一种基于机载LiDAR点云的垂直FVC曲线反演方法（OLV-FVC），适用于在光学遥感约束条件下的森林地块分析

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：A vertical FVC profile retrieval method (OLV-FVC) based on airborne LiDAR point cloud under the constraint of optical remote sensing for forest plots

　　摘要
垂直植被覆盖度剖面是量化森林生态系统三维结构异质性及生态功能的重要指标。目前基于LiDAR的植被覆盖度估算方法存在诸多局限，包括过度依赖点云分类、无法充分反映下层植被结构，以及难以获取草本层植被覆盖度等信息。本研究提出了一种基于物理原理的新方法——光学遥感约束下的LiDAR垂直植被覆盖度剖面反演方法（OLV-FVC）。该方法的创新之处在于采用无需分类的分层点云重建技术，能够弥补下层植被覆盖度的低估问题，并可将二维平面植被覆盖度转换为具有物理意义的三维分层植被覆盖度。具体而言，OLV-FVC通过空间遮挡建模和多回波配对技术重建各植被层的最上层点云结构，从而减少对传统点云分类的依赖；随后通过光谱-结构耦合校正机制解决因遮挡导致的LiDAR信号缺失问题，补偿灌木层和草本层覆盖度的低估；最后借助几何光学模型与间隙概率理论，建立将二维平面植被覆盖度转换为三维分层植被覆盖度的物理可解释框架，实现对冠层、灌木层和草本层覆盖度的独立精确估算。研究通过理论建模、辐射传输模拟以及多时相实地观测等分层验证方法，证明了OLV-FVC的有效性。下层植被校正机制显著提升了估算精度，使灌木层和草本层的平均均方根误差分别降低了0.066和0.078，平均R2值分别提高了0.016和0.106。在所有验证阶段中，OLV-FVC均表现出优异的性能，在理论评估和模拟实验中均具有高度一致性（R2：0.807–0.998；RMSE：0.009–0.113），并且在不同森林类型和物候阶段中也具备实用价值（R2：0.794–0.990；RMSE：0.019–0.122）。敏感性分析进一步表明，OLV-FVC在不同的点云密度和地形坡度条件下仍能保持高稳定性。总体而言，OLV-FVC为分层植被覆盖度估算提供了一种可靠且具有物理可解释性的方法，有望为森林精细化监测和生态建模提供重要支持。本研究所使用的实地数据可通过国家生态观测网络数据门户（https://data.neonscience.org/）获取，OLV-FVC的源代码则位于https://github.com/zhangh-geo/OLV-FVC。

引言
植被覆盖度是指从垂直视角看植被覆盖地面面积的百分比，是描述地表植被状况的关键参数（Jennings等，1999；Li等，2023）。它在生态监测、能量交换、碳水循环研究以及气候变化评估中具有重要意义（Gutman和Ignatov，1998；Gitelson等，2002；Tu等，2019）。传统的植被覆盖度估算方法主要依赖于光学遥感数据，只能提供二维的植被覆盖信息，无法体现森林生态系统的垂直异质性和分层特征（Coops等，2021）。然而，森林通常具有明显的垂直分层结构——包括冠层、灌木层和草本层——这些层次各自在光合作用（Lhotka和Loewenstein，2006）、水分利用（Staudt等，2011）以及碳封存（Paul-Limoges等，2017；Marino等，2018）等生态功能中发挥着独特作用。因此，准确估算垂直分层的植被覆盖度对于：1）了解不同垂直森林层次的生态过程（Lin等，2018）；2）量化各类植被层次在碳固定、能量交换及生态系统服务中的作用（Staudt等，2011；Paul-Limoges等，2017）；3）支撑生态系统评估（de Conto等，2024）、气候变化研究（Zellweger等，2020）、水土保持（Ray等，2019；Abe等，2024）、野火监测（Marino等，2018）、生境评价（Santos等，2016）以及城市绿地管理（Anderson等，2018）等方面都具有重要意义。由此可见，基于遥感的垂直植被覆盖度估算研究不仅具有重要的生态学理论价值，还为多尺度生态监测与管理提供了技术支撑。

