将谷歌的Alpha Earth基础数据整合到生物质估算中，并结合GEDI星载激光雷达和实地调查数据

《Forest Ecology and Management》：Integration of Google’s Alpha Earth Foundations into biomass estimation combined with GEDI spaceborne lidar and field inventory data

地球观测数据时空整合与高分辨率生物质估算研究。利用Google AEF产品在西班牙地区对比GEDI和NFI数据集的生物质预测精度，发现NFI训练的AEF模型相对误差（31%）低于GEDI训练的（37%），但GEDI在缺乏NFI数据时仍具应用潜力。验证了多源数据融合（GEDI/空基LiDAR/NFI）对提升年际生物质动态监测能力的作用，研究区域为西班牙最大森林区卡斯蒂利亚-莱昂，采用九省分区策略。

　　

阿德里安·帕斯夸尔|胡安·格拉-埃尔南德斯

美国马里兰大学地理科学系，马里兰州大学公园市

摘要

将地球观测数据集在时间和空间上进行时间同步，并转化为高分辨率的数值嵌入，这是一项具有突破性的进展。我们利用谷歌的Alpha Earth Foundations（AEF）产品在西班牙进行了研究，通过比较两个参考数据集的性能来估算和预测生物量：一个是来自GEDI的足迹级估算数据，另一个是经过地理定位的实地调查数据。这些测量数据涵盖了我们研究区域（西班牙最大的区域），并且时间上与GEDI的数据相匹配。使用实地调查数据时，AEF的生物量估算误差处于中等偏低水平（校准时的平均相对均方根误差为0.31%）。而基于GEDI的校准策略产生的误差较大（0.38%），但在某些子区域内，两者表现几乎相同。在区间验证中，两种方法的误差均增加了约20%。在两种方法中，对生物量解释贡献最大的嵌入特征是一致的，这表明实验结果和参考结果具有可靠性，为未来的研究提供了基础。我们的生物量预测还通过独立的树冠高度信息进行了进一步验证——包括机载激光雷达数据和推断的波形数据。使用实地调查数据对AEF进行校准，其生物量估算的准确性可与在轨GEDI模型以及用于预测的精确激光雷达模拟树冠结构相媲美。我们的结果表明，使用实地调查数据训练的AEF可以成为一种有前景的解决方案，适用于大规模生物量绘制的年度周期性任务。在GEDI生物量模型偏差较小或没有实地调查数据的情况下，GEDI的生物量估算仍能充分训练AEF，从而扩展了GEDI数据的使用范围，使其能够生成用于森林管理和保护等众多应用的碳生物量数据。

引言

每天，地球观测（EO）卫星都会捕获大量信息，为科学家提供了评估森林的强大工具（Pereira等人，2013年；O’Connor等人，2015年）。激光雷达测量、雷达和光学图像被用来研究森林及其动态变化（Bergen等人，2009年；Shugart等人，2010年；Coops等人，2025年）。自2019年以来，NASA的全球生态系统动态调查（GEDI）项目（Dubayah等人，2020年）推动了全球森林制图和地上生物量评估的技术发展（Armston等人，2023年；Dubayah等人，2022年；De Conto等人，2024年）。为了解决GEDI采样范围有限的问题，人们采用了融合技术来填补其覆盖空白（例如，Qi等人，2025年；Turubanova等人，2023年；Potapov和Brandt，2024年）。地球观测科学的新进展为结合GEDI足迹级产品和辅助EO数据集生成地图提供了更多可能性。谷歌的Alpha Earth Foundations（AEF）最近提供了地球陆地生物群落（包括森林）在各类EO产品和任务中的统一表示方法。

AEF从2017年到2024年的数据集提供了数值和无单位的时间和空间交互信息，即“嵌入特征”，这些特征包含64个维度（变量），这些变量来自EO任务中的关键地球参数（Brown等人，2025年）。AEF嵌入的时间范围涵盖了GEDI在轨数据采集期，使得可以探索这些嵌入特征在热带和温带森林中的应用，用于森林结构和生物量绘制。得益于谷歌地球引擎（Google Earth Engine，Gorelick等人，2017年）等平台，用户不再难以处理随着更多传感器以高分辨率观测地球参数而呈指数级增长的大量数据（Liu等人，2023年）。AEF嵌入的首次发布分辨率为10米，适合捕捉森林结构的分布以及不同森林类型之间的过渡（Atkins等人，2023年；Tolan等人，2024年），但在进行生物量绘制时可能需要重新采样AEF嵌入数据，这取决于地面真实参考数据的采样规模（Moreno等人，2016年；Duncanson等人，2025年；Guerra-Hernández等人，2025年）或GEDI生物量预测的足迹大小（25米）。

