《Trees, Forests and People》:Analysis of differences in above-ground carbon stocks estimation in forests by UAV LiDAR under sample characteristics
编辑推荐:
优化样地设计与整合无人机激光雷达(UAV LiDAR, Unmanned Aerial Vehicle Light Detection and Ranging)数据为提升森林地上碳储量(Aboveground Carbon Stock, AGCS)估算提供了一
优化样地设计与整合无人机激光雷达(UAV LiDAR, Unmanned Aerial Vehicle Light Detection and Ranging)数据为提升森林地上碳储量(Aboveground Carbon Stock, AGCS)估算提供了一种有前景的方法。本研究采用地面调查与UAV LiDAR相结合的方式,对典型北亚热带针叶林和阔叶林进行了调查。通过比较两种样地形状(圆形与方形)和三种样地大小,并应用随机森林(Random Forest, RF)和XGBoost模型,研究发现半径12.91 m的圆形样地在两种林型中均 consistently优于方形样地及其他尺寸。重要预测变量包括常规LiDAR指标以及LiDAR衍生林分平均直径(Dlidar)。优化后的XGBoost模型在测试集上实现了较高精度:针叶林R2 = 0.93,RMSE(Root Mean Square Error, 均方根误差)= 4.66 t/ha,rRMSE(relative RMSE, 相对均方根误差)= 10.67%;阔叶林R2 = 0.95,RMSE = 4.21 t/ha,rRMSE = 7.63%。这些结果表明,采用圆形样地可缓解边缘效应,提高国家森林资源监测效率,并为将UAV LiDAR整合入碳核算框架提供了一种实用且经济高效的策略。该方法有助于在日益严峻的气候与生态挑战背景下实现森林可持续经营。
森林生态系统在全球碳循环中发挥着关键作用,每年固碳2.0~3.4亿吨,约占人为CO
2排放量的30%。作为陆地植被生物量的主要组成部分,森林储存了其总碳量的85%~90%。在中国"双碳"目标(即碳达峰与碳中和)背景下,精准估算森林碳储量对于区域和国家碳预算编制、气候政策制定以及森林生态功能评估至关重要。尽管中国森林资源增长迅速,但森林类型的高度多样性以及复杂的林分结构,使得如何实现高精度、高效率的森林碳储量监测成为森林资源管理中亟待解决的科学与实践问题。
森林碳估算方法主要分为地面调查和遥感两大类。地面调查虽对小面积林分精度较高,但耗时耗力、具潜在生态干扰性,难以应用于大尺度区域。遥感技术则能提供大范围空间覆盖、高效数据获取及频繁重访能力,实现森林生物量分布与动态的连续、大尺度监测。在各类遥感技术中,UAV搭载LiDAR尤为突出,其能够穿透林冠获取详细的三维结构信息,具有灵活性高、点云密度高、地物细节丰富等优势,且较光学影像受天气条件影响小,在高生物量森林中信号饱和程度低,已广泛用于森林动态监测及生物量/碳储量评估。
无论采用何种遥感平台,地面样地调查仍是校准与验证数据的基础来源,直接影响区域尺度估算的准确性。样地设计涉及形状和大小两个关键决策。国际上,北美和欧洲普遍采用圆形样地,而中国国家森林清查通常使用固定面积方形样地。研究表明,在相同面积下,单个圆形样地可略高于方形样地的抽样精度,且样地形状和尺寸显著影响林分蓄积量估算。关于样地大小,过小虽可提高抽样精度但会增加数量导致成本上升,过大则可能忽略局部异质性、降低抽样效率。因此,针对不同林型(如针叶林与阔叶林)确定最优的样地形状—大小组合,对于平衡精度、成本和操作效率具有重要意义,对评估森林生态功能、碳汇潜力和碳市场交易均有重要影响。
