基于光谱-空间-时序特征增强Transformer模型的半干旱森林地上生物量Sentinel遥感监测

本文推荐一项融合Sentinel-1/2时序数据与深度学习技术的研究，该研究针对半干旱森林地上生物量（AGB）估算难题，提出光谱-空间-时序特征增强Transformer模型（SST-TF）。通过多尺度特征选择（MUVR算法）与5天高时序分辨率数据融合，模型在结合光学与SAR数据时达到最优精度（R2=0.765，RMSE=43.96 Mg/ha）。研究突破传统方法对高时空异质性生态系统建模的局限，为全球碳循环监测与气候变化研究提供重要技术支撑。

　　

研究背景与意义

地上生物量（Aboveground Biomass, AGB）作为评估陆地森林生态系统碳汇能力的关键指标，对全球碳循环研究和气候变化应对具有重要意义。半干旱森林约占地球陆地面积的15%，在全球初级生产力中扮演重要角色。但由于这类生态系统具有高度的时空异质性和复杂的林分结构，实现精确的AGB估算仍面临重大挑战。传统遥感方法多集中于热带和亚热带雨林区域，对半干旱森林的关注相对不足。近年来，尽管遥感技术已被广泛应用于大尺度AGB评估，但半干旱森林的碳储量数据仍存在严重缺失，这主要源于数据可靠性不足和监测手段的局限。

数据来源与处理

本研究采用GEDI（Global Ecosystem Dynamics Investigation）任务的L4A级产品作为AGB参考值，该数据通过星载激光雷达系统采集，可提供可靠的AGB密度（AGBD）测量值。通过严格的质量控制，包括剔除质量标志无效值、相对标准误差大于50%的不可靠值以及灵敏度过滤器筛选，最终从42,420个测量点中保留10,012个有效数据点。

遥感数据方面，研究整合了Sentinel-2（S2）多光谱数据与Sentinel-1（S1）合成孔径雷达数据。S2数据采用Level-2A级产品，经过大气校正并重采样至10米分辨率，最终提取10个原始波段、8种植被指数（包括EVI、NDVI、IRECI等）以及3种生物物理参数（LAI、FAPAR、FCOVER），共21个特征变量。S1数据经过轨道校正、辐射定标、Refined Lee滤波和地形校正等预处理，提取VV、VH极化波段及其组合与纹理特征。

为解决GEDI足迹与Sentinel像元之间的空间匹配问题，研究采用30米缓冲区及7×7像元窗口的聚合方法，以平衡空间分辨率与地理定位误差。

方法论创新

研究提出光谱-空间-时序特征增强Transformer模型（SST-TF），通过改进传统Transformer的编码器结构，引入多头自注意力机制（Multi-Head Self-Attention），替代原有的解码器和位置编码模块。该模型能够并行处理高维特征（如光谱、纹理、植被指数），有效捕捉长时间序列中的依赖关系，显著提升特征提取能力。

在特征优化方面，采用R语言中的多元无偏变量选择方法（MUVR），通过递归特征消除与双重交叉验证，识别出最小（min）、中等（mid）和最大（max）三个尺度下的最优特征子集。其中mid尺度特征集通过几何平均计算确定，在多数实验配置中表现最佳。

针对时间序列数据的重建，研究采用径向基函数（RBF）加权集成方法，生成5天间隔的无缺失连续时间序列，并通过不同核宽度（σ=10,20,30,50）的卷积滤波器平滑噪声，保留物候变化趋势。

实验设计与结果

研究设计了三组实验：仅SAR数据（A）、仅光学数据（B）以及SAR-光学数据融合（C），并结合多尺度特征选择与不同时间分辨率（5–120天）进行系统评估。结果表明：

1. 1.
   时间分辨率提升显著改善模型精度，其中SAR数据在5–20天分辨率时达到稳定，光学与融合数据在40天分辨率后增益趋缓；
2. 2.
   光学数据整体优于SAR数据（R²提高0.163–0.239），但二者融合后达到最高精度（R²=0.765, RMSE=43.96 Mg/ha）；
3. 3.
   在mid尺度特征下，5天分辨率的融合数据配置表现最优；
4. 4.
   SST-TF模型在八种对比算法（包括RF、SVR、CNN、LSTM等）中均取得最高精度，其注意力机制有效识别出NDVI、FCOVER、VH+VV等关键特征，且重要时间节点多集中于干旱季物候变化期。

讨论与展望

研究验证了高时序分辨率数据在半干旱森林AGB估算中的重要性，尤其光学数据在捕捉植被生理状态方面的优势。尽管SAR与光学数据融合仅带来小幅提升，但证明了多源数据互补的潜力。未来研究可探索长波段SAR（如P/L波段）以增强穿透能力，并结合地形、土壤湿度等辅助特征进一步提升模型鲁棒性。

当前模型仍存在不确定性，主要源于GEDI地理定位偏差、传感器时效性匹配误差以及数据预处理中的噪声。建议后续引入贝叶斯框架量化预测不确定性，并拓展模型在不同生态区的适用性。

结论

本研究通过深度学习框架与多源遥感数据融合，实现了半干旱森林AGB的高精度制图，为全球碳监测和生态保护提供了可靠技术手段。所提出的SST-TF模型在特征提取与时序分析方面表现出显著优势，为大规模森林碳储量评估奠定了方法论基础。