一种集成深度学习方法，通过结合季节光学、SAR和有限的GEDI LiDAR数据来估算加拿大安大略省管理森林的冠层高度和不确定性

《Remote Sensing》：An Integrated Deep Learning Approach to Estimate Canopy Height and Uncertainty by Combining Seasonal Optical, SAR and Limited GEDI LiDAR Data over Ontario’s Managed Forests, Canada

　　

准确的冠层高度制图对于森林碳监测至关重要，然而北部森林的空间连续估计仍受到稀疏的LiDAR（激光雷达）采样和不可靠的光学数据的限制。研究人员提出了一种概率深度学习框架，该框架集成了季节Landsat光学、Sentinel-1 C波段SAR（合成孔径雷达）和年度ALOS-PALSAR-2 L波段SAR复合影像与GEDI（全球生态系统动力学调查）训练目标，以生成加拿大安大略省30米冠层高度和像素级不确定性图。一个ResUNet集成模型使用Laplace负对数似然（NLL）损失进行训练；通过Laplace分布的混合捕获偶然不确定性和认知不确定性，事后通过Platt缩放进行校准，并针对机载LiDAR（ALS P98）进行验证。在匹配的架构和输入下，用Laplace NLL替换高斯NLL使R²（决定系数）提高了18.6%，RMSE（均方根误差）降低了13.7%，并将系统偏差从1.43米降低到0.14米。主要模型达到了R²=0.63，RMSE=3.65米，偏差=0.23米，超过了GEDI自身在安大略省管理森林区域内与独立ALS参考的足迹级一致性。季节复合影像使R²比仅夏季输入提高了12.9%，并且仅SAR配置在每一森林类别中均优于四种全球产品。该框架还提供了一个经过校准的像素级不确定性层，该层反映了冠层高度之外的局部结构难度，并可作为下游碳储量和森林管理应用的置信层。

准确的森林冠层高度（CH）制图是评估森林碳储量和气候变化减缓政策的关键，因为CH与地上生物量（AGB）在遥感中紧密相关。机载激光雷达（ALS）提供高精度测量，但成本高且覆盖有限；星载GEDI（全球生态系统动力学调查）LiDAR（激光雷达）提供近全球采样，但稀疏且不连续。现有研究多基于光学或单一SAR（合成孔径雷达）数据，使用树集成方法（如随机森林）存在难以外推、对噪声敏感等问题，而深度学习模型在利用空间上下文和层级特征方面更具优势，但普遍缺乏对季节性信息、多频SAR融合以及可靠不确定性估计的综合利用。针对这些不足，研究人员在加拿大安大略省管理森林区域（覆盖约55.5万平方公里）开展研究，旨在开发一种集成多传感器、季节性数据和不确定性估计的深度学习框架，以提高冠层高度制图精度并支持碳储量应用。该研究发表于《Remote Sensing》。

研究人员开展了以下研究：提出了一个基于ResUNet（残差U型网络）架构的概率深度学习框架（UCNN），通过集成模型预测冠层高度和像素级不确定性。输入数据包括季节Landsat光学、Sentinel-1 C波段SAR和年度ALOS-PALSAR-2 L波段SAR复合影像，训练目标为GEDI L2A RH98（相对高度98百分位）。使用Laplace分布负对数似然（NLL）损失处理标签噪声，并结合核密度估计（KDE）逆密度加权对稀有高度样本进行重加权。不确定性通过混合Laplace分布捕获偶然和认知不确定性，并利用Platt缩放进行事后校准。验证参考为安大略省森林资源清单（FRI）的单光子LiDAR（SPL）获取的冠层高度模型（CHM），分辨率为0.5米。模型在100个非重叠瓦片上进行五折空间交叉验证，评估指标包括R2（决定系数）、RMSE（均方根误差）、MAE（平均绝对误差）、偏差和斜率。

