长时序多源遥感数据的森林冠层高度反演

Research on Forest Canopy Height Inversion from Long Time Series and Multi Source Remote Sensing Data

摘要

为准确获取森林冠层高度信息，精确估计森林地上生物量及评估森林碳汇能力，基于长时序的地面实测、多源遥感数据与数字高程模型构建30个长时序的特征变量，结合机器学习算法（Machine Learning，ML）对浙江省丽水市的森林冠层高度进行反演。研究表明，地形因素对森林冠层高度的反演呈“不重要性”，而与红绿波段相关的植被因子、森林冠层高度强相关；加入长时序的特征因子可有助于提升ML算法对森林冠层高度反演精度，卷积神经网络（Convolutional Neural Network，CNN）提升的性能尤为显著，实现最佳0.39的决定系数（R²）提升与4.15的均方根误差（RMSE，式中记为R_MSE）下降；随机森林在4种ML算法中的反演精度最高（R²=0.79，R_MSE=1.65），大于支持向量机（R²=0.65，R_MSE=1.97）、极端梯度上升法（R²=0.76，R_MSE=1.81）与卷积神经网络（R²=0.71，R_MSE=1.83）。

Abstract

In order to accurately obtain forest canopy height information， accurately estimate forest aboveground biomass， and evaluate forest carbon sink capacity， this study constructed 30 long time series feature variables based on ground measurements， multi-source remote sensing data， and digital elevation models， combined with machine learning algorithms （ML）， to invert the forest canopy height in Lishui City， Zhejiang Province. The study revealed that terrain factors had no significant impact on the inversion of forest canopy height， while vegetation factors related to the red and green bands were strongly correlated with forest canopy height. Adding long time series feature factors can help improve the accuracy of ML algorithm in inverting forest canopy height. The performance improvement of CNN was particularly significant， achieving an optimal coefficient of determination （R²） increase of 0.39 and a root mean square error （RMSE in the formula， it is denoted as R_MES） decrease of 4.15. Random forest had the highest inversion accuracy among the four ML algorithms （R²=0.79， R_MSE=1.65）， greater than support vector machine （R²=0.65， R_MSE=1.97）， extreme gradient ascent method （R²=0.76， R_MSE=1.81） and convolutional neural networks （R²=0.71， R_MSE=1.83）.

Graphical abstract

关键词

长时序特征 / 多源遥感数据 / 随机森林 / 卷积神经网络 / 森林冠层高度反演

Key words

Long time series feature / multi source remote sensing data / random forest / convolutional neural networks / forest canopy height inversion

0 引言

森林冠层高度指树冠高度最高处即冠层顶端到地面之间的距离，可用来评估植被生长状况^［1］。森林冠层高度不仅是估测整个森林生态系统碳汇能力的基础，也是研究森林生物生产力、碳循环以及全球变化的基础^［2］。然而，由于估测方法和技术手段存在一定问题，使得多时空、大尺度森林冠层高度的估测存在巨大挑战。因此，为更准确、有效地估测森林的碳汇能力，采用先进的技术方法精确反演森林冠层高度，对分析森林植被碳汇、陆地生态系统碳循环和全球碳循环等具有重大意义^［3］。传统森林冠层高度测量以野外实地调查为主，精度虽然高，但消耗较大人力及财力，且数据获取范围有限。随着主被动遥感对地观测技术的发展，能获取代表性极强的相关数据，实现大范围重复观测，使得区域和全球尺度的森林冠层高度诊断成为可能^［4］。

