基于双时相LiDAR的落叶松人工林林分变量估计：一种降低生长建模成本的动态林分生长与收获模型

《Annals of Forest Science》：Bi-temporal LiDAR-based estimates of stand variables reduce growth modelling costs in even-aged Larix olgensis A. Henry plantations

　　

摘要 关键信息：研究人员（researchers）利用双时相无人机LiDAR数据开发了一种动态林分水平生长与收获模型（dynamic stand-level growth and yield model），以支持森林经营与规划。该方法旨在通过使用低成本无人机LiDAR作为替代数据源，降低地面清查的成本与强度。 背景：生长与收获模型（growth and yield models）作为模拟和预测林分发育动态的主要工具，支撑着森林资源管理的可持续长期规划。 目的：本研究基于双时相野外测量与无人机LiDAR数据，以长白落叶松（Larix olgensis A. Henry）——中国东北地区常见的造林树种——为研究对象，开发了同龄纯林林分的动态生长模型。 方法：野外测量与LiDAR扫描分别于2019年和2023年完成。研究人员评估了使用基于LiDAR的林分变量估计值（林分年龄、优势木高、断面积和每公顷株数）作为建模数据的适用性。基于野外测量数据的模型作为基准。生长与收获模型由三个同时拟合的方程组成：第一个方程用于优势木高，第二个用于每公顷株数，第三个用于林分断面积。LiDAR预测的林分变量值通过k近邻（k-nearest-neighbors，kNN）插补方法获得。基于LiDAR估计林分变量的模型与基于野外测量的模型非常相似。研究人员使用这些模型，以野外数据或LiDAR变量作为预测因子，模拟了2019年至2023年的林分发育过程。 结果：当模型和清查数据均由LiDAR估计值时，优势木高的模拟结果最佳。对于林分断面积和株数，在基于面积的清查方法（area-based inventory approach）中，野外清查比使用LiDAR估计值获得了更好的模拟结果。 结论：结果表明，除将LiDAR用于森林清查外，预测的LiDAR变量还可用于开发人工林的林分水平生长与收获模型。

基于双时相LiDAR的落叶松人工林生长与收获模型研究解读

一、研究背景与意义

中国东北林区是全国最大的天然林区，约占全国总立木蓄积量的三分之一，在国家生态安全和木材供给中具有核心地位。长白落叶松（Larix olgensis A. Henry）是该区域分布最广的针叶树种，也是中国第四大用材林人工林树种。根据第八次全国森林资源清查，全国长白落叶松总面积达1083.5万公顷，其中人工林占316.3万公顷。

准确的林木生长与收获预测是有效森林经营和规划的前提。由于林木生长周期长，经营干预对木材生产和其他生态系统服务具有长期影响，当代森林经营规划依赖于基于模拟的长期经营后果评估，这些模拟采用定量生长与收获模型。然而，传统生长与收获模型的开发通常需要长期、重复的野外固定样地清查数据作为支撑，这类清查成本高昂且耗时。同时，传统获取森林经营规划清查数据的方式也依赖野外调查。

面对这些局限，遥感技术的快速发展为森林清查和模型构建开辟了一条高效、低成本的途径。激光雷达（Light Detection and Ranging，LiDAR）作为一种主动遥感技术，能够快速获取森林三维结构信息，不仅为林分变量的快速估计提供了强有力的技术支持，也为构建生长与收获模型奠定了基础。无人机（Unmanned Aerial Vehicle，UAV）搭载的LiDAR在估计精度相当的条件下，相比传统有人机航空测量和地面清查具有显著的成本优势。然而，常规的单时相LiDAR仅能获取森林三维结构的快照，无法反映由生长、干扰或经营驱动的动态变化。双时相LiDAR对同一林分在两个不同时间进行扫描，能够实现重复观测，为量化林分生长动态和支持生长模型更新提供了理想手段，尤其适用于需要迫切更新模型的速生人工林。

