原名：High-resolution mapping of forest canopy height using machine learning by coupling ICESat-2 LiDAR with Sentinel-1, Sentinel-2 and Landsat-8 data
译名：融合ICESat-2、Sentinel-1、Sentinel-2和Landsat-8数据利用机器学习绘制高分辨率森林冠层高度
期刊：Int J Appl Earth Obs Geoinformation
发表时间：2020
DOI：10.1016/j.jag.2020.102163
导言
大尺度森林冠层高度的空间连续估计对于量化森林碳储存、了解森林生态系统过程以及制定森林管理和恢复政策以缓解全球气候变化至关重要。目前很少有研究基于新一代星载激光雷达（ICESat-2、Sentinel-1和Sentinel-2）和DL回归模型绘制分辨率≤250米的大规模植被高度图，特别是在中国森林地区。中国科学院航天信息研究所联合地理科学与资源研究所在Int J Appl Earth Obs Geoinformation期刊上发表论文，该工作首次尝试将ICESat-2、Sentinel-1、Sentinel-2和Landsat-8融合开发机器学习工作流程，使用RF与DL两种方法绘制了中国东北山区250m空间分辨率森林冠层高度图。本工作为新一代星载激光雷达的应用提供了一个及时重要的补充。
1.研究背景
森林冠层高度作为生态系统过程的产物和驱动力，在生物量分配、碳储存、森林生产力、生物多样性等方面发挥着重要作用。遥感作为一种强大的地球观测方法，已被越来越多地用于大规模的森林冠层高度测绘中。在众多平台中，LiDAR被认为是绘制大规模森林冠层高度图的最有力工具，因为它具有在垂直面上直接观察森林冠层结构的明显优势。这已经被地面激光扫描（TLS），机载激光扫描（ALS），无人机LiDAR以及ICESat-1 GLAS等的研究所证明。与机载LiDAR相比，ICESat-2的工作原理、数据采集和结构有明显不同。然而，很少有研究探讨新获得的ICESat-2植被产品在估计中国森林冠层高度方面的性能、它与机载LiDAR冠层高度的相关性以及这种相关性在什么空间尺度上达到最高水平。利用空间上连续的卫星影像，将星载或机载LiDAR衍生的植被属性（包括树冠高度、树冠覆盖率和地上生物量）从足迹和地块水平提升到区域和全球水平，已成为大规模植被属性测绘的主流方法。最近的研究表明，Sentinel-2卫星的多光谱和纹理指标与机载LiDAR衍生的植被高度数据相结合，是绘制大尺度高分辨率植被高度非常有前景的辅助变量。然而，当ICESat-2卫星观测到的冠层高度与Sentinel-1和2数据结合时，特别是在中国不同的林区，是否也表现出同等的冠层高度测绘能力，仍是未知数。为了填补这些知识空白，研究如何利用这些新的卫星数据（ICESat-2和Sentinel-2）来绘制中国森林冠层高度的空间连续模式是非常重要的，这样可以进一步证明这些新的地球观测工具的性能。当DL回归模型和其他机器学习模型被应用于整合ICESat-2激光雷达获得的冠层高度和Sentinel影像变量时，是否仍能保持其在森林冠层高度测绘中的高性能，需要进一步的研究来探索。在与ICESat-2冠层高度的整合过程中，比较不同空间上连续的卫星数据之间的预测能力，也可以扩展我们在地球观测大数据时代对大规模冠层高度测绘的理解。在这项研究中，旨在开发一个基于机器学习的工作流程，如图1所示。融合星载激光雷达、机载激光雷达、光学影像和SAR数据，来绘制中国东北山区森林冠层高度，最终产品由不同空间尺度的高分辨率机载LiDAR数据验证。
图1 基于机器学习绘制森林冠层高度的整体工作流程
2.数据和方法
（1）数据
ICESat-2数据：ATL08植被高度产品，根据对研究地点树木高度的实地测量，通过删除冠层高度小于2米和大于60米的ICESat-2点来进行过滤。根据ATL08产品提供的不确定高度属性，也删除了估计的不确定高度（冠层高度光子的标准偏差）大于平均不确定高度（7米）的ICESat-2点。过滤后的点云被进一步用于随后的机器学习建模。为了与ICESat-2的H_canopy进行比较，计算了五个接近冠层高度的ALS高度指标，包括平均高度（H_mean）、中位高度（H_median）、90百分位高度（HP90）、95百分位高度（HP95）和最大高度（Hmax）。
