基于异速生长框架的森林地上生物量遥感估算与空间迁移研究

《Remote Sensing》：An Interpretable and Transferable Allometric Model for Remote Sensing-Based Estimation of Forest Aboveground Biomass

　　遥感技术为估算大范围森林地上生物量（AGB）提供了有效手段。然而，在特定区域校准的经验模型在迁移到其他区域时可能会失去预测精度，因为预测变量与AGB之间的关系可能随森林结构和环境条件而变化。此外，许多机器学习模型所学习的复杂非线性关系并未明确地与生态过程相关联，限制了其生态可解释性。为应对这些挑战，我们建立了一个基于树高的异速生长框架，该框架将源自Sentinel-2影像的核归一化植被指数（kNDVI）以及由UAV-LiDAR点云间接估算的叶面积指数（LAI）纳入平均林分高度与AGB之间的尺度关系中。通过允许尺度指数随冠层光谱和结构条件变化，所提出的框架旨在解释高度-生物量关系的空间变异，同时保留明确的异速生长结构。我们将其性能与四种常用的机器学习方法进行了比较：k近邻（kNN）、随机森林（RF）、极端梯度提升（XGBoost）和贝叶斯正则化神经网络（BRNN）。在标定区域内，所提出的异速生长模型实现了R2为0.67、RMSE为17.74 Mg ha?1、rRMSE为15.17%，接近精度最高的机器学习模型RF的性能（R2=0.69、RMSE=17.20 Mg ha?1、rRMSE=14.71%）。当使用位于标定区域外的独立样本评估模型时，差异更加明显。在空间迁移检验中，异速生长模型保持了R2为0.48，RMSE为22.31 Mg ha?1，rRMSE为20.83%。相比之下，BRNN在同一外部验证中表现最佳，但仅达到R2为0.32、RMSE为25.44 Mg ha?1、rRMSE为23.75%。将LAI或kNDVI引入尺度指数比使用固定指数提供了更大的解释价值，而基于kNDVI的公式（R2=0.41、RMSE=23.60 Mg ha?1、rRMSE=22.03%）表现出比基于LAI的对应公式（R2=0.37、RMSE=24.42 Mg ha?1、rRMSE=22.80%）更强的空间迁移能力。尽管所有评估模型在标定区域外均出现精度损失，但机器学习方法的下降幅度显著更大。因此，所提出的框架在标定区域内提供了与机器学习模型相当的预测精度，同时提供了更强的生态可解释性和更好的空间迁移表现。该方法通过整合光学观测与冠层结构信息，为大范围森林AGB估算提供了基础，并有可能扩展到将光学影像与卫星LiDAR获取的结构信息相结合的應用中。未来研究可将空间自相关和空间异质性纳入所提出的框架，以进一步降低森林AGB估算的不确定性。