研究的八项固定口径
树种图进入林业 GIS 前，先不要问模型有没有达到一个漂亮的总分，而要问地图在哪些地块、哪种样本条件和哪段时序下仍然可信。这项研究的版本与证据边界明确：该研究的 v1 于 2026 年 9 月 3 日提交，v3 于 2026 年 9 月 22 日修订。研究以丹麦国家森林清查样地和地球观测数据开展树种制图。
输入并不是简单把卫星影像喂给分类器。研究比较了多时相 Sentinel-1/2 构建的光谱时序特征，以及 TESSERA 和 AlphaEarth 嵌入，三类输入均包含冠层高度。这里的关键是把时序、传感器和高度作为可追溯的数据口径，而不是把“基础模型嵌入”当作不可解释的替代品。
评价也拆开了模型与林分结构。研究分别以随机森林、XGBoost 和多层感知机评估纯林与混交林。对地方林业部门而言，这比单一排行榜更有用：纯林通常更接近单标签制图假设，混交林则更接近实际经营单元中存在的树冠混合与边界混合。
核心机制
光谱时序特征的价值，在于把一个树种在生长季、物候节点和多传感器观测中的变化保留下来；嵌入的价值，则在于在标注有限时提供更稳定的表达。研究的具体结果是：光谱时序特征配合多层感知机的宏平均 F1 在纯林为 0.843，在混交林为 0.653。两个数必须一起看。若只报 0.843，读者会误以为混交林也达到了相同可信度；若只报一个总平均，又会掩盖模型在经营边界附近可能最容易出错。
样本量改变了选择。TESSERA 配合多层感知机在纯林中仅比最佳结果低 1.1 个百分点，并在训练样地少于约 25% 时优于光谱时序特征。这意味着项目启动阶段样地稀缺时，可以优先试验嵌入特征；样地积累到足以支撑本地时序建模后，再以同一留出集比较两条路径。它不是“哪种模型永远更好”的结论，而是对训练数据约束的条件结论。
时序不能被随意压缩成一景代表影像。多年份输入比单年份输入提高了精度。GIS 数据管理员应因此保存影像年份、合成规则、云掩膜版本和样地调查年份；否则日后重算时，地图变化无法区分是树种真实变化、样地更新，还是输入时相已经变了。
关键词口径
本文中的 GIS 即地理信息系统；空间分析用于核对样地、影像与林班的对应关系，遥感技术用于获得 Sentinel-1、Sentinel-2 与冠层高度等观测证据。
GIS 场景
在森林资源调查中，可把树种图用作样地抽样、更新核查和经营分区的候选图层，而不应直接替代地面调查。纯林区可以支持较高置信度的面积统计；混交林区应保留混合比例、置信度或待复核标记，避免把一类主导树种误写成唯一树种。
在造林与病虫害巡查中，地图适合回答“哪些网格值得优先踏查”，不适合单独形成补贴、处罚或采伐许可决定。把预测类别、模型概率、影像时间窗、冠层高度来源和训练样地版本一起写入图层元数据，现场人员才能判断为什么一块地被列入任务。
全国尺度产品也仍要接受统计验证。研究发布了丹麦全国 10 米树种图，面积调整总体准确率为 79.9%，并称其为首张开放的全国高分辨率树种图。面积调整说明制图面积估计与样本设计有关；发布方应同时提供类别混淆信息和估计不确定性，不能让用户把像元比例直接当成无偏面积。
技术路径
第一步，建立一张样地—影像—年份关联表。每个样地记录调查日期、树种标签、纯林或混交林标志、几何精度和可用影像日期。对靠近道路、林缘或小斑块的样地加入边界质量标记，避免 10 米像元混入邻近树冠。
第二步，以空间分组的方式划分训练、验证和测试集。相邻样地不能随机分到不同集合，否则模型会从邻近纹理中获得不真实的优势。分层汇总纯林、混交林、主要树种和地理区域的 F1、召回率与样本数。
第三步，在同一划分上运行时序特征、TESSERA、AlphaEarth 及其带冠层高度的配置，再分别训练随机森林、XGBoost 和多层感知机。记录每个方案的输入年份、特征维度、训练样本占比和推理成本。模型选择表应包含少样本情景，才能复现研究中嵌入在约四分之一以下样本时的优势是否适用于本地。
第四步，输出图层时附带预测树种、置信度、纯林/混交林适用性、最近有效观测日期、模型版本和复核状态。将面积调整验证结果作为图层说明的一部分，并设置版本号，使下载者知道面积统计对应哪一轮样地和影像输入。
检查清单
- 是否分别报告纯林和混交林的宏平均 F1，而非只给总准确率？
- 是否能追溯每个样地的调查年、空间精度和训练/测试归属？
- 是否明确 Sentinel-1、Sentinel-2、冠层高度、TESSERA 或 AlphaEarth 的输入年份与缺测处理？
- 是否在不同训练样本占比下比较嵌入与光谱时序特征？
- 是否比较了单年份与多年份输入，并记录时相带来的提升或下降？
- 是否用独立样本进行面积调整验证，而不是直接累计预测像元？
- 是否让地图用户看到置信度、复核状态和不适用边界？
风险边界
79.9% 的面积调整总体准确率不等于每个树种、每个林班和每个年份都有同等精度。小面积树种、更新林、林缘和混交林往往需要更多样本，且国家森林清查样地的标签时间可能与卫星观测不同步。嵌入在低样本条件下表现较好，也不代表可以跳过本地验证；传感器覆盖、林分结构和类别体系一换，表现就可能改变。
此外，树种预测是关于遥感可辨识性的概率表达，不是土地权属、经营资格或生态价值的认定。将地图用于资金分配、执法或个人权益相关场景前，应由专业人员复核，并保留申诉与更正通道。
结论
可用的树种 GIS 产品，需要把“模型分数”改写为“在什么林分、多少样本、哪段时序和何种面积估计下可用”。这项丹麦研究给出的启发是：多时相光谱特征在样本充分时很强，地理基础模型嵌入在低样本阶段值得优先评估，多年份数据应成为默认对照。发布地图时，把纯林/混交林结果、样本占比曲线和面积调整验证一起交付，才让一张 10 米树种图真正进入可审计的森林管理流程。