光学遥感数据可以提供森林范围的水平方向分布信息，常用于估算大范围森林冠层高度研究。如Mao等^［5］利用光学遥感数据与机载雷达数据结合探究了不同驱动因子对森林冠层高度反演的影响。目前常结合光学遥感数据与机器学习方法（Machine Learning，ML）建立区域森林冠层高度与各特征因子之间的多维模型，实现森林冠层高度的大范围制图^［6］。如Zhao等^［7］基于ML探究了机载雷达数据与光学遥感数据所建立特征因子之间的关系，并研究了两者对森林冠层高度的进一步影响。谢开翼等^［8］基于哨兵1号、Landsat8探索了雷达及光学数据对森林冠层高度反演的影响。此类研究大都以光学与雷达数据作为出发点探索两者所构建的特征因子对森林冠层高度反演的影响。然而由于机载雷达数据获取困难，难以适用于市级范围以上地区，目前的反演研究很少考虑地形因素（高程、坡度、坡向）与多源光学遥感数据结合对森林冠层高度的影响。此外，目前基于森林冠层高度反演的研究往往采用单一年份的影像构建初始数据集，忽视了长时间序列下特征因子之间的变化对森林冠层高度反演的影响。

针对上述问题，以浙江省丽水市1994、2004、2014、2022年的森林清查数据作为实测数据，并基于Landsat4、Landsat5、Landsat7、Landsat8、Landsat9数据，融合地形因子构建了长时间序列的30个特征变量，结合ML中的随机森林（random forest，RF）、支持向量机（support vector machine，SVM）、极致梯度上升法（XGBoost）及卷积神经网络（convolutional neural network，CNN）探究了ML方法、地形因素与长时间序列数据对森林冠层高度反演的影响。

1 研究区及数据获取

1.1 研究区概况

丽水市（27°25′~28°57′N，118°41′~120°26′E）位于浙江省西南部，是浙江省面积最大、人口最少的地级市，也是我国南方重要的林区，如图1（a）所示。图1（a）影像来自于91谷歌卫星图下载的高分辨率影像，等级为13级，分辨率为16 m×16 m。丽水市境内山地丘陵占地面积的95%，森林覆盖率达80.4%，是全国重要的生态屏障和水源涵养地。丽水市的森林资源十分丰富，被誉为“浙江绿谷”，有国家级自然保护区5个，省级自然保护区11个，国家级森林公园6个，省级森林公园10个。除此之外，丽水生态环境状况指数连续18 a位居浙江省首位。丽水市气候为中亚热带季风气候，四季分明，温暖湿润，雨量充沛，无霜期长，年平均气温为18.3~11.5 ℃，平均年日照1 712~1 825 h。丽水市位于浙闽隆起区组成部分，山脉属武夷山系，主要有仙霞岭、洞宫山、括苍山，呈西南方向往东北方的走向，分别延伸西北部、西南部和东北部。

1.2 长时序数据

1.2.1 森林清查数据

本研究的地面实测数据均来自浙江省森林资源野外清查，浙江省森林资源连续清查始于1979年，采用系统抽样方法布设地面样地，如图1（b）所示。在南北间隔4 km、东西间隔6 km的公里网格交叉处机械布设固定样地，样地面积为0.08 hm²（28.28 m×28.28 m）。主要样地调查因子包括样木的树种、胸径、树高、年龄和土壤类型等。以浙江省丽水市1994、2004、2014、2022年森林资源连续清查数据作为实测树高样本，去除无效样本后，总计 1 496个样本，在这些样本中，树高均值为4.89 m，标准差为4.33 m，树高最大值18.6 m，最小值为1.2 m。

1.2.2 Landsat系列数据

所有数据来源见表1。Landsat影像数据均来自于USGS（https：//earthexplorer.usgs.gov/）遥感数据库，基于此数据库的Landsat Collection 2 Level-2数据集获取丽水市1994、2004、2014、2022年遥感影像，其中，1994、2004年使用的是USGS Landsat 4-5 TM C2 L2数据集，2014年使用的是USGS Landsat 7 ETM+C2 L2数据集，2022年使用的是USGS Landsat 8-9 OLI/TIRS C2 L2数据集，空间分辨率均为30 m，并在Python语言下进行裁剪、拼接及植被因子的计算。通过地理空间数据云（www.gscloud.cn）获取丽水市数字高程模型（digital elevation model，DEM）30 m分辨率的ASTER数据。通过中国科学院环境科学与数据中心（https：//www.resdc.cn/）获取丽水市矢量（Shapefile）数据。通过Python构建的RF分类模型对丽水市遥感图像进行二分类操作得到丽水市森林类型数据。

