多源特征融合视角下橡胶林生物量遥感估算模型优化研究及其在碳汇评估中的应用

针对橡胶林生物量估算精度不足的问题，研究人员通过融合无人机多光谱影像与地形因子，系统评估12种机器学习算法（包括XGBoost、RF、U-Net DRM等），构建高精度估算模型。结果表明XGBoost模型表现最优（R2>0.95，RMSE≈27.653 t/hm2），首次实现复杂山地环境下橡胶林生物量的空间异质性量化，为热带人工林碳汇动态监测提供可靠技术框架。

　　

橡胶树（Hevea brasiliensis）作为热带地区重要的经济林种，不仅具有极高的经济价值，还在碳循环中扮演着关键角色。然而，传统生物量测量方法费时费力，卫星遥感又受限于云层干扰和空间分辨率不足等问题，难以满足精准监测需求。特别是在地形复杂的山地橡胶种植区，地形因素（如坡度、坡向）通过调控水热条件和光照分布，间接影响橡胶树生长，但这一机制在现有生物量估算模型中被严重低估。如何突破技术瓶颈，实现橡胶林生物量的高精度、大范围估算，成为当前热带林业遥感领域亟待解决的难题。

针对这一挑战，云南农业大学热带作物学院的研究团队在《Trees, Forests and People》发表最新研究成果。该研究以云南省孟连县为实验区，创新性地将无人机多光谱遥感与地形因子相结合，通过系统比较12种机器学习算法（包括MLR、SVR、RF、KNN、ANN、CNN、XGBoost、BPNN、PLSR、U-Net DRM、PINN和GB），构建了适用于不同林龄橡胶林的生物量估算模型，最终实现R2>0.95的估算精度，为热带人工林碳汇监测提供了方法论突破。

研究团队首先利用DJI Mavic 3 Multispectral无人机获取高分辨率多光谱影像，结合地面实测样方数据（45个20m×20m样方）计算生物量。通过随机森林回归（RF）进行特征选择，从325个遥感特征（包括纹理特征、植被指数和地形因子）中筛选出15个关键变量。随后采用嵌套交叉验证框架，评估12种算法在融合地形因子前后的性能差异，最终通过最优模型完成区域尺度生物量制图。

3.1 变量筛选结果

纹理特征在生物量估算中表现出显著重要性，近红外（NIR）波段贡献度最高（占筛选特征的50%），9×9窗口大小的纹理参数最具代表性。其中边缘19.19对比度（edge19.19contrast）和近红外9.9二阶矩（nir9.9second moment）成为最关键预测因子。

3.2 模型精度对比

U-Net DRM模型在未引入地形因子时表现最佳（R2=0.958），但XGBoost在融合坡度、坡向数据后实现全面超越（R2=0.959，RMSE=27.653 t/ha）。地形因子的加入使10/12模型的RMSE显著降低，平均降幅达9.73 t/ha，证实了地形校正对复杂山区生物量估算的必要性。

3.3 生物量空间格局

基于XGBoost的估算显示：幼龄林生物量呈条带状分布（均值264.698 t/ha），中龄林形成"梯度带+均质斑块"格局（351.539 t/ha），成熟林因间作导致生物量降低（330.649 t/ha），过熟林则呈现南北分异（420.315 t/ha）。这种空间分异规律首次揭示了橡胶林生物量积累与地形因子的响应机制。

4.1 模型适用性分析

XGBoost的优越性源于其正则化设计和特征重要性排序能力，能有效处理橡胶林生物量与冠层结构、林龄动态间的非线性关系。相比传统卫星遥感方法，无人机数据（空间分辨率<10cm）可精确捕捉单株橡胶树的形态特征，解决了Sentinel-2等中分辨率数据（10-30m）对异质性地表表征不足的问题。

4.2 地形因子的生态意义

坡度通过改变地表径流路径影响土壤水分再分配，而坡向则调控太阳辐射分布。在25°以上陡坡区域，北向坡生物量较南向坡高12.7%，这种差异在成熟林阶段尤为显著。研究首次量化了地形因子对橡胶林生物量估算的贡献率，证实其可解释约15%的空间变异。

4.3 技术突破与局限

该研究建立的"无人机-地形因子-机器学习"三位一体框架，将橡胶林生物量估算误差控制在±30 t/ha以内。但研究也发现，当纹理特征窗口大于21×21时，模型对林窗区域的识别能力下降，这为未来传感器配置优化提供了方向。

这项研究通过多学科方法创新，实现了三个重要突破：一是创建了融合地形校正的橡胶林生物量估算方法体系，二是证实XGBoost算法在热带人工林遥感中的优越性，三是揭示了不同林龄橡胶林生物量的地形响应规律。研究成果不仅为《巴黎协定》框架下的国家自主贡献（NDC）履约提供数据支撑，更通过精准量化碳汇潜力，助力橡胶种植户参与碳市场交易。未来研究可进一步探索激光雷达（LiDAR）与多光谱的融合，在三维冠层结构表征方面寻求新的精度突破。