无人机雷达数据：一个位于西南部，是农业和落叶阔叶林的生态过渡区。另一个叫位于东北部，主要由落叶针叶林覆盖。2012年与2016年的8月和9月，分别在这两个区域的97个地区收集了无人机雷达数据，总面积为147.61平方公里，这些数据被用作训练和验证模型的地面实况。如图2所示。
图2 ICESat-2的足迹和机载激光扫描(ALS)的边界
Sentinel数据：2017年至2019年生长季节（6月～9月）获得的Sentinel-1和Sentinel-2卫星数据被用来推算ICESat-2的H_canopy，作为机器学习模型的输入解释变量。所有Sentinel-1和Sentinel-2数据都是基于云计算平台GEE中处理。Sentinel-1卫星提供极化信息，Sentinel-2图像中计算了光谱指标，包括六个植被指数和三个空间纹理变量。
Landsat数据：2017年至2019年生长季节的中值图像进行了合成。六个光谱带（蓝、绿、红、近红外、SWIR1和SWIR2）的表面反射率和三个植被指数（NDVI、EVI和MSAVI），以及三个NDVI纹理变量（NDVI_con、NDVI_ent和NDVI_var）。
土地覆盖数据：最后使用哥白尼动态土地覆盖图（CGLS-LC100）来掩盖外推的H_canopy图中的森林区域。CGLS-LC100是一个新的全球土地覆盖图，分辨率为100米，以2015年为参考年份。
（2）方法
两个模型（DL和RF）被用来推断整个研究地点的H_canopy。ICESat-2的H_canopy被用作因变量，来自卫星图像（Sentinel和Landsat）的光谱度量被用作机器学习模型的因变量。卫星图像的指标是为ICESat-2的每个足迹提取的。在建模之前，使用Moron's I指标检查了H_canopy的空间自相关性。在回归前对因变量和自变量都进行了数据归一化处理。ICESat-2的点云被随机分为80%用于模型训练，20%用于独立验证。考虑到ICESat-2的H_canopy和ALS衍生的高度指标之间的最高相关性，机器学习模型建立在250米尺度上。同时，为了比较Sentinel和Landsat-8卫星的性能，也在30米尺度上进行了同样的建模。对于30米尺度的建模，在DL建模之前，Sentinel的变量被重新取样到30米。与250米尺度的建模相比，30米尺度的建模没有使用Sentinel-1的背散射系数和Sentinel-2的红边带相关指标，以确保两颗卫星（Sentinel-2和Landsat-8）在模型输入中的可比性。
对于DL建模，在调整了模型的超参数后，建立了五层神经网络，每层有100个神经元。线性函数被选为激活函数。平均平方误差（MSE，观察值和预测值之间的平方距离之和）被用作DL模型优化器的损失指标。该网络有45个epochs，传播的训练样本的数量被固定为1500，控制网络权重变化的学习率被固定为0.1。DL模型准确度如图3所示。
图3 深度学习模型的准确度
3.实验结果
（1）ICESat-2的冠层高度及精度
ICESat-2 H_canopy与五个选定空间尺度的ALS冠层高度指标高度相关，250米空间分辨率的相关性普遍较高，其次是30米和500米。在10米和1000米的空间分辨率下，这种相关性要低得多。详细如图4所示。
图4 比较ICESat-2和ALS在不同空间尺度上获得的冠层高度的统计数据
（2）星载激光雷达衍生的森林冠层高度与机载激光雷达衍生的冠层高度一致性
由于GEDI和ICESat-2 ATLAS使用了与无人机激光雷达不同的方法来测量森林冠层高度，该研究将GEDI和ICESat-2 ATLAS衍生的RH指标与无人机激光雷达衍生的森林冠层高度进行比较，以选择最佳的RH指标来代表GEDI或ICESat-2 ATLAS衍生的森林冠层高度。GEDI的RH100和ICESat-2 ATLAS的RH98与无人机激光雷达衍生的森林冠层高度相比，具有最高的R2和最低的RMSE和Bias，因此被选择来代表GEDI和ICESat-2 ATLAS衍生的森林冠层高度。
