面向全球森林结构复杂性映射的太空激光雷达与合成孔径雷达可扩展深度融合
计算机视觉与模式识别
2025-10-09 v1 机器学习
应用统计
摘要
森林结构复杂性指标将多个树冠属性整合为单个反映栖息地质量和生态系统功能的值。来自全球生态系统动态调查计划（GEDI）的太空激光雷达已实现温带和热带森林结构复杂性的制图，但其稀疏采样限制了连续的高分辨率制图。我们提出了一种可扩展的深度学习框架，将 GEDI 观测与多模态合成孔径雷达（SAR）数据集成，以产生全球 25 米分辨率的全覆盖森林结构复杂性图。我们采用适配的 EfficientNetV2 架构，在超过 1.3 亿个 GEDI 足迹上进行训练，实现了高性能（全局 R2=0.82），且参数不足 40 万个，使其成为一个易于使用的工具，使研究人员无需专业计算基础设施即可在任何规模的数据集上进行处理。该模型在跨生态系统和跨时间段上都能产生准确的预测，并提供已校准的不确定性估计，保留了细节尺度的空间模式。它已被用于生成自 2015 年至 2022 年的全球多时段森林结构复杂性数据集。通过迁移学习，该框架可扩展到预测额外的森林结构变量，且计算成本极低。这一方法支持对全球森林结构动态的持续、多时段监测，并为应对气候变化中的生物多样性保护和生态系统管理提供工具。
引用
@article{arxiv.2510.06299,
title = {Scalable deep fusion of spaceborne lidar and synthetic aperture radar for global forest structural complexity mapping},
author = {Tiago de Conto and John Armston and Ralph Dubayah},
journal= {arXiv preprint arXiv:2510.06299},
year = {2025}
}