编辑推荐：
为解决森林结构监测难题，研究人员开展伊比利亚半岛森林冠层高度和地上生物量（AGB）分布研究。利用深度学习框架，融合多源数据构建模型，得出高分辨率地图。这为森林管理、碳固存等提供重要工具。
在地球的生态系统中，森林就像一位默默奉献的 “绿色卫士”，不仅承担着碳固存的重任，对调节气候起着关键作用，还为无数生物提供了栖息家园，保障着生物多样性，同时也是人类重要的木材资源宝库。准确把握森林的结构信息，尤其是冠层高度和生物量，就如同掌握了森林生态系统的 “密码”，对于深入了解森林在碳循环中的角色、评估其对气候变化的影响以及实现可持续的森林管理至关重要。
然而，森林结构的准确监测一直是个难题。卫星仪器如哨兵 - 1（Sentinel - 1，S1）和哨兵 - 2（Sentinel - 2，S2）虽能提供高分辨率的图像，为大面积的陆地观测带来便利，但仅靠它们还无法精准获取森林冠层高度和生物量信息。全球生态系统动力学调查（Global Ecosystem Dynamics Investigation，GEDI）任务从 2018 年开始对全球森林高度等进行监测，不过其测量配置导致空间覆盖并不完整。机载激光扫描（Airborne Laser Scanning，ALS）虽能提供高精度数据，可其高昂的成本和复杂的操作限制了它的广泛应用。而且，以往基于随机森林（Random Forest，RF）和传统卷积神经网络（Convolutional Neural Networks，CNNs）创建的全球森林高度地图，在区域精度和跟踪森林扰动方面表现欠佳。
为了突破这些困境，来自法国、西班牙、丹麦、中国等多个国家科研机构的研究人员联合开展了一项极具意义的研究。他们致力于绘制伊比利亚半岛森林的高分辨率冠层高度（10 米分辨率）和地上生物量（50 米分辨率）地图，相关成果发表在《Scientific Data》上。
研究人员在此次研究中运用了多种关键技术方法。数据方面，通过谷歌地球引擎（Google Earth Engine，GEE）获取 S1、S2 卫星影像数据，同时收集 ALS、GEDI 数据以及西班牙国家森林清单（Spanish National Forest Inventory，NFI）数据。模型构建上，基于 UNET 架构开发了两个深度学习模型用于预测冠层高度，再利用 RF 模型结合冠层高度预测数据和 NFI 的 AGB 记录来构建 AGB 地图 。
在研究结果部分：
- 冠层高度模型构建与验证：研究人员分别基于 ALS 和 GEDI 数据训练 UNET 模型。在内部测试中，ALS - Sentinel 基于的 UNET 模型表现出色，R2达到 0.84，平均绝对误差（MAE）为 1.26 米；GEDI - Sentinel 基于的 UNET 模型 R2为 0.61，MAE 为 3.24 米。在外部验证时，将模型预测结果与 NFI 观测数据对比，ALS - Sentinel 基于的模型 R2为 0.71，MAE 为 2.34 米；GEDI - Sentinel 基于的模型 R2为 0.52，MAE 为 3.07 米。尽管两个模型都能较好地估计冠层高度，但 ALS - Sentinel 基于的模型在精度上更胜一筹。
- 地上生物量模型构建与验证：研究人员训练 RF 模型预测 AGB，综合考虑冠层高度、树木覆盖比率以及经纬度等因素。最终测试结果显示，两个 RF 模型性能强劲，R2均达到 0.53，MAE 分别为 29.33 Mg/ha 和 29.76 Mg/ha。与其他研究对比，该研究的 AGB 模型表现更优。
- 数据成果展示：研究生成了丰富的数据成果，包括 10 幅冠层高度图、5 幅树木覆盖比率图、10 幅地上生物量图以及 2 幅森林干扰图。这些地图通过 Zenodo 平台公开共享，为后续研究提供了宝贵的数据资源。
研究结论表明，研究人员成功绘制出伊比利亚半岛森林的高分辨率冠层高度和地上生物量地图，并且模型精度令人满意。这一成果意义重大，为环境研究人员深入探究森林生态系统提供了详细的数据支撑；为政策制定者制定科学合理的森林保护和管理政策提供了有力依据；也为森林管理专业人员实施可持续森林管理实践提供了实用工具。同时，该研究在技术方法上的创新，为全球范围内的森林监测研究开辟了新的道路，推动了相关领域的发展，有望助力全球森林资源的保护和合理利用，在应对气候变化等全球性挑战中发挥积极作用。