由于ICESat-2的树冠和ALS的高度指标在250米范围内的相关性最高，我们使用250米范围内的卫星图像变量建立机器学习模型，以绘制整个研究地点的树冠空间模式。独立验证表明，DL和RF模型在预测Hcanopy方面都获得了令人满意的准确性，观测和预测Hcanopy之间的R值分别等于0.78和0.68（图5）。DL模型显示出比RF模型相对较低的估计误差（RMSE：2.64 m < 2.93 m；rRMSE：0.19 < 0.22）。RF模型显示，纹理变量NDVI_con对模型的贡献最大，其次是VV背散射系数和红边NDVIs（图6）。在整个研究地点，DL-和RF-预测的Hcanopy空间模式之间发现了高度的一致性（图7）。预测的Hcanopy也显示出与益根和根河空中飞行的ALS HP90高度相关，DL模型的R值为0.57，RF模型为0.54（图8）。
图5 (a)深度学习模型和(b)随机森林模型的独立验证，
250米尺度的森林冠层高度的观察和预测散点图。
图6 基于随机森林模型解释变量对预测250米处森林冠层高度的重要性
（3）融合不同星载激光雷达数据衍生的森林冠层高度一致性
此外，GEDI的RH100与ICESat-2 ATLAS的RH98显示出良好的一致性（根据GEDI和ICESat-2 ATLAS足迹对之间的距离小于12.5米的标准匹配）。如图8所示。
图7 (a)深度学习模型和(b)随机森林模型
利用Sentinel数据预测的树冠高度图（250米）。
图8 (a)∼(b)散点图和(c)∼(d)直方图描述了
预测的H_canopy和ALS HP90（ALS_H）
左图：深度学习模型。右图：随机森林模型。
（4）Sentinel和Landsat-8之间的树冠高度预测的比较
Sentinel和Landsat-8在30米尺度的空间模式上表现出高度的一致性，与250米尺度的空间模式有类似的梯度，如图8所示。两个卫星传感器的DL预测H_canopy（Pre_H）和ALS HP90（ALS_H）之间也有很高的相关性，尽管R值略有下降。Sentinel和Landsat-8的数据都低估了H_canopy，平均误差分别为-0.89米和-1.35米，如图9所示。
图9 (a)∼(b)和(c)∼(d)描述了预测的H_canopy（Pre_H）和ALS HP90（ALS_H）左图：深度学习模型。右图：随机森林模型。
4.研究结论
本研究开发了一个基于机器学习的工作流程，通过耦合新一代星载激光雷达产品，绘制中国东北山区森林冠层高度。对ICESat-2和高分辨率的Sentinel卫星图像进行了分析，并与Landsat-8图像进行了交叉比较。研究结果表明，在250米的空间尺度上，ICESat-2的足迹H_canopy与ALS的冠层高度显示出最高的相关性，为ICESat-2植被高度产品在中国森林中的可靠性提供了重要证据。在哨兵卫星共同变量的帮助下，DL和RF模型在ICESat-2 H_canopy的升尺度上都获得了令人满意的结果。Landsat-8与Sentinel的表现相对较弱，这表明加入Sentinel-1的后向散射系数和Sentinel-2的红边带相关变量可以对预测森林冠层高度做出积极贡献。这表明未来基于统一的Landsat-8和Sentinel-2产品的全球高分辨率森林冠层高度制图的研究非常有前景，这将加速和推动全球生态系统动态的研究。
5.文章引用格式
Li W, Niu Z, Shang R, et al. High-resolution mapping of forest canopy height using machine learning by coupling ICESat-2 LiDAR with Sentinel-1, Sentinel-2 and Landsat-8 data [J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 1569-8432. https://doi.org/10.1016/j.jag.2020.102163.
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
