基于Moran's I与机器学习的ICESat-2光子分类及树高估算方法优化

针对ICESat-2 ATL08数据产品因算法局限和噪声干扰导致的植被分类误差问题，研究人员结合局部空间自相关指标Moran's I与随机森林模型，在12个美国生态区开展光子重分类研究。结果显示，引入Moran's I的模型(RF2)显著提升分类精度(R2达0.76)，尤其在稠密森林中TOC(冠层顶部)分类与ALS(机载激光雷达)数据一致性更高。该研究为复杂地形植被遥感监测提供了空间上下文增强的新范式。

　　

在全球气候变化背景下，精确监测森林三维结构对碳循环评估和生物多样性保护至关重要。NASA的ICESat-2卫星搭载的先进地形激光高度计系统(ATLAS)通过光子计数激光雷达(PCL)技术为植被测绘提供了革命性数据。然而，其标准数据产品ATL08在复杂地形和稠密冠层区域存在显著分类误差——平坦地区地形高度误差约0.20米，而山区可达2米，且常低估陡坡地形高度、高估郁闭冠层高度。这些误差主要源于现有算法忽视光子点模式的空间关联特性，以及太阳背景噪声干扰。如何从海量噪声光子中精准识别植被信号，成为制约森林参数反演精度的关键瓶颈。

针对这一挑战，德克萨斯农工大学的研究团队在《Science of Remote Sensing》发表创新研究，首次将空间统计学指标Moran's I与机器学习结合，开发出能捕捉光子空间依赖性的分类框架。研究覆盖美国本土12个生态区，涵盖温带阔叶林、针叶林、稀树草原等6种生物群落，通过分析813,395个光子的空间聚类特征，构建了两种随机森林模型：基础模型(RF1)使用ATL08分类标签、置信度和冠层高度特征；增强模型(RF2)额外引入局部Moran's I指数表征空间自相关。所有模型输出均与机载激光扫描(ALS)获取的1米分辨率冠层高度模型(CHM)进行严格验证。

关键技术方法
研究采用多源数据融合策略：①从ATL03原始光子数据中人工标注训练样本；②计算每个光子的局部Moran's I指数(空间权重矩阵基于k近邻构建)；③采用70%-30%比例划分训练/测试集；④通过混淆矩阵和回归分析(R²、RMSE、MAE)评估性能；⑤重点分析不同生态区TOC(冠层顶部)、冠层、地形和噪声光子的空间分布模式。

研究结果

3.1 生态区间光子聚类特征差异
Moran's I分布呈现显著生物群落特异性：温带阔叶林(如南卡罗来纳州)光子呈强正自相关(I>0.6)，反映稠密冠层的结构连续性；而路易斯安那稀树草原光子则呈随机分布(I≈0)。值得注意的是，TOC光子在所有生态区均展示最高空间聚类性，其平均Moran's I比噪声光子高47%。

3.2 模型分类性能提升
RF2模型将总体分类错误率从ATL08的0.30%降至0.05%，其中地形与噪声的混淆减少83%。引入Moran's I使变量重要性排名发生本质变化——空间自相关指标成为仅次于原始分类标签的第二重要特征，尤其在区分冠层内部光子与地形反射时贡献率达34%。

3.3 跨生态区验证结果
与ALS数据的对比显示：在结构复杂的针叶林(犹他州UT_B)，RF2的R²(0.71)显著优于ATL08(0.65)；但在稀疏的亚热带草原(路易斯安那LA_A)，所有模型精度均受限(R²<0.35)。值得注意的是，人工标注数据与ALS的一致性最高(全局R²=0.70)，证实空间上下文信息可部分补偿算法系统性偏差。

结论与展望
该研究开创性地证实光子空间模式与植被结构复杂性存在定量关联，通过Moran's I指数成功捕捉到冠层顶部的强聚类特征。所提出的RF2模型在稠密森林中实现<3.1米的绝对高度误差，较传统方法提升29%。这一突破对全球森林碳储量估算、红树林高程监测等应用具有重要价值。未来研究可探索结合GEDI(全球生态系统动力学调查)的结构异质性指数(WSCI)，进一步发展多尺度植被参数反演框架。

局限性在于稀疏植被区的改进有限，暗示可能需要融合多时相数据或引入深度学习方法。正如作者所述："在树冠层如同指纹般独特的空间结构中，藏着我们解码地球生命脉搏的密钥"。这项研究为解锁这道密码提供了全新的空间统计学钥匙。