基于Sentinel-2遥感和机器学习回归器的稀疏样本校准森林高度制图方法及其在地中海森林中的应用

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Gap-Free Forest Height Mapping Using Multispectral Observations, a Machine Learning Regressor, and Sparse and Limited Calibration Sets

【字体: 大 中 小 】 时间:2025年12月16日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4

编辑推荐:

  本研究针对地中海森林区域,提出了一种利用Sentinel-2多光谱数据、机器学习回归器和有限校准样本(仅覆盖研究区25%)进行无间隙森林高度(Forest Height, FH)制图的新方法。通过结合稳健的特征生成与处理流程(包括时间合成和空间滤波优化)以及堆叠回归器(Stacking Regressor),在葡萄牙、西班牙和美国加州的16个研究区实现了RMSE 1.50-6.06 m(相对RMSE 13.58-27.15%)的精度。该研究显著降低了传统方法对大量LiDAR校准数据的依赖,为区域尺度森林参数监测提供了可行方案。

  
随着气候变化对地球可持续性的威胁日益加剧,森林作为最大的陆地碳汇生态系统,其监测变得尤为重要。森林高度(Forest Height, FH)不仅是评估森林结构的关键参数,还是生物量估算的重要代理指标。传统FH获取主要依赖野外测量或机载激光扫描(Airborne Laser Scanning, ALS),但前者成本高、效率低,后者虽精度高却难以大范围频繁实施。光学遥感为FH制图提供了可行途径,但现有研究多需大量校准样本或全球尺度模型,存在局部适用性差、校准数据需求大等局限。
为解决上述问题,Jo?o E. Pereira-Pires等研究人员在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表论文,提出一种针对地中海森林的FH制图方法,重点优化了在稀疏和有限校准样本条件下的模型性能。该方法集成Sentinel-2多光谱数据、辅助数据(地形和土地覆盖)和机器学习回归器,通过系统评估特征工程、时空处理和回归算法,实现了仅需25%区域覆盖的校准样本即可生成高精度FH地图。
研究采用四步技术框架:特征生成(12个反射波段、生物物理变量、纹理特征、主成分、光谱指数和TCT特征等共168个特征)、特征处理(坐标系统一、时间合成与改进的空间滤波)、校准数据生成(基于土地覆盖的25%随机采样)和FH估计(堆叠回归器)。通过16个地中海森林研究区(6个葡萄牙、9个西班牙、1个美国加州)的ALS数据验证,系统比较了不同光谱区域、特征组合、回归器及校准集规模的影响。
光谱区域分析
可见光波段(B2-B4)单独使用时rRMSE为30.08%,近红外(NIR)波段为30.63%。联合所有波段(可见光、NIR、短波红外SWIR及其他)将rRMSE提升至27.61%,证明多光谱信息融合的有效性。
时空处理与特征集优化
时间合成(均值法)和空间滤波(改进的中值滤波)分别降低rRMSE 0.99%和0.99%,其中边界像素特殊处理贡献0.08%提升。纹理特征单独使用rRMSE达25.07%,显著优于原始反射波段(28.23%)。辅助数据(土地覆盖和高程)的引入带来最大单次提升(0.98%),最终全特征组合rRMSE为23.57%。
回归器比较
梯度提升回归器(rRMSE=22.41%)优于随机森林(23.46%),而堆叠回归器进一步降至22.23%,且误差分布更集中(RMSE与MAE差值1.76 m)。统计检验(Wilcoxon Signed-Rank Test)表明所有改进均显著(p<0.05)。
校准集规模影响
当校准集覆盖从25%降至5%时,rRMSE从22.23%升至26.69%。即使仅用5%样本,结果仍优于未使用时空处理的全特征模型,凸显所提方法的效率。
区域结果验证
测试集(西班牙和加州)平均rRMSE(18.92%)优于验证集(葡萄牙,22.23%),表明方法泛化能力强。其中Rodeno研究区精度最高(rRMSE=13.58%),Mafra最低(27.15%)。高度异质性(变异系数CV>0.4)区域误差较高(平均rRMSE=23.85%),针叶林区域误差(19.00%)低于阔叶林(21.08%)和混交林(20.71%)。
讨论与意义
本研究通过特征工程、时空处理和堆叠回归的协同作用,将rRMSE较基线(仅反射波段+随机森林)降低5.38个百分点。与现有研究相比,该方法以更少校准数据(25%覆盖)实现了与全局模型或高分辨率方法相当的精度(如CNN需56%样本)。方法局限性包括对高CV区域适应性差、对极值高度(低值高估、高值低估)敏感,未来将结合SAR数据、GEDI/ICESat-2星载激光雷达及过采样技术进一步优化。
该研究为地中海森林提供了一种可操作的FH制图方案,显著降低了对大量LiDAR校准数据的依赖,为区域尺度森林碳汇评估和气候变化响应提供了重要工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号