研究结果通过以下小标题呈现：
**3.1 GEDI RH98与ALS指标的对比**：通过比较GEDI RH98与六种ALS统计指标，发现ALS的98百分位（P98）与GEDI一致性最高（R2=0.60，RMSE=4.21米，偏差=-1.11米），因此选择ALS P98作为验证参考，并确认GEDI在较高高度上系统性低估。
**3.2 Laplace vs. 高斯NLL损失的影响**：在相同输入下，Laplace NLL模型比高斯NLL模型R2提高18.6%，RMSE降低13.7%，系统偏差从1.43米降至0.14米，表明Laplace损失对GEDI标签噪声更鲁棒，是本研究中最关键的建模决策。
**3.3 总体冠层高度估计性能**：主要模型（W-S-F LS-S1-AP-X，即季节光学+SAR，不包含坐标）达到R2=0.63，RMSE=3.65米，MAE=2.73米，偏差=0.23米，斜率=0.88，优于GEDI自身和四种全球产品。移除坐标未降低性能，因此采用无坐标配置。
**3.4 季节观测的贡献**：季节复合（冬季、夏季、秋季）比仅夏季输入显著提升性能，R2提高12.9%，RMSE降低10.8%，偏差降低0.72米。季节效应在光学模型中于落叶林和混交林最显著，在SAR-only模型中于树湿地最显著。
**3.5 多传感器融合的贡献**：Sentinel-1是最有影响力的传感器，其移除损伤最大。多传感器融合优于单传感器。SAR-only模型（W-S-F X-S1-AP-X）达到R2=0.53，RMSE=3.94米，优于夏季光学+SAR模型，表明SAR在云层覆盖地区具有操作价值。
**3.6 与GEDI和全球产品的比较**：GEDI本身斜率最高（0.89），但存在低高度高估和高高度低估。全球产品中，Pauls et al.表现最好（RMSE=4.28米，R2=0.48），Meta最差（RMSE=7.14米，R2=0.16）。所有全球产品均不如区域模型。
**3.7 沿冠层高度的预测误差**：主要模型在0-25米范围内偏差小，在>25米时出现轻微低估，而高斯模型和夏季模型低估更严重。全球产品中Meta整体低估，Lang et al.在低高度高估、高高度低估。
**3.8 不确定性分析**：原始不确定性过度自信，经Platt缩放校准后，不确定性校准误差（UCE）从1.12米降至0.10米。校准不确定性随预测高度和局部结构异质性（90米窗口标准差）增加，且与观测误差单调相关（Q1 RMSE=2.73米，Q4 RMSE=4.67米，差异1.71倍）。该不确定性层独立于冠层幅度反映结构难度。
**3.9 视觉分析**：三个代表性地点显示，主要模型预测与ALS参考空间模式高度一致，捕捉了河流走廊、成熟林和北方景观的细节，不确定性在森林边缘和过渡带升高，而全球产品存在明显偏差。
**3.10 不同森林类型性能**：主要模型在针叶林（R2=0.53，RMSE=3.27米）和混交林（R2=0.65，RMSE=3.62米）表现最好，落叶林偏差最大（1.85米）。SAR-only模型在各类森林中均优于所有全球产品，验证了其泛化能力。

讨论部分总结了Laplace损失的关键作用（偏置降低一个数量级）、季节性和传感器互补性（Sentinel-1最突出，ALOS-PALSAR-2贡献增量）、SAR-only在云层地区的可行性（空间上下文和L-C波段互补缓解饱和）、森林类型特异性（落叶林偏差源于GEDI标签噪声）、坐标输入无益（避免空间自相关）、全球产品性能差异（概率深度学习产品优于树集成和商业产品）、低冠层偏差（继承自GEDI，建议注入零高度锚点）以及不确定性层的实用性（单调相关，支持下游过滤）。局限性包括单一空间分区和瓦片尺寸未优化。

研究结论部分翻译如下：研究人员提出了一个概率深度学习框架，用于冠层高度制图，该框架集成了季节Landsat光学、季节Sentinel-1 C波段SAR和年度ALOS-PALSAR-2 L波段SAR复合影像与稀疏的GEDI训练标签，生成了30米冠层高度和经过校准的像素级不确定性图。四个主要发现：第一，在匹配的架构和输入下，用Laplace NLL替换高斯NLL使R2提高了18.6%，RMSE降低了13.7%，系统偏差从1.43米降至0.14米，证实了在噪声GEDI训练目标下使用鲁棒似然的重要性。第二，季节多时相复合影像在匹配传感器下优于仅夏季输入：R2提高12.9%，RMSE降低10.8%，偏差降低0.72米。森林类型分层分析表明，季节收益具有传感器和类别依赖性：光学模型在落叶林（RMSE降低10.6%）和混交林（RMSE降低11.2%）中收益最大，而SAR-only模型在树湿地（RMSE降低14.7%）中收益最大。第三，多传感器融合是总体精度的主要杠杆。主要配置（W-S-F LS-S1-AP-X）达到R2=0.63，RMSE=3.65米，MAE=2.73米，偏差=0.23米（相对于ALS P98参考）。在安大略省测试域内，甚至仅SAR配置也在每一森林类别中优于四种评估的全球冠层高度产品，这对光学数据不可靠的云层覆盖地区具有操作意义。第四，基于集成的不确定性层——通过Laplace分布混合结合仿射事后校准，捕获偶然和认知不确定性——产生空间上一致的置信度估计，这些估计与观测误差单调相关，并独立于冠层幅度反映局部结构异质性，使其可作为下游碳储量和森林管理产品的过滤层使用。