EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 5: 224 - 232

DOI: https://doi.org/10.6046/zrzyyg.2024304

Estimation and spatial pattern analysis of forest above-ground biomass based on Sentinel-2 and GEDI data

  • WANG Lu , 1, 2, 3 ,
  • JI Yongjie , 1, 2, 3 ,
  • DONG Wenquan 4 ,
  • ZHANG Wangfei 5
Expand
  • 1. College of Soil and Water Conservation，Southwest Forestry University，Kunming 650224，China
  • 2. Key Laboratory of Ecological Environment Evolution and Pollution Control in Mountainous and Rural Areas of Yunnan Province，Kunming 650224，China
  • 3. Yunnan Zhanyi Karst Ecosystem Positioning Observation and Research Station，National Forestry and Grassland Administration，Kunming 650224，China
  • 4. Royal Botanic Gardens Edinburgh，Edinburgh EH3 5LR，UK
  • 5. College of Forestry，Southwest Forestry University，Kunming 650224，China

Received date: 2024-09-20

  Revised date: 2025-01-10

  Online published: 2026-06-03

Fold

Abstract

Forest above-ground biomass （AGB） is recognized as an important indicator of forest productivity. Rapid and accurate estimation of forest AGB is crucial for sustainable forest management and carbon cycle research. Based on spaceborne light detection and ranging （LiDAR） data from the global ecosystem dynamic investigation （GEDI） and Sentinel-2 optical data，this study extracted GEDI L2B，Sentinel-2 remote sensing features，and topographic factors （elevation，aspect，and slope） in the study area. Among them，variables were determined through Pearson correlation analysis. Then，this study constructed the partial least squares regression （PLSR），gradient boosting regression tree （GBRT），and random forest （RF） models for forest AGB inversion. Consequently，this study estimated these models’ potential for forest AGB estimation and analyzed the spatial distribution differences of forest AGB. The results indicate that the estimation using multi-source data consistently outperformed that using single-source data. Among them，the RF model based on GEDI and Sentinel-2 data exhibited the best performance （R2=0.76，root mean square error （RMSE）=23.02 t/hm2），followed by the GBRT model，while the PLSR model performed the worst （R2=0.26）. In terms of spatial distribution，within the elevation range of 1 200~1 800 m，forest AGB density increased with elevation. Slope variation had little effect on forest AGB density，but a pronounced decrease in AGB density was observed on steep slopes. Aspect analysis showed that semi-shaded and sunny slopes exhibited high forest AGB density，while shaded and semi-sunny slopes presented similar values. Slope-aspect interaction analysis revealed that sunny and semi-sunny slopes displayed the highest total forest AGB on gentle and moderate slopes，respectively. In contrast，forest AGB significantly decreased across all orientations on flat and steep slopes，with a more significant decline observed on shaded and semi-shaded slopes. These findings provide a scientific basis for formulating forest protection and cultivation policies at the provincial level.

Key words： Sentinel-2; global ecosystem dynamics investigation （GEDI）; forest above-ground biomass （AGB）; random forest （RF） model

Cite this article

WANG Lu , JI Yongjie , DONG Wenquan , ZHANG Wangfei . Estimation and spatial pattern analysis of forest above-ground biomass based on Sentinel-2 and GEDI data[J]. Remote Sensing for Natural Resources, 2025 , 37(5) : 224 -232 . DOI: 10.6046/zrzyyg.2024304

