利用无人机激光雷达数据，在随机森林和支持向量机模型中预测Pinus taeda（L.）的产量

《Forest Ecology and Management》：Predicting the yield of Pinus taeda (L.) using UAV LiDAR data in random forest and support vector machine models

本研究利用UAV LiDAR获取的个体树冠指数（ITC）和距离依赖竞争指数（CI），结合随机森林（RF）和支持向量机（SVM）模型，预测松树人工林4年后的个体树级产量。结果表明，SVM模型在树级产量预测中表现最佳（nRMSE 9.59%），RF次之（nRMSE 10.86%），且模型简化后仍保持较高准确性。验证了LiDAR技术在森林产量预估中的应用潜力。

　　本研究探讨了如何利用无人机激光雷达（UAV LiDAR）获取的单株树冠（Individual Tree Crown, ITC）指标与距离依赖性竞争指数（Competition Index, CI）作为输入变量，构建机器学习（Machine Learning, ML）模型，包括随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM），以预测种植4年后的单株树产量。研究假设RF和SVM模型在预测精度上将优于传统的多元线性回归（Multiple Linear Regression, MLR）模型，并且某些ITC和CI变量对产量预测的影响将更为显著。通过方差分析（Analysis of Variance, ANOVA）可以看出，种植密度对模型预测结果具有显著影响。SVM模型在单株树级的产量预测中表现最佳，其归一化均方根误差（nRMSE）为9.59%，决定系数（R2）为0.59。相比之下，RF模型的nRMSE为10.86%，R2为0.48。当将单株树级的产量预测汇总为林分级时，SVM模型低估了总材积，误差为-1.50%，而RF模型则高估了总材积，误差为1.53%。使用前七位重要预测变量构建的简化ML模型仍然保持了相似的预测精度，其中RF简化模型的nRMSE为11.88%，R2为0.37；SVM简化模型的nRMSE为9.14%，R2为0.55。在林分级预测中，SVM简化模型低估了总材积0.90%，而RF简化模型则高估了0.71%。此外，研究还评估了一个最佳子集MLR模型，其nRMSE为12.04%，R2为0.44，但该模型未能满足同方差性假设，主要原因是预测期内部分树木死亡。这些发现表明，LiDAR技术在单株树和林分级产量预测方面具有巨大潜力，其应用范围可扩展至产量、碳储量和生物量建模。

森林资源的测量与量化对于森林保护、经济评估和可持续管理至关重要。然而，传统的森林测量方法往往需要大量的人工操作，不仅耗时耗力，而且容易受到人为误差的影响。近年来，随着遥感技术的快速发展，诸如激光雷达（Light Detection and Ranging, LiDAR）和无人机（Uncrewed Aerial Vehicle, UAV）调查等新技术被引入到森林测量领域，为获取高分辨率数据提供了新的途径。这些技术能够减少实地调查的工作量，从而提高测量效率和准确性。然而，这些技术也存在一定的局限性，例如高昂的成本、对专业人员和设备的需求，以及数据处理和系统化的复杂性。因此，如何有效利用这些技术获取的数据，构建准确的预测模型，成为当前森林科学研究的重要课题。

激光雷达技术通过发射激光脉冲并记录其反射信号，能够精确地获取森林植被的三维结构信息。与传统的航空激光雷达（Airborne Laser Scanning, ALS）相比，无人机激光雷达（Drone Laser Scanning, DLS）能够提供更高密度的激光返回数据，这在识别单株树冠（ITC）方面具有明显优势。DLS技术的高数据密度有助于提高对森林内部结构的解析能力，特别是在密集林分中，能够更准确地区分单株树木的冠层范围。研究表明，随着激光脉冲密度的降低，ITC的识别精度也会下降，尤其是在树木密集的森林中。尽管如此，某些指标如树高和叶面积指数（Leaf Area Index, LAI）在不同脉冲密度下的估计相对稳定，显示出其对数据分辨率变化的鲁棒性。

在森林产量预测中，竞争指数（CI）是衡量树木之间竞争关系的重要参数。CI能够反映相邻树木对目标树生长的影响，是预测单株树生长情况的关键变量之一。然而，由于实际调查中时间和成本的限制，竞争指数往往被忽略。近年来，随着LiDAR技术的发展，利用高密度数据生成竞争指数成为可能。例如，Sumnall等人（2023）提出了一种新的策略，通过估算每棵树周围的竞争环境，提高了基于LiDAR的树干尺寸估计精度。这一方法为构建更精确的产量预测模型提供了新的思路。

机器学习（ML）技术因其在处理复杂数据集和识别非线性关系方面的优势，被广泛应用于森林建模领域。ML模型能够自动从数据中学习，无需依赖传统的预设公式，从而提高了预测的灵活性和准确性。例如，随机森林（RF）和支持向量机（SVM）等算法已被证明在估计森林资源指标如胸径（Diameter at Breast Height, DBH）和基面积（Basal Area）方面具有较高的精度。这些模型的优势在于其对数据的适应能力，能够处理多重共线性和异方差性问题，并且具有较强的抗异常值能力。此外，ML模型还支持超参数调优和交叉验证，以防止过拟合并提高模型的泛化能力。它们可以同时处理数值型、分类型和二值型数据，为森林建模提供了更全面的解决方案。

