《Trees, Forests and People》:Evaluating kNN and regression methods for predicting tree and stand variables from LiDAR data in plantation forests
编辑推荐:
LiDAR(Light Detection and Ranging)扫描为减少森林调查中的野外工作提供了可能性。利用k近邻(kNN)数据插补或回归建模可以从LiDAR数据中推导出林木蓄积变量。森林规划所需的调查数据取决于生长预测所用模型的类型,由林分水平或单木
LiDAR(Light Detection and Ranging)扫描为减少森林调查中的野外工作提供了可能性。利用k近邻(kNN)数据插补或回归建模可以从LiDAR数据中推导出林木蓄积变量。森林规划所需的调查数据取决于生长预测所用模型的类型,由林分水平或单木水平变量组成。本研究比较了基于LiDAR的回归方法与kNN数据插补在中国东北人工林森林中获取森林调查数据的效果,假设管理规划中使用林分水平或单木水平模型。在前一种情况下,研究人员通过kNN方法插补或通过回归模型预测一组四个林分变量(优势高(dominant height)、中位树直径、断面积(basal area)和每公顷株数)。在后一种情况下,研究人员估计了树木的完整直径分布。kNN方法直接从样地插补分布,而回归方法使用参数预测法(Parameter Prediction Method, PPM)或基于百分位的参数恢复法(Percentile-based Parameter Recovery Method, PRMP)预测Weibull分布的参数。回归建模与kNN在同时估计四个林分变量时表现相似,林分断面积的相对均方根误差(RMSE)分别为17.32%(回归)和15.53%(kNN),优势高分别为5.34%(回归)和7.50%(kNN)。当估计直径分布时,kNN和PPM方法优于PRMP方法。PPM对单峰直径分布效果更好,而kNN对双峰和多峰分布效果更好。由于中国东北人工林经常有耐阴树种的天然更新,导致双峰和多峰直径分布,未来研究可推荐kNN数据插补。
**论文解读:基于LiDAR数据预测人工林树木和林分变量的kNN与回归方法比较**
**研究背景与问题**
现代森林管理规划(forest management planning)通常依赖模拟(simulation)和优化(optimization)技术,其输入数据来源于森林调查(forest inventories)。然而,传统实地调查成本高昂且耗时长,因此遥感技术(remote sensing)日益成为获取森林数据的重要工具。激光雷达(Light Detection and Ranging, LiDAR)作为一种快速发展的遥感技术,能够获取树冠乃至单木的三维空间信息。在LiDAR辅助的森林调查中,基于面积的方法(Area-Based Approach, ABA)较为常见,其中涉及回归模型(regression models)或k近邻(k-nearest neighbor, kNN)数据插补(data imputation)来预测森林变量。尽管这两种方法已被广泛研究,但尚未有研究从森林规划视角系统比较它们在中国森林中的表现。中国东北人工林(plantation forests)以落叶松(*Larix gmelinii*)、红松(*Pinus koraiensis*)和樟子松(*Pinus sylvestris* L.)为主,这些林分常因耐阴树种天然更新而呈现复杂的直径分布结构(如双峰或多峰分布)。因此,有必要评估不同LiDAR驱动方法在预测林分变量和直径分布时的准确性,以为未来管理导向的森林调查提供依据。该研究发表在《Trees, Forests and People》期刊上。
**研究内容与结论**
研究人员以中国黑龙江省桦南县孟家岗森林农场的224个样地为研究对象(包括落叶松102个、红松45个、樟子松77个样地,涵盖幼龄、中龄和成熟龄级),利用无人机LiDAR点云数据(密度20点/m2)提取101个度量指标。研究假设两种森林规划情景:一是使用林分水平模型(需要优势高、中位直径、断面积和每公顷株数),二是使用单木水平模型(需要完整的树木直径分布)。在第一种情景中,研究人员分别采用3NN(3个最近邻加权重)数据插补和似不相关回归(Seemingly Unrelated Regression, SUR)建模来预测四个林分变量;在第二种情景中,通过kNN直接插补直径分布,或利用Weibull分布建模——参数预测法(Parameter Prediction Method, PPM)和基于百分位的参数恢复法(Percentile-based Parameter Recovery Method, PRMP)来预测参数。结论表明:在同时估计四个林分变量时,回归和kNN表现相当,但kNN在断面积和株数估计上略有优势,回归在优势高估计上更优。对于直径分布,kNN和PPM优于PRMP;PPM对单峰分布更准确,而kNN在双峰和多峰分布中表现更好。由于中国东北人工林常因天然更新形成双峰或多峰直径分布,因此kNN插补被推荐用于未来研究。
