《Ecological Modelling》:An unsupervised machine learning approach for enhancing forest structure estimation in uneven-aged stands
编辑推荐:
准确估算林分结构变量(forest structural variables)对于改进生态系统动态预测、评估生物多样性及促进可持续森林管理尤为重要,尤其在气候变化背景下。本研究评估了传统分组方法与无监督聚类(unsupervised clustering)方法
准确估算林分结构变量(forest structural variables)对于改进生态系统动态预测、评估生物多样性及促进可持续森林管理尤为重要,尤其在气候变化背景下。本研究评估了传统分组方法与无监督聚类(unsupervised clustering)方法在估算关键结构指标——胸径(diameter at breast height, DBH)、树高(tree height, H)和断面积(basal area, BA)——方面的表现。传统分组方法基于统一的H或DBH等级(size classes),虽广泛应用但往往无法捕捉异龄林分固有的异质性(heterogeneity)。本研究探讨先进无监督聚类方法——主成分分析(Principal Component Analysis, PCA)、高斯混合模型(Gaussian Mixture Models, GMM)、层次聚类(Hierarchical Clustering, HC)和基于密度的空间聚类(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)——在增强林分结构变量估算中的应用。研究人员利用芬兰南部挪威云杉(Norway spruce)优势异龄林分30年每木调查数据与过程模型PREBAS(process-based model PREBAS)模拟结果,将这些聚类方法与传统方法对比评估。结果表明,无监督方法在所有指标上均持续优于传统分组技术:DBSCAN对BA的确定系数(coefficient of determination, r2)达0.90,PCA和GMM对H的r2达0.84;无监督方法的均方根误差(Root Mean Squared Error, RMSE)和偏误(bias)显著更低,尤其在捕捉进界生长(ingrowth)、死亡(mortality)及间伐(thinning)等复杂过程方面表现更佳。相比之下传统方法难以处理这些动态,常高估关键指标且无法表征林分级异质性。按树种和立地类型的分析显示各方法表现存在差异,欧洲赤松(Pinus sylvestris)因更新稀疏估算精度最低,而挪威云杉(Picea abies)则显示稳健的更新表现。研究结果强调无监督聚类在应对异龄林挑战中的价值,可为过程模型提供更可靠输入并改进林分动态预测。本研究揭示了将先进聚类技术整合入森林建模以精炼结构估算、支持生物多样性保护及增强碳汇(carbon sequestration)策略的潜力,其比传统方法更有效地捕捉林分复杂性,为全球环境变化下可持续森林管理的创新方案铺平道路。
《Ecological Modelling》刊载论文解读:基于无监督机器学习方法增强异龄林分立木结构估算的研究
一、研究背景与意义
异龄林(uneven-aged stands)因其结构复杂性和多样性,在碳固存、生物多样性保育及气候韧性方面具有重要价值,但其非线性竞争关系与多世代共存特征使传统基于固定径阶(uniform DBH classes, e.g. 2 cm intervals)或树高级的分组方法难以真实反映林分异质性,导致过程模型(process-based model)中竞争、死亡及进界生长(ingrowth)过程的模拟偏差。已有研究多沿用经验径级分布法,缺乏数据驱动的多维结构分组策略验证。为此,研究人员以芬兰南部挪威云杉(Picea abies)优势异龄林30年长期固定样地数据结合过程模型PREBAS,系统比较四种无监督聚类(unsupervised clustering)算法与传统分组法在林分结构变量——胸径(DBH)、树高(H)、断面积(BA)——估算及动态过程模拟中的表现,旨在明确更优的林分分组(cohort definition)方案以提升异龄林过程模型精度。
二、主要关键技术方法
