英文题目：Mapping large-scale pantropical forest canopy height by integrating GEDI lidar and TanDEM-X InSAR data
中文译名：整合GEDI激光雷达和TanDEM-X InSAR数据绘制大范围泛热带森林冠层高度图
发表时间：2025年1月
发表期刊：Remote Sensing of Environment
第一作者：Wenlu Qi et al
第一单位：美国马里兰大学
DOI：10.1016/j.rse.2024.114534
精选理由：该研究创新性地将NASA的GEDI激光雷达数据与TanDEM-X（TDX）干涉合成孔径雷达（InSAR）数据融合，提出了一种高分辨率的热带森林冠层高度绘制方法，覆盖广泛的热带地区，包括加蓬、墨西哥、法属圭亚那和亚马逊盆地等地。通过结合GEDI波形数据和物理模型反演TDX冠层高度，并采用自适应波数校准，成功提高了冠层高度图的精度，显著减少了偏差（0.31 m），与现有方法相比，具有更低的均方根误差（RMSE）和更好的精度。此方法特别适用于密集热带森林区域，并避免了高冠层高度数据的饱和现象。此外，研究还提供了预测不确定性地图，进一步提高了结果的可靠性。该研究为全球热带地区的森林冠层高度和生物量映射提供了新方法，对气候变化、碳储量评估和生态监测具有重要应用价值。
NASA的全球生态系统动态调查（GEDI）任务提供了数十亿个激光雷达样本，涵盖地球温带和热带地区森林的冠层结构。仅使用GEDI样本数据，已经生成了空间分辨率为1公里或更粗的格网化高度和生物量产品。然而，对于某些应用而言，这一分辨率可能过于粗糙。本研究提出了一种新的方法，通过融合GEDI和TanDEM-X（TDX）干涉合成孔径雷达（InSAR）获取的数据，绘制大范围的高空间分辨率森林高度。这一方法利用GEDI波形提供垂直散射体剖面，进而反演基于物理模型的InSAR模型，计算冠层高度。接着，我们使用2年期的GEDI冠层高度数据和自适应波数（kZ）校准模型，减少由于X波段信号在密集热带森林中的穿透能力有限以及地形影响所导致的冠层高度反演误差。我们将这一新方法应用于包括加蓬、墨西哥、法属圭亚那和亚马逊盆地的大范围地区，并生成了25米和100米分辨率的连续森林高度产品。通过与机载激光雷达数据进行验证，我们发现我们的冠层高度产品在所有站点合并后，25米和100米分辨率下的偏差分别为0.31米和0.46米，均方根误差（RMSE）分别为8.48米（30.02%）和6.91米（24.08%）。与将GEDI与被动光学数据结合、采用机器学习方法的现有数据产品相比，我们的方法减少了偏差，具有较低的RMSE，并且在高达56米的高冠层高度下不会饱和。本研究的一大亮点是，我们的冠层高度产品配有预测不确定性图，提供了预测值周围不确定性的详细信息——这一点相比早期研究中仅提供预测值期望周围不确定性的标准误差图是一项重要进展。通过这种集成方法，首次实现了基于GEDI和TDX InSAR数据融合的高精度、高分辨率森林冠层高度绘制，覆盖前所未有的大范围区域，为热带地区地上生物量映射奠定了重要基础。
本文提出了一种通过融合 GEDI 激光雷达和 TanDEM-X InSAR 数据来绘制高分辨率森林冠层高度图的新方法。该方法结合了 GEDI 的波形数据，提供了反演 InSAR 模型所需的垂直散射体剖面，进而有效地解决了热带森林中 X 波段信号穿透能力有限的问题，并通过自适应波数（kZ）校准显著减少了冠层高度的反演误差。
应用此方法，研究团队生成了 25 米和 100 米分辨率的森林冠层高度产品，覆盖了加蓬、墨西哥、法属圭亚那及亚马逊盆地的大范围区域。经过与机载激光雷达数据的验证，结果显示，基于该方法生成的冠层高度产品偏差较小，均值分别为 0.31 米和 0.46 米，且与现有基于机器学习的 GEDI 与光学数据融合方法相比，RMSE 更低且不会对高大冠层高度（最大可达到 56 米）产生饱和效应。
不同于传统的误差图，本研究提出了一个包含预测不确定性信息的误差图，能够提供更精确的预测值不确定性。这一创新性方法使得冠层高度的测量不仅更加准确，而且能够为未来的热带森林地上生物量（AGB）映射奠定坚实基础，具有重要的应用潜力。
通过融合GEDI激光雷达和TanDEM-X InSAR数据，本文实现了首次在大尺度区域绘制的高分辨率热带森林冠层高度图，为大范围、精细化的森林监测提供了新的技术路径。这一方法为未来的森林生物量估算和热带地区生态研究奠定了基础。
本研究表明，GEDI和TanDEM-X的数据融合，结合自适应波数校准，有效改善了森林高度的反演精度，尤其是在热带密林中。相比于现有的基于机器学习的被动光学数据融合方法，本文方法表现出更低的误差和更高的准确性，尤其适用于高冠层高度的精确测量。
尽管GEDI与TanDEM-X数据存在时段不匹配的问题，本文展示了如何通过精心选择场景和校准模型，尽可能减少这一问题对结果的影响。随着未来更多卫星任务（如P波段BIOMASS和L波段NISAR的启动），该方法有望进一步优化，并通过多平台遥感数据融合，在未来生成更为精确的时序性森林生物量图。
图1. 本研究中使用的国家的土地覆盖类型和冠层高度。
图2. GEDI 足迹阈值对校准数据的影响。
图3. GEDI观测密度对定标精度的影响。图4. 校准干涉相干性和校正垂直波数(kZ)的推导。
图5. GEDI-TDX(GTDX)高度融合框架。
图6. 使用公式(3)对TDX高度(hTDX)进行区域校准。
图7. 区域规模校准的好处。
图8. 使用GTDX框架绘制森林高度和不确定性。
图9. GTDX高度估计值与ALS/LVIS参考数据相比的准确性。
图10. GTDX、GLAD和ETH冠层高度估计值与参考激光雷达高度的比较。
图11. 不同森林类型和国家/地区的GTDX(蓝色)和GEDI(橙色)高度估计的频率分布。
表1. 所有输入数据产品的获取年份。
表2. TDX高度、国家尺度校准的GTDX高度和区域校准的GTDX高度与25米和100米的ALS/LVIS高度的R2。
表3. TDX高度、国家尺度校准的GTDX高度和区域校准的GTDX高度与25米和100米处的ALS/LVIS高度的RMSE。
表4. 统计变量和术语的摘要。
E N D
获取方式：关注我们的微信公众号“地学韦丰吉司长”。后台回复关键字“42英文”，即可直接获取原文PDF。
温馨提示
声明：本推送文章来源于公开渠道，我们已注明相关信息来源，版权归原作者或出处所有。本推文仅用于学术交流和信息分享，无商业用途。如有侵权，请联系删除。
以上内容为韦丰小编个人论文阅读笔记，内容摘录自原文，中文翻译部分源自AI，如有翻译不准确或详细内容请查阅原始文献。感谢大家花时间阅读本文，小编水平有限，如有错误之处，敬请指正！
