全球城市建筑高度测绘的改进高度采样方法：结合ALOS AW3D30与GEDI数据的创新解决方案

本研究针对全球建筑高度测绘中样本空间覆盖不足和代表性差的难题，创新性地结合ALOS AW3D30与GEDI数据构建改进高度采样方法，通过随机森林（RF）模型融合多源遥感数据（Sentinel-1/2、PALSAR、VIIRS等），生成2020年全球城市建筑高度图（R2=0.55–0.75，RMSE=4.71–10.07 m），为城市形态分析和可持续发展提供高精度基础数据支撑。

　　

随着全球城市化进程加速，城市建筑高度作为表征城市景观和形态的基础信息，对资源管理、环境评估和空间规划至关重要。然而，传统建筑高度获取方法受限于空间覆盖范围和专有数据约束，而现有遥感数据衍生产品又面临样本时空不完整导致的固有不确定性。如何获取具有全球代表性和高精度的建筑高度样本，成为当前城市遥感领域的核心挑战之一。

针对这一难题，中国的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表最新成果，提出了一种融合ALOS AW3D30数字表面模型（DSM）和全球生态系统动态调查（GEDI）激光雷达数据的改进采样方法。研究通过连续变化检测与分类（CCDC）算法消除时序差异干扰，结合Sentinel-1/2雷达光学数据、PALSAR L波段雷达、VIIRS夜间灯光等多源遥感特征，构建了覆盖986个城市建成区的随机森林（RF）模型，最终生成10米分辨率的2020年全球建筑高度图。

关键技术方法包括：1）采用CCDC算法筛选2010-2020年未变化的建筑像元；2）创新性融合ALOS边缘采样（20-80%建筑覆盖率像元）与GEDI RH₉₅高度指标；3）建立区域特异性RF模型，输入特征包含雷达后向散射系数（VV/VH）、光学指数（NDBI/mNDWI）及地形位置信息；4）利用欧洲、美国和中国参考数据验证模型精度。

研究结果部分：

1. 模型性能评估：验证显示欧洲、美国和中国区域的R²分别达0.55、0.71和0.75，RMSE为4.71-10.07 m。低层建筑（<30 m）误差<10 m，但高层建筑（>50 m）误差显著增加至18.48-34.34 m。

2. 全球高度分布特征：75%区域平均高度<10 m，经济中心（如北京、纽约）高度>20 m。中国南方城市群呈现30-50 m高度集聚，与GDP分布高度吻合。

3. 建筑体积分析：亚洲和北美体积占比最高，中国广东省以85.6×10⁹ m³居全球首位，印证建筑体积与经济发展的空间耦合性。

4. 变量重要性：光学数据贡献度达64-68%（CSI指数最关键），雷达特征占25-29%（VVH指数最具解释力），辅助数据贡献<8%。

讨论指出，该采样方法通过双数据源互补克服了单一DSM平滑效应和GEDI采样稀疏性局限，使样本量提升至每个研究区6000-8000个。相比仅用ALOS或GEDI的模型，联合采样使RMSE降低13.26 m，R²提高0.27。尽管在高层建筑估计和植被干扰区仍存在不确定性，但该方法首次实现了完全基于开源数据的全球尺度建筑高度建模，为《新城市议程》可持续发展目标（SDG 11）的监测提供了突破性技术方案。

这项研究不仅解决了全球建筑高度样本匮乏的核心瓶颈，其生成的10米分辨率产品更为城市三维形态研究、碳排放评估和智慧城市规划奠定了数据基础。未来结合深度学习框架和更高精度的星载LiDAR数据，有望进一步提升高层建筑和复杂城区的反演精度。