《Remote Sensing》：Predicting Future Forest Plantation Establishment Outcomes from UAV-Derived Pre-Planting Environmental Conditions
编辑推荐：
在造林作业前预测造林失败风险，因采伐后环境条件存在强烈空间异质性而仍是重大操作难题。本研究构建了一个空间显式建模框架，整合栽植前无人机（UAV）衍生的环境、结构、地形与作业处理数据，以预测人工林景观尺度的造林风险。环境、地形、植被与结构预测变量由栽植前多光谱U
在造林作业前预测造林失败风险，因采伐后环境条件存在强烈空间异质性而仍是重大操作难题。本研究构建了一个空间显式建模框架，整合栽植前无人机（UAV）衍生的环境、结构、地形与作业处理数据，以预测人工林景观尺度的造林风险。环境、地形、植被与结构预测变量由栽植前多光谱UAV影像派生，而造林成效在约21个月后通过自动化单株树木检测与评估框架量化。数据集被集成于一个引入交互项、多尺度预测变量、作业处理掩膜及分块空间交叉验证的岭正则化逻辑回归（ridge-regularized logistic regression）模型中。模型在站点内分块空间交叉验证下取得较强预测性能，其中水分相关变量、植被状况与结构指标对造林失败预测贡献最强。预测风险曲面与观测到的株数密度降低和生长受抑模式高度吻合。除预测造林失败外，该框架使管理人员能在栽植前基于替代处理编码筛选模型预测结果，并将株数密度与树高响应整合为空间显式的造林指数（Establishment Index）。该框架由此证明未来造林成效可由栽植前测得的环境条件预测，并为将高分辨率UAV数据转化为作业决策支持提供了可扩展路径。
研究背景方面，成功的人工林造林是维持和提升森林生产力、作业效率及长期生态系统功能的基础，但苗木栽植后微立地条件修正机会有限且成本高昂。造林成效受环境条件、作业措施与微立地变异的复杂交互影响，而常规野外清查与粗分辨率卫星影像难以刻画亚米至米级的精细变异。已有UAV遥感多用于资源调查与现状监测，少有研究在栽植前利用环境因子预测未来造林表现。同时，栅格数据中邻近像元非独立，常规随机交叉验证会高估性能，需采用分块空间交叉验证。为此，研究人员在澳大利亚南澳Green Triangle的Mount Graham辐射松（Pinus radiata）人工林，开展了一项栽植前UAV环境预测约21个月后造林成效的空间显式研究，论文发表于《Remote Sensing》。
关键技术方法上，研究人员以2024年5月栽植前DJI Zenmuse P1（RGB，地面采样距离约1.4 cm）与MicaSense Altum（多光谱，约5.0 cm）UAV飞行数据，经Agisoft Metashape生成正射影像、点云、数字地表模型与地形产品；以2026年3月（栽植后约21个月）Post-planting UAV影像驱动Program for Identifying Nursery Trees（PINT）框架检测单株树，提取株数密度、树高、死亡率与杂草覆盖；从光谱、地形、结构纹理及土壤组图中派生50余个候选预测变量，经相关性过滤保留RDMI、PDI、TVMDI、土壤组、CWD、PSD、HAG、DEM能量与DEM熵等；以株数密度与树高归一化加权（0.7:0.3）构建复合造林指数（Establishment Index）界定二元失败响应；采用岭正则化逻辑回归（λ=0.01），嵌入交互项与多尺度邻域统计，以五折南北向分块空间交叉验证评估，并进行全站替代处理编码的情景模拟。
研究结果部分，3.1 造林成效显示，株数密度降低与树高受抑集中于东区及作业扰动廊道，预测失败概率空间分布与实测低造林指数区高度重合，约43%面积为中高及以上风险。3.2 模型性能在五折分块空间交叉验证下平均AUC 0.904±0.004，准确度0.87、平衡准确度0.81、Brier分数0.102、预期校准误差0.028，概率校准良好，像素级预测标准差仅在高低风险过渡带略高。3.3 预测变量组贡献中水分相关过程占31.8%，地形与结构微立地异质性27.5%，植被状况与竞争19.8%，作业管理13.7%，交互项11.1%。3.4 单变量贡献以DEM熵、干燥度、RDMI、NRCT、NDVI、杂草密度及处理变量最强。3.5 土壤组中Hindmarsh Sandy Loam预测失败概率最低（0.021±0.020），Mount Burr Sand（0.260±0.295）与Young Sand（0.312±0.269）最高。3.6 处理情景分析中，全站套用Treatment E预测失败概率0.086最低，H为0.101、B为0.124，C为0.368、D为0.462，现处理配置为0.247。3.7 处理区与风险区空间对应上，高风险区主要落于Treatment C覆盖的东区，证实处理分配与环境梯度部分混杂。
讨论部分指出，分块交叉验证下强性能表明预测来自稳健环境关系而非局部空间结构；9116万0.1 m像元属空间自相关支持单元而非独立样本，推断需谨慎。水分可用性是主导驱动，尤其早期生根期遇58%降雨亏缺放大了残体管理、地形与植被竞争的微立地效应。微立地结构异质性（粗糙度、熵、残体分布）在数米内即可造成风险分异，传统小班均质假设失效。处理变量仅反映预测关联而非因果，非随机分配致Treatment C/D表观劣效混杂了东区砂土与低蓄水背景。复合造林指数兼顾存活与生长，避免单看株数遗漏“活而不长”区。框架意义在于将UAV从监测工具转为栽植前风险预报工具，支撑残体保留、翻耕强度与树种配置的空间靶向决策。局限为单点单种、单时段、残留空间结构可能影响，需多站点多物种验证。
结论部分翻译：本研究证明人工林造林风险可由栽植前获取的UAV衍生环境条件预测。通过将株数密度与树高整合为复合造林指数，分析同时捕获存活与生长表现，提供比仅用株数密度更全面的造林成功度量。该空间显式框架在栽植前约21个月生成风险图，使管理人员能主动调整迹地准备、残体管理、翻耕强度与处理方案，代表了人工林由回顾性评估向前瞻性造林风险预报的转化，并为高分辨率UAV数据转化为可扩展精准林业作业决策支持提供了路径。
