编辑推荐：
本研究为突破传统采样瓶颈与单一遥感数据局限，创新性地利用UAV-LiDAR获取高精度样本，并结合Sentinel-1/2等多源数据，提出了新型深度卷积神经网络RAP-CNN。该模型在红树林地上生物量（AGB）估算中取得了优越性能（验证集R2= 0.7576），为蓝碳生态系统碳储量评估与生态保护提供了有力的技术支撑。
在应对全球气候变化、守护海岸线的生态战役中，红树林作为典型的“蓝碳”生态系统，扮演着举足轻重的角色。它们不仅是众多海洋生物的“育儿所”，更是高效固碳的“超级工厂”，对全球碳循环的调节和沿海地区生态安全的维护至关重要。然而，要想精确评估这片绿色屏障的“碳家底”——也就是其地上生物量（Aboveground Biomass, AGB），科学家们却面临着两大棘手的难题。首先，红树林生长环境复杂、人迹罕至，传统依靠人工实地采样的方法不仅成本高昂、效率低下，而且常常难以获取高质量的数据。其次，遥感技术虽然为宏观监测提供了可能，但单一的卫星数据源往往“力不从心”，难以捕捉到红树林结构与组成的全部信息；而将来自不同传感器的多源数据进行有效融合，并从中提炼出对估算生物量最敏感的特征，则是另一个悬而未决的技术挑战。这些瓶颈共同制约了深度学习等前沿技术在红树林AGB估算领域的深度应用和研究的进一步突破。
为了破解这些困局，一项发表在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上的研究，为我们展示了一套创新的解决方案。这项研究不再满足于传统的、粗糙的样本数据，而是“鸟枪换炮”，率先采用了无人机激光雷达（UAV-LiDAR）技术。通过这种方式，研究人员得以从空中对红树林进行高精度、非接触式的三维扫描，并利用单木分割技术精确测量出每棵树的高度和胸径（DBH）。更巧妙的是，他们将这种高精度的结构信息，与红树林的物种分类结果以及专门的异速生长方程相结合，首次构建了基于物种层面的生物量样本。这好比为AGB估算打造了一把前所未有的、刻度精细的“标尺”，从根本上克服了传统采样方法精度不足的致命弱点。
有了高质量的“标尺”，下一步就是打造一把更聪明的“尺子”——也就是用于估算的模型。研究团队没有沿用传统的随机森林（RF）或XGBoost等机器学习方法，而是专门设计了一种新颖的深度卷积神经网络——残差注意力金字塔CNN（Residual Attention Pyramid CNN, RAP-CNN）。这个模型的名字听起来复杂，但其设计却直指核心问题。其内置的SE模块，就像一个智能的“特征放大器”和“噪音消除器”，能够自动增强那些对生物量变化最敏感的遥感特征，同时抑制冗余信息，从而巧妙地解决了多源数据“简单堆砌、难以协同”的融合难题。而SPP模块则赋予了模型一双“慧眼”，能够同时捕捉不同尺度下的空间上下文信息，使得模型在结构复杂的异质性红树林区域也能保持稳定的估算能力。此外，模型中嵌入的残差连接结构，确保了在深层网络训练时梯度能够有效传递，避免了梯度消失问题，让模型能够学习到更深刻、更本质的特征。这套组合拳下来，模型实现了从多源数据的“物理叠加”到“智能协同”的本质升级。
为开展这项研究，作者运用了几个关键技术方法：首先是利用UAV-LiDAR进行高精度数据采集，结合单木分割提取树高、胸径等参数，并整合物种信息与异速生长方程，构建物种级AGB样本库，以克服传统采样瓶颈。其次，是创新性地提出了RAP-CNN深度学习模型架构，其核心在于集成了SE模块、SPP模块和残差连接，分别用于优化多源特征融合、捕捉多尺度空间信息以及保障深度网络的有效训练。最后，是综合运用Sentinel-1（雷达）和Sentinel-2（光学）多源遥感数据，作为模型的主要输入，实现对红树林区域的全面遥感监测。
研究结果
- •
模型架构的有效性：通过消融实验对比，证实了RAP-CNN模型中SE模块、SPP模块和残差连接各自的重要贡献。SE模块显著提升了特征表征能力，SPP模块增强了多尺度信息提取，残差连接保证了训练的稳定性，三者协同工作使得模型性能达到最优。
- •
与传统方法的性能对比：在训练集和独立验证集上，RAP-CNN模型（R2= 0.7645， RMSE = 8.3903 Mg/ha； R2= 0.7576， RMSE = 13.0467 Mg/ha）的估算精度和稳健性均显著优于随机森林（RF）、极端梯度提升（XGBoost）等传统机器学习方法，证明了深度学习模型在复杂AGB估算任务中的优越潜力。
- •
多源数据融合的优势：对比仅使用Sentinel-1或Sentinel-2单一数据源的实验结果，融合了Sentinel-1和Sentinel-2多源数据的RAP-CNN模型取得了最高的估算精度。这表明雷达数据（反映结构信息）与光学数据（反映光谱信息）的智能协同，能更全面地刻画红树林的生物物理特性，从而提升AGB估算的准确性。
- •
UAV-LiDAR样本的关键作用：研究明确指出，基于UAV-LiDAR技术获取的高精度、物种级的AGB样本，是模型能够成功训练并取得高精度的基石。与传统低精度样本相比，这种高质量样本极大地减少了训练数据中的噪声和偏差，为模型学习可靠的遥感特征与生物量之间的映射关系提供了保障。
结论与讨论
本研究成功开发并验证了RAP-CNN这一专为红树林AGB估算设计的深度学习框架。该模型通过其独特的结构设计，有效解决了多源遥感数据特征融合不足、空间多尺度信息利用不充分以及深度网络训练困难等关键问题。同时，研究创新性地将UAV-LiDAR获取的高精度样本与物种信息结合，构建了全新的训练数据集，突破了该领域长期存在的数据瓶颈。
这些发现具有多重重要意义。在方法论上，RAP-CNN为利用深度学习和多源遥感数据估算复杂生态系统生物量提供了一种新颖、高效的技术框架。在应用层面，该研究证实了UAV-LiDAR在生成高精度地面真值方面的不可替代价值，为未来类似研究的数据采集指明了方向。最终，这项研究产出的高精度红树林AGB估算模型与成果，能够为蓝碳生态系统的碳储量精准核算、碳汇交易以及红树林的保护与修复规划提供直接、可靠的科学依据和技术支持，对于应对全球气候变化和维护海岸带生态安全具有重要的实践价值。
