面向星载大光斑LiDAR的树高和生物量分层反演方法研究

Tree height and biomass are important indexes of forest management and carbon cycle estimation. The Geoscience Laser Altimeter System (GLAS) has a great application potential for estimating those forest structure parameters. However, existing methods cannot capture the forest vertical structural information sufficiently that leads to poor inversion results of tree height and low accuracy of biomass estimation. For example, only average and maximum tree height can be extracted in existing research. However, multiple layers of tree height are always existing within a GLAS footprint with an area of more than 2,000 square meters. To solve this problem, we propose a modified waveform decomposition method, in which morphological characteristic of forest vertical structures acquired by field measurement data will serve as restrictions for parameters initialization and iteration termination criterion. It not only can inject physical meaning in this method, but also can overcome the overfitting problem resulting from that only geometric characteristics were considered in traditional methods. Based on the results of waveform decomposition, tree height and biomass stratified inversion models were developed. That will significantly improve the effect of tree height vertical structural description and the accuracy of biomass estimation. Implementation of this project will advance development of data processing methods and applications of large footprint LiDAR. Moreover, this project can provide a scientific basis for the detailed investigation of forest structural parameters over other study sites with large-scale, complex topography or species.

树高和生物量是森林管理和碳循环的重要指标，星载大光斑LiDAR（GLAS）在树高等结构参数估算方面具有极高的应用潜力，但现有方法对光斑内森林垂直结构信息挖掘不足，仅能获取光斑内的一个平均或最大树高，而在面积达两千多平方米的GLAS光斑内，往往存在多个不同高度层，导致树高反演效果差、生物量估算精度低。针对该问题，本项目提出一种改进的波形分解算法，该方法将实测森林垂直结构形态学特征作为参数初始化和迭代终止的限制条件，使算法具备一定物理意义，克服传统方法因只考虑波形几何属性而导致的过度拟合问题。基于波形分解结果，分别发展树高和生物量的分层反演模型，将大幅提升树高垂直结构细节描述效果和生物量估算精度。研究成果将推动大光斑LiDAR数据处理方法与应用的发展，为更大尺度、复杂地形或树种森林区域的结构参数精细调查提供理论和方法借鉴。

“碳中和、碳达峰”对可持续发展、绿色发展和气候变化研究都具有重大意义。树高、生物量等森林结构参数反演与植被树种精细制图是“碳中和、碳达峰”的监测与评估的基础。本项目的主要研究内容包括三部分。（第一部分完成了本项目申请书的计划内容，第二三部分是在该项目资助下取得的延续研究成果。）.（1）基于ICESat的森林树高与生物量分层估算模型。现有基于ICESat的森林结构参数估算模型存在对光斑内垂直结构信息挖掘不足的问题，仅能获取光斑内的一个平均或最大树高，而在面积达两千多平方米的GLAS光斑内，往往存在多个不同高度层，导致树高反演效果差、生物量估算精度低。针对该问题，本项目提出基于高度分层的树高和生物量估算新模型，将大幅提升树高垂直结构细节描述效果和生物量估算精度。研究成果将推动大光斑LiDAR数据处理方法与应用的发展，为更大尺度、复杂地形或树种森林区域的结构参数精细调查提供理论和方法借鉴。 .（2）基于ICESat2的森林LAI估算模型。本项目首次利用ICESat2数据进行LAI反演研究，提出了一个包含三个算法（噪声光子去除算法、信号光子分类算法和几何光学和辐射传输（GORT）模型）的反演框架，首次实现了基于ICESat-2数据的LAI反演，选取亚马逊雨林和大兴安岭森林两个研究区对反演结果进行验证，结果表明ICESat2可有效反演森林LAI，并且相比于光学影像的反演结果具有精度高、不易饱和和穿透能力强等特点。该研究为大尺度的森林LAI反演提供参考。.（3）结合物候指数与深度学习的植被树种精细制图方法研究。植被种类精细制图是森林碳储量（生物量）估算的关键输入参数，不同种类植被的生物量具有不同的估算模型。本项目结合物候知识、面向对象技术、深度学习发展了植被树种精细制图的系列新方法。实现了多种植被的大尺度精细制图，为生物量精细估算提供重要方法参考和基础数据。相关成果的方法代码和产品均已发布，部分产品应用于相关部分的实际业务生产。