LXX
读完需要
速读仅需 1 分钟
前言：
在国家到全球范围内对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、制定森林管理和恢复政策以减轻全球气候变化的关键。空间光探测和测距（Lidar）平台。特别是全球生态系统动态调查（GEDI）和冰、云和陆地海拔卫星-2 (ICESat-2)高级地形激光测高系统(ATLAS)，可以在全球范围内测量森林冠层高度。全球离散的足迹。它们的覆盖范围为国家到全球范围的森林冠层高度估计提供了一个有希望的数据来源。本文分享一些树高预测或反演的优秀项目以及树高数据。
希望各位同学点个关注，点个小赞，这将是更新的动力，不胜感激❥(^_-)
1
该项目是在 GEE 中使用 GEDI、Landsat-8、ALOS-PALSAR、Sentinel-1 数据产品进行的 30 米分辨率树木高度预测，最终作为一个应用程序，用户可点击地图任意一点，返回预测的树木高度值。
项目中包含了完整的代码和应用程序，对于使用 GEDI 或者 ICESat-2 数据进行树木冠层高度预测的初学者来说，我觉得很有帮助，后期大家可以在此基础上添加数据，改变模型等得到更好的结果。
项目学习链接如下：
https://github.com/shringi/Tree-Height-Map-NBR以防大家无法打开链接，我已经下载到本地，在后台回复‘树高预测’即可。
树高预测程序链接：
https://ankurshringi.users.earthengine.app/view/tree-height-map-nbr代码总共分为以下几部分，包括了数据的预处理、特征指数的计算与统计、回归建模、树高结果可视化等方面。
1. 导入库var palettes = require('users/gena/packages:palettes');var nbr = require('users/ankurshringi/Nav-i-GEE:utils/nbr');var aoi = nbr.Polygon;- palettes: 导入用于未来可视化的调色板（虽然在此代码片段中未使用）。- nbr: 导入与NBR（归一化烧毁指数）和地理区域相关的工具模块。- aoi: 定义了从nbr模块中引入的感兴趣区域。2. 加载数据var dataRaw = ee.FeatureCollection('users/ankurshringi/Nav-i-GEE/NBR/FC_201_Zonal_Stats_NBR_ALOS_S1_L8');- dataRaw: 这是一个要素集合，包含了从ALOS、Sentinel-1、和Landsat 8获取的统计数据。这些数据包括后向散射值、光谱反射率以及派生的指数，主要预测目标是rh99（例如树高或冠层高度的99百分位值）。3. 选择特征列var selectedCols = ee.List(['rh99', 'VV_S1_Dsc_mean', 'VH_S1_Dsc_mean', 'VH_by_VV_S1_Dsc_mean', 'angle_S1_Dsc_mean', 'HV_ALOS_mean', 'HH_ALOS_mean', 'HV_by_HH_ALOS_mean', 'doy', 'SR_B2_L8_mean', 'SR_B3_L8_mean', 'SR_B4_L8_mean', 'SR_B5_L8_mean', 'SR_B6_L8_mean', 'SR_B7_L8_mean', 'ndvi_L8_mean']);- selectedCols: 这是一个列表，包含用于模型训练的特征（列），包括：- rh99: 目标变量，代表冠层高度或树高。- VV, VH: 来自Sentinel-1 SAR的不同极化数据。- HV, HH: 来自ALOS SAR的不同极化数据。- SR_B2 到 SR_B7: Landsat 8的地表反射率波段（蓝、绿、红、近红外、短波红外）。- ndvi_L8_mean: 归一化植被指数（NDVI），衡量植被的绿色度。4. 过滤和预处理数据var dataSelected = dataRaw.select(selectedCols).filter(ee.Filter.notNull(selectedCols)).filter(ee.Filter.lt('rh99', 40)).randomColumn({seed: 134}).limit(100000);- 过滤数据: 该代码通过select选择所需的列，使用notNull过滤掉缺失值的行，并通过filter.lt过滤掉rh99大于40的行（即对高度进行上限处理）。- randomColumn: 添加了一个随机数列，用于后续将数据集分为训练集和测试集。