0 引言

随着人们对全球气候变化的关注与日俱增，迫切需要找到高效的方法来量化大区域、甚至全球范围内的陆地碳储量[1]。森林地上生物量（above-ground biomass，AGB）是森林生态系统中重要的碳储量部分，对全球碳循环和气候变化研究具有重要意义。传统的森林AGB估测方法主要依赖地面实测数据，通过树高、胸径等森林结构指标与异速生长方程建立联系，从而精确地计算出森林AGB[2-3]。尽管其精度较高，但需要投入大量的人力、时间和资金，并且难以实现大区域以及山地崎岖地区的森林AGB估测。近年来，遥感技术的发展为大区域快速估测森林AGB提供了新的有效途径[4]。常见遥感数据以光学数据、微波雷达数据、激光雷达数据为主。光学遥感数据可获取连续的林分光谱信息及纹理信息，但对叶面积指数较高的高生物量森林场景，森林AGB的估测易出现饱和现象[5]；微波雷达对较高密度AGB的森林具有一定的穿透性，可在一定程度上提高估测森林AGB的饱和点，但合成孔径雷达（synthetic aperture Radar，SAR）传感器侧视成像受地形影响造成的阴影和叠掩问题较为严重；激光雷达通过发射较高能量的脉冲，能获取森林的垂直结构信息，相对于光学遥感数据和SAR数据，饱和点较高且受地形影响相对较好，可更加精准地估测森林AGB[6]。机载激光雷达在森林AGB估测上很大程度依赖于资金支持，而且无法覆盖全球地表[7]。星载激光雷达可覆盖全球绝大部分地表且重复观测，为大尺度空间范围的森林AGB提取提供便利。
美国的全球生态系统动态调查（global ecosystem dynamics investigation，GEDI）任务可提供全球大部分热带和温带森林的开源性全波形激光雷达数据[8]，其与多光谱数据结合进行森林AGB估测。田国帅等[9]使用林龄优化后的GEDI_V27冠层高度产品结合Sentinel-1/2影像特征构建森林AGB估测模型，发现加入GEDI冠层高度信息可有效提高森林AGB精度；Guo等[10]将GEDI L2A RH95点数据扩展为全局冠层高度模型（canopy height model，CHM），并与多源遥感影像结合，建立了森林AGB估测模型，该研究对模型的可转移性进行了验证，证明了这种数据融合方法在不同区域的有效性，突显了多源数据融合在AGB估测中的优势；Khati等[11]结合GEDI高度指标与ALOS-2时间序列数据，用于估测热带和亚热带森林的AGB，研究结果表明两者数据的融合可能会改进对这些森林区域AGB的估测精度，体现了激光雷达与SAR数据结合的潜力；Silva等[12]利用GEDI，ICESat-2和NISAR融合框架估测森林AGB，不管是在1 hm2尺度还是景观尺度，融合框架下的森林AGB估测精度都有所提高；Xu等[13]使用克里金插值法获得与栎树碳储量相关性较高的GEDI L2B特征，并结合Landsat9影像估测香格里拉栎树碳储量。尽管现有研究已经展示了结合GEDI和多光谱遥感数据在森林AGB估测中的优势，但在亚热带地区，尤其是森林类型复杂和生物量较高的区域，森林AGB估测易出现饱和现象。鉴于此，本研究以典型亚热带地区云南省普洱市思茅区森林植被作为研究对象，采用偏最小二乘回归（partial least squares regression，PLSR）、梯度增强回归树（gradient boosting regression tree，GBRT）及随机森林（random forest，RF）算法，探索结合GEDI数据和多光谱Sentinel-2数据提高森林AGB估测精度的办法，并进一步分析地形因子对森林AGB空间分布格局的影响。

1 研究区概况及数据源

1.1 研究区概况

研究区位于云南省普洱市思茅区（22°27'~23°06'N，100°19'~101°27'E）（图1），地势西北低、东南高，东部有谷地，海拔范围为1 011~1 907 m。气候属低纬高原南亚热带季风气候，年平均气温18.9 ℃，年平均降雨量为1 487.5 mm。森林覆盖率高达72.64%，区内林地面积占比66.77%，主要树种为思茅松（Pinus kesiya Royle ex Gordon）、栲（Castanopsis fargesii Franch.）和木荷（Schima superba Gardner & Champ.）等。
图1 研究区及样地点概况

Fig.1 Overview of the study area and sample sites

1.2 数据源及其预处理

1.2.1 实测样地数据

地面森林样地于2020年12月进行实地调查，标准样地的大小为20 m×20 m，共采集96块样地，位置如图1（b）所示，其中思茅松纯林27块，针阔混交林38块，阔叶林31块。依据文献[14]提出的生物量方程计算每棵树木的AGB，并将样地内所有树木累加得到样地森林AGB，其值的分布频率如图2所示。
图2 样地森林AGB值的分布频率

Fig.2 Distribution frequency of forest AGB values in sample plots

1.2.2 GEDI数据及特征

GEDI激光器于2019年4月开始收集全球南北纬51.6°范围内的数据[8]。本研究从美国航空航天局（National Aeronautics and Space Administration，NASA）档案中心（https://search.earthdata.nasa.gov/search）获取2020年4—12月的L2B级产品数据。该数据记录了足印级冠层高度和剖面信息，从中提取21个特征，特征含义见表1。由于GEDI数据在信息采集过程中会受到环境因素干扰，产生部分信息质量差的光斑，因此基于4个质量筛选特征，仅保留quality_flag=1，degrade_flag=0，sensitivity≥0.95，leaf_off_flag=0的光斑点[15]。最后根据2020年全国10 m分辨率土地覆盖产品[16]提取研究区有林地范围的光斑共4 858个。
表1 GEDI L2B数据特征信息

