森林占陆地面积的1/3，其生物量约占全球陆地生态系统的85%^[1]，在应对全球气候变化方面发挥着重要作用。冠层高度是森林资源调查的主要方面^[2]，是森林生物量、林龄等估算的重要参数，也是森林生产力和生物多样性的重要指标^[3]。但实际的森林调查无法获取空间连续冠层高度信息^[4]。因此，空间连续森林冠层高度的精确估算意义重大^[5]。西南林区作为我国第二大天然林区，既是生态敏感脆弱区，又是典型的气候多变区^[6]，地形地貌复杂，森林冠层高度获取困难，是现今我国森林冠层高度研究的薄弱区域。

激光雷达(light detection and ranging，LiDAR)是目前最常用的森林遥感手段，其中机载激光雷达可以获取小区域、高精度的森林冠层高度，星载激光雷达为大区域森林冠层高度获得提供了可能。2003年发射的冰、云和陆地高度卫星(ice, cloud, and land elevation satellite，ICESat-1)上搭载地球科学激光测高系统(geosciences laser altimeter system，GLAS)是首个应用于林业的星载激光雷达卫星传感器^[7]，能够直接反映植被高度。2010年，热带、温带阔叶林、温带针叶林的最大冠层高度试验^[8]，证实了这一数据在美洲的可靠性。2011年，SIMARD et al^[9]结合森林盖度，首次借助机器学习算法得出1 km分辨率的全球森林冠层高度，使森林冠层高度信息空间连续。之后，中分辨率成像光谱仪(moderate resolution imaging spectro-radiometer，MODIS)数据引入，精细化了这一结果^[10]。ICESat-2于2018年9月发射，搭载了地形激光高度系统(advanced topographic laser altimeter system，ATLAS) ^[7]，通过两代数据对比，可探讨我国京津冀地区森林郁闭度增加的趋势^[11]。ICESat-2的陆地/植被产品ATL08可用于绘制我国东北森林冠层高度空间分布图^[5]。在不同地区该数据精度表达不同。芬兰的研究指出ATL08在高纬度森林应避免使用弱激光模式^[12]。除了ICESat系列，2018年，美国国家航空航天局(National Aeronautics and Space Administration，NASA)的全球生态系统动力学调查(global ecosystem dynamics investigation，GEDI)也可用于大尺度森林冠层高度研究^[13]；2019年，POTAPOV et al^[14]利用GEDI和高分辨率陆地卫星数据绘制出30 m分辨率的全球森林冠层高度图。

可见，近年来LiDAR用于森林冠层高度的研究成果颇丰，同时结合地表遥感，借助神经网络等机器学习方法将森林冠层高度不连续点数据推广至连续空间从而获得大尺度森林冠层高度空间分布，已成为当前森林调查的重要方法之一^[15]。其中，最常用的机器学习方法如后向传播(back propagation，BP)神经网络，已被广泛应用于生态、林学等领域^[16]。

本研究利用ICESat-2/ATL08森林冠层高度数据，结合MODIS地表信息，通过BP神经网络拟合，由“点”到“面”研究我国西南林区森林冠层高度的空间分布，揭示我国西南地区森林冠层高度格局的变化，为科学评价西南地区的森林生态环境提供数据支持，为天然林保护工程的布局和实施提供参考。

本研究所指的西南地区(97°~111°E，21°~35°N)是指除西藏之外的云南、贵州、四川、重庆三省一市(图 1)，该区域是我国第二大天然林分布区，它毗邻青藏高原，位于第一阶梯和第二阶梯的过渡地带，地形地貌复杂多样，海拔45~7 148 m，分布有云贵高原、川西高原，交错四川盆地，大巴山、哀牢山、六诏山等山脉，金沙江、都柳江等流域纵横。气温自东南到西北相差较大，降水量从南往北时空分布不均^[17]。复杂的地形地貌以及多变的气候特征造就了西南地区独特的植被格局，高海拔区以草甸、草原以及灌木为主，中、低海拔区以森林为主。根据2019年MODIS植被覆盖类型数据MOD44B判断，西南地区的森林覆盖率高于50%的区域占西南地区总面积的18.52%，集中在无量山、哀牢山、横断山脉及贵州东南部、四川盆地外围；大巴山等地的森林覆盖率超过80%以上。森林类型以常绿阔叶林、常绿针叶林、落叶针叶林和落叶阔叶林等为主。川西高原和四川盆地的森林覆盖率低于30%。