尽管机器学习技术在森林建模中的应用前景广阔，但其发展仍面临诸多挑战。例如，ML模型通常需要大量的数据支持，这对数据收集和处理提出了更高的要求。此外，由于其“黑箱”特性，ML模型的解释性较差，使得模型的适用性和可信度受到一定限制。相比之下，多元线性回归（MLR）模型虽然较为简单，但其透明性和可解释性使其在某些应用场景中更具优势。MLR模型能够直观地展示变量之间的线性关系，有助于识别关键影响因素。然而，MLR模型在处理复杂数据时可能受到限制，特别是在存在多重共线性或异方差性的情况下。

本研究的主要目标是评估RF和SVM模型在预测Pinus taeda（L.）林分单株树产量方面的表现，并探讨这些模型在不同种植密度条件下的适用性。此外，研究还旨在识别对模型预测能力贡献最大的关键变量，并比较简化模型与完整模型在预测精度和适用性上的差异。为了实现这些目标，研究团队利用了两个已有的实验数据集，分别来自弗吉尼亚州的雷诺兹庄园（Reynolds Homestead）和沿海地区。这些实验数据涵盖了不同种植密度和环境条件下的Pinus taeda林分，为模型的训练和验证提供了丰富的数据支持。

在模型构建过程中，研究团队首先通过方差分析（ANOVA）评估了种植密度对预测结果的影响。结果显示，种植密度在不同模型中均对产量预测具有显著影响。随后，研究团队利用RF和SVM模型分别对LiDAR提取的ITC指标和CI变量进行建模，并通过多种验证指标（如平均绝对误差、均方误差、R2和归一化均方根误差）比较了不同模型的预测精度。研究还分析了前七位重要的预测变量，以构建简化模型，并评估其在预测精度和适用性上的表现。结果显示，尽管简化模型的复杂度有所降低，其预测精度仍然保持在较高水平，表明关键变量对模型性能具有重要影响。

研究还发现，SVM模型在单株树级的产量预测中表现优于RF模型，而在林分级预测中，两种模型均存在一定的偏差。具体而言，SVM模型低估了林分总材积，误差为-1.50%，而RF模型则高估了总材积，误差为1.53%。这表明，在林分级预测中，模型可能需要进一步优化，以减少偏差并提高预测的准确性。此外，MLR模型虽然在某些指标上表现良好，但由于存在数据异常（如预测期内树木死亡），其同方差性假设未能满足，从而影响了模型的适用性。

研究还探讨了LiDAR数据在森林建模中的潜力。LiDAR技术能够提供高精度的三维植被数据，为构建更复杂的森林模型提供了可能。通过结合LiDAR提取的树高、冠层面积和竞争指数等变量，可以更全面地反映树木的生长环境和竞争状况，从而提高产量预测的准确性。此外，LiDAR数据的高分辨率特性使得模型能够捕捉到更细微的环境变化，这在预测不同林分条件下树木生长情况时尤为重要。

本研究的成果表明，机器学习模型在预测Pinus taeda林分单株树产量方面具有显著优势。SVM和RF模型在多个验证指标上均优于MLR模型，显示出其在处理复杂森林数据方面的强大能力。同时，研究也发现，种植密度对模型预测结果具有重要影响，这可能与树木之间的竞争关系有关。在不同种植密度条件下，模型的表现可能存在差异，因此在实际应用中需要考虑这些因素，以优化模型的预测效果。

此外，研究还强调了LiDAR数据在森林建模中的重要性。通过高密度LiDAR数据，可以更精确地估算树木的生长参数，如树高、冠层面积和竞争指数。这些变量不仅有助于提高产量预测的准确性，还能够为森林碳储量和生物量建模提供支持。随着LiDAR技术的不断发展和成本的降低，其在森林管理中的应用将更加广泛。

在实际应用中，RF和SVM模型可以作为更高效的工具，用于预测不同林分条件下的树木生长情况。这些模型能够处理大量的输入变量，并通过特征选择技术识别出对预测结果影响最大的关键变量。例如，研究中发现，树高、冠层面积和竞争指数等变量对模型的预测能力具有重要贡献。因此，在构建预测模型时，应优先考虑这些变量，以提高模型的准确性和适用性。

研究团队还指出，尽管ML模型在预测精度上表现优异，但其应用仍需克服一些挑战。例如，ML模型通常需要大量的数据支持，这对数据收集和处理提出了更高的要求。此外，由于其“黑箱”特性，ML模型的可解释性较差，这可能会影响其在实际管理中的应用。因此，在推广ML模型时，需要结合实际情况，权衡其优势与局限性，以确保模型的适用性和可靠性。

本研究的结果为森林产量预测提供了新的思路和方法。通过结合LiDAR技术和机器学习算法，可以构建更精确、高效的预测模型，为森林管理提供科学依据。未来的研究可以进一步探索这些模型在不同树种和林分条件下的适用性，以及如何优化模型的参数和结构，以提高预测的准确性。此外，研究还可以关注如何将这些模型应用于更广泛的森林管理场景，如碳储量评估和生物量建模，以充分发挥LiDAR和机器学习技术在森林科学中的潜力。

总之，本研究展示了LiDAR数据在森林产量预测中的重要性，并验证了机器学习模型在处理这些数据时的优势。通过合理选择和优化预测变量，可以构建出更准确、高效的产量预测模型，为森林资源的可持续管理和利用提供支持。随着技术的不断进步，LiDAR和机器学习的结合将在未来的森林科学研究和应用中发挥越来越重要的作用。