基于层次贝叶斯空间模型与个体树竞争指数的天然次生林地上生物量无损估测研究

本研究针对天然次生林结构复杂、竞争激烈导致地上生物量(AGB)估算精度不足的问题，创新性地结合无人机与地面激光雷达(U-T LiDAR)数据，采用集成嵌套拉普拉斯逼近-随机偏微分方程(INLA-SPDE)方法构建了包含树种随机效应和空间随机效应的层次贝叶斯模型。结果表明，相比基础模型(R2=0.836)，层次贝叶斯空间模型拟合精度显著提升(R2提高13.52%，RMSE降低53.34%)，为复杂森林生态系统的碳储量评估提供了高效可靠的技术框架。

　　

森林作为地球上最大的陆地碳库之一，其碳储量的精准评估对全球碳循环研究具有重要意义。在森林生态系统中，个体树地上生物量(Aboveground Biomass, AGB)的准确估算是计算森林碳储量的基础。然而，天然次生林因树种丰富、林木密集分布导致树木间竞争激烈，传统基于地面测量的方法不仅具有破坏性，且难以精确获取树高、冠幅等关键参数。近年来，激光雷达(LiDAR)技术的发展为森林参数无损提取带来了革命性突破，特别是通过融合无人机激光扫描(ULS)和地面激光扫描(TLS)数据，能够精细重建树木三维结构并量化竞争关系。

尽管现有研究已建立多种基于LiDAR的AGB估算模型，但多数未充分考虑天然次生林中存在的空间自相关性和层次结构效应。当忽略这些因素时，模型估计往往会产生偏差。此外，个体树竞争指数作为反映林木生长空间的重要指标，在AGB模型中的应用尚不充分。传统统计方法将模型参数视为固定常数，难以处理具有多层次结构（如不同树种、立地条件）的森林数据。而基于马尔可夫链蒙特卡洛(MCMC)的传统贝叶斯方法虽能考虑参数不确定性，但面临计算复杂度高、收敛困难等挑战。

针对这些瓶颈，本研究以中国东北典型天然次生林为研究对象，提出了一种结合层次贝叶斯方法与竞争指数的AGB估算新框架。研究团队在黑龙江省帽儿山实验林场设置了13个30m×30m样地，通过对971株树木的实地调查，结合U-T LiDAR数据提取了个体树参数（胸径DBH、树高TH）和两类竞争指数（距离无关型与距离依赖型）。创新性地采用INLA-SPDE方法构建了四种模型：基础模型(M1)、含树种随机效应的层次贝叶斯模型(M2)、含空间随机效应的贝叶斯空间模型(M3)以及同时包含两种随机效应的层次贝叶斯空间模型(M4)。

关键技术方法包括：通过比较最短路径(CSP)算法实现个体树分割；采用固定半径法（确定最佳竞争半径为10m）计算8种竞争指数；利用INLA-SPDE构建考虑空间高斯随机场(GF)的贝叶斯模型；使用偏差信息准则(DIC)和广泛适用贝叶斯信息准则(WAIC)进行模型优选。

研究结果显示，基于U-T LiDAR的个体树参数提取精度显著（DBH和TH的R²分别达0.985和0.926）。模型比较表明，层次贝叶斯空间模型(M4)表现最优，其R²达0.949，较基础模型提升13.52%，RMSE降低53.34%。具体而言：

• •
  树种随机效应的影响大于空间随机效应，单独加入树种效应可使R²提高11.84%；
• •
  空间自相关虽较弱（全局莫兰指数0.1），但仍是重要辅助变量；
• •
  竞争指数的引入显著改善模型性能，其中距离依赖型指数CI₁-CI₄与距离无关型指数（RH_max、RH_mean等）共同构成关键预测因子。

讨论部分深入剖析了INLA-SPDE方法的优势：相较于传统MCMC方法，计算效率提升约163倍，且能有效处理复杂空间依赖关系。研究还发现，在小样本场景下（13个样地/856株匹配树木），贝叶斯方法凭借先验信息整合能力表现出更优性能，但随着样本量扩大（30个样地以上），数据异质性增加可能导致精度下降。

该研究的创新点在于首次将INLA-SPDE方法应用于多树种天然次生林的AGB估算，通过耦合竞争指数与空间效应，实现了从个体树到样地尺度的无损生物量监测。所建模型为森林碳汇精准计量提供了新范式，对全球气候变化背景下的生态系统管理具有重要实践意义。未来研究可进一步整合地形-土壤-气候等环境因子，拓展至区域尺度的碳储量动态模拟。

本文发表于《Plant Phenomics》期刊，由东北林业大学林业学院张增瑞、赵雨亭等研究人员完成。该工作得到国家重点研发计划（2023YFF1304003）和国家自然科学基金（32071677）等项目的支持。