结合GAN增强光学影像、SAR与GEDI数据的森林冠层高度制图方法改进

《Trees, Forests and People》:An improved Forest Canopy Height Mapping Method by Combining GAN-enhanced optical Imagery, SAR, and GEDI data

【字体: 大 中 小 】 时间:2026年01月05日 来源:Trees, Forests and People 2.7

编辑推荐:

  【编辑推荐】针对多云地区光学影像易受干扰、GEDI数据空间稀疏导致森林冠层高度(FCH)制图精度受限的问题,本研究提出一种融合GAN增强光学影像、SAR与GEDI数据的改进方法。通过GAN去除云层干扰,结合RVoG模型提取SAR树高特征,利用随机森林模型实现30米分辨率FCH制图。实验表明该方法在华盛顿州验证中R2提升至0.73,RMSE降至4.53米,为森林碳汇评估提供可靠技术支撑。

  
森林作为地球生态系统的重要组成部分,其冠层高度(Forest Canopy Height, FCH)不仅是衡量森林垂直结构的关键指标,更与碳储量、生物多样性和生态系统功能密切相关。然而,准确获取大范围森林冠层高度信息一直面临重大挑战。传统光学遥感易受云层干扰,在茂密森林区域会出现信号饱和现象;虽然NASA的GEDI(Global Ecosystem Dynamics Investigation)星载激光雷达能提供精确的垂直结构测量,但其观测点间距约600米,无法实现连续空间覆盖。
针对这些难题,来自理工大学的王荣喜等人开展了一项创新研究,提出了一种结合GAN增强光学影像、SAR(合成孔径雷达)和GEDI数据的改进型FCH制图方法。该研究成果发表在《Trees, Forests and People》期刊上,为解决多云地区森林监测提供了有效方案。
研究方法主要包含三个关键技术环节:首先采用生成对抗网络(GAN)对光学影像进行云去除处理,使用U-Net架构的生成器和PatchGAN判别器,通过256×256像素的样本训练,显著提升了影像质量;其次从多源数据中提取特征,包括GAN增强的光学影像特征、基于RVoG(Random Volume over Ground)模型从Sentinel-1 SAR数据中提取的树高信息,以及地形特征和植被指数;最后利用随机森林(RF)算法构建FCH估算模型,以GEDI的rh95指标作为因变量,多源遥感特征作为自变量进行训练。
研究结果方面,在"光学影像GAN增强对FCH估算精度的影响"部分,研究发现GAN处理后的影像将估算精度从R2=0.60提升至0.73,RMSE从5.45米降低至4.53米,显著优于传统云掩膜方法。在"30米分辨率FCH制图及精度验证"部分,生成的FCH地图在脚印尺度验证中达到R2=0.72,MAE=3.44米,RMSE=4.45米;基于NEON无人机激光雷达数据的图面验证显示R2=0.61,RMSE=5.31米。
在"GEDI百分位数选择的质控意义"分析中,研究团队通过严格的质量控制(quality_flag=1,degrade_flag=0,sensitivity>0.9),发现RH95在准确性和稳定性方面达到最佳平衡。在"SAR特征对FCH估算的影响分析"中,引入SAR数据后,模型在高大森林区域的低估现象明显改善,误差分布更加集中。
讨论部分强调了该方法的综合优势:GAN增强有效缓解了云层影响,SAR数据弥补了光学信号在高大森林中的饱和问题,而多源数据融合则提升了模型的鲁棒性。特别是在地形复杂、云覆盖频繁的华盛顿州研究区,该方法展现了良好的适应性。
该研究的创新性在于首次系统性地将GAN云去除、SAR树高反演和GEDI采样数据相结合,实现了从"点"到"面"的高精度FCH制图。这不仅为区域尺度森林碳储量评估提供了可靠数据基础,也为应对气候变化背景下的森林生态系统监测提供了新的技术途径。未来研究可进一步探索L波段或P波段SAR数据的应用,以获取更深入的冠层穿透能力,同时优化GAN模型的计算效率,推动大范围应用的可行性。
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