2 研究方法

基于长时序多源遥感数据的森林冠层高度反演研究方法，如图2所示，总共分为3步。首先利用Landsat系列遥感影像、DEM及其他辅助数据分别构建1994、2004、2014、2022年对应的归一化植被指数（normalized difference vegetation index，NDVI）、温度植被干旱指数（Temperature vegetation dryness index，TVDI）、短波红外1（ BandS1）及短波红外2（BandS2）等30个遥感特征因子；结合野外实测森林冠层高度数据（1994、2004、2014年）构建RF模型进行特征优选，选定前15个重要特征；随即利用重要特征构建回归模型评定ML模型精度；最后利用精度最高的模型预测2022年的堆叠而来的特征图生成丽水市的森林冠层高度分布图。

2.1 特征因子建立

Landsat系列数据的原始波段是地物识别的基础，而植被指数、水体指数、干旱指数及地形因素^［9-12］能够反映森林组成及其冠层高度在空间分布上的变化。本研究选取表2中的30个特征因子并利用Python语言编写波段组合程序，基于相应的遥感影像分别计算了1994、2004、2014、2022年与野外实测数据相对应的特征。表2中，N_IR、R_ED、B_LUE分别表示近红外、蓝与红波段本身；ρ_NIR表示NIR的反射反射率；ρ_GREEN表示GREEN的反射率；ρ₈₀₀表示800 nm波长下的反射率，ρ₅₀₀、ρ₆₇₀、ρ₅₅₀同理；B_AND1—B_AND9分别对应Landsat 8与Sentinel-2数据下的波段1—9；G_REEN（ave）表示在绿波段下的平均反射率，R_ED（ave）同理。

2.2 森林冠层高度反演模型

为探讨不同ML回归算法在森林冠层高度反演下的精度表现，选取更适用于森林冠层高度反演研究的ML算法。本研究基于Python，将上述的70%的样本作为训练集，30%的样本作为测试集，分别构建了RF、SVM、XGBoost及CNN，并用测试集上的所产生的精度指标对模型精度进行验证，实现对不同ML回归算法在森林冠层高度反演研究中的测试。

2.2.1 RF

RF通过构建多个决策树组成的森林来进行回归预测，每个决策树都是在随机选择的数据子集和特征子集上训练得到的，这种随机性有助于减少过拟合并提高模型的泛化能力^［13］。其最终的预测结果是所有决策树的预测值的平均或加权平均。RF能够有效处理高维数据和大量特征，同时具有良好的鲁棒性和灵活性，在实践中被广泛应用于回归问题的解决。

决策树的数量（ntree）、随机特征的数量（mtry）和随机种子数值（mseed）是随机森林算法涉及到的3个关键参数。本研究中，ntree、mtry和mseed是通过反复优化确定的。定义最大迭代随机种子数值，默认为3，等于分别设置mseed为1、2、3，运行3次，并保留模型精度最高的种子作为最终结果。

2.2.2 支持向量机（support vector machine，SVM）

SVM的核心思想是找到一个超平面，使得数据点与该超平面的距离尽可能小，并且满足一定的间隔要求^［14］。SVM回归通过最小化训练数据点与超平面之间的误差来学习模型参数，同时也考虑到间隔的大小以及正则化项。与传统线性回归相比，SVM回归对异常值更加鲁棒，能够处理非线性关系并且不容易过拟合。通过选择合适的核函数，SVM还可以处理高维数据和复杂的特征空间，使其在实践中得到广泛应用。

核函数、违约成本是SVM涉及到的2个关键参数。核函数用于训练和预测，该函数计算2个向量参数之间的特征空间中的内积。违约成本是拉格朗日公式中正则项的常数。本研究中，核函数选择为rbfdot。违约成本值设定为10。

