基于无人机激光雷达与非线性混合效应模型整合基因型差异的楸树胸径精准预测

《Frontiers in Plant Science》：Predicting individual tree diameter at breast height for genetically diverse Catalpa bungei using nonlinear mixed-effects models and UAV LiDAR data

本研究针对传统胸径（DBH）预测模型忽略基因型差异的局限，创新性地将基因型作为随机效应整合进非线性混合效应（NLME）模型框架。研究利用无人机激光雷达（UAV-LiDAR）提取的树高（LH）和冠幅（LCD）作为核心预测因子，显著提升了模型在遗传多样性楸树（Catalpa bungei）林分中的预测精度（R2= 0.8624, RMSE = 1.1330），为森林碳汇评估和生态监测提供了高精度、高效率的技术支撑。

　　

研究背景与意义

胸径（DBH）是评估树木生长、生物量及碳储量的核心参数。传统的地面调查方法效率低下且受地形限制，难以满足大尺度森林监测的需求。无人机激光雷达（UAV-LiDAR）作为一种先进的遥感技术，能够高效、无损地获取森林三维结构信息，为DBH估算提供了新的解决方案。然而，现有基于LiDAR的模型大多忽略了基因型差异对树木生长的影响，导致在遗传异质性林分中的预测精度受限。本研究旨在开发一种整合基因型随机效应的非线性混合效应（NLME）模型，以提升楸树（Catalpa bungei）DBH的预测精度。

材料与方法

研究区位于中国河南省焦作市温县，地处华北平原西南部，属温带季风气候。研究选取了78个楸树基因型，共计2899株树木作为研究对象，涵盖了高密度种植、标准施肥和缺氮处理三种不同立地条件。地面数据采集于2021、2023和2024年，测量指标包括DBH、树高（H）和冠幅（CD）。UAV-LiDAR数据采集采用BB-4 Bumblebee无人机平台，搭载CHCNAV AlphaUni AS-1300HL激光雷达系统，飞行高度约80米，点云密度约350点/平方米。通过Lidar360软件对点云数据进行去噪、地面点分类、归一化、单木分割和特征提取，最终获取了LiDAR树高（LH）和LiDAR冠幅（LCD）作为模型预测变量。

模型构建与选择

研究首先比较了逻辑斯蒂、指数、幂函数和理查兹四种非线性基础模型。结果表明，幂函数模型（DBH = a₁* L_H^b₁* L_CD^c₁+ ε）在拟合精度和残差分布上表现最佳，被选为后续模型构建的基础。为考虑种植密度的影响，研究引入了哑变量（P₁）构建了哑变量模型，其中参数b₁和b₂随密度变化，模型形式为DBH = a₁* L_H^{(b₁+ b₂* P₁)}* L_CD^c₁+ ε。该模型显著提升了预测精度。

非线性混合效应（NLME）模型

为表征不同基因型间的生长变异，研究将基因型作为随机效应引入模型。通过比较不同随机效应组合，最终选择将随机效应施加于参数b₁和b₂上，构建了最终的NLME模型。模型形式如下：

DBH = a₁* L_H^{(b₁+ u₂+ (b₂+ u₃) * P₁)}* L_CD^c₁+ ε

其中，u₂和u₃为服从正态分布的随机效应，代表了不同基因型在参数b₁和b₂上的变异。为处理异方差问题，模型还引入了幂型方差函数（var(ε_ij) = σ²* x_ij^2γ），进一步提升了模型的稳健性。

模型校准与评估

研究评估了四种不同的抽样策略（最大树、最小树、随机抽样、中等树）对模型校准精度的影响。结果表明，随机抽样策略在保证预测精度的同时，具有最高的效率和稳定性。当随机抽取2株样本树进行校准时，模型即可达到较高的预测精度，显著降低了野外测量成本。模型评估采用留一法交叉验证，统计指标包括决定系数（R²）、均方根误差（RMSE）和总相对误差（TRE）。

结果与讨论

模型拟合结果显示，NLME模型显著优于基础模型和哑变量模型。最终模型的决定系数R²达到0.8624，均方根误差RMSE为1.1330，总相对误差TRE为3.9556。与基础幂函数模型相比，NLME模型的R²提高了5.75%，RMSE降低了13.63%，TRE降低了27.60%。交叉验证结果进一步证实了模型的稳健性，在随机抽样2株树的情况下，R²仍保持在0.8392，RMSE为1.1444。

结论与展望

本研究成功构建了一个整合基因型随机效应的NLME模型，用于基于UAV-LiDAR数据的楸树DBH预测。该模型通过考虑遗传多样性，显著提升了DBH的预测精度，为森林资源调查和碳储量评估提供了更可靠的技术手段。研究提出的随机抽样校准策略，为实现大尺度、高效率的森林监测提供了可行的技术方案。未来研究可进一步探索该模型在其他树种和生态系统中的适用性，并整合更多环境因子以提升模型的生态学解释能力。