融合无人机高光谱与LiDAR数据的热带雨林土壤有机碳估算研究

本研究针对热带雨林生态系统土壤有机碳（SOC）监测难题，创新性结合无人机高光谱与LiDAR技术，通过提取40种植被指数（VI）和101项LiDAR衍生变量，利用RRelieff算法筛选关键特征并构建深度神经网络（DNN）模型，实现SOC空间分布精准制图（R2 =0.76）。研究发现CRI2、NLI等植被指数及CHM、DEM地形参数最具预测力，证实LiDAR数据在森林数字土壤制图中的独特优势，为全球碳循环研究提供新方法。

　　

热带雨林作为地球最大的陆地碳库之一，其土壤有机碳（SOC）动态直接影响全球气候稳定性。然而，茂密树冠层阻碍传统光学遥感直接获取土壤光谱信息，而现有地形数据分辨率不足，导致森林SOC估算长期面临"看不见、测不准"的困境。更棘手的是，植被指数（VI）在高覆盖度雨林易出现饱和效应，传统线性模型难以捕捉环境因子与SOC的复杂非线性关系。这些技术瓶颈使得热带雨林SOC监测成为全球碳循环研究的薄弱环节。

为破解这一难题，海南省科研机构团队在海南岛中部黎母山和吊罗山两大热带雨林保护区展开创新研究。研究人员首次系统整合无人机高光谱成像与LiDAR技术，通过厘米级分辨率数据获取突破空间尺度限制，并引入机器学习方法构建多源数据融合模型。这项发表于《CATENA》的研究不仅建立了热带雨林SOC估算新范式，更揭示了LiDAR在森林土壤监测中被长期忽视的应用潜力。

研究团队采用三项核心技术路线：首先通过无人机平台同步获取高光谱影像和LiDAR点云数据；其次提取40种植被指数（如CRI2、NLI）和101项LiDAR衍生变量（包括CHM、DEM等），利用RRelieff算法进行特征筛选；最后构建含多个隐藏层的深度神经网络（DNN）模型，基于162个实地采样点数据建立预测模型。研究特别注重解决数据融合问题，通过分层随机抽样确保训练集与验证集的空间代表性。

【研究区域】选择海南岛黎母山（最高海拔1411米）和吊罗山热带雨林保护区作为实验区，该区域典型的热带季风气候和复杂地形为方法验证提供了理想场景。

【SOC样本统计】采集的162个土壤样本显示SOC含量变异显著（1.74%-8.13%），训练集与验证集均保持28.2%的变异系数，确保模型泛化能力。

【讨论】研究发现可见-近红外波段植被冠层反射率与SOC呈负相关，证实茂密植被区具有更高碳储量。值得注意的是，LiDAR单独建模精度（R²
=0.61）已超越传统光学VI模型（R²
=0.59），而多源数据融合模型将精度提升至0.76，其中冠层高度模型（CHM）和数字高程模型（DEM）贡献度最高。这颠覆了"光学数据主导土壤监测"的传统认知，揭示森林结构参数通过指示微地形和水文过程影响SOC分布的新机制。

【结论】该研究创立了首个适用于热带雨林的无人机多源遥感SOC估算框架，证实LiDAR衍生变量在数字土壤制图（DSM）中的独特价值。方法论上，RRelieff算法有效解决高维数据冗余问题，DNN模型成功捕捉环境因子与SOC的复杂非线性关系。实践层面，研究成果为《巴黎协定》框架下的森林碳汇监测提供了可推广的技术方案，对完善全球碳循环模型具有重要科学意义。

特别需要指出的是，研究发现的CRI2、NLI等新型植被指数组合，以及LiDAR地形参数与森林结构参数的协同效应，为后续研究开辟了新方向。团队建议未来研究应加强多时相数据融合，以捕捉热带雨林SOC的季节动态，同时探索星-机-地协同观测体系在更大尺度的应用潜力。