基于樹木定量結(jié)構(gòu)模型的單木參數(shù)提取及生物量估測(cè)

中圖分類號(hào)：S758 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-411X（2025）03-0379-11

Individual tree parameter extraction and biomass estimation based on the quantitative structure model

YU Lei'， XU Jiajia'， NI Chen’， KONG Lingyuan1， HUANG Qingfeng12，LIU Hual2， TANG Xuehai1，2 （1 School ofForestryand Landscape Architecture，Anhui Agricultural University/Anhui Provincial KeyLaboratoryof Forest Resouecrs and Silviculture， Hefei 23oo36， China; 2 Anhui Dabie Mountain Forest Ecosystem National Positioning Observationand Research Station，Lu'an2373oo， China）

Abstract：【Objective】This article takes the deciduous broad-leaved forest in the Tianma National Nature Reserve in Anhui Province as the research subject， exploring the application potential of the quantitative structure model in biomass estimation of individual tree in complex environment using unmanned aerial vehicle laser scanning data.【Method】 Through ground surveys and the use of unmanned aerial vehicles， plot data and LiDAR point cloud data were collected， with the ground data serving as the reference measurements. The comparative shortest-path algorithm was used for point cloud segmentation. Subsequently，tree parameters （such as diameter at breast height， trunk volume， branch volume， number of branches， canopy base height， canopy area， canopy volume，and crown width） were extracted from the segmented individual tree point clouds using the quantitative structure model.Pearson correlation coeffcient and variance inflation factor were then employed for variableselectionoftheparameters.Finally，anindividual treebiomass estimationmodelwasconstructedbased on the three machine learning algorithms. 【Result】 Among the biomass models，the one based on random forest （RF） achieved the best training performance （ ， R M S E= 1 9 2 . 8 1 k g r R M S E= 2 9 . 8 8 % .The performance of the multilayer perceptron （MLP） model ， R M S E= 2 3 3 . 6 2 k g. r R M S E= 3 6 . 6 5 % ） （20號(hào) was quite similar to that of the support vector machine （SVM） model （ ！ R M S E= 2 4 3 . 6 7 k g 3 7 . 7 7 % ）. 【Conclusion】 This article confirms that the tree parameters extracted from the quantitative structure modelcan beused toconstructahigh-precisionbiomassestimationmodel fordeciduousbroadleaf species providing a new method for resource surveys in complex forest environment.

Key words：Unmannedaerial vehicle laser scanning; Quantitativestructure model; Biomassestimation; Treeparametel

森林生物量指的是森林范圍內(nèi)生物所含有機(jī)物的量，常用干質(zhì)量表示。作為重要的生態(tài)學(xué)指標(biāo)，森林生物量直接反映森林的生產(chǎn)力與碳匯能力，對(duì)于評(píng)價(jià)森林生態(tài)系統(tǒng)的結(jié)構(gòu)和功能具有重要作用[1]。傳統(tǒng)森林生物量的獲取方法通常采用直接收獲法，主要有皆伐法[2]、標(biāo)準(zhǔn)木法[3]和相對(duì)生長(zhǎng)法 種方式，通過(guò)對(duì)樣地內(nèi)樹木伐倒、烘干以及稱質(zhì)量等步驟得到單株樹木各部分的生物量，進(jìn)而得到單株樹木生物量和樣地生物量。這些方法獲取數(shù)據(jù)存在工作量大、費(fèi)時(shí)費(fèi)力等不足，且對(duì)樹未造成不可逆轉(zhuǎn)的損傷。因此如何通過(guò)有效的途徑快速、無(wú)損地獲取森林生物量一直是生態(tài)學(xué)領(lǐng)域的研究熱點(diǎn)[5]。

