《CATENA》：Multi-scale reconstruction of snow-avalanche frequency and vegetation structure using dendrogeomorphology, satellite imagery, and UAV photogrammetry
编辑推荐：
• 树木年轮记录显示1980-2025年间每条雪崩路径发生18-19次雪崩事件。• 返回期范围从启动区<5年到堆积区>14年。• Sentinel-2 ΔMSI最佳捕捉扰动足迹；组合规则降低噪声。• UAV–SfM结合多参数机器学习实现精确植被制图。• 雪崩返
• 树木年轮记录显示1980-2025年间每条雪崩路径发生18-19次雪崩事件。• 返回期范围从启动区<5年到堆积区>14年。• Sentinel-2 ΔMSI最佳捕捉扰动足迹；组合规则降低噪声。• UAV–SfM结合多参数机器学习实现精确植被制图。• 雪崩返回期塑造森林结构和覆盖度的一致梯度。• 树高和高度直径比随雪崩返回期延长而增加。
**研究背景与问题**
雪崩（SA）是高山区最有效的地貌扰动过程之一，既是自然灾害，也是景观动态的长期驱动因素。通过将雪、碎屑和木质物质沿坡向下搬运，雪崩破坏森林结构，维持持续扰动路径，并形成与邻近未扰动林分截然不同的植被镶嵌体。然而，长期观测记录在偏远和森林山区极为稀缺，历史雪崩清单往往不完整且偏向于造成破坏或影响基础设施的事件。树木年代地貌学（dendrogeomorphology）通过分析树轮中的生长扰动（GDs）重建过去雪崩活动，能够以年分辨率提供事件时间和最低频率，但其空间范围受限于树木分布和存活情况。遥感技术（如Sentinel-2光学影像和无人机（UAV）摄影测量）可弥补空间覆盖不足，但很少有研究将树木年轮重建与卫星衍生的扰动信号或三维植被结构观测相结合。在罗马尼亚南喀尔巴阡山脉的Piatra Craiului Mountains，雪崩频繁影响陡坡，但缺乏系统清单，且旅游压力增加。因此，本研究旨在通过整合树木年代地貌学、Sentinel-2扰动检测和UAV–SfM（Structure-from-Motion）摄影测量，构建一个多尺度框架，以联合评估雪崩频率、地表扰动空间足迹和植被结构响应。论文发表在《CATENA》。
**主要技术方法**
研究人员采用以下关键方法：（1）树木年代地貌学重建：对314棵受扰动的挪威云杉（Picea abies L. Karst.）进行树轮采样（包括2012-2014年和2025年采集），识别五种生长扰动（疤痕、愈伤组织、创伤性树脂道、压缩木和生长抑制），并计算雪崩活动指数（AAI）和加权强度指数（Wit）以确定事件年份，进而基于DEM和受扰树位置计算像素级返回期。（2）卫星遥感扰动检测：利用Sentinel-2多光谱影像（10×10 m分辨率），计算2017-2018年间的归一化燃烧比（NBR）、归一化差分水分指数（NDMI）、水分胁迫指数（MSI）和扰动指数（DI）的差值图像，通过组合阈值（ΔMSI≥0.06且ΔNDMI≤?0.03或ΔNBR≤?0.04）识别雪崩扰动。（3）UAV–SfM摄影测量与植被分类：在雪崩路径（2）进行DJI Mavic 3 Multispectral无人机飞行，获取RGB和多光谱影像，经PPK差分定位和SfM-MVS处理生成数字表面模型（DSM）和数字地形模型（DTM），提取冠层高度模型（CHM）并对1894棵树木进行单木分割和树高提取；采用混合面向对象分割（SAM+SLIC）结合随机森林（RF）分类器，基于几何、光谱、结构和纹理特征将植被分为木本、非木本和岩石/碎屑三类，精度达Cohen's Kappa≈0.95。
**研究结果**
**4.1 重建的雪崩活动与返回期**
基于911个（路径1）和784个（路径2）生长扰动，分别重建了18次和19次雪崩事件（1980-2025年）。事件年份基于AAI和Wit指数确定，其中2020、2018、1997和1985年AAI最高（41%-63%），对应强雪崩事件。返回期在启动区和上段小于5年，中段8-10年，下段11-14年，向堆积区增至约21年，表明雪崩活动从启动区向堆积区减弱。
