基于多任务神经网络和Landsat时序数据填补ALS时空空白：欧洲森林监测新方法

《Science of Remote Sensing》：Bridging spatio-temporal gaps in ALS data using Landsat time series and forest disturbance-recovery metrics via multi-task neural networks

本研究针对欧洲森林监测中机载激光扫描(ALS)数据覆盖不均、更新缓慢的问题，提出一种结合Landsat时间序列与森林干扰-恢复指标的多任务神经网络方法，成功预测森林高度指标（R2=0.47-0.68），并进一步估算立木蓄积量(GSV)和胸高断面积(BA)（R2分别达0.78和0.69），为气候智慧型林业提供可扩展的解决方案。

　　

欧洲森林覆盖超过三分之一的陆地面积，在碳固存、生物多样性保护和水分保持方面发挥着关键作用。然而，气候变化导致的火灾、风倒、干旱和病虫害等干扰事件日益频繁，凸显出对强大森林监测系统的迫切需求。目前，欧洲各国森林调查(National Forest Inventories, NFIs)是森林数据的主要来源，但其存在更新频率低、标准不一、成本高昂等问题。与此同时，尽管卫星遥感数据覆盖广、更新快，但光学数据在茂密植被区易出现信号饱和，难以直接获取森林三维结构信息。机载激光扫描(Airborne Laser Scanning, ALS)技术能提供高精度的森林高度指标，但其成本高、覆盖不连续、不同传感器数据难以 harmonized（协调一致），限制了其在大范围监测中的应用。

为解决这些挑战，由意大利博洛尼亚大学Saverio Francini领衔的国际研究团队在《Science of Remote Sensing》上发表研究，提出了一种新颖的两步法框架，通过全连接神经网络(Fully Connected Neural Networks, FCNNs)将Landsat卫星时间序列与森林干扰和恢复指标相结合，预测ALS衍生的森林高度指标，进而估算立木蓄积量(Growing Stock Volume, GSV)和胸高断面积(Basal Area, BA)。研究在五个生态地理特征迥异的欧洲林区（意大利托斯卡纳、荷兰、瑞士格劳宾登州、波兰比亚沃维耶扎森林、瑞典温德尔河生物圈保护区）进行验证，证明了方法的普适性。

研究采用多项关键技术：基于最佳可用像素(Best Available Pixel, BAP)算法生成1984-2022年无云Landsat影像时序；通过去噪算法剔除异常值；利用时间序列分割提取森林干扰指标（如扰动年份、幅度、持续时间）；构建30米×30米的ALS样地计算高度指标（均值及十分位数）；采用FCNN同时预测多个高度指标（多任务学习）及GSV与BA。模型训练采用60%数据，20%验证，20%独立测试。

研究结果

1. 森林高度指标预测

通过46个Landsat衍生预测变量（光谱波段、指数及时空变化指标），FCNN对五个研究区的森林高度指标预测精度（R²）介于0.47（瑞士）至0.68（瑞典）之间，均方根误差(RMSE)为2.2-5.7米。瑞典地区因ALS数据质量最优（点密度1-2/平方米，2018年获取）预测效果最佳，而托斯卡纳（2008年数据，点密度1.6/平方米）和瑞士（复杂地形）精度相对较低。

2. 森林结构变量估算

基于地面实测数据，将预测的森林高度指标输入第二层FCNN，估算GSV和BA。五个区域GSV预测平均R²达0.8，BA为0.78，表明该方法能有效量化关键森林参数。

结论与讨论

本研究首次在欧洲尺度上验证了通过Landsat时序与干扰-恢复指标预测ALS森林高度指标的可行性，并成功构建了“卫星-ALS-地面数据”层级推理框架。多任务学习的FCNN通过共享表征提升了对相关变量（如高度百分位数、GSV与BA）的预测效率，优于独立建模。该方法弥补了ALS数据空间不连续、更新慢的缺陷，为欧盟“弹性森林监测框架”提供了技术支撑。未来可集成Sentinel等高分辨率数据，并结合自助法(Bootstrapping)解决复杂模型的不确定性评估问题。这一可扩展方案为实现泛欧洲森林碳核算、生物多样性评估和气候智慧型林业管理提供了新路径。