基于激光雷达和高光谱数据与机器学习的单木与区域方法的地上生物量估算及不确定性分析的比较分析

《International Journal of Digital Earth》：A comparative analysis of individual tree and area-based approaches for above-ground biomass estimation and uncertainty analysis using LiDAR and hyperspectral data and machine learning

　　

地上生物量（AGB）估算中的准确不确定性分解对于量化碳汇潜力至关重要。尽管参数模型受益于已建立的不确定性传播技术（如泰勒级数展开），但非参数机器学习模型的快速采用需要一个统一且系统的框架，以全面分解基于机器学习的AGB估算方法中的不确定性来源。为填补这一空白，研究人员提出了一种混合不确定性量化方法，将蒙特卡洛（MC）模拟协同嵌入机器学习方法中。通过利用无人机搭载的激光雷达（LiDAR）和高光谱传感器，研究人员比较了四种机器学习模型的准确性，并在两种AGB估算框架（单木方法（ITA）和区域方法（ABA））中进行了比较性不确定性分析。研究揭示了两个关键发现：1）在所有算法中，模型残差主导了总不确定性（在ITA和ABA中分别贡献了58.8%和79.6%的不确定性）；2）ITA的不确定性比ABA高33.9%（16.2% vs. 12.1%），主要归因于单木检测的累积误差。该方法为量化基于机器学习的碳储量制图中的误差建立了新范式。

以下是根据论文原文浓缩的解读文章：

**研究背景与问题**
森林地上生物量（Above-ground biomass, AGB）的准确估算在气候变化背景下至关重要，有助于减少碳排放估算的不确定性。传统野外测量方法（如胸径（DBH）、树高和树种测定）耗时费力，难以满足大尺度、可重复的监测需求。遥感技术（如主动式激光雷达（LiDAR）和被动式高光谱传感器）的组合能够弥补单一数据源的局限，显著提升AGB估算精度。近年来，无人机（UAV）平台可避免云层干扰，获取厘米级高光谱图像和高密度LiDAR点云（每平方米多达300点），为AGB估算提供了新途径。
目前，基于遥感的AGB估算分为区域方法（Area-based approach, ABA）和单木方法（Individual-tree approach, ITA）。ABA利用样地建模，适用于大尺度；ITA通过单木冠层勾绘（Individual-tree crown delineation, ITCD）估算单木信息，但难以大范围应用。两种框架的精度比较尚无定论，尤其在自然混交林中，ITCD的遗漏误差可能导致ITA表现劣于ABA。此外，不确定性量化在AGB估算中至关重要，但传统不确定性传播方法（如泰勒展开）仅适用于参数模型，而现代机器学习/深度学习模型（非参数）的广泛采用需要新的系统性框架来分解不确定性来源。本研究旨在：1）开发一种适用于机器学习和深度学习模型的不确定性量化框架，克服现有误差传播范式的局限；2）评估ITA与ABA在混交林AGB估算中的精度和不确定性，揭示其精度差异的根本原因。该研究发表在《International Journal of Digital Earth》。

**关键技术与方法**
研究区域位于黑龙江省尚志市，属于长白山与松嫩平原过渡带，主要为阔叶-针叶混交林（天然次生林）。研究人员在2021-2022年生长季通过分层抽样获取50个样地（30 m×30 m）的野外实测数据，记录胸径大于5 cm的个体树，并利用实时动态差分（RTK）控制点进行几何校正。单木参考AGB采用中国东北地区树种特异性加性生物量方程（Dong, Zhang, and Li 2015）计算。主要技术方法包括：1）无人机LiDAR和高光谱数据预处理（LiDAR点云去噪、地面点分类、生成数字高程模型（DTM）和数字表面模型（DSM）并计算冠层高度模型（CHM）；高光谱图像进行辐射定标、几何校正和反射率转换）；2）ITA框架：基于U-Net深度学习算法与简单线性迭代聚类（SLIC）超像素方法进行ITCD，从LiDAR CHM提取单木冠层，并利用SHapley Additive ExPlanations（SHAP）方法对单木特征（LiDAR高度特征、高光谱特征等）进行特征选择；3）ABA框架：在样地尺度提取特征，包括冠层高度分布（CHD）的二项高斯拟合参数、LiDAR高度百分位数、高光谱波段等；4）预测模型：采用随机森林（RF）、支持向量机（SVM）、一维卷积神经网络（1D-CNN）和一维残差网络（1D-Resnet50），并使用留一法交叉验证（LOOCV）评估精度；5）不确定性分析：通过蒙特卡洛（MC）模拟量化ITCD不确定性、模型超参数不确定性、残差不确定性和自变量不确定性，计算总不确定性及相对不确定性（变异系数），并进行Sobol全局敏感性分析。

