2019年中国森林冠层高度（树高）数据30m分辨率（附数据下载链接）

2022-04-28 758

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 2019年中国森林冠层高度（树高）数据30m分辨率（附数据下载链接）

本数据均来源于期刊文献：Liu X, Su Y, Hu T, et al. Neural network guided interpolation for mapping canopy height of China's forests by integrating GEDI and ICESat-2 data[J]. Remote Sensing of Environment, 2022, 269: 112844.

简介

在国家到全球范围内对森林冠层高度的空间连续估计对于量化森林碳储存、了解森林生态系统过程、制定森林管理和恢复政策以减轻全球气候变化的关键。空间光探测和测距（Lidar）平台。

特别是全球生态系统动态调查（GEDI）和冰、云和陆地海拔卫星-2 (ICESat-2)高级地形激光测高系统(ATLAS)，可以在全球范围内测量森林冠层高度。全球离散的足迹。它们的覆盖范围为国家到全球范围的森林冠层高度估计提供了一个有希望的数据来源。

创新点：作者开发了一种新的神经网络引导插值（NNGI）方法来绘制森林冠层高度图。

融合GEDI、ICESat-2 ATLAS和Sentinel-2图像来绘制森林冠层高度。为了评估该方法的性能

为了评估所提出的NNGI方法的性能，生成了中国2019年的30米森林冠层高度产品。超过

在全国范围内收集了超过140平方公里的无人机激光雷达数据，以训练和验证NNGI方法。

中国的平均林冠高度为15.90米，标准差为5.77米。超过1,100,000个GEDI验证足迹评估了中国的内插森林冠层高度产品。(R2=0.55，RMSE=5.32米），约33平方公里的无人机激光雷达验证数据（R2=0.58，RMSE=4.93米）以及超过 59,000次实地测量（R2 = 0.60，RMSE = 4.88米）。

的策略，所得到的产品在有高大森林树冠的地区几乎没有饱和效应。

数据处理过程：

神经网络引导的内插法（NNGI）用于绘制森林冠层高度图的说明。MLP代表多层感知器，其中 MLP0由线性转换函数、层归一化函数和非线性激活函数组成，MLP1由辍学函数和线性转换函数组成。函数和一个线性变换函数组成。( )中的数字代表数据或特征的维度；k代表要插值的位置的邻居数；λ代表数据或特征的维度。λ代表从MLP中学到的空间插值权重；x、y、e、s、a、n、pm、ps、tm和ts，代表经度、纬度、海拔、坡度、坡度。NDVI、年平均降水量、年降水季节性、年平均温度和年温度季节性；Δ表示待测地的相应特征之差。Δ表示要插值的位置与其相邻位置的相应特征之差。