基于LiDAR的苏格兰高地原生林地自然扩张监测与建模研究

《Journal of Applied Ecology》：Tracking and modelling native woodland expansion in the Scottish Highlands using LiDAR

　　

摘要专业翻译 摘要 1.在苏格兰高地部分地区持续扑杀鹿群，正促使开阔景观被林地自然重新定殖。由于实地采集数据的规模有限，追踪这些变化并进一步理解扩张驱动因素颇具挑战性。 2.研究人员开发了一条新的流程，利用机载激光雷达数据（LiDAR，脉冲密度=22 m?2）自动分割并绘制小型再生树木图，并将其应用于凯恩戈姆连接（Cairngorms Connect）——英国最大的连续恢复合作伙伴关系——内569 km2的研究区域。研究结果通过野外精确定位和测量的小树进行了验证。随后，研究人员利用再生树木分布图构建了一个障碍模型（Hurdle Model），并评估了地形和生物物理因素对更新成功的影响。 3.结果表明，一旦再生树木丛超出邻近灌木（高达1.1 m）的高度，即可被检测到。高度为1.4–1.6 m的树丛检测率达到83%，高度>1.8 m的树丛检测率超过95%。该算法对小树的高度（R2=0.94）和冠层盖度（R2=0.90）也给出了良好的估算，同时保持了较低的误检误差（0.019%）。 4.鹿群控制已导致凯恩戈姆连接地区大规模的自然森林定殖。新流程在研究区域内描绘了265万棵幼树（高度<5 m）。据估计，此前5325 ha的非林地现记录的幼树密度超过100 ha?1。在地理空间上，距种源的距离、海拔、栖息地类型和鹿群密度均强烈影响树木的建立和幼树密度。 5.综合与应用。森林恢复项目应利用基于LiDAR的新流程来有效绘制幼树图、评估目标是否达成，并规划后续行动。值得注意的是，苏格兰政府目前正在委托开展全国范围的机载LiDAR扫描，这为将研究人员的算法升级为全国林地扩张数据库提供了独特机遇。

论文解读文章

一、研究背景与问题

苏格兰在联合国承诺将全球30%土地恢复自然的十年中，拥有巨大的森林恢复潜力，可为碳固存和生物多样性带来重大效益。约3000年前，森林覆盖了苏格兰总土地面积的50%–80%，然而经过数个世纪的土地开垦和狩猎庄园的扩张，目前仅有4%的原生森林存留，景观广泛被结构多样性较低、受放牧影响的石楠荒原和草地覆盖。近期研究估计，苏格兰高地可建立约390万公顷原生林地，这相当于未来一个世纪内6.96亿吨二氧化碳的潜在碳固存量，占英国气候变化委员会建议通过林地创建实现碳移除目标的35%–45%。苏格兰森林战略设定了到2032年将森林覆盖率从5%提升至21%的目标，包括每年创建3000–5000公顷原生林地。

高昂的建立成本和鹿群啃食是苏格兰林地扩张的重大障碍。传统上，林地创建主要依赖主动恢复，即人工种植树苗并设置保护装置，这需要大量资金投入和环境成本，且资金短缺已导致苏格兰近年多项年度林地创建目标未能实现。主动恢复还伴随土壤扰动等前期环境影响，部分抵消了碳固存效益。自然更新作为植树替代方案近年被推广，但鹿群啃食对更新幼苗构成显著障碍——高密度鹿群会严重抑制高度低于3 m的树木生长。研究表明，自然更新要取得成功，鹿群密度需降至约3–5头/km²，低于苏格兰政府鹿群工作组建议的开放牧场栖息地水平（10头/km²）。调查发现，33%的苏格兰原生森林完全没有树木更新，另有54%仅有少量适口性较差树种的更新幼苗。