**4.2 卫星遥感检测雪崩引起的植被扰动**
针对2018年雪崩事件，ΔMSI表现出最连续的空间响应，与受扰树位置高度吻合（路径1中16棵受扰树位于或邻近MSI检测像素）。组合MSI-NDMI-NBR方法降低了指数特异性噪声，而DI未检测到信号。卫星检测在窄森林路径中受限，受限于空间分辨率和冠层结构。
**4.3 无人机衍生的森林结构与树高指标**
PPK-SfM-MVS workflow生成了几何一致的三维重建，CHM显示结构异质性冠层。共分割1894棵树木，树高定义为冠层内归一化点高度的99百分位数，总垂直不确定性约0.395 m。
**4.4 无人机植被分类**
混合分割结合RF分类器实现了高精度（Cohen's Kappa 0.95-0.98），识别出木本植被、非木本植被和岩石/碎屑三类。重要预测因子包括CHM指标、植被指数（NDVI、NDRE、ExG、ExGR）、RGB光谱变异、对象形状描述符和CLBP纹理特征。野外验证对应五种植被类型，与Natura 2000栖息地一致。
**4.5 植被与森林结构对雪崩返回期的响应**
无人机树高在不同返回期区间间差异显著（ANOVA，p<0.001），平均树高从<5年区的7.92 m增至11-14年区的12.82 m。植被组成也呈梯度变化：高频区为木本、草地和岩石/碎屑的镶嵌体；中频区森林占主导；低频区近乎连续森林覆盖。野外样树数据进一步显示，树高随返回期增加而一致升高，但胸径（DBH）和年龄响应因路径而异。高度直径比（H/D）在两条路径中均随返回期增加而显著增大（p<0.001），表明树高对扰动频率的响应比径向生长更一致。
**讨论与结论**
讨论部分指出：树木年轮重建的雪崩频率是最低估计，且受采样规模和树龄结构影响。卫星遥感检测中，MSI为中心的多指数方法在足够宽的森林路径中有效，但窄路径检测受限。UAV–SfM在无LiDAR的陡峭地形中提供了高分辨率植被结构信息，与LiDAR结果可比。树木结构响应中，树高是最一致的雪崩频率指示指标，而年龄和直径受局部条件影响。生态模式表明雪崩返回期塑造了从高频区（矮树、镶嵌植被）到低频区（高大连续森林）的梯度。结论部分翻译如下：
**7. 结论**
树木年轮生长扰动的树木年代地貌学分析使得重建两条研究路径在1980-2025年期间空间明确的雪崩最低频率序列成为可能。在雪崩路径（1）和（2）中分别识别出18次和19次雪崩事件，从而计算了雪崩返回期。重建的返回期在启动区和上段最短（<5年），并向中段和下段逐渐增加，达到十年尺度。这些结果支持树木年代地貌学作为在缺乏系统历史记录的森林山区量化长期雪崩体制的稳健工具，并为植被格局解释提供了时间框架。基于这一树木年代地貌学基线，本研究强调了整合树木年轮证据、卫星光谱指数和UAV-SfM摄影测量（辅以野外数据）的框架价值，以联合评估雪崩频率、检测雪崩相关足迹并量化偏远山区的植被和森林结构模式。树木年轮分析表明雪崩在十年尺度上与森林结构模式持续关联。卫星分析表明，重大雪崩事件可在光学影像中产生空间连贯的扰动信号。在测试指数中，结合MSI、NDMI和NBR的组合方法提供了最可靠的雪崩相关森林扰动检测。窄森林路径中检测能力降低，突出了空间分辨率和多指数方法在利用光学卫星数据评估快速恢复扰动时的重要性。UAV-SfM摄影测量允许在缺乏机载LiDAR数据的陡峭地形中高分辨率表征植被结构和组成。基于机器学习（随机森林）的面向对象植被分类，整合光谱、几何、结构和纹理参数，达到了非常高的精度（Cohen's Kappa≈0.95），表明多参数UAV工作流可提供与LiDAR支持分析可比的结果。在雪崩返回期梯度上，无人机和野外指标揭示了一致的生态模式：树高与雪崩频率降低系统关联，将垂直森林结构识别为长期扰动的最稳健指示指标。然而，该关系应被解释为关联而非严格因果响应，因为植被模式也可能受雪崩路径内地形和环境变异影响。树龄和胸径表现出更可变、路径依赖的响应，而高度直径比比单独胸径更一致地捕捉了雪崩频率的结构调整。与假设一致，AAI超过40%的雪崩事件在足够宽的森林路径段中对应可卫星检测的扰动信号。频繁雪崩扰动始终与较低树高相关，而树龄和胸径响应更可变且受局部场地条件影响。AAI和Wit指数的联合解释有助于更稳健地重建雪崩活动。总体而言，所提出的框架可推广到其他数据稀缺的山区，并为连接雪崩频率、地表扰动表达和植被结构提供了稳健基础。从树木年代地貌学和干扰生态学角度看，这些发现支持将雪崩解释为反复发生的、空间结构化的地貌过程，与持续扰动路径、森林演替模式、林分异质性和山区景观中长期生态系统动态相关联。