	图 1 西南地区地理概况 Fig. 1 Geographical overview of southwest China
图选项

ICESat-2包含众多的观测产品，其中陆地/植被产品ATL08是从ATL03光子云中经过算法提取地形和冠层高度产生的，ICESat-2/ATL08的下载地址为https://nsidc.org/data/ATL08，其数据格式为HDF，包含的植被冠层高度信息具体名称为maximum canopy height，即最大冠层高度，空间分辨率100 m×14 m，重访周期为91 d。对于该数据以下统一简称为ATL08。

森林冠层高度受地表信息、地形因素等影响^[18]。选取MODIS数据用于地表森林植被的辅助识别和森林冠层高度数据的有效提取，具体包括双向反射率分布函数(bidirectional reflectance distribution function，BRDF)产品MCD43A1、地表反射率产品MOD09A1^[19]、归一化植被指数(normalized difference vegetation index，NDVI)产品M0D13Q1，同时也结合相应的数字高程模型(digital elevation model，DEM)数据进行地面高程提取，这些辅助数据均用于后续的BP神经网络拟合模型构建。辅助数据的具体说明如表 1所示。

在西南地区，由于空间连续森林冠层高度的研究空白，对于研究结果选取2种时间、来源不同的森林冠层高度数据进行验证和比较。一种是与ALT08同期的数据：POTAPOV et al^[14]在2021年利用2019_GEDI数据联合陆地资源卫星数据绘制的30 m分辨率全球森林冠层高度产品，以下简称2019_Potapov，其高度度量为陆地卫星像素内基于机载激光雷达仪器(airborne LiDAR instruments，ALS)冠层高度的第90个百分位信息。该数据用于ALT08在西南地区可靠性的辅助验证。另一种是与ALT08同源的数据：SIMARD et al^[9]在2011年利用2005_GLAS数据联合气象、地形等辅助数据绘制的1 km分辨率全球森林冠层高度产品，以下简称2005_Simard，其变量名称为RH100，记录波形的起点和激光雷达地面峰值之间的距离。该数据用于辅助验证拟合方法在西南地区森林冠层高度研究的可靠性，同时进行森林冠层高度的时间变化对比。

以2019和2020年生长季(5—10月)ATL08数据作为西南林区森林冠层高度平均数据。由以下条件筛选：(1)由于夜间观测数据的精度高于白天的观测数据^{[11-12, 19]}，筛选出夜间强激光模式下有冠层标志且云量≤20%的数据。(2)根据现有冠层高度产品的处理原则^{[9, 14]}，移除小于3 m、大于40 m的数据。(3)依据NDVI数值，剔除非城区年最大NDVI小于0.3的数据、剔除城市区域年最大NDVI小于0.5的数据^[14]。最终在西南地区保留了671 027个点数据。

考虑到研究结果要与1 km×1 km分辨率的2005_Simard数据对比，而ATL08点数据的分辨率为100 m×14 m，这就导致多个点存在于一个1 km×1 km栅格的情况，本研究采取求平均值的方法将多个点数据转化为1 km×1 km栅格尺度的数据，结果共得到101 873个栅格数据。

MODIS数据处理主要包括了格式转换、影像拼接以及中值、最大值合成等步骤。其中，MCD43A1提供了多个可见光、近红外等波段信息，每个波段包含3个反射参数，本研究选取与叶绿素最为相关的红、蓝、近红外波段信息^[18]。

通过BP神经网络建立MODIS数据与ATL08冠层高度数据之间的关系，借鉴地表信息、DEM地形特征等与森林相关的辅助数据^[9-10]，神经网络机器学习得到西南地区空间连续森林冠层高度。神经网络输入信息分别是MCD43A1中的红、蓝、近红外波段反射参数，MOD09A1的地表反射率，土地利用数据，DEM数据，M0D13Q1的NDVI等，输出信息为森林冠层高度。在神经网络中，将数据分为训练集、校正集和测试集，设定最大训练次数为1 000次，误差阈值为0.001。

