利用基于面积的方法和机器学习，通过无人机激光雷达（UAV-LIDAR）估算桉树（Eucalyptus spp.）基因型的生物量和碳含量

《International Journal of Forestry Research》：Biomass and Carbon of Eucalyptus spp. Genotypes Estimated With UAV-LIDAR Using Area-Based Approach and Machine Learning

上述研究旨在利用UAV-LiDAR数据和机器学习算法估算桉树（Eucalyptus）各分层（总生物量、树干、树冠）的生物量和碳储量，为森林碳监测提供技术支持。通过主成分分析（PCA）筛选变量，结合随机森林（RF）和极端梯度提升树（XGB）等模型，在巴西圣保罗州实验区域验证了RF在总生物量和树干估算中的高精度（调整R2>0.95），而XGB在树冠部分表现更优（调整R2=0.765）。研究证实UAV-LiDAR结合非参数化算法可有效提升森林碳储量估算精度，支持气候变化缓解策略。

　　本研究聚焦于利用无人机激光雷达（UAV-LiDAR）数据和建模技术，量化桉树（*Eucalyptus* spp.）不同树冠分层（包括总树干、树干和树冠）的地上生物量和碳储量。研究区域位于巴西圣保罗州的Itatinga镇，是EUCFLUX项目的一部分，该项目旨在探讨桉树种植对气候和碳循环的影响。研究采用了五个实验区，每个区种植了25种桉树种质资源，以评估其生物量和碳储存情况。在2023年5月，研究人员进行了森林调查和破坏性采样，以获取地上生物量的真实数据。同时，UAV-LiDAR数据由DJI Matrice 300无人机搭载Zenmuse L1传感器采集，数据采集高度为80米，飞行速度为9米/秒，覆盖宽度为450米，从而获得了每平方米平均389.30个点的高密度点云数据。

为了构建预测模型，研究者采用了主成分分析（PCA）方法，从UAV-LiDAR数据中选取关键指标。研究结果表明，随机森林（Random Forest, RF）算法在总地上生物量和树干生物量的预测中表现优异，调整后的决定系数（R2）分别为0.952和0.959，误差均值分别为5.42%和4.59%。而极端梯度提升（Extreme Gradient Boosting, XGB）算法在树冠分层的预测中表现突出，调整后的R2分别为0.765和0.707，误差分别为13.49%和15.06%。这些结果展示了UAV-LiDAR和非参数算法在桉树种植地上生物量和碳储量估算中的潜力，为应对气候变化提供了技术支持。

巴西是全球种植桉树面积最大的国家之一，桉树在该国的种植面积占总人工林面积的76%。由于桉树在碳循环和气候调节中的重要作用，对桉树地上生物量和碳储量的准确估算变得尤为重要。传统的地上生物量估算方法通常涉及直接的森林调查和破坏性采样，这些方法不仅耗时耗力，还受到成本和执行时间的限制。因此，非破坏性、连续性和空间性的方法，特别是基于遥感技术的数据分析，成为研究的重点。LiDAR作为一种主动激光扫描传感器，能够穿透森林并获取高分辨率的三维信息，是此类研究的重要工具。

研究中提到的LiDAR系统可以根据脉冲信号形式（离散或连续）、平台类型（空中、地面或轨道）和足迹大小（小、中或大）进行分类。在估算地上生物量时，可以采用两种主要方法：基于个体树的检测（ITD）和基于面积的估算（ABA）。ABA方法通过提取特定区域或林分的属性来构建预测模型，这种方法在处理大规模数据时具有优势。然而，它也受到点云密度、飞行条件、模型的时空可转移性以及数据处理复杂度等因素的限制。

在研究中，森林调查与破坏性采样相结合，以获取准确的生物量数据。调查中，研究人员测量了树干胸高直径（DBH）和树高，并使用Trorey的高斯高度模型（Gaussian Height Model）和Schumacher–Hall体积模型进行估算。对于破坏性采样，研究者对被砍伐的树木进行分部切割，测量其湿重，并在65°C下干燥以获取干重。通过对各部分的干重和湿重进行分析，计算出总干物质百分比和总干生物量，再结合平均碳含量（46.08%）估算出碳储量。这一过程确保了对桉树不同树冠分层的碳储存情况有精确的了解。