目前，专门基于双时相LiDAR开发用于森林经营规划的生长与收获模型的研究仍然稀缺。本研究正是针对这一空白，考察了基于LiDAR估计的林分年龄、优势木高、每公顷株数和林分断面积所开发的生长与收获模型在长白落叶松人工林中的适用性。

二、研究内容与方法概述

研究区域位于黑龙江省佳木斯市桦南县境内的孟家岗林场（Mengjiagang Forest Farm），面积约167 km2，地处完达山脉西麓，属东亚大陆性季风气候，年均降水量523.2 mm，平均生长季长度135天。长白落叶松是该林场的主要人工林树种，占林场总面积的35%，占人工林面积的52%。

2019年8月，研究人员在林场内建立了三个各1.0 km × 1.5 km的矩形研究区，并在其中建立了47块长白落叶松永久样地（0.09 ha；30 m × 30 m）。每块样地内记录所有胸径（diameter at breast height，DBH）大于5 cm的树木，使用Vertex IV测高仪测量树高。2023年8月进行了永久样地的复查，期间部分样地被间伐，一块样地出现异常高死亡率，最终剔除7块间伐样地和1块异常死亡样地，保留39块样地用于分析。

LiDAR数据分别于2019年8月12日和2023年8月9日采集，两次均使用搭载RIEGL VUX-1UAV激光扫描仪的大疆Matrice 600 Pro无人机平台，飞行参数完全一致：飞行高度180 m，飞行速度10 m/s，扫描角330°，航带重叠50%，脉冲重复频率380 kHz，平均每次脉冲返回5次。2019年平均点密度为136点/m2，2023年为145点/m2。两次采集使用相同的传感器和飞行参数，以最小化点云特征的系统差异。

数据处理方面，研究人员首先对原始点云进行噪声点筛选和剔除，然后使用改进的渐进TIN加密（Improved Progressive TIN Densification，IPTD）算法将点云分类为地面和非地面回波，并相对于地面进行高度归一化处理。使用LiDAR360软件提取了每块样地的101个LiDAR特征指标，分为四类：高度相关指标（46个）、密度相关指标（10个）、强度相关指标（42个）以及额外的冠层指数（间隙分数、叶面积指数和冠层覆盖度）。

在kNN插补方面，研究采用Pukkala等人（2024）描述的3近邻（3-nearest neighbors，3NN）插补方法，为每块样地插补2019年和2023年的林分年龄（T）、优势木高（H）、每公顷株数（N）和林分断面积（G）。该方法首先使用模拟退火算法确定最优的变量组合、变换形式和权重，构建距离度量，然后以加权欧氏距离选择最近邻，以反距离为权重计算三个最近邻样地变量的加权平均值作为插补值。候选变量包括101个LiDAR衍生指标和空间坐标（x, y）。

生长与收获模型的参数通过非线性似无关回归（nonlinear seemingly unrelated regression，NSUR）方法同时估计，该方法同时拟合方程组并考虑方程误差项之间的同期相关性。模型由三个方程组成：第一个为优势木高方程（Schumacher-Richards-Chapman形式），第二个为每公顷株数方程，第三个为林分断面积方程。后两个方程以立地指数（site index，SI）作为预测因子，立地指数由2019年的T和H通过优势木高方程计算得到。

模型使用三种不同数据集进行拟合，分别记为FF（field-field）、FL（field-LiDAR）和LL（LiDAR-LiDAR）。FF情形使用2019年和2023年的野外实测T、H、N和G值，对应传统的生长与收获模型构建方式。FL情形假设仅有2019年的一次野外测量和2019年、2023年两次LiDAR扫描，使用2019年野外和LiDAR数据开发距离度量，以2019年野外样地为数据源，利用该距离度量和2023年LiDAR指标插补2023年的H、N和G值，2023年林分年龄由2019年野外实测年龄加4年获得。LL情形假设没有野外实测值，但存在从LiDAR数据预测这些变量的模型，2019年的T、H、N和G全部通过kNN插补获得，2023年林分年龄同样由2019年插补年龄加4年获得。