Tab.1 Parameter information of GEDI L2B data

特征名称 物理含义 特征名称 物理含义
sensitivity 灵敏度 pgap_theta 森林冠层间隙率
modis_treecover 根据MODIS数据得出的植被百分比 modis_nonvegetated 根据MODIS数据得出的非植被百分比
pgap_theta_error 森林冠层间隙率的误差 landsat_treecover Landsat树冠覆盖率
rv 波形中植被分量的积分 height_lastbin 相对森林冠层间隙误差的地面高度
rh100 接收波形信号的起始点离地面的高度 fhd_normal 叶片高度多样性指数
rg 波形中地面分量的积分 digital_elevation_model 数字高程模型高于WGS84椭圆形的高度
pai 植被总面积指数 cover 树冠总覆盖率
shot number 激光点号 degrade_flag 指向或定位信息降级状态的标志
lat_lowestmode 最低模式中心的纬度 lon_lowestmode 最低模式中心的经度
quality_flag 标记以简化最有用数据的选择 leaf_off_flag 指示观察是否在落叶林条件下记录
beam 激光器强弱指示

1.2.3 Sentinel-2数据及特征

本研究从欧洲航天局网站（https://dataspace.copernicus.eu/explore-data）获取2景L2A级的影像数据，获取时间为2020年11月。L2A级数据已完成辐射定标和几何精纠正，故只需对影像重采样至20 m分辨率。基于Sentinel-2数据提取8种植被指数[17]，并采用灰度共生矩阵法提取B3，B4，B6和B12这4个波段，窗口为5×5的纹理特征，共32个。为更好地反映森林植被特征和减少冗余波段信息，计算得到3种缨帽变换特征[18]和提取原始波段中前3个主成分因子，其光学特征信息见表2。
表2 Sentinel-2数据特征信息

Tab.2 Features information of Sentinel-2 data

类型 特征名称
原始波段 B2，B3，B4，B5，B6，B7，B8，B11
植被指数 归一化植被指数、差值植被指数、比值植被指数、变换的归一化差异植被指数、绿色标准化差异植被指数、归一化差异指数、红边拐点指数、Sentinel-2红边位置指数
纹理特征 均值、方差、熵、对比度、同质性、相关性、非相似性、角二阶矩
缨帽变换特征 亮度、绿度、湿度
主成分分析 PCA1，PCA2，PCA3

1.2.4 辅助数据

为研究地形因子对森林AGB估测及其空间分布格局的影响，从NASA官网（https://search.earthdata.nasa.gov/）下载研究区范围的SRTM GL1 DEM数据，并将其重采样至20 m分辨率。提取海拔、坡度、坡向3个地形因子。

2 研究方法

2.1 特征筛选方法

选择合适的特征因子参与建立森林AGB估测模型是提高森林AGB估测的关键。本研究在R平台上进行皮尔逊相关性分析，筛选出显著性高、与森林AGB相关性强的遥感特征。相关性系数r的计算公式为[19]：
r= $\frac{\sum _{i=1}^{n}（{X}_{i}-\overline{X}）（{Y}_{i}-\overline{Y}）}{\sqrt[　]{\sum _{i=1}^{n}（{X}_{i}-\overline{X}{）}^{2}\sum _{i=1}^{n}（{Y}_{i}-\overline{Y}{）}^{2}}}$，
式中：Xi和Yi分别为第i个样本点的2个变量的观测值； $\overline{X}$和 $\overline{Y}$分别为变量X和Y的均值；n是样本数量。

2.2 普通克里金插值

普通克里金插值是目前地统计学中应用最为广泛的最优内插法，其核心是变异函数。插值之前，利用Moran’s I指数分析GEDI L2B光斑点特征之间的空间相关性。如果变异函数和相关分析的结果表明光斑点特征的空间相关性存在，则可以利用普通克里金进行插值[20]，其公式为：
Z（x）= $\sum _{i=1}^{k}$λiZ（xi） ，
式中：Z（x）为待插值点的值；Z（xi）为已知点的值；k为参与估测的已知点数目；λi为权重，取决于变异函数和空间布局。

2.3 森林AGB估测模型

PLSR是一种基于协方差的快速、高效且经过优化的回归方法。它首先利用响应变量中包含的信息将预测变量分解成几个不相关的潜在变量或成分，然后将新成分与响应变量进行回归[21]。
GBRT是一种集成学习方法。其核心思想是通过多次迭代训练新的树模型来修正当前模型的预测误差。每一棵树都是在前一棵树的预测误差上进行训练，从而使预测误差不断减小。
RF也是一种集成学习方法，由Breiman在2001年提出[22]，是基于决策树算法的改进，具有较强的抗过拟合能力。该模型原理是从原始数据集中有放回地随机抽取多个子集，每个子集用于训练一棵决策树；然后在每个节点分裂时，随机选择部分特征进行最优分裂，以此增强模型的多样性；最后输入新的数据，将其输入到每棵树中进行预测，最终的输出是所有树的预测值的平均值。