在建模方法选择方面,早期研究多依赖多元逐步回归等线性模型,随后机器学习算法因其更有效捕捉LiDAR指标与森林生物量之间复杂非线性关系的能力而逐步发展,如支持向量回归(Support Vector Regression, SVR)和偏最小二乘回归(Partial Least Squares, PLS),但系统探究样地形状和大小与林型交互作用对LiDAR反演AGCS精度影响的研究仍较缺乏。
为填补这一空白,研究人员以皖南山区北亚热带针叶林和阔叶林为研究对象,设置不同形状(方形、圆形)和尺寸的样地,利用两种机器学习算法开展AGCS估算模型构建与评价。研究目标是:(1)利用随机森林算法从LiDAR指标中识别最优预测特征子集;(2)评估样地形状对不同林型估算精度的影响并确定优选形状;(3)基于最优形状确定最适样地大小。研究成果可为优化国家森林资源调查设计、提升森林碳监测精度提供实践参考。
研究区位于安徽省黄山市花山谜窟-渐江风景区,地处北亚热带,属低山丘陵地貌,海拔94~740 m,年降水量1670 mm,年均温16.3 ℃。2023年5—8月,研究人员共设立50块样地,其中针叶林30块、阔叶林20块,基础样地尺寸为25.82 m × 25.82 m。对胸径(Diameter at Breast Height, DBH)≥ 5 cm的所有个体进行每木检尺,测量胸径、树高,并用华测i86 RTK(水平精度15 mm)记录精确位置。基于全样地数据,嵌套划分方形和圆形子样地,每种形状内再定义多个面积尺度。样木地上生物量采用种特异性异速生长方程计算,加总后乘以碳转换系数得到样地水平碳储量,作为建模因变量。2023年9月采用大疆Matrice 300 RTK无人机搭载Zenmuse L1传感器获取LiDAR点云数据,平均点密度约171 pts/m
2(屯溪区,飞行高度100 m)和114 pts/m
2(歙县,飞行高度150 m)。原始点云经拼接、按样地裁切、去噪及基于不规则三角网(Triangulated Irregular Network, TIN)数字地形模型的高度归一化处理后,共提取106个特征变量,涵盖高度、密度、强度指标及林冠结构、林分平均直径和地形属性。
数据分析采用基于随机森林的迭代特征选择程序,利用袋外(Out-of-Bag, OOB)误差量化特征重要性,通过迭代后向消除从106个特征的完整集合中筛选最优特征子集。建模时将样本按7:3随机分为训练集和测试集,分别采用随机森林和极端梯度提升(XGBoost, eXtreme Gradient Boosting)算法构建针叶林和阔叶林AGCS估算模型。随机森林是基于bagging策略的集成方法,以基尼不纯度准则进行节点分裂;XGBoost是梯度提升的增强实现,在目标函数中引入正则化项以控制模型复杂度、减少过拟合。模型性能以决定系数(R
2)、均方根误差(RMSE)和相对均方根误差(rRMSE)评价。
研究结果表明,利用随机森林重要性准则结合OOB误差分析,不同样地配置下识别出的最优特征子集存在显著差异。总体而言,针叶林的最优特征集大于阔叶林,方形样地筛选特征少于圆形样地,较大样地的最优特征数量较少或等于较小样地。高度相关指标(elev_AIH和elev_percentile)在针叶林所有最优子集中均出现,凸显其对碳储量建模的关键作用;阔叶林最优子集则额外纳入强度相关变量,表明结构更复杂的阔叶林需要多维LiDAR信息以实现精准碳估算。两种林型在最小的3.2275 m半径圆形样地中均保留了林分平均直径(D
lidar),说明当样地尺寸足够缩小时,平均直径成为决定地上碳储量的关键因素。所有配置下相关性最高的特征未必是模型中重要性最高的特征,且其重要性值与其他特征差异显著,这源于样地空间分散分布导致的因子变异性和敏感性差异。
模型构建结果显示,方形25.82 m样地和圆形12.91 m半径样地总体优于其他配置,XGBoost表现优于随机森林。针叶林中,12.91 m半径圆形样地XGBoost测试集R
