《Ecological Informatics》:From point clouds to forest management: Quantifying the sensitivity of a decision support framework to initialization data using close-range remote sensing
编辑推荐:
摘要:森林经营面临因气候变化驱动森林生态系统关键转变而带来的未来森林发展深刻不确定性。将气候敏感型森林生长模型与生物多样性及森林生态系统服务(Biodiversity and Ecosystem Services, BES)评估相整合的决策支持系统(Decis
摘要:森林经营面临因气候变化驱动森林生态系统关键转变而带来的未来森林发展深刻不确定性。将气候敏感型森林生长模型与生物多样性及森林生态系统服务(Biodiversity and Ecosystem Services, BES)评估相整合的决策支持系统(Decision Support System, DSS),可帮助系统性降低替代气候及经营路径下后果的不确定性。然而,评估DSS输出结果的可靠性需对各DSS组分的不确定性来源进行系统评价。其中DSS初始化是一大挑战——传统森林经营规划与清查数据常受限于可用性,使之成为重要不确定性来源。近距遥感(特别是高分辨率基于激光探测与测距/Light Detection and Ranging, LiDAR的清查)可提供详细的森林结构与状况信息,为改进DSS初始化提供新契机。但高分辨率LiDAR清查能否及如何在DSS初始化中应用、如何影响DSS输出、以及对整体不确定性的贡献仍鲜有探究。因此研究人员旨在量化基于LiDAR森林清查的DSS框架对初始化数据的敏感性。研究人员的方法包括:(1)采用地面激光扫描(Terrestrial Laser Scanning, TLS)与无人机载激光扫描(Unmanned Aerial Laser Scanning, ULS)进行森林样地采样;(2)初始化林窗模型ForClim;(3)在替代经营与气候变化情景下进行模拟;(4)评估BES结果。研究在瑞士一处3.6 ha结构多样温带林分开展,以融合TLS/ULS清查作为参考数据,从中抽取不同样本量抽样变体以代表不同清查详细程度。在70年模拟期内,于三种经营强度(无经营、低强度择伐plenter、高强度择伐plenter)、三种气候情景(历史气候、RCP4.5、RCP8.5)下,对聚合为BES(生物多样性、木材生产、碳固持Carbon Sequestration、游憩)偏效用(partial utility)的15个林分级指标进行评估。结果表明较小样本量导致与参考模拟更大偏差,该效应随模拟时间及经营强度增大而减弱;尽管清查样本量是模拟初期主导不确定性来源,气候相关不确定性随时间增大。研究发现存在20–40年战术规划窗口,其间高分辨率初始化是DSS可靠性的首要决定因素,之后气候不确定性在战略规划中更为关键。未来研究应进一步从高分辨率LiDAR数据中提取森林组成与状态附加信息,从而为气候变化与日益增长的BES供给需求下的长期森林规划提供更稳健决策支持。
论文解读:从点云到森林经营——利用近距遥感量化决策支持框架对初始化数据的敏感性
研究背景与意义
森林经营决策日益依赖整合了气候敏感森林生长模型与生物多样性及生态系统服务(Biodiversity and Ecosystem Services, BES)评估的决策支持系统(Decision Support System, DSS),以应对气候变化引发的不确定性。然而DSS输出可靠性受"不确定性级联(cascade of uncertainty)"影响,其中初始林分结构及组成的初始化数据是重要且常被忽视的误差源——传统森林经营规划与常规清查数据空间细节不足。近年近距遥感技术如地面激光扫描(Terrestrial Laser Scanning, TLS)与无人机载激光扫描(Unmanned Aerial Laser Scanning, ULS)可获取单木级高分辨率点云,有望改善DSS初始化,但其对DSS灵敏度及BES预测不确定性的定量影响尚属空白。该研究以瑞士3.6 ha混交异龄温带林分为对象,系统量化基于LiDAR清查样本量差异引起的初始化不确定性在DSS(含气候敏感林窗模型ForClim v4.1及15项BES指标)中的传播规律,明确初始化数据与气候情景、经营模式对总不确定度的相对贡献,并确定高分辨率LiDAR初始化对DSS可信度的关键时间窗口。论文发表于《Ecological Informatics》。
主要关键技术方法
研究人员在瑞士Stein am Rhein市Oberwald林区选取3.6 ha异龄针阔混交林分(优势种为挪威云杉Picea abies与欧洲冷杉Abies alba),采集DJI Matrice 600搭载Hesai XT32-M2X ULS点云与Leica RTC360 TLS点云,经迭代最近点(Iterative Closest Point, ICP)配准至瑞士LV95坐标系后融合二者点云,采用深度学习单木分割算法ForAINET与CspStandSegmentation程序包提取单木位置、胸径(Diameter at Breast Height, DBH)、树高,并以DetailView深度学习模型预测树种。