無(wú)人機(jī)激光雷達(dá)（Unmannedaerialvehiclelaserscanning，UAV-LS）是一種新興的遙感技術(shù)，能夠通過(guò)高密度的點(diǎn)云數(shù)據(jù)獲取水平以及垂直結(jié)構(gòu)的森林參數(shù)，因其高效無(wú)損、便捷靈活等優(yōu)點(diǎn)廣泛應(yīng)用于林業(yè)中。目前，基于UAV-LS數(shù)據(jù)進(jìn)行森林生物量估測(cè)的方法大多依賴于異速生長(zhǎng)模型[7]，主要是將激光雷達(dá)數(shù)據(jù)中提取的變量與生長(zhǎng)模型結(jié)合，從而完成生物量估測(cè)。其中，將UAV-LS數(shù)據(jù)衍生的變量（高度百分位數(shù)、強(qiáng)度百分位數(shù)等）與實(shí)測(cè)樹高、胸徑等參數(shù)相結(jié)合，利用機(jī)器學(xué)習(xí)方法進(jìn)行地上生物量估算已取得良好效果8，并且，這一方法進(jìn)一步拓展到基于機(jī)載激光雷達(dá)冠層高度與信號(hào)強(qiáng)度等變量的結(jié)合，構(gòu)建生物量估測(cè)模型[9]。相較于傳統(tǒng)回歸模型，機(jī)器學(xué)習(xí)方法因其不需要描述預(yù)測(cè)關(guān)系和響應(yīng)變量而被越來(lái)越多地運(yùn)用在森林清查中[10]，特別是在預(yù)測(cè)碳儲(chǔ)量、生物量等方面[11]。除此之外，也有利用UAV-LS提取的單木參數(shù)（樹高、胸徑、冠幅等）在非線性CAR（Constantallometricratio）模型的基礎(chǔ)上進(jìn)行生物量的估測(cè)[12]。

UAV-LS所提取的參數(shù)信息已被證實(shí)在生物量估測(cè)上具有較高的可信度[13]，但是，利用樹木定量結(jié)構(gòu)模型（Quantitative structure model，QSM）從UAV-LS數(shù)據(jù)中提取參數(shù)估測(cè)生物量則鮮有報(bào)道。QSM是利用三維模型定量描述和理解樹木結(jié)構(gòu)與生長(zhǎng)規(guī)律的工具，已廣泛應(yīng)用在地基激光雷達(dá)（Terrestrial laserscanning，TLS）中，通過(guò)TLS點(diǎn)云數(shù)據(jù)建模并提取樹木三維結(jié)構(gòu)參數(shù)，進(jìn)而估算材積[14]、蓄積量[15]、生物量[1]等森林量化指標(biāo)。同樣，QSM利用無(wú)人機(jī)激光點(diǎn)云進(jìn)行生物量估測(cè)的應(yīng)用潛力已得到證實(shí)[17]，特別是在考慮到樹木結(jié)構(gòu)和生物量構(gòu)成組分時(shí)，無(wú)人機(jī)QSM可以成為森林管理活動(dòng)和決策過(guò)程中有效的替代方案[18]。但是，如果數(shù)據(jù)集的質(zhì)量太差、點(diǎn)云密度不高時(shí)，建模精度便無(wú)法保證，會(huì)出現(xiàn)生物量被低估的現(xiàn)象[19]。

因此，本研究在獲取高密度UAV-LS數(shù)據(jù)的基礎(chǔ)上，基于落葉闊葉林樹種進(jìn)行QSM的構(gòu)建。通過(guò)三維模型提取樹木參數(shù)，并進(jìn)一步利用隨機(jī)森林（Randomforest，RF）、多層感知機(jī)（Multi-layerperceptron，MLP）和支持向量機(jī)（Supportvectormachine，SVM）3種機(jī)器學(xué)習(xí)方法進(jìn)行單木生物量估測(cè)，篩選最優(yōu)單木生物量估測(cè)模型，為復(fù)雜森林環(huán)境下生物量估算提供科學(xué)參考。

1材料與方法

1.1 研究區(qū)概況

研究區(qū)位于安徽省六安市金寨縣天馬國(guó)家級(jí)自然保護(hù)區(qū)。保護(hù)區(qū)地處大別山腹地，生物資源豐富，是北亞熱帶向暖溫帶的過(guò)渡地域，地理坐標(biāo)介于 ， ，海拔 8 0 0 ～

1 7 2 9 m 。保護(hù)區(qū)屬于北亞熱帶濕潤(rùn)季風(fēng)氣候類型，四季分明，年平均氣溫 ，年平均降雨量1400m m 。保護(hù)區(qū)總面積約 ，其中核心區(qū) ，緩沖區(qū) ，實(shí)驗(yàn)區(qū)15049.8 。研究區(qū)植被類型屬暖溫帶落葉闊葉林向亞熱帶常綠闊葉林過(guò)渡型，植被垂直分布明顯，落葉闊葉林屬天然次生林，主要有茅栗Castaneaseguinii、短柄枸櫟Quercusglandulifera、銳齒槲櫟Quercusalienavar.acutiserrata等櫟類以及化香Platycaryastrobilacea、大別山山核桃Carya dabieshanensis、領(lǐng)春木Eupteleapleiosperma等其他硬闊類樹種。樣地內(nèi)最高海拔 1 1 0 3 m ，最低海拔 1 0 5 5 m ，高度差達(dá) 4 8 m ，坡度主要集中在 。