（1）基于LiDAR的植被覆盖度估算
机载LiDAR点云数据能够捕捉森林的垂直结构信息，从而精确描述不同植被层次（如冠层、灌木层和草本植物）在地块尺度上的空间分布特征。这使得LiDAR成为估算垂直分层植被覆盖度的有力工具（Heiskanen等，2015；Li等，2024；Y. Li等，2024）。目前基于LiDAR的植被覆盖度估算方法主要包括：回波计数技术（Korhonen等，2011；Morsdorf等，2006；Ria?o等，2004）、基于强度的方法（Armston等，2013；Hopkinson和Chasmer，2009）、体积法（Kükenbrink等，2017）以及投影覆盖算法（Eysn等，2012；Ma等，2017）。这些方法主要通过分析植被点比率、回波能量分布特征、三维点云体积以及垂直投影覆盖比例来估算整体植被覆盖度或冠层植被覆盖度。然而，它们存在两个关键缺陷：其一，过度依赖点云分类，且对体素大小、阈值设置及其他建模参数极为敏感，导致在结构复杂或差异较大的森林中出现较大误差；其二，难以表征下层植被，尤其是灌木层和草本层，因为这些层次在垂直结构重建中往往被忽略。尽管有一些研究尝试通过多源数据融合和机器学习技术改进现有方法（J. Li等，2022；L. Li等，2022），但这些方法仍存在诸多不足：主要集中在整体或冠层植被覆盖度的估算上，对下层植被结构的描述不够完善（Lang等，2019；Wu等，2024；Zhang等，2024）；需要大量的训练样本（Ruoppa等，2025；Xiang等，2024）；在不同区域间的泛化能力有限（Xiang等，2024）；且缺乏物理可解释性（H?hl等，2024）。因此，现有的方法仍不足以实现跨区域尺度的可靠多层森林结构参数估算。

（2）垂直分层的植被覆盖度估算
近年来，垂直分层三维植被覆盖度反演技术取得了进展，人们开始运用点云分割（Hamraz等，2017；Zhou等，2023）和波形分解（Li等，2024；Y. Li等，2024；Tang等，2012；Wang等，2025）等技术，从而更细致地分析分层冠层的覆盖情况。尽管在构建冠层垂直剖面模型方面取得了进步，但现有方法在量化下层植被——尤其是草本层——的覆盖度方面仍存在局限。茂密的冠层常常造成严重遮挡，导致低层森林中的LiDAR点云大量缺失（Disney等，2006；Calders等，2015；Hamraz等，2017）。因此，基于LiDAR的直接建模方法往往无法准确重建下层植被的空间结构特征。其中，草本层在分层植被覆盖度估算中始终是一个难题：其信号强度较弱，导致LiDAR数据中出现大量点丢失（Hamraz等，2017；Sumnall等，2017）；同时，由于靠近地面，其信号容易与地面反射信号混淆（Hladik和Alber，2012；Ma等，2018；Wang等，2009）。虽然草本层的植被覆盖度在二维光学数据中可以较好地检测出来，但在基于三维LiDAR的重建结果中却常常被低估或遗漏。简而言之，尽管目前的基于LiDAR的方法在三维结构表示方面已有所进步，但仍然难以完整呈现整个垂直结构，尤其是在较低层次。

