Scalable deep fusion of spaceborne lidar and synthetic aperture radar for global forest structural complexity mapping

📄 arXiv: 2510.06299v1 📥 PDF

作者: Tiago de Conto, John Armston, Ralph Dubayah

分类: cs.CV, cs.LG, stat.AP

发布日期: 2025-10-07

💡 一句话要点

提出一种可扩展的深度融合框架，利用星载激光雷达和合成孔径雷达进行全球森林结构复杂性制图。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 森林结构复杂性 深度学习 多模态融合 激光雷达 合成孔径雷达 全球制图 EfficientNetV2

📋 核心要点

  1. 现有方法难以利用稀疏的星载激光雷达数据生成连续、高分辨率的全球森林结构复杂性地图。
  2. 论文提出深度学习框架，融合GEDI激光雷达数据和多模态SAR数据，实现高精度、高分辨率的全球森林结构复杂性制图。
  3. 实验表明，该方法在全局范围内取得了较高的R2值（0.82），且模型参数较少，易于部署和扩展。

📝 摘要（中文）

森林结构复杂性指标将多个冠层属性整合为一个单一值，反映了栖息地质量和生态系统功能。全球生态系统动力学调查（GEDI）的星载激光雷达已能够绘制温带和热带森林的结构复杂性，但其稀疏采样限制了连续高分辨率制图。本文提出了一种可扩展的深度学习框架，将GEDI观测数据与多模态合成孔径雷达（SAR）数据集融合，以生成全球高分辨率（25米）的森林结构复杂性全覆盖地图。我们改进的EfficientNetV2架构在超过1.3亿个GEDI足迹上进行训练，以少于40万个参数实现了高性能（全球R2 = 0.82），使其成为一个易于使用的工具，使研究人员能够在任何规模上处理数据集，而无需专门的计算基础设施。该模型产生准确的预测，并在生物群落和时间段内校准不确定性估计，保留了精细的空间模式。它已被用于生成2015年至2022年的全球多时相森林结构复杂性数据集。通过迁移学习，该框架可以扩展到以最小的计算成本预测额外的森林结构变量。这种方法支持对全球森林结构动态的连续、多时相监测，并为不断变化的气候中的生物多样性保护和生态系统管理工作提供工具。

🔬 方法详解

问题定义：论文旨在解决利用稀疏的GEDI激光雷达数据，生成全球范围内连续、高分辨率的森林结构复杂性地图的问题。现有方法要么依赖于插值等手段，精度受限；要么需要大量的计算资源，难以扩展到全球尺度。

核心思路：论文的核心思路是利用深度学习方法，将GEDI激光雷达数据与多模态SAR数据进行融合。SAR数据具有全天候、全天时的特点，可以弥补GEDI数据稀疏性的不足。通过训练深度学习模型，学习GEDI数据和SAR数据之间的映射关系，从而实现高精度的森林结构复杂性预测。

技术框架：整体框架包括数据预处理、模型训练和预测三个阶段。首先，对GEDI数据和SAR数据进行预处理，包括数据清洗、配准和归一化等。然后，使用EfficientNetV2架构作为基础模型，在大量的GEDI足迹数据上进行训练。最后，利用训练好的模型，对全球范围内的SAR数据进行预测，生成森林结构复杂性地图。

关键创新：论文的关键创新在于提出了一种可扩展的深度融合框架，能够有效地融合GEDI激光雷达数据和多模态SAR数据。此外，论文还对EfficientNetV2架构进行了改进，使其更适合于森林结构复杂性预测任务。

关键设计：论文采用了EfficientNetV2作为基础模型，并对其进行了微调，以适应森林结构复杂性预测任务。模型训练过程中，使用了均方误差（MSE）作为损失函数，并采用了Adam优化器进行优化。此外，论文还使用了数据增强等技术，以提高模型的泛化能力。

📊 实验亮点

该研究提出的深度融合框架在全局范围内取得了较高的R2值（0.82），表明其具有较高的预测精度。同时，该模型参数较少（少于40万），易于部署和扩展。此外，该模型还能够生成校准的不确定性估计，为用户提供更可靠的预测结果。

🎯 应用场景

该研究成果可广泛应用于生物多样性保护、生态系统管理、气候变化研究等领域。生成的全球森林结构复杂性地图可以为相关研究提供重要的数据支撑，并为政策制定者提供决策依据。此外，该框架还可以扩展到其他森林结构变量的预测，具有广阔的应用前景。

📄 摘要（原文）

Forest structural complexity metrics integrate multiple canopy attributes into a single value that reflects habitat quality and ecosystem function. Spaceborne lidar from the Global Ecosystem Dynamics Investigation (GEDI) has enabled mapping of structural complexity in temperate and tropical forests, but its sparse sampling limits continuous high-resolution mapping. We present a scalable, deep learning framework fusing GEDI observations with multimodal Synthetic Aperture Radar (SAR) datasets to produce global, high-resolution (25 m) wall-to-wall maps of forest structural complexity. Our adapted EfficientNetV2 architecture, trained on over 130 million GEDI footprints, achieves high performance (global R2 = 0.82) with fewer than 400,000 parameters, making it an accessible tool that enables researchers to process datasets at any scale without requiring specialized computing infrastructure. The model produces accurate predictions with calibrated uncertainty estimates across biomes and time periods, preserving fine-scale spatial patterns. It has been used to generate a global, multi-temporal dataset of forest structural complexity from 2015 to 2022. Through transfer learning, this framework can be extended to predict additional forest structural variables with minimal computational cost. This approach supports continuous, multi-temporal monitoring of global forest structural dynamics and provides tools for biodiversity conservation and ecosystem management efforts in a changing climate.