《International Journal of Applied Earth Observation and Geoinformation》：Enhancing forest aboveground biomass carbon estimation using improved phenological features retrieved by pixel-specific fusion of Landsat and Sentinel-2 time series
编辑推荐：
时间序列（TS）观测的时间分析已成为改善森林地上生物量碳（AGC）估算的有效方法。然而，现有方法通常依赖年尺度反射率TS的主要全局时间特征（如年波动幅度），而忽略了与森林碳汇过程直接相关的季节内部或季节之间的更精细局部时间特征，例如森林物候。这种时间信息的利用
时间序列（TS）观测的时间分析已成为改善森林地上生物量碳（AGC）估算的有效方法。然而，现有方法通常依赖年尺度反射率TS的主要全局时间特征（如年波动幅度），而忽略了与森林碳汇过程直接相关的季节内部或季节之间的更精细局部时间特征，例如森林物候。这种时间信息的利用不足限制了AGC估算的精度，并仍易受饱和效应影响。为解决这一不足，研究人员提出了一种利用精细尺度局部时间特征（即物候特征）来实现准确可靠的大尺度AGC制图的方法。首先，研究人员采用极端梯度提升（XGBoost）算法验证了物候特征在AGC估算中的可行性。其次，研究人员提出了一种像元特异性校准方法，以优化融合Landsat和Sentinel-2 TS数据，从而实现更准确的物候特征提取。第三，通过SHapley Additive exPlanations（SHAP）分析表征了物候特征与AGC之间的关系。验证结果表明，使用主要全局时间特征的初始模型（由Landsat/Sentinel-2分别）产生的决定系数（R2）为0.53/0.56，均方根误差（RMSE）为26.56/26.28 Mg C/ha。纳入物候相关特征显著提高了精度，R2达到0.60/0.66，RMSE为24.86/22.50 Mg C/ha。通过使用提出的像元特异性校准方法融合Landsat和Sentinel-2数据，进一步提升了性能，R2为0.75，RMSE为19.40 Mg C/ha。该模型还部分缓解了研究AGC范围内的饱和效应，与仅使用单传感器数据全局特征的传统模型相比，在高AGC森林（95.6–170.0 Mg C/ha）中RMSE降低了14.52 Mg C/ha。特征重要性排序和SHAP分析进一步证实了局部特征的关键作用，五个最具影响力的预测因子均与物候相关，并表现出与AGC变化的生物学有意义的关系。具体而言，较高的AGC与延迟的物候时间点和反射率TS数据中短期光谱波动的减少相关。
论文解读：利用物候特征增强森林地上生物量碳估算
**研究背景与问题**
森林储存了全球约80%的地上碳和近40%的地下碳，在碳中和与气候变化缓解中发挥关键作用。准确估算森林地上生物量碳（AGC）是大尺度碳动态监测的核心需求。光学遥感因其长期存档记录、高时空分辨率及免费获取优势，成为大尺度精细AGC制图的重要数据源。然而，传统方法多依赖光学光谱反射率或植被指数，易受饱和效应影响，且对森林垂直结构不敏感。近年来，时间序列（TS）反射率的全局特征（如年均值、年振幅）被用于改善AGC估算，但仍无法充分捕捉森林生理过程相关的精细局部时间特征——物候特征（如生长季开始SOS、结束EOS）。现有研究存在三大不足：物候动态与AGC的生态机制联系尚未充分探索；多数方法基于单传感器（Landsat或Sentinel-2）提取物候，长重访周期限制特征精度；物候特征无法捕捉短期及次生长季的光谱波动。为此，研究人员开展本研究，旨在通过引入精细化局部时间特征（物候特征和频域特征）提升光学遥感AGC估算精度，并开发像元特异性数据融合方法以改善多传感器TS一致性。论文发表在《International Journal of Applied Earth Observation and Geoinformation》。
**主要关键技术方法**
1. **像元特异性数据融合**：针对Landsat和Sentinel-2光谱差异，对每个像元，将一年内±2天窗口的匹配反射率对进行线性回归，当决定系数（R2）>0.85时用拟合系数校正Sentinel-2反射率，否则保留原值，以此实现像元级校准融合。
2. **时间序列重建**：采用谐波回归（HR）模型重建连续无噪声TS数据，其谐波项能捕捉非对称生长曲线和季节内波动。
3. **物候特征提取**：从重建TS中提取传统物候特征（SOS、EOS、峰值POS、谷值VOS、振幅AOS、递减率ROD、积分LIOS）和频域特征（基于短时傅里叶变换STFT的季节功率谱密度PSD），后者表征短期光谱波动强度。
