基于多源数据融合与深度学习模型的中国黑龙江省年度森林冠层高度制图研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：An Integrated Spatial–Temporal Framework for Annual Forest Canopy Height Mapping Using Fused GEDI and ICESat-2 Data

　　森林冠层高度（FCH）是表征森林垂直结构以及支撑生物量、碳储量与生态系统评估的关键要素。本研究开发了一套框架，利用一致性校正后的GEDI和ICESat-2/ATL08观测数据，并结合光学、合成孔径雷达、地形及气候变量，于2020年至2024年间对中国黑龙江省进行年度FCH制图。首先采用中心特征融合的多尺度注意力卷积神经网络（MSA-CNN-CF）实现空间连续的FCH提取，随后通过基于图的残差扩散（Graph-RD）方法降低空间结构化误差。与传统CNN相比，MSA-CNN-CF将平均R2从0.54提升至0.61，并将均方根误差（RMSE）从5.07 m降至4.20 m。Graph-RD进一步将平均R2提升至0.70，RMSE降至3.58 m。随后，采用自适应时空趋势约束（ASTC）方法回溯重建了缺失的2023年FCH图。在模拟缺失年份的实验中，ASTC在稳定未干扰森林中实现了R2为0.92、RMSE为1.52 m的表现；在2022年受到干扰的森林中，ASTC的RMSE为3.62 m，相较于线性插值降低了47.96%。所提出的框架提高了区域FCH产品的空间连续性与时间完整性，为森林结构监测和碳评估提供了实用基础。