随机种子值为134，以确保结果的可重复性。- limit(100000): 将数据限制为10万条样本，以减少计算负担。5. 划分训练集和测试集var trainSubset = dataSelected.filter(ee.Filter.lt('random', 0.75));var testSubset = dataSelected.filter(ee.Filter.gte('random', 0.75));- trainSubset: 随机列小于0.75的数据（即75%的数据）用于训练。- testSubset: 剩下的25%的数据用于测试。6. 训练模型var classifier = ee.Classifier.smileGradientTreeBoost(200).train({features: trainSubset,classProperty: 'rh99',inputProperties: selectedCols}).setOutputMode('REGRESSION');- smileGradientTreeBoost(200): 使用200棵树训练一个梯度提升决策树模型。- train: 使用训练集对模型进行训练，其中rh99是目标变量，selectedCols是输入特征。- setOutputMode('REGRESSION'): 指定模型输出为连续值（回归任务）。7. 评估模型（训练集预测）var predTrain = trainSubset.classify(classifier, 'rh99_Pred');var resultTrain = predTrain.limit(1000);var yPred = ee.List(resultTrain.aggregate_array('rh99_Pred'));var x = ee.List(resultTrain.aggregate_array('rh99'));- predTrain: 使用训练好的模型对训练集进行预测，生成rh99_Pred（预测的高度）。- resultTrain: 限制数据集为1000条样本进行评估。- yPred: 预测的高度值。- x: 实际的高度值（rh99）。8. 评估模型（测试集预测）var predTest = testSubset.classify(classifier, 'rh99_Pred');- 测试集评估: 用于检测模型在未见过的数据上的表现，确保模型具备良好的泛化能力。使用来自不同卫星的特征（Sentinel-1 SAR，ALOS SAR，Landsat 8）来预测冠层或树高（rh99）。
2
2.1
国外数据
（1）马里兰大学树高图：通过整合全球生态系统动态调查 ( GEDI ) 激光雷达森林结构测量数据和 Landsat 可用于分析的数据时间序列，开发了一种新的 30 米空间分辨率全球森林冠层高度图。NASA GEDI 是一种自 2019 年 4 月起在国际空间站上运行的星载激光雷达仪器。它提供基于足迹的植被结构测量数据，包括全球 52°N 和 52°S 之间的森林冠层高度。马里兰大学 ( UMD GLAD ) 的全球土地分析与发现团队将迄今为止（2019 年 4 月至 10 月）可用的 GEDI 数据与 2019 年 Landsat 可用于分析的时间序列数据 ( Landsat ARD ) 相结合。GEDI RH95（95% 相对高度）指标用于校准模型。代表地表物候的 Landsat 多时间指标作为全球森林高度建模的独立变量。实施了“移动窗口”局部校准和应用的袋装回归树集成模型，以确保森林高度预测的高质量和全球地图的一致性。该模型在北方地区（超出 GLAD 数据范围）进行外推，以创建全球森林高度原型图。
下载链接：
https://glad.umd.edu/dataset/gedi（2）Meta 和世界资源研究所推出的分辨率为 1 米的全球树冠高度地图，可以在全球范围内检测单棵树。为了推进开源森林监测，所有树冠高度数据和人工智能模型都是免费且公开的。
查看链接：
https://meta-forest-monitoring-okw37.projects.earthengine.app/view/canopyheight2.2
国内数据
激光雷达联合观测网络（LiDARNET）：是国内首个激光雷达生态应用数据共享网站。LiDARNET 现已向科研院所人员开放，并共享全国范围内 18 个省份，400 余个样地的激光雷达数据（持续更新中）。LiDARNET 提供了全方位、多角度的激光雷达观测数据服务，也是当前国内数据种类最多、平台规模最大的激光雷达数据共享网站。
原文链接：
https://mp.weixin.qq.com/s/TrEd9t8q8AIbQEqCPA1a8A