基于GEDI与MODIS遥感数据融合的机器学习方法重建大兴安岭森林地上生物量时空动态

《Ecological Indicators》：Time-series reconstruction and mapping of forest aboveground biomass in the Great Xing’an Mountains of China using GEDI, MODIS, and machine learning

本研究针对冷温带森林长期高分辨率地上生物量（AGB）监测的难题，集成GEDI L4B激光雷达数据与多时序MODIS影像，采用AutoGluon堆叠集成学习算法，重建了大兴安岭2000–2020年森林AGB时空变化。模型精度优异（R2=0.83，RMSE=13.99 Mg/ha），揭示区域AGB显著增长（83.36%森林面积呈上升趋势），并明确火灾为局部生物量损失的主要驱动因子。该研究为寒温带生态系统碳核算和森林管理提供了高精度、长时序的监测方案。

　　

森林作为陆地生态系统的核心组成部分，其地上生物量（Aboveground Biomass, AGB）不仅是衡量森林碳储量的关键指标，更是评估全球碳循环和气候变化响应的重要依据。然而，传统森林资源调查方法耗时费力，难以实现大范围、连续性的动态监测。尤其在如中国大兴安岭这类典型的冷温带森林生态系统中，长期、高精度的AGB时空动态重建仍面临巨大挑战：光学遥感数据在茂密林区易出现饱和现象，合成孔径雷达（SAR）数据在高生物量区域存在信号饱和问题，而新兴的星载激光雷达技术（如GEDI）虽能直接获取森林三维结构，但其观测时间较短，难以支撑长时序分析。

为解决上述问题，山东师范大学的杨超、刘傲波等研究团队在《Ecological Indicators》上发表论文，创新性地将GEDI L4B网格化生物量产品与多时序MODIS影像相结合，利用AutoGluon自动化机器学习框架构建堆叠集成模型，重建了大兴安岭地区2000–2020年共21年的森林AGB连续时空变化。研究不仅实现了高精度AGB制图（R²=0.83，RMSE=13.99 Mg/ha），还通过Sen's斜率和Mann-Kendall趋势检验揭示了区域AGB的显著增长趋势，并结合LandTrendr算法与MCD64A1火点数据量化了火灾干扰对生物量损失的贡献。

本研究主要依托Google Earth Engine（GEE）平台进行数据处理，采用GEDI L4B Version 2（2019–2021年）作为AGB训练样本，结合MOD09A1地表反射率数据（500米分辨率，5–9月生长季合成）、SRTM地形数据及TerraClimate气候变量，构建包含14个特征变量的预测集。通过SHAP（Shapley Additive exPlanations）和PFI（Permutation Feature Importance）方法筛选关键特征（如EVI、TCW、土壤湿度、高程等），并利用AutoGluon框架集成k近邻、随机森林、XGBoost等7种基模型，最终通过加权堆叠提升预测稳健性。

3.1 特征重要性分析

EVI（增强型植被指数）和TCW（缨帽变换湿度分量）被识别为最具影响力的特征变量，其SHAP值与PFI评估结果高度一致。土壤湿度、高程、坡度等地形与气候因子也对模型贡献显著，体现了多源数据在AGB估算中的互补性。

3.2 模型性能与验证

堆叠集成模型在测试集上表现最优（R²=0.83，RMSE=13.99 Mg/ha），较单一基模型误差降低约3%。然而，模型在低AGB区存在高估倾向（中位数残差+3.81–5.00 Mg/ha），在高AGB区则出现低估（中位数残差-9.94至-5.57 Mg/ha），该偏差与GEDI系统对低矮森林冠层高度的高估和对高密森林的低估特性相关。

3.3 2020年森林AGB空间分布

2020年大兴安岭森林平均AGB为94.92 Mg/ha，总储量达1.85 Pg。空间上呈现中西高、东低的分布格局，其中落叶针叶林（DNF）平均AGB最高（112.81 Mg/ha），稀树草原（Sa）最低（70.92 Mg/ha）。

3.4 森林AGB时空动态（2000–2020）

21年间区域平均AGB从80.25 Mg/ha增长至94.92 Mg/ha，总生物量增加0.53 Pg。趋势分析显示83.36%的森林面积呈上升趋势，其中39.85%为显著增长（p<0.05）。2003年与2006年的火灾事件导致局部AGB骤减，如A区火灾后生物量损失达42.77%，且截至2020年未恢复至火前水平。

3.5 森林AGB下降的驱动因素

LandTrendr扰动监测与火点数据验证表明，火灾是AGB局部下降的主因。典型区域A（2003年火灾）和B（2006年火灾）分别损失生物量9.00百万Mg和1.07百万Mg，且恢复缓慢，凸显冷温带森林生态系统的脆弱性。

本研究通过多源遥感与自动化机器学习的深度融合，成功构建了适用于冷温带森林的长时序、高精度AGB监测框架。结果表明，大兴安岭森林碳储量在2000–2020年间总体增长，但火灾干扰导致局部生物量显著损失且恢复缓慢。该成果不仅为区域森林管理和碳政策制定提供了数据支撑，更展示了GEDI与MODIS数据在全球化森林动态监测中的巨大潜力。未来可进一步引入多平台SAR数据、航空激光雷达等，以提升模型在复杂林区的泛化能力。