2.2.3 极端梯度增强（extreme gradient boosting，XGBoost）

XGBoost通过在每一轮迭代中训练新的决策树来逐步改善模型的预测性能。在每一轮中，XGBoost根据之前树的预测误差来调整目标函数，使得新的树能够更好地拟合残差^［15］。通过引入正则化项和剪枝等技术，XGBoost能够有效地控制模型的复杂度，防止过拟合。此外，XGBoost还支持并行计算和特征重要性评估。

学习率控制每个基础学习器的权重，通常设置为一个较小的值，本研究设置为0.1以避免模型在训练过程中的过拟合。损失函数下降阈值（gamma）则用于控制模型复杂度，较大的gamma值会使模型更加保守，不易进行过多的分裂，本研究gamma=100。

2.2.4 卷积神经网络（convolutional neural network，CNN）

CNN是一种用于回归问题的深度学习模型。通过一系列卷积层、池化层和全连接层来学习输入数据中的特征并进行回归预测^［16］。CNN模型利用卷积操作来提取输入数据的空间特征，并通过池化操作减少特征维度，从而有效地处理图像、时间序列等高维数据^［17］。在训练过程中，CNN通过反向传播算法来调整网络参数，使得模型能够准确地学习输入数据的特征与目标值之间的关系^［18］。由于CNN能够自动学习特征，无须手工设计特征提取器，因此在各种回归任务中表现出色，但目前应用于回归任务的研究较少。本研究基于残差结构构建了ResNet18回归模型，如图3所示。图中Conv代表卷积操作，后接的数字是卷积核的大小。

ResNet18由4个块组成，块与块之间利用残差相连，模型利用均方根误差（Root Mean Square Error，RMSE，式中记为R_MSE）作为损失函数优化模型，见下式

R_{\mathrm{M}\mathrm{S}\mathrm{E}}=\sqrt[]{\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}(y_i-x_i{)}^{\mathrm{2}}}{n-\mathrm{1}}}。（1）

式中：x_i是第i个森林冠层高度参考值；y_i是第i个森林冠层高度估计值；n则是样本总数。

ResNet18的初始学习率设置为0.01，权重设置为0.1，训练周期设置为100。

2.3 评定指标

本研究利用决定系数（Coefficient of Determination，R²）和RMSE分析上述回归模型估算冠层高度的精度以及评价模型精度，R²越高，RMSE越低代表模型性能更加，精度更高。

R^{\mathrm{2}}=\mathrm{1}-\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}({\mathrm{y}}_i-x_i{)}^{\mathrm{2}}}{{\displaystyle \sum _{i=\mathrm{1}}^n}({\mathrm{y}}_i{-\overline{x})}^{\mathrm{2}}}。（2）

式中，\overline{x}是森林冠层高度估计值的平均值^［19］。

3 结果及其分析

3.1 特征优选

森林冠层高度的建模会受冗余特征变量的影响而降低精度，故本研究根据均方差百分比增量（PercentIncMSE）和节点纯度增量（IncNodePurity）2个测度对30个特征进行重要性排序以剔除不重要变量，如图4所示。PercentIncMSE定义为当从决策树中排除给定变量后准确性的降低的幅度。IncNodePurity则衡量了参考变量的裂解而导致的节点无效量的减少。PercentIncMSE和IncNodePurity值与对应变量成正比关系，值越高，变量就越重要^［20］。基于这2个指标的排名，本研究最终选定了15个变量，分别是BandGreen、BandS2、BandRed、NIR、GDVI、MSR、DVI、GARI、GNVDI、GCI、TVDI、NDVI、RGRI、BandS1及IPVI作为后续建模的特征因子。

