整合主被动遥感数据特征插值与机器学习的森林地上生物量反演与制图方法

针对星载激光雷达数据空间稀疏性问题，本文提出基于特征插值的多源数据融合方法，实现了区域尺度森林地上生物量（Aboveground Biomass， AGB）制图。首先，从GEDI L2A/L2B，ICESat‑2/ATL08提取光斑尺度三维结构参数，结合Sentinel-2光谱特征变量及地形因子构建光斑尺度特征变量数据集；其次，进行相关性分析剔除高共线性特征变量，比较CatBoost（Categorical features gradient Boosting），RF（Random Forest）与LightGBM（Light Gradient Boosting Machine）三种回归算法并筛选最优模型；然后，基于CatBoost的特征重要性与SHAP（SHapley Additive exPlanations）解释进一步筛选关键特征变量；最后，对激光雷达关键特征变量进行插值获取连续栅格特征，进而通过最优回归模型实现森林AGB空间制图。验证结果显示，CatBoost在光斑尺度建模中表现最佳（R²=0.88，RMSE=78.74 Mg/ha，rRMSE=20.93%）；基于特征插值与多源数据融合的空间制图精度为R²=0.82，RMSE=60.90 Mg/ha，rRMSE=36.54%，相较于仅用光学遥感影像制图，rRMSE降低约34.7%。采用特征插值策略对激光光斑关键结构变量进行空间连续化并与高分辨率光学与地形信息融合，能够有效弥补光斑空间分布稀疏、光学影像垂直结构信息缺失等问题，可为大范围森林碳储量评估与生态系统监测提供方法参考。