拉丁超立方抽样方法提高了基于GEDI数据的森林冠层高度估算的准确性：以中国江西省为例

《International Journal of Remote Sensing》：Latin Hypercube Sampling improves estimation of the GEDI-based forest canopy height: a case study in Jiangxi Province, China

森林冠层高度（FCH）反演模型构建与优化研究。基于GEDI-LiDAR数据与Sentinel-1/2、ALOS-2等多源遥感数据，采用拉丁超立方采样（LHS）优化训练样本，构建六种FCH反演模型并验证其性能。研究表明LHS显著提升模型精度（R2增加0.16，RMSE降低0.49m），其中LHS-RF模型在江西生成30m分辨率FCH地图，与实地调查数据相关性达0.49。研究证实LHS有效增强模型性能，为无LiDAR数据区FCH制图提供可靠方法。

　　

摘要

作为评估森林生态系统的重要指标，森林冠层高度（FCH）可以用来估算森林碳储量和地上生物量。尽管全球生态系统动态调查（GEDI）任务提供了基于LiDAR的精确FCH测量数据，但其数据分布稀疏且不连续，这限制了高分辨率、全覆盖FCH地图的生成。本研究采用了拉丁超立方抽样（LHS）方法来优化GEDI-LiDAR训练样本的选择，并结合Sentinel-1/2、ALOS-2等辅助数据构建了六个FCH反演模型。我们评估了LHS对模型性能的影响，并生成了江西省30米分辨率的FCH地图。研究结果表明：（1）使用LHS训练的FCH反演模型性能优于未使用LHS的模型，其R2值提高了0.16至0.18，均方根误差（RMSE）降低了0.49至0.55米，平均绝对误差（MAE）降低了0.4至0.44米，模型拟合线的斜率（k）提高了0.19至0.2；（2）基于LHS的随机森林（RF）模型在验证集上的表现最佳，R2值为0.78，RMSE为4.58米，相对RMSE（rRMSE）为22.76%，MAE为3.63米；（3）使用LHS-RF模型估算的FCH与第七次森林资源二类调查的实地测量结果具有显著相关性，R2值为0.49，RMSE为3.12米，相对RMSE为15.96%，MAE为2.43米；（4）合成孔径雷达数据在FCH反演中起着关键作用，其中L波段的HV和HH分量比C波段的VV和VH分量更为重要。上述结果表明，LHS能够提升FCH反演模型的性能。本研究建立的模型能够在缺乏卫星LiDAR数据的地区可靠地绘制出连续的FCH分布图。