行业地表植被高度图测量的残差克里金方法：对GEDI引起的各向异性及稀疏抽样的洞见

量化地表生物量(AGB)是全球气候变化背景下的重要任务。植被高度与AGB相关，可通过基于多源空间数据和GEDI测量的机器学习模型进行映射。本研究比较了两种植被高度估计模型：一种是基于U-Net深度学习模型(CHNET)，另一种是基于随机森林算法(RFH)。两者均使用GEDI激光数据训练，并利用包括光学、雷达和环境数据等多源输入。虽然CHNET可通过卷积结构考虑空间相关性，但我们发现其未能完全吸收GEDI植被高度测量中所包含的全部空间自相关性。通过对模型残差进行空间分析，我们还识别出GEDI数据采集参数——特别是激光束能量变化以及观测轨道的方位角方向——引入测量中的空间不一致性，表现为周期性模式。为解决这些各向异性问题，我们仅采用GEDI功率束，并在GEDI轨道的方位角方向上进行空间自相关分析。随后，我们采用残差克里金(residual kriging, RK)空间插值技术，以考虑植被高度的空间自相关性并提高CHNET和RFH估计的准确性。加入RK校正后，两者的性能均得到提升，尤其是RFH的提升更为显著。该校正局限于GEDI样本点附近，因此可用GEDI信息的密度是影响空间插值效果的重要因素。此外，我们的发现表明，结合随机森林模型和空间插值可实现的性能相当于单独使用U-Net模型。