1.2 地面樣地?cái)?shù)據(jù)

地面數(shù)據(jù)的獲取來(lái)源于2023年3月對(duì)落葉闊葉林樣地的調(diào)查。首先在研究區(qū)布設(shè) 7 5 m× 7 5 m 的大樣地，劃分為9個(gè) 2 5 m×2 5 m 的小樣地，利用全站儀獲取樣地4個(gè)至角點(diǎn)坐標(biāo)，并確定界外木。對(duì)樣地內(nèi)胸徑 的喬木進(jìn)行每木檢尺，并記錄樹種信息。使用TruePulse200激光測(cè)距儀測(cè)量樹高，用胸徑卷尺測(cè)量胸徑，用徠卡DistoD510激光測(cè)距儀測(cè)量樹冠垂直投影距離。同時(shí)，將樹的基部位置作為定位點(diǎn)，利用華測(cè)i86RTK（精度 1 5 m m） 記錄每株樹準(zhǔn)確的位置信息，定位點(diǎn)的空間參照采用WGS84坐標(biāo)系和UTM投影。樣地基本概況見表1，除枯死木外，共統(tǒng)計(jì)樣地內(nèi)563株闊葉樹種。根據(jù)相關(guān)研究并結(jié)合樣地實(shí)際情況[2]，按胸徑大小將樣地樹木劃分為4個(gè)生活史階段，分別為小樹中 176株）、中樹（ 7 . 5 c m? DB ，234株）、大樹（ 2 2 . 5 c m?D B Hlt;4 7 . 5 cm，140株）以及老樹 ，13株）。在忽略小樹后，樣地內(nèi)主要優(yōu)勢(shì)樹種為茅栗（100株）短柄枹櫟（86株）與化香 （63株）。

1.3 UAV-LS數(shù)據(jù)及預(yù)處理

1.3.1 Lidar數(shù)據(jù)采集 利用大疆M300RTK無(wú)人機(jī)搭載禪思L1傳感器（水平精度： 1 5 0 m 測(cè)量距離下誤差為 5 c m ，垂直精度： 1 5 0 m 測(cè)量距離下誤差為 4 c m） ，同步獲取樣地近地面的激光雷達(dá)數(shù)據(jù)。在仿地飛行 6 0 m 的高度下進(jìn)行作業(yè)，飛行速度為5 m / s ，回波模式為三回波并重復(fù)掃描，激光旁向重疊率為 60 % ，點(diǎn)云密度達(dá)到 。點(diǎn)云采集過(guò)程中，飛行高度越低、速度越慢，點(diǎn)云密度就越大，高密度點(diǎn)云可以更好地描述樹木的結(jié)構(gòu)特征。本試驗(yàn)使用的無(wú)人機(jī)具備載波相位差分技術(shù)（Real-timekinematic，RTK），能提供精確的位置信息，其坐標(biāo)系和投影設(shè)置與華測(cè)i86RTK保持一致，航線設(shè)置如圖1所示。

1.3.2歸一化處理通過(guò)開源軟件CloudCompare（https：//www.cloudcompare.org）對(duì)Las格式點(diǎn)云進(jìn)行去噪處理，再利用CSF（Clothsimulationfilter）算法[21]對(duì)去噪后的點(diǎn)云進(jìn)行濾波，分離出地面點(diǎn)與非地面點(diǎn)。最后，將地面點(diǎn)轉(zhuǎn)換為分辨率 大小的柵格數(shù)據(jù)，使用拉普拉斯算子對(duì)柵格平滑后計(jì)算非地面點(diǎn)到該柵格的距離，并將計(jì)算的距離作為非地面點(diǎn)的高度，從而完成歸一化（圖2）。