2.4 精度评估方法

2.4.1 插值精度评估

插值结果采用交叉验证方法进行评价，评价指标选取标准平均值预测误差（mean square error，MSE）和标准均方根预测误差（root mean square standardized error，RMSSE），计算公式为：
MSE= $\frac{1}{n}\sum _{i=1}^{n}{\left(\frac{{Z}_{i}-{\hat{Z}}_{i}}{{\sigma }_{i}}\right)}^{2}$，
RMSSE= $\sqrt[　]{\frac{1}{n}\sum _{i=1}^{n}{\left(\frac{{Z}_{i}-{\hat{Z}}_{i}}{{\sigma }_{i}}\right)}^{2}}$，
式中：Zi为第i个样点的观测值； ${\hat{Z}}_{i}$为预测值；n为样本点的数量；σi为预测值的标准差。此外，对数据集进行随机划分，提取80%的光斑点作为空间插值的训练数据集，20%的光斑点作为验证数据集，验证插值精度。

2.4.2 森林AGB模型精度评估

为确保模型的泛化能力和稳定性，本研究将96个样本按7∶3的比例划分训练集和测试集，并以模型的决定系数R2和RMSE对估测精度进行评价。

3 结果与分析

3.1 插值结果与分析

基于ArcGIS10.8软件计算除3个定位信息特征和4个质量筛选特征之外的14个GEDI L2B特征的Moran’s I指数。结果表明，14个特征的Moran’s I指数全部大于0，表示各特征在空间上成正相关性；P值都远小于0.05，且|Z|>1.96，表示有充分理由认为Moran’s I指数显著，可以进行克里金插值。具体而言，指数大小分布在0.058 809至0.813 129之间，其中GEDI的digital_elevation_model特征的Moran’s I指数最高，达到0.81。
14 个特征的插值结果均较好，RMSSE都接近于1，且MSE都接近于0。利用SPSS软件对随机预留的20%的光斑点的观测值和预测值进行统计分析。结果表明，digital_elevation_model的验证精度最高，R2为0.98，modis_treecover，modis_nonvegetated，rv和pgap_theta_error的验证精度均在0.5以上，这反映出普通克里金插值法能够对GEDI L2B特征进行较准确的空间预测。

3.2 特征筛选结果

本研究进行皮尔逊相关性分析。相关系数r的范围为-0.24~0.38。结合显著度<0.05，最后优选出5个遥感特征，分别为PCA3，PCA2，modis_nonvegetated，归一化差异指数和pgap_theta_error，其与森林AGB的相关性分别为0.38，0.33，0.32，0.24和0.21。

3.3 比较森林AGB估测结果

本研究将优选出的3个Sentinel-2遥感影像特征和2个GEDI L2B特征作为建模自变量，以森林AGB作为建模因变量，基于PLSR，GBRT和RF 3种回归模型来估算森林AGB。估测精度如表3所示，无论是在单一数据源还是多数据源的情况下，RF模型的表现均优于其他模型。仅使用Sentinel-2遥感特征进行估算时，RF模型的R2为0.73，RMSE为24.34 t/hm2；GBRT模型的R2为0.48，RMSE为33.72 t/hm2；而PLSR模型的R2为0.14，RMSE为40.36 t/hm2。在这些结果中，PLSR模型的精度最差，相比RF模型，其R2降低了0.59，RMSE增加了16.02 t/hm2。加入GEDI特征后，3种模型的估算精度均有所提高。其中，PLSR模型的性能提升幅度最大，R2提高了0.12，RMSE减少了2.8 t/hm2；RF模型的R2提升幅度最小，提升了0.03，RMSE减少了1.32 t/hm2。总体来看，虽然3种模型在加入GEDI特征后的精度提升幅度不大，但这些结果仍表明GEDI L2B特征对森林AGB的估算具有一定的积极影响。
表3 森林AGB模型估测精度

