Spatially explicit feature importance for building height estimation using research-access high-resolution SAR and optical sensors
利用地理加权随机森林结合TerraSAR-X、PlanetScope和Sentinel-1数据，Brazil Porto Alegre城市建筑高度预测RMSE为5.34米。
核心发现
方法论
本研究采用地理加权随机森林（GWRF）模型，结合多源遥感数据进行建筑高度预测。数据来源包括TerraSAR-X StripMap合成孔径雷达（SAR）数据、PlanetScope中高分辨率光学影像和Sentinel-1合成孔径雷达（SAR）数据。特征提取涵盖建筑轮廓几何、阴影长度、光谱反射率、InSAR差分高度、SAR背散射强度及纹理特征。通过对每个建筑物的区域统计，构建了包含66个变量的特征集。考虑到建筑高度的空间自相关性，模型采用空间加权策略，为每个建筑局部拟合随机森林模型，结合局部与全局预测。特征重要性分析显示，不同建筑类型和空间位置，几何、阴影和光谱特征的贡献存在显著差异。模型在Porto Alegre的验证中，取得RMSE为5.34米，R²为0.756，明显优于非空间模型。特征贡献的空间分布揭示低层建筑由轮廓几何主导，高层建筑则由阴影和光谱特征驱动，反映不同传感器在不同建筑类型中的优势。
关键结果
- 模型整体性能优异，RMSE为5.34米，R²达0.756，显著优于传统非空间模型（RMSE约5.76米，R²约0.716），验证了空间加权策略的有效性。
- 特征重要性分析显示，低层建筑（<6米）主要由轮廓几何特征支配，占比32.4%；中高层建筑（6-20米）阴影特征占比逐步上升；超高层建筑（>35米）则由光谱反射率主导，反映不同建筑类型的特征差异。
- 空间分布分析揭示，不同城市区域的建筑高度预测依赖不同传感器组合。例如，市中心区域阴影和光谱特征占优势，而郊区则几何特征更重要。这种空间异质性为城市规划和灾后评估提供了有价值的参考。
研究意义
本研究突破了在全球南方地区缺乏高成本激光雷达（LiDAR）数据的限制，利用公开获取的多源遥感数据实现建筑高度的精细化估算。模型的空间可解释性为城市规划、材料存量评估及灾后重建提供了科学依据，尤其适用于资源有限、数据缺乏的地区。通过分析不同传感器在不同空间和建筑类型中的贡献，揭示了多源数据融合的潜力，为未来城市遥感监测提供了新思路。此外，该方法的可扩展性和低成本特性，有望在全球范围内推广应用，改善城市基础数据的获取效率与精度。
技术贡献
本研究首次将地理加权随机森林（GWRF）应用于多源遥感数据的建筑高度估算，结合SAR和光学数据的空间异质性，显著提升预测精度。模型通过局部加权处理空间自相关问题，克服了传统随机森林在空间数据中的局限性。特征重要性分析实现了模型的可解释性，揭示了不同建筑类型和空间环境下传感器的贡献差异。这一方法为遥感数据融合提供了新范式，兼具高精度与空间可解释性，推动了城市遥感在实际应用中的落地。此外，论文还提出了多源特征的系统提取流程，为后续研究提供了技术基础。
新颖性
本研究的创新点在于将地理加权随机森林引入多源遥感建筑高度估算，结合SAR、Optical和InSAR数据，系统分析不同传感器在空间和建筑类型中的贡献。此前多源融合多为全局模型，缺乏空间差异性分析，而本研究实现了局部特征重要性可视化，揭示了不同建筑特征的空间分布规律。这种空间敏感的模型设计，首次在全球南方城市中实现高精度、可解释的建筑高度估算，为遥感在城市基础数据获取中的应用开辟了新路径。
局限性
- 尽管模型表现优异，但在极端复杂地形或极端建筑密集区，阴影和SAR信号可能出现饱和或误差，影响预测准确性。
- 模型依赖于高质量的LiDAR参考数据，若参考数据存在偏差或不足，可能影响模型训练和验证的效果。
- 当前研究仅在Porto Alegre一座城市验证，模型的泛化能力尚需在其他城市进行验证，特别是在不同的城市结构和传感器配置下。
未来方向
未来的研究方向包括引入深度学习模型如卷积神经网络（CNN）以提升高层建筑的预测精度，结合多时相数据实现动态监测，以及在不同城市和地理环境中验证模型的普适性。此外，探索更丰富的传感器组合（如高光谱、激光雷达模拟数据）以增强对复杂建筑的识别能力，也是未来的重要方向。模型的空间可解释性也可用于城市规划中的决策支持，推动遥感技术在城市管理中的深度融合。
AI 总览摘要
在全球城市化进程不断加快的背景下，获取精确的建筑高度信息成为城市规划、灾害评估和材料存量统计的关键。然而，传统的高精度测量手段如激光雷达（LiDAR）在资源有限地区难以大规模部署，尤其是在全球南方国家。现有的遥感方法多依赖于高成本的商业影像或低分辨率的光学数据，难以满足细粒度的城市基础数据需求。为解决这一瓶颈，本文提出了一种基于地理加权随机森林（GWRF）的多源遥感数据融合策略，结合TerraSAR-X合成孔径雷达、PlanetScope光学影像和Sentinel-1 SAR数据，实现了Porto Alegre城市建筑高度的高精度估算。