在UAV-LiDAR数据处理过程中，研究者首先使用Cloth Simulation Filter（CSF）对点云进行分类，以分离地面点。随后，利用kNN算法生成数字高程模型（DTM），并使用点到栅格（p2r）算法构建数字表面模型（DSM）和树冠高度模型（CHM）。这些模型的分辨率均为0.5米，有助于提高生物量和碳储量估算的精度。研究者还提取了多种高度相关的指标，如最大高度、平均高度、标准差、偏度、峰度和熵，以及高度百分位数和累积返回百分比，以构建最终的预测模型。

为了提高模型的预测性能，研究者采用了主成分分析（PCA）和逐步回归（stepwise regression）方法筛选出最佳的预测变量。最终的模型构建过程中，研究者将数据集分为训练集（70%）和验证集（30%），并测试了多种机器学习算法，包括人工神经网络（ANN）、k近邻（kNN）、随机森林（RF）、支持向量回归（SVR）和极端梯度提升（XGB）。RF和XGB在多个分层中表现出色，其中RF在总地上生物量和树干生物量的预测中取得了最佳结果，而XGB则在树冠分层的预测中表现出更高的准确性。这些算法的参数优化过程通过“caret”包在R软件中完成，确保了模型的稳定性和可重复性。

研究结果表明，RF算法在总地上生物量和树干生物量的预测中取得了较高的调整R2值，误差率低于5%。这表明RF算法能够有效地捕捉桉树种植地上生物量的非线性关系，并减少模型过拟合的风险。XGB算法在树冠分层的预测中表现最佳，其调整R2值为0.765和0.707，误差率分别为13.49%和15.06%。这表明XGB算法在处理复杂、非线性且异质性强的树冠结构时具有更高的灵活性和适应性。此外，研究者还使用了Bland–Altman图来验证模型的预测结果，确保了预测模型的可靠性。

从实验数据来看，桉树不同分层的生物量分布存在显著差异。树干部分的生物量占总地上生物量的89%，而树冠部分（包括枝叶和枯枝）则占剩余的11%。这一结果与之前的研究一致，表明树干是桉树地上生物量的主要组成部分。此外，不同桉树种质的生物量和碳储量存在显著差异，其中种质21表现出最高的生物量和碳储量，而种质25则表现出最低的数值。这种差异可能与种质的生长特性、环境条件和种植管理方式有关。

研究还指出，尽管RF和XGB在不同分层中表现出色，但其他算法如ANN、kNN和SVR在某些情况下也具有一定的应用潜力。例如，ANN在处理高维度数据时表现出色，但对数据量的敏感性较高；kNN算法依赖于邻居选择和距离度量，其性能受数据分布和结构的影响较大；而SVR算法则通过核函数捕捉非线性关系，但参数校准过程较为复杂且计算成本较高。

从更广泛的角度来看，桉树种植地上生物量和碳储量的估算对于气候应对策略至关重要。高精度的遥感数据和先进的机器学习算法可以为森林碳监测和可持续管理提供重要支持。此外，随着遥感技术的不断发展，未来的研究可以探索将UAV-LiDAR数据与其他遥感数据（如多光谱图像、合成孔径雷达数据等）结合，以进一步提高模型的预测能力和准确性。

综上所述，本研究通过UAV-LiDAR数据和多种机器学习算法，对桉树不同分层的地上生物量和碳储量进行了系统估算。结果表明，RF和XGB算法在不同分层中均表现出良好的预测能力，能够为森林碳监测和可持续管理提供科学依据。研究还强调了在实际应用中考虑季节性数据采集和目标性实地采样的重要性，以提高模型的鲁棒性和准确性。未来的研究可以进一步探索多源数据融合和更复杂的机器学习模型，以实现对桉树种植地上生物量和碳储量的更精细化估算。