Tab.3 Estimation accuracy of forest AGB model

数据源 模型 R2 RMSE/（t·hm-2）
Sentinel-2 RF 0.73 24.34
GBRT 0.48 33.72
PLSR 0.14 40.36
Sentinel-2+GEDI RF 0.76 23.02
GBRT 0.60 29.35
PLSR 0.26 37.56
散点图（图3）展示了模型预测的森林AGB与实测值之间的关系。从图中可以看出，在使用单一数据源时，PLSR模型存在明显的高估和低估现象，GBRT模型的高估低估现象相对较少，而RF模型有效缓解了这一问题。但在加入GEDI特征后，3种模型的拟合效果均有所提升。根据误差折线图（图3）分析，PLSR模型在使用单一数据源情况下的估测误差范围为-129.00~33.98 t/hm2，平均误差为37.45 t/hm2；加入GEDI特征后，误差范围缩小至-120.82~37.64 t/hm2，平均误差减少至33.90 t/hm2。GBRT模型的误差范围为-93.09~53.89 t/hm2，平均误差为25.85 t/hm2；加入GEDI特征后，平均误差减少了3.87 t/hm2。RF模型在减少森林AGB估测误差方面效果最好，单一数据源时，RF模型的估测误差范围为-68.98~37.10 t/hm2，平均误差为17.43 t/hm2；加入GEDI特征后，误差范围缩小为-61.39~27.31 t/hm2。总体来看，结合Sentinel-2和GEDI L2B数据能够有效降低森林AGB的估测误差，从而提高整体的估测精度。
图3 森林AGB预测值与实测值散点图及误差折线图

Fig.3 Scatter plot and error line graphs of predicted and measured forest AGB values

3.4 森林AGB的空间分布

图4是利用RF模型，结合Sentinel-2和GEDI数据反演得到的研究区森林AGB分布图。研究区的总森林AGB为561.18×104 t，平均森林AGB为145.88 t/hm2。从分布图中可大致看出，森林AGB高值区域主要集中在研究区的中央和西北部；低值区域分布在南部和东南部，以及一些局部的非林地周围。
图4 研究区森林AGB分布图

Fig.4 Distribution of forest AGB in the study area

本研究将地形因子与研究区森林AGB分布图进行叠加，进一步分析研究区森林AGB的空间分布特征，如图5所示。
图5 不同海拔、坡度、坡向的森林AGB分布情况

Fig.5 Distribution of forest AGB at different elevations，slopes and aspects

将海拔分为4个等级：≤1 200 m，（1 200，1 500] m，（1 500，1 800] m和>1 800 m，并通过区域分析功能统计不同海拔等级的森林AGB值。据图5（d）所示，研究区森林AGB主要集中分布在海拔1 200~1 800 m的区域，占总生物量的94.95%。相对而言，低海拔和高海拔地区的AGB分布较少。森林AGB密度随海拔的升高而增加，从134.35 t/hm2增加到161.79 t/hm2。因为离城镇越远，受人为活动的影响就越小，植被生长不容易受到破坏，故生物量水平高。
按照坡度的陡缓程度，将坡度分为6个等级，分别为：平坡[0,5]°、缓坡（5，15]°、斜坡（15，25]°、陡坡（25，35]°、急坡（35，45]°、险坡（45，90]°。从图5（e）中可知，研究区森林AGB主要分布在斜坡和缓坡，各占研究区总森林AGB的38.84%和35.07%。险坡的森林AGB最低，总量仅为2.88×104 t。从森林AGB密度的分布来看，随着坡度的上升，森林AGB密度基本趋缓，而在险坡处下降幅度较大。因为坡度较大的地方，降雨对土壤的冲刷能力很强，并且土壤的保水能力降低，导致大量的水分和养分流失，不利于植被的生长。
为研究不同坡向对植被生长以及森林AGB分布的影响，将研究区的坡向按照平地（0°）、阴坡（315，360]°和（0，45]°、半阴坡（45，135]°、阳坡（135，225]°、半阳坡（225，315]°的规则划分。从图5（f）中可以看出，森林AGB主要分布在阳坡和半阳坡，总量分别为163.41×104 t和145.74×104 t，各占总森林AGB的29.25%和25.90%；其次是阴坡143.90×104 t，占25.70%；平地分布最少，为2.77×104 t，仅占总森林AGB的0.49%。而森林AGB的密度分布为：半阴坡>阳坡>平地>半阳坡>阴坡。半阴坡和阳坡的森林AGB密度较高，而阴坡由于受太阳辐射能量小，生长速度较其他坡向慢，所以森林AGB密度较小。
为避免单因素分析的局限性，本研究还将坡度和坡向2个地形因子进行交互分析。表4是坡度-坡向交互作用下森林AGB分布情况统计。从表中可知，在缓坡条件下，半阳坡的森林AGB总量最高，缓坡-半阳坡为58.08×104 t；在斜坡条件下，阳坡的森林AGB总量最高，斜坡-阳坡为64.98×104 t，显示坡向的光照条件对植被生长的重要作用。阴坡和半阴坡的森林AGB总量相对较低，但阴坡的森林AGB稍高于半阴坡。在平坡、陡坡、急坡和险坡条件下，所有坡向的森林AGB均显著下降，阴坡和半阴坡的降幅更明显。陡坡-阴坡为27.26×104 t，急坡-阴坡为8.73×104 t，险坡-阴坡为0.95×104 t。这可能是由于坡度增加后，阴坡和半阴坡的光照不足劣势进一步放大，对植被生长的影响更为显著。
表4 坡度-坡向交互作用下的森林AGB分布情况

