邱梓轩课题组在中科院2区SCI期刊《Remote Sensing》（影响因子4.2）发表基于机器学习和多模态数据融合的海南热带雨林冠层高度监测研究

2025年3月6日，邱梓轩课题组撰写的《Monitoring Canopy Height in the Hainan Tropical Rainforest Using Machine Learning and Multi-Modal Data Fusion》 被中科院2区SCI期刊 《Remote Sensing》（影响因子4.2）录用，文章于2025年3月9日正式见刊。其中，海南大学热带农林学院林学硕士研究生凌清萍为第一作者，海南大学热带农林学院林业硕士生陈映昙为共同第一作者，海南大学邱梓轩副教授为通讯作者。本研究创新性地融合GEDI和ICESat-2卫星激光雷达数据、Landsat遥感影像、环境因子以及地面三维激光雷达实测数据，基于机器学习算法建立了高精度的冠层高度估测模型，系统监测了2003至2023年海南热带雨林冠层高度的时空变化，为热带森林生态系统的碳储量评估、恢复监测与可持续管理提供了科学支撑。

热带雨林在全球碳循环和气候调节中具有重要作用，而冠层高度是评估森林生物量与碳汇潜力的关键参数。然而，传统遥感手段受限于空间分辨率、垂直结构获取能力不足等问题，难以实现大范围、高精度的森林冠层监测。

本研究以海南热带雨林国家公园为研究区域，比较了四种先进机器学习算法——随机森林（RF）、梯度提升决策树（GBDT）、卷积神经网络（CNN）和反向传播神经网络（BP）在森林冠层高度估测中的表现。研究基于2003年至2023年间采集的140个地面样地和315个无人机摄影样地数据，结合多模态遥感数据（包括GEDI与ICESat-2卫星激光雷达、Landsat影像及环境因子）进行建模与验证。

结果表明，RH80百分位高度是最佳预测变量选择，随机森林算法在精度与稳定性方面均表现最优，其训练集与测试集R²分别达到0.71和0.60，相对均方根误差为21.36%。最终采用RF算法构建模型在RH80百分位下对研究区五类森林类型（低地雨林、高山云雾林、热带季雨林、山地雨林及热带针叶林）进行冠层高度估测。结果显示，2003-2023年间研究区森林冠层高度整体呈增长趋势，高度范围为2.95至22.02米。其中，高山云雾林冠层高度最高，而热带季雨林增长速度最快。本研究成果有助于深入理解热带雨林的生长动态过程。

论文链接：https://doi.org/10.3390/rs17060966

该研究得到了国家自然科学基金的经费支持。