ICESat-2与GEDI协同反演美国西北部森林地上生物量：多源遥感数据驱动的碳储量评估新范式

本研究针对大尺度森林碳储量精准量化难题，整合ICESat-2激光雷达、GEDI全波形数据及Landsat时序影像，创新构建了覆盖美国四州的30米分辨率地上生物量密度（AGBD）模型。通过随机森林算法实现2016-2020年双时期制图（R2达0.769），其配套不确定性地图为气候变化研究与森林管理提供了高精度空间决策工具，标志着星载激光雷达在温带森林碳监测中的突破性应用。

　　

在全球气候变化背景下，森林作为陆地生态系统最大的碳库，其生物量精准监测直接关系到碳收支核算的可靠性。传统地面调查方法虽精度高但成本昂贵，而光学遥感易受云雾干扰，合成孔径雷达(SAR)又对植被垂直结构不敏感。这促使科学家将目光投向新一代星载激光雷达——NASA的ICESat-2光子计数激光雷达(PCL)与国际空间站搭载的GEDI全波形系统，它们能穿透冠层获取三维结构信息，但如何将其稀疏采样数据转化为连续生物量地图仍是重大挑战。

美国农业部林务局与NASA合作团队在《Forest Ecology and Management》发表的研究中，开创性地融合多源遥感数据，实现了美国西北部四州（俄勒冈、华盛顿、爱达荷和加利福尼亚）森林地上生物量密度(Aboveground Biomass Density, AGBD)的高精度制图。研究团队采用Google Earth Engine(GEE)云平台处理海量数据，整合2016-2020年间ICESat-2 ATL08地形产品、GEDI L4A生物量数据、Landsat植被指数及LANDFIRE植被分类数据，通过六种机器学习模型对比，最终选择随机森林(RF)算法构建预测模型，生成30米分辨率AGBD地图及对应的不确定性量化图层。

关键技术方法包括：1) 基于GEE平台的多源数据协同处理框架；2) ICESat-2光子高度百分位数与GEDI波形特征的联合提取；3) 采用FIA地面样地数据分层验证；4) 随机森林模型的变量重要性分析；5) 误差传播模型量化制图不确定性。

研究结果

1. 模型性能对比
   随机森林(RF)以R²=0.768和RMSE=61.8 Mg/ha表现最优，XGBoost紧随其后。变量重要性分析显示GEDI高度指标贡献度达34.2%，显著高于其他光学特征，证实星载激光雷达对生物量估算的关键作用。

2. 时空动态特征
   2016-2020年AGBD空间分布显示，沿海红杉林区生物量密度最高（>300 Mg/ha），而内陆干旱区最低（<50 Mg/ha）。对比两期地图发现，野火频发区域出现显著生物量损失，这与FIA实地监测趋势一致。

3. 不确定性来源
   误差分析表明模型系统误差占主导（约68%），主要源于ICESat-2强/弱光束的灵敏度差异。值得注意的是，积雪覆盖时段数据会使AGBD低估达15%，建议后续研究优先采用无雪期强光束夜间数据。

结论与展望
该研究首次证明ICESat-2在温带森林生物量制图的适用性，其提出的"星载激光雷达+多光谱协同反演"框架，较传统方法将验证精度提升23%。配套发布的不确定性地图为碳交易市场提供了可信度量化工具，而GEE云平台的运用使该方法具备全国推广的可行性。作者建议未来整合NISAR雷达数据以改善多云地区监测，并开发动态模型追踪火烧迹地碳汇恢复过程。这项成果不仅为《巴黎协定》履约提供技术支撑，其方法论更对全球碳盘点计划(Global Stocktake)具有示范意义。