近年来苏格兰建立了多个通过自然定殖恢复森林的大型项目，产生了有效监测的需求。凯恩戈姆连接（Cairngorms Connect，CC）合作伙伴关系汇集了凯恩戈姆国家公园内的四个土地管理者，在200年愿景下主要通过鹿群扑杀而非围栏来恢复森林至自然林线。此类项目催生了对再生树木大规模监测的需求。与植树不同，再生树木的密度高度依赖于随空间和时间变化的生物因素（草食动物、种子传播者和种源）和非生物因素（海拔、风和土壤条件）。因此，追踪再生树木的分布对管理者至关重要，可帮助其评估目标是否达成、估算存活过啃食线的幼苗比例、预测未来恢复轨迹以及评估是否需要干预措施。

遥感为监测和建模自然再生树木提供了有效途径，但现有试点研究局限于小面积区域。机载激光扫描（ALS）等LiDAR技术可精确量化植被三维结构，能在数千公顷范围内调查数百万棵树木。然而，已有研究规模较小，且缺乏在具有不同植被结构和复杂地形背景（如多岩石山地和蕨类植被）下的跨地点验证。此外，结果需要具有可转化性——土地管理者通常已有基于实地调查协议的监测方案，需要了解ALS方法与现有实地方法的比较效果。ALS还解锁了生成全覆盖自然定殖地图的可能性，为进一步分析影响树木成功建立的因素提供了潜力。

二、研究内容与主要技术方法

本研究利用ALS调查在569 km²的大面积研究区域内绘制再生树木图，采用新方法处理LiDAR点云以绘制和测量再生树木高度，通过实地测量验证结果并与现有更新调查比较，随后利用全覆盖森林再生地图研究管理历史、地形和其他生物物理梯度对更新成功的影响。

研究涉及的关键技术方法包括：第一，采用基于伪森林变换的替代冠层高度模型（CHM）流程——通过拉伸点云使灌木层物体呈现为“伪森林”再进行地面分类，并用插值数字地形模型进行归一化，以保留小尺度特征；第二，采用动态窗口搜索方法定位再生树顶，并通过减去邻域像素平均高度创建去除蕨类干扰的CHM以避免误检；第三，采用区域生长算法（Dalponte & Coomes, 2016）从检测到的树顶生成树冠多边形；第四，实施多项质量控制步骤，包括冠径-高度比阈值筛选、圆形度过滤、基于影像的岩石分类器排除以及问题地形和LiDAR噪声排除；第五，构建障碍模型（Hurdle Model）分析地形和生物物理因素对更新成功的影响，采用负二项分布拟合计数部分；第六，通过实地收集的三组数据集进行验证——32个样地内887棵精确定位并测量高度的小树、305个20 m直径圆形样地的冠层盖度估算以及CC四个伙伴组织的实地调查数据。研究区域位于苏格兰凯恩戈姆国家公园内，海拔从斯佩河谷的200 m以下延伸至凯恩戈姆山脉的1100 m以上，涵盖石楠荒原、森林、沼泽、草地和高山植被等多种栖息地类型。

三、研究结果

3.1 分割概述

在569 km²研究区域内共分割出617万棵树木，其中265万棵（43.0%）为高度低于5 m的幼年再生树木。树木高度分布呈现两个峰值，低峰代表幼树，约20 m处的高峰代表该区域成熟森林的典型冠层高度。在森林外的50×50 m网格单元中，47.2%至少检测到一棵再生树。排除现有森林并校正欠分割后，估计5235 ha的幼树密度超过100 ha^?1，其中1984 ha密度超过400 ha^?1，满足政府关于自然更新创建林地的密度阈值。

3.2 分割精度——单株树验证

通过实地测量树木验证LiDAR分割树冠，证明了算法检测小树的能力。算法几乎在树木超出石楠层后立即检测到它们——低于1 m且未能突出石楠层的短树被忽略（检测率<1%），但仅需长到1.4–1.6 m即可达到83%的高检测率，超过1.8 m后几乎所有树丛都能被检测（>95%）。LiDAR估算高度与实地测量高度紧密相关（R²=0.94），但略有低估，部分归因于LiDAR扫描与实地调查之间一年的生长量。

