利用机载激光雷达、机器学习算法以及分层实地数据收集方法对赫尔卡尼亚森林的结构特征进行建模

《Forest Ecology and Management》：Modeling structural attributes of Hyrcanian forests using spaceborne LiDAR, machine learning algorithms, and a hierarchical field data collection approach

基于GEDI LiDAR数据与地面调查结合，本研究通过机器学习模型成功估算了Hyrcanian森林的基面积、体积和树密度，揭示了不同空间尺度下的预测效能差异，并发现线性回归和支持向量回归模型表现最优，为填补区域数据空白和优化保护策略提供了科学依据。

　　本研究聚焦于伊朗的霍尔坎森林，探索了如何利用NASA的全球生态系统动力学调查（GEDI）任务所提供的空间载荷激光雷达（LiDAR）数据，结合分层的实地调查和管理单元的聚合分析，以更高效、准确地估算森林的结构属性。这一研究对于森林保护规划具有重要意义，尤其是在传统方法难以覆盖的复杂地形区域。通过引入结构数据，研究不仅为森林生态系统的管理提供了新的视角，也为制定更具针对性的保护策略奠定了基础。

霍尔坎森林位于伊朗北部的里海沿岸，横跨吉兰、马赞达兰和戈勒斯坦三个省份，总面积约为185万公顷。这一地区以其丰富的生物多样性和独特的温带落叶阔叶森林生态系统而闻名，被联合国教科文组织（UNESCO）列为世界遗产。然而，尽管其生态价值显著，霍尔坎森林的结构属性数据仍较为缺乏，传统的森林调查方法受限于地形复杂性和高昂的成本，难以提供全面、及时的监测信息。因此，研究团队希望通过整合GEDI数据和实地调查，填补这一信息空白。

研究团队采用了一种两阶段的方法来估算霍尔坎森林的结构属性。在第一阶段，他们利用1195个实地调查样点对模型进行校准和验证。这些样点覆盖了森林的不同区域，提供了关于基面积（G，单位：平方米/公顷）、蓄积量（V，单位：立方米/公顷）和树密度（N，单位：树木/公顷）的详细数据。在第二阶段，研究团队将校准后的模型应用于整个区域的GEDI激光雷达数据，从而实现了对森林结构属性的大范围估算。这种结合了空间数据与地面数据的方法，不仅提高了估算的准确性，还增强了对森林结构特征的时空理解。

在模型选择方面，研究团队评估了五种不同的预测模型：线性回归、支持向量回归（SVR）、随机森林、梯度提升和神经网络。这些模型的性能在不同尺度上表现出差异。例如，在样点级别，蓄积量（V）的预测表现最佳，其决定系数（R2）达到0.75，均方根误差（RMSE）约为65–66立方米/公顷。相比之下，基面积（G）的预测效果中等，R2为0.47，RMSE约为6.1平方米/公顷。而树密度（N）的预测则较为困难，R2仅为0.10，RMSE高达266棵树/公顷。这表明，尽管GEDI数据在估算森林结构方面具有巨大潜力，但在某些指标上仍需进一步优化，尤其是在样点级别，模型对树密度的预测能力相对较弱。

在管理单元级别（即所谓的“林区”级别，平均面积约为80–120公顷），研究团队对模型进行了进一步的验证。结果显示，蓄积量（V）的预测效果显著提升，R2达到0.82，RMSE为37.7立方米/公顷。基面积（G）的预测效果也有所改善，R2为0.54，RMSE为2.5平方米/公顷。然而，树密度（N）的预测仍然面临挑战，即使在聚合了多个样点数据后，其准确性仍较低。这可能是因为树密度的分布具有高度的空间异质性，而GEDI数据的分辨率和覆盖范围无法完全捕捉这一特征。因此，研究团队建议在实际应用中，结合其他数据源（如多光谱卫星影像、地形变量等）来进一步提高预测的精度。

研究还发现，GEDI提供的相对高度指标（如RH98）在估算森林结构方面发挥了关键作用。这些指标与森林的实际高度之间存在显著的正相关关系，且回归模型能够解释约47%的方差。然而，这种关系并非线性，而是呈现出一定的非线性特征。例如，在低高度的森林中，RH98往往低估了实际的最大高度（MaxH），而在高高度的森林中，RH98则可能高估了MaxH。这种偏差可能源于GEDI数据的统计特性或森林结构的复杂性，因此在模型构建过程中需要进行适当的调整，以提高预测的准确性。

此外，研究团队还对高蓄积量区域（V > 500立方米/公顷）进行了分析，并将其与联合国教科文组织（UNESCO）划定的核心保护区进行了对比。结果显示，仅有8个1×1公里的网格单元位于UNESCO核心区内，这表明当前的保护措施在高蓄积量区域的覆盖程度较低，存在一定的保护缺口。这一发现强调了在森林保护规划中，结构属性的整合至关重要。传统的保护规划往往以物种为基础，忽略了森林结构对生态系统功能和生物多样性的影响。而结构属性的引入，使得保护规划能够更全面地考虑森林的生态价值，从而制定更具针对性的保护策略。

通过将GEDI数据与管理单元相结合，研究团队不仅能够更准确地估算森林的结构属性，还能够为森林保护和管理提供科学依据。例如，研究结果可以用于重新划分保护区域，优先保护那些具有高生物量和良好结构连通性的森林区域。同时，这些数据也可以支持森林恢复和生态修复项目的规划，特别是在那些因人类活动或气候变化而受损的森林区域。此外，研究还指出，GEDI数据在碳汇监测和碳信用体系的构建中具有重要应用价值，为全球森林碳管理提供了新的数据支持。

研究团队在方法上强调了模型的可操作性和可推广性。他们采用的机器学习方法不仅适用于霍尔坎森林，也可以推广到其他数据有限的森林生态系统。通过构建一个基于GEDI数据的结构属性估算框架，研究团队为森林保护和管理提供了一个客观、可重复的证据基础。这在当前全球森林保护面临诸多挑战的背景下尤为重要，尤其是在气候变化加剧、森林资源日益紧张的情况下，科学的数据支持对于制定有效的保护策略具有不可替代的作用。

值得注意的是，尽管GEDI数据在估算森林结构方面表现出色，但其应用仍面临一些挑战。例如，GEDI的激光雷达足迹与森林调查样点之间往往存在不匹配的情况，这使得直接验证和校准变得困难。此外，GEDI数据的分辨率和覆盖范围在某些区域可能无法满足精细化的估算需求。因此，研究团队建议在实际应用中，结合其他数据源（如无人机搭载的LiDAR系统、高分辨率卫星影像等）来弥补这些不足。特别是对于地形复杂、难以进行地面调查的区域，无人机搭载的LiDAR系统提供了一种更为灵活和高效的解决方案。

综上所述，本研究通过整合GEDI数据和实地调查，为森林结构属性的估算提供了一种新的方法。研究结果不仅展示了GEDI数据在森林保护中的应用潜力，也为未来的森林监测和管理提供了科学依据。在霍尔坎森林这一特殊生态系统中，结构属性的整合能够帮助制定更加精准和有效的保护策略，从而更好地维护其独特的生物多样性和生态功能。同时，该研究也为全球范围内的森林保护工作提供了借鉴，尤其是在数据获取受限的地区，如何利用先进的遥感技术提高森林结构监测的效率和精度，是一个值得深入探讨的问题。