· 文章标题：Estimation of forest canopy height from GEDI L1B data using an improved composite Gaussian model for optimized waveform decomposition

· 期刊名称：Geo-Spatial Information Science（IF = 5.5）

· 文章链接：https://doi.org/10.1080/ 10095020.2026.2648371

· 发表日期：2026.4.13

研究背景

森林是陆地生态系统中最重要的生物量载体之一，约覆盖全球陆地面积的四分之一。森林冠层高度作为表征林分垂直结构的重要参数，在森林资源调查、蓄积量估测、生物量反演以及生态功能评价中具有重要意义。长期以来，森林冠层高度获取主要依赖地面样地调查，但这类方法普遍存在成本高、周期长、覆盖范围有限等问题，已难以满足当前大尺度、快速化和连续化森林监测的实际需求。随着星载激光雷达技术的发展，能够周期性获取大范围地表三维结构信息的GEDI数据，为森林冠层高度估测提供了新的技术路径，也为森林结构参数反演带来了重要机遇。

然而，GEDI L1B全波形数据的应用效果在很大程度上取决于波形分解方法。现有高斯分解、小波分解和反卷积分解等方法虽然已被广泛用于森林结构参数提取，但在复杂森林场景下仍存在一定局限，尤其在坡地条件下，回波展宽、峰值偏移和地形干扰等问题会进一步增加波形解释难度，影响冠层高度估测精度。因此，如何提升GEDI波形分解对复杂地形和复杂回波的适应能力，成为提高森林冠层高度反演精度的关键问题。基于此，本研究聚焦GEDI波形分解过程，探索改进复合高斯模型在森林冠层高度估测中的应用，为星载激光雷达服务森林资源监测提供新的方法参考。

图1. 研究区与GEDI 足迹分布。

复合高斯模型分解算法

针对传统高斯分解方法在坡地和多层冠层条件下容易出现峰值过分裂、弱小伪峰干扰以及峰位不稳定等问题，本研究提出了复合高斯模型分解算法（CGMD）。该方法以“一个有效峰对应一个高斯分量”为核心思路，首先对 GEDI L1B 波形进行标准化处理，在统一尺度上开展峰值检测，并结合相对最大波形振幅 10% 的低幅阈值与平滑策略，抑制由低矮灌木和背景扰动引起的伪峰；随后根据检测到的有效峰数确定高斯分量个数，并利用非线性最小二乘法完成多高斯组合拟合，最后将拟合结果反标准化恢复到原始波形尺度。与传统方法相比，该算法能够在保留原始回波结构信息的同时，减少复杂地形和多层冠层条件下的过度分解，提高峰值定位与波形解释的稳定性，从而为森林冠层高度提取提供更加可靠的波形支撑。

图2.复合高斯模型分解算法（CGMD）流程图

图3. 复合高斯模型分解算法关键步骤示意图. （a）高斯分解图；（b）带有峰值检测的 CGMD；（c）用于 CGMD 的标准化信号中的峰值检测；（d）CGMD 分解拟合的最小二乘原则（最小化残差（垂直虚线）的平方和）。

图4. 复合高斯模型分解算法与传统高斯分解方法对比。

实验结果

（1）最优实验条件下的森林冠层高度估测结果

为提高 GEDI 冠层高度估测结果与无人机激光雷达参考数据之间的空间匹配性，本研究比较了不同缓冲区尺度和不同 CHM 空间分辨率组合对估测精度的影响。结果表明，缓冲区尺度对结果的影响大于空间分辨率，不同方法在精度变化上都表现出“先提升后下降”的趋势，其中 25 m 缓冲区与 0.2 m 空间分辨率的组合效果最佳。

在该最优组合下，CGMD 的估测精度明显优于传统高斯分解（GD）、小波分解（WD）和反卷积分解（DD），其决定系数达到 0.58，RMSE 为 2.09 m，rRMSE 为 23.46%。这表明，所提出的复合高斯模型分解算法能够更有效地匹配 GEDI 波形与参考冠层高度信息，为后续森林冠层高度反演提供更稳定的技术基础。

图5 围绕 GEDI 覆盖区域进行多尺度缓冲区设计。

图6. 比较了四种波形分解方法所估算的森林冠层高度与无人机激光雷达获取的高程模型高度的散点图，这些数据是在 25 米缓冲区和 0.2 米空间分辨率的最佳组合条件下得出的：（a）GD，（b）WD，（c）DD 和（d）CGMD。图中 1:1 的参考线为黑色

（2）与传统波形分解方法的比较

在最优实验条件下，四种波形分解方法得到的冠层高度估测结果均与无人机激光雷达参考值表现出一定线性关系，但不同方法之间的精度差异较为明显。相比传统方法，CGMD 的散点分布更集中于 1:1 参考线附近，极端偏差点更少，表现出更高的稳定性和更好的拟合效果。

从精度指标来看，CGMD 的 RMSE 为 2.09 m，相较 GD、WD 和 DD 分别降低了 18.4%、36.9% 和 27.2%，同时具有最高的决定系数和最低的相对均方根误差。进一步的统计显著性检验表明，CGMD 与三种传统方法在平均绝对残差上均存在显著差异，而 GD、WD 与 DD 三者之间差异不显著。这说明 CGMD 的提升并非偶然波动，而是体现了方法层面的实质改进。

（3）复杂坡地条件下的稳健性与泛化验证

考虑到研究区以山地森林为主，坡度变化可能导致 GEDI 回波展宽、峰值偏移以及地面—冠层分量分离困难，本研究进一步分析了不同坡度条件下各方法的表现。结果表明，在第一研究区中，CGMD 在缓坡（≤25°）、中坡（25°–50°）和陡坡（≥50°）条件下均保持最优精度，RMSE 分别为 1.55 m、2.13 m 和 2.35 m，均优于 GD、WD 和 DD，显示出较强的坡地适应能力。

为进一步验证方法的泛化性，研究将 CGMD 应用于美国 Willamette National Forest 数据集。结果显示，在新的研究区中，CGMD 仍取得最高的决定系数和最低的 RMSE（3.05 m），相较传统方法的误差降低幅度达到 12.9%–23.6%。这说明，复合高斯模型分解算法不仅适用于湖南山地森林，也能够在不同地理区域和地形条件下保持较好的稳健性和推广潜力。

图7.研究区域的坡度分布

图8.Willamette National Forest研究区泛化验证。

研究意义

本研究面向复杂地形和复杂冠层条件下 GEDI 波形分解精度不足的问题，提出了复合高斯模型分解方法（CGMD），通过标准化、峰值筛选、多高斯拟合等步骤，增强了对复杂回波结构的解析能力，提高了森林冠层高度估测的稳定性与准确性。研究结果表明，该方法不仅在湖南山地森林中优于传统高斯分解、小波分解和反卷积分解方法，而且在不同坡度条件及美国第二研究区验证中仍保持较好的稳健性与泛化能力。总体来看，本研究为 GEDI L1B 全波形数据在复杂地形区的高精度应用提供了新的技术路径，也为森林资源调查、森林结构参数反演、生物量与碳储量估测等研究提供了方法参考。

作者介绍

第一作者：王彬彬 中南林业科技大学2025级博士研究生

通讯作者：孙华 教授

合作作者：中南林业科技大学研究生陈松、龙依、陈明、易静，伦敦大学国王学院研究生唐奕韬。