卫星很快就能绘制出地球上的每一棵树的地图

陆地生态系统在很大程度上是由它们的木本植物来定义的。草原、灌丛、稀树草原、林地和森林代表了树木和灌木密度的一系列梯度，从低密度、低身材的木本植物生态系统到树木较高、树冠重叠的生态系统。因此，关于生态系统木本植物结构的准确信息对于我们理解全球尺度的生态学、生物地理学以及碳、水和其他养分的生物地球化学循环是基本的。勃兰特等人在“自然”杂志上撰文。1报告了他们对覆盖西非西撒哈拉和萨赫勒地区130多万平方公里的高分辨率卫星图像的大规模数据库的分析。作者绘制了超过18亿棵树冠的位置和大小；在此之前，从未在如此大的区域内以如此详细的程度绘制过树木的地图。

大多数卫星数据的空间分辨率相对较低，个别图像像素通常对应于地面上大于100平方米、往往大于1平方公里的区域。这一限制迫使地球观测领域的研究人员将重点放在测量整体特性上，例如从上方观看时，树木树冠覆盖的景观的比例(这种测量方法被称为树冠覆盖率)。

然而，在过去的20年里，各种商业卫星开始以更高的空间分辨率收集数据，能够捕获1平方米或更小的地面物体。这种分辨率的提高使陆地遥感领域开始了一次根本性的飞跃：从专注于综合景观尺度的测量，到有可能在大的区域或全球尺度上绘制每棵树的位置和树冠大小的地图。这场观测能力的革命无疑将推动我们思考、监测、建模和管理全球陆地生态系统的方式发生根本性变化。

Brandt et al.。为陆地遥感领域的这一转变提供了一个引人注目的例证。作者分析了11,000多张图像，空间分辨率为0.5 m，以识别树冠直径为2米或更大的单个乔木和灌木。作者使用人工智能完成了这项巨大的任务-利用了一种涉及到所谓的完全卷积神经网络的计算方法。这种深度学习方法被设计成根据对象(在这种情况下是树冠)在较大图像中的特征形状和颜色来识别对象。卷积网络依赖于训练数据的可用性，在这种情况下，训练数据由卫星图像组成，在卫星图像中，树木和灌木树冠的可见轮廓是人工追踪的。通过使用这些样本进行训练，计算机学会了如何在其他图像中高精度地识别单个树冠。结果是在整个毛里塔尼亚南部、塞内加尔和马里西南部绘制了直径超过2 m的所有树木的逐墙地图。

先前估计的全球范围内树木总数的2000棵是使用来自世界各地约430000块林地的实地数据得出的。该研究的作者在植被类型和气候的基础上，使用统计回归模型估计了田间地点之间的树木密度。他们的分析表明，全球大约有3万亿棵树。然而，这种估计树木密度的方法存在固有的误差和不确定性，特别是对于旱地，可用于校准模型的野外测量相对较少。

例如，将早先的研究结果与Brandt及其同事在萨赫勒西部的研究结果进行比较(图1)表明，之前的研究往往低估了干旱地区(年降雨量低于600毫米的地区)的树木数量。此外，以前的估计没有提供每平方公里内个别树木的位置和大小的信息，而Brandt和他的同事提供了关于每个单独树冠的位置和大小的详细信息。最新研究提供的改进还体现在对湿润地区(年降雨量超过600 mm的地区)提供的更高水平的细节上，并显示了树木的局部空间变异性，这可能与不同的土壤类型、水分供应、土地利用和土地利用历史有关。

当然，勃兰特和他的同事的工作也有一些警告和限制，以及扩大他们的全球分析方法的潜力。由于图像的空间分辨率的限制，成功的冠层探测大大下降到2 m的冠层直径以下，这与早期的工作3一致。尽管我们可以预期在空间分辨率方面有进一步的改进

然而，更具挑战性的是树种的识别。虽然可行，但根据树冠的颜色、形状和质地5，在区域和全球范围以及跨生物多样性生态系统将特别棘手。按物种绘制单个树冠的地图可能在一段时间内仍将是地球观测研究团体愿望清单的首位。

在未来几年，遥感无疑将提供有关植被结构的前所未有的详细信息，因为来自各种来源的数据--包括光探测和测距(激光雷达)、雷达和高分辨率可见光和近红外传感器--将变得更加容易获得。7.从卫星获得的关于树冠大小和密度的高分辨率数据可有助于森林和林地的清查和管理，森林砍伐监测，以及评估固定在生物质、木材、薪材和树木作物中的碳。使用这种卫星数据绘制单个树冠的大小和位置图的能力将补充其他仪器提供的信息，这些仪器提供树木高度、垂直树冠剖面和地上木材生物量的数据。还需要继续研究，以开发更有效的树冠分类算法。与此同时，勃兰特和他的同事们已经清楚地展示了未来在亚米尺度上绘制全球树冠地图的潜力。