利用NICFI行星观测数据、机载激光雷达以及U-Net回归模型，对亚马逊森林进行了全覆盖的高程测绘

《Remote Sensing in Ecology and Conservation》：Wall-to-wall Amazon forest height mapping with planet NICFI, Aerial LiDAR, and a U-Net regression model

亚马逊森林冠层高度首份高分辨率地图研究。基于Planet NICFI影像和U-Net深度学习模型，生成4.78米分辨率冠层高度图，验证平均绝对误差3.68米，优于现有全球模型。分析显示森林平均冠层高度22米，存在显著空间异质性，并成功监测砍伐、火灾及再生过程。

　　本研究提出了一种利用Planet NICFI卫星影像和深度学习技术，生成亚马逊森林高分辨率树冠高度地图的新方法。树冠高度是衡量森林生物量、生产力和结构的关键指标，但无论从地面还是遥感手段进行准确测量，特别是在区域或更大尺度上，仍面临诸多挑战。本研究的目标是利用Planet NICFI的4.78米分辨率影像，构建第一幅覆盖整个亚马逊森林的树冠高度地图，并通过深度学习模型进行精准预测。通过使用基于热带航空激光雷达（LiDAR）生成的树冠高度模型（CHM）及其对应的Planet NICFI影像，研究团队成功训练了一个U-Net回归模型，以预测树冠高度。该模型在验证样本上的平均绝对误差为3.68米，且在不同树高范围内系统偏差较小。尽管存在一些偏差，例如对5–15米高度的树冠有轻微高估，而对50米以上树冠有低估，但总体上该模型在预测精度上优于现有的全球树冠高度产品。研究还发现，亚马逊森林的平均树冠高度约为22米，标准差约为5.3米，显示出森林结构的显著差异，包括从圭亚那盾岩地区的最高树冠到湿地、河流、岩石露头、草原和高海拔地区的较矮树冠。

为了实现这一目标，研究团队首先收集了大量航空LiDAR数据，这些数据来自巴西和秘鲁的多个地点，时间跨度为2008年至2018年，覆盖了亚马逊、塞拉多和大西洋森林等不同生态系统。这些LiDAR数据被处理为CHM，以供模型训练和验证使用。同时，研究团队还利用Planet NICFI的卫星影像，这些影像具有4.78米的高分辨率，能够捕捉到更精细的树冠结构变化。由于Planet NICFI影像在某些区域存在云层遮挡和数据不完整的问题，研究团队采用了一系列图像处理技术，包括使用Google的建筑足迹数据进行遮挡处理，以及构建云层遮挡掩膜，以排除因云层和阴影造成的误差。

研究团队采用的U-Net模型在训练过程中使用了SGD优化器和Adam优化器，学习率为0.0001，损失函数为加权均方误差。通过对256×256像素大小的图像块进行训练和验证，研究团队获得了较为准确的预测结果。此外，模型还对不同区域的树冠高度进行了分析，例如在亚马逊森林的某些区域，如圭亚那盾岩和西部亚马逊，能够捕捉到较高的树冠高度，而在湿地、河流、岩石露头和高海拔地区，树冠高度较低。这种高度分布模式揭示了亚马逊森林在不同地理和环境条件下的高度变化规律。

研究团队还评估了模型在不同森林类型中的表现。例如，在密集且高大的森林中，模型能够准确识别树冠结构，而在低密度森林中，模型在捕捉树冠的同时，也能够识别出树冠之间的空隙。在某些特定的森林类型，如河流和草原生态系统中，模型能够有效区分出水体和低植被的高度，从而提高预测的准确性。此外，研究团队还展示了模型在检测特定森林变化方面的潜力，例如通过分析树冠高度变化，可以识别出选择性采伐、砍伐和再生等事件。这种能力为森林监测和保护提供了新的工具。

尽管Planet NICFI数据具有高分辨率，但在某些地区，如安第斯山脉，由于云层遮挡和阴影效应，模型的预测可能存在偏差。因此，研究团队建议在未来的模型迭代中，考虑在薄云条件下进行预测，以提高这些地区的覆盖率和准确性。此外，研究团队还指出，模型在巴西以外的地区可能涉及域外插值，因此需要进一步的数据验证和质量评估。

本研究的结果表明，利用Planet NICFI影像和深度学习模型，可以生成高分辨率的亚马逊森林树冠高度地图，这为研究森林结构、生物量和碳储存提供了重要的数据支持。树冠高度与森林的生物量和碳储存密切相关，因此，该地图可用于估算森林的碳储量和评估森林的健康状况。此外，树冠高度还与生物多样性有关，能够反映栖息地的复杂性，从而为生物多样性研究提供新的视角。

本研究还强调了开放数据的重要性。为了促进科学界和公众对亚马逊森林的理解，研究团队将数据发布在AWS Open Data Registry和Awesome Google Earth Engine（GEE）社区目录中，使得更多研究人员和环保组织能够利用这些数据进行进一步的分析和研究。然而，开放数据也带来了潜在的风险，例如可能引发对某些地区大型树木的过度关注或开发，因此需要制定相应的保护措施。

综上所述，本研究不仅展示了Planet NICFI影像和深度学习技术在高分辨率树冠高度预测方面的潜力，还为亚马逊森林的监测和保护提供了新的工具和方法。未来的研究可以进一步探索这些技术在其他热带森林中的应用，以及如何利用这些数据进行更广泛的森林管理和保护工作。此外，研究团队还建议，通过结合更多的遥感数据源和地面观测数据，可以进一步提高模型的准确性和适用性。