《Remote Sensing of Environment》:Beyond RMSE: The GEDI imputed waveform product minimizes artificial homogeneity evident in existing global forest height maps
编辑推荐:
生成大多数现有森林高度图的模型旨在最小化均方根误差(RMSE)等指标量化的平均个体预测误差。然而,当预测变量数据无法解释训练样本中的所有高度变异性时,这种目标函数会导致预测值趋向于均值,从而扭曲了对高度范围和变异性的种群级预测。几张现有的森林高度图使用了来自美
生成大多数现有森林高度图的模型旨在最小化均方根误差(RMSE)等指标量化的平均个体预测误差。然而,当预测变量数据无法解释训练样本中的所有高度变异性时,这种目标函数会导致预测值趋向于均值,从而扭曲了对高度范围和变异性的种群级预测。几张现有的森林高度图使用了来自美国宇航局(NASA)全球生态系统动力学调查(GEDI)激光雷达任务(nASA's Global Ecosystem Dynamics Investigation (GEDI) lidar mission)的训练数据,尽管该任务的提取结果存在测量误差,研究人员仍使用GEDI来:1)评估三张著名全球高度图的种群级误差;以及2)生成旨在更好地表示完整高度分布的新地图。具体而言,研究人员引入了GEDI L4D插补波形产品,该产品是使用最近邻算法创建的。该模型将一个由11个相对高度指标和其他测量值表示的高质量波形分配给热带和温带区域的每个30米像素。协变量包括派生自拟合所有清晰影像的时间序列的合成Landsat波段。虽然以前的地图在广大地区系统性地使树高同质化,但L4D并没有,并且测试验证了L4D保留了GEDI衍生的森林垂直结构指标之间的适当协方差。验证表明,L4D的顶部高度RMSE值比其他地图高出约1.1米。预测木材产量、模拟物种分布和模拟火势蔓延等应用可能会受益于人口统计学上更准确的树高地图。展望未来,对种群级精度指标的关注可能会提高遥感地图的实际价值。
森林冠层高度是木材体积、生物量储存和栖息地适宜性等众多生态系统服务的关键协变量,因此森林高度图是全球森林监测的核心组成部分。在缺乏全球全面地面森林清查数据的情况下,来自星载激光雷达仪器的高质量测量数据为高度和其他垂直结构指标的全覆盖地图提供了校准数据。美国宇航局(NASA)的全球生态系统动力学调查(GEDI)激光雷达任务为许多近期的全球高度图的校准做出了贡献,包括这里评估的来自Potapov等人、Meta以及Lang等人的地图。在这项研究中,经过质量过滤的GEDI波形被视为参考数据,可以据此评估衍生的全覆盖地图的准确性。除了像素级精度外,GEDI采样的种群(具有特定的最小样本数量阈值)被视为“真实”森林高度分布的最佳可用且全球一致的近似值。
目前存在一个关键问题,即现有可用全球森林高度图(包括上述三张地图)在预测值上表现出围绕测量遥感数据均值的人为集中现象,即人为同质化。首先,经验案例研究表明,在映射种群中对高值预测不足和对低值预测过度的情况很常见。其次,在未注意预测分布的情况下生成预测的模型,如果以最小化无法解释的误差为目标,在数学上很可能会趋向于均值预测。在预测变量数据无法区分树高的程度上,从最小二乘回归到复杂神经网络等求解最小化预测误差参数的模型,都会趋向于预测一个均值。第三,使用有限且不平衡的样本数据开发的模型可能无法捕捉森林高度分布的全部范围。由此产生的人为同质化可能会降低地图在预期应用中的价值。因此,开展这项研究对于准确再现森林结构的真实分布具有极其重要的意义。研究人员开发了新发布的GEDI L4D插补波形产品,以避免预测种群相对于高质量GEDI波形局部样本出现扭曲。该研究得出的结论表明,虽然现有地图在像素级别上实现了较低的均方根误差(RMSE),但它们牺牲了种群的分布特征;而L4D产品以略微增加单点预测误差为代价,成功保留了森林冠层高度的真实变异性和分布范围。这项研究的成果发表在《Remote Sensing of Environment》上,对于未来利用遥感数据进行制图并应用于木材产量预测、物种分布建模以及火势蔓延模拟等实际场景具有重要的科学价值和指导意义。