该方法的核心在于利用多源数据的互补优势：SAR数据提供了结构信息，光学影像反映了材料和阴影特征，而InSAR技术则捕捉了地表微变形。通过提取建筑轮廓几何、阴影长度、光谱反射率、SAR背散射和纹理特征，构建了66个特征变量集。考虑到建筑高度的空间自相关性，模型采用空间加权策略，为每个建筑局部拟合随机森林模型，从而实现空间异质性的充分利用。
实验结果显示，该模型在Porto Alegre的验证中，取得了RMSE为5.34米、R²为0.756的优异性能，明显优于非空间模型。特征重要性分析揭示，不同建筑类型和空间位置，几何、阴影和光谱特征的贡献存在显著差异。例如，低层建筑主要由几何特征驱动，而高层建筑则由阴影和光谱特征主导。这一空间异质性分析，为城市规划和灾后重建提供了科学依据。
该研究的意义在于突破了资源有限地区缺乏高成本激光雷达数据的限制，利用公开获取的多源遥感数据实现了建筑高度的细粒度估算。模型的空间可解释性，为城市管理者提供了具体的决策依据，推动了遥感技术在实际应用中的落地。未来，结合深度学习模型和多时相数据，有望进一步提升高层建筑的预测精度，并实现动态城市监测。这一方法的推广，有望在全球范围内改善城市基础数据的获取效率，为智能城市和可持续发展提供技术支撑。
深度分析
研究背景
城市建筑高度信息是城市遥感研究的重要方向之一。早期方法主要依赖于激光雷达（LiDAR）和立体像对，具有高精度但成本昂贵，难以在大范围内普及。近年来，随着多源遥感数据的丰富和算法的发展，利用光学影像、合成孔径雷达（SAR）和InSAR技术实现建筑高度估算成为研究热点。代表性工作如Frantz等（2021）结合Sentinel-1和Sentinel-2数据实现德国城市的建筑高度映射，取得RMSE约6.07米。Yadav等（2025）利用深度学习架构在类似数据集上将误差降低至1.89米。尽管如此，这些方法多依赖于高分辨率数据，成本较高，限制了其在资源有限地区的应用。当前研究旨在突破这一瓶颈，利用公开获取的中高分辨率SAR和光学数据，结合空间加权模型，提升城市建筑高度的空间分辨率和可解释性。
核心问题
在全球南方地区，尤其是发展中国家，缺乏大规模、高精度的激光雷达数据，限制了城市建筑三维信息的获取。传统方法依赖昂贵的商业高分辨率影像或激光雷达，成本高、数据获取难、更新频率低，难以满足快速发展的城市需求。此外，单一传感器在不同建筑类型和空间环境中表现差异显著，缺乏对空间异质性的理解。如何利用低成本、公开获取的遥感数据，结合空间敏感的模型，实现高精度、细粒度的建筑高度估算，成为亟待解决的核心问题。
核心创新
本研究的创新点主要体现在以下几个方面：1）引入地理加权随机森林（GWRF）模型，有效处理空间自相关和异质性问题，提升预测精度；2）融合TerraSAR-X、PlanetScope和Sentinel-1多源数据，充分利用结构信息、材料反射和微变形特征，丰富特征空间；3）系统提取66个多模态特征，结合建筑轮廓、阴影、光谱、SAR背散射和纹理，实现多角度、多尺度的特征表达；4）通过空间局部特征重要性分析，揭示不同建筑类型和空间区域的特征贡献差异，为城市规划提供可解释的依据。这些创新点共同推动了低成本、多源遥感建筑高度估算的技术发展。
方法详解
- �� 数据采集：整合TerraSAR-X StripMap SAR数据、PlanetScope光学影像和Sentinel-1 SAR数据，获得Porto Alegre市区的多源遥感影像。
- �� 特征提取：从光学影像中提取NDVI、NDBI、亮度等光谱指标及纹理特征；利用阴影指数和太阳角度计算阴影长度，估算建筑高度；通过InSAR差分生成数字表面模型（DSM）；提取SAR背散射强度和纹理特征；分析建筑轮廓几何属性（面积、周长、方向、延展性）及空间邻近关系。
- �� 数据预处理：对所有特征进行区域统计，确保每个建筑物的特征完整性，构建包含66个变量的特征集。
- �� 空间自相关分析：采用Moran's I检验建筑高度的空间聚集性，确认模型需要空间敏感策略。
- �� 模型构建：基于空间加权思想，采用GWRF模型，为每个建筑局部拟合随机森林，结合局部与全局预测。
- �� 特征重要性分析：在空间层面评估每个特征的贡献，识别不同空间和建筑类型的主导特征。
- �� 模型验证：采用10折交叉验证，评估RMSE和R²指标，比较空间加权与非空间模型性能。
实验设计
实验在Porto Alegre市进行，利用LiDAR数据作为参考，验证模型的预测能力。模型训练采用包含66个特征的全数据集，采用10折交叉验证，确保结果的稳健性。对比分析包括全局随机森林模型和空间加权模型的性能差异。特征重要性通过局部分析揭示不同建筑类型和空间区域的特征贡献。模型参数如带宽和空间权重比值通过空间自相关分析优化。实验还分析了不同建筑高度区间的特征贡献差异，验证模型在低层、中层和高层建筑中的适应性。最终，模型在验证集中实现了RMSE为5.34米，R²为0.756，充分展现了多源数据融合和空间加权策略的有效性。