研究选用芬兰南部4处(Vesijako-Kailankulma/VESK、Lapinj?rvi/LAP、Evo/EVO、Vesijako-Puoliv?linm?ki/VESP)挪威云杉优势异龄林16块0.16 ha固定样地(1991–2021年,每5年复查一次),含挪威云杉、欧洲赤松(Pinus sylvestris)及阔叶树(主要是桦木属 Betula spp.、欧洲山杨 Populus tremula)。按树种分别输入单木DBH、H、冠基高(height to crown base, HCB)及冠长(crown length, Lc=H-HCB),标准化后实施:(1) 传统分组——按DBH(2 cm)、H(2 m)、HCB(2 m)均匀区间分类;(2) PCA-kmeans(文中简称PCA)——先PCA降维再按轮廓系数(silhouette width)选最优k进行k-means;(3) DBSCAN——遍历ε(0.1–1, step 0.1)与MinPnt(5–20),取轮廓系数最优组合;(4) 层次聚类(Hierarchical Clustering, HC)——欧氏距离+Ward最小方差法,按轮廓系数定簇数;(5) 高斯混合模型(Gaussian Mixture Models, GMM)——按贝叶斯信息准则(Bayesian Information Criterion, BIC)选组分数为簇数。以1991年初始测量确定分组并固定追踪至2021年,进界生长(ingrowth)按各调查年单独聚类后固定归属。将分组均值与密度作为PREBAS模型层(layers)输入,以1996–2021年观测值为验证基准。采用确定系数(r2)、RMSE、归一化RMSE(nRMSE%)、平均偏误(Mean Bias Error, MBE)及均方误差(MSE)评估模拟与实测吻合度,所有分析在R 4.4中完成(packages: stats, dbscan, mclust)。
三、研究结果
3.1. Structure estimations under different clustering methods(不同聚类方法下的林分结构估算)
全林分数据集显示,无监督方法全面优于传统方法。对树高H,GMM与PCA的r2均达0.84(传统最高仅0.44),RMSE降至3.50–3.66 m(传统8.31–11.00 m),nRMSE降幅>40%;对DBH,PCA与GMM的r2分别达0.83与0.82(传统≤0.45),RMSE降至约4.07–4.40 cm;对BA,DBSCAN r2=0.90、GMM r2=0.89(传统HCB分组最高0.73),且无监督方法MBE偏低(≤0.05 m2/ha),传统方法略偏高估BA(MBE达0.10)。分树种看欧洲赤松因更新稀少精度最低(r20.15–0.40),挪威云杉较稳健;分位点看传统方法中HCB分组相对最佳但仍不及无监督法,且传统法在间伐年份难以匹配实测动态,无监督法对死亡/间伐事件的表征更优。
3.2. Comparative performance of clustering methods in regeneration(聚类方法在更新/进界生长中的比较表现)
针对进界生长(ingrowth)数据,无监督法优势减弱但仍存在:DBSCAN对DBH估算r2=0.33(传统最高0.28),RMSE降至2.94 cm;对H各法r2均偏低(DBSCAN最高0.32);对BA,HC表现最佳(r2=0.56,RMSE=0.15 m2/ha)。说明幼苗数据因样本少、变异性大,不同无监督法在各指标上有任务特异性差异。
四、讨论与结论总结
讨论指出,无监督聚类用更少分组数捕捉多维结构特征,优于仅靠单一DBH或H的固定分级,其中GMM与PCA整体最稳键——降维保留主要方差并弱化簇重叠,HCB传统分组因反映种间自剪枝(self-pruning)差异略优于其他传统法但仍不足。进界生长中DBSCAN适于密集团(幼树密集区),HC适于具隐含层级结构的BA汇总。研究认为林分组(cohorts)定义本身是异龄林过程模型不确定性的来源之一,数据驱动分组可更好保留异质性与竞争关系,从而改进生长、死亡及更新的模拟。局限为数据限于芬兰南部云杉优势异龄林,推广至其他森林类型需进一步验证。
结论部分翻译:本研究评估了传统与无监督聚类方法在PREBAS模型模拟异龄林分中定义树木分组的表现。结果表明无监督方法普遍优于传统基于尺寸的分类,能更准确估算DBH、H和BA等关键结构变量;GMM与PCA聚类比对全数据集给出最精确结果,而对进界生长各法差异缩小。数据驱动分组策略较固定分类更能表征林分结构异质性,而树木分组作为基于径级(cohort-based)森林模型的基本模拟单元,其定义构成异龄林模型性能的重要影响因素,提示分组定义可能是复杂林分建模不确定性的来源之一。尽管研究基于芬兰南部云杉优势异龄林,对其他森林类型与管理制度的适用性尚待评估,且进界生长表现波动表明再生过程表征仍需方法改进。总体而言,无监督聚类是传统分组法在异龄林模拟中有前景的替代方案,可改善过程模型中林分结构的表征。