Tab.4 Forest AGB distribution under the interaction of slope and aspect

坡度 坡向 森林
AGB/104 t		 坡度 坡向 森林
AGB/104 t
平坡 平地 0.62 陡坡 平地 0.29
阴坡 3.97 阴坡 27.26
半阴坡 4.61 半阴坡 18.44
阳坡 5.16 阳坡 27.25
半阳坡 5.71 半阳坡 22.44
缓坡 平地 0.97 急坡 平地 0.11
阴坡 43.72 阴坡 8.73
半阴坡 35.79 半阴坡 5.85
阳坡 57.95 阳坡 7.47
半阳坡 58.08 半阳坡 5.24
斜坡 平地 0.76 险坡 平地 0.01
阴坡 59.37 阴坡 0.95
半阴坡 38.70 半阴坡 0.80
阳坡 64.98 阳坡 0.60
半阳坡 53.76 半阳坡 0.51

4 讨论与结论

4.1 讨论

本研究结合GEDI激光雷达数据和Sentinel-2光学数据，利用RF算法估测森林AGB。研究结果发现，结合GEDI的估测效果比单一光学数据源好，但是提升幅度小。这可能是因为本研究是根据GEDI产品默认算法组所提取的L2B特征，而L2B级产品中rg，rv，pgap_theta，pgap_theta_error特征可以依据L2A产品间接产生不同阈值大小的6组数据。不同的地面和森林环境中，不同算法组对GEDI数据估测森林AGB精度有影响[15,23]，在未来研究中进一步分析不同林分和地形条件下适宜的GEDI算法组数据具有重要意义。本研究证实RF模型在估测精度方面较好于线性回归模型，这是由于线性回归模型无法充分反映森林AGB与遥感变量之间的复杂关系，所以估测准确性较差[24]，而机器学习算法能够处理遥感数据与森林AGB之间的复杂非线性关系。Guo等[10]使用MLR，Ridge和RF 3种回归模型估测森林AGB，其中RF模型的估测结果最优，RMSE最小，这与本文的结果高度一致。更多学者纳入不同机器学习模型及深度学习模型来进行比较，得出相似研究[25-27]。在未来的研究中，考虑引入深度学习算法以减少模型的估计误差，将可能进一步提升AGB估测的准确性。
地形和生物因素在调节森林生态系统中的碳储存方面起着重要作用。其中，坡度、坡向和海拔等地形因子通过影响太阳光照和水分分布，直接影响植物的光合作用，并推动森林树种的分布，进而导致森林AGB空间分布的差异性[28]。刘兴良等[29]研究发现，群落生物量与海拔梯度呈正相关关系，这与本研究中森林AGB随海拔变化的趋势一致。在本研究区域内，由于海拔低于1 200 m的范围主要是城镇区域，林地面积较少，因此该区域的生物量积累较低。此外，森林AGB密度在陡坡处明显减少，这可能是因为陡峭山坡上周期性缺水、土壤贫瘠等问题，导致植被生长环境恶劣，从而影响该地形上的森林AGB积累。例如，对法属圭亚那低地雨林的研究表明，陡坡上树木的死亡率较高，植被覆盖度减少，导致这些区域的森林AGB较低[30]。坡向主要通过影响植被所接受的太阳辐射量来影响植被的生长[31]。在本研究中，半阴坡的森林AGB密度水平最高，这可能是半阴坡结合了阳坡的光照优势和阴坡的水分条件，水热条件平衡，有利于植被生长；阳坡的森林AGB密度次之，可能是由于阳坡光照充足，适合光合作用和植物生长，因此AGB密度较高。而阴坡因光照不足，生长受限；半阳坡虽有光照，但可能因水分较少导致密度未达阳坡水平。二者密度接近可能源于整体生态条件对生物量的综合影响相似。此外，阳坡和半阳坡的占地面积较大，也为更多的生物量积累提供了条件。因此，坡向与森林AGB的关系不仅反映了光照条件的差异，也与这些区域的林地面积密切相关。

4.2 结论

本研究探索了利用新一代星载激光雷达GEDI数据和Sentinel-2光学数据估测森林AGB的方法，并通过地形因子分析森林AGB空间分布特征。研究结果显示：①结合GEDI和Sentinel-2数据的RF模型估测精度最高，而GBRT模型相较RF精度有所下降，PLSR模型效果最差，说明机器学习模型相比于线性模型在估测性能和模型鲁棒性方面表现更优；②从海拔、坡度、坡向3个方面分析森林AGB空间分布特征发现，森林AGB密度随海拔升高呈正相关，但对坡度变化不敏感，且半阴坡和阳坡的森林AGB密度最高。对亚热带地区森林AGB的准确估测以及森林AGB空间分布格局的研究，有助于将研究成果从小尺度推广到更大尺度，并能为省级范围内制定森林保护和培育政策提供科学依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Wang M J, Sun R, Xiao Z Q. Estimation of forest canopy height and aboveground biomass from spaceborne LiDAR and Landsat imageries in Maryland[J]. Remote Sensing, 2018, 10(2):344.

