基于多源遥感的AGB协同反演方法集成地形校正冠层高度和森林类型异质性

《Remote Sensing》：A Multi-Source Remote Sensing-Based AGB Synergistic Inversion Approach Integrating Terrain-Corrected Canopy Height and Forest-Type Heterogeneity

　　

ICESat-2/ATLAS光子计数LiDAR在区域尺度森林地上生物量（AGB）估算中面临若干挑战，包括稀疏采样、信号饱和、地形效应以及模型泛化能力有限。为解决这些挑战，本研究提出了一种新的协同多源遥感框架，用于区域尺度AGB估算，该框架集成了地形校正后的ICESat-2冠层高度和森林类型异质性。该框架融合了来自多个遥感数据集的结构、光谱、纹理、地形和气候信息，以提高不同森林类型间生物量估算的精度和模型稳健性。在本论文中，研究人员整合了多源数据集，包括Sentinel-1、Sentinel-2、航天飞机雷达地形测绘任务（SRTM）、WorldClim以及地形校正冠层高度模型（CHM）。随后，研究人员提取了候选特征，如光谱、纹理、地形和气候变量。在地形校正CHM方面，研究人员基于高分辨率数字高程模型（DEM）进行地形校正后，从冰云和陆地高程卫星-2（ICESat-2）ATL08数据中提取了冠层结构参数。首先，研究人员通过四种回归方法（包括多元线性回归、逐步多元回归、岭回归和套索回归）利用ICESat-2衍生的冠层结构参数生成了足迹尺度AGB样本。然后，这些生成的AGB样本被用作后续区域尺度建模的响应变量。为构建精确的AGB估算模型，研究人员首先通过相关分析识别关键特征。为考虑森林结构异质性，研究人员开发了包括随机森林（RF）、极限梯度提升（XGBoost）和支持向量机（SVM）在内的三种模型用于区域AGB制图。为评估所提出的集成地形校正冠层高度和森林类型异质性的AGB估算模型的性能，本研究在美国哈佛森林（HARV）站点进行了AGB估算。实验结果表明，森林类型特定建模提高了模型的适应性和稳健性。在RF、XGBoost和SVM模型中，RF表现最佳，平均决定系数为0.694。研究人员将优化后的模型应用于生成30m分辨率的AGB图。使用机载LiDAR衍生的AGB参考结果进行了验证。验证结果显示，总体决定系数（R²）为0.606，均方根误差（RMSE）为16.53 Mg·ha^?1。这些结果表明，所提出的集成地形校正ICESat-2冠层高度与森林类型特定建模的新型协同AGB估算框架，为区域尺度森林生物量制图和碳储量评估提供了精确可靠的解决方案。

**论文解读：基于多源遥感的AGB协同反演方法集成地形校正冠层高度与森林类型异质性**

**研究背景与问题**

森林作为陆地生态系统的核心组分和重要碳汇，其地上生物量（Aboveground Biomass, AGB）是反映碳储量的关键生物物理变量，准确估算AGB对理解全球气候变化动态至关重要。传统基于地面实测的方法虽精度高，但在区域和大尺度上受限于高昂成本与稀疏覆盖。遥感技术，特别是光学、合成孔径雷达（Synthetic Aperture Radar, SAR）与激光雷达（Light Detection and Ranging, LiDAR），为区域AGB估算提供了新途径，但各自存在局限：光学数据易受云影响且缺乏垂直结构信息；SAR信号在高生物量区易饱和；而ICESat-2光子计数LiDAR虽能获取大尺度垂直结构，但其足迹离散、穿透力有限，且冠层高度反演易受地形效应干扰，现有研究常忽略森林类型间的结构异质性，采用通用模型导致泛化能力不足。为此，研究人员提出集成地形校正冠层高度与森林类型异质性的多源遥感协同反演框架，旨在解决稀疏采样、信号饱和、地形效应及模型泛化能力受限等挑战。

**研究内容与结论**

本研究在《Remote Sensing》期刊发表，以美国哈佛森林（Harvard Forest, HARV）为研究区（面积约48.1km2，包含落叶、常绿和混交林），提出了一套多源遥感AGB协同反演框架。该框架融合地形校正后的ICESat-2/ATL08冠层高度、Sentinel-1 SAR后向散射、Sentinel-2光谱与植被指数、SRTM地形数据、WorldClim气候变量及机载LiDAR-derived冠层高度模型（CHM），通过足迹尺度建模、特征选择与分层区域外推实现连续AGB制图。结果表明：森林类型特定建模显著提升了模型适应性；随机森林（Random Forest, RF）在三种机器学习算法中表现最佳，平均决定系数（R²）达0.694；最终生成的30m分辨率AGB图经机载LiDAR参考数据验证，R²为0.606，均方根误差（RMSE）为16.53 Mg·ha^?1。该研究证明了集成地形校正冠层高度与森林类型异质性可有效降低地形诱导的不确定性，为区域尺度森林碳储量估算提供了准确可靠的方法。