1.3.3點(diǎn)云分割使用LiDAR360軟件中集成的相對(duì)最短路徑算法（Comparativeshortest-pathalgorithm，CSP）對(duì)點(diǎn)云進(jìn)行分割，該算法借鑒了生態(tài)學(xué)理論，采用自下而上的方式，從點(diǎn)云主干進(jìn)行搜索，并通過(guò)分支到主干的最近距離來(lái)判斷所屬關(guān)系，從而完成點(diǎn)云分割。這種方法在落葉期的闊葉樹中表現(xiàn)出良好的分割效果[22]。本文研究數(shù)據(jù)采集時(shí)期正是樹木的落葉期，枝干點(diǎn)云清晰，符合該算法的應(yīng)用場(chǎng)景。點(diǎn)云分割精度采用召回率（t）、正確率 （ p ） 以及 t 和 p 的調(diào)和平均值 （ F ） 進(jìn)行評(píng)價(jià)，三者取值范圍均為0到1，數(shù)值越接近1表示分割效果越好。計(jì)算公式如下：

式中，TP表示正確分割，指一對(duì)一的關(guān)系，將樹木分割為單獨(dú)的一株樹，即有效單木分割；FP表示過(guò)分割，指一對(duì)多的關(guān)系，把原本屬于1個(gè)整體的單木分成了多株單木；FN表示欠分割，指1株或幾株樹被劃分到其臨近的單木中，且未被檢測(cè)出來(lái)。

1.4 樹木定量結(jié)構(gòu)模型

樹木定量結(jié)構(gòu)模型是重建樹木三維模型的方法。目前較為常用的模型有PypeTree[23]、TreeQSM[24]、SimpleTree[25] 等，本文將 TreeQSM （https：//github.com/InverseTampere/TreeQSM）作為試驗(yàn)?zāi)Ｐ停撃Ｐ陀煞姨m坦佩雷理工大學(xué)的PasiRaumonen等開發(fā)，在不同森林類型中均具有較好的普適性，其構(gòu)建單木模型的核心方法是對(duì)點(diǎn)云進(jìn)行體元化分割，實(shí)現(xiàn)對(duì)樹木幾何特征的定量表達(dá)，如體積、冠幅、分支角度等。其中，PatchDiam1、PatchDiam2Min和PatchDiam2Max是TreeQSM建模所必需的3個(gè)重要參數(shù)。建模過(guò)程主要分為2個(gè)階段，第一階段是按照PatchDiam1定義的體元大小進(jìn)行簡(jiǎn)單分割；第二階段是按照設(shè)置的最大、最小體元實(shí)現(xiàn)精細(xì)分割，也可同時(shí)添加其他參數(shù)實(shí)現(xiàn)更具體的分割。其中，在所有樣本中隨機(jī)選取20株樹對(duì)參數(shù)進(jìn)行敏感性分析，并將最優(yōu)參數(shù)作為其他樣本的輸入?yún)?shù)。具體參數(shù)設(shè)置可以參照開發(fā)者文檔（https：//github.com/InverseTampere/TreeQSM/blob/master/Manual）。在完成三維模型后，提取胸徑、主干體積、枝干體積、分支數(shù)、冠層基部高度、冠層面積、冠層體積以及冠幅等參數(shù)，并且為保證建模效果具有穩(wěn)定性，每個(gè)樣本獲取20組樹木定量結(jié)構(gòu)模型，各個(gè)參數(shù)取其平均值作為最終結(jié)果。

1.5單木生物量模型構(gòu)建及精度評(píng)價(jià)

1.5.1地上生物量計(jì)算按照《主要樹種立木生物量模型與碳計(jì)量參數(shù)》標(biāo)準(zhǔn)（GB/T43648—2024）[26]計(jì)算單木生物量，研究區(qū)內(nèi)櫟樹采用南方其他省份櫟樹分布區(qū)對(duì)應(yīng)的計(jì)算公式，而其他闊葉樹則采用全國(guó)通用的其他硬闊樹地上生物量公式，具體如下：

式中， M 為地上生物量估計(jì)值， D 為林木胸徑。式（4）為櫟樹公式，式（5）為其他闊葉樹公式。

1.5.2建模變量篩選利用Pearson 相關(guān)系數(shù) （ r ） 和方差膨脹因子（Varianceinflationfactor，VIF）進(jìn)行特征篩選，移除共線性變量，具體計(jì)算公式如下：

