基于树基与区域森林高度指标的复杂景观地上生物量估算潜力比较研究

本研究针对森林地上生物量(AGB)估算中高度指标选择的关键问题，通过整合755个北京样地的LiDAR树高数据与野外测量DBH，系统比较了树基指标(如Lorey平均高度hl)与区域指标(如h95百分位)的预测性能。采用混合效应模型(MEM)和CatBoost等机器学习算法，发现树基指标使R2提升11.0-23.1%，其中hl模型精度最高(R2=0.688)。该研究为碳储量评估提供了方法论优化方案，发表于《Ecological Indicators》。

　　

森林作为陆地生态系统最重要的碳汇，其地上生物量(AGB)的精确估算是全球碳循环研究和气候变化应对的核心课题。然而，在复杂地形区域，传统基于样地调查的方法面临两大挑战：一是全面测量每棵树高度的实操困难，二是大尺度推广时成本与精度的平衡难题。现有研究多采用LiDAR技术获取森林高度参数，但对其衍生指标的选择仍存在争议——究竟是以单木识别为基础的树基指标更优，还是直接统计点云特征的区域指标更具应用潜力？这一方法论的选择直接影响着碳储量评估的可靠性，特别是在北京这类兼具山地和平原的异质性景观中。

北京市农林科学院等机构的研究团队在《Ecological Indicators》发表的研究，通过融合移动LiDAR与地面调查数据，创新性地系统比较了五类树基指标(h_a、h_l、h_w、h_t、h_m)和八种区域高度百分位指标的性能差异。研究采用755个400m²圆形样地的全林木测量数据，结合RTK定位和LiDAR360软件的点云处理，构建了包含环境因子的混合效应模型和10种机器学习算法。通过分层抽样覆盖北京深山区、浅山区和平原区三种地形，首次揭示了不同景观中高度指标与AGB的响应规律。

研究方法的关键技术包括：1) 移动LiDAR点云的布料模拟滤波(CSF)去噪和单木分割；2) 基于树种特异性异速生长方程的AGB计算；3) 交叉随机效应混合模型分析；4) Optuna框架的贝叶斯超参数优化；5) 地形-土壤-人类活动因子的空间耦合分析。

森林AGB与高度指标的关系解析
通过Kruskal-Wallis检验发现，平原区因古树保护具有最大平均DBH(17.3cm)但最低密度(423株/ha)，其AGB(58.39Mg/ha)显著高于浅山区。相关性分析显示树基指标解释力(R²=0.561-0.619)普遍优于区域指标，其中h_l和h_t与AGB的相关性最高，印证了林业传统指标的生态意义。

模型性能的区域差异
CatBoost在整合h_l时表现最优(R²=0.688)，但存在高AGB低估现象。深山区h_a的优异表现揭示算术平均高度对复杂地形的适应性，而平原区h_l的优势则反映 basal area加权方法对优势木的敏感性。值得注意的是，区域指标h₉₅在深山区与树基指标差距最小(RMSE仅相差1.02Mg/ha)，显示上层冠层参数在山地的特殊价值。

最优指标的空间分异
地形梯度显著影响指标选择：深山区优选h_a(ML)/h_l(MEM)，浅山区h_m(ML)/h_a(MEM)，而平原区h_l(ML)/h_t(MEM)组合最佳。这种分异可能与森林经营历史相关——平原区保护性管理形成单木优势突出结构，而山区次生林更依赖整体冠层表征。

该研究通过多维度验证，确立了树基指标在精度上的优势地位，尤其是h_l和h_t这两个传统林业参数在机器学习框架下的卓越表现，证实了生态机理导向指标的科学价值。研究创新性地提出"地形适配"选择策略：在操作受限区域可采用h₉₅等高效区域指标，而生态过程研究应优先选用树基指标。这些发现不仅为京津冀地区森林碳汇监测提供技术规范，其提出的"移动LiDAR+优化算法+多源环境数据"技术路线，也为全球异质性景观的AGB估算提供了可推广的范式。未来研究可拓展至多平台LiDAR数据融合，进一步攻克浓密冠层下的测量瓶颈。