摘要
在结构复杂的森林中，准确且可扩展地估算活体生物量中的碳储量仍然是一项挑战，尤其是当这些森林经历了不同的林业处理措施之后。本研究提出了一种多传感器机器学习框架，该框架结合了无人机获取的多光谱图像以及无人机和机载激光雷达数据，用于精确估算日本北海道中部和东部人工林的碳储量。研究使用了38个样地的实地测量数据来构建和验证模型。通过多传感器框架整合了来自无人机多光谱图像的光谱特征以及来自无人机和机载激光雷达数据的结构指标，并运用多元线性回归、随机森林和极端梯度提升算法进行评估，其中多元线性回归作为基准模型。研究的一个主要目标是通过系统比较仅使用冠层高度模型、RGB加冠层高度模型以及多光谱加冠层高度模型这三种数据集，来确定光谱信息和结构信息在估算经过林业处理过的森林碳储量时的相对贡献。结果表明，这些机器学习模型的性能均优于基准的多元线性回归模型，其中极端梯度提升算法的表现通常优于随机森林算法，其最大验证R2值为0.88，均方根误差为27.41兆克碳/公顷。虽然相比仅使用冠层高度模型的情况，模型在样地层面的预测精度提升幅度不大，但将多光谱图像与激光雷达获取的结构指标相结合，有助于降低碳储量测绘中的预测误差和系统偏差。这些研究结果强调了在估算经过林业处理过的森林的碳储量时，结构信息和光谱信息具有互补作用。