图 2给出了101 873个ATL08栅格点数据绘制的西南地区森林冠层高度空间非连续图像。从图中可知，西南地区森林平均冠层高度为15 m。可大致看出川西高原、云贵高原森林分布较少，多为草原或耕地，森林冠层高度均在10 m以下。云南西部和贵州东部的森林冠层高度较高，超过20 m。

	图 2 西南地区ATL08数据森林冠层高度分布 Fig. 2 Forest canopy height of ATL08 distribution in southwest China
图选项

为了匹配验证ATL08数据在西南地区的可靠性，把2019_Potapov冠层高度产品也重采样到1 km的分辨率，得到101 873组栅格一一对应的数据组，对比结果如图 3。由图可见ATL08数据略高于2019_Potapov数据，可能是由于二者对于冠层高度定义有差异所致。二者相关系数R=0.566(P < 0.01)，具有较高一致性。由此可辅助说明ATL08数据在西南地区可靠性。

	图 3 ATL08与2019_Potapov数值散点关系图 Fig. 3 ATL08 and 2019_Potapov scatter diagram values
图选项

经过反复尝试，联合ATL08数据与MODIS数据建立的BP神经网络模型的隐含层有25个。将101 873个样本按3∶1∶1的比例分为训练集、校正集和测试集，训练结果见表 2，得到的决定系数(R²)达0.7以上，均方根误差(root mean square error，RMSE)约2.5 m。可见，BP神经网络建模结果较好，建模精度可以满足林业应用要求^{[9, 14]}。

图 4给出了BP神经网络拟合得到的西南地区森林冠层高度空间连续分布图。得到西南地区平均森林冠层高度16 m，比ATL08点数据结果(图 2)高1 m。由图 4可见，大于20 m的高值区主要分布在0~3 400 m的中低海拔，如重庆大巴山、四川盆地外围、四川省南部金沙江流域、贵州东南部都柳江流域以及云南西北部、无量山、哀牢山地区。10 m以下区域位于四川西南部乡城、稻城和重庆东北部、云贵高原中部等地。四川西部和西北部出现大面积无森林冠层高度分布区，此处地处高原，地表类型多为草地和荒漠。为验证拟合结果，根据天然林保护区冠层高度在一定长时期内几乎不变或变化很小的原则^[11]，本研究在图 4中从不同方位随机选取了10个森林自然保护区位置(见图 4红点)，把这10个位置处的“点”结果与同源、不同期的2005_Simard相应位置树高进行对比，得到R=0.836，P < 0.001。和2022年位于云南省西北方位的迪庆藏族自治州、丽江市等天然高山松林样地调查结果对照^[20]，269株高山松样本树高为1.53~29.80 m，平均值为12.07 m；本研究对应位置处树高平均值为14.23 m，最大值为30 m左右。这些都辅助验证了本研究拟合方法的可靠性。

	图 4 西南地区森林冠层高度空间连续分布图 Fig. 4 Continuous Spatial distribution map of forest canopy height in southwest China
图选项

为了进一步分析该连续森林冠层高度空间分布的合理性，图 5给出了2005_Simard的连续森林冠层高度在西南地区的空间分布。由图 4、图 5对比可见，本研究的估算结果与2005_Simard空间数值分布结构基本一致。但2005_Simard整体比本研究估算结果大。前者的平均森林冠层高度为25 m，比本研究结果大9 m。这可能和我国2000年左右在西南地区开始的天然林保护工程实施建设有关。通过20余年植树造林、退耕还林建设，西南地区NDVI、森林覆盖率及蓄积量均显著上升^[21]，产生的新生幼龄林冠层高度可能降低了西南地区整体平均数值。从森林冠层高度频率直方图(图 6)可见，本研究结果显示[图 6(a)]，西南地区森林冠层高度在10~25 m区间内居多，符合正态分布，2005_Simard冠层高度值段15~35 m占绝大部分[图 6(b)]。

