《Ecological Informatics》：Annual canopy height mapping in Italy from Landsat and multi-source LiDAR for disturbance and recovery monitoring
编辑推荐：
本研究利用Landsat时间序列影像与多源激光雷达（LiDAR）数据，在深度学习框架下开发了意大利2004—2024年年度30 m分辨率冠层高度数据集。研究人员分别基于2004—2017年的机载激光扫描（Airborne Laser Scanning, ALS
本研究利用Landsat时间序列影像与多源激光雷达（LiDAR）数据，在深度学习框架下开发了意大利2004—2024年年度30 m分辨率冠层高度数据集。研究人员分别基于2004—2017年的机载激光扫描（Airborne Laser Scanning, ALS）与Landsat配对数据、2019—2023年的全球生态系统动力学调查（Global Ecosystem Dynamics Investigation, GEDI）与Landsat配对数据，独立训练了两个U型卷积神经网络（U-Net）模型；随后采用贝叶斯模型平均（Bayesian Model Averaging, BMA）对两个模型的预测结果进行融合，以改善空间一致性与时间连续性，并利用意大利国家森林清查（National Forest Inventory, NFI）独立观测数据在省级尺度上约束融合权重。与现有基于PlanetScope的3 m分辨率欧洲产品和基于Sentinel的10 m分辨率全球产品相比，该数据产品在意大利境内实现了更高精度。基于该年度冠层高度时间序列，研究人员进一步生成了2005—2023年间以冠层高度变化为基础的森林扰动产品，并追踪了意大利主要森林生物群落在扰动后的冠层恢复动态。研究结果表明，将Landsat时间序列、多源LiDAR、深度学习方法与贝叶斯融合框架相结合，可为森林扰动监测、恢复评估及森林结构动态的长期分析提供可靠的技术支撑。
**研究背景与科学问题**
森林在全球碳循环、气候调节、水文过程和生物多样性维持中发挥着核心作用。冠层高度作为表征森林垂直结构的关键参数，不仅是估算生物量、评估生态系统功能的重要依据，也是直接指示森林扰动与恢复状态的敏感指标。然而，现有冠层高度产品多为单一年份的静态快照，缺乏时间连续性，难以支撑国家尺度上森林动态、扰动影响和生态系统恢复力的长期评估。意大利森林类型多样，涵盖地中海林地至阿尔卑斯针叶林等复杂生态系统，地形起伏剧烈，亟需高时空分辨率的动态监测手段。然而，目前尚无针对意大利的年度冠层高度数据集。Landsat档案具备超过四十年的连续观测记录，结合机载激光扫描（ALS）和星载激光雷达（GEDI）提供的垂直结构参考信息，可在深度学习框架下实现历史时期冠层高度的逐年重建。基于上述背景，研究人员开发了意大利2004—2024年年度30 m分辨率冠层高度数据集，并利用该数据集开展森林扰动检测与恢复动态分析。
**主要研究内容与结论**
研究人员分别利用2004—2017年的ALS—Landsat配对样本和2019—2023年的GEDI—Landsat配对样本，独立训练了两个U-Net深度学习模型（一种具有编码器—解码器结构和跳跃连接的卷积神经网络，可同时捕捉局部细节与空间上下文信息），并采用贝叶斯模型平均（BMA）在省级尺度上融合两个模型的预测结果，生成2004—2024年意大利年度30 m冠层高度图。基于该时间序列，进一步识别了冠层高度至少降低5 m且持续至其后两年的森林扰动事件，并比较了不同森林生物群落的扰动后恢复轨迹。外部验证表明，BMA融合产品在意大利国家森林清查（NFI）样地上的平均绝对误差为3.98 m，决定系数为0.46，优于两个单一模型及现有其他冠层高度产品。研究还发现，地中海森林恢复速度最快，温带阔叶混交林次之，温带针叶林恢复最慢。
**关键技术与方法**
该研究主要涉及以下关键技术环节：（1）**Landsat时间序列处理与光谱特征提取**：使用美国地质调查局（USGS）Collection 2 Tier 1 Level-2地表反射率产品，涵盖Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI影像；对2004—2012年影像进行TM/ETM+到OLI的光谱归一化处理，并基于质量评估波段QA_PIXEL和QA_RADSAT进行云、阴影和饱和像元掩膜，逐年生成年度中值合成影像，并计算归一化植被指数（NDVI）、增强型植被指数（EVI）、地表水分指数（LSWI）和归一化差值水分指数（NDWI）。（2）**LiDAR参考数据构建与过滤**：ALS数据来自意大利各地区2004—2017年间多次航测任务，覆盖约1686万公顷（约占国土面积的56%）；GEDI数据采用RH98指标（98%能量返回相对高度）作为冠层顶部高度代理，仅保留夜间、坡度小于10°且距森林边缘25 m以外的足迹，最终保留1485449个足迹。（3）**U-Net深度学习模型训练与推理**：两个U-Net模型分别以ALS和GEDI冠层高度为标签，以6个Landsat反射率波段、2个地形变量（高程和坡度）和4个光谱指数共12个波段为输入特征，采用平均绝对误差（MAE）损失函数进行优化，75%数据用于训练、5%用于验证、20%用于测试。（4）**BMA融合框架**：以NFI样地最大冠层高度为参考，在省级尺度上估计两个模型的最优权重，使融合后的冠层高度估计能够根据区域条件自适应地利用两个模型的互补优势。
