《Remote Sensing》：Predicting LiDAR-Derived Canopy Leaf Area Index in Loblolly Pine Plantations with Sentinel-2 Imagery Using a Convolutional Neural Network Approach
编辑推荐：
冠层叶面积指数（CLAI）是一种林分属性，包含关于管理松林实时健康和生长潜力的信息。当前用于量化CLAI的遥感技术依赖于对卫星多光谱影像应用简单线性模型，或基于光探测与测距（LiDAR）数据的技术，这些技术成本高昂且采集频率较低。本研究展示了一种卷积神经网络（
冠层叶面积指数（CLAI）是一种林分属性，包含关于管理松林实时健康和生长潜力的信息。当前用于量化CLAI的遥感技术依赖于对卫星多光谱影像应用简单线性模型，或基于光探测与测距（LiDAR）数据的技术，这些技术成本高昂且采集频率较低。本研究展示了一种卷积神经网络（CNN）方法，用于从10米分辨率的Sentinel-2多光谱影像中反演CLAI，模型通过基于LiDAR网格化CLAI估计值进行训练。研究人员发现，与基于植被指数（例如，简单比值）的传统线性模型相比，CNN在精度上取得了显著提升，但在预测模型训练期间完全排除的某些空间域时，模型技能也存在明显不足。当接触所有可用空间域的CLAI训练数据时，按域计算的像素尺度均方根误差范围为0.34至0.64，但在无先验域特定训练的情况下预测时，该范围上升至0.58–1.74。当应用于完全未观测到的美国地质调查局（USGS）基于LiDAR的CLAI估计值时，预测精度持续较低。相比之下，传统线性模型在未观测空间域中通常具有较低预测误差（0.43–1.98）的优势，但最大精度较低。这些结果展示了部署更复杂模型进行LiDAR“模拟”（例如，在时间上相隔较远的数据采集之间）的潜在途径，但倡导开发和采用更稳定的广义方法，用于未观测管理松林。
**论文解读：基于卷积神经网络和Sentinel-2影像的火炬松人工林冠层叶面积指数预测研究**
**1. 研究背景与问题**
叶面积指数（LAI，定义为每单位地面面积的单侧绿色叶面积）是表征森林生态系统结构与功能的核心变量。在管理火炬松（*Pinus taeda* L.）人工林中，冠层LAI（CLAI，仅指作物树冠层的LAI）与光合能力、碳水和通量及林分生产力密切相关，常作为林分健康、活力及对间伐、施肥等营林措施响应的指标。然而，传统基于地面测量的CLAI获取方法（如光衰减仪器、半球摄影）在大范围、高频次监测中不切实际。当前遥感技术主要通过两种途径估算CLAI：一是基于卫星多光谱影像的简单线性模型（如植被指数关系），成本低但精度有限，易受土壤背景、大气干扰等因素影响；二是基于光探测与测距（LiDAR）数据的方法，可提供更直接的结构信息，但采集成本高、频率低，难以作为独立解决方案用于大面积连续监测。因此，亟需开发一种结合LiDAR结构敏感性与卫星光谱时空覆盖优势的混合方法，以实现低成本、高精度的CLAI估算。卷积神经网络（CNN）具有学习光谱与空间纹理复杂非线性关系的潜力，可用于“模仿”LiDAR衍生的CLAI，填补LiDAR数据在时间和空间上的间隙。本研究旨在回答两个核心问题：第一，基于LiDAR训练数据的CNN模型能否有效从Sentinel-2影像预测CLAI，且优于传统线性模型？第二，该模型的空间泛化能力如何，是否能应用于完全未观测的区域？论文发表在《Remote Sensing》。
**2. 主要关键技术与方法**
研究人员采用了以下关键方法：
（1）**LiDAR数据获取与CLAI估计**：利用2018年1月（德克萨斯州东部、佐治亚州南部、佛罗里达州东北部）和2020年1月（阿拉巴马州中部）的机载LiDAR飞行数据，经Sumnall等（2020）方法处理，基于冠层高度（HT）、活冠层高度（HTLC）及对数变换的上下比值指数（ABRI），生成15–20米空间分辨率的CLAI栅格估计值。样本来源包括Forest Productivity Coop（FPC）成员组织提供的1104个火炬松林分边界。