[2]
薛春泉, 徐期瑚, 林丽平, 等. 基于异速生长和理论生长方程的广东省木荷生物量动态预测[J]. 林业科学, 2019, 55(7):86-94.

Xue C Q, Xu Q H, Lin L P, et al. Biomass dynamic predicting for Schima superba in Guangdong based on allometric and theoretical growth equation[J]. Scientia Silvae Sinicae, 2019, 55(7):86-94.

[3]
闻馨, 刘凯, 曹晶晶, 等. 基于森林冠层高度和异速生长方程的中国红树林地上生物量估算[J]. 热带地理, 2023, 43(1):1-11.

DOI

Wen X, Liu K, Cao J J, et al. Estimation of mangrove aboveground biomass in China using forest canopy height through an allometric equation[J]. Tropical Geography, 2023, 43(1):1-11.

DOI

[4]
Sun G Q, Ranson K J, Guo Z, et al. Forest biomass mapping from Lidar and Radar synergies[J]. Remote Sensing of Environment, 2011, 115(11):2906-2916.

[5]
Foody G M, Boyd D S, Cutler M E J. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions[J]. Remote Sensing of Environment, 2003, 85(4):463-474.

[6]
李旺, 牛铮, 王成, 等. 机载LiDAR数据估算样地和单木尺度森林地上生物量[J]. 遥感学报, 2015, 19(4):669-679.

Li W, Niu Z, Wang C, et al. Forest above-ground biomass estimation at plot and tree levels using airborne LiDAR data[J]. Journal of Remote Sensing, 2015, 19(4):669-679.

[7]
Luo S Z, Wang C, Xi X H, et al. Fusion of airborne LiDAR data and hyperspectral imagery for aboveground and belowground forest biomass estimation[J]. Ecological Indicators, 2017, 73:378-387.

[8]
Dubayah R, Blair J B, Goetz S, et al. The global ecosystem dynami-cs investigation:High-resolution laser ranging of the earth’s forests and topography[J]. Science of Remote Sensing, 2020, 1:100002.

[9]
田国帅, 周小成, 郝优壮, 等. 结合修正后的全球生态系统动态调查冠层高度的森林地上生物量模型优化——以福建省为例[J]. 生态学报, 2024, 44(16):7264-7277.

Tian G S, Zhou X C, Hao Y Z, et al. Optimization model of forest aboveground biomass based on MGEDI canopy height:A case study in Fujian,China[J]. Acta Ecologica Sinica, 2024, 44(16):7264-7277.

[10]
Guo Q Y, Du S H, Jiang J B, et al. Combining GEDI and sentinel data to estimate forest canopy mean height and aboveground biomass[J]. Ecological Informatics, 2023, 78:102348.

[11]
Khati U, Lavalle M, Singh G. The role of time-series L-band SAR and GEDI in mapping sub-tropical above-ground biomass[J]. Frontiers in Earth Science, 2021, 9:752254.

[12]
Silva C A, Duncanson L, Hancock S, et al. Fusing simulated GEDI,ICESat-2 and NISAR data for regional aboveground biomass mapping[J]. Remote Sensing of Environment, 2021, 253:112234.

[13]
Xu L, Lai H Y, Yu J G, et al. Carbon storage estimation of Quercus aquifolioides based on GEDI spaceborne LiDAR data and Landsat9 images in Shangri-La[J]. Sustainability, 2023, 15(15):11525.

[14]
胥辉, 张会儒. 林木生物量模型研究[M]. 昆明: 云南科技出版社, 2002.

Xu H, Zhang H R. Research on forest biomass models[M]. Kunming: Yunnan Science and Technology Press, 2002.

[15]
韩明辉, 邢艳秋, 李国元, 等. GEDI不同算法组数据反演森林最大冠层高度和生物量精度比较[J]. 中南林业科技大学学报, 2022, 42(10):72-82.

Han M H, Xing Y Q, Li G Y, et al. Comparison of the accuracy of the maximum canopy height and biomass inversion of the data of different GEDI algorithm groups[J]. Journal of Central South University of Forestry & Technology, 2022, 42(10):72-82.

