基于GEDI波形与地理环境因素协同建模的深度学习反演方法用于估算树冠高度

《International Journal of Remote Sensing》：Deep learning inversion method for canopy height Based on collaborative modelling of GEDI waveforms and geographic environmental factors

提出双分支深度学习模型SimpleCNN_MLP，整合GEDI波形数据与环境元数据，提升复杂地形中森林冠层高度估算精度。在GRSM区域验证中RMSE降至4.961m（较默认算法降低38.4%），跨区域迁移至MLBS仍保持稳定性能（RMSE=5.234m，r=0.535），显著优于传统六种GEDI算法，验证了动态波形特征与静态环境因素联合建模的有效性。

　　

摘要

全球生态系统动态调查（GEDI）的波形数据极易受到噪声的影响，传统算法在估算森林冠层高度时难以充分考虑地理环境因素的作用。本研究聚焦于坡度陡峭且植被覆盖度高的森林区域（美国两个森林站点：GRSM和MLBS），提出了一种双分支深度学习模型（SimpleCNN_MLP），该模型将波形数据与环境元数据相结合，以提高在复杂地形下的准确性和鲁棒性。为了评估模型性能，研究人员在GRSM区域将自定义模型与GEDI的L2A默认算法进行了比较，并将表现最佳的模型应用于MLBS站点以检验其泛化能力。结果表明，SimpleCNN_MLP在GRSM区域的性能显著优于其他模型，其均方根误差（RMSE）降至4.961米（比GEDI默认算法的8.054米降低了38.4%）。该模型在不同树高区间内均保持稳定的性能，残差分析进一步证实了其在恶劣条件下的鲁棒性。在跨区域验证中，SimpleCNN_MLP在MLBS站点的表现更为优异（RMSE = 5.234米，r = 0.535），其系统偏差大幅降低，优于所有六种GEDI算法。通过同时建模动态波形特征和静态环境因素，该模型为异质地形下的森林参数反演提供了更具适应性和可解释性的解决方案。