式中， 和 分別是2個(gè)變量的第 i 個(gè)觀察值， 和 是2個(gè)變量的均值， 表示第 i 個(gè)變量與其他變量的相關(guān)系數(shù)， 是第 i 個(gè)變量的方差膨脹因子，當(dāng)VIF小于5時(shí)可以認(rèn)為該變量與其他變量之間不存在明顯的共線性。

1.5.3機(jī)器學(xué)習(xí)算法選取RF、SVM和MLP3種方法進(jìn)行生物量建模。RF是集成算法的延伸，其核心是對(duì)樣本進(jìn)行隨機(jī)抽樣，通過(guò)構(gòu)造多個(gè)決策樹來(lái)提升算法的性能，對(duì)模型具有很好的解釋性。SVM通過(guò)劃分超幾何空間并結(jié)合核函數(shù)，將數(shù)據(jù)隱式地映射到一個(gè)更高維的空間，使其在新的空間中變得線性可分，進(jìn)而完成模型構(gòu)建。MLP是前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、1個(gè)或多個(gè)隱藏層和輸出層組成，數(shù)據(jù)傳入輸入層，通過(guò)激活函數(shù)完成在隱藏層的傳輸，最終由輸出層對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。機(jī)器學(xué)習(xí)可以使用各種具有更高精度的大輸入數(shù)據(jù)對(duì)復(fù)雜的空間模式進(jìn)行建模，這種方法越來(lái)越多地用于森林生物量的估測(cè)研究中[27-28]。

1.5.4模型評(píng)價(jià)本文將試驗(yàn)樣本數(shù)據(jù)集按7：3 隨機(jī)劃分成訓(xùn)練集和測(cè)試集。在訓(xùn)練集上，通過(guò)網(wǎng)格搜索與十折交叉驗(yàn)證的方式尋找模型的最優(yōu)參數(shù)。具體而言，將訓(xùn)練集進(jìn)一步分為10等份，每次選取其中1份作為驗(yàn)證集，剩余的9份作為訓(xùn)練集，循環(huán)10次，確保每一份數(shù)據(jù)都被用作驗(yàn)證集，并利用交叉驗(yàn)證確定的最優(yōu)參數(shù)，在整個(gè)訓(xùn)練集上重新訓(xùn)練模型。模型訓(xùn)練完成后，使用測(cè)試集對(duì)模型的性能進(jìn)行評(píng)估，以檢驗(yàn)?zāi)Ｐ偷姆夯芰ΑＦ渲校捎脹Q定系數(shù) 、均方根誤差（RMSE）和相對(duì)均方根誤差（rRMSE）進(jìn)行模型訓(xùn)練集及測(cè)試集的精度評(píng)價(jià)。 用于評(píng)估模型的整體擬合效果，RMSE和rRMSE用于衡量模型的預(yù)測(cè)準(zhǔn)確性，具體公式如下：

式中， n 為樣本中單木數(shù)量， 為單木生物量的估計(jì)值， 為模型預(yù)測(cè)值， 為樣本平均值。

2結(jié)果與分析

2.1基于機(jī)載激光雷達(dá)的多變量精度評(píng)價(jià)

2.1.1空間位置精度將非地面點(diǎn)按照TIN內(nèi)插法生成分辨率為 0 . 1 m 的柵格，即數(shù)字高程模型（Digitalelevationmodel，DEM）。在相同位置處對(duì)比DEM與單木RTK的海拔，以此驗(yàn)證激光雷達(dá)的位置精度。結(jié)果（圖3）顯示兩者海拔幾乎一致（ 0.9999），說(shuō)明UAV-LS所采集的數(shù)據(jù)位置偏差極小，點(diǎn)云數(shù)據(jù)中顯示的單木位置就是其本身在真實(shí)空間的位置，不需要再進(jìn)行空間位置校正。

