l 文章标题：Improving forest aboveground carbon storage estimation by fusing spaceborne LiDAR features and three-dimensional enhanced spectral indices

l 期刊名称：iScience（IF=4.5）

l 文章链接：https://doi.org/10.1016/j.isci.2026.116451

l 发表日期：2026.06.17

研究背景

森林生态系统作为全球陆地碳汇的核心载体，储存了全球陆地生态系统约40%的碳。准确估算森林地上碳储量（AGC）对于理解全球碳循环、评估生态系统固碳潜力至关重要。光学遥感和星载激光雷达（LiDAR）均能为提升AGC估算精度提供有价值的信息，但光学数据中的光谱饱和效应以及LiDAR观测数据的空间离散性，限制了高精度、无缝的AGC制图。为此，研究者积极推动光学与LiDAR的协同融合，例如将LiDAR高度信息融入结构感知植被指数，利用垂直冠层信息校正地形与冠层结构对光学信号的影响，以及借助连续的光学影像对离散LiDAR足迹进行空间外推。这些研究共同表明，在特征层面实现结构信息与光谱信息的有机融合，是突破当前估算精度的关键。

以往研究表明，AGC通常受植被垂直结构、水平覆盖和生理状态三个生态维度的协同作用。为此，本研究将中国陆地生态系统碳监测卫星（TECIS）获取的LiDAR数据与Sentinel-2光学影像相结合，提出了构建三维增强光谱指数（TDESIs）的框架。基于离散的LiDAR足迹数据生成空间连续的森林垂直结构参数，在像元尺度上将森林冠层高度与光谱、纹理及植被覆盖度等光学特征进行融合，构建出信息更为丰富的TDESIs，进而驱动机器学习模型实现AGC的高精度估算。

图1 研究区概况图

研究方法

本研究将TECIS LiDAR数据与Sentinel-2光学影像相融合，构建了一套三维增强光谱指数（TDESIs），用于基于机器学习的AGC估算。具体实施流程如下：获取离散的TECIS足迹点数据和Sentinel-2光学影像数据并进行预处理；将Sentinel-2的光谱纹理特征与LiDAR足迹点提取的结构参数进行关联，采用随机森林回归作为空间插值器，获得空间连续、全覆盖的LiDAR特征栅格表面，并提供了逐像元的森林冠层高度（FCH）。利用像元二分法计算植被覆盖度（FVC），并将FCH、FVC与光谱和纹理特征进行逐像元乘法融合，产生具有丰富信息内容的高维变量集TDESIs，以进行基于机器学习模型的AGC估算。

图2 TDESIs的详细流程

实验结果

（1）模型估测结果对比

特征集对模型精度的影响大于建模算法，采用TDESIs及TDESIs + LiDAR‑M的模型始终优于基于SIs和SIs + LiDAR‑M的模型。RF算法整体稳健性最佳，采用TDESIs + LiDAR‑M特征集的RF模型整体性能最优，R²最高达0.764，MAE、RMSE和rRMSE均为最低（分别为8.330 Mg C/ha、10.728 Mg C/ha和30.19%）。

图3基于四个变量集构建不同模型的精度评估结果

残差分布差异显著（p<0.05），RF模型的平均残差最接近零且为负值，多数其他模型则呈正残差。采用TDESIs + LiDAR‑M的RF模型相较其他模型主要产生负效应量，存在轻微高估倾向。尽管有轻微系统性高估，其仍实现了最高总体精度，被确定为AGC估算的最佳模型。

图4描述性统计和效应评估结果

（2）AGC空间分布对比

所有模型均一致呈现北部AGC较高、南部较低的空间格局，与已知植被分布特征吻合，且均能捕捉到火灾影响区的AGC下降，表明模型对干扰响应敏感。SIs及SIs + LiDAR-M特征集的预测标准差整体偏高：仅使用SIs的模型在整个区域内标准差持续较高；加入LiDAR-M后标准差虽有所降低，但多数仍超过16 Mg C/ha。相比之下，TDESIs及TDESIs + LiDAR-M模型的标准差则基本控制在0–16 Mg C/ha以内。

图5 基于四个变量集构建RF模型所得的AGC空间分布

图6 基于四个变量集构建RF模型所得的AGC预测的标准差空间分布

通过将基于TDESIs的模型与其他三个模型进行比较，获得了AGC估算差异的空间分布图。TDESIs模型的估算值略高于SIs模型（均值μ = 0.80 Mg C/ha，标准差σ = 10.62 Mg C/ha）。相比之下，尽管在像元尺度上存在较大变异（σ > 10 Mg C/ha），但 TDESIs 模型的区域总量与SIs + LiDAR-M模型非常接近（均值差μ = 0.16 Mg C/ha）。TDESIs与TDESIs + LiDAR-M模型之间的平均差异较小（0.40 Mg C/ha），且变异程度显著降低（σ = 4.08 Mg C/ha）。

