高密度机载激光扫描与卫星集成的地中海黑松林古老度多传感器建模新见解

《Remote Sensing》：Multisensor Modeling of Old-Growthness in Mediterranean Pine Forests: New Insights from High-Density Airborne Laser Scanning and Satellite Integration

　　

老龄林（old-growth forests, OGFs）是《欧盟2030年生物多样性战略》中的保护优先对象，但由于结构复杂性，在地中海欧洲黑松（Pinus nigra）林中识别残存林分具有挑战性。研究人员利用西班牙国家航空摄影计划（PNOA-LiDAR，2024）的高密度机载激光扫描（Airborne Laser Scanning, ALS）数据、RGB–NIR正射影像以及多光谱影像（Sentinel-2和WorldView-3），评估了一个多传感器遥感框架，用于估算西班牙卡索拉自然公园的古老度指数（Old-Growth Index, OGI）。在多元线性回归（Multiple Linear Regression, MLR）、随机森林（Random Forest, RF）和支持向量回归（Support Vector Regression, SVR）中，使用重复嵌套交叉验证评估了四组预测变量（仅ALS指标；ALS加上冠层覆盖度（Canopy Cover Fraction, CCF）；ALS+CCF+Sentinel-2；以及ALS+CCF+WorldView-3）。SVR与预测变量组ALS+CCF+WorldView-3组合取得了最高的嵌套R²（0.79），优于随机森林和多元线性回归。然而，仅依赖ALS（R²=0.71）或ALS+CCF（R²=0.77）的模型在统计上表现相当。此外，集成Sentinel-2（R²=0.61–0.68）较ALS模型无明显增益。这些发现表明，开放获取的国家激光雷达项目提供了足够的三维结构信息，无需商业卫星影像即可绘制林分成熟度图。OGI的连续空间预测为支持地中海松林生态系统的保护规划和OGF监测提供了宝贵的基线图。

本研究聚焦于地中海欧洲黑松（Pinus nigra）老龄林（old-growth forests, OGFs）的遥感识别与制图。OGFs因高生物多样性和独特生态功能成为保护优先对象，但在欧洲高度破碎化，仅占森林面积1%–3%。欧盟《2030年生物多样性战略》要求对OGFs进行定义、绘图和长期监测。古老度指数（Old-Growth Index, OGI）通过整合大树密度、直径多样性等结构变量来量化森林古老性。目前OGF遥感研究多集中于温带和北方森林，地中海地区较为缺乏，尤其缺少针对黑松残存林的研究。单一传感器难以捕捉老龄林复杂冠层结构，而结合机载激光扫描（Airborne Laser Scanning, ALS）与光谱数据能提升制图能力。西班牙国家航空摄影计划（PNOA-LiDAR）提供高密度ALS数据，但尚未与卫星影像联合用于地中海松林古老度建模。为此，研究人员在西班牙卡索拉自然公园开展研究，目标是评估多传感器框架估算OGI的潜力，并检验三个假设：（1）超高分辨率卫星影像、ALS和正射影像结合可提供可靠制图框架；（2）免费Sentinel-2的预测精度低于超高分辨率WorldView-3；（3）ALS指标能捕获大部分OGI变异，而加入冠层覆盖度和光谱数据可进一步优化。

研究区位于卡索拉自然公园南部，共设置30个0.25公顷方形样地（15个幼龄林、15个老龄林）。使用地面激光扫描（TLS）获取每木胸径，计算OGI（基于胸径标准差、>50 cm大树密度、平均胸径和总株数密度）。遥感数据包括PNOA-LiDAR 2024高密度点云（平均19.88点/m²）、RGB–NIR正射影像（0.25 m）、WorldView-3（1.3 m）和Sentinel-2（10 m）。从ALS提取43个指标，从正射影像提取冠层覆盖度（CCF），从两种卫星影像各计算12个植被指数（以均值、P10和P90表示）。构建四组预测变量：仅ALS；ALS+CCF；ALS+CCF+Sentinel-2；ALS+CCF+WorldView-3。采用多元线性回归（MLR）、随机森林（RF）和支持向量回归（SVR），通过重复嵌套交叉验证评估泛化性能，并用最佳模型进行OGI空间制图，同时计算预测变异性和适用域指数（DAI）。

研究结果分为六个部分。**3.1 幼龄林与老龄林的结构特征**：样地调查显示，老龄林具有更高的胸径标准差和>50 cm大树密度，幼龄林总株数密度更高；老龄林平均OGI为68.12，幼龄林为17.29，表明OGI能有效反映林分结构梯度。**3.2 多元线性回归（MLR）**：最佳MLR模型显示，不同预测变量集解释力差异较小，WorldView-3组合略优于Sentinel-2组合；变量选择上，上部高度百分位数（如h95/h99）和CCF呈正系数，而反映低层返回比例或众数高度的指标呈负系数。**3.3 随机森林（RF）**：RF模型中最重要的预测因子多为ALS垂直结构指标（如ARA3.TFR、hIQR、hAAD、hLkur），袋外R²为0.658–0.678；CCF未被保留，两种卫星光谱变量贡献有限。**3.4 支持向量回归（SVR）**：SVR模型对30个样地的拟合R²很高（0.903–0.986），但嵌套R²明显较低，其中Sentinel-2组合最低（0.644）；对WorldView-3组合，变量重要性显示EVI_mean、EVI_p10和CCF最重要，其次是垂直异质性指标（hkurt、hIQR、hSD）。**3.5 全局比较与残差分析**：重复嵌套交叉验证显示，SVR+WorldView-3组合的嵌套R²最高（0.790），SVR+ALS+CCF为0.770，仅ALS为0.710；加入Sentinel-2后SVR降至0.644，RF和MLR也未见提升；SVR和RF整体优于MLR；残差分析显示各模型残差均值接近零，标准差为3.3–9.7。**3.6 OGI空间预测**：最佳模型（SVR+WorldView-3）用于生成50 m分辨率OGI图；DAI显示超过80%区域DAI>60%，但高DAI不代表完全在训练域内；预测变异性随OGI等级增高而增大（均值从7.89升至11.90）。

讨论部分指出，仅用光学影像的已有研究精度有限，结合ALS可改善识别。本研究中高密度ALS提供了大部分预测信息，商业超高分辨率影像并未带来统计上的显著增益，这与PNOA-LiDAR高密度点云能充分捕获冠层三维结构有关。SVR在嵌套验证中优于MLR和RF，讨论中认为这是由于其核函数能建模非线性关系，并针对有限训练样本设计。关键预测变量（如EVI、CCF、垂直异质性指标）具有生态学意义，与老龄林的冠层结构特征一致。Sentinel-2与PNOA LiDAR的周期性观测为长期监测提供潜力，但需在独立区域验证。管理上，连续OGI图可支持保护优先区识别，但需注意预测变异性和DAI的限制。

结论表明，高密度ALS数据单独或与多光谱影像结合为OGI建模提供了可行框架；尽管ALS+WorldView-3组合的SVR模型精度最高，但仅基于ALS或ALS+CCF的模型在统计上表现相当；加入Sentinel-2未产生明显增益。所生成的空间预测可支持研究区的森林保护规划，但由于晚期演替阶段预测变异性增加且低密度林分DAI较低，空间输出应谨慎解读，并在运营实施前于独立区域验证。