研究：丹麦首张10米分辨率全国树种图发布，手工特征模型精度最高
哥本哈根大学等机构利用哨兵卫星时序与基础模型嵌入对比建模，纯林宏F1达0.843，全国图精度79.9%，并以开放获取形式发布。
AI解读：这项研究把地球观测基础模型（TESSERA和AlphaEarth）与手工设计的遥感特征放在同一赛场，测试它们能否完成丹麦全国树种分类。结果是：手工特征加MLP在纯林上宏F1达0.843，混合林0.653，仍是最强方案；TESSERA嵌入虽在数据充足时略逊1.1个百分点，但当训练样本不足约25%时反超手工特征。对需要做资源调查或生态监测的机构来说，这意味着如果训练数据少，基础模型嵌入是更划算的起点；数据充足时手工特征仍值得坚持。研究还发现多年度观测系统性优于单年数据，哨兵1后向散射、光谱指数和冠层高度各有贡献。最终他们用最佳模型做出了丹麦首张10米分辨率全国树种图，面积校正总体精度79.9%，开放获取。这张图不是通用产品，它告诉我们：把多个来源（光学、雷达、高度）和时间维度拼起来，单靠一个模型或一种特征解决不好全国尺度的精细分类；对普通读者，暂时不需要做什么，但生态研究者或林业管理者可以下载这张图来替代部分地面调查。
一项提交至《Remote Sensing of Environment》的预印本研究，利用丹麦国家森林清查样地结合哨兵1/2多时相数据、冠层高度信息以及地球观测基础模型TESSERA和AlphaEarth的嵌入，构建了全国尺度树种分类框架，并生成丹麦首张10米分辨率开放获取树种图。
研究对比了两种输入表示：手工设计的谱时特征（STF）与EO基础模型嵌入，均补充冠层高度数据，并评估随机森林、XGBoost和MLP分类器，纯林与混交林分开评估。
STF+MLP组合取得最高分类性能，纯林宏F1为0.843，混交林为0.653；基于TESSERA嵌入的MLP在纯林上表现接近，仅比最佳模型低1.1个百分点。
基础模型在数据有限时优势明显
当可用训练样地少于约25%时，TESSERA持续优于基于STF的模型，说明基础模型嵌入在训练数据受限情境下具备实质优势。
多年度观测相对单年输入系统性提升分类精度；消融实验显示哨兵1后向散射、光谱指数和冠层高度数据具有互补贡献。
全国尺度制图与精度验证
最优模型被用于生成丹麦全国10米树种图，经面积校正验证的总体精度为79.9%。
该图以开放获取产品形式发布，是丹麦首个高分辨率全国树种图，研究称其可为森林监测、生态研究和土地管理提供资源。作者团队包括Alkiviadis Koukos、Spyros Kondylatos、Thomas Nord-Larsen、Lotte Nyborg、Christian Tøttrup和Kenneth Grogan。