面向林火燃料分类的澳大利亚全国30 m年度植被高度层构建：GEDI、Landsat与PALSAR多源遥感及XGBoost集成

《Remote Sensing Applications: Society and Environment》：Developing a nation-wide vegetation height layer for bushfire fuel classification

　　

由植被高度提供信息的当前燃料范围与类型信息，可有助于林火易发区的管理，尤其可用于支持林火行为建模。为在澳大利亚这样的大国应用这一信息，需要全国一致且最新的植被高度数据，而目前此类数据仍缺乏。卫星LiDAR（Light Detection and Ranging）传感器，如全球生态系统动态调查（GEDI）仪器，在空间离散点测量地上剖面。此类数据可与全覆盖地球观测数据结合，以估算整个大陆的植被高度。本研究通过单一机器学习模型，将GEDI数据与Landsat年度产品、L波段合成孔径雷达（PALSAR）年度镶嵌、数字高程模型（DEM）和气候数据结合，以年度频率预测植被高度（顶冠层，top-of-canopy）。选择GEDI第98百分位相对高度（rh98）代表顶冠层；然而，由于rh98对低植被覆盖的敏感性降低，而低植被覆盖在估算林火燃料类型时很重要，因此利用裸土覆盖度对高度<3 m的rh98进行了调整。在评估若干机器学习算法后，选择极端梯度提升（XGBoost）模型生产2019—2024年澳大利亚全国30 m像元植被高度。与机载LiDAR冠层高度模型比较时，XGBoost建模植被高度的均方根误差（RMSE）为5.6 m、平均绝对误差（MAE）为4.1 m，R²为0.68。与397个植被高度野外样地比较时，RMSE、MAE和R²分别为4.5 m、3.1 m和0.51（尽管大陆西侧没有可用的独立验证数据）。尽管存在这些误差，多时相建模高度具有一致性。与两个近期全球植被高度产品和澳大利亚一个较早期植被高度模型相比，发现XGBoost模型总体表现更好。

研究背景方面，林火对自然生态系统和人类聚居区构成重大威胁，近期大规模火灾事件凸显了有效林火管理的紧迫性。影响火行为的三个主要因素中，燃料是唯一可主动管理的组分；燃料结构信息，尤其是木本植被高度，可支持全年燃料负荷管理以降低火强度。澳大利亚情境下，可靠燃料结构数据对燃料分类模型至关重要，而燃料分类模型又支撑植被特异性火行为模型。植被高度是野地燃料分类中的基础结构属性，直接影响火焰长度、蔓延速率和冠火潜力。澳大利亚林火燃料分类（BFC）采用与火传播功能差异一致的高度阈值：<2 m（含<0.5 m草地和低灌木，以及0.5—2 m中等灌木）通常支持由细燃料积累驱动的地表火；2—5 m（高灌木）形成地表火与上层火过渡的中间燃料复合体；>5 m引入主动或被动冠火行为的可能性。对于澳大利亚桉树林，低开放林（5—10 m）、开放林（10—30 m）和高开放林（>30 m）的区分尤其重要。已有研究显示卫星衍生植被高度结合覆盖度可用于澳大利亚林火燃料类型分类，但存在<2 m可靠高度估计稀缺和缺乏实时燃料类型所需近期高度估计等局限。机载LiDAR可提供准确详细的植被高度和结构，但覆盖有限；卫星LiDAR如ICESat-2和GEDI在近全球尺度沿飞行路径离散点提供高度估计，其中GEDI在反演冠层高度方面达到与ICESat-2相似或更好的精度。由于卫星LiDAR数据存在大空间间隙，常将其与全覆盖地球观测影像及其他空间数据结合建模，以推导空间一致的植被高度估计。机器学习模型可利用复杂大量输入数据生产植被高度，随机森林（RF）模型和深度学习神经网络均有应用；深度学习在植被高度估算中表现良好，尤其可纳入图像纹理，但对不平衡数据易过拟合，且训练时间长、需专用硬件和复杂调参；梯度提升模型训练更快、更易解释，适合迭代实验；对于表格数据，极端梯度提升（XGBoost）等梯度提升决策树模型在预测精度和训练稳定性上常优于深度神经网络。现有覆盖澳大利亚大陆的 continental-to-global 尺度植被高度产品中，Liao et al. (2020) 使用机载LiDAR训练，Scarth et al. (2019) 使用ICESat-1 GLAS数据，这些方法基于2010年前数据；Potapov et al. (2021) 使用GEDI训练Landsat数据，生产2019年全球植被高度层，与机载LiDAR比较MAE为6.4 m、RMSE为9.1 m；Lang et al. (2023) 使用GEDI训练Sentinel-2影像，RMSE为7.9 m；Tolan et al. (2024) 使用超高分辨率卫星影像生产单木尺度冠层高度图，主要覆盖2018—2020年，并以机载LiDAR训练视觉Transformer，再用GEDI数据经卷积网络后处理，MAE为2.8 m。这些产品适用于不同应用，但主要针对>3 m植被；Lang et al. (2023) 将落在“水体”或“无植被”类的GEDI rh98赋值为零，侧重改善高植被估计而牺牲短植被精度；Potapov et al. (2021) 将短植被（GEDI第95百分位高度rh95 <3 m）赋值为零，排除了澳大利亚林火燃料类型估算重要的大面积植被；且这些产品未定期更新。本研究旨在开发一个特别关注BFC类型学的年度植被高度机器学习模型，将GEDI数据与气候、地形和选定地球观测卫星产品结合，训练并比较机器学习算法以估算植被高度；针对澳大利亚植被高度分布高度偏斜（以短和稀疏植被为主），对训练数据应用不同采样策略；用验证数据评估模型，并将最佳模型与其他关键植被高度产品比较；最终生成澳大利亚大陆全覆盖、多年年度植被高度产品。研究结论认为，该XGBoost模型总体表现与其他现有覆盖澳大利亚大陆的植被高度产品相当或更好，但存在局限；模型误差随植被高度变化，对<10 m高度高估、对>20 m高度低估，但多时相分析显示模型在2019—2024年稳定区域提供相对一致高度并可识别植被高度变化，显示其在全国尺度监测火后植被恢复及检测采伐、干旱诱导冠层胁迫等扰动事件方面的潜力；将2019年产品按BFC高度类别分类并与其他产品比较，XGBoost在澳大利亚中部提供更细粒度高度信息，但与所有模型一样低估>30 m高大植被；尽管有限制，XGBoost在BFC最关键的短和中植被高度类别中表现与现有产品相当或更好；年度全国植被高度已用XGBoost模型生产，并检测到多种植被类型因火烧损害导致的高度降低；未来工作将纳入新的独立变量并提高时间频率，以支持更准确及时的澳大利亚林火燃料类型估算，最终这种每年更新的全覆盖植被高度产品有潜力协助澳大利亚林火燃料分类系统和国家级火行为建模框架。

