多源遥感数据融合的大湄公河次区域森林地上生物量制图

doi:10.13474/j.cnki.11-2246.2025.0807

测绘通报 ›› 2025, Vol. 0 ›› Issue (8): 43-47.doi: 10.13474/j.cnki.11-2246.2025.0807

多源遥感数据融合的大湄公河次区域森林地上生物量制图

袁丽莉¹, 杨欣慰², 李梦华^1,3,4, 陈玉权⁵, 唐伯惠^1,3,4

1. 昆明理工大学国土资源工程学院, 云南昆明 650093;
2. 中国科学院空天信息创新研究院, 北京 100094;
3. 云南省定量遥感重点实验室(筹), 云南昆明 650093;
4. 云南省山地灾害空天地一体化智慧监测国际联合实验室, 云南昆明 650093;
5. 云南骏驰信息技术有限公司, 云南昆明 650000

收稿日期:2025-05-12 出版日期:2025-08-25 发布日期:2025-09-02
通讯作者: 李梦华。E-mail:menghuali@kust.edu.cn E-mail:menghuali@kust.edu.cn
作者简介:袁丽莉(2000—),女,硕士生,主要从事定量遥感等研究工作。E-mail:yuanlili@stu.kust.edu.cn
基金资助:
国家自然科学基金(42404036;42230109)

Forest aboveground biomass mapping in the Greater Mekong Subregion using multi-source remote sensing data fusion

YUAN Lili¹, YANG Xinwei², LI Menghua^1,3,4, CHEN Yuquan⁵, TANG Bohui^1,3,4

1. Faculty of Land Resources Engineering, Kunming University of Science and Technology, Kunming 650093, China;
2. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China;
3. Yunnan Key Laboratory of Quantitative Remote Sensing, Kunming 650093, China;
4. Yunnan International Joint Laboratory for Integrated Sky-Ground Intelligent Monitoring of Mountain Hazards, Kunming 650093, China;
5. Yunnan Junchi Information Technology Co., Ltd., Kunming 650000, China

Received:2025-05-12 Online:2025-08-25 Published:2025-09-02

摘要/Abstract

摘要： 准确估算森林地上生物量密度对于推动森林的可持续经营至关重要。本文以大湄公河次区域(GMS)为研究对象,基于星载全球生态系统动态调查(GEDI)数据、Sentinel-1、Sentinel-2和其他辅助数据提取了52种特征变量,通过应用LightGBM机器学习模型,绘制1 km分辨率的GMS森林地上生物量密度地图。结果表明,LightGBM模型的R²=0.65、RMSE=38.11 Mg/hm²、EA=72.03%。在整个研究区范围内,生物量密度范围为15.16～423.87 Mg/hm²。本文得到的生物量产品与GEDI L4B产品有较高的相关系数(R²=0.52,RMSE=61.91 Mg/hm²)。总而言之,开放获取的地球观测数据(EO)在估算森林地上生物量方面具有较大的潜力。

关键词: 森林地上生物量, GEDI, 多源遥感数据, 机器学习, 大湄公河次区域

Abstract: Accurate estimation of forest aboveground biomass density is crucial for advancing sustainable forest management.This study focuses on the Greater Mekong Subregion (GMS)and utilizes spaceborne global ecosystem dynamics investigation(GEDI),Sentinel-1,Sentinel-2,and auxiliary datasets to extract 52 feature variables.By applying the LightGBM machine learning model,a 1 km resolution forest aboveground biomass density map of the GMS is generated.The results indicate that the LightGBM model achieved R²=0.65,RMSE=38.11 Mg/hm²,and EA=72.03%.Across the study area,biomass density ranged from 15.16 to 423.87 Mg/hm².The derived biomass product demonstrated strong correlation with the GEDI L4B product (R²=0.52,RMSE=61.91 Mg/hm²).In conclusion,open-access earth observation (EO)data exhibits significant potential for estimating forest aboveground biomass.

