编辑推荐：
在复杂山地地区，利用多源异构数据估算地上生物量（AGB）的技术有待验证。研究人员整合 ICESat-2 LiDAR、Landsat-8 数据及气象、地形因子开展研究。结果显示，夜间强波束反演精度最高，添加环境数据可提升制图效果。该研究为森林监测提供了更精准有效的方法。
森林，作为陆地生态系统的重要组成部分，储存着大量的碳，对维持地球生态平衡起着关键作用。地上生物量（Aboveground Biomass，AGB）作为衡量森林生态系统碳储量的关键指标，其准确估算对于全球碳预算核算、气候变化应对策略制定以及生态系统健康评估至关重要。然而，传统的光学遥感技术在估算 AGB 时，受森林垂直结构和光谱饱和的影响，难以准确获取 AGB 信息。LiDAR 技术虽能精确测量树木垂直结构，但现有研究对气象和地形等环境因素的综合考虑不足，限制了 AGB 估算模型在复杂环境中的应用。
为了解决这些问题，来自国内的研究人员开展了一项极具价值的研究。该研究聚焦于利用多源数据精准估算森林 AGB，通过整合 ICESat-2 LiDAR、Landsat-8 数据以及气象和地形因子，构建了高分辨率 AGB 反演框架。研究成果发表在《Ecological Informatics》，为森林监测领域带来了新的突破。
在研究方法上，研究人员首先确定了研究区域为中国云南省金沙江流域。该区域地形复杂，气候多样，森林资源丰富，为研究提供了典型的样本。研究数据来源广泛，包括森林资源二类调查数据、ICESat-2 LiDAR 数据、Landsat-8 多光谱影像、气象数据和地形数据等。在数据处理方面，针对不同类型的数据采用了相应的处理方法，如对 ICESat-2 数据进行去噪、滤波和筛选，对 Landsat-8 数据进行辐射校正和大气校正等。建模过程中，利用最小绝对收缩和选择算子（LASSO）模型和随机森林（RF）模型，分析树冠指标与 AGB 的关系，并通过粒子群优化算法优化 RF 模型的超参数，以提高模型精度。
研究结果方面，不同树种的 AGB 存在差异，总体平均 AGB 为 74.71 Mg/ha。在 AGB 反演精度上，LASSO 模型表现更优，夜间强波束的反演精度最高（R2 = 0.71）。通过分析发现，平均树冠高度、相对树冠高度、树冠覆盖度和树冠二次平均高度等树冠指标与 AGB 相关性较强。在全区域 AGB 反演中，研究确定了 Landsat-8 的 Band 4 等 10 个重要特征变量，利用优化后的 RF 模型进行反演。结果表明，加入气象和地形因子后，模型性能显著提升，且地形因子对模型预测能力的贡献大于气象因子。从 AGB 的空间分布来看，山区的 AGB 密度高于丘陵和平原地区，不同树种的 AGB 分布呈现出明显的区域差异。
在结论和讨论部分，研究表明利用 ICESat-2 夜间强波束数据结合气象和地形数据集，可显著提高 AGB 反演精度。LASSO 模型通过合理选择变量，有效降低数据冗余，提升了模型的解释性和稳定性。研究还发现，多源数据融合能更全面地反映影响 AGB 的因素，但目前研究存在输入数据不确定性和实验验证有限等问题。未来研究可通过量化不确定性、引入深度学习技术等方式，进一步提高 AGB 反演的准确性和可靠性。
这项研究为复杂环境下的森林监测提供了更精确、有效的方法，对推动全球森林资源管理、碳循环研究以及生态保护具有重要意义，为后续相关研究奠定了坚实基础，也为应对气候变化、实现可持续发展提供了有力的技术支持。
