基于ALS数据的波兰森林垂直结构半自动化评估方法及其生态意义

本研究针对大范围森林垂直结构调查成本高、效率低的难题，开发了基于机载激光扫描（ALS）数据和随机森林算法的半自动化分类方法，成功绘制了波兰全国尺度的五类森林垂直结构地图（总体精度0.78）。该研究首次实现无实地调查数据的模型构建验证，为森林生物多样性评估和可持续管理提供了高效技术方案。

　　

森林作为陆地生态系统的重要组成部分，不仅承载着全球约45%的陆地碳储量，还在水文循环、养分循环等方面发挥着关键作用。其中，森林垂直结构（Vertical structure）作为表征森林三维空间配置的核心指标，直接影响着生物多样性维持、资源竞争格局以及多种生态过程。然而，传统依靠人工实地调查的方法难以满足大尺度、高精度的监测需求，特别是在波兰这样拥有920万公顷森林（占国土面积30%）的国家。

针对这一挑战，研究人员开展了一项开创性研究。他们充分利用波兰全国覆盖的ALS数据（2010-2018年采集），创新性地提出通过点云剖面视觉判读生成训练数据的半自动化方法。研究团队设计了包含五类垂直结构的分类体系：单层林（SS）、具下层木的双层林（UG）、具下木层的双层林（US）、多层林（MS）和更新阶段疏伐林（RP）。通过迭代式随机采样和Boruta算法筛选出10个关键点云特征参数，最终建立的随机森林（RF）模型在20米分辨率下实现了全国范围的高精度制图。

关键技术方法包括：1）基于lidR包处理ALS点云数据，计算87个点云特征参数；2）采用迭代式训练策略逐步优化样本代表性；3）运用Boruta算法进行特征选择；4）构建随机森林分类模型并进行10折交叉验证；5）基于Tortora公式确定独立验证样本量（每类140个）。

研究结果揭示：

1. 变量重要性分析显示1-5米和9-13米高度区间的点云密度参数（pp_01_02至pp_12_13）以及最大高度（zmax）、累积高度（zpcum6）最具分类价值。
2. 模型验证表明五类结构的总体分类精度达0.78，其中单层林（SS）识别准确率最高（平衡精度0.92），多层林（MS）识别最具挑战性（灵敏度0.63）。
3. 空间分布格局显示波兰森林以单层结构为主导（占比最高），这与欧洲赤松（Pinus sylvestris）的生态优势相符；而第八自然林区（山地林区）和比亚沃维耶扎原始林区则表现出更复杂的垂直结构。

这项发表在《Ecological Indicators》的研究具有多重重要意义：首先，该方法将传统调查成本降低90%以上，为全球森林资源监测提供了可推广的技术范式；其次，首次揭示了波兰全国尺度森林垂直结构的空间异质性，发现单一结构主导的森林占比过高可能影响生态系统韧性；最后，建立的结构分类基准为评估气候变化下森林动态响应提供了新维度。特别值得注意的是，研究证实ALS数据在某些情况下比人工调查更能客观反映真实结构特征，这为未来森林调查方法的革新提供了重要依据。

讨论部分强调，该方法仍存在数据采集时间跨度大（9年）带来的时效性问题，建议未来采用标准化采集方案。研究还指出，在干旱加剧的背景下，复杂垂直结构中乔木层与下层植被的水分竞争机制值得深入探究。这些发现不仅对优化森林经营策略具有指导价值，也为理解森林生态系统功能与稳定性关系提供了新的研究视角。