Key words: aboveground biomass density, GEDI, remote sensing data, machine learning, greater mekong subregion

中图分类号:

P237
P208

袁丽莉, 杨欣慰, 李梦华, 陈玉权, 唐伯惠. 多源遥感数据融合的大湄公河次区域森林地上生物量制图[J]. 测绘通报, 2025, 0(8): 43-47.

YUAN Lili, YANG Xinwei, LI Menghua, CHEN Yuquan, TANG Bohui. Forest aboveground biomass mapping in the Greater Mekong Subregion using multi-source remote sensing data fusion[J]. Bulletin of Surveying and Mapping, 2025, 0(8): 43-47.

参考文献

[1] 李德仁,王长委,胡月明,等.遥感技术估算森林生物量的研究进展[J].武汉大学学报(信息科学版),2012,37(6): 631-635.
[2] FAO.The State of the World's Forests 2024—Forest-sector innovations towards a more sustainable future[M].Rome: Food and Agriculture Organization of the United Nations,2024.
[3] DUNCANSON L,DISNEY M,ARMSTON J,et al.Aboveground woody biomass product validation good practices protocol[M].Rome: Committee on Earth Observation Satellites(CEOS),2021.
[4] LU D,CHEN Q,WANG G,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.
[5] 梁顺林,李小文,王锦地,等.定量遥感: 理念与算法[M].北京: 科学出版社,2013.
[6] BLACKARD J A,FINCO M V,HELMER E H,et al.Mapping U.S.forest biomass using nationwide forest inventory data and moderate resolution information[J].Remote Sensing of Environment,2008,112(4): 1658-1677.
[7] 方精云,郭兆迪,朴世龙,等.1981—2000年中国陆地植被碳汇的估算[J].中国科学(D辑: 地球科学),2007,37(6): 804-812.
[8] 龚威,史硕,陈必武,等.对地观测高光谱激光雷达发展及展望[J].遥感学报,2021,25(1): 501-513.
[9] 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Landsat 8反演森林地上生物量[J].林业科学研究,2024,37(3): 49-60.
[10] DUNCANSON L,KELLNER J R,ARMSTON J,et al.Aboveground biomass density models for NASA's Global Ecosystem Dynamics Investigation(GEDI)LiDAR mission[J].Remote Sensing of Environment,2022,270: 112845.
[11] 郝晴,黄昌.森林地上生物量遥感估算研究综述[J].植物生态学报,2023,47(10): 1356-1374.
[12] 庞勇,李增元,余涛,等.森林碳储量遥感卫星现状及趋势[J].航天返回与遥感,2022,43(6): 1-15.
[13] HYDE P,NELSON R,KIMES D,et al.Exploring LiDAR-RaDAR synergy: predicting aboveground biomass in a southwestern ponderosa pine forest using LiDAR,SAR and InSAR[J].Remote Sensing of Environment,2007,106(1): 28-38.
[14] SHENDRYK Y.Fusing GEDI with earth observation data for large area aboveground biomass mapping[J].International Journal of Applied Earth Observation and Geoinformation,2022,115: 103108.
[15] YAN Xingguang,LI Jing,SMITH A R,et al.Evaluation of machine learning methods and multi-source remote sensing data combinations to construct forest above-ground biomass models[J].International Journal of Digital Earth,2023,16(2): 4471-4491.
[16] 郭庆华,苏艳军,胡天宇,等.激光雷达森林生态应用: 理论、方法及实例[M].北京: 高等教育出版社,2018.
[17] JORDAN M I,MITCHELL T M.Machine learning: trends,perspectives,and prospects[J].Science,2015,349(6245): 255-260.
[18] FAO.2020 年全球森林资源评估[M].[S.l.]:粮农组织,2021.
[19] DUBAYAH R O J.ARMSTON,et al.GEDI L4B gridded aboveground biomass density,Version 2[EB/OL].[2025-04-20].https://doi.org/10.3334/ORNLDAAC/ 2056.
[20] LIU Aobo,CHENG Xiao,CHEN Zhuoqi.Performance evaluation of GEDI and ICESat-2 laser altimeter data for terrain and canopy height retrievals[J].Remote Sensing of Environment,2021,264: 112571.

