《Science of Remote Sensing》:Mapping agroforestry Above-Ground Biomass using GEDI structural traits and Sentinel-ALOS-2 PALSAR-2 multisensor fusion
编辑推荐:
农林业系统高度异质,且在全球生物量产品中常被低估,给碳储量估算带来挑战。因此,准确绘制地上生物量(Above-Ground Biomass,AGB)和冠层结构对于改进监测与报告至关重要。在这项研究中,研究人员评估了利用GEDI衍生的冠层结构变量,即冠层覆盖度(
农林业系统高度异质,且在全球生物量产品中常被低估,给碳储量估算带来挑战。因此,准确绘制地上生物量(Above-Ground Biomass,AGB)和冠层结构对于改进监测与报告至关重要。在这项研究中,研究人员评估了利用GEDI衍生的冠层结构变量,即冠层覆盖度(canopy cover,CC)、第95百分位高度(95th percentile height,RH95)和叶层高度多样性(foliage height diversity,FHD),作为小农农林业景观中AGB估算的中间预测因子的效果。使用Sentinel-1、Sentinel-2、ALOS-2 PALSAR-2和辅助数据输入,研究人员在U-Net架构内比较了早期、中期和晚期多模态融合策略。中间融合在结构反演方面表现最佳,尤其是对于RH95(与机载LiDAR的相关系数r=0.86)。将FHD纳入基于异速生长模型的AGB模型中,将精度从R2值0.64提高到0.74,均方根误差(RMSE)从8.23吨/公顷降低到7.07吨/公顷,偏差从-1.27吨/公顷降低到-0.56吨/公顷。这些结果表明,FHD捕捉的结构多样性提供了超出高度和覆盖度的额外信息,并且融合设计影响了反演性能。该框架利用GEDI衍生的结构特征作为中间监督,通过基于异速生长模型且可解释的AGB模型,改进了数据稀缺的农林业系统中的AGB估算。该方法为将LiDAR任务与多传感器卫星数据集成,用于AGB监测和农林业规划提供了一种可扩展的方式。
**研究背景、问题与意义**
农林业系统(如尼加拉瓜的遮荫咖啡农林业)具有高度异质性,其地上生物量(Above-Ground Biomass,AGB)在全球生物量产品(如ESA CCI和NASA GEDI)中常被低估,因为这些产品主要基于森林生态系统校准,导致碳储量估算偏差。现有方法依赖原位数据,但农林业中原位数据稀缺,且结构复杂(如树冠、作物、空地交错)。因此,需要一种能够利用空间LiDAR(如GEDI)和多传感器卫星数据的高精度、可扩展的AGB制图框架。研究人员提出的两阶段框架利用GEDI衍生的冠层结构特征作为中间变量,结合多传感器数据,改善了数据稀缺下农林业AGB的估算,为可持续土地管理和碳监测提供了重要工具。论文发表在《Science of Remote Sensing》。
**主要关键技术方法**
研究人员使用的主要关键技术包括:1) 基于U-Net的深度学习架构,用于从多传感器数据(Sentinel-1、Sentinel-2、ALOS-2 PALSAR-2及DEM和坡度)预测GEDI衍生的冠层结构变量(冠层覆盖度CC、第95百分位高度RH95、叶层高度多样性FHD);2) 多种融合策略(早期、中间、晚期融合)比较;3) 自监督预训练(掩码自编码器MAE);4) 基于异速生长模型的AGB模型(结合Chave等(2014)泛热带异速方程和L2正则化);5) 不确定性传播方法(蒙特卡洛模拟,基于机载LiDAR验证残差)。样本队列来源:尼加拉瓜51个1公顷样地,2022-2023年采集,测量了胸径(DBH)、树高和物种。
**研究结果**
**4.1 GEDI结构变量估计**:通过比较三种融合策略,中间融合模型在所有三个变量(CC、FHD、RH95)上均取得最高R
2和最低归一化均方根误差(NRMSE)。预测显示CC在极端值处有压缩,FHD在低值范围有高估,RH95在10-30米范围内一致性最强。
**4.2 独立验证与机载LiDAR**:独立验证表明,CC在三种融合策略间差异不大;FHD持续高估但相关性较强(Pearson r>0.8);中间融合在RH95上取得最高精度(最低偏差)。高冠层(>30米)存在低估,矮冠层略有高估。
**4.3 AGB建模与制图**:使用RH95单独建模时,R
2=0.639。加入CC后改善甚微(R
2=0.64),加入FHD后显著提升(R
2=0.733),最终模型RMSE=7.07吨/公顷,偏差最低(-0.56吨/公顷)。表明FHD提供了超出高度和覆盖度的额外结构信息。AGB制图结果与机载LiDAR冠层高度模型空间格局一致。
**4.4 模型不确定性传播**:通过1000次蒙特卡洛重复,RH95+CC+FHD模型保持最高中位数R
2(0.683)和最低RMSE(7.71吨/公顷),表明FHD的贡献对结构反演不确定性稳健。偏差为-1.15吨/公顷。
**讨论与结论**
讨论部分指出,该两阶段框架通过转移学习减少了小样本原位AGB数据的依赖,提高了模型可解释性。FHD的加入对异质农林业景观至关重要,因为相同高度下不同结构密度会导致AGB差异。与现有全球产品(GEDI L4B、ESA CCI)相比,该框架显著降低了正偏差。中间融合优于早期和晚期融合,因其允许模态特异性特征学习后再联合。不确定性来源包括GEDI地理定位误差、时间错配、异速方程误差等。结论部分翻译如下:
本研究证明了GEDI衍生的结构特征,特别是FHD,为异质农林业系统的AGB估算提供了有价值的信息。通过将Sentinel-1、Sentinel-2、ALOS-2 PALSAR-2和辅助数据结合在两阶段框架中,研究人员表明,通过中间融合进行结构反演可获得最准确的冠层指标,并且将FHD纳入基于异速生长模型的模型比仅使用高度改善了AGB预测。研究结果强调了三点:(1) GEDI衍生的结构特征可在有限田间数据下为AGB估算提供可解释的中间变量;(2) 在结构异质的农林业景观中,FHD提供了超出冠层高度和覆盖度的有用信息;(3) 在测试的融合策略中,中间融合提供了最一致的结构反演性能。这些见解可为混合农林业景观的AGB监测提供信息,并为将LiDAR任务与多传感器卫星数据集成以实现可扩展的碳建模提供依据。