以全样区融合ULS+TLS数据作为参考清查(90个400 m2林窗patch),采用最远点抽样(farthest-point sampling)生成5–85个patch(覆盖率1.1%–100%)共18种抽样变体及单独仅ULS低成体本清查,分别初始化ForClim v4.1林窗模型。模拟2025–2095年70年期,设三种经营模式——无经营(NO)、低强度择伐plenter(目标断面积40 m2ha?1,择伐阈值DBH 70 cm)、高强度择伐plenter(目标断面积20 m2ha?1,择伐阈值DBH 70 cm),每10年干预一次;气候数据采用瑞士CH2018数据集,含历史气候(HIST)及RCP4.5、RCP8.5各10个EURO-CORDEX气候模式。计算15项BES指标(生物多样性4项、游憩5项、碳固持Carbon Sequestration, C-seq 1项含地上/下生物量等子项、木材生产2项),归一化为0–1效用值并按权重聚合为四类BES偏效用(partial utility)。通过相对偏差热图与方差分量分析(Variance Component Analysis, VCA)分解样本量、经营模式、气候模式、气候情景四因子对模拟偏差方差的贡献比例。
研究结果
3.1. Basal area trajectories for different inventory sample sizes(不同清查样本量下的断面积轨迹)
研究人员发现较小样本量普遍低估初始断面积,但该偏差随模拟推进因ForClim种群动力学过程(生长与更新)趋于向参考轨迹收敛,高经营强度(HIGH)加速此收敛;最小样本(1.1%)初期低估最强但增速最快,RCP8.5下期末轻微高估。仅ULS数据因树种误判导致与参考轨迹持续偏离而非收敛,证明树种组成准确性比单纯结构指标更关键。
3.2. Impact of inventory sample size on BES indicators(清查样本量对BES指标的影响)
各BES指标相对参考值的偏差随样本量减小而增大,随样本量增加、经营强度升高及模拟时间延长(多数指标)减小。Shannon多样性指数在最小样本量+低经营下由初期?63.9%逆转为期末+69.8%;碳固持(C-seq)在高经营中期因初始地上/下生物量碳(Carbon ABG)偏差传播出现明显高估(1.1%样本在2070年偏高68.1%)。ULS数据与参考偏差多不收敛甚至略增。采伐量和栖境大树直接受经营规程控制故被排除主结果。
3.3. Partial utilities of BES considering climate variability(考虑气候变异的BES偏效用)
小样本在短时段对生物多样性、游憩和C-seq偏效用产生显著偏离,随时间向参考靠拢;木材生产偏效用的初始化偏差则随模拟期拉长而放大(受定期择伐周期叠加影响)。参考数据显示气候变化长期显著降低C-seq与木材生产偏效用,生物多样性与游憩受气候影响较小。
3.4. Sources of uncertainty over the simulation period(模拟期内不确定性来源)
方差分量分析表明清查样本量是模拟初期多数指标(断面积、连年生长量increment、Shannon指数、林分密度指数Stand Density Index, SDI等)最主要方差来源(2025年increment占91%,post-hoc占99.3%),其占比随时间下降,气候模式、气候情景及经营强度占比上升。死木体积受气候模式不确定性持续影响较大(15.1%–27.4%);C-seq指标反而至模拟末期样本量方差占比升至81.1%;采伐量与栖境大树由样本量与经营强度共同主导且比例较稳定。部分结构性指标(increment、Shannon、post-hoc、h100等)即便70年后样本量仍为主要不确定性源。
讨论与结论翻译
讨论指出约三分之一参考清查覆盖率(≈33.3% patch)为使结构指标偏差可忽略的饱和点,该值具林分异质性依赖性;经营管理通过强制趋近目标断面积抑制初始化差异,但复杂累加指标(如C-seq中Carbon ABG)因初始状态直接参入计算而不完全收敛,提示指标构建需考量初始化精度要求。仅ULS因缺TLS冠层穿透致树种分类错误,造成物种组成偏差并沿生长-竞争-死亡过程传播,说明精确树种识别不可替代。方差分量分析揭示20–40年战术规划窗口内初始化质量主导DSS可信度,超此窗口气候不确定性渐居主导,支持周期性(10–20年)近距遥感重清查以降低可控不确定性。局限含单林分外推受限、最远点抽样边缘效应、ForClim v4.1未包含虫害/风灾干扰及可能高估干旱致死、BES指标权重主观性等。
Conclusion(结论部分译文):
本研究演示了将高分辨率LiDAR衍生森林清查数据整合入DSS框架,以评估BES指标及聚合BES组对清查样本量的敏感性。研究结构化透明地量化了样本量所致不确定性如何通过DSS框架传播,明确了森林组成与结构对多经营与气候情景下长期BES预测之重要性。结果表明对所研究林分而言,精确清查数据对无经营至低强度经营下的短期规划尤为关键;较长模拟期中初始清查数据偏差可被模型动态部分补偿,而气候变化引致不确定性渐居主导。尽管未来气候演变具不可避免之不确定性,高分辨率LiDAR系统凭借更全面精确之清查数据具实质潜力改善DSS初始化,单木级精细结构信息使DSS从林分级均值走向单木精度。未来研究应聚焦于充分挖掘高分辨率LiDAR数据以获取森林组成与状态的附加信息,从而强化深层不确定性及不断增长BES供给需求下的长期森林规划决策支持。