技术方法概括（≤250字）：研究人员使用GEDI L2A 2019—2023年数据，经质量筛选和200 m聚合过滤后获得约166万训练点；预测变量包括Landsat年度地表反射率与覆盖度百分位、增强植被指数（EVI）和土壤调节植被指数（SAVI）、PALSAR HV后向散射、DEM及长期降水和温度；验证数据包括Queensland 2019年、Australian Capital Territory 2015年、Tasmania 2019年机载LiDAR，以及TERN AusPlots 2016—2021年397个野外样地；比较RF、CatBoost、XGBoost和LightGBM，采用五折交叉验证和随机搜索调参；用BaggingRegressor 100次估计不确定性；按BFC高度类别分类并与现有产品比较。

研究结果方面，4.1 模型选择：通过将RF、CatBoost、XGBoost和LightGBM对GEDI训练、验证和测试数据及机载LiDAR、TERN AusPlots数据进行比较，并进行五折交叉验证，CatBoost总体表现最差，RF在GEDI训练数据上过拟合且计算时间长、模型体积大，LightGBM较XGBoost更易过拟合，XGBoost因验证和测试表现及模型稳定性较好被选中进一步开发；比较原始采样、低高度随机采样和平衡样本权重后，XGBoost_OS因对短植被表现较好且短植被作为林火燃料重要而被选用于全国估算；通过BaggingRegressor 100次迭代得到模型不确定性，低植被约4 m，约30 m植被增至约10 m；特征重要性显示PALSAR Lhv最重要，其次为green和SWIR2地表反射率波段、SAVI、pv_10、降雨和DEM。4.2 XGBoost建模高度与现有高度产品比较：通过将XGBoost与Potapov et al. (2021) 2019年、Lang et al. (2023) 2020年、Scarth et al. (2019) 2009年产品同2019年机载LiDAR及TERN AusPlots比较，XGBoost的RMSE、MAE和R²总体最佳，但对<10 m高度高估、对约30 m高度低估约10 m；Potapov et al. (2021) 低估<10 m并随高度增加低估至约-12 m；Lang et al. (2023) 对>20 m表现较好但对<5 m高估可达+8 m；Scarth et al. (2019) 对<2 m高估约+2 m但对30 m低估约-15 m；在112个非木质TERN AusPlots中，XGBoost偏差0.54 m、RMSE 2.25 m、MAE 1.32 m，表现最佳。4.3 利用建模高度推导BFC方案燃料类型：通过将2019年XGBoost全国高度按BFC高度类别分类，并与Potapov et al. (2021)、Lang et al. (2023)、Scarth et al. (2019) 分类结果比较面积比例，再用282个含结构信息的TERN AusPlots计算混淆矩阵和精度指标，XGBoost与Lang et al. (2023) 总体精度均为71%，高于Scarth et al. (2019) 的66%和Potapov et al. (2021) 的53%；Woodland和Grassland的F1-score高于0.8，Hummock grassland召回率高但精度差，Shrubland和Open shrubland的F1-score低；XGBoost对短植被虽有改进，但仍不足以在业务化林火燃料模型中应用。4.4 多时相模型稳定性与植被高度变化：通过选择稳定完整站点、松树采伐站点和火烧站点分析2019—2024年时间序列，稳定热带雨林站点均值变化<3 m，开放林地<4 m，草地约1.5 m；松树采伐后高度下降可被检测，但采伐年最低建模高度约3 m而非零；东南澳大利亚2019/20火烧区开放和闭合桉林火烧后高度下降并随后增加，西南澳大利亚2022年末火烧区2023年高度下降；用2019—2022年GEDI训练、2023年GEDI测试时RMSE 3.5 m、R² 0.83、MAE 2.4 m，与2019—2022测试的3.6 m、0.81、2.5 m相比未恶化，但2024年无GEDI数据不能直接确定精度。

