衛星搭載ライダー（LiDAR）データの空間的な疎さの問題に対し、本論文では特徴補間に基づくマルチソースデータ融合手法を提案し、地域規模の森林地上バイオマス（Aboveground Biomass、AGB）マッピングを実現した。まず、GEDI L2A/L2B、ICESat‑2/ATL08からスポットスケールの三次元構造パラメータを抽出し、Sentinel-2 のスペクトル特徴変数および地形要因と組み合わせてスポットスケールの特徴変数データセットを構築した。次に、相関分析により高共線性特徴変数を除去し、CatBoost（カテゴリカル特徴の勾配ブースティング）、RF（ランダムフォレスト）、LightGBM（ライトグラディエントブースティングマシン）の3つの回帰アルゴリズムを比較して最適モデルを選択した。その後、CatBoostの特徴重要度とSHAP（SHapley Additive exPlanations）解釈に基づき、重要な特徴変数をさらに選別した。最後に、ライダーの主要特徴変数を補間して連続的なラスター特徴を取得し、最適な回帰モデルを通じて森林AGBの空間マッピングを実現した。検証結果では、スポットスケールのモデリングにおいてCatBoostが最良の性能を示し（R²=0.88、RMSE=78.74 Mg/ha、rRMSE=20.93%）、特徴補間およびマルチソースデータ融合に基づく空間マッピングの精度はR²=0.82、RMSE=60.90 Mg/ha、rRMSE=36.54%であり、光学リモートセンシング画像のみを用いたマッピングに比べてrRMSEが約34.7%低減した。特徴補間戦略を用いてライダーの主要構造変数を空間的に連続化し、高解像度の光学および地形情報と融合することで、スポットの空間分布の希薄さや光学画像の垂直構造情報の欠落といった問題を効果的に補い、大規模な森林炭素蓄積評価および生態系モニタリングの方法論的参考となる。

全球生態系動態調査; 氷雲陸地高度衛星; ライダー; 光学リモートセンシング画像; 特徴補間; 地上バイオマスマッピング