温带森林生态系统的栖息地质量评估：一种基于机载激光雷达（LiDAR）的方法，用于大规模预测生物多样性潜力指数（IBP）

《Forest Ecology and Management》：Habitat quality assessment of temperate forest ecosystems: An airborne LiDAR-based approach to predict the Index of Biodiversity Potential (IBP) at large scale

森林生物多样性潜力评估与LiDAR遥感数据预测研究：基于IBP指数的森林结构指标与机器学习模型的关联分析，通过法国Pyrenees地区1536个IBP地面调查数据集，结合LiDAR点云、NDVI光谱、地形等遥感数据，构建SVM回归与分类模型，验证了LiDARderived canopy height（Zmax, ENL）、vertical complexity（Zskew, Zcv）及topographic metrics（slope, elevation）与IBP管理评分的强相关性（Spearman's ρ>0.45），模型RMSE达5.24±0.63，支持大范围IBP指数空间化。

　　森林生态系统对社会提供了众多服务，这些服务不仅包括资源的生产（如木材、能源和食物），还涉及娱乐功能，以及在生物地球化学循环（如碳、氮和氧的循环）中发挥重要作用，从而影响气候调节。然而，森林生态系统提供这些服务的能力在很大程度上取决于其承载的生物多样性。历史上，人类活动（如栖息地破碎化、高强度采伐和以木材生产为导向的管理）对这些生态系统的生物多样性产生了显著影响。因此，为了确保生物多样性的保护、可持续管理和理解森林对环境变化的反应，实施系统性评估和监测森林生物多样性的方法至关重要。

目前，森林生态系统的生态质量及其保护状况仍不完全清楚，尽管有长期监测系统、大规模倡议和国家森林调查（NFI）。评估森林生态质量是一项复杂的任务，通常采用两种方法：一是通过实地调查，评估多分类群物种的丰富度和多样性，或者作为直接分类群指标；二是记录对物种潜在存在的有利特征，如组成和结构的多样性以及自然属性的强度。在实际操作中，通过系统性分类群调查直接评估森林生物多样性在森林管理中较为罕见，因为分类群的鉴定既耗时又需要专业的自然学家知识。因此，间接评估方法，即基于组成和结构的关键特征，成为目前最广泛使用的评估方式。

为了克服直接评估方法的局限性，研究者提出了基于间接方法的森林管理评估工具，如法国开发的生物多样性潜力指数（IBP）。该指数评估森林中动物和植物物种的承载能力，并通过10个关键因素间接估算潜在的分类群多样性。其中，7个因素与森林管理相关，而另外3个则与历史和环境背景相关。IBP已被证明是一种经济高效的诊断工具，广泛用于森林管理，并在创建后继续发展。该指数最初专为法国温带森林设计，现已应用于超过16个国家。

然而，目前IBP的评估仅限于实地调查，这使得其在大范围应用时面临挑战。虽然LiDAR数据能够详细描述森林结构，但其与IBP之间的关系尚未得到充分研究。因此，本研究旨在探讨LiDAR衍生指标与IBP管理因素之间的关系，同时利用回归和分类机器学习算法建立预测模型，最终在法国阿里耶日-比利牛斯地区自然公园的森林区域首次绘制IBP管理评分地图。

研究结果揭示了IBP管理评分、其相关因素与遥感指标之间的显著相关性。LiDAR衍生的冠层高度和垂直复杂性指标在预测中尤为重要，同时生物量和地形指标也发挥了重要作用。最佳模型的均方根误差（RMSE）为5.24 ± 0.63，这表明该模型在预测IBP时的误差范围在5分以内，这一阈值被认为是生物多样性变化的实际反映。这些发现强调了遥感数据在描述森林结构指标中的重要性，特别是LiDAR数据，表明遥感技术为大规模IBP评估提供了一种可行的方法。

在方法部分，我们收集了8个IBP参考数据集，包括1750个1公顷的森林圆形样地。这些数据集来自多个研究项目或合作伙伴（如CNPF、CEN Occitanie和PNR Ariege）。我们计算了LiDAR数据、多光谱图像、动态栖息地指数（DHIs）和生物量等指标，并分析了它们与IBP管理因素之间的统计关系。为了确保模型的预测准确性，我们还引入了Moran的特征向量图（MEMs），以解决空间自相关问题。