2 = 0.93,RMSE = 4.66 t/ha,rRMSE = 10.67%;阔叶林中同一样地配置XGBoost测试集R
2 = 0.95,RMSE = 4.21 t/ha,rRMSE = 7.63%。由此推荐采用12.91 m半径圆形样地结合XGBoost算法进行森林地上碳储量估算。
在讨论部分,研究人员分析了样地设计对碳储量估算的影响机制。圆形样地因周长—面积比较低、边界木较少,能有效减少边缘效应,保持内部生境连续性,降低边界偏差;方形样地中边界木通常仅测量相邻两边,易导致高估或低估。在样地大小方面,既往研究采用20 m × 20 m、20 m × 25 m、25 m × 30 m等方形样地,或15 m、30 m、17.85 m等半径圆形样地;本研究基于中国标准固定样地尺寸,测试得出的12.91 m半径圆形样地(面积523.6 m
2)符合400~1000 m
2的碳储量建模推荐范围。
特征筛选结果显示,针叶林以高度相关指标为主导,辅以密度变量、林冠结构描述符(H.clr、LAI)和地形因子;阔叶林则以高度变量和密度变量为主,强度变量亦占重要地位,坡度贡献较小。林冠波动率(H.clr)在针叶林各尺度圆形样地中均被检出,仅在阔叶林最小方形和圆形样地中出现,表明该指标对针叶林更具敏感性。LiDAR衍生林分平均直径(D
lidar)对两种林型均为显著预测因子,尤其在3.2275 m半径样地中凸显其在小尺度空间的响应性。值得注意的是,最高相关性特征未必是预测模型中最重要的特征,这种差异源于样地空间分散分布导致的因子变异性和特征敏感性差异。
模型精度评价方面,两种非参数集成机器学习算法均实现了较高精度,XGBoost在所有比较中均优于随机森林,且未出现过拟合证据。通过系统整合变量选择结果,本研究共构建了24个模型。LiDAR衍生高度、密度、结构和地形变量是碳储量建模的关键预测因子,分层按林型和样地配置建模可提高不同生态系统碳汇估算的准确性。反演模型存在低估高碳区、高估低碳区的系统偏差,深入理解森林碳循环过程和控制变量有助于缓解这一偏差。研究局限性在于:采用永久大样地内划分亚样地的设计虽控制了立地变异、实现了形状和大小的公平比较,但牺牲了样本统计独立性;实测野外数据数量不足且分布不均,限制了空间外推范围;最优配置下的绝对精度指标可能对当前数据集和特定森林条件敏感。因此,圆形样地的相对优势和关键变量的重要性属于森林清查方法论层面的核心发现,未来应用于大规模业务化监测时,建议在代表性区域开展独立验证测试以确定本地精度,并通过增加样本量、整合更多理论和数据资源实现碳储量预测精度与泛化性的统一。
研究结论指出,对于大尺度、高效、经济可行的森林碳储量评估,特别是在地形复杂和偏远地区,基于最优样地配置的评估方法需求日益增长,以支持森林资源监测和碳核算。本研究比较了针叶林和阔叶林中不同形状(圆形与方形)和尺寸的样地,评估了RF和XGBoost模型,证明了UAV LiDAR数据准确估算森林地上碳储量的潜力,并强调了样地几何形状和大小作为影响模型性能关键因素的重要性。基于随机森林的迭代特征选择方法识别出最相关的LiDAR指标:针叶林包括elev_AIH、elev_percentile、密度变量、H.clr、LAI和坡向;阔叶林则额外包括强度相关变量(如int_AII、int_perc)。当样地半径缩小至3.2275 m时,LiDAR衍生林分平均直径(D
lidar)成为两种林型的显著预测因子。结果表明,在相同条件下XGBoost模型始终优于RF模型,圆形样地比方形样地更适合提取碳储量相关特征。12.91 m半径圆形样地对针叶林和阔叶林均为最优,该配置下XGBoost模型在两种林型中均表现最佳。本研究建立了机器学习碳储量估算的优化样地设计,为高分辨率森林碳监测提供了新途径,展示了如何将LiDAR衍生结构参数与适宜样地几何相结合以提升国家森林资源清查效率、减少边缘效应。未来应用可延伸至碳中和规划、恢复效果监测及森林碳核算系统集成。