生物量校准的参考数据通常来自国家森林清查（National Forest Inventories，NFI）。这些项目的数据周期可能长达5-10年（Gschwantner等人，2016年；Bontemps和Bouriaud，2024年），这限制了估计生物量基线和随时间变化的碳储存量的能力。然而，GEDI对森林和非森林区域的独特采样强度可以克服NFI数据测量带来的限制，同时增加了在任务持续运行期间进行多年校准的机会。与NFI数据中主要针对森林的测量相比，GEDI的采样范围更广，包括了矮小植被、稀树草原和灌木丛生态系统（Dubayah等人，2020年）。NFI地块与GEDI足迹在分布和位置上的差异可能与GEDI生物量模型中的局部偏差同样重要（Pascual等人，2023年；Bruening等人，2023年）。为了缓解这一问题，我们在西班牙一个GEDI估算与NFI信息较为一致的区域内进行了研究（Hunka等人，2023年）。我们结合了来自多个来源的NFI位置的森林结构测量和生物量估算数据：在轨估算数据（Pascual等人，2025年）、推断的波形数据（May等人，2024年）以及来自机载激光雷达点云的模拟GEDI波形数据（Pascual和Guerra-Hernández，2023年）。

这些利用GEDI树冠高度信息进行参考生物量校准的先进方法帮助我们实现了在NFI地块上应用GEDI L4A生物量模型，并进一步验证了两种训练集生成的生物量结果之间的准确性：参考地块与GEDI足迹之间的对比。这项研究为整合和评估AEF在区域生物量评估中的应用开辟了新途径，对希望采用新策略来生成可靠、经过实地校准的生物量基线的森林评估领域具有重要意义，有助于提高数据透明度和科学可重复性标准。

研究区域

研究区域位于西班牙西北部的卡斯蒂利亚-莱昂（Castilla y Leon），这是欧洲最大的一级（区域）行政区之一，也是西班牙森林覆盖率最高的地区，拥有513万公顷的森林。该地区由九个省组成，这些省份被用作生成生物量地图的计算区域。较高的生物量储量集中在山地混交林中，其中阔叶树种（如橡树和桦树）较为丰富，同时也包括成熟的针叶林。

校准和内部验证

NFI_AEF估算的精度（图4）在校准阶段优于GEDI_AEF（图5），无论是在绝对误差还是相对误差方面；在模式偏差和相关性方面也相当。GEDI_AEF的RMSE估计值较低，但GEDI预测的生物量平均值较低，这导致GEDI_AEF的相对误差较大。NFI_AEF的相对RMSE为31%，GEDI_AEF的相对RMSE为37%。所有模型的偏差都较低。

讨论

在这项研究中，我们评估了两种不同方法生成年度生物量地图的效果，其中使用了谷歌推出的新型多EO驱动的AEF产品。我们选取了西班牙的一个大区域作为研究对象，在该区域，实地生物量记录和GEDI测量数据在同一时间（2019年）被收集并纳入AEF年度时间序列产品中。将AEF整合到生物量估算和绘制中是一种有前景的策略，有助于推动未来生物量绘图的发展。

结论

借助谷歌AEF产品的生物量校准在西班牙最大的森林区域表现出了显著的效果。使用经过地理定位的NFI训练数据进行AEF校准，其结果优于GEDI的估算和地图。在GEDI生物量模型偏差较小或参考调查地块稀缺或不可用的情况下，利用GEDI足迹和AEF嵌入数据进行生物量校准是一种有前景的解决方案，可以生成精确的年度生物量地图。

作者贡献声明

胡安·格拉-埃尔南德斯：撰写初稿、验证、监督、资源获取。阿德里安·帕斯夸尔：撰写初稿、可视化、验证、资源管理、方法论研究、数据分析、概念构建。

资助

本研究部分得到了NASA Fire Sense Grant（编号：#80NSSC24K1316）的支持，用于支持实施团队（Pascual）。此外，该研究还得到了FCT（Funda??o para a Ciência e Tecnologia，葡萄牙科学技术基金会）通过项目编号UID/00239/2025（DOI 10.54499/UIDB/00239/2025）和LA/P/0092/2020（DOI 10.54499/LA/P/0092/2020）的支持。葡萄牙FCT的Tenure项目也提供了资助（编号：2023.15225.TENURE.008）。

数据

用于生成生物量校准和地图的脚本可在此处获取，涉及实地调查地块和GEDI足迹的数据：

• •
  GEDI
• •
  NFI

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

我们感谢马德里总部的西班牙国家森林清查团队，他们处理并组织了用于生物量校准的实地数据，并提供了经过地理定位的参考位置信息。改进参考数据的地理定位对于将测量结果与AEF产品中的10米分辨率嵌入特征关联起来至关重要。同时，我们也感谢谷歌提供了AEF数据集在GEE平台上的访问权限，以及计算平台提供的计算资源。