[论文解读] Estimation of boreal forest biomass from ICESat-2 data using hierarchical hybrid inference

Petri Varvia, Svetlana Saarela+6 more|arXiv (Cornell University)|Jul 10, 2023

Remote Sensing and LiDAR ApplicationsEnvironmental Science被引用 3

一句话总结

本研究提出一种分层混合推断方法，利用ICESat-2激光雷达数据估算北方森林地上生物量密度（AGBD），整合了从异速生长模型和代理机载激光雷达数据中产生的多重建模阶段的不确定性。该方法在努尔梅斯验证区域实现了63.2 ± 1.9 Mg/ha的AGBD均值估计，相对标准误为2.9%，与基于全区域机载激光雷达的参考估计值63.9 ± 0.6 Mg/ha（相对标准误1.0%）非常接近，证实了该方法的准确性及可靠的不确定性量化能力。

ABSTRACT

The ICESat-2, launched in 2018, carries the ATLAS instrument, which is a photon-counting spaceborne lidar that provides strip samples over the terrain. While primarily designed for snow and ice monitoring, there has been a great interest in using ICESat-2 to predict forest above-ground biomass density (AGBD). As ICESat-2 is on a polar orbit, it provides good spatial coverage of boreal forests. The aim of this study is to evaluate the estimation of mean AGBD from ICESat-2 data using a hierarchical modeling approach combined with rigorous statistical inference. We propose a hierarchical hybrid inference approach for uncertainty quantification of the AGBD estimated from ICESat-2 lidar strips. Our approach models the errors coming from the multiple modeling steps, including the allometric models used for predicting tree-level AGB. For testing the procedure, we have data from two adjacent study sites, denoted Valtimo and Nurmes, of which Valtimo site is used for model training and Nurmes for validation. The ICESat-2 estimated mean AGBD in the Nurmes validation area was 63.2$\pm$1.9 Mg/ha (relative standard error of 2.9%). The local reference hierarchical model-based estimate obtained from wall-to-wall airborne lidar data was 63.9$\pm$0.6 Mg/ha (relative standard error of 1.0%). The reference estimate was within the 95% confidence interval of the ICESat-2 hierarchical hybrid estimate. The small standard errors indicate that the proposed method is useful for AGBD assessment. However, some sources of error were not accounted for in the study and thus the real uncertainties are probably slightly larger than those reported.

研究动机与目标

• 开发一种统计严谨的方法，用于从ICESat-2激光雷达数据估算北方森林地上生物量密度（AGBD）。
• 通过分层推断方法，考虑来自多个建模步骤（包括异速生长模型和代理机载激光雷达数据）的不确定性。
• 在北方森林环境中，将ICESat-2 AGBD估计值与高分辨率全区域机载激光雷达参考值进行验证。
• 利用结合设计型与模型型方差分量的混合推断框架，量化ICESat-2 AGBD估计值的不确定性。
• 展示ICESat-2在大规模北方森林AGBD监测中应用的可行性与准确性，并实现不确定性量化。

提出的方法

• 本研究采用分层混合推断框架，将设计型抽样方差与代理模型和卫星激光雷达模型的模型型传播不确定性相结合。
• 采用两阶段建模流程：首先在瓦尔蒂莫的样方中训练异速生长模型，基于树级测量数据预测AGBD；随后将该模型应用于ICESat-2轨道的15×15 m子网格，生成代理AGBD估计值。
• 利用全方差定律和泰勒近似推导代理AGBD模型参数的协方差，同时考虑抽样误差与预测误差。
• 以代理AGBD值作为响应变量，拟合ICESat-2 AGBD模型，通过非线性模型的雅可比矩阵及代理估计值的协方差，实现不确定性传播。
• 利用ICESat-2模型的雅可比矩阵及模型参数的完整协方差结构，计算努尔梅斯验证区域的最终AGBD估计值及其方差。
• 通过全区域机载激光雷达与Sentinel-2数据，计算参考分层模型型估计值，其方差通过将全方差定律应用于模型参数与空间平均过程进行估计。

实验结果

研究问题

• RQ1 分层混合推断方法能否在准确估算ICESat-2激光雷达数据中北方森林地上生物量密度（AGBD）的同时，量化多个建模阶段的不确定性？
• RQ2 ICESat-2 AGBD估计值的不确定性在精度与覆盖范围方面与高分辨率全区域机载激光雷达参考估计值相比如何？
• RQ3 将代理模型与异速生长方程的传播不确定性纳入考虑，能在多大程度上提升基于卫星的AGBD估计的可靠性？
• RQ4 ICESat-2 AGBD估计值是否落在参考估计值的95%置信区间内，表明其具有统计一致性？
• RQ5 ICESat-2 AGBD估计值的相对标准误是多少？其与参考估计值的精度相比如何？

主要发现

• 努尔梅斯验证区域的ICESat-2估计AGBD均值为63.2 ± 1.9 Mg/ha，相对标准误为2.9%。
• 参考全区域机载激光雷达估计值为63.9 ± 0.6 Mg/ha，其相对标准误极低，仅为1.0%。
• ICESat-2估计值落在参考估计值的95%置信区间内，表明具有统计一致性。
• 较小的标准误表明所提出的分层混合推断方法在AGBD评估中有效，且不确定性量化可靠。
• 尽管报告的不确定性较低，但本研究承认存在未被考虑的误差来源，暗示真实不确定性可能略高于报告值。
• 该方法成功地将来自多个建模阶段（野外数据、异速生长模型、代理机载激光雷达数据和ICESat-2数据）的不确定性整合进一个一致的统计框架中。