图7 AGC 估计差异的空间分布

基于像元级差异图的全局均值和标准差生成了敏感性分区图。结果显示，高估敏感区和低估敏感区主要集中在研究区北部的森林核心地带，这些区域通常植被覆盖度高且具有较高的AGC水平。相反，在遭受火灾干扰的中南部区域以及森林覆盖稀疏的地区，模型间的差异通常被归类为非敏感性。

图8 AGC估算差异的敏感性分区图

区域统计分析揭示了不同FVC与FCH水平下的估算差异模式。平均差与FVC呈单峰关系，标准差则随FVC近乎线性上升，表明高FVC像元间的模型估测差异更为突出。差异敏感区高度集中于高FVC区域，仅Ⅴ级的累积面积便已超过其余各等级之和。FCH主要起线性调节作用：在TDESIs与SIs、SIs + LiDAR-M的对比中，平均差随FCH升高而稳定增大，说明TDESIs在高林区会给出更高的估算值。敏感区在各FCH等级内均匀分布，其中Ⅱ级（8-10 m）所占比例最高，与研究区优势树高一致。

图9 不同FVC和FCH分级下对估算差异的统计分析结果

（3）模型特征分析

对四个最优模型进行了SHAP分析，展示了这四个模型变量的SHAP重要性排序及汇总结果，揭示了不同变量集中贡献度分布的显著差异。总体而言，重要性较高的变量主要包括基于红边（red-edge）的指数（如 IRECI、NDVI_re1n、SR_68A、SR₄₅）和纹理指标（如 Mean₂、CoEnt₆、Mean₃），这些变量共同构成了解释AGC空间变异的最具信息量的来源。

图10 基于SHAP值的特征重要性与汇总图

SHAP依赖图显示，各模型中最重要的三个特征与其SHAP值之间呈现出复杂的、受阈值驱动的非线性关系。大多数特征仅在超过特定阈值后才与SHAP值呈正相关，而在低于该阈值时则产生负面影响。

图11 重要性排名前三的变量的SHAP依赖图

此外，SHAP变量重要性分析显示，前40个最具影响力的变量中有30个来自TDESIs特征集，进一步印证了其在捕捉AGC信息中的核心作用。

图12 前40个变量的SHAP重要性分析

基于TDESIs的模型显著提升了光谱饱和点，三个特征的饱和点分别达79.36、77.69和75.84 Mg C/ha，均值77.63 Mg C/ha，较SIs模型提升约27%。引入LiDAR‑M后，TDESIs + LiDAR‑M模型的饱和点进一步升至79.93、83.46和87.19 Mg C/ha，均值83.53 Mg C/ha，较仅使用TDESIs提升了7.6%。

图13 四个变量组的AGC光谱饱和点拟合结果

研究意义

本研究利用Sentinel-2光学影像与机器学习模型，生成了LiDAR衍生结构参数的无缝栅格图，有效突破了传统离散LiDAR观测在空间覆盖上的固有局限。通过将垂直结构信息与水平光谱、纹理特征相融合，构建出信息丰富的高维变量集TDESIs，克服了复杂森林冠层条件下传统光学特征的表征限制。同时，对国产卫星任务TECIS在区域尺度AGC估算中的效用进行了评估与验证，为国产卫星数据在生态监测中的业务化应用提供了关键案例支撑。

作者介绍

第一作者：龙依，中南林业科技大学2023级博士研究生，主要研究方向为植被动态变化监测与森林参数定量反演，主持湖南省研究生科研创新项目，获研究生国家奖学金等。

通讯作者：蒋馥根，中南林业科技大学讲师，硕士生导师，国防科技大学博士后。主要从事森林碳汇遥感监测等方面的教学和科研工作。主持国家自然科学基金青年科学基金、湖南省自然科学基金、湖南省教育厅优秀青年基金等项目5项。近5年以第一或通讯作者发表学术论文14篇，其中SCI收录论文12篇，参编教材和专著4部。担任国家自然科学基金通讯评审专家、ISPRS Journal of Photogrammetry and Remote Sensing、International Journal of Applied Earth Observation and Geoinformation等国际学术期刊审稿人。

合作作者：孙华，中南林业科技大学教授，博士生导师。

王彬彬，中南林业科技大学2024级博士研究生。

(一审/刘娆 二审/陈慧慧 三审/孙华)