基于无人机激光雷达的杉木人工林作业化碳估算：建模方法的比较评估

《Smart Agricultural Technology》：Operational carbon estimation in Chinese fir plantations using UAV-LiDAR: A comparative evaluation of modeling approaches

　　

精准林业需要智能监测工具，以提供地上碳（aboveground carbon, AGC）储量的作业化估算，从而支持人工林的可持续经营。尽管无人机激光雷达（UAV-LiDAR）技术能够实现森林结构的高分辨率表征，但在真实业务部署中，实践者仍缺乏关于如何选择兼顾精度、可解释性与处理效率的适宜建模方法的循证指导。本研究以杉木（Cunninghamia lanceolata）人工林中33个样地为对象，评估了4种基于UAV-LiDAR的AGC参考值估算策略，为技术路线选择提供实践依据。研究比较了单木模型〔仅树高模型（H）；树高-冠幅模型（H-CD）〕、林分参数模型（平均树高-株数密度，H-N）以及点云度量模型（point cloud metrics model, PCM），所用数据包括高密度激光雷达数据（1500–2000 pts·m^-2）与同期地面调查数据。结果表明，在再现参考AGC方面，林分尺度模型显著优于单木方法，揭示出具有直接作业意义的基本尺度效应。其中，指数型H-N模型相对于参考值表现出最高预测性能（R² = 0.912，RMSE = 12.184 Mg C·ha^-1），而无需分割的PCM也表现稳健（R² = 0.861）。关键的是，LiDAR反演的株数密度与地面实测值之间无显著差异（p = 0.177），支持其在该异速生长（allometric）背景下用于林分尺度建模。基于上述实证结果，研究提出了在统一参考体系下应用这些建模路径的情景化选择策略：（1）对于单木经营目标，H-CD具有适用性，但使用者必须考虑其较高不确定性；（2）对于林分尺度碳核算，H-N与参考值的一致性最佳，且具有清晰的可解释性；（3）对于单木检测失效的高密度林分，PCM提供了稳健且可扩展的替代方案。本研究通过在一致的异速生长参考框架下阐明各类UAV-LiDAR建模路径的相对优势，衔接了遥感技术与作业化林业，从而支持基于数据的方法选择，并使管理者能够部署与具体应用情景相匹配的UAV-LiDAR监测方案。

该文发表于《Smart Agricultural Technology》，聚焦精准林业中杉木人工林地上碳（AGC）作业化监测的关键方法学问题。研究背景在于，AGC既是衡量森林生产力、生态系统健康和碳汇潜力的重要指标，也是森林经营与碳信用核算的重要基础，但传统地面清查劳动强度大、时效性有限，在亚热带山区高密度、郁闭度高、结构复杂的人工林中尤其难以高效实施。随着无人机激光雷达（UAV-LiDAR）能够快速获取高分辨率三维结构信息，其在森林碳估算中的应用不断扩展。然而，现有研究虽然提出了单木分割建模、林分参数建模以及区域尺度点云统计建模等多种路径，但不同方法在相同样地条件下的对比证据不足，尤其缺乏关于精度、处理复杂度、适用场景与可解释性之间权衡关系的系统评估。这种方法选择依据的缺失，限制了LiDAR碳估算技术由研究场景向常规生产应用的转化。基于这一问题，研究人员以浙江省开化县4个典型杉木纯林样地群为研究对象，系统比较4种具有不同尺度特征的UAV-LiDAR建模策略，目的并非单纯筛选“最优模型”，而是为森林管理者与技术人员提供面向经营目标的技术选择依据。

