图1 基于自动机器学习ICESat-2分类与冠层高度估测流程图

高精度测量大区域森林冠层高度是森林碳汇计量的重要基础，对于理解全球碳循环并支持“双碳”目标至关重要。传统的森林资源调查通常依赖地面测量，且难以进行大区域森林资源监测。ICESat-2卫星搭载的先进地形激光高度计系统（ATLAS），能够获取大区域地物的激光雷达光子探测数据，具有刻画森林垂直结构参数的能力。然而，这项技术易受到大气与太阳辐射的干扰，需采用精确的噪声识别算法提升应用价值。监督分类的去噪方法能够基于多种特征视角，在ICESat-2数据中区分噪声和信号，但模型应用往往受限于泛化能力。

资源所激光雷达团队针对基于监督学习的ICESat-2去噪模型所面临的主要问题，选取中国典型林区开展研究，采用机器学习算法开发了光子点云数据的通用去噪方法，评估了算法在不同森林和地形条件下的空间可转移性。研究从森林区域光子三维空间分布的视角出发，构建了一个光子去噪特征参数体系，有效提升了模型可转移能力。随后，利用自动化机器学习（AutoML）在六种非参数回归模型中进行模型选择和超参数优化。

该算法能够有效区分信号光子与噪声光子。基于信号光子估算的冠层高度与机载激光扫描（ALS）测得的冠层高度一致，表现出皮尔逊相关系数（r）=0.89、均方根误差（RMSE）=3.75 m、相对均方根误差（rRMSE）=0.27、相对偏差（rBias）=-0.11以及平均偏差=-1.45 m。与美国宇航局官方的ATL08产品相比，全局模型的冠层高度估算精度平均提高了21%。该模型在空间迁移方面具有显著优势，其迁移模型的精度较ATL08提升4%至41%不等，为大规模环境数据分析提供了一种稳健且具可迁移性的解决方案。

该项研究成果于近期发表于《International Journal of Applied Earth Observation and Geoinformation》（JAG），该期刊是遥感领域顶级期刊之一，2025年影响因子7.5。博士二年级研究生孔丹为第一作者，资源所激光雷达团队首席专家庞勇研究员为通讯作者。本项研究得到国家重点研发计划（2023YFE0105100-3）、国家自然科学基金（41871278）项目的联合资助。