3.2 模型回归

基于不同数据源组成，本研究测试所用模型在回归下的精度指标见表3。表3中单一年份下的R²与RMSE是由所有模型单独在1994、2004、2014年数据下验证的均值。表3表明在单一年份数据源组成下，RF（R²=0.72，R_MSE=1.73）和XGBoost模型（R²=0.71，R_MSE=1.95）在森林冠层高度反演上表现较好，而SVM（R²=0.64，R_MSE=2.03）和ResNet18（R²=0.32，R_MSE=5.98）的性能稍逊。在2 a和3 a的数据源组成下，4个模型的性能普遍有所提升，其中RF（R²=0.75，R_MSE=1.65）和XGBoost（R²=0.74，R_MSE=1.89）模型仍然表现较好。RF和XGBoost在大多数情况下表现较好，尤其是在较长的时间跨度下。SVM的性能略逊于RF和XGBoost。CNN在单一年份数据源组成下表现最差，但在2 a和3 a的数据源组成下有所提升，尽管仍然低于其他模型。

此外，表3表明随着数据源组成的增加，模型性能普遍有所提升，这显示使用长时序的历史数据可以改善模型回归预测性能。表3还显示CNN的回归性能受到数据源组成的影响较大，在3 a数据组成下，R²与RMSE上升及下降达到了最高，经计算，分别是0.39与4.15，这表明可能需要更多的数据来发挥CNN在森林冠层高度反演下的潜力。

总的来说，综合考虑RF和XGBoost模型在不同数据源组成下的性能表现，可以得出他们是较为可靠的选择，而在长时序数据下，CNN则是一个具有潜力的方法。

3.3 丽水市森林冠层高度制图

利用4个模型中精度最高的RF预测2022年堆叠而来的特征图生成丽水市的初始森林冠层高度分布图，再叠加森林类型，将非林地的值去除得到最终的丽水市森林冠层高度分布，如图5所示。

结合2022年野外实测的树高并与RF预测的30 m的森林冠层高度图评定了RF制图精度，如图 6所示。图6显示RF的制图精度R²达到了0.76，大多数预测点在实测值附近，表明RF的预测性能与实际具有良好的一致性。但RF也存在高估冠层高度与低估冠层高度现象，这在冠层高度的低谷与高峰尤为显著，而越靠近于数据中部的冠层高度预测值越接近实测值。

4 讨论与结论

4.1 讨论

Zhu等^［21］利用机载激光雷达、SRTM地形数据及Landsat9系列卫星联合RF建立森林冠层高度的反演研究，揭示地形因素在基于多源遥感数据的冠层高度反演中呈“重要性”，在所建立的特征排序中为第9，然而这只联合星载的光学遥感与地形数据，所构建的遥感特征因子较少，未考虑到星载雷达对森林冠层高度反演的影响。本研究联合星载雷达、光学遥感及地形特征的冠层高度反演结果表明所有关于地形因素的特征排序在所构建的30个特征因子中均在15之后，在森林冠层高度的反演中呈“不重要性”，而在前15的特征因子中大都是与红波段与绿波段相关，这大概是因为绿波段与红波段通常对叶绿素含量和植物健康状况敏感，因为叶绿素主要吸收蓝光和红光^［22-24］。因此，红绿波段的反射率可以提供关于植被生长状态和结构的信息，这强烈与森林冠层高度相关。地形虽会在一定程度上影响遥感影像的获取和解读，例如在山区，坡度和坡向可能导致影像的几何畸变和辐射畸变，但在进行冠层高度反演时，可以通过一系列预处理步骤（如正射校正、地形校正等）来减小或消除这些影响^［25］。此外，与光谱信息相比，地形因素对冠层高度的直接影响相对较小，因此在反演过程中呈“不重要性”。

此外，表3表明，CNN方法在回归算法中虽低于传统ML方法，然而仍然具有潜力。随着长时间序列的数据加入，CNN的预测精度呈大幅上升，这揭示了CNN方法的精度可能与数据集数量高度相关，原因大概是与CNN模型的复杂性相关，在数据量较少的情况下，CNN能会过度拟合训练数据，导致在测试数据上表现不佳^［26］。随着数据量的增加，因为模型有更多的样本来学习数据的真实分布。模型可以有更多的数据来训练和调整其参数，从而更好地适应数据的复杂性，有助于模型在处理新数据时做出更准确的预测，过拟合的风险大大降低。

