我院王红教授课题组与加拿大麦克马斯特大学Alemu教授团队联合在《ISPRS Journal of Photogrammetry and Remote Sensing》发表最新研究成果

       近日，我院王红教授课题组联合加拿大麦克马斯特大学Alemu教授研究团队，在国家尺度森林生物量估算和不确定性量化方面的研究取得进展，在地球科学类TOP期刊《ISPRS Journal of Photogrammetry and Remote Sensing》在线发表了最新研究成果“Aboveground biomass mapping of Canada with SAR and optical satellite observations aided by active learning”。

论文链接：https://www.sciencedirect.com/science/article/pii/S0924271625002096。

      使用卫星遥感观测估计森林地上生物量（AGB）时，国家森林清查（NFI）数据已成为模型训练和验证不可或缺的参考。然而，对于像加拿大这样土地面积广阔、森林覆盖率广的国家来说，获得统计上足够的NFI数据进行模型训练是一项挑战。该研究旨在使用季节性的Sentinel 1&2和年度合成的L波段ALOS PALSAR数据，以及可用的NFI数据进行加拿大国家尺度林地AGB估算，同时提供空间明确的外推不确定性。常用的随机森林（RF）模型在利用有限的训练数据进行大范围时，往往存在估算性能不佳的问题，包括模型外推估算时不能超出训练数据集的值域范围，以及无法提供外推的不确定性。为此，该研究引入了高斯过程回归（GPR）模型和主动学习优化算法。模型采用分层10折交叉验证（ST10CV）进行训练，通过基于欧氏距离的双向主动学习（EBD-BDAL）进行优化，并在Google Earth Engine平台上进行外推估算。使用EBD-BDAL优化的GPR模型估算结果显示，加拿大2020年的有林地AGB为40.68 ± 6.8 Pg，其中管理和非管理范围内森林分别占82%和18%。在加拿大的有林地中，森林生态系统外的树木占总AGB的2%（0.8 Pg AGB）。不确定性分析表明，GPR模型对高AGB林地表现出优秀的外推能力和较低的相对不确定性。ST10CV结果表明， EBD-BDAL优化前后的GPR模型的性能都优于RF。该研究构建了基于季节性卫星观测、GPR模型和EBD-BDAL优化的有限NFI外推估算框架，为利用有限NFI数据进行全国森林生物量的高精度估算提供了潜在解决方案。