《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Enhancing Above-Ground Biomass Estimation in Agroforestry Systems: A Scalable Deep Learning Approach Using Sentinel-2 Data
编辑推荐：
本研究针对农林生态系统中地上生物量（AGB）估算面临的冠层不连续、空间异质性高等挑战，提出了一种结合激光雷达（LiDAR）和Sentinel-2卫星数据的可扩展深度学习方法。通过预训练卷积神经网络（CNN）并引入卷积块注意力模块（CBAM），在四个热带农林区验证显示R2达0.73-0.82。该方法为小农户碳监测提供了低成本、高精度的解决方案，对支持气候变化减缓与可持续土地管理具有重要意义。
在全球气候变化加剧的背景下，准确估算植被地上生物量（AGB）已成为监测碳循环和生态系统健康的关键环节。特别是在农林复合经营系统中，树木与农作物交织生长形成的特殊空间结构，使得传统遥感方法面临巨大挑战。这些系统通常具有不连续的树冠层、高度异质性的植被分布以及复杂的物种组成，导致常规卫星影像难以准确捕捉生物量信号。更棘手的是，实地测量方法成本高昂且难以大规模应用，而光学遥感数据在生物量较高时容易出现信号饱和现象。这些限制严重制约了我们对农林生态系统碳汇能力的评估，也阻碍了基于碳汇的生态补偿机制的实施。
为了解决这些难题，来自荷兰Rabobank银行遥感部门的研究团队开展了一项创新性研究，开发了一种结合多源遥感数据和深度学习技术的新型生物量估算框架。这项发表在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》的研究，通过巧妙整合激光雷达（LiDAR）的结构信息与Sentinel-2卫星的光谱数据，实现了对农林生态系统生物量的精准测绘。
研究团队采用的关键技术方法包括：首先利用航空LiDAR数据和有限实地样点生成大尺度AGB参考图，通过全异速生长方程（allometric equation）估算样地级生物量；然后构建包含卷积块注意力模块（CBAM）的卷积神经网络（CNN），使用荷兰全国范围的LiDAR数据进行大规模预训练；最后在四个热带农林区（坦桑尼亚、哥伦比亚、尼加拉瓜和秘鲁）对预训练模型进行微调测试，评估其泛化能力。特别值得注意的是，研究采用了独特的空间分块采样策略，有效避免了训练和测试数据间的空间自相关性问题。
数据准备与处理方法
研究首先通过整合实地测量数据和航空LiDAR信息生成高精度生物量参考图。实地测量包括对每个样地内所有树高超过1.3米的树木进行胸径（DBH）、树高和物种鉴定，利用Chave等人提出的全异速生长方程计算样地级AGB。LiDAR数据则用于提取平均树冠高度（TCH）和冠层覆盖度（CC），建立与实地AGB的统计关系。Sentinel-2数据经过云掩蔽和干季中值合成处理，确保数据质量的一致性。
可扩展深度学习架构训练
研究采用了两层CNN架构，输入为12个波段、10×10像素的Sentinel-2影像块。网络包含两个卷积层，分别使用128和256个滤波器，每个卷积层后接最大池化层和CBAM注意力模块。CBAM通过通道注意力和空间注意力机制，使模型能够聚焦于对生物量估算最相关的特征。为防止过拟合，研究采用了数据增强技术，包括水平垂直翻转、随机旋转、锐化和高斯模糊等。
目标农林区AGB估算
为评估模型迁移能力，在四个热带农林区比较了两种训练策略：从头训练和微调预训练模型。结果显示，微调策略在所有研究区均表现更优，R2值在坦桑尼亚、哥伦比亚、尼加拉瓜和秘鲁分别达到0.79、0.73、0.82和0.81。特别值得注意的是，当训练样本数量减少时，微调模型的优势更加明显，表明预训练有效提升了模型在数据稀缺环境下的适用性。
特征重要性评估
通过SHAP（SHapley Additive exPlanations）分析发现，红边波段（740.5 nm和704.1 nm）和近红外波段（864.7 nm和832.8 nm）对模型预测贡献最大。红边波段因其与叶片结构和叶绿素含量的密切关系，在生物量估算中表现出特殊价值。近红外波段则通常与植被生物量呈正相关，而红光波段（664.6 nm）则显示负向影响，这与植被的光谱特性一致。
区域生物量制图
生成的生物量分布图与LiDAR参考图表现出良好的一致性。四个研究区的生物量分布特征各异：坦桑尼亚站点AGB最低（中值约6吨/公顷），而秘鲁站点部分区域AGB接近200吨/公顷。模型在低中生物量区间表现稳定，但在高生物量区间（>70吨/公顷）出现轻微低估，当AGB超过100吨/公顷时，低估现象更为明显，反映了光学遥感数据在高生物量区的饱和限制。
研究结论部分强调，该方法成功解决了农林生态系统生物量估算中的多个核心挑战。通过LiDAR中间层有效缓解了实地样点与卫星像元间的空间不匹配问题，CNN架构则通过捕捉空间上下文信息，在一定程度上克服了混合像元效应。迁移学习策略使模型能够将从温带地区学到的特征有效应用于热带农林系统，显著降低了在新区域应用时对大量参考数据的依赖。
讨论部分指出，模型迁移效果与源域和目标域的结构相似性密切相关。坦桑尼亚农林系统与荷兰预训练区域在冠层开阔度方面的相似性，使其获得了最大的性能提升（测试集RMSE降低约14%）。而哥伦比亚站点因垂直结构复杂性较高，迁移效果相对有限。这表明未来研究需要考虑更广泛的生态区代表性，以提升模型的普适性。
该研究的重要意义在于为小农户农林系统提供了一种成本效益高的碳监测方案。大多数农林系统的生物量水平低于Sentinel-2的饱和阈值（100吨/公顷），使得该方法具有广泛的适用性。未来通过融合雷达数据（如ALOS P波段）或利用即将发射的Biomass卫星任务，有望进一步克服高生物量区的饱和限制，为全球碳循环研究和气候变化减缓提供更强大的技术支持。
