[论文解读] Estimation of forest height and biomass from open-access multi-sensor satellite imagery and GEDI Lidar data: high-resolution maps of metropolitan France

David Morin, Milena Planells+2 more|arXiv (Cornell University)|Oct 23, 2023

Remote Sensing and LiDAR Applications被引用 4

一句话总结

本研究开发了一套机器学习框架，利用公开获取的卫星数据（Sentinel-1、Sentinel-2、ALOS-2）和GEDI激光雷达作为参考，估算法国本土的森林高度与生物量。在按森林类型聚合后，高度估计的平均绝对误差（MAE）为4.3米，地上生物量的MAE为30 m³/ha，生成了高分辨率地图，实现了全国范围的森林监测与碳核算。

ABSTRACT

Mapping forest resources and carbon is important for improving forest management and meeting the objectives of storing carbon and preserving the environment. Spaceborne remote sensing approaches have considerable potential to support forest height monitoring by providing repeated observations at high spatial resolution over large areas. This study uses a machine learning approach that was previously developed to produce local maps of forest parameters (basal area, height, diameter, etc.). The aim of this paper is to present the extension of the approach to much larger scales such as the French national coverage. We used the GEDI Lidar mission as reference height data, and the satellite images from Sentinel-1, Sentinel-2 and ALOS-2 PALSA-2 to estimate forest height and produce a map of France for the year 2020. The height map is then derived into volume and aboveground biomass (AGB) using allometric equations. The validation of the height map with local maps from ALS data shows an accuracy close to the state of the art, with a mean absolute error (MAE) of 4.3 m. Validation on inventory plots representative of French forests shows an MAE of 3.7 m for the height. Estimates are slightly better for coniferous than for broadleaved forests. Volume and AGB maps derived from height shows MAEs of 75 tons/ha and 93 m${}^3$/ha respectively. The results aggregated by sylvo-ecoregion and forest types (owner and species) are further improved, with MAEs of 23 tons/ha and 30 m${}^3$/ha. The precision of these maps allows to monitor forests locally, as well as helping to analyze forest resources and carbon on a territorial scale or on specific types of forests by combining the maps with geolocated information (administrative area, species, type of owner, protected areas, environmental conditions, etc.). Height, volume and AGB maps produced in this study are made freely available.

研究动机与目标

• 将本地森林参数估算方法扩展至法国本土范围的全国性制图。
• 利用公开获取的卫星影像和GEDI激光雷达数据，实现高分辨率森林监测。
• 生成森林高度、蓄积量和地上生物量（AGB）的高精度、空间显式地图，用于碳核算与森林管理。
• 通过机载激光扫描（ALS）数据和实地调查样地对地图精度进行验证。
• 通过整合所有权、树种和保护区等地理空间数据，实现区域尺度的分析。

提出的方法

• 以GEDI激光雷达数据作为法国森林高度的地面真值，训练机器学习模型。
• 整合来自Sentinel-1（C波段雷达）、Sentinel-2（光学）和ALOS-2（PALSAR-2雷达）的多源卫星数据，以捕捉森林的结构与光谱特征。
• 采用监督学习方法，基于10米空间分辨率的卫星反射率与后向散射数据，预测森林高度。
• 利用树种特异的生物量方程，将估算的森林高度转换为蓄积量和地上生物量（AGB）。
• 通过独立的机载激光扫描（ALS）衍生高度图和国家森林清查样地对预测结果进行验证。
• 按森林类型和森林生态区进行聚合，以提高精度并支持针对性分析。

实验结果

研究问题

• RQ1 基于GEDI激光雷达数据训练的机器学习模型，能否在法国本土这类大范围且异质性高的区域中准确估算森林高度？
• RQ2 在使用多源卫星数据时，针叶林与阔叶林的森林高度与生物量估算精度有何差异？
• RQ3 按森林类型和森林生态区聚合地图在多大程度上提升了生物量与蓄积量估算的精度？
• RQ4 公开获取的卫星数据结合GEDI激光雷达，能否生成适用于碳核算与森林管理的高分辨率、全国一致的森林地图？
• RQ5 与独立的ALS数据和实地调查数据相比，该模型在森林高度与生物量估算上的平均绝对误差（MAE）如何？

主要发现

• 与ALS衍生地图验证后，森林高度地图的平均绝对误差（MAE）为4.3米，接近当前最先进的精度水平。
• 在国家森林清查样地上的验证显示，森林高度的MAE为3.7米，针叶林的性能略优。
• 在国家尺度上评估时，蓄积量和地上生物量（AGB）地图的MAE分别为75吨/ha和93 m³/ha。
• 当按森林类型和森林生态区聚合后，AGB的MAE降低至30 m³/ha，表明分层处理显著提升了精度。
• 该模型在多种森林类型和区域中均表现出稳健性能，支持可靠的全国范围监测。
• 生成的森林高度、蓄积量和AGB高分辨率地图可免费用于科研、政策制定与土地管理应用。