4.2 结论

本研究通过多源遥感数据构建了30个长时序的特征因子，探索了地形因素、植被指数及长时序特征对森林冠层高度反演的影响，另外还研究了不同ML回归算法在森林冠层高度反演中的性能表现。结果表明地形因素在森林冠层高度反演中呈“不重要性”，而与红绿波段相关的植被指数则强相关于森林冠层高度。加入长时序的特征因子能有效提升最终的森林冠层反演精度，相较于单一年份，在3 a数据组成下，CNN实现最佳0.39的R²提升与4.15的RMSE下降。在所用ML算法中，预测精度从大到小分别为RF、XGBoost、SVM、CNN。值得注意的是，所用ML算法的预测性能随长时序特征的加入而增加，这一现象在CNN上尤为显著。

参考文献

[1] LEFSKY M A， HARDING D J， KELLER M，et al.Estimates of forest canopy height and aboveground biomass using ICESat［J］.Geophysical Research Letters，2005，32（22）：-L22S02.

[2] TAO S， GUO Q， LI C，et al.Global patterns and determinants of forest canopy height［J］.Ecology：A Publication of the Ecological Society of America，2016，97（12）：3265-3270.

[3] KLEIN T， RANDIN C， KÖRNER C.Water availability predicts forest canopy height at the global scale［J］.Ecology Letters，2015，18（12）：1311-1320.

[4] PASCUAL C， GARCÍA-ABRIL A， COHEN W B，et al.Relationship between LiDAR-derived forest canopy height and Landsat images［J］.International Journal of Remote Sensing，2010，31（5）：1261-1280.

[5] MAO L， BATER C W， STADT J J，et al.Environmental landscape determinants of maximum forest canopy height of boreal forests［J］.Journal of Plant Ecology，2019，12（1） 96-102.

[6] SIMARD M， PINTO N， FISHER J B，et al.Mapping forest canopy height globally with spaceborne lidar［J］.Journal of Geophysical Research，2011，116（G4）：G04021.

[7] ZHAO J， ZHAO L， CHEN E，et al.An improved generalized hierarchical estimation framework with geostatistics for mapping forest parameters and its uncertainty：a case study of forest canopy height［J］.Remote Sensing，2022，14（3）：568.

[8] 谢开翼，陈瑞波，王志莉，广西-东盟多源遥感数据的森林高度反演及应用［J］.测绘通报，2024（1）：32-37，64.

[9] XIE K Y， CHEN R B， WANG Z L，et al.The inversion and application of forest height of multi-source remote sensing data in Guangxi-ASEAN region［J］.Bulletin of Surveying and Mapping，2024（1）：32-37，64.

[10] 李霞，刘兴明，孙斌，基于机器学习算法的甘肃省草原地上生物量［J］.草业科学，2024，41（2）：297-307.

[11] LI X， LIU X X， SUN B，et al.Machine learning-based assessment of grassland aboveground biomass in Gansu Province［J］.Prataculture Science，2024，41（2）：297-307.

[12] 刘书田，王雪梅，赵枫.基于Sentinel-2的绿洲-荒漠过渡带植被地上生物量估算［J］.干旱区资源与环境，2024，38（4）：162-170.

[13] LIU S T， WANG X M， ZHAO F.Estimation of aboveground vegetation biomass in oasis-desert transition zone based on Sentinel-2［J］.Journal of Arid Land Resources and Environment，2024，38（4）：162-170

[14] 段云芳，罗洪斌，岳彩荣，应用UAVSAR数据及改进极化水云模型对热带森林地上生物量反演［J］.东北林业大学学报，2024，52（1）：54–60.

[15] DUAN Y F， LUO H B， YUE C R.Application UAVSAR data and improved polarized water cloud model for aboveground biomass in tropical forests［J］.Journal of Northeast Forestry University，2024，52（1）：54-60.

