基于kNN集成学习的多源遥感数据融合方法在森林蓄积量估算中的应用研究

本研究针对国家森林资源调查(NFI)中小区域估测精度不足的问题，创新性地提出结合GEDI星载激光雷达、Sentinel-1/2遥感数据的k近邻(kNN)装袋算法。通过三种策略对比发现，融合原始GEDI足迹高度与Sentinel数据的策略B表现最优（R2=0.58，RMSE%=43%），为森林资源动态监测提供了高效可靠的技术方案。

　　

森林资源精准监测是生态管理和碳汇评估的重要基础，但传统国家森林资源调查(NFI)存在小区域估测精度不足、数据更新周期长等瓶颈。尤其在气候变化加剧森林扰动的背景下，如何整合新型星载遥感数据提升监测效率成为关键科学问题。法国国家地理研究所(IGN)的研究团队在《Forest Ecology and Management》发表创新成果，通过融合GEDI全波形激光雷达与Sentinel系列光学/雷达数据，建立了高效的森林蓄积量(GSV)估算模型。

研究采用k近邻装袋(kNN-bagging)算法，创新性地设计了三阶段技术路线：首先利用GeoGEDI算法校正激光足迹地理定位（精度提升至7.29m）；随后通过随机特征子空间构建多模型集成；最终采用分位数校准优化预测。特别针对法国孚日山脉4634km²的针阔混交林，整合了675个NFI样地、104831个GEDI足迹及Sentinel-1/2时序数据。

【关键发现】

1. 数据融合策略比较：纯Sentinel数据策略A表现最差（R²=0.08），而融合GEDI-RHv100高度指标的策略B显著提升预测精度（R²=0.58）。深度学习的FORMS-H高度图策略C虽优于A，但存在高值低估问题。
2. 结构参数选择：中层冠层变量（如G_pai_z5、G_cover_z3）比顶层高度参数更能有效表征GSV，揭示植被垂直分布信息的关键作用。
3. 地理校正价值：GeoGEDI定位使针叶林预测RMSE%降低6.96%，但导致阔叶林误差增加6.72%，反映地形对数据融合的差异化影响。

讨论部分强调，相比传统制图方法（如FORMS-V体积图），该研究提出的"GEDI足迹密度化"方案更适于小区域统计推断。尽管深度学习在高度反演中表现突出，但直接使用原始GEDI结构参数可避免信息损失。研究同时指出，Sentinel-1雷达数据在本案例中贡献有限，而Sentinel-2红边波段(S2_B6)与叶面积指数(fCover)成为核心预测因子。这项成果为全球森林资源高频监测提供了可推广的技术框架，其集成学习方法可扩展至生物量等多参数同步反演，对实现《巴黎协定》森林碳汇监测目标具有重要实践价值。