三、研究结果

3.1 插补结果

研究人员开发了两个距离度量：一个用于H、N、G的同步插补，另一个用于T、H、N、G的同步插补。两个距离度量所包含的LiDAR指标并不相同，这并不意外，因为101个LiDAR指标中许多彼此高度相关。将林分年龄（T）加入插补变量集后，H、N和G的插补精度有所下降，例如G的RMSE%从7.17增加到9.13。使用H、N、G的距离度量，以2019年野外样地和2023年LiDAR数据进行插补，N和G的RMSE%相比2019年插补精度有所增加，但优势木高的RMSE%从6.7降至6.34，偏差%从?0.05增至0.59。散点图显示，T、G、N和H的插补值与野外实测值高度相关。

3.2 生长模型

在三种建模数据集（FF、FL和LL）中，三个方程的所有参数估计均显著，且参数值量级相近。模型预测存在明显差异：FF模型的优势木高预测在较高立地指数下与其他模型偏差较大；约40年生以前所有模型预测的优势木高发育相似，之后差异随年龄增大，在较好立地上差异更为明显。G模型预测较好立地上断面积生长更快，FL模型预测的断面积生长速度慢于其他模型，FF模型略快于LL模型且明显快于FL模型。FL模型在N的发育方面也与其他模型不同，预测的自疏强度高于其他模型变体。所有模型均预测较好立地上存活株数减少更快。

3.3 预测精度

当所有模型使用相同的输入数据时，FF、FL和LL模型之间的RMSE无显著差异。所有模型版本和两种清查数据类型下，优势木高预测的偏差都很小，最大约10 cm。基于LiDAR估计林分年龄和优势木高的LL模型偏差最低。使用FL模型模拟时，N和G均被低估，株数偏差为?47或?68株/公顷，即4年死亡率被高估了47或68株/公顷。就偏差而言，基于野外测量的FF模型表现最佳。使用野外清查作为模拟输入时，株数和断面积的模拟精度优于LiDAR清查，但LiDAR清查数据在优势木高模拟中精度更高，LL模型的优势木高低估最小。两种清查数据源的排序在三种模型集中一致。

四、讨论与结论

研究表明，基于LiDAR估计林分变量的生长与收获模型几乎可以与完全基于野外测量的传统模型媲美。LiDAR模型在优势木高发育预测方面甚至优于基于野外数据的模型，这可以解释为多个LiDAR指标与冠层高度密切相关，且基于LiDAR的优势木高估计可能比野外测量更不易出错。然而，将野外测量和LiDAR变量混合建模（FL情形）导致模型劣于单独使用野外数据或单独使用LiDAR数据，FL模型低估了株数和断面积，即高估了死亡率并低估了林木尺寸增长，因此不建议在生长建模中采用这种数据组合方式。

野外清查在株数和断面积模拟中优于LiDAR清查，但LiDAR在优势木高模拟中表现更好，可能原因是LiDAR的优势木高估计比野外估计更准确。如果同时具备野外测量和LiDAR数据，最优策略可能是优势木高使用LiDAR估计值，株数和断面积使用野外测量值。但该结论取决于野外清查方法——本研究采用全林每木检尺，这在林业实践中几乎不可能实现，实际中样地抽样会产生抽样误差，因此野外数据在预测林分发育方面的优势在实际中可能比本研究显示的更小。

研究结论：基于LiDAR估计林分变量的林分水平生长与收获模型几乎可以与完全基于野外测量的传统模型相当。对于优势木高发育，LiDAR模型甚至可以优于基于野外数据的模型。使用野外清查作为生长模拟输入时，株数和断面积的模拟结果优于LiDAR估计值，但优势木高发育的模拟结果较差。LiDAR数据可望大幅降低生长与收获建模的成本和时间消耗。然而，这些结论仅适用于同龄长白落叶松人工林，未来研究应分析这些方法在更复杂林分结构中的适用性。