一个基于GEDI-Sentinel-2的集成框架，用于全面获取森林上层植被覆盖面积指数

《Agricultural and Forest Meteorology》：A GEDI-Sentinel-2 integration framework for wall-to-wall retrieval of forest overstory plant area index

准确估算森林冠层叶面积指数（LAI）对碳循环建模和气候变化研究至关重要。当前基于多角度观测的大规模LAI产品与Sentinel-2、Landsat等中等高分辨率卫星数据存在兼容性问题。本研究提出GEDI-Sentinel-2融合框架，通过植被参数物理约束方法解决时空不一致性，建立非线性映射关系实现全范围冠层PAI提取，验证显示其rMAE较传统方法降低9%-44.65%，有效捕捉季节动态，为2031年前长期高分辨率监测提供可靠方案。

　　

贾朵|博彦晨|王仓蛟|庞勇

中国科学院地理科学与自然资源研究院生态系统网络观测与建模重点实验室，北京，100101，中国

摘要

准确估计森林上层植被叶面积指数（LAI）在碳循环建模和气候变化研究中起着关键作用。目前的大规模上层植被LAI产品主要基于多角度观测数据，但由于观测几何形状固定，这些产品与Sentinel-2和Landsat等中高分辨率多光谱卫星不兼容。这一限制阻碍了在中高空间分辨率下开发大规模森林上层植被LAI产品的发展。尽管将全球生态系统动态调查（GEDI）的垂直结构测量数据与多光谱数据相结合可以提供一种潜在的解决方案，但仍存在时空不一致性等重大挑战，包括空间不匹配和采集时间不同步，这限制了对季节变化的表征。为克服这些挑战，我们开发了一种创新的GEDI-Sentinel-2集成框架，能够在Sentinel-2的时空分辨率下实现森林上层植被面积指数（PAI）的连续获取。该框架采用基于植被参数的物理约束方法来减少时空不一致性，并建立了GEDI推导出的上层植被PAI与Sentinel-2观测数据之间的物理基础非线性映射关系。通过异构集成回归对这一关系进行参数化，从而实现了上层植被PAI的时间估计。在不同类型的森林中进行验证表明，该框架性能稳健，相对于数字半球摄影（DHP）参考数据的相对平均绝对误差（rMAE）为14.98–28.10%，相对于机载激光雷达参考数据的rMAE为20.89–38.44%，同时有效捕捉了上层植被的季节变化动态。与不考虑GEDI-Sentinel-2时空不一致性的集成方法相比，所提出的物理约束方法显著提高了准确性，rMAE分别降低了9.00–44.65%（针对DHP）和20.32–30.30%（针对机载激光雷达）。随着GEDI的运行时间延长至2031年，该框架为在中高空间分辨率下的大规模森林上层植被PAI监测提供了可靠的长期解决方案。

引言

叶子是负责拦截光合有效辐射并调节呼吸作用和蒸腾作用等关键生理过程的主要器官。这些过程通过叶面积指数（LAI）进行定量描述，LAI定义为单位地面面积上绿色叶面积的一半（Chen和Black 1992）。因此，LAI是表征植被叶状特性的关键生物物理参数。在构成陆地植被主体的结构复杂的森林生态系统中，冠层结构表现出明显的垂直分层。这种结构通常包括一个上层植被层（高度超过2米的树木）作为主要冠层，以及一个由灌木、草本植物和再生树木组成的下层植被层（Shabanov等人，2023；Sumnall等人，2017）。上层植被层通过两种相互关联的机制作为温带森林生态系统的核心调节器。首先，作为生物圈-大气交换的主要界面，它驱动了大部分森林碳的固存（Eriksson等人，2006；Liu等人，2024）。其次，它通过控制光照可用性来调节下层植被的动态。先前的研究表明，超过60%的下层植被碳固定发生在冠层闭合之前（Rothstein和Zak 2001）。鉴于这些关键作用，准确估计森林上层植被LAI对于改进碳循环模拟、地表建模和气候变化研究至关重要（Oktavia等人，2022；Qiao等人，2014；Tang和Dubayah 2017）。

目前基于AVHRR（García-Haro等人，2018）、MODIS（Myneni等人，2002）和VIIRS（Yan等人，2018）的全球森林LAI产品通常无法区分上层植被成分。现有的大规模上层植被LAI估计方法主要依赖于多角度观测（例如MISR、MODIS）结合四尺度几何光学辐射传输模型（Canisius和Chen 2007；Chen和Leblanc 2001；Pisek和Chen 2009；Pisek等人，2012）。尽管这种方法成功生成了2008–2010年的月度森林上层植被LAI时间序列（Liu等人，2017），但它难以应用于Sentinel-2和Landsat等中高分辨率多光谱卫星。这些系统的有限观测几何形状从根本上阻碍了分离下层植被反射率所需的多角度观测数据的获取（Roy等人，2016）。因此，仍然迫切需要不需要依赖多角度观测数据的替代方法来准确估计上层植被LAI。

