原名：Allometry-based estimation of forest aboveground biomass combining LiDAR canopy height attributes and optical spectral indexes
译名：基于异速生长结合LiDAR冠层高度和光谱指数估算森林地上生物量
期刊：Forest Ecosystems
发表时间：2022-07
DOI：10.1016/j.fecs.2022.100059
1.研究背景
森林生态系统是最大的陆地碳储量和重要的碳汇，长期以来准确量化森林地上生物量是森林管理和保护的基本任务。传统AGB是通过野外收获或基于异速生长方程的方法测量的，尽管这类方法非常精确，但它具有破坏性，不适合空间连续的AGB估算。过去三十年中，卫星影像已被广泛用于估计森林AGB，由于遥感影像不能直接提供森林AGB估计值，这些研究通常在野外AGB估计值和遥感指数之间建立回归模型，以提供空间连续的森林AGB。然而，根据森林类型的不同，使用这种方法估计森林的精度可能会限制在10%–50%，并且可能会受到饱和效应的影响。新兴的LiDAR已被证明有助于量化森林结构属性，获得的结构属性(如树高)可与实地测量一起使用，通过回归模型以更高的精度(不同森林类型的精度为30%至80%)估算森林AGB。然而，激光雷达数据缺乏光学图像丰富的光谱信息，因此在区分树种组成方面用途有限。为了进一步提高森林AGB估计的精度，提出了光学影像和激光雷达数据的融合策略。尽管如此，这些研究仍然主要局限于人工林，光学图像和激光雷达数据通过简单地将它们输入回归模型(线性回归、随机森林回归模型)进行融合，通常需要大量的实地测量作为投入，以理清森林AGB和各种遥感变量之间的相关性。向基于回归的模型中输入更多的变量不一定会导致更高的估计精度，因此寻找一种方法来建立有物理意义的基于回归的模型，以平衡实地测量的需要和遥感预测值的数量，一直是大规模森林AGB估计的研究重点。
2.数据和方法
（1）研究区
根据以下标准，如图1(a)在中中国各地选择了九个研究区：
三个温带针阔叶混交林地(Site1- Site3)，两个人工种植的温带针叶林立地(Site4和Site5)，三个亚热带常绿阔叶林立地(Site6- Site8)以及一个热带季雨林(Site9)(图1)；
每个地点的面积从30公顷到1082公顷不等，平均为500公顷。这些地点被各种各样的气候、地形和植被条件所覆盖(表1)。
这确保了本文所提出的森林AGB估算方法的普适性。
图1 (a)研究地点的空间分布及其相应的森林类型
(b)森林状况的照片 (c)地点 地点4(针叶林)
地点7(亚热带阔叶林)、地点2(针阔混交林)
地点9(热带阔叶林)的树冠高度模型
表1九个研究地点的气候、地形和植被条件概述
（2）数据
无人机激光雷达数据：在每个研究区内，使用配有RIEGL VUX-1无人机激光扫描仪的LiAir无人机激光雷达系统(中国北京绿谷国际公司)收集无人机激光雷达数据，设置参数参考表2。
表2 无人机激光雷达飞行和扫描仪参数概要
光学遥感数据：对于每个研究地点，从哥白尼开放存取中心收集了单场景1C级Sentinel-2图像如表3所示，以推导植被指数。
表3 对所收集的Sentinel-2的描述
图2 本文所提估算地上生物量方法的工作流程
从收集的无人机激光雷达数据和Sentinel-2图像中提取了四个冠层高度相关的度量和四个光谱度量(图2)，包括最大高度(THmax)、平均高度(THmean)、冠层高度的标准差(THstd)、冠层高度的变异系数(THcv)、最大NDVI (NDVImax)、平均NDVI (NDVImean)、NDVI的标准差(NDVIstd)和NDVI的变异系数(NDVIcv)(表4)。
表4 无人机激光雷达数据和
Sentinel-2提取的冠层高度相关度量和光谱度量的描述
（3）方法
