《Agricultural and Forest Meteorology》：A deep geostatistical fusion framework for forest canopy height retrieval in complex tropical terrain
编辑推荐：
•自适应深度克里金网络消除了激光雷达插值的条带伪影。•DGCR模型捕获了多源遥感数据中的复杂依赖关系。•多源融合在冠层高度估算中实现了R2为0.809，RMSE为1.991米。•坡度是控制复杂地形中模型性能的关键因素。•该框架能够从离散的激光雷达足迹实现全覆盖的森林高度制图。
- •
自适应深度克里金网络消除了激光雷达插值的条带伪影。
- •
DGCR模型捕获了多源遥感数据中的复杂依赖关系。
- •
多源融合在冠层高度估算中实现了R2为0.809，RMSE为1.991米。
- •
坡度是控制复杂地形中模型性能的关键因素。
- •
该框架能够从离散的激光雷达足迹实现全覆盖的森林高度制图。
引言
森林覆盖全球陆地面积的近三分之一，在维持水文循环、保障土壤完整性和保护生物多样性方面发挥着不可或缺的作用（Pan等人，2011）。森林冠层高度作为关键结构参数，不仅为量化森林生态系统的碳汇潜力提供了必要基础，还对森林生物量、碳循环和全球变化的研究至关重要（Chen等人，2024b；Dixon等人，1994；Piao等人，2022）。传统的人工森林调查费时费力且效率低下，阻碍了其多尺度应用，因此需要遥感方法来提供大规模且通常难以到达区域的准确冠层高度估计（Wang等人，2019）。
在可用的遥感技术中，激光雷达技术能够直接捕获森林冠层的三维结构，已成为大规模冠层高度估算的主要工具（Coops等人，2021）。虽然机载激光雷达提供详细的冠层信息，但其高成本和有限的空间覆盖限制了其用于区域到全球尺度的制图（Chen等人，2025；Guo等人，2020；Potapov等人，2021）。星载激光雷达系统的发射为大规模冠层高度观测提供了新的机会。ICESat-2/ATLAS基于光子计数技术，足迹直径为17米，沿轨采样间隔为0.7米（Markus等人，2017）。相比之下，GEDI作为全波形激光雷达系统，足迹直径为25米，沿轨采样间隔为60米（Potapov等人，2021；Zhu等人，2022）。尽管这些激光雷达传感器具有全球覆盖能力，但它们仅在离散的足迹上获取数据，导致空间不连续的测量值，需要插值才能生成全覆盖的地图（Wang等人，2020）。
克服这种不连续性的常见策略是将星载激光雷达与空间连续的光学或雷达图像融合，使用激光雷达衍生高度作为参考训练回归模型，以在大范围内预测冠层高度（Goel等人，2025；Luo等人，2025；Wang等人，2026）。虽然光学遥感提供丰富的光谱细节，但其有效性经常受到厚冠层中数据饱和和崎岖地形阴影的阻碍（Long等人，2021）。相比之下，合成孔径雷达对森林结构敏感，不受云层影响，并提供全天候成像能力，使其在持续多云地区特别有价值（Pereira-Pires等人，2025；Zhang等人，2022）。然而，SAR数据也受到地形畸变的影响，如透视缩短和叠掩，这可能会降低山区的提取精度（Forkuor等人，2020；Wang等人，2016）。
即使融合互补传感器，将离散的激光雷达足迹转换为全覆盖冠层高度表面在方法上仍受到两个根本性挑战的限制，这些挑战超出了数据质量本身。第一个是采样几何的非平稳性。星载激光雷达足迹沿轨道轨迹排列，违反了传统插值方法的随机样本假设，并往往导致生成的连续表面出现条带伪影（Liu等人，2024；Shendryk，2022；Wu等人，2021）。第二个挑战涉及冠层高度与用于外推的异质预测变量之间的多元依赖关系。冠层高度通过非线性、非高斯和局部不对称的关系与光谱、微波和地形特征共同变化，而基于独立性和参数分布假设的传统回归框架不适合捕获这些关系（Jin等人，2017；Liu和Biljecki，2022）。因此，推进全覆盖冠层高度提取需要能够从未稀疏、各向异性采样的足迹中建模非平稳空间协方差的插值方法，以及能够表示异质预测变量之间复杂多元依赖的回归方法。