3.3 分割精度——冠层盖度

LiDAR分割树冠面积与实地估算冠层盖度具有良好的尺度对应关系（贝叶斯R²=0.90）。LiDAR估算的冠层盖度总体高于实地记录值，可能源于冠层盖度定义差异。在78个实地无树的样地中，误检/误分割树冠面积占处理面积的0.019%，表明误检误差极低。

3.4 分割精度——CC伙伴调查比较

将LiDAR树密度估算与CC伙伴实地调查比较，在应用校正因子将树丛数转换为树干数后，LiDAR估算的高密度区域（>100株/公顷）面积与实地调查插值结果处于同一数量级。由于LiDAR对再生树采用更严格的定义（>3年生），面积估算略低（5%–23%）。

3.5 利用障碍模型评估更新驱动因素

障碍模型揭示了多种生物物理和地形变量与更新成功的相关性。距森林距离是所有连续变量中对幼树密度影响最强的因素——离森林边缘越远，再生树越少，呈现明显的负指数关系。海拔与定殖成功率和树木数量均呈负相关，但影响在400 m以上才显现，越接近林线效应越明显。坡度和风对树木定殖影响较弱且方向混合。栖息地类型也强烈影响更新成功和树密度——沼泽地的再生树持续少于石楠荒原；两种草地栖息地因靠近低海拔森林而呈现高密度再生树，但栖息地本身并非特别有利于森林更新；高山草地和灌木地预测和实际密度均很低，但主要受距森林远和高海拔恶劣条件驱动，而非栖息地结构本身。

3.6 草食动物影响

不同草食动物影响类别间的分割树冠数量存在显著差异（障碍模型，p<0.001）。成对事后检验显示，两个较低草食动物类别（低和中）与两个较高类别（高和极高）之间存在显著差异（Tukey's p<0.0001）。值得注意的是，报告为“极高”草食动物得分的土地（108 ha^?1）比“高”类别（78 ha^?1）有显著更多的再生树。由于数据集已重新加权以平衡森林距离、海拔、坡度和风速，观察到的模式并非由这些协变量导致。

四、讨论与结论

讨论部分总结：本研究首次在超过500 km²的尺度上利用LiDAR绘制再生树木图，证明了机载LiDAR可大规模监测森林恢复。算法对突出于灌木层之上的树木检测效果好，高度估算和冠层盖度估算精度高，景观尺度上与实地调查结果可比。局限性方面，低于约1.4 m的树木因难以与相似高度的灌木区分而被遗漏；检测率可能受LiDAR脉冲密度、空间均匀性和足迹大小影响；验证过程中GNSS地理定位误差需谨慎处理。误检误差主要源于灌木和岩石被误分类为树木，可通过光谱数据融合或基于深度学习的岩石分类方法改进。生态分析方面，距现有森林距离是更新的最强促进因素，反映了种子传播距离的限制；海拔与树木定殖呈负相关，400 m以上密度逐渐降低至林线；沼泽地因高水位抑制树木生长而更新稀少；历史高啃食压力导致较低幼苗密度，但“极高”啃食类别反而有更多幼树，可能因啃食曾打开植被并暴露矿质土壤，有利于后期鹿群数量降低后的树木定殖。

结论部分翻译：机载LiDAR为在大面积恢复景观中绘制再生树木提供了一种实用且可扩展的方法。研究人员的流程可靠地检测和测量了高于灌木层的幼树。结果与现有实地调查一致，并能够对树木建立和定殖的环境相关因素进行稳健分析。尽管非常小的幼苗仍难以检测，但由此产生的全覆盖地图为监测自然定殖和评估恢复进展提供了有力工具。随着景观尺度恢复工作的扩展，采用此类方法的再生树木自动检测将在支持管理方面发挥日益重要的作用。