**研究结果**
**特征选择**
在ITA和ABA中，模型精度随特征数量增加而稳步提升，但超过最优数量（ITA为23个，ABA为18个）后不再提高。基于SHAP值的重要性分析显示：ITA中单木胸径（DBH）是最重要的特征，LiDAR高度特征被选择最多，而高光谱特征很少被选中；ABA中冠层高度分布特征（如c₂、a₁、c₁）贡献显著，且高光谱特征被选择的数量多于ITA。

**ITA与ABA的AGB估算性能**
ITA中，U-Net结合SLIC的ITCD检测率为0.85，召回率、精确率和F-score分别为0.87、0.81和0.84。ABA框架在所有模型中的R²均高于ITA（提升7.3%-13.4%）。深度学习模型（1D-Resnet50）在两种框架中表现最佳：ITA中R²=0.73，RMSE=22.78 kg，rRMSE=0.19；ABA中R²=0.80，RMSE=21.28 Mg/ha，rRMSE=0.19。

**不确定性分析**
通过1000次MC模拟，ITA中ITCD不确定性为8.7 kg；模型残差不确定性在深度学习中低于机器学习（1D-Resnet50最小，约13.9 kg）；超参数不确定性在机器学习中低于深度学习（RF最低，5.1 kg）。对于1D-Resnet50，总不确定性为18.1 kg，其中ITCD、模型超参数、自变量和残差分别贡献23.1%、7.9%、10.2%和58.8%，相对不确定性为16.2%。ABA中，SVR超参数不确定性最低（约4.9 Mg/ha），1D-Resnet50残差不确定性最低（约13.1 Mg/ha）。总不确定性为14.7 Mg/ha，超参数、残差和自变量分别贡献16.2%、79.6%和4.2%，相对不确定性为12.1%。两种框架中，残差不确定性均为主导来源。

**敏感性分析**
ITA中，超参数“epochs”贡献约45%的方差；ABA中，“batch size”贡献42%的方差。自变量方面，ITA中DBH贡献33%的方差；ABA中，冠层高度分布指标（c₂、a₁、c₁）共同贡献68%的方差，且自变量之间存在强交互效应。

**讨论与结论**
**讨论**
1. ITA与AGB估算：DBH与树高是单木AGB的关键预测因子，LiDAR高度特征在单木AGB估算中具有重要价值，而高光谱数据在单木层次作用有限，原因包括高光谱难以表征三维结构、密集冠层中光谱信息与生物量相关性弱，以及单木冠层像素数少。未来可探索仅用LiDAR数据降低成本。
2. 不确定性分析：模型残差不确定性是主要误差来源，这源于模型拟合性能的固有局限、响应变量测量误差（来自异速生长方程）以及未观测的生态异质性（如木材密度、垂直结构）。改进模型拟合精度和泛化能力是优先任务，可借助更先进架构（如Transformer）和更大训练数据集。
3. ITA与ABA的不确定性差异：ITA的不确定性（16.2%）高于ABA（12.1%），与精度一致，原因是ITA涉及更复杂步骤（如ITCD），在复杂林分中ITCD困难导致累积误差增加。但在林分结构简单的区域（如人工林），ITA可能表现更优。实际应用中需根据场景选择适当框架，或结合两者优势。

**结论**
研究人员通过整合MC模拟与机器学习和深度学习模型进行不确定性分析，并比较了ITA与ABA的不确定性，确定了AGB估算的改进方向。研究发现：1）模型残差不确定性是机器学习和深度学习模型的主要不确定性来源，表明提升模型拟合性能仍是AGB估算的关键任务；2）对于林分条件复杂的天然次生林，ITA框架的不确定性高于ABA（16.2% vs. 12.1%），这很可能归因于ITA中ITCD的困难。该研究为在复杂森林条件下提高AGB估算精度铺平了道路，并为广泛使用的机器学习和深度学习模型中的误差分析提供了见解。所提出的不确定性量化框架可高效集成于智能林业基础设施（包括UAV传感器网络），在森林管理中具有变革潜力。