**关键技术与方法**
研究人员利用无人机平台搭载RIEGL VUX-120 LiDAR扫描仪获取点云数据,经去噪和地面点分类生成数字高程模型(DEM)后进行高程归一化。从每块样地提取101个LiDAR度量,包括高度相关(46个)、密度相关(10个)、强度相关(42个)和冠层相关指数(如间隙比例、叶面积指数和冠层覆盖度)。对于kNN,采用模拟退火(Simulated Annealing, SA)优化距离度量,从103个候选变量中选取10个最佳变量及其变换和权重,以加权欧氏距离选择3个最近邻样地(仅限相同优势树种)。回归方法中,林分变量通过SUR系统建模,直径分布则采用Weibull两参数分布(位置参数固定为5 cm),PPM直接预测尺度参数b和形状参数c,PRMP则先预测第24和93百分位直径再恢复b和c。所有样地来自黑龙江省孟家岗森林农场,覆盖落叶松、红松和樟子松人工林的幼、中、成熟龄级。
**研究结果**
**Case 1: 林分水平变量的插补**
通过比较SUR回归和3NN插补的均方根误差(RMSE)和偏差,研究人员发现两者性能相近。3NN在断面积(相对RMSE 15.53% vs. 17.32%)和每公顷株数(相对RMSE 26.47% vs. 34.11%)上表现更好,而SUR在中位直径(相对RMSE 9.20% vs. 9.54%)和优势高(相对RMSE 5.34% vs. 7.50%)上更优。偏差均较小,除SUR对每公顷株数有2.41%的低估外,其余低于1%。说明回归方法更擅长估计优势木大小,而kNN更擅长估计林分密度。
**Case 2: 直径分布的插补**
研究人员基于3NN、PPM和PRMP三种方法,比较了直径分布的第10、50、90百分位(按株数和断面积)、每公顷株数和优势高的估计精度。3NN在低百分位范围(dN10、dN50、dG10、dG50)、断面积和株数上精度更高;PPM和PRMP在高百分位(dN90、dG90)和优势高上更优。偏差分析显示PPM和PRMP多呈正偏(高估),3NN多呈负偏(低估)。Reynolds误差指数和Kolmogorov-Smirnov统计量进一步表明,对于所有样地,kNN的整体拟合优度略优于PPM和PRMP。按分布类型细分:PPM在单峰分布(115个样地)中表现最佳(Reynolds指数51.74),kNN在双峰分布(70个样地)中最佳(56.76),在多峰分布(36个样地)中同样最佳(71.15)。Kolmogorov-Smirnov非显著差异比例显示,kNN总体最高(52.7%),其中对多峰分布达61.1%。因此,kNN在复杂结构林分中更具优势。
**Visual analysis**
通过比较实测与估计的直径分布图,研究人员发现:对于单峰分布(如落叶松和红松),三种方法表现近似;对于双峰和多峰分布(常因林下天然更新引起),kNN能更好地再现分布形态,而PPM和PRMP由于假设单峰Weibull函数而失效。在少数失败案例中(如所有方法均无法拟合双峰分布),主要归因于样地数量不足或变异性不够。kNN在部分双峰分布样地中成功复现,而PPM和PRMP则完全失败。这表明kNN在真实复杂结构中更有潜力,但样地库的丰富性至关重要。
**讨论与结论**
讨论部分强调,传统拟合统计量(如RMSE和偏差)可能不足以从森林规划角度评估方法优劣。例如,当林分存在下层天然更新时,错误估计可能导致次优的经营方案(如忽略上层疏伐而仅推荐皆伐),造成经济损失。Reynolds误差指数和Kolmogorov-Smirnov统计量虽表明kNN稍优,但未能捕捉实际决策影响。研究人员建议未来研究应计算不优化损失(inoptimality losses)来直接量化数据误差对经济价值的影响,这涉及信息价值(Value of Information, VOI)概念。此外,由于东北人工林下层常出现耐阴树种,应开发多树种生长模型(包括更新和枯死过程)以适应复杂林分结构。LiDAR方法应进一步提升树种识别能力(如结合RGB图像或高密度点云的alpha形状)。最后,基于样地库中双峰分布的存在,kNN被推荐用于未来管理导向的森林调查,但需扩大样地数量和覆盖范围。
结论部分翻译如下:可以预见,LiDAR驱动的调查将在中国越来越多地用于获取森林管理规划信息。因此,比较不同的LiDAR管理导向调查方法是当前实际的研究课题。本研究表明,在均匀同龄人工林森林中,kNN数据插补和回归建模在从LiDAR数据预测林分水平变量或树木直径分布方面同样有效。然而,当林分存在天然更新或林下种植的下层冠层时,kNN比回归方法显示出更大潜力。未来研究应开发kNN插补方法,以在混交林和复杂林分结构中取得更佳表现。