光检测和测距（激光雷达）为上层植被LAI估计提供了一种有前景的解决方案，因为它可以直接观测垂直冠层结构而无需多角度数据。尽管地面和机载激光扫描（ALS）技术（Li等人，2023；Song等人，2021；Sumnall等人，2021；Xu等人，2020；Yun和Zheng 2021）可以准确获取上层植被LAI，但其时空覆盖范围有限。2018年12月发射的全球生态系统动态调查（GEDI）是首个专门用于森林结构表征的星载激光雷达系统（Dubayah等人，2020），提供了近乎全球范围的垂直冠层结构测量数据，并且运行至2031年。GEDI在北纬51.6°至南纬51.6°之间以25米的足迹直径和60米的沿轨间距进行采样。GEDI使用几何光学和辐射传输（GORT）模型（Ni-Meister等人，2001）生成足迹级别的植物面积指数（PAI）产品，这些产品量化了单位地面面积上的总单侧植物面积。广泛的验证研究表明这些产品的可靠性（Brown等人，2023；Putzenlechner等人，2024；Wang等人，2023a；Wang等人，2023b），并且先前的研究报道在密集阔叶林中LAI和PAI之间的差异可以忽略不计（Tang等人，2012）。最近的研究进一步验证了GEDI在上层植被PAI估计方面的有效性（Jia等人，2025；Wang等人，2025；Yun等人，2023）。然而，GEDI的离散采样模式限制了其完全的空间覆盖范围，阻碍了其直接用于连续映射。一个可行的解决方案是将GEDI与中高空间分辨率的空间连续多光谱数据（如Landsat和Sentinel-2）集成。这种协同方法已成功应用于绘制冠层高度和森林地上生物量（Li等人，2024b；Min等人，2024；Zhang等人，2025；Ziegler等人，2023），展示了其在填补GEDI高精度但空间离散测量与多光谱数据连续覆盖之间的差距方面的潜力。然而，仍存在两个关键挑战。首先，GEDI的地理定位误差（Dubayah等人，2021），以及GEDI的25米足迹与Sentinel-2的10–20米像素之间的空间尺度不匹配，引入了空间不一致性。其次，上层植被PAI的显著季节性变化（Ziegler等人，2023）需要准确的物候对齐；然而，GEDI和Sentinel-2的采集时间不同步使得季节动态的表征变得复杂。

为了解决这些限制，本研究旨在开发一个GEDI-Sentinel-2集成框架，将GEDI的垂直冠层剖析能力与Sentinel-2的高时空分辨率相结合。具体而言，本研究追求两个目标：（1）通过引入基于植被参数的物理约束方法，确保高质量、近乎同步的GEDI-Sentinel-2观测对，从而减少大规模应用中的时空不一致性不确定性，而不依赖于辅助数据；（2）通过建立Sentinel-2观测数据与GEDI推导出的上层植被PAI之间的稳健、数据驱动的非线性映射关系，生成连续的时间序列上层植被PAI估计，同时消除对多角度观测的依赖。

研究区域

在三个地点评估了森林上层植被PAI估计的性能：哈佛森林（HARV）、死湖（DELA）和Ordway-Swisher生物站（OSBS），这些地点都属于美国大陆的国家生态观测网络（NEON）（图1）。这些地点涵盖了从北到南的地理梯度，并包含多种气候条件和森林类型。HARV地点位于马萨诸塞州，以混交林为主

方法

图3展示了新型GEDI-Sentinel-2集成框架的工作流程，该框架包括三个主要组成部分：（1）GEDI和Sentinel-2观测数据的时间和空间对齐；（2）使用GORT模型进行GEDI足迹级别的上层植被PAI估计；（3）通过数据驱动的GEDI-Sentinel-2集成框架实现森林上层植被PAI的连续获取。下面提供了每个组成部分的详细描述。

基于GEDI的上层植被PAI

基于GEDI的上层植被PAI在观测期间表现出密集的时间采样和明显的季节性模式，突显了GEDI监测季节性物候动态的能力（图4）。与NEON激光雷达上层植被PAI的验证表明，在HARV、DELA和OSBS地点的准确性稳健，rMAE值约为30%，且没有显著的系统偏差（图5）。

与GEDI L2B产品的进一步比较确认了所提出方法的可靠性

GEDI-Sentinel-2集成的优势

基于粗分辨率多角度观测的现有森林上层植被LAI产品受到其空间分辨率的限制（Pisek和Chen 2009；Pisek等人，2012）。尽管地面和机载激光雷达技术可以提供精确的细尺度上层植被LAI测量（Song等人，2021；Xu等人，2020），但其实际应用受到时空覆盖范围有限的制约。GEDI通过其近乎全球的重复采样策略部分解决了这一限制

结论

本研究通过有效整合GEDI的垂直冠层剖析能力与Sentinel-2的高时空分辨率，开发了一种创新的连续森林上层植被PAI估计框架，从而克服了对多角度观测的传统依赖。所提出的框架在不同类型的森林中表现出稳健的准确性，相对于DHP参考数据的rMAE范围为14.98%至28.10%，相对于NEON激光雷达的rMAE范围为20.89%至38.44%

CRediT作者贡献声明

贾朵：撰写——原始草稿、可视化、验证、方法论、正式分析、数据管理、概念化。博彦晨：撰写——审阅与编辑、项目管理、调查、资金获取。王仓蛟：撰写——审阅与编辑、验证、方法论、资金获取、正式分析。庞勇：撰写——审阅与编辑、监督、资源管理、项目管理。