林分郁闭度差异显著、光谱纹理空间异质性强，小尺度地块易出现边界模糊或相邻区域误连接，IoU 为 87.11%。坡向差异、阴影效应与复杂背景干扰仍是影响精细提取效果的重要因素。
地块级反演把覆盖率从不足半数提至 100%
在山南市典型区域与传统像元尺度 LandTrendr 方法对比，两者提取的种植年份信息总体一致，但 LandTrendr 因不同人工林像元信息不稳定，出现大量漏检，漏检比例高于 50%；本文方法检测结果直接赋予各地块单元，种植信息 100% 覆盖所有人工林地块，在空间上更加连续完整，也更贴近实际地块边界的表达形式。
冠层覆盖度与种植阶段存在耦合
低覆盖度稀疏型人工林多对应近年种植区域，林冠尚未闭合、地表裸露度高，NDVI 序列整体仍处于持续增长阶段且波动明显；中等覆盖度多处于稳定生长阶段，林分结构趋于均一；高覆盖度茂密型更多对应早期种植区域，增长特征稳定连续，年份识别结果也更为可靠。近年新增林多为小尺度零散分布，早期林则呈大尺度连片分布。
以地块为基本分析单元，将时序变化信息与完整空间对象关联，可把传统像元方法的种植信息空间覆盖率从低于 50% 提高至 100%。
地块尺度时空协同表达的三点结论
本文面向雅鲁藏布江中游高原河谷区人工林精细监测需求，集成 DeepLabV3 语义分割、对象边界优化与时间序列分析，实现了人工林空间分布提取与种植年份反演的协同分析，突破了传统基于像元的监测手段，为区域生态工程评估与精细化管理提供了统一时空基底。
复杂河谷地块边界的有效提取
DeepLabV3 语义分割结合分水岭与水平集对象优化后，能够较有效地提取复杂河谷地区人工林地块边界并较好保持形态一致性：全区 mIoU 达 88.72%、OA 达 90.12%、Recall 达 90.05%，全区共划分出 4 378 个空间上相互独立的人工林地块单元，满足了地块尺度精细识别需求。
37 年时序上的种植年份重建
基于 1988—2024 年 Landsat 与 Sentinel-2 影像构建地块级长时间序列 NDVI，采用最大年度差分法识别种植年份，经 71 个实地样方样本验证，反演年份与实际记录之间的均方根误差为 2.78 年，约 80% 的地块误差控制在 ±2 年以内，验证了长时间尺度下该路径的稳定性与一致性。
空间单元与时间属性的完整关联
相较于传统像元尺度时序分析，本文以人工林地块为基本分析单元，将时间序列变化信息与完整空间对象关联，实现种植时间的地块级完整表达，空间覆盖率由不足 50% 提升至 100%，并使每一地块同时具备空间边界与可追溯的时序属性，支撑个体生态单元的演变过程研究。
生态工程节奏评估与精细化管理
地块级种植年份信息能够反映人工林建设的阶段性特征与区域差异，有助于从「何时种植」的角度理解人工林扩展过程：日喀则段表现为高频次小地块补植，山南段则呈阶段性大规模工程造林。这种空间分布与时间属性的协同表达，可直接服务于区域人工林监测、生态工程实施节奏分析、建设成效评估与精细化管理，也为生态过程模拟、碳汇动态评估等应用提供关键数据基础。
缓变恢复、传感器差异与单指标约束
部分人工林早期植被恢复过程较为缓慢，NDVI 变化不一定表现为显著单次跃迁，给突变检测带来不确定性；Landsat 与 Sentinel-2 在空间分辨率和观测条件上的差异仍可能影响小尺度地块时序表达；当前分析主要基于 NDVI 单一指标，且以 2023 年地块边界构建历史序列，长期生态建设中边界扩展或调整会带来一定时空不一致性。未来可结合 EVI、NBR 等多种植被指数，引入雷达或高光谱数据，并将对象级时序分析与分段拟合、贝叶斯变化检测或深度学习时序模型结合，同时利用多时期高分辨率影像提升反演可靠性。