近日，我院付迎春教授团队在国际顶级期刊Remote Sensing of Environment（中科院1区，TOP期刊）发表了题为“SCARF: A new algorithm for continuous prediction of biomass dynamics using machine learning and Landsat time series”的生物量预测新方法学术成果。该研究得到国家自然科学基金项目的支持。![]( "1729658144702728.jpg")
准确和连续地估计亚热带森林的碳密度对于监测陆地碳通量至关重要。中国南方的热带与亚热带森林，因受人为扰动和造林活动影响，是森林扰动较为显著地区之一。目前，深度学习技术已应用于生物量制图领域，因模型对样本的需求多局限于小范围地区开展。较为广泛使用的随机森林模型均方预测误差（MSPE）包括噪声方差、系统预测偏差和回归预测方差，Breiman和相关学者尝试Bagging方法以降低回归预测方差，但不能缓解系统预测偏差（包括低值高估和高值低估）的问题。因此，本文结合可免费获取的陆地卫星Landsat序列对长时间大范围的南亚热带森林生物量动态预测性能开展研究。
针对预测因子与目标的时空异质性，我们提出一种基于随机森林的地上与地下生物量（后称为生物量）预测的新算法SCARF。通过对比传统模型（线性相关、支持向量机与随机森林）的多个预测场景及特征筛选、识别系统预测误差、提出SCARF模型，基于混合像元光谱校正失配样本光谱的基础上，进行不同林龄组及外推预测的泛化性能试验。研究实现了系统预测误差的极值预测影响校正，仅使用Landsat时间序列数据外推能够获取准确预测结果。研究表明，相比常用的随机森林方法的R2为0.47，均方根误差RMSE为8.52 Mg ha-1，实验结果提高了生物量预测的准确性，R2提升为0.83, RMSE为6.27 Mg ha-1，在模型训练区域外推预测R2为0.79，RMSE为6.62 Mg ha-1。分别对五个不同林龄组建模，进一步提高预测精度的R2增加0.87，RMSE降低为3.65 Mg ha-1，SCARF预测和样本的异速生长拟合、时空格局具有较好的一致性，最后讨论了开展生物量动态预测的算法应用机制。
长期以来，我们注重应用地信遥感方法对城市与植被问题的表征、建模与应用研发，相关研究延伸在多源影像融合、变化感知与植被碳汇定量方面，并结合遥感物理模型和智能模拟分析手段研究驱动机制。
![]( "1729658344827331.png")
图1. SCARF算法研究方案
原文链接：https://doi.org/10.1016/j.rse.2024.114348Zhu Z* , Fu Y* , Woodcock C E, et al. Including land cover change in analysis of greenness trends using all available Landsat 5, 7, and 8 images: A case study from Guangzhou, China (2000–2014). Remote Sensing of Environment, 2016. DOI:10.1016/j.rse.2016.03.036.Fu, Y. , Li, J., Weng, Q.*, Zheng, Q., Li, L. , & Dai, S., et al. Characterizing the spatial pattern of annual urban growth using time series landsat imagery. Science of The Total Environment,2019. 666, 274-284. https://doi.org/10.1016/j.scitotenv.2019.02.178Guo B., Fu Y.*, Hu De., et al. Intercalibration of Luojia1-01 and Suomi-NPP-VIIRS Monthly Nighttime Light Composite Using a Spatial-Temporal Residuals Correction Random Forest Model. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022. 15.7712-7722.10.1109/JSTARS.2022.3204545Wang X., Li R., Ding H., Fu Y.*, et al. Fine-Scale Improved Carbon Bookkeeping Model Using Landsat Time Series for Subtropical Forest, Southern China. Remote Sens. 2022, 14, 753. https://doi.org/10.3390/rs14030753Fu Y.*, Zhu Z., Liu L., et al. Remote Sensing Time Series Analysis: A Review of Data and Applications. Journal of Remote Sensing. 2024, 09.
