编辑推荐：
为解决新西兰葡萄酒产业碳排放及桉树人工林碳储量估算难题，研究人员开展利用无人机激光雷达（LiDAR）估算桉树单木胸径（DBH）和地上生物量（AGB）的研究。结果显示 XGBoost 和 PLSR 性能优越，该研究助力葡萄酒产业碳中和。
在新西兰，葡萄酒产业是经济发展的重要力量，然而其葡萄园的碳足迹却成了 “成长的烦恼”。传统葡萄园使用的经有毒的铜铬砷（CCA）处理的松木支柱，不仅在废弃处理时困难重重，还与产业追求的碳中和目标背道而驰。为了应对这一困境，人们开始尝试种植快速生长、耐旱且天然耐用的桉树作为替代。但桉树人工林的碳固存能力究竟如何，却一直是个未解之谜。要想精准估算桉树人工林的碳储量，以往依赖的实地破坏性采样测量地上生物量（AGB）的方法，既耗时又费力，而且在偏远、植被茂密的地区，更是难以高效开展。虽然有一些异速生长方程可以作为替代手段，但其准确性常因地区差异和物种特性大打折扣。在此背景下，利用无人机激光雷达（LiDAR）技术结合机器学习算法，为解决这些难题带来了新的希望。
来自新西兰相关研究机构的研究人员，开展了一项极具意义的研究。他们的目标是利用无人机 LiDAR 数据，准确估算两种桉树（E. bosistoana 和 E. globoidea）的单木尺寸（胸径，DBH）和 AGB 。该研究成果发表在《Ecological Informatics》上，为桉树人工林的碳储量估算和可持续管理提供了重要依据。
在这项研究中，研究人员主要运用了以下关键技术方法：首先是数据采集，通过 DJI Matrice 300 RTK 搭载 Zenmuse L1 LiDAR 传感器采集无人机数据，并在 101 棵树上进行实地测量获取地面真实数据。接着对 LiDAR 数据进行处理，利用 R 语言中的 LidR 和 ForestTools 等软件包进行点云处理、树冠分割等操作，提取 96 个树冠级 LiDAR 指标。最后，使用偏最小二乘回归（PLSR）、随机森林（RF）和极端梯度提升（XGBoost）三种机器学习算法建模，并通过 SHapley Additive exPlanations（SHAP）分析评估模型和变量。
研究结果如下：
- 模型性能：经过超参数优化，所有机器学习模型在估算 AGB 和 DBH 方面都表现出较强的预测准确性。在 AGB 估算中，XGBoost 模型表现最为出色，R2达到 0.903 ，RMSE 为 40.849 kg，相对 RMSE 为 38.637%。而在 DBH 估算中，PLSR 模型更胜一筹，R2为 0.829 ，RMSE 为 3.657 cm，相对 RMSE 为 23.123%。不过，研究存在样本局限性，大树样本稀疏且两个桉树品种样本分布不均，这可能影响模型可靠性和普适性。
- 基于 SHAP 的 AGB 和 DBH 模型可解释性：SHAP 分析聚焦于 XGBoost 模型，发现体素和高度指标对模型预测影响重大。如 vn、zmax、vFRall 等多个指标在两个模型的重要变量排名中都较为靠前，它们从垂直和体积维度综合反映了树木结构特征。而且，不同指标与预测结果的关系各异，像 vFRall 与 SHAP 值呈显著负相关，其变化能反映森林生态系统的发展阶段等信息。
- 局限性和机遇：研究过程也暴露出一些问题，如从 LiDAR 数据中提取单木点云既费力又耗时，受林下植被和树冠重叠影响大；未探究体素大小对估算结果的影响；样本量限制导致物种信息作为虚拟变量存在潜在偏差；缺乏对更多生态信息的综合考量；模型的地理可转移性也有待验证。但该研究也为后续研究指明了方向，有望推动相关领域进一步发展。
研究结论表明，该研究成功整合了基于破坏性采样的地面测量、无人机 LiDAR 点云和机器学习算法，构建了特定物种的 DBH 和 AGB 模型。通过精准估算桉树的这些属性，能够助力新西兰马尔堡地区葡萄酒产业用天然耐用的桉树支柱替代不可持续的支柱，从而为其葡萄园的碳中和实践提供有力支撑。这一研究成果不仅为桉树人工林的科学管理提供了关键工具，也为全球范围内类似的森林碳储量估算和可持续发展研究提供了重要参考，在推动生态环境可持续发展方面具有重要意义。