讨论部分总结：讨论指出XGBoost模型总体表现与现有产品相当或更好但有限制；Landsat基于年度无云观测几何中值，PALSAR基于年内单次获取，近期降雨会影响SAR后向散射并降低该年建模高度精度，未来应纳入多时相SAR合成；DEM和气候层提高验证精度，但静态气候层不能考虑干旱诱导冠层变薄等年际气候变异，且大像元气候数据可能带来空间自相关，不过其较低特征重要性未显示明显证据；经纬度、土壤深度和土壤类型等额外变量虽可改善验证统计，但经纬度会导致输出伪影，土壤层空间细节不足；Tolan et al. (2024) 可提供单木位置和高度，但不捕捉灌木地和spinifex等低矮植被，且Maxar影像不常规规律获取，不适合年度业务化；高大冠层因遥感信号饱和仍是挑战，PALSAR虽最重要但仍饱和；短植被<5 m仍有高估，持续绿色草地光谱响应类似高植被，且将<3 m训练数据按裸土覆盖度赋值为0 m或1.25 m会使低高度在XGBoost回归中聚集，该方法不是短植被高度精确估计而是分类草地和低灌木燃料覆盖的折中，裸土覆盖度分离低植被类别准确率仅57%；年度产品绝对高度值可能不精确，但相对信息有助于评估突变和趋势，当前形式可集成BFC，未来将发展季节步长并探索Sentinel-1及更多GEDI观测。

研究结论翻译：本研究目标是开发一个在年度尺度生产澳大利亚全国植被高度、适用于林火燃料分类、并与其他已发表（但为单日期）植被高度模型精度相当的模型。在本研究中，研究人员使用经调整的GEDI第98百分位高度，结合Landsat和PALSAR年度产品以及DEM和气候数据作为预测变量，训练了一个机器学习模型。在评估处理澳大利亚植被高度不平衡的不同方法后，该XGBoost模型使用原始训练样本构建。与独立数据（机载LiDAR）比较时，XGBoost模型误差随植被高度变化，对高度<10 m出现高估，对植被高度>20 m出现低估；然而，澳大利亚西侧没有可用于独立验证的机载LiDAR数据。这种随高度变化的误差模式与GEDI和基于SAR的植被高度估算已知的信号饱和限制一致。然而，多时相分析显示，模型在2019—2024年六个年份的稳定区域内提供了相对一致的高度，并能识别植被高度变化。这表明该产品具有在全国尺度监测火后植被恢复和检测采伐及干旱诱导冠层胁迫等扰动事件的潜力。将2019年XGBoost澳大利亚全国植被高度产品按澳大利亚林火燃料分类（BFC）高度类别分类，并与其他已发表建模植被高度产品比较。结果表明，XGBoost模型在澳大利亚中部提供了更细粒度的高度信息，但与所有模型一样，低估了高大植被（>30 m）。尽管存在这一限制，XGBoost模型在澳大利亚大陆林火燃料分类最关键的短和中植被高度类别中表现与现有产品相当或更好。研究人员已使用XGBoost模型生产年度澳大利亚全国植被高度，该模型检测到多种植被类型因火烧损害导致的植被高度降低。未来工作将侧重于通过纳入新的独立变量提高模型精度，并提高建模植被高度的时间频率，以支持澳大利亚更准确和及时的林火燃料类型估算。最终，这种每年更新的全覆盖植被高度产品有潜力协助澳大利亚的林火燃料分类系统和国家级火行为建模框架。