[16]
Liu Y H, Zhong Y F, Ma A L, et al. Cross-resolution national-scale land-cover mapping based on noisy label learning:A case study of China[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 118:103265.

[17]
刘霜. 基于Sentinel-1/2的重庆市南川区森林生物量估算研究[D]. 成都: 成都理工大学, 2020.

Liu S. Forest biomass estimation in Nanchuan district of Chongqing City using a combination of Sentinel-1 and Sentinel-2 data[D]. Chengdu: Chengdu University of Technology, 2020.

[18]
Kauth R J, Thomas G S. The tasselled cap:A graphic description of the spectraltemporal development of agricultural crops as seen by Landsat[C]. Proceedings of the Symposium on Machine Processing of Remotely Sensed Data. West Lafayette: Purdue University, 1976,41-51.

[19]
姜丰, 朱家玲, 胡开永, 等. Pearson相关系数评价ORC系统蒸发器特性的应用研究[J]. 太阳能学报, 2019, 40(10):2732-2738.

Jiang F, Zhu J L, Hu K Y, et al. Applied research to assess envaporator performances in orc system by Pearson correlation coefficient[J]. Acta Energiae Solaris Sinica, 2019, 40(10):2732-2738.

[20]
贺鹏, 张会儒, 雷相东, 等. 基于地统计学的森林地上生物量估计[J]. 林业科学, 2013, 49(5):101-109.

He P, Zhang H R, Lei X D, et al. Estimation of forest above-ground biomass based on geostatistics[J]. Scientia Silvae Sinicae, 2013, 49(5):101-109.

[21]
Amarsaikhan E, Erdenebaatar N, Amarsaikhan D, et al. Estimation and mapping of pasture biomass in Mongolia using machine learning methods[J]. Geocarto International, 2023, 38(1):2195824.

[22]
Breiman L. Statistical modeling:The two cultures (with comments and a rejoinder by the author)[J]. Statistical Science, 2001, 16(3):199-231.

[23]
罗绍龙, 舒清态, 余金格, 等. 基于序贯高斯条件模拟的GEDI数据联合Landsat8反演森林地上生物量[J]. 林业科学研究, 2024, 37(3):49-60.

Luo S L, Shu Q T, Yu J G, et al. Combined GEDI data and Landsat8 for inversion of forest aboveground biomass based on sequential Gaussian condition simulation[J]. Forest Research, 2024, 37(3):49-60.

[24]
Lu D S, Chen Q, Wang G X, et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems[J]. International Journal of Digital Earth, 2016, 9(1):63-105.

[25]
Li Y C, Li C, Li M Y, et al. Influence of variable selection and forest type on forest aboveground biomass estimation using machine learning algorithms[J]. Forests, 2019, 10(12):1073.

[26]
Zhang Y R, He B B, Chen R, et al. The potential of optical and SAR time-series data for the improvement of aboveground biomass carbon estimation in southwestern China’s evergreen coniferous forests[J]. GIScience & Remote Sensing, 2024, 61(1):2345438.

[27]
Rana P, Popescu S, Tolvanen A, et al. Estimation of tropical forest aboveground biomass in Nepal using multiple remotely sensed data and deep learning[J]. International Journal of Remote Sensing, 2023, 44(17):5147-5171.

[28]
McEwan R W, Lin Y C, Sun I F, et al. Topographic and biotic regu-lation of aboveground carbon storage in subtropical broad-leaved forests of Taiwan[J]. Forest Ecology and Management, 2011, 262(9):1817-1825.

[29]
刘兴良, 史作民, 杨冬生, 等. 山地植物群落生物多样性与生物生产力海拔梯度变化研究进展[J]. 世界林业研究, 2005, 18(4):27-34.

Liu X L, Shi Z M, Yang D S, et al. Advances in study on changes of biodiversity and productivity along elevational gradient in mountainous plant community[J]. World Forestry Research, 2005, 18(4):27-34.

[30]
Ferry B, Morneau F, Bontemps J D, et al. Higher treefall rates on slopes and waterlogged soils result in lower stand biomass and productivity in a tropical rain forest[J]. Journal of Ecology, 2010, 98(1):106-116.

[31]
窦佳慧, 梁宇, 怀保娟, 等. 不同地形条件下青藏高原森林生产力和碳收支动态[J]. 生态学杂志, 2024, 43(6):1521-1530.

Dou J H, Liang Y, Huai B J, et al. Productivity and carbon budget dynamics of forests under different topographic conditions on Tibe-tan Plateau[J]. Chinese Journal of Ecology, 2024, 43(6):1521-1530.

Options
Outlines

/

〈 〉