	图 5 2005_Simard西南地区森林冠层高度分布图 Fig. 5 Forest canopy height distribution map in southwest China from 2005_Simard
图选项

	图 6 连续森林冠层高度数值分布频率直方图 Fig. 6 Histogram showing the frequency distribution of continuous forest canopy height values
图选项

图 5两处箭头所指的四川盆地、云南东部地区虽然亦属于森林冠层高度低值区，值段为8~18 m；但图 4对应这两处多出现0~3 m数值段。这是由于两次对森林分布的界定不一致所致的。2005_Simard将低森林覆盖度的土地覆盖类别也包括在内，如镶嵌作物、开放森林等，而本研究的土地覆盖产品Globe land30 V2020仅保留了其中的林地和灌木地，其余为无植被覆盖地表。根据本研究Land use数据，发现图 5上部箭头区域多是耕地及少量人造地表类型，下部箭头区域多为草地和灌木类型，均与本研究的森林无关，因此未做处理。由图 4、图 5对应来看，亦出现了本次结果大于2005_Simard结果的区域。如重庆南部与贵州北部交界处、贵州东北部、云南六诏山等地，这3处区域均在西南地区的岷江-乌蒙山线条以东，属于NDVI显著改善区^[21]，植被改善类型均是由多树型稀树草原向森林类型的转化。从图 4、图 5对比还可见，近年来云南大理森林冠层高度高值区域有减少，属于NDVI显著退化区域^[21]，也可能和旅游业发展较快导致的森林损失有关^[22]。

大范围星载激光雷达遥感发展较晚，这也限制了对冠层高度研究的纵深化。本文研究区地处中国西南部，野外勘测成为难题，无法对ATL08数据实时验证，这是本研究的遗憾。即便如此，在与同期2019_Potapov栅格点数据、同源的2005_Simard连续空间分布信息相比，本研究数据和方法对于研究西南地区森林冠层高度可行，可以为我国西南部的生态脆弱区森林资源研究提供有益的补充。

需要说明的是，LiDAR不同冠层高度的算法差异致使数据差异，在不同地区表现亦有所不同。本研究ATL08数据中的max_height定义该段内植被点的最大高度，而2019_Potapov产品定义为ALS冠层高度的第90个百分位信息。这两种资料在西南地区栅格点对比中相关性最高，这与我国东北地区有所不同^[23]。

不可否认，MODIS光学遥感数据在森林冠层制图方面有明显优势^{[9-10, 19]}。但本研究在西南地区仅使用机器学习对拟合方法进行了初步探索，空间分辨率设定为1 km，没有考虑树种^[24]、林龄^[25]等对模型的影响。在以后的研究中，应将这些因素作为协变量，同时加入气象、土壤^[26]等生境条件，考虑多重变量对于冠层高度的影响。在此基础上，未来可尝试在多山林区融合ATL08和GEDI数据，结合高分辨率的陆地资源卫星和哨兵卫星数据等，绘制更为精细的冠层高度空间连续分布图。

在建模方法上，采用了成熟的BP神经网络方法，虽然结果均在误差范围之内，可以为森林调查提供数据和方法的参考，但亦可考虑不同机器学习方法的优劣带来的差异性影响。比如可尝试应用于林业遥感研究的随机森林、支持向量机^[27]等，以期得到更精确的空间连续森林冠层高度信息。

西南林区作为我国第二大天然林区，其生态环境复杂多样且脆弱，人工野外实测难以获取连续的森林冠层高度。研究表明，最新的ICESat-2/ATL08数据在西南地区的应用可靠，使用BP神经网络的机器学习方法拟合ATL08与MODIS信息，把西南地区森林冠层高度数据由不连续栅格点推及连续空间面上的方法可行。结果表明，我国西南地区森林冠层高度均值为16 m，小于2005年的森林冠层高度均值。整体来看，大于20 m的高值区分布在0~3 400 m的中低海拔区域，10 m以下区域位于四川西南部、重庆东北部、云贵高原中部等地。相较于2005年，在重庆南部与贵州北部交界处、贵州东北部、云南六诏山等地的森林覆盖度和冠层高度均有所提升，云南大理则略有减少。