在研究设计上，研究人员设置了33个固定样地，每个样地面积为25 m × 25 m，覆盖13—27年林龄、不同立地指数与不同密度水平的杉木人工林。参考AGC并非通过皆伐实测获得，而是基于区域杉木立木材积方程、固定木材密度（wood density, WD）、生物量扩展因子（biomass expansion factor, BEF）和碳含量系数（carbon fraction, CF）推导而来。研究围绕4条建模路径展开：单因子树高模型（H）、双因子树高-冠幅模型（H-CD）、林分参数模型（H-N）以及点云度量模型（PCM）。其核心问题是：在统一参考体系下，哪一种路径更适合不同经营目标下的碳监测任务，尤其是在高密度人工林中，单木分割误差是否会显著影响估算结果。

技术方法方面，研究主要采用以下几类关键方法。首先，在样本来源上，研究对象来自浙江省开化县3个林场4个杉木纯林林分，共33个样地，并于2023年3月同步开展地面调查与UAV-LiDAR获取。其次，点云预处理包括去噪、地面/非地面点分类、数字高程模型（DEM）构建、点云归一化与冠层高度模型（CHM）生成。再次，单木参数提取采用基于距离聚类的单木分割方法，提取树高（H）、冠幅（CD）与株数密度（N）；林分尺度统计则直接从归一化点云中提取57个初始度量变量，并以皮尔逊相关筛选、主成分分析（PCA）和多元线性回归构建PCM。最后，单木模型通过重复随机划分检验系数稳定性，林分模型与PCM采用留一法交叉验证（leave-one-plot-out cross-validation, LOPO-CV）评估泛化性能，从而保证不同方法在统一样地尺度下进行公平比较。

研究结果部分首先报告了输入参数提取精度，即“3.1. Accuracy of individual tree and stand parameter extraction”。该部分显示，高密度UAV-LiDAR点云对单木结构参数具有很高的提取可靠性。自动提取树高与人工量测高度高度一致，R² = 0.929，RMSE = 0.60 m；冠幅提取精度同样较高，R² = 0.913，RMSE = 0.25 m。由此可见，UAV-LiDAR能够有效刻画杉木单木几何结构。相比之下，基于自动分割得到的林分株数密度精度较低，R² = 0.833，RMSE = 182 stems·ha^-1。研究指出，在高郁闭杉木林中，树冠相互交叠使单木分割容易产生漏分与过分现象，这成为林分属性提取的重要不确定性来源。

“3.2. Estimation accuracy of individual-tree-level models”部分比较了单木尺度模型的表现。结果表明，仅以树高为自变量的H模型解释力有限，在所测试函数形式中，三次多项式模型最佳，但R²仅为0.611，RMSE为0.028 Mg C·tree^-1。引入冠幅后，H-CD模型性能明显提高，最优幂函数模型将R²提高至0.784，RMSE降至0.019 Mg C·tree^-1。尽管如此，单木模型整体仍未突破R² > 0.8，说明即便树高和冠幅测量本身较为准确，单木尺度结构参数对碳储量的解释仍受限。这种限制在文中被归因于异速生长变异与分割误差的叠加效应，也提示单木尺度碳估算在高密度林分中的稳定性不足。

“3.3. Estimation accuracy of stand-level models”部分显示，林分尺度模型整体优于单木模型。其中，H-N模型的性能最佳。以LiDAR分割获得的株数密度作为输入时，指数函数形式达到最高拟合能力，R² = 0.912，RMSE = 12.184 Mg C·ha^-1。同时，配对t检验显示LiDAR株数密度与地面株数之间无显著差异（p = 0.177），采用LiDAR株数或地面株数建立的最优模型之间也无显著差异（p = 0.141）。这一结果支持LiDAR反演株数密度在该杉木人工林背景下具有实用价值，但研究也谨慎指出，“无显著差异”并不等同于完全等效，对于高精度碳核算场景，RMSE = 182 stems·ha^-1的误差仍不可忽视。PCM同样表现稳健，在LOPO-CV下达到R² = 0.861，RMSE = 15.248 Mg C·ha^-1。PCA结果显示，模型主要由两个主成分驱动：PC1主要反映冠层顶部结构，稳定地由高分位数树高变量主导；PC2主要反映低层冠层与林下回波结构。说明点云高度分布统计本身已经携带了足够丰富的林分垂直结构信息，能够在不进行单木分割的情况下支持可靠的AGC估算。