结果分析
模型整体性能优异，RMSE为5.34米，R²达0.756，显著优于传统非空间模型（RMSE约5.76米，R²约0.716），验证了空间加权策略的有效性。特征重要性分析显示，低层建筑（<6米）主要由几何特征支配，占比32.4%；中高层建筑（6-20米）阴影特征占比逐步上升；超高层建筑（>35米）由光谱反射率主导，反映不同建筑类型的特征差异。空间分布分析揭示，不同城市区域的建筑高度预测依赖不同传感器组合。例如，市中心区域阴影和光谱特征占优势，而郊区则几何特征更重要。这种空间异质性为城市规划和灾后评估提供了有价值的参考。
应用场景
该方法适用于城市基础数据的快速更新、灾害后重建评估和材料存量统计。城市规划部门可以利用模型提供的高精度建筑高度信息，优化土地利用和基础设施布局。灾害响应中，快速获得建筑损毁情况，辅助决策制定。研究还可推广至其他资源有限地区，推动低成本城市遥感监测体系的建立。未来结合动态多时相数据，有望实现城市变化的实时监测和管理，为智能城市建设提供技术支撑。
局限与展望
模型在极端复杂地形或密集城区中可能受到阴影和SAR信号饱和的影响，导致预测误差增加。参考LiDAR数据的质量直接影响模型训练效果，若数据偏差会带来误导。模型目前仅在Porto Alegre验证，泛化能力有限，需在不同城市和地理环境中验证其适用性。此外，模型对高层建筑的预测仍有提升空间，未来需引入更丰富的传感器数据和深度学习技术以增强性能。
通俗解读 非专业人士也能看懂
想象你在一个工厂里工作，工厂里有许多不同的机器，每台机器的高度都不同。有些机器很矮，有些很高。工厂的管理者想知道每台机器的高度，但他们不能直接测量每台机器，因为工厂太大了，测量太费时间。于是，他们用了一些特殊的相机和传感器，就像用眼睛观察一样，从不同角度和距离拍摄工厂的图片和视频。
这些相机有的可以看到机器的结构，有的可以看到机器投下的影子，还有的可以感受到机器的震动和反射。工厂的工程师们把这些信息整理成很多数据，比如机器的轮廓、影子长度、反光程度等。然后，他们用一种聪明的算法，把这些数据结合起来，建立一个模型，告诉他们每台机器大概有多高。
这个模型就像一个非常聪明的机器人，它可以根据不同的线索判断机器的高度。比如，矮的机器主要靠它的轮廓线判断，高的机器则靠影子和反光来估算。这个方法非常节省时间和成本，而且还能告诉管理者工厂里哪些机器很高，哪些很矮。这样，他们就能更好地安排工作，确保每台机器都在合理的位置上。这个过程就像用不同的观察角度和线索，拼凑出工厂里每台机器的高度图谱一样，非常有趣，也非常实用。
简单解释 像给14岁少年讲一样
想象你在学校的操场上玩影子游戏。你用手指挡住太阳，观察影子变长还是变短。你发现，影子越长，物体越高；影子越短，物体越矮。现在，假设你想知道远处建筑的高度，但你不能直接爬上去测量。于是，你用一台特殊的相机拍摄建筑，得到建筑的影子长度和反光情况。你还用另一个相机看建筑的轮廓和形状。通过这些信息，你可以用一些数学方法，把影子长度和反光情况转化成建筑的高度。这个过程就像拼图游戏，把不同的线索拼在一起，帮你猜出建筑有多高。科学家们用类似的方法，结合不同的遥感数据，建立模型，预测城市中每栋建筑的高度。这样，即使没有直接测量，也能得到详细的城市天际线信息。这对城市规划、灾害评估都非常有帮助，就像用影子游戏了解远处的建筑一样聪明又有趣！
原文摘要
Accurate building height information at the individual footprint scale is essential for material stock accounting and post-disaster damage assessments yet remains difficult to obtain at city scale in the Global South where airborne LiDAR coverage is rare and commercial very high-resolution imagery is cost-prohibitive or unavailable. While recent works have demonstrated building height estimation using freely available Sentinel imagery, the resolution ceiling of resulting products is still coarse for material stock analysis. This study incorporates products derived from data freely accessible under scientific research licenses, TerraSAR-X StripMap