鉴于冠层高度比DBH更容易获得，植被指数可以反映树冠的异质性和物种的代谢率，我们提出了一种方法，使用植被指数VI变量作为冠层高度TH变量的幂，以建立一个有物理意义的回归模型来反演森林生物量。所提出的生物量估计方法的具体形式遵循等式(1),并且可以通过计算等式(2)中的对数来线性化。
（4）与现有方法对比
进一步比较了所提出方法的九个研究地点的AGB的计算与当前常用的基于机器学习的回归方法，包括多线性回归(SMR)、人工神经网络(ANN)和随机森林(RF)。
3.结果
（1）森林AGB估测的结构和光谱指数的选择
就结构属性、预测的和测量的AGB之间的R2而言，THmean在所有站点中表现最好(图3)。THmax、THcv和THstd的建模精度因森林类型而异。
图3 基于所有研究地点不同指标的简单回归模型中R2值的堆积条形图
由于THmean和NDVImean在9个站点的所有TH- metrics和VI-metrics中实现了最佳的整体性能，因此在建议的方法中采用了它们(图3)。此外，我们还展示了实地测量的AGB和选定度量(THmean和NDVImean)相对于每种森林类型的概率密度分布(图4)。
图4 不同森林类型中(a)实地生物量(AGB)、
(b)光谱指数(NDVImean)和(c)结构属性(THmean)的数据分布。
CF代表针叶林，STBF代表亚热带阔叶林，
CBMF代表针阔叶混交林，TBF代表热带阔叶林
（2）所提出的方法的性能
如图5所示，我们提出的生物量建模方法在所有地块和不同森林类型中实现了良好的预测精度。发现基于森林类型的建模比使用所有样地更准确。
图5 根据建议的方法对所有地块和不同森林类型测量和预测AGB。
注意 CF代表针叶林，STBF代表亚热带阔叶林，
CBMF代表针阔叶混交林，TBF代表热带阔叶林。
然后，使用针对每种森林类型的THmean和NDVImean(表5)的拟议方法，以20米的空间分辨率绘制9个研究地点的AGB图(图6)。
表5 九个研究点的AGB制图综述
图6 根据建议的方法AGB预报的空间变化。a-i分别代表站点1-9
图7 通过使用不同的模式方案在测量的AGB和预测的AGB之间的比较。
a:只有NDVImean数据，b:只有THmean数据，
c:使用建议的方法将NDVImean与THmean结合。d-f分别是CBMF的a-c。
（3）与现有方法比较
通过使用复杂和多变量模型测量的AGB和预测的AGB之间的比较。a:逐步多元回归(SMR)，b:人工神经网络回归(ANN)，c:随机森林回归(RF)，d–f分别是CBMF的a–c，g–I是d–f的可变重要性。
4. 研究结论
本研究提出了一种简单有效的方法，用于结合无人机激光雷达点云和Sentinel-2图像的森林结构属性和光谱指数，以准确估计覆盖针叶林、亚热带阔叶林、针阔混交林和热带阔叶林的9个研究地点的森林AGB。发现平均冠层高度和平均NDVI是9个地点1370个地块中AGB估计的最佳和通用结构和光谱度量。新方法采用NDVImean作为THmean的幂，取得了比仅基于树高度量的模型更好的性能，在四种森林类型中，预测和测量AGB之间的相关系数增加了约10%，RMSE减少了约22%。此外，所提出的方法还实现了与先进的机器学习模型(如RF、ANN和SMR)相当甚至更好的性能。随着无人机激光雷达和从其他平台(如星载激光雷达)获得的TH度量变得更容易获取，所提出的方法有望在更大的尺度上进行检验和应用，以进行森林AGB的高精度估计。
5.文章引用格式
Yang Q , Su Y , Hu T , et al. Allometry-based estimation of forest aboveground biomass combining LiDAR canopy height attributes and optical spectral indexes [J]. Forest Ecosystems, 2022, 2197-5620. https://doi.org/10.1016/j.fecs.2022.100059
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