研究中使用的LiDAR数据来自法国地理研究所（IGN），覆盖了整个法国，并具有高密度点云和高分辨率数据。LiDAR数据被用于计算冠层高度、垂直复杂性和冠层开放度等指标。多光谱图像数据（如NDVI）提供了关于植被健康状况和丰富度的信息，并被用于分析生物量和冠层开放度。动态栖息地指数（DHIs）通过时间序列植被指数图像（如NDVI或EVI）计算，反映了植被的季节性和生产力。

我们还计算了生物量数据，因为植被生物量的变化可能与冠层高度和冠层开放度的变化相关。地形数据也被纳入分析，因为地形对森林管理决策具有重要影响，同时可能影响IBP评分。为了减少模型的复杂性，我们选择了314个遥感指标，其中包括277个来自LiDAR数据、20个来自地形数据、11个来自光谱数据和6个来自生物量数据。

在模型训练和测试阶段，我们采用了支持向量机（SVM）算法，包括分类（SVC）和回归（SVR）任务。SVM在处理高维数据时表现出色，同时其在处理类别不平衡问题时也具有鲁棒性。我们使用了顺序前向浮动选择（SFFS）技术，以识别最佳特征子集并减少数据维度。此外，我们计算了SHAP值，以解释模型预测中各特征的影响。这些值不仅反映了特征的相对重要性，还展示了它们对预测结果的正负影响。

在阿里耶日-比利牛斯自然公园的大规模预测和制图过程中，我们创建了一个100米分辨率的网格，并过滤了非森林区域。通过SVM回归模型（SVR-IBP）和分类模型（SVC3-IBP），我们成功预测了IBP管理评分，并在该区域绘制了首次的IBP管理评分地图。模型的RMSE为5.24 ± 0.63，表明预测误差在5分以内，这与IBP对生物多样性的敏感性一致。然而，模型在某些区域（如西部15公里宽的带状区域）表现出异常，这可能与LiDAR数据的采集时间和传感器类型有关。

研究结果表明，IBP管理评分与多个遥感指标之间存在显著相关性，包括冠层高度、垂直复杂性、生物量和地形特征。其中，冠层高度和垂直复杂性指标对预测具有重要影响，而生物量和地形指标也提供了额外的信息。然而，某些因素（如开花开放区域）与遥感指标之间的相关性较弱，这可能与IBP对这些因素的定义有关。此外，SHAP值还揭示了一些意外的结果，例如动态栖息地指数的标准差（DHI_sd）对预测产生了负面影响，这可能反映了某些森林类型在季节性变化方面的差异。

在模型性能方面，所有分类模型（SVC）均表现出良好的区分能力，其AUC-ROC值在0.7到0.8之间。然而，F1分数在0.5到0.65之间，表明仍有改进空间。回归模型（SVR-IBP）的R2值为0.46，表明其能解释约46%的IBP管理评分变异。尽管该模型的性能良好，但与某些研究相比（如IMAT模型，其RMSE为0.12 ± 0.012），我们的模型仍存在一定的偏差。这种偏差可能源于LiDAR数据采集时间和传感器类型的不同，以及数据集的不平衡性。

在阿里耶日-比利牛斯自然公园的预测中，模型显示出与现有知识一致的空间格局。高IBP评分通常与成熟森林相关，而低评分则与低成熟度森林有关。然而，模型预测中出现的异常区域可能与传感器数据的差异有关，这需要进一步研究以改进模型的准确性。此外，模型的预测能力在高IBP评分区域表现更好，这可能与这些区域的生态成熟度较高有关。

研究还指出，遥感数据存在一些局限性。例如，LiDAR数据的采集时间不同（从几个月到几年）和季节差异可能影响点云结构。此外，LiDAR数据的密度和传感器类型可能对预测产生偏差。虽然我们尝试通过归一化处理来减少这些偏差，但未来的遥感数据可能需要更精确的校准和标准化，以提高模型的准确性。此外，由于IBP评分的主观性，模型可能受到观测者效应的影响，这需要通过概率模型或更标准化的评分方法来解决。

总体而言，本研究首次展示了利用LiDAR和遥感数据预测IBP管理评分的潜力。结果表明，遥感数据可以有效地描述森林结构和组成，从而为生物多样性评估提供支持。尽管存在一些挑战，如传感器偏差、数据集不平衡和观测者效应，但研究结果为未来的大规模生物多样性评估提供了有价值的参考。未来的进一步研究可以探索使用其他遥感数据源（如SAR）或改进模型以适应不同地理区域的森林生态系统。