在大規模生態保護與修復背景下，我國西南喀斯特地區成為近20年來全球植被“變綠”的熱點區。單一人工林種植是普遍采用的一種造林策略，速生人工林相對于天然林可能會耗水過多，亟需量化權衡不同類型森林恢復的碳-水過程及其生態服務效應。然而，單一人工造林、自然恢復、封禁保育、人工林采伐等不同保護修復與管理措施下，該區森林景觀異質性高，森林植被多呈現斑塊化、片段化、破碎化的特點。受遙感數據源與方法的限制，區域尺度喀斯特地區復雜森林格局、特別是不同類型人工林與天然林的精準識別一直是難點。
深度學習被認為是機器學習領域的一項革命性技術，其在遙感及生態相關領域已經展現出巨大潛力。在亞熱帶生態所王克林研究員、岳躍民研究員的指導下，中國科學院大學博士生李倩與中科院空天創新研究院陳正超研究員團隊合作，將深度學習與高分辨率遙感影像、林業清查數據結合，基于修正后的ResUNet50模型（基于U-Net架構，通過卷積層-池化層-轉置卷積的組合有效提取圖像特征，而不會造成信息傳播損失），發展了復雜森林類型（桉樹人工林、杉木和馬尾松人工林、稀疏灌叢、次生林、天然老林等）遙感深度學習智能識別模型。繪制了我國西南喀斯特地區復雜森林空間分布圖，研究成果以論文Beyond tree cover: Characterizing southern China's forests using deep learning發表在Remote Sensing in Ecology and Conservation上。
結果表明，該模型可以對高分辨率遙感影像進行復雜森林分類和分割，研究區包括云南、廣西、貴州三省，總體精度達到89.96%。其中，51%的研究區域被森林覆蓋。其中65.83%的森林是次生林，10.17%屬于桉樹人工林，5.19%屬于杉木和馬尾松，居民點附近的破碎化殘存老林僅占0.02%，單一人工林覆蓋了15%的研究區域，特別是廣西有29.85%的森林均是單一人工林。
研究進一步發現，單一種植人工林可以較快提高區域生態系統生產力，但同時也會影響區域水平衡，尤其是桉樹人工林，其主要分布在廣西南部和貴州北部。對比2001-2020年桉樹人工林與其他森林類型的總初級生產力和蒸散發變化，發現桉樹人工林的總初級生產和蒸散發增長均高于其他森林類型，其中桉樹的蒸散發在2001-2020年的增長是原始森林的1.5倍，是次生林的1.2倍。而天然老林的生產力和蒸散發則變化相對穩定，次生林的生產力變化與天然老林相近，但蒸散發的增長是天然老林的1.3倍。
研究表明，桉樹人工林可能具有較高的生產力和經濟價值，但我們的研究也發現桉樹比其他森林類型更耗水，區域尺度復雜森林智能提取與精準識別有助于更好的量化森林的經濟和生態價值。同時，不同森林類型的高分辨率空間制圖也將指導精準還林（還草）空間識別，這對于增加不同森林斑塊之間的連通性至關重要，有助于改善生物多樣性和動物的遷徙。
該研究展示了如何將最新的高分辨率衛星遙感影像與人工智能領域的最先進方法相結合，并成功應用于我國西南高度異質性森林景觀的精準識別，這對未來的森林管理策略至關重要。同時，該研究也人工構建了78.77萬公頃森林訓練樣本，建立了樣本數據庫，可以在高時間頻率下更新，直接應用到未來的森林智能監測與恢復管理中。
該研究得到了國家重點研發計劃、國家自然科學基金、中科院先導A等項目的支持。
西南地區復雜森林類型空間識別與制圖
西南地區不同森林生產力與蒸散發時空分異特征