**研究结果**
***意大利30 m分辨率冠层高度图***：研究人员利用BMA融合方法生成了2004—2024年意大利年度30 m冠层高度图。2024年国家尺度冠层高度分布图显示出较好的空间连续性和区域细节，能够刻画不同土地利用类型下森林结构的局地差异。基于该冠层高度图推导的树线分布显示，意大利树线海拔通常在1800—2500 m之间，阿尔卑斯山区高于南部亚平宁山脉和西西里埃特纳火山地区。
***模型性能评估***：基于NFI独立样地数据的外部验证表明，ALS—Landsat模型的MAE为4.17 m、R2为0.40；GEDI—Landsat模型的MAE为4.33 m、R2为0.37；BMA融合模型性能最佳，MAE为3.98 m、R2为0.46。在非重叠校准/验证划分实验（20/80、40/60、60/40、80/20）中，BMA性能保持稳定，MAE介于3.96—4.10 m之间。与现有产品相比，BMA产品优于3 m PlanetScope产品（Liu等，R2=0.17）、10 m Sentinel产品（Lang等，R2=0.13）以及30 m Landsat产品（Turubanova等，R2=-0.30）。误差分析显示，预测误差在坡度超过45°和海拔超过3000 m的极端地形条件下有所增大；与仅使用GEDI模型的方案相比，BMA融合在所有坡度等级上降低了MAE和RMSE约13%—40%，在陡坡地带的改善最为显著。
***扰动检测与恢复分析***：研究人员基于冠层高度年际变化（下降超过5 m且持续至t+2年）生成了2005—2016年森林扰动产品，并与人工解译的皆伐参考数据库进行了精度评估。年度精确率介于0.33—0.87之间，平均为0.64。与光谱扰动产品相比，该产品与Viana-Soto产品重叠率为59.9%，其自身独有检测占14.0%；与Francini产品的重叠率为54.0%，独有检测占24.4%。恢复分析表明，2004—2005年受扰动斑块的冠层高度恢复速率在扰动后初期最快，随后逐渐减缓；地中海森林恢复最快，温带阔叶混交林次之，温带针叶林最慢。
**讨论与结论**
讨论部分指出，该研究的核心贡献在于将森林遥感从静态结构制图推进到长期结构动态监测。ALS与GEDI在空间覆盖和时间跨度上具有互补性，而BMA融合能够根据区域条件自适应地利用二者优势，从而在复杂地形中实现更稳健的冠层高度估计。研究还强调，冠层高度变化与光谱变化所表征的扰动含义不同，二者应视为互补而非替代关系：光谱方法对扰动事件的检测更为敏感，而冠层高度轨迹能够直接量化结构损失的幅度、持续性及后续恢复。此外，研究承认冠层高度恢复并不等于生态系统的完全恢复，植被绿度恢复可能先于冠层高度恢复，而生物量、物种组成和栖息地复杂性的恢复需要更长的时间尺度。研究还指出了若干局限性，包括不同LiDAR观测几何和空间支撑不一致、时间匹配误差、最高森林中的预测饱和效应、省级固定权重无法完全刻画局地地形和森林类型差异，以及扰动检测对低强度干扰不敏感等。总体而言，该框架可推广至其他具备长时序光学档案和不完整结构观测的其他区域，随着GEDI后续任务、ICESat-2和未来星载LiDAR数据的不断积累，森林监测系统将日益从孤立的高度快照转向整合的多时相结构时间序列。
研究结论可概括为：研究人员开发了意大利2004—2024年年度30 m冠层高度图，该产品利用Landsat时间序列与ALS和GEDI观测数据，通过两个U-Net模型预测和BMA融合生成。与NFI观测相比，融合产品实现了3.98 m的MAE和0.46的R2，优于两个组分模型及所评估的外部产品。年度序列还支持检测持续的结构性冠层损失并比较意大利主要森林生物群系扰动后冠层高度恢复的差异。主要进展在于时间性和整合性：该框架将互补的结构信息从不完整的LiDAR观测转移到连续的陆地卫星光学档案，同时保留了独立验证和省级不确定性信息。这些地图适用于景观和国家层面的筛查，而非单木或精细管理应用，高度变化结果应在空间支持、时间匹配、地形和参考数据完整性的既定限度内进行解释。与实地调查和光谱扰动产品配合使用，该数据集为森林监测、碳与栖息地分析、恢复评估以及未来多传感器生态信息学应用提供了可复现的基础。
