考虑地形的邻域竞争：融合无人机与背包LiDAR实现杉木（Cunninghamia lanceolata）人工林精细尺度材积估算

《Frontiers in Forests and Global Change》：Accounting for terrain in neighborhood competition: fused UAV and backpack LiDAR for fine-scale volume estimation in Chinese fir (Cunninghamia lanceolata) plantations

　　

杉木（Cunninghamia lanceolata）是中国南方重要的速生用材树种，单木材积的准确估算对于林分管理和碳核算十分重要。在地形复杂的人工林中，仅依靠平面距离难以描述树木间的邻域竞争，因为地形引起的海拔差异可能改变树木间的空间关系。本研究分析了中国江西省景德镇市的12个纯杉木样地，代表低、中、高密度林分条件。研究人员将野外生长调查数据与融合的无人机（unmanned aerial vehicle, UAV）和背包光探测与测距（light detection and ranging, LiDAR）点云数据整合，并基于数字高程模型（digital elevation model, DEM）约束的Voronoi–Delaunay邻域构建三维竞争指数。结合机器学习模型与Shapley加性解释（SHAP），评估对象木属性、邻体属性和竞争变量对方程推导的单木材积的预测贡献。当传统的二维竞争指数被DEM约束的三维竞争指数替代时，随机森林（Random Forest）表现出最一致的性能提升，因此被选用于详细比较。以野外实测胸径和树高计算的单木材积作为参考响应变量，研究人员发现，在竞争对配置下，将传统二维竞争指数替换为DEM约束的三维对应指数后，整体数据集的R²从0.74增加到0.85，高密度林分从0.81增加到0.90，而均方根误差（RMSE）分别降低了0.0088 m³ tree^?1（20.3%）和0.0199 m³ tree^?1（42.8%）。此外，SHAP分析表明，对象木大小属性在模型预测中仍占主导地位，而在中、高密度林分中，DEM约束的三维竞争指数比对应的二维指数提供了更清晰的补充预测信息。

杉木（Cunninghamia lanceolata）是中国南方重要的速生用材树种，其人工林面积占全国人工林面积约19%，蓄积量占约26%。单木材积是计算林分蓄积量的基本单元，准确估算单木材积对于评估营林效果、优化林分密度和空间结构、支持精细尺度森林碳核算具有重要意义。然而，传统野外调查成本高、效率低，在复杂地形和郁闭林分中尤其受限。激光雷达（light detection and ranging, LiDAR）技术可获取森林三维结构，其中无人机激光雷达（unmanned aerial vehicle LiDAR, UAV LiDAR）覆盖效率高，但受冠层遮挡难以获取林下和树干信息；背包激光扫描（backpack laser scanning, BLS）能快速获取树干细节。将二者融合可提供完整的冠层-林下结构信息。但许多研究在建模树木竞争时仍采用平面距离，忽略地形引起的海拔差异，可能导致竞争指数无法真实反映邻域关系。为此，研究人员开展本研究，旨在检验数字高程模型（digital elevation model, DEM）约束的三维竞争指数能否较传统二维竞争指数提高杉木人工