4. **机器学习建模与解释**：用XGBoost构建AGC模型，通过Optuna优化超参数；用SHAP分析量化特征贡献。样本来源：2020年12月、2021年3月和2023年12月在中国四川省凉山彝族自治州采集的130个有效样地（含纯云南松林和混交林）。
**研究结果**
**4.1 数据融合方法性能**
动态时间规整（DTW）距离评估表明：未经校准的Landsat-S2 TS一致性较低（植被指数DTW>30）；传统空间固定校准使一致性下降约50%；而像元特异性校准使光谱波段DTW降低1.5–7.7%，植被指数降低>10%，有效提升了时间一致性。超过78%的像元使用了像元级校准，未校准像元（约22%）主要分布在城市、裸地和夏季观测缺失的山地。
**4.2 物候特征提取**
以样地S113为例，Landsat和Sentinel-2提取的物候时间相差10–20天，数据融合后特征值趋于平衡。融合数据集提取的物候特征与实测AGC的皮尔逊相关系数普遍高于单传感器数据（如NDVI_eos_times：Landsat 0.22→融合0.46；Blue_summer_psd：?0.48→?0.51），表明融合数据更好捕捉了物候-碳关系。
**4.3 单传感器AGC估算比较**
基于Landsat和Sentinel-2的六类特征集模型对比：仅用反射率和植被指数模型精度最低（R2=0.32–0.35，rRMSE=47.8–48.0%）；全局特征模型R2=0.53/0.56；仅物候特征模型R2=0.58/0.62；全局+PSD和全局+物候模型R2提升至0.56–0.63；完整特征集（全局+PSD+物候）模型获得最高精度（R2=0.60/0.66，RMSE=24.86/22.50 Mg C/ha）。在高AGC范围（95.6–170.0 Mg C/ha），完整模型平均偏倚?23.07 Mg C/ha，RMSE=30.96 Mg C/ha，优于全局模型（偏倚?29.26，RMSE=35.51），表明物候特征部分缓解了饱和效应。空间制图显示，含物候特征的模型减少了地形因素引起的异常模式。
**4.4 特征级与数据级融合AGC估算比较**
融合方法进一步提升了精度：特征级融合（FLF-full）R2=0.70，RMSE=21.43 Mg C/ha；数据级融合无校准（DLF-full）与空间固定校准（DLF-S-full）精度接近（R2≈0.70）；像元特异性校准的数据级融合（DLF-P-full）最佳，R2=0.75，RMSE=19.40 Mg C/ha，rRMSE=29.4%。在高AGC森林中，DLF-P-full模型偏倚?11.25 Mg C/ha，RMSE=20.99 Mg C/ha，相比单传感器全局模型RMSE降低14.52 Mg C/ha。空间制图中，数据融合方法减少了缺失像元，DLF-P-full在低生物量区域捕捉到更精细的AGC变异。
**讨论与结论**
讨论部分指出，特征级融合通过互补光谱信息提升精度，但未增加观测密度；数据级融合中，像元特异性校准有效克服了空间异质性引起的光谱偏差，优于空间固定校准。物候特征的重要性源于森林物候调控光合碳吸收的生态机制：高AGC森林因成熟树木水力阻力高、代谢成本大，生长季开始（SOS）延迟，但结构优势使其生长季结束（EOS）延迟；这通过SHAP分析得到验证（NDVI_eos_times和EVI_sos_times正向贡献）。短波红外2的振幅（SWIR2_aos_values）负向相关，反映高碳森林稳定的冠层含水量。夏季PSD（Blue_summer_psd、NIR_summer_psd）负向贡献，因为高AGC森林冠层致密、短期光谱波动小，而低AGC森林受林下植被干扰波动大。不确定性主要来自传感器光谱差异、残云污染及地形效应，但物候特征模型对地形具有一定的鲁棒性。空间区组交叉验证表明，物候特征模型在相似森林类型区域具有良好的可迁移性（R2=0.69），但不同环境区域需进一步验证。
研究结论总结：传统全局特征模型（Landsat/Sentinel-2）R2为0.53/0.56，RMSE为26.56/26.28 Mg C/ha；纳入两种物候相关特征后，R2提升0.07–0.1，RMSE降低1.70–3.78 Mg C/ha；基于像元特异性数据融合方法提取的物候特征获得最佳模型（R2=0.75，RMSE=19.40 Mg C/ha，rRMSE=29.4%），在高AGC森林中RMSE比单传感器全局模型降低14.52 Mg C/ha。SHAP分析进一步解释，SOS和EOS时间点及夏季PSD是最具影响力的预测因子；从生物学角度看，较高AGC与延迟的物候时间点和减少的短期光谱波动相关。
