基于无人机激光扫描（ULS）解析林分尺度树木死亡的主导因素：冠层结构与邻域竞争的作用机制与碳汇管理应用

本文利用无人机激光扫描（ULS）技术结合分段结构方程模型（piecewise SEM），系统分析了冠层结构（Crown Structure）和邻域竞争（Neighborhood Competition）对树木死亡的直接与间接影响。研究表明，光竞争（CPI）是导致死亡的主要直接因素，而整体竞争环境通过改变冠层结构间接影响死亡率。所构建的广义线性混合效应模型（GLMM）预测精度高（AUC=0.91，OA=87%），为林木精准抚育和碳汇潜力提升提供了空间显性决策支持。

　　

Highlight

机载或无人机激光扫描获取的点云数据集已被广泛研究，为森林结构动态的精细监测提供了宝贵资源。本研究提出了一种应用框架，将ULS与自动点云分割算法相结合，通过冠层三维重建提取冠层结构变量与邻域竞争变量，以预测树木周期性死亡概率。基于最优死亡率模型生成的死亡风险图，能够以高空间分辨率识别高风险树木，从而优化林分密度并提升保留林分的碳汇潜力。

Discussion

通过无人机激光扫描（ULS）获取的点云数据集为森林结构动态的精细监测提供了前所未有的资源。本研究提出了一种结合ULS与自动点云分割算法的应用框架，通过三维重建冠层提取冠层结构与邻域竞争变量，进而预测树木周期性死亡概率。基于最优模型生成的死亡率空间分布图，能以高分辨率识别高风险树木，为林分密度优化和碳汇潜力提升提供空间显性决策工具。

Conclusion

本研究开发了一套基于ULS数据的树木死亡因子分析框架，并对扫描区域内的周期性树木死亡率进行了预测与制图。结果表明，竞争是影响树木死亡的主导因子，其中光竞争（CPI）产生直接影响，而整体竞争环境（如CCp₇₅）及相对地位通过影响个体冠层结构（如LCR与CW）间接作用于死亡率。此外，我们强调了ULS在推动现代精准林业实践转型中的潜力，尤其在支持疏伐操作和碳汇预测方面具有显著优势。