and PlanetScope, alongside Sentinel-1 to predict building heights in a large city in Brazil. To account for the spatial autocorrelation in the training set, features from all sources are integrated in a geographically weighted random forest model, returning an RMSE of 5.34 m and R2 of 0.756 against a LiDAR reference dataset. Local feature importance showed predictor dominance to vary consistently across intra-urban contexts, with footprint geometry dominating for low-rise buildings, shadow-derived height for taller and more isolated structures, and spectral reflectance for the tallest buildings in the set. Sentinel-1 backscatter and InSAR occupy complementary spatial niches, with no single sensor uniformly preferable across the set. Results provide optioneering guidance and insight over satellite-derived products predictive relevance in distinct contexts, which global machine learning or neural network models cannot offer.
参考文献 (11)
National-scale mapping of building height using Sentinel-1 and Sentinel-2 time series
D. Frantz, Franz Schug, A. Okujeni 等
A comparative study on shadow compensation of color aerial images in invariant color models
V. J. Tsai
Inferring building height from footprint morphology data
Clinton Stipek, T. Hauser, Daniel S. Adams 等
How high are we? Large-scale building height estimation at 10 m using Sentinel-1 SAR and Sentinel-2 MSI time series
Ritu Yadav, A. Nascetti, Yifang Ban
HEIGHT DETERMINATION OF EXTENDED OBJECTS USING SHADOWS IN SPOT IMAGES
V. Shettigara, G. M. Sumerling
GMES Sentinel-1 mission
R. Torres, P. Snoeij, D. Geudtner 等
The TerraSAR-X Mission and System Design
R. Werninghaus, S. Buckreuss
A 30 m global map of elevation with forests and buildings removed
Laurence Hawker, P. Uhe, Luntadila Paulo 等
Sensitivity of Sentinel-1 backscatter to characteristics of buildings
Kalev Koppel, K. Zalite, K. Voormansik 等
PyGRF: An Improved Python Geographical Random Forest Model and Case Studies in Public Health and Natural Disasters
Kai Sun, Ryan Zhenqi Zhou, Jiyeon Kim 等
Developing a method to estimate building height from Sentinel-1 data
Xuecao Li, Yuyu Zhou, P. Gong 等