利用机载激光扫描数据，考虑森林垂直分层特征对日本森林植被类型进行分类

《Ecological Indicators》：Classification of forest vegetation types considering forest vertical stratification using airborne laser scanning data in Japan

本研究利用低密度公共航空激光扫描数据，结合垂直分层指标（如 euphotic 体积）和地形指标（如坡度、坡向），构建了地面真实样本，采用随机森林算法对人工云杉林和自然森林类型进行分类。结果显示，模型A（人工林分类）总体精度达0.909，模型B（自然森林分类）达0.882，证明垂直分层和地形特征能有效区分复杂自然森林类型，为日本林业管理提供技术支持。

　　本研究聚焦于森林植被分类，特别是针对人工针叶林和自然森林类型的识别。随着对广叶林分类的关注度不断提升，研究者们开始探索在不适合传统林业活动的区域引入多层森林和广叶林的概念。此前的植被分类研究主要依赖于航空激光扫描技术，采用与树冠表面相关的指标，如反射强度和树冠坡度。然而，这些方法在区分自然森林类型方面存在局限，因此本研究在原有指标基础上，引入了与垂直分层相关的指标，如垂直复杂度指数（VCI）和树冠的透光体积（Euphotic），以及地形指标，以提高分类精度。

研究团队利用实地调查和无人机正射影像图构建了地面真实样本，从而为分类模型提供了可靠的数据基础。在此基础上，采用随机森林算法进行植被分类，并验证其准确性。研究结果显示，两种分类模型均达到了较高的整体准确率（OA）：Model A（分为三类：杉木、扁柏和自然森林）的OA为0.909，Model B（分为五种自然森林类型）的OA为0.882。这表明，通过引入垂直分层指标，能够有效捕捉自然森林的复杂性，从而实现更精细的分类。

在Model A中，Euphotic指标被确认为最关键的因素，而在Model B中，地形坡度和Euphotic指标同样具有重要地位。这些发现进一步验证了自然森林在垂直结构上的复杂性远高于人工森林，并且垂直分层指标在提升分类精度方面具有显著作用。此外，地形指标如坡度和太阳辐射也被纳入考虑范围，以反映不同地形条件对植被分布的影响。这些指标能够帮助识别自然森林在不同海拔和坡度条件下的独特特征，从而增强分类模型的准确性。

研究区域位于日本京都府南丹市的Ohno实验林，总面积为402.76公顷，海拔范围从200米到650米。该区域地形复杂，由两条山谷组成，中间被一条河流隔开。由于地形的不规则性，传统的光学遥感技术如卫星图像和航空影像难以准确识别自然森林。因此，研究团队结合了实地调查和高分辨率无人机正射影像图，以生成更精确的植被图。同时，利用航空激光扫描数据（ALS数据）提取植被特征，包括树冠表面指标、垂直分层指标和地形指标，从而构建分类模型。

本研究的数据来源包括来自南丹市政府的低密度ALS数据，其点密度最低为4点/平方米，平均约为50点/平方米。此外，无人机正射影像图用于生成植被多边形，作为地面真实样本。这些影像图具有4.0厘米/像素的地面采样距离，有助于识别不同植被类型。研究团队通过使用FUSION/LDV软件、R语言以及lidR等工具，从ALS数据中提取了多种植被特征。其中，5米的网格单元大小被采用，以确保与之前使用垂直结构指标的研究保持一致，同时平衡了局部植被异质性的捕捉和复杂森林环境中的噪声最小化。

研究中使用了多种植被特征，包括树冠高度模型（CHM）的坡度、数字表面模型（DSM）的标准差、树冠反射强度、最后反射脉冲与总反射脉冲的比例（LP）、Euphotic、VCI等垂直分层指标，以及地形指标如坡度、坡向、太阳辐射和湿润度指数（TWI）。这些指标能够反映不同植被类型的结构特征和环境条件，从而为分类提供丰富的信息。例如，Euphotic作为垂直分层指标，能够量化树冠的透光体积，反映其密度和结构复杂性。而地形指标如坡度和太阳辐射则能够帮助识别不同植被类型在地形条件下的分布规律。

在Model A中，Euphotic、CHM坡度、p95（95百分位树高）、反射强度和LP等指标的重要性排序明确。其中，Euphotic指标被发现对区分人工针叶林和自然森林具有关键作用，而CHM坡度则对杉木林的分类效果较好。研究还发现，反射强度在分类中具有重要地位，尤其是在区分扁柏林方面。然而，反射强度的稳定性可能受到传感器校准和大气条件的影响，因此其重要性可能在不同数据集中存在差异。

Model B则聚焦于对五种自然森林类型的分类，结果显示地形指标和垂直分层指标的重要性显著提升。例如，坡度和太阳辐射成为区分不同自然森林类型的关键因素，而Euphotic和VCI则进一步细化了分类。研究团队还发现，不同自然森林类型的树高存在显著差异，这表明p95作为上层树高指标在分类中的作用。此外，VCI能够反映树冠点云分布的均匀性，其值接近1表示点云在垂直方向上分布较为均匀，而接近0则表示分布不均，这有助于识别植被类型的垂直结构特征。

研究的分类结果表明，Model A的分类精度较高，能够有效区分杉木、扁柏和自然森林。而Model B在更细粒度的自然森林分类中表现良好，尽管部分自然森林类型之间的分类准确率仍存在一定差异。例如，Castaneo crenatae-Quercetum crispulae的用户准确率（UA）较低，可能与其他植被类型存在相似特征。此外，某些自然森林类型如Rhododendro macrosepali-Pinetum densiflorae和Mixed Riparian Forests在分类中被误判为Castaneo crenatae-Quercetum crispulae，这可能与它们在某些指标上的相似性有关。

总体而言，本研究通过引入垂直分层和地形指标，成功提高了自然森林类型的分类精度。尽管当前研究基于特定区域，但其方法具有广泛的适用性，能够用于其他具有相似地形特征的地区。此外，研究结果表明，低密度ALS数据在植被分类中具有潜力，特别是在结合地面真实样本和高分辨率无人机影像的情况下。未来的研究可以进一步验证这些方法在不同森林类型和地理区域中的有效性，并探索其在更大范围内的应用前景。