国家尺度机载激光扫描模型在单树胸径与材积预测中的可迁移性研究

本研究针对大范围森林调查中训练数据获取成本高的问题，探讨了基于机载激光扫描（ALS）的单树属性预测模型在空间迁移中的表现。通过芬兰全国范围的数据分析，研究发现结合坐标信息训练的随机森林模型在400公里范围内具有良好迁移能力，仅需混入5%的本地数据即可显著提升预测精度，为优化国家尺度森林资源监测提供了重要方法论支撑。

　　

随着全球对可持续生物经济重视程度的提升，森林生态系统服务功能的精准评估变得愈发重要。传统基于样地聚合的森林调查方法无法提供树木尺寸分布等关键信息，而单树水平的精准林业管理需要更详细的森林数据。虽然许多国家的机载激光扫描（ALS）项目能够检测单树并预测其属性，但模型训练仍面临巨大挑战——理想情况下每个ALS覆盖区域都应有自己的参考数据，但这需要在全国范围内测量数百万棵树。

为解决这一难题，芬兰地理空间研究所的研究团队在《Science of Remote Sensing》上发表了创新性研究，探讨国家尺度ALS单树属性预测模型的空间迁移能力。研究团队利用芬兰全国激光扫描计划（2020-2025年）的数据，覆盖16个生产区（平均面积2550 km2），采用5点/平方米的点云密度，使用RIEGL和Leica等多种传感器采集数据。

研究采用的关键技术方法包括：基于冠层高度模型的单树分割算法；随机森林回归模型（使用scikit-learn v1.2.2实现）；树高校准模型（H_cal = aH_laser + b）；改进的异速生长方程（基于Laasasenaho模型并整合土壤类型和积温数据）；以及基于空间坐标（x,y）和树高的三维树木匹配算法。参考数据来自2022-2023年夏季在全国16个站点测量的2878个样地、175,264棵树木的实地测量数据，主要树种包括欧洲赤松（Pinus sylvestris）、挪威云杉（Picea abies）和桦木（Betula spp.）。

4.1. 目标站点数据未包含在训练数据中

研究发现：当训练数据收集半径达到400公里时，包含坐标特征的模型表现最佳。DBH预测的RMSE%平均仅比现场数据模型高0.8个百分点，材积预测高1.3个百分点。无坐标模型的性能在300公里后开始下降，表明坐标信息对维持模型迁移能力至关重要。

4.2. 树种与增量收敛

不同树种对训练数据量的响应差异显著：松树和云杉从增加数据中获益更大，而桦树的改善幅度有限（仅3 dm3）。当训练数据量达到35%时，RMSE的改善趋于稳定，但偏差的改善始终不明显。

4.3. 远距离训练数据的预测稳健性

训练集大小不能完全抵消距离增加带来的预测精度下降。DBH的RMSE以0.27-0.28 cm/100 km的速率增加，材积以8.08-13.18 dm3/100 km的速率增加。大训练集虽能降低初始误差，但无法改变误差随距离增长的趋势。

4.4. 加入现场校准数据

仅需加入5%的现场数据（约550棵树），结合坐标特征的模型性能即可与完全使用现场数据的基线模型相当。这一发现为减少野外测量工作量提供了实用解决方案。

研究结论表明，基于ALS的单树属性预测模型在400公里半径内具有良好迁移性，坐标信息是维持模型性能的关键因素。少量现场校准数据（5%）即可显著提升预测精度，这为国家尺度森林资源监测提供了一种成本效益优化的解决方案。该研究的创新性在于首次在全国尺度上量化了模型迁移的空间边界和校准数据需求，为其他国家开展类似研究提供了重要参考。需要注意的是，由于芬兰独特的地理和气候条件（部分站点位于北极圈内，沿海与内陆条件差异），研究结果在其他地区的适用性仍需进一步验证。未来研究可探索更复杂的模型架构和更密集的点云数据，以进一步提升迁移预测的准确性。