[16] 刘思康，史泽林，宋宏阳，坡度对应用机载激光雷达估测人工针叶林单木参数的影响［J］.东北林业大学学报，2021，49（4）：45-51.

[17] LIU S K， SHI Z L， SONG H Y，et al.Effects of slope on the estimates of individual tree parameters for coniferous plantation using airborne laser scanner［J］.Journal of Northeast Forestry University，2021，49（4）：45-51.

[18] TRAVERS-SMITH H， COOPS N C， MULVERHILL C，et al.Mapping vegetation height and identifying the northern forest limit across Canada using ICESat-2，Landsat time series and topographic data［J］.Remote Sensing of Environment，2024，305：114097.

[19] VERAS H F P， FERREIRA M P， NETO E M D C，et al.Fusing multi-season UAS images with convolutional neural networks to map tree species in Amazonian forests［J］.Ecological Informatics，2022，71：101815.

[20] TUN N L， GAVRILOV A， TUN N M，et al.Remote sensing data classification using a hybrid pre-trained VGG16 CNN-SVM classifier［C］//2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering：ElConRus，2021：2171-2175.

[21] 蔡林菲，吴达胜，方陆明，基于XGBoost的高分二号影像树种识别［J］.林业资源管理，2019（5）：44-51.

[22] CAI L F， WU D S， FANG L M，et al.Tree species identification using XGBoost based on GF-2 images［J］ Forestry Resource Management，2019（5）：44-51.

[23] FAYAD I， CIAIS P， SCHWARTZ M，et al.Hy-TeC：a hybrid vision transformer model for high-resolution and large-scale mapping of canopy height［J］.Remote Sensing of Environment，2024，302：113945.

[24] WANG Z， ZOU C， CAI W.Small sample classification of hyperspectral remote sensing images based on sequential joint deeping learning model［J］.IEEE Access，2020，8：71353-71363.

[25] GUO X， LI H， JING L，et al.Individual tree species classification based on convolutional neural networks and multitemporal high-resolution remote sensing images［J］.Sensors （Basel，Switzerland），2022，22（9）：3157.

[26] TAMIMINIA H， SALEHI B， MAHDIANPARI M，et al.State-wide forest canopy height and aboveground biomass map for New York with 10 m resolution，integrating GEDI，Sentinel-1，and Sentinel-2 data［J］.Ecological Informatics，2024，79：102404.

[27] ZHU W， LI Y， LUAN K，et al.Forest canopy height retrieval and analysis using random forest model with multi-source remote sensing integration［J］.Sustainability，2024，16（5）：1-21.

[28] GUAN Y， TIAN X， ZHANG W，et al.Forest canopy cover inversion exploration using multi-source optical data and combined methods［J］.Forests，2023，14（8）：1527.

[29] SCHLERF M， ATZBERGER C.Inversion of a forest reflectance model to estimate structural canopy variables from hyperspectral remote sensing data［J］.Remote Sensing of Environment，2006，100（3）：281-294.

[30] 何金有，贾炜玮，张小勇，应用PROSAIL模型对森林冠层叶面积指数遥感估测［J］.东北林业大学学报，2023，51（11）：86-94.

[31] HE J Y， JIA WW， ZHANG X Y，et al.Remote sensing estimation of forest canopy LAI using different algorithms of PROSAIL model［J］.Journal of Northeast Forestry University，2023，51（11）：86-94.

[32] MA H， SONG J， WANG J，et al.Comparison of the inversion ability in extrapolating forest canopy height by integration of LiDAR data and different optical remote sensing products［C］//2012 IEEE International Geoscience and Remote Sensing Symposium.2012：3363-3366.

[33] ZHANG Q， GE L， HENSLEY S，et al.PolGAN：a deep-learning-based unsupervised forest height estimation based on the synergy of PolInSAR and LiDAR data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2022，186：123-139.

基金资助

国家自然科学基金项目(61903340)