森林树高是表征森林三维结构、估算森林生物量和碳储量的重要参数。针对 GEDI 星载激光雷达足迹精度高但空间不连续、Sentinel-2 多光谱影像连续覆盖但垂直结构表达不足的问题，本文提出协同 GEDI 产品与 Sentinel-2 数据的 MS-CBAM-CNN 算法，通过多尺度卷积特征融合和 CBAM 注意力机制，增强模型对局部细节、空间上下文和关键光谱特征的提取能力，实现区域森林树高连续反演制图。
GEDI 能直接获取森林垂直结构信息，是区域树高反演的重要真值来源；但 GEDI 观测为空间离散足迹，无法直接形成连续图谱。Sentinel-2 可提供连续多光谱覆盖，二者协同是区域树高制图的有效路径。
星载 LiDAR 能提供森林冠层高度等三维结构参数，是反演树高和生物量的重要观测基础。
GEDI 观测沿轨道分布，空间覆盖呈离散点状，难以直接满足区域连续森林资源制图需求。
森林树高受树种、龄组、冠层结构、地形和光谱饱和影响，传统机器学习难以充分挖掘空间上下文和非线性关系。
MS-CBAM-CNN 的关键思想是：利用多尺度卷积同时捕捉局部纹理与较大范围空间上下文，再通过通道注意力和空间注意力筛选对树高反演最有贡献的特征。
以 GEDI 产品提供的森林高度信息作为训练标签，与 Sentinel-2 多光谱波段、植被指数及空间邻域特征进行配准，构建样本数据集。
通过不同尺度卷积核提取森林冠层纹理、斑块结构和空间上下文信息，解决单一卷积尺度难以兼顾局部细节与区域结构的问题。
引入 CBAM 模块，从通道维和空间维自动强调关键光谱特征与重要空间位置，提升模型对复杂森林结构的表达能力，并输出区域连续树高图。
流程把 GEDI 的垂直结构标签和 Sentinel-2 的空间连续优势结合起来，服务区域树高制图。
注意力机制提升了模型对关键光谱—空间特征的选择能力，避免无关或冗余特征干扰。
森林树高是生物量估算和碳储量评估的重要输入。MS-CBAM-CNN 通过深度特征学习增强树高反演精度，有助于将离散 GEDI 观测扩展为连续区域产品。
本文表明，GEDI 与 Sentinel-2 的协同融合，结合多尺度卷积和注意力机制，可有效提升区域森林树高反演能力，为森林资源调查、生态系统结构监测和碳收支评估提供数据支撑。
GEDI 提供高精度垂直结构标签，Sentinel-2 提供连续空间覆盖，二者协同弥补单源数据不足。
MS-CBAM-CNN 能更好捕捉多尺度空间纹理和关键光谱特征，提高复杂森林场景下的反演能力。
连续树高产品可用于森林生物量估算、碳储量评价、森林经营和生态保护成效监测。