HWCFU-Net：融合多源遥感数据的像元级台风灾后森林冠层高度损失评估

摘要

【目的】台风灾害会导致森林冠层结构破坏、生态服务功能衰退及碳汇能力丧失，亟需建立高效、精准的森林台风灾害损失评估方法。针对现有评估方法难以在像元尺度精细表征台风胁迫下森林冠层高度空间异质性响应与梯度破坏规律的核心科学问题，以及台风灾后多源遥感数据尺度/噪声异质和光学影像细节丢失所致的反演精度与空间连续性受限的技术瓶颈，本研究旨在构建一种融合多源遥感数据的像元级反演框架，实现灾害前后冠层高度的精细化变化检测，并探索海拔梯度与城市边界对森林冠层损失空间格局的调控机制。【方法】研究提出层次化小波增强与上下文特征整合的U-Net改进模型（HWCFU-Net）。该模型核心思路在于通过离散小波变换构建层次化特征增强模块，针对性强化高低频信息表达以克服多源数据异质性；引入层次化上下文特征整合单元，利用多阶的深度可分离卷积优化多尺度特征传递与筛选能力；采用逐像元回归策略对每个像元独立建模，直接预测连续冠层高度值，突破传统整幅影像单一标签或分区均值化处理局限。研究整合GEDI、ICESat-2激光雷达与Sentinel-1/2光学—雷达数据构建多源时空特征集，以2019年发生的典型台风“利奇马”、“北冕”及“海贝思”构建6个灾前后实验场景，并与U-Net、U-Net++、AttentionRes-UNet、TSNN、Y-NET及随机森林这6种主流方法开展系统对比验证。【结果】HWCFU-Net在所有实验场景中均表现出最优性能，决定系数（R²）达到0.62～0.71，均方根误差（RMSE）控制在3.98～4.87 m范围。与深度学习类方法相比，模型R²提升了0.01～0.14；相较于随机森林方法，R²提升了0.01～0.09,RMSE降低了0.13～1.03 m。尤其在“利奇马”台风灾前场景下，模型实现最高精度（R²=0.71,RMSE=3.98 m），充分验证了其稳健性与泛化能力。研究进一步揭示出台风破坏森林冠层呈现空间异质性：低海拔阔叶林因根系浅、抗风能力弱而冠层损失最大，中高海拔针叶林损失相对较小；靠近城市的森林因地表粗糙度与建筑群诱发的湍流/峡谷效应承受更强风剪切，损失随城市距离显著衰减；局地植被指数的短期回升提示降雨与水分改善触发的补偿生长过程。海拔梯度通过调控林分组成和结构稳定性，显著影响损失的空间分布；此外，城市边界对台风风场具有放大作用。【结论】研究表明海拔梯度效应与城市边界效应共同塑造了森林冠层损失的空间异质性格局。本研究提出的逐像元反演方法有效解决了多源数据异质性与细节丢失难题，实现了灾害评估精度的系统性提升，为森林灾害防护与生态适应性规划提供了可靠理论依据与技术支撑。

关键词

台风灾害 / 森林冠层高度 / 像元级反演 / 多源遥感融合 / 深度学习 / 空间异质性 / 海拔梯度 / 城市边界效应 / HWCFU-Net