**关键技术方法（不超过250字）**

研究人员采用以下关键技术方法：第一，利用高分辨率数字高程模型（DEM）对ICESat-2 ATL08光子数据进行地形校正，取校正后光子高度的第98百分位作为足迹尺度冠层高度，经独立验证R2从0.363提升至0.809，RMSE从6.470m降至3.602m。第二，从Sentinel-1（VV/VH极化）、Sentinel-2（光谱波段与植被指数）、SRTM（高程、坡度等）、WorldClim（年均温、降水）及ICESat-2数据中提取50个候选特征，通过皮尔逊相关分析筛选出29个与AGB显著相关的变量（p<0.01，|r|>0.1）。第三，针对落叶、常绿和混交林三种森林类型，分别采用多元线性回归、逐步回归、岭回归和套索回归建立足迹尺度AGB估算模型，选最优岭回归生成足迹级AGB样本。第四，以29个特征为预测变量，足迹级AGB为响应变量，分别构建随机森林（RF，调优Ntree=211，Mtry=24）、极限梯度提升（XGBoost，调优n_estimators=100，max_depth=5）和支持向量机（SVM，线性核，Cost=0.85）三种外推模型。

**研究结果**

**3.1 实验结果**：利用优化RF模型生成HARV研究区30m分辨率AGB图，AGB范围92.46–252.59 Mg·ha^?1，中高值集中连续森林覆盖区，低值分布于林缘与破碎林分。与机载LiDAR-derived AGB图对比，空间格局整体一致。独立验证显示预测与参考值R2=0.606，RMSE=16.53 Mg·ha^?1，平均绝对误差（MAE）=12.39 Mg·ha^?1，偏差-0.59 Mg·ha^?1，无明显系统偏差。

**3.2 对比分析**：（1）不同森林类型下AGB回归模型比较：岭回归在落叶林（R2=0.446）、常绿林（R2=0.524）和混交林（R2=0.365）中均优于多元线性、逐步和套索回归，具有最佳拟合与最低误差，选为足迹级AGB生成方法。（2）不同外推建模方法适用性：RF在三种森林类型中准确度最高，平均R2=0.694，RMSE=10.941 Mg·ha^?1（常绿林R2=0.744，落叶林0.696，混交林0.642）；XGBoost次之（平均R2=0.641）；SVM最差（平均R2=0.558，偏差较大）。RF因其对非线性关系和噪声的稳健性被选为最优外推模型。

**3.3 与现有星载LiDAR AGB制图研究比较**：本框架R2=0.606，RMSE=16.53 Mg·ha^?1，优于Narine等（2020）和Nandy等（2021）的结果。与同在HARV区域的Yang等（2022）（R2=0.72，RMSE=18.39 Mg·ha^?1）相比，本研究的RMSE降低约10.1%，表明预测误差更小。差异源于本框架使用地形校正冠高、多源变量融合及森林类型分层建模，更全面刻画森林结构与生物量关系。

**3.4 特征重要性分析**：冠层高度模型（CHM）是RF模型中最重要的预测变量，贡献远超其他变量。光学变量中，Sentinel-2的B11、B12、B9、B4波段及FDI、NDWI、NDBI指数贡献较高。SAR后向散射系数（VV、VH）及其统计特征（均值、方差）也显著贡献。纹理特征（熵、同质性、对比度）重要性中等。AGB估算依赖于结构、光谱、微波等多源特征的互补。

**3.5 不同森林类型残差分析**：RF模型残差在三种森林类型中大致呈正态分布且中心接近零。落叶林平均残差-1.38 Mg·ha^?1，中位数-3.16 Mg·ha^?1，负偏差较大（倾向低估）；常绿林平均残差-0.10 Mg·ha^?1，偏差最小但标准差最大（18.77 Mg·ha^?1），预测误差变异大；混交林平均残差-0.21 Mg·ha^?1，标准差最小（15.42 Mg·ha^?1），残差分布最集中。表明森林结构差异显著影响误差分布。

**讨论与结论**

**讨论部分**：研究人员讨论了多源遥感变量驱动AGB外推的机制，指出冠层高度提供结构约束，光学变量反映生理状态与水分条件，SAR补充散射信息，三者协同提升模型解释能力。误差分布特征分析表明，落叶林季节性变化导致时序不一致性引发低估，常绿林局部结构异质性导致残差变异大，混交林物种多样性增加复杂性。不确定性来源包括：多源观测时序不一致（年际中值合成抑制季节性）、参考AGB数据集本身为模型产品而非实测、森林结构异质性及研究区地形相对均匀限制了框架直接推广。未来需引入季节一致观测、多时相LiDAR、野外实测数据及深度学习等方法降低不确定性。

**研究结论**：本研究提出了一种集成地形校正ICESat-2冠层高度与多源遥感变量及森林类型特定建模的区域AGB协同估算框架。结果表明，地形校正冠层高度结合光学、SAR、地形和气候变量有效刻画了森林结构异质性，提高了AGB估算精度。在评估的机器学习算法中，随机森林模型表现最佳（R2=0.694，RMSE=16.53 Mg·ha^?1），并成功应用于生成HARV研究区连续30m分辨率AGB图。特征重要性分析表明冠层高度是主导预测变量，而光学和SAR变量提供了互补信息。尽管仍需在更多样化森林生态系统进行额外验证，所提出的框架为森林生物量估算提供了实用且可迁移的方案，并为森林碳储量评估与可持续管理提供了有力支持。