深度学习最近的进展为应对这些挑战开辟了新的途径（Kattenborn等人，2021；LeCun等人，2015；Reichstein等人，2019）。神经克里金提供了一种有前景的框架，通过深度神经网络取代传统的自动拟合变异函数，直接从多源环境特征中学习复杂的非平稳空间协方差结构，以动态生成最优插值权重（Chen等人，2024a；Hagenauer和Helbich，2022；Janowicz等人，2020）。这种架构保留了地球统计学的可解释性，同时利用了深度学习建模复杂非线性关系的能力。类似地，深度回归模型，特别是循环神经网络及其变体，可以捕获异质预测变量之间的序列依赖和非线性相互作用，相比假设样本独立同分布的传统参数或非参数方法具有优势（García-Soria等人，2024；Zhong等人，2019）。
尽管有这些进展，现有研究很少将具有地球统计学信息的深度学习插值框架与显式考虑复杂地形下多元依赖的深度回归模型结合起来。此外，地形因素在不同坡度条件下调节模型性能的作用仍未得到充分探索。为了填补这些空白，本研究开发了一个自适应深度克里金网络用于星载激光雷达数据的高质量空间插值，以及一个深度高斯混合Copula回归模型用于捕获多源遥感特征之间的复杂依赖关系。具体目标是：(1)评估ADKN在从离散的ICESat-2和GEDI足迹生成激光雷达衍生变量的连续表面方面的性能；(2)比较DGCR与一系列基准机器学习模型在使用不同激光雷达、光学、SAR和地形数据组合进行冠层高度估算方面的表现；(3)确定独立数据源的相对重要性和多源融合的协同效益；(4)研究所提模型对地形复杂性，特别是坡度的敏感性，并评估地形因素如何影响估算精度。
论文片段
研究区域
本研究在中国南部海南省三亚市和保亭黎族苗族自治县交界处的森林区域进行（图1）。该地区具有热带海洋季风气候，干湿季分明，春秋少雨，夏冬多雨。该地区拥有广泛的森林覆盖和广阔的原始热带雨林，年均温度
多源特征提取
我们使用了从ICESat-2/ATLAS和GEDI衍生的植被参数和冠层高度产品（Zhu等人，2022）。从Sentinel-1图像中，我们提取了后向散射系数和纹理特征（Mandal等人，2020）。从Sentinel-2图像中，我们提取了单波段变量、植被指数（Li等人，2024），详细计算公式见表A1，以及缨帽变换系数（Shi和Xu，2019）。此外，还利用了地形因素进行进一步
星载激光雷达足迹数据空间插值
ICESat-2/ATLAS和GEDI提供离散的、条带分布的点观测，地面轨迹之间留下大量的空间间隙。为了从这些稀疏的多源激光雷达测量值生成这些星载激光雷达衍生变量的连续全覆盖表面，我们应用了所提出的ADKN进行空间插值（图4a）。作为对比，普通克里金的结果，一种广泛使用的地球统计学基线方法，显示在图4b中。
ADKN空间插值离散激光雷达足迹的优越性
星载激光雷达数据的离散、条带状空间分布为生成连续全覆盖冠层高度地图带来了根本性挑战。传统地球统计方法依赖于空间平稳性和样本随机性的假设，这些假设经常被卫星激光雷达的线性沿轨采样模式违反。因此，这些传统方法通常会产生特征性的"条带"伪影和过度平滑，特别是在
结论
获取准确的冠层高度对评估森林碳库和促进生态系统管理有重大贡献。为了解决热带山区复杂地形条件下遥感反演精度有限的问题，我们整合了多源遥感数据，包括ICESat-2/ATLAS、GEDI、Sentinel-1、Sentinel-2和ALOS DEM，并提出了一个基于ADKN空间插值方法和DGCR模型的冠层高度估算框架，使用RFR
CRediT作者贡献声明
秦震：撰写–审阅与编辑，撰写–初稿，可视化，验证，软件，方法学，调查，形式化分析，数据整理，概念化。刘曙光：撰写–审阅与编辑，监督，方法学，概念化。宗文豪：调查，数据整理。乔海龙：调查，形式化分析。秦伟业：可视化，调查。黄盛：撰写–审阅与编辑，调查。赵淑清：监督，项目
秦震|刘曙光|宗文豪|乔海龙|秦伟业|黄盛|赵淑清
