基于机器学习动态集成选择算法的情景自适应多源激光雷达样本融合方法，用于森林冠层高度反演

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Scenario-Adaptive Multi-Source LiDAR Sample Fusion for Forest Canopy Height Retrieval Using a Machine Learning-Based Dynamic Ensemble Selection Algorithm

　　

摘要：

森林冠层高度对于了解森林结构、评估生物量及生态系统功能至关重要，但在山区森林中，由于采样点数量有限且分布不均，难以进行区域性测绘，这会影响数据的稳定性。全球生态系统动态监测卫星（GEDI）与冰、云和陆地高程卫星2号（ICESat-2）能够提供互补的森林冠层高度观测数据，将二者结合使用可增加样本数量并提升空间覆盖范围。本研究针对中国屯溪流域，构建了一个用于空间自适应获取30米分辨率森林冠层高度的整合框架。为解决不同传感器数据之间的不一致性以及空间异质性问题，首先采用场景自适应的多源激光雷达数据融合策略，将ICESat-2的RH98数据转换为GEDI的RH95参考空间，进而从GEDI的RH95数据以及经过一致性映射的ICESat-2 RH98数据中构建具有可靠性意识的融合训练样本。这些融合样本被用于训练森林冠层高度动态集成选择算法（FCH-DESA），该算法能够在地形和冠层条件复杂的场景中动态选择最合适的回归模型来估算森林冠层高度。利用这种场景自适应融合训练样本，FCH-DESA在经过验证的机载激光雷达数据集上的R2值为0.73，RMSE值为2.51米，偏差为-0.24米。进一步对比实验表明，一致性映射和自适应融合方法具有显著优势，但其效果相较于其他测试过的集成方法仍属于中等水平。SHAP分析结果显示，地形因素尤其是海拔高度，以及红边波段和近红外波段的特征是影响森林冠层高度变化的主要因素。总体而言，本研究证明了结合GEDI和ICESat-2这两种卫星激光雷达数据，有助于在地形复杂的山区森林中进行区域性的森林冠层高度估算。