摘要
刚果民主共和国卢阿拉巴省的森林由干燥密林、河岸林和米翁博林地等多种植被类型构成，呈现出复杂的结构特征。然而，传统的分类土地覆盖图为这些连续的植被分布划定了明确的边界，从而忽略了对于森林监测和碳核算至关重要的亚像素级信息。不过，这种信息在更大尺度上的损失程度至今仍未得到准确量化。在本研究中，我们利用Sentinel-2卫星提供的光谱和纹理数据，训练了一个多输出神经网络（MONN），用以估算该省三种森林类型的覆盖率。我们通过空间块交叉验证方法，将该模型的性能与标准化随机森林模型进行对比。同时，我们运用两种互补的指标——优势类比例和香农组合熵，以及一个由此衍生的指标——分类信息损失率，来量化每像素级别的信息损失情况。结果显示，多输出神经网络的表现略优于随机森林模型（R2值为0.648，而随机森林为0.630；均方根误差分别为0.224和0.229），但整体上该地区的景观结构仍具有高度异质性。平均而言，优势类比例仅为56.2%，这意味着分类地图每像素会丢失约43.8%的植被组成信息。仅有7.9%的森林像素的优势类比例超过75%，而香农熵值则达到了其理论最大值的74.1%，这表明在大多数像素中，不同森林类型以几乎相同的比例共存。因此，对于这类森林景观而言，传统的分类方法存在明显的不足。在92.1%的森林像素中，没有任何一种森林类型能占据绝对优势。这些研究结果表明，植被类型的混合是该地区景观的主要特征，而在植被结构复杂的干旱地区，采用基于组合特征的映射方法才是描述热带森林结构的有效方式。通过量化景观尺度上的分类信息损失，本研究证明，连续的组合特征映射能够将这种结构上的模糊性转化为具体的空间生态信号，这对监测植被动态和生物多样性具有重要意义。同时，这也提示我们在估算热带干旱森林的碳储量时可能存在结构性的误差，需要进一步通过实验证明。