因此，迫切需要开发一种新的估算方法，既能有效结合光学遥感（提供二维植被分布信息）和LiDAR（捕捉三维垂直结构）的优势，又能借助明确的物理机制实现所有森林层次植被覆盖度的精确估算。尽管基于LiDAR的植被监测技术已取得显著进展，但仍存在三个主要挑战尚未解决：其一，现有的基于LiDAR的植被覆盖度估算方法往往依赖点云分类和经验参数设定，这在结构复杂的森林环境中会限制其应用效果；其二，由于冠层遮挡以及LiDAR观测不足，下层植被的覆盖度，尤其是灌木层和草本层的覆盖度，常常被低估；其三，光学遥感和LiDAR所提供的互补信息尚未被充分利用于垂直分层植被覆盖度的估算，而现有的多源融合方法往往依赖经验或数据驱动的关系式，缺乏物理可解释性。为了解决这些问题，我们提出了一种具有物理意义的新型方法——光学遥感约束下的LiDAR垂直植被覆盖度剖面反演方法（OLV-FVC）。OLV-FVC的核心目标是在二维平面植被覆盖度与三维垂直结构参数之间建立定量关系，从而克服当前在精准描述下层灌木层和草本层方面的局限性，提升垂直森林结构参数反演的精度与适用性。该方法的主要贡献包括：1）一种无需分类的重建策略。通过空间遮挡建模和多回波配对技术，OLV-FVC无需依赖传统的点云分类，即可重建各植被层的最上层点云结构，从而降低对点云分类及经验参数的敏感性；2）一种光谱-结构耦合校正机制。为了解决因冠层遮挡导致下层植被的LiDAR信号缺失问题，该方法利用光谱特征和结构特征构建面积校正模型，有效补偿灌木层和草本层覆盖度的低估；3）一种具有物理可解释性的转换框架。基于几何光学模型与间隙概率理论，该方法建立了网格尺度的定量模型，可将二维平面植被覆盖度转换为三维分层植被覆盖度，从而实现对冠层、灌木层和草本层覆盖度的独立且精确的估算。总之，OLV-FVC充分利用了光学数据和LiDAR数据的优势，为精准量化多层森林结构提供了一种可靠且具有物理可解释性的方法。

研究地点
本研究选取了国家生态观测网络中的三个森林站点，用于验证OLV-FVC在不同森林类型和季节条件下的适用性（图1）：巴特利特实验林（BART）、哈佛森林（HARV）以及大烟山国家公园（GRSM）。巴特利特实验林位于阿巴拉契亚山脉北部，以常绿针叶林和北方阔叶混交林为主。该研究区域包含一块面积为8,800平方米的样地，主要以铁杉（Tsuga canadensis）和白皮松为优势树种。

理想几何场景下的垂直植被覆盖度剖面估算
为了系统验证OLV-FVC的理论可行性与有效性，研究人员随机生成了1,000个理想化的几何场景，这些场景包含了多种不同的冠层、灌木层和草本层组合。图6展示了一个三维模拟场景的示例，其中树木、灌木和草本植物的空间分布及结构配置均模拟了典型的森林垂直分层特征。这些模拟得到的LiDAR点云（见图6）包含……

OLV-FVC的方法学特征与反演性能
本研究旨在通过整合光学遥感约束与机载LiDAR点云数据，构建一个基于物理原理的模型，用于估算森林地块的垂直植被覆盖度剖面。OLV-FVC的核心流程包含三个关键环节。首先，通过高度分层与遮挡分析相结合的方式，重建各植被层的最上层点云表示，这些表示既包括可见部分，也包括被遮挡的部分。

结论
本研究提出了OLV-FVC这一具有物理可解释性的模型，可用于反演森林地块的垂直植被覆盖度剖面。通过将空间遮挡分析与几何光学模型及间隙概率理论相结合，OLV-FVC解决了森林特征描述中的三个核心技术难题：首先，它无需依赖点云分类或经验阈值，即可重建分层植被的最上层结构表示，从而提升了结构描述的准确性。

数据可用性
实现OLV-FVC功能的源代码及示例脚本可在https://github.com/zhangh-geo/OLV-FVC获取。该仓库中包含了用于构建下层植被面积校正模型以及反演垂直植被覆盖度剖面的主要脚本，README文件中还提供了详细的操作指南。

作者贡献说明
张辉：撰写——审阅与编辑、撰写——初稿、可视化、验证、软件开发、方法论设计、正式分析、数据整理。朱文权：撰写——审阅与编辑、项目监督、项目管理、资金筹集、概念构思。葛萌：撰写——审阅与编辑。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
本研究得到了中国国家自然科学基金（项目编号：42471354）的支持。

张辉|朱文权|葛萌
北京师范大学遥感与数字地球国家重点实验室，北京100875，中国