多传感器融合建模在自然与人工生态系统中木本植被与冠层覆盖的精准监测

本研究针对传统遥感技术在植被监测中分辨率不足和数据融合效益不明的问题，利用Sentinel-1 SAR和Sentinel-2 MSI多源卫星数据，结合机载激光雷达(LiDAR)验证，构建了10米分辨率的冠层覆盖(CC)和木本植被(WV)预测模型。结果显示，多传感器融合使CC预测R2达0.83，WV分类总体准确率(OA)达0.94，显著提升了非木本生态系统（如湿地、灌丛）的识别精度，为自然资本核算和生态系统服务评估提供了高性价比的解决方案。

　　

在全球气候变化和土地利用转型的背景下，精准量化植被覆盖对生态系统服务评估至关重要。然而，现有遥感技术面临三大瓶颈：一是光学影像易受云层干扰且难以穿透冠层，二是单一传感器数据在稀疏植被区易误判，三是高分辨率商业卫星数据成本高昂难以推广。这些问题严重制约了自然资本核算和"自然向好"(Nature Positive)倡议的实施。

为解决这些挑战，CSIRO（澳大利亚联邦科学与工业研究组织）联合多家机构，利用2019年旱季的Sentinel-1 C波段合成孔径雷达(5.5 cm波长)和Sentinel-2多光谱数据，结合覆盖塔斯马尼亚州68,000 km²的机载激光雷达(LiDAR)采样点(44,009个训练点/18,867验证点)，开发了10米分辨率的随机森林模型。研究创新性地采用双极化SAR数据(VV/VH)与光学植被指数(NDVI/EVI)融合策略，并通过体积散射模型进行地形校正，最终成果发表于《International Journal of Applied Earth Observation and Geoinformation》。

关键技术包括：(1) LiDAR点云处理采用pit-free算法生成冠层高度模型(CHM)，定义>2 m高度且覆盖度≥10%为WV；(2) Sentinel-2云掩膜结合太阳方位角投影消除阴影；(3) 基于Google Earth Engine平台构建61个特征变量，包括时序中值(NDVI_M)和3像素邻域均值(F3μ)；(4) 通过交叉验证比较S1S2融合模型与单S2模型的性能差异。

研究结果

4.1 模型性能验证
融合SAR的S1S2模型在验证集上表现最优：CC预测R²=0.83、RMSE=0.13；WV分类OA=0.94、Kappa=0.87。SAR变量虽仅提升1-2%的统计指标，但在高山植被、湿地等非木本生态系统中展现出独特优势。例如，SAR使灌丛生态系统的CC预测偏差降低2.6%，有效抑制了光学数据对茂密草本植被的误判。

4.2 SAR的互补效应
雷达植被指数(RVI=4VH/(VV+VH))与光学指标形成显著协同：在湿地生态区，SAR通过水体介电特性识别出S2模型遗漏的26.9%河岸植被；而在中央高原苔原带，SAR校正使高估的CC降低4.3%。变量重要性分析显示VH极化对CC预测贡献度达8.1%，仅次于NDVI中值(9.1%)。

4.3 与传统产品对比
与澳大利亚国家碳核算系统(NCAS)的Landsat产品相比，S1S2模型在农业区多检测出11.9%的稀疏木本植被(如防风林)，但20%阈值下整体偏差仅3.3%。与Liao等开发的 woody cover fraction (WCF)相比，本研究在牧场区域CC预测降低17.3%，更符合LiDAR实测数据。

结论与展望
该研究证实C波段SAR能有效弥补光学遥感在植被结构表征上的不足，尤其对高度<10 m的农业防护林监测具有不可替代性。提出的多传感器框架以0.13的RMSE实现了大范围精细制图，成本仅为商业卫星的1/30。未来可结合Prithvi地理空间基础模型优化时序插值，并拓展至生物量估算等领域。这一成果为《2023全球植被宣言》倡导的"30×30"生物多样性目标提供了关键技术支撑，也为农业生态系统的碳汇核算树立了新基准。