多源遥感数据在区域森林地上生物量估算中的系统模型比较与基于SHAP的解释方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Systematic Model Comparison and SHAP-Based Interpretation of Multisource Remote Sensing for Regional Forest Aboveground Biomass Estimation

　　

摘要：

在全球气候变化的背景下，准确估算森林地上生物量对于评估碳储量和生态系统功能至关重要。虽然基于实地的调查方法较为精确，但其高昂的成本、较高的劳动强度以及有限的空间覆盖范围，尤其是在进行区域评估时，存在诸多限制。本研究通过系统比较分析，结合可解释的机器学习技术，利用全球生态系统动态监测计划（GEDI）的激光雷达数据以及多源被动遥感数据，包括Sentinel-1合成孔径雷达数据、Sentinel-2多光谱图像、FABDEM提供的地形数据、叶面积指数和地表温度数据，来构建森林地上生物量分布图。研究共筛选出30多个预测变量，这些变量涵盖了植被结构、光谱反射率、含水量以及地形特征等信息。建模过程中采用了多阶段策略，包括随机森林、XGBoost、CatBoost和多层感知器等基础学习模型，同时还运用了集成技术和宽深网络等混合架构，以此有效捕捉非线性相互作用和空间差异。在所有模型中，经过贝叶斯优化的XGBoost表现最佳，在辽阳和牡丹江地区分别实现了0.71和0.63的R2值，以及23.62和20.02兆克/公顷的均方根误差。SHAP分析表明，树高和森林覆盖率是主要的预测因子，而叶面积指数、光学和雷达相关变量、气候条件以及地形因素则对不同地区的生物量估算有重要影响。这些结果说明，通过系统比较模型并结合SHAP分析进行结果解读，有助于深入理解不同地区生物量与环境之间的关联，为区域森林碳储量评估提供有力支持。