《Smart Agricultural Technology》：Gaussian Mixture Integration of CNN and Transformer Models for Forest Biomass Estimation: A Multi-Sensor Fusion Approach with Uncertainty Quantification
编辑推荐：
准确估算森林地上生物量（Aboveground Biomass, AGB）对碳核算、生态系统监测及气候变化减缓至关重要。遥感技术虽可提供广域覆盖，但传统确定性模型难以充分捕捉光谱信息与森林结构属性之间的复杂关系，且常缺乏可靠的不确定性量化。研究人员提出了一种新
准确估算森林地上生物量（Aboveground Biomass, AGB）对碳核算、生态系统监测及气候变化减缓至关重要。遥感技术虽可提供广域覆盖，但传统确定性模型难以充分捕捉光谱信息与森林结构属性之间的复杂关系，且常缺乏可靠的不确定性量化。研究人员提出了一种新型概率框架，将卷积神经网络（Convolutional Neural Network, CNN）与Transformer架构集成，利用哨兵一号（Sentinel-1）与哨兵二号（Sentinel-2）影像进行AGB估算。该框架采用定制自适应版本的Swin Transformer，针对回归任务优化并简化为单阶段结构，同时结合高斯混合建模（Gaussian Mixture Modeling, GMM）集成模型输出，将预测不确定性分解为认知不确定性（模型相关）与任意不确定性（数据固有）。在美国蒙大拿州与爱达荷州的异质森林区域评估显示，CNN-Transformer集成模型表现最优，决定系数R2=0.83，均方根误差RMSE=19.16 Mg/ha，平均绝对误差MAE=13.37 Mg/ha，优于单独CNN（R2=0.81）和视觉Transformer（R2=0.80）。迁移学习与微调实验表明模型稳健性显著提升，独立测试区RMSE降低39%。空间分析显示，CNN擅长稳定提取局部特征，而Swin Transformer的自注意力机制可有效减少地形复杂坡区的误差，通过非局部光谱线索弥补阴影与几何畸变。结果表明，利用CNN与定制Transformer互补优势的集成方法，可为业务化碳监测和高分辨率可信生物量制图提供所需的透明度与精度。
该研究由Sina Irannejad与Hossein Bagheri完成，发表于《Smart Agricultural Technology》，针对森林地上生物量（AGB）估算中遥感模型难以兼顾复杂非线性关系与不确定性量化的问题展开。当前AGB估算依赖野外测量与经验公式，受限于空间覆盖与成本，而单一深度学习模型在异质景观中泛化能力不足。研究人员构建了融合Sentinel-1/2数据的多模态深度学习框架，首次将定制版Swin Transformer引入AGB回归任务，并通过高斯混合模型（GMM）集成CNN与Transformer的优势，同时量化认知与任意两类不确定性。
关键技术方法包括：（1）数据来源为美国林务局CMS（Carbon Monitoring System）2016年AGB参考产品（30米重采样至900米），匹配夏季Sentinel-1 C波段雷达与Sentinel-2光学影像；（2）设计90×90像素（10米分辨率）的多光谱—雷达输入块，经归一化与随机划分训练集（64%）、验证集（16%）与测试集（20%）；（3）对比ResNet、DenseNet与Vision Transformer（ViT）、Swin Transformer四类架构性能；（4）在独立测试区（Area 3）采用少量样本（10%）进行迁移学习微调；（5）基于GMM对各模型输出进行概率集成，分解总预测不确定性。
研究结果如下：
5.1 CNN模型的AGB估算结果
在区域1测试中，ResNet56综合表现最佳，RMSE为16.38 Mg/ha，较深层网络未显著提升精度，且过深模型易出现训练过拟合。DenseNet100亦具竞争力，但在RMSE上略逊于ResNet56。
5.2 Transformer模型的AGB估算结果
Swin Transformer在测试集RMSE为17.72 Mg/ha，优于ViT（18.60 Mg/ha），但仍不及最优CNN。Transformer在有限样本下波动更大，需要更多数据支持。
5.3 迁移学习的AGB估算结果
在未微调情况下，所有模型在Area 3的RMSE为27.41–31.45 Mg/ha，微调后降至20.24–23.54 Mg/ha，其中ResNet20/32提升最大，Swin Transformer的RMSE从29.94降至20.89 Mg/ha。
5.4 集成模型的AGB估算结果
GMM集成模型在Area 3的RMSE从31.45 Mg/ha降至19.16 Mg/ha，提升幅度超过39%，R2达0.83，显著改善空间分布与细节还原能力。
5.5 AGB预测不确定性估算结果
认知不确定性集中在植被边界与地形变化区，可通过集成与微调有效降低；任意不确定性主要来自参考数据质量与信号噪声，无法通过模型改进消除。
讨论部分指出，模型在跨区域应用时需进行微调以适应生态差异，尤其在西部与西北坡向因光照与几何畸变误差较大。Swin Transformer凭借自注意力机制可补偿阴影干扰，而CNN在稳定提取纹理方面更具优势。地形因子（坡度、坡向）虽未作为输入变量，却显著影响误差分布，未来可将其纳入辅助特征。研究局限性包括未涵盖全年时序数据、未传播观测与生态过程不确定性、空间分辨率较粗（900米）等。
结论部分强调，高斯混合集成CNN与Transformer的框架实现了高精度AGB估算与不确定性量化，在异质森林区表现优异。该方法兼具操作性与可信度，为碳监测与可持续森林管理提供了透明可靠的解决方案。未来应扩展实地参考数据，探索加权集成策略，并在更广生态梯度中验证其适用性。