（2）**CNN模型构建与训练**：构建名为“叶面积指数机器学习”（MLAI）的九层卷积神经网络，输入为9个Sentinel-2短波波段（可见光、近红外、短波红外）的7×7像素碎片，输出中心像素的CLAI预测值。模型包含约5200个可训练参数，采用Rectified Adam优化器，在Google Earth Engine（GEE）平台上随机采样208,407个样本碎片进行训练，训练数据来自LiDAR域内冬季（12月–2月）云量<20%的Sentinel-2 L1C影像。
（3）**线性模型对比**：对36个植被指数（VIs）及穗帽变换（TCT）特征进行线性回归拟合，使用经过大气校正的Sentinel-2 L2A影像，与10米分辨率LiDAR衍生的CLAI数据进行匹配，评估最佳单变量线性模型（LM-VI）。
（4）**模型评估**：通过“全”模型（所有域训练）和“盲”模型（排除目标域训练）比较预测精度；并使用独立于训练的15个美国地质调查局（USGS）3DEP LiDAR飞行数据集（2017–2021年冬季）进行外部验证。
**3. 研究结果**
**3.1 MLAI模型在像素与林分尺度的预测精度**
当训练数据包含所有域样本时，MLAI在各域预测误差（RMSE）相当（像素尺度0.34–0.64）。但在盲预测中，某些域（如阿拉巴马州AL、佐治亚州GA010203、佛罗里达州FL01）表现较差（RMSE 0.58–1.74），而德克萨斯州（TX）域相对稳定。盲预测误差主要源于系统性偏差，而非随机误差。林分尺度平均后，预测精度普遍高于像素尺度，但盲预测偏差仍显著（如AL域）。视觉检查表明，在盲预测差的域，MLAI预测与LiDAR估计存在系统性差异，而加入少量域内训练数据可大幅改善预测分布。
**3.2 MLAI预测与USGS LiDAR衍生估计的对比**
MLAI预测与USGS LiDAR衍生的CLAI估计在相对大小上一致，但存在明显绝对偏差（像素尺度R2=0.44，斜率0.58，截距0.37）。15个USGS域中，拟合度普遍低于训练数据域，R2多为低值或负值（即劣于零模型）。MLAI预测与以往基于植被指数的CLAI模型（如Cohrs等，2020）的相关性高于与USGS LiDAR估计的相关性，表明MLAI对绿色度敏感，但无法完全复现LiDAR捕获的精细结构变异性。
**3.3 基于植被指数的线性回归模型相对性能**
与MLAI不同，LM-VI模型在盲预测中的平均性能下降幅度较小，盲RMSE（最佳模型NDII：0.43–1.99）在某些域低于MLAI的盲预测，但全训练时精度显著低于MLAI。最佳线性模型为归一化差值红外指数（NDII，R2=0.36，RMSE=0.63），其次为简单比值（SR）等。盲预测时，NDII模型在大多数域RMSE较低，但MLAI在TX域表现更优。两种模型在低精度域（AL、GA、FL）均出现较大偏差，但线性模型偏差更小。
**4. 讨论与结论**
**讨论**：本研究首次尝试将CNN与LiDAR训练数据结合用于CLAI检测，展示了CNN在域内预测中的优势，但揭示了其空间泛化能力不足的问题。MLAI的轻量级设计（约5.2k参数）使其在云平台上可快速训练和预测（数十平方公里区域<10分钟，成本数美元），可用于填补LiDAR飞行的时空间隙。然而，盲预测性能差源于域间条件差异（如AL域树龄大、树高更高、LiDAR点密度不同；FL、GA域树龄小、CLAI低），且无法预先识别易泛化差的域。传统线性模型（如NDII）泛化性更好，但精度上限较低。预测误差还可能受LiDAR反演本身误差的影响，且区分训练数据误差与模型拟合误差是遥感领域的持续挑战。未来研究可探索更高密度LiDAR数据、其他机器学习算法（如梯度提升）及多传感器融合，并考虑季节效应。
**结论**：本研究展示了一种基于LiDAR和Sentinel-2影像训练的CNN模型用于火炬松人工林CLAI预测。该模型相比传统单植被指数线性模型提高了预测精度，但训练数据若未包含目标空间域，则精度优势消失。分析结果证实了卫星近红外和短波红外对LiDAR估计的植被结构组分（如CLAI）的敏感性。本研究的方法可作为工具，利用易获取的卫星影像填补LiDAR航空扫描之间的时空间隙，尤其是在基于云的数据与计算环境中。然而，对底层LiDAR训练数据误差属性的不确定性以及不可预测的泛化能力，警告在使用此类CNN模型进行CLAI预测时，需谨慎应用于训练数据中未充分代表的生物物理背景和空间域。