多源遥感数据融合的大湄公河次区域森林地上生物量制图

Forest aboveground biomass mapping in the Greater Mekong Subregion using multi-source remote sensing data fusion

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王力琪, 程博, 张晓平, 李可冬, 宋梦龙, 颜涛. 基于Landsat影像的半荒漠化草地地上生物量反演——以达茂旗为例[J]. 测绘通报, 2025, 0(7): 52-57.
[2]	李文东, 叶禹, 李霞, 魏伟, 辛存林. 融合SBAS-InSAR形变与机器学习模型的滑坡易发性评价[J]. 测绘通报, 2025, 0(7): 126-131,146.
[3]	张锋, 刘锋, 佘延娣, 赵媛媛, 马涛. 融合多源遥感数据识别青藏高原草地生产力恢复机制[J]. 测绘通报, 2025, 0(5): 40-46,93.
[4]	郭斌, 张立业, 邹滨, 郭夏楠, 白昊睿, 张波, 郭腾岳, 吴敏. 金属冶炼厂周边农田土壤锌含量高光谱遥感反演[J]. 测绘通报, 2025, 0(5): 27-33.
[5]	陈保锋, 陈芸芝, 陈红梅. 基于Sentinel-2的福建典型沿海养殖区化学需氧量反演[J]. 测绘通报, 2025, 0(4): 75-81.
[6]	杨洋, 贾洪果, 柏铮航, 刘宇辰. 联合机器学习与SBAS-InSAR的青藏高原冻土形变监测[J]. 测绘通报, 2025, 0(4): 45-50.
[7]	王荣康, 熊俊楠, 唐浩然, 涂才森, 宋南霄. 融合高程信息与随机森林模型的改进区域合并算法[J]. 测绘通报, 2025, 0(4): 114-119.
[8]	杨国柱, 孙诗睿, 田茂杰, 孙华敏, 胡伟, 李俊磊. 基于高分影像和改进YOLOv7模型在输电线路走廊的建筑物识别[J]. 测绘通报, 2025, 0(4): 82-89.
[9]	张雷, 眭天波, 黄成兵, 张净. 基于多源遥感数据的泸定同震滑坡识别[J]. 测绘通报, 2025, 0(1): 83-87,126.
[10]	卫梦莎, 龚云, 张小宇, 刘腾飞. 多维特征GS-SVM地下空间激光点云分割[J]. 测绘通报, 2024, 0(9): 117-122.
[11]	刘伊铭, 徐胜华, 刘春阳, 马钰. 顾及多方法集成特征选择与负样本优化的滑坡易发性评价[J]. 测绘通报, 2024, 0(9): 74-79.
[12]	王玥, 颜梅春, 徐嘉慧. 城市群花粉过敏网络关注度及影响因素研究[J]. 测绘通报, 2024, 0(4): 41-47.
[13]	陈昶, 张岩, 李坤衡, 杨润泽, 张俊彬, 梁彦荣. 基于高分七号影像自动提取东北黑土区侵蚀沟的方法[J]. 测绘通报, 2024, 0(3): 1-7.
[14]	张胜男, 陆苗, 温彩运, 宋英强, 康璐, 沈军辉, 杨民志. 融合作物类型的土壤盐分遥感反演方法研究[J]. 测绘通报, 2024, 0(2): 1-7.
[15]	梁文广, 陈伟, 王金东, 吴勇锋, 祁诣恒. 利用Sentinel-2卫星影像反演骆马湖叶绿素a浓度[J]. 测绘通报, 2024, 0(10): 1-6.