“3.4. Comprehensive comparison of model performance”部分对4种方法进行了统一尺度下的综合排序。按照R²表现，模型优劣顺序为H-N > PCM > H-CD > H。图示中的1:1散点关系进一步证明，林分尺度模型的预测值更集中于理想线附近，而单木模型离散度较大。研究还利用最终PCM模型在25 m × 25 m网格尺度上进行AGC空间制图，并在网格边界设置0.5 m缓冲区以削弱边界效应。结果显示研究区单位面积碳储量范围为11.0828—215.9013 Mg C·ha^-1，其中Stand B平均碳密度最高，Stand D最低，该空间分异与林分生态特征相一致。

在讨论部分，论文首先围绕尺度效应阐明方法选择的实践意义。研究指出，单木模型存在两类固有不确定性来源：其一，树高与冠幅的微小测量误差会在非线性异速方程中被放大；其二，更关键的是高密度郁闭林分中的单木分割难题，漏分与过分误差会沿参数提取—模型估算—样地聚合链条逐级传播。相比之下，林分模型通过平均树高与株数密度等聚合变量实现统计缓冲，使局部误差在样地尺度上得到抵消，因此表现更稳定。PCM则进一步绕开了最易出错的单木分割步骤，体现出较高的处理效率与较强的业务扩展潜力。其次，论文讨论了LiDAR输入变量的可靠性与PCM的生物物理基础。研究认为，在结构相对均一、单一优势树种占主导的杉木纯林中，LiDAR提取株数密度可作为H-N模型的可行输入，而PCM之所以有效，并非纯粹统计拟合结果，而是因为点云高度分布真实反映了冠层垂直占据空间这一与地上碳密切相关的生物物理过程。最后，论文从作业化应用角度比较了不同方法的适用性。若管理目标需要单木空间信息或优势木生物量，H-CD具有可用性，但需接受更高的不确定性与核查成本；若目标是林分尺度碳核算，H-N兼具精度与可解释性；若面对极高密度林分或复杂地形，PCM由于无需分割、批量处理快捷，更适合大尺度或重复监测任务。

研究结论部分可译为：本研究比较了4种用于再现杉木人工林衍生AGC参考值的UAV-LiDAR建模方法，并提出了面向方法选择的实践指导。得到三项主要结论。第一，在留一样地交叉验证条件下，林分尺度模型显著优于单木方法：H-N达到R² = 0.912（RMSE = 12.184 Mg C·ha^-1），PCM达到R² = 0.892（RMSE = 13.442 Mg C·ha^-1），而单木模型表现相对滞后。该性能差距反映了样地尺度聚合的缓冲效应：在高密度人工林中难以避免的单木分割不确定性，在由单木估计汇总到样地尺度时被明显削弱。第二，尽管LiDAR反演株数密度的分割精度中等（R² = 0.833，RMSE = 182 stems·ha^-1），但其可作为H-N模型中具有实际价值的输入变量，且与地面测量值之间未检测到统计学显著差异（p = 0.177）。然而，这一不显著结果并不意味着二者完全等效，在高精度应用中仍应考虑相关不确定性。PCM的结果进一步表明，点云统计特征无需依赖单木分割即可提供可靠的AGC估算，为完全绕开密度提取问题提供了替代路径。基于这些结果，研究提出情景化方法选择策略：对于需要单木数据的应用，如择伐经营或遗传改良计划，H-CD是可行方案，但使用者应预期更高不确定性及相应核查工作；对于更常见的林分尺度碳核算需求，H-N与PCM均具有良好表现，二者的选择取决于使用者更重视参数可解释性（H-N）还是在高密度林分中的处理效率（PCM）。这些结果为森林经营管理者依据具体目标选择合适的UAV-LiDAR监测方案提供了循证支持。