亚热带地区森林碳储量精准估算与分类：机载LiDAR与高分六号卫星数据融合的深度学习框架

本研究针对亚热带森林碳储量(FCS)估算中传统方法忽视冠层结构生态指标的问题，创新性融合机载LiDAR和高分六号(GF-6)卫星数据，开发多尺度决策级融合深度学习框架实现90.98%分类精度，并提出结合冠层高度分布(CHD)的双层分层贝叶斯模型(HBA)，使FCS估算相对均方根误差(rRMSE)降至21.55%。该研究为管理林场碳汇评估提供了兼顾结构复杂性与树种特异性的新范式。

　　

亚热带森林作为重要的碳汇生态系统，其碳储量(FCS)的精准估算对全球气候变化研究和森林可持续管理至关重要。然而传统调查方法效率低下，而现有遥感技术存在两大瓶颈：一是光学数据在茂密林区易饱和，二是传统LiDAR建模过度依赖高度和密度指标，忽视冠层结构复杂性这一关键生态因子。更棘手的是，当前分层贝叶斯方法(HBA)通常仅以森林类型或地理位置分层，未能捕捉冠层三维结构的异质性。这些问题严重制约了亚热带破碎化森林景观的精准碳监测。

针对这些挑战，福建师范大学湿润亚热带生态地理过程教育部重点实验室的研究团队在《Smart Agricultural Technology》发表创新研究。他们以福建白沙国有林场为试验区，构建了多源数据融合的深度学习分类框架和新型FCS估算模型。研究首先采用ResNet算法实现GF-6与LiDAR冠层高度模型(CHM)的多尺度决策级融合，获得90.98%总体精度的森林分布图；进而提出结合冠层高度分布(CHD)和分层冠层熵(LCE)的双层HBA模型，突破性地将结构复杂性量化指标引入碳储量估算。

关键技术包括：(1)通过10m/20m/40m多尺度图像块生成与加权Softmax概率融合的深度学习分类；(2)基于三次样条函数提取CHD导数特征作为新型分层因子；(3)开发包含10个垂直分层的LCE指标；(4)构建融合森林类型和CHD类型的双层HBA框架。所有分析基于2022年获取的40点/m²机载LiDAR和2m分辨率GF-6数据，使用167个20m×20m样地验证。

研究结果显示：

1. 森林分类方面

   多尺度决策融合使中国杉木和马尾松的分类用户精度分别达89.47%和90.97%，显著克服了针叶树种光谱混淆难题。空间分布显示阔叶林占研究区46.69km²，主要分布在北部和西南部。

2. 模型优化方面

   CHD分层将阔叶林FCS估算RMSEr降低4.38%，揭示冠层垂直异质性的解释潜力。LCE变量的引入使双层HBA的总体RMSEr从24.63%降至21.55%，其中LCE₈和LCE₁₀分别对马尾松和阔叶林碳储量预测贡献显著。

3. 碳储量分布特征

   研究区75%区域FCS低于75t/ha，而成熟杉木林(东部)和集约经营马尾松林(中部)出现>90t/ha的高碳汇斑块，印证了延长轮伐期等管理措施的有效性。

讨论部分强调了三重创新：深度学习框架通过并行ResNet分支实现多源数据优势互补；CHD分层克服了传统森林类型分层的生态简化问题；LCE指标首次实现冠层垂直结构的熵量化。该研究为亚热带人工林碳监测提供了可推广的技术范式，其CHD-LCE协同分层策略尤其适用于受人为干预的破碎化景观。未来研究需验证该方法在低点云密度(<2点/m²)下的稳健性，并探索与冠层粗糙度等指标的协同效应。