为开展这项研究,研究人员主要运用了以下关键技术方法。研究采用了最近邻算法中的最近相似邻体插补方法(MSN,k=1的k最近邻算法),为全球30米分辨率的陆地像素分配高质量GEDI波形数据。样本队列来源于全球范围内经过五项严格标准过滤的GEDI V002 L2A高质量激光雷达波形数据(包含85亿个高质量光斑),并排除了受异常影响的子轨道数据。模型使用了13个环境协变量,包括从连续变化检测与分类(CCDC) harmonic函数拟合导出的合成Landsat反射率波段,以计算Bray-Curtis距离来度量多变量特征空间中的相似性。
针对研究结果,具体总结如下:
**RMSE(均方根误差)**
通过在10公里的局部示例区块以及全球尺度上将MSN模型与现有三种全球冠层高度图进行直接对比验证,研究发现基于MSN模型的L4D产品因为不进行多邻居平均,避免了向均值平滑的倾向。这导致其整体RMSE略高于其他产品(在全球森林区块上比其他地图高约1.1米),但在高于40米的极高树木区间内,MSN的误差表现排第二低,说明其在极高植被预测上具有独特优势。
**IDR(十分位距)差异**
研究人员通过评估10公里区块及全球尺度的预测与参考冠层高度十分位距(IDR)差异,比较了预测分布的离散程度。未使用MSN的其他产品预测高度范围严重向中心压缩,无法反映观测值的全部范围,对高树的低估和对低树的高估现象明显。而L4D生成的MSN表现出与GEDI衍生的IDR最接近的拟合度;同时,在评估中位差异时发现L4D没有表现出系统性的高度高估或低估偏差。
**KS检验(KS test)**
通过运用两样本Kolmogorov-Smirnov检验(KS test)对比预测分布与GEDI局部样本的经验累积分布函数,研究量化了分布背离的KS统计量与p值。在0.05的显著性水平下,除MSN外的所有现有地图产品在绝大部分区块上的预测值统计特征均显著偏离GEDI分布,而MSN的这一比例仅为26.12%。这证明MSN能够更真实地重现连续的经验概率分布。
**RH指标的协方差**
通过对整个亚马逊森林盆地进行多变量内插分析,结果显示使用k=1的最近邻插补方法由于完整转移了最近参考波形的属性,成功保留了如冠层顶部高度和冠层覆盖度等观测变量间约90%的协方差结构;而k=10的最近邻模型则因过度平滑而显著削弱了较高层级相对高度(RH)指标之间的协方差模式。
**RH98与AGBD的相关性**
通过比较RH98和地上生物量密度(AGBD)的Spearman等级相关系数,研究表明在大多数全球分布区域中,10-NN方法因为过度泛化导致这两者之间产生高于GEDI实测的高相关性。相反,由MSN生成的L4D预测图谱在整体上将相关性差异保持在零附近,最佳地复现了GEDI在足迹级别上测量到的RH98-AGBD真实相关关系。
在讨论部分,研究人员总结了当前不同冠层高度地图之间表现的权衡取舍。以最小化RMSE为唯一优化目标的模型往往导致森林结构特征的同质化,这种过度均匀的表示将严重损害诸多实际决策支持应用。例如,过于均匀的林高将削弱评估火风险的能力,且由于无法充分表现树高范围,会导致对动物生物多样性的低估。相比之下,L4D产品优先保留了结构的异质性,为林业和生态保护提供了具象的分布准确性。其次,目前的GEDI任务是基于模型推断范式设计的,而当前的最近邻模型虽通过非参数方法保留了既有结构,但若未来L4D版本要支持基于模型的估计,仍需探索自举抽样等替代方法来分配预测误差的协变效应。最后,作者强调当前任何单一制图策略都无法在所有精度维度上实现最优,未来的研究应探索多目标优化的混合框架,以平衡像素级预测误差与种群级分布变异。同时,视觉Transformer等新兴深度学习算法有望通过整合多尺度上下文信息以缓解MSN图谱中因极值点错配产生的局部散斑噪声。
在结论部分,研究人员总结认为,使用GEDI数据校准全覆盖森林结构地图时,建模策略的选择直接影响了制图精度的侧维度。现有全球冠层高度图通过将预测向均值聚集以最小化像素级误差;而GEDI L4D插补波形产品则代表了另一种设计决策——它牺牲了单点的极致精度,以换取在种群级别上与GEDI实测高度分布特征的高度一致性,从而更准确地刻画了冠层高度的变异性、范围与真实分布情况。全球卫星激光测高技术在量化种群级误差方面展现出的巨大潜力,将推动未来开发出能够妥善平衡制图优势与具体生态应用需求的新型多目标模型函数。