2.1.2點(diǎn)云分割精度本文采用邊界角點(diǎn)所確定的范圍對(duì)整個(gè)大樣地進(jìn)行劃分，共分為9塊小樣地，當(dāng)靠近邊界的樹木提取不完整時(shí)，按照樹基部位置判斷所屬的樣地，并對(duì)缺失部分采取提取、合并的方式進(jìn)行補(bǔ)全，得到完整的樣地點(diǎn)云。由于闊葉林林下植被復(fù)雜且UAV-LS采用自上而下的方式獲取數(shù)據(jù)，因此所獲取的點(diǎn)云均為中上層枝干較為清晰的點(diǎn)云數(shù)據(jù)，較難獲取樣地內(nèi)中下層小樹點(diǎn)云。根據(jù)樣地內(nèi)樹種分布的復(fù)雜性，在進(jìn)行點(diǎn)云分割時(shí)，需針對(duì)不同樣地采用不同參數(shù)進(jìn)行設(shè)置，以期達(dá)到最優(yōu)分割。最后對(duì)各個(gè)樣地的分割結(jié)果進(jìn)行精度評(píng)價(jià)，具體結(jié)果如表2所示。

由表2可知，在所有樣地的分割中，4號(hào)和6號(hào)樣地調(diào)和平均值相對(duì)偏低，即 F 值為0.78。影響其分割精度的主要原因有2點(diǎn)：一是樣地中存在叢生的樹木點(diǎn)云，二是林分中間層的喬木點(diǎn)云不夠清晰。整體來(lái)看，共有185株樹木被準(zhǔn)確地識(shí)別并分割出來(lái)，占樣地內(nèi)點(diǎn)云樹木總量的 84 % 。在闊葉林樹種中，分割的綜合效果較好，對(duì)于一些分割效果較差的樹木，通過(guò)添加種子點(diǎn)的位置進(jìn)行再次分割，完成單株樹木的精準(zhǔn)提取。最終得到220株中大型的喬木點(diǎn)云數(shù)據(jù)，其胸徑范圍為 生活史階段均為中樹及以上樹木。

2.1.3樹高提取精度根據(jù)單木分割結(jié)果，提取歸一化后高度的最大值與最小值，其差值即是樹高。與野外實(shí)際測(cè)量值對(duì)比結(jié)果（圖4）表明，提取的單木樹高與測(cè)量結(jié)果非常接近 ，說(shuō)明激光雷達(dá)數(shù)據(jù)能很好地反演樹木的實(shí)際高度。

2.2TreeQSM構(gòu)建及參數(shù)提取

在進(jìn)行參數(shù)敏感性分析后，設(shè)置PatchDiaml、PatchDiam2Min、PatchDiam2Max參數(shù)值分別為[0.05，0.08]、[0.01，0.015，0.02]與[0.06，0.10]。敏感性分析后的參數(shù)能較好地構(gòu)建出大胸徑樹木，但針對(duì)胸徑較小的樹木需要在此基礎(chǔ)上稍作修改，其中PatchDiam1參數(shù)較為影響小胸徑樹木的模型效果。在剔除樹冠不完整以及主干缺失的點(diǎn)云數(shù)據(jù)后，共構(gòu)建176個(gè)TreeQSM模型。所有模型中，茅栗 （65株）數(shù)量最多，其次是短柄枸櫟 （43株）和化香（42株）。槲櫟QuercusalienaBlume和銳齒槲櫟也略高，分別為8和9株。其他樹種如燈臺(tái)樹Cornuscontroversa、金縷梅Hamamelismollis、鵝耳壢Carpinus turczaninowii、黃檀Dalbergiahupeana、山合歡Albiziakalkora以及尾葉櫻Cerasusdielsiana等數(shù)量較少，各自僅有1或2株。總體來(lái)看，樹種分布不均，其中茅栗、短柄枸櫟和化香占據(jù)了較大比例，為優(yōu)勢(shì)樹種。樹木具體建模效果以1株分支較多的點(diǎn)云數(shù)據(jù)（圖5）進(jìn)行展示，圖中所構(gòu)建的TreeQSM模型能較為清晰地模擬出樹木各級(jí)枝干的特征。

通過(guò)構(gòu)建三維模型從而量化樹木參數(shù)，并在其中選取7個(gè)樹木結(jié)構(gòu)參數(shù)進(jìn)行分析，分別統(tǒng)計(jì)各個(gè)參數(shù)的平均值、標(biāo)準(zhǔn)差、最小值、上四分位數(shù)、中位數(shù)、下四分位數(shù)以及最大值，結(jié)果見表3。并通過(guò)實(shí)測(cè)胸徑與冠幅檢驗(yàn)提取精度，其中提取的胸徑與實(shí)測(cè)胸徑 達(dá)到0.9300，冠幅擬合 達(dá)到0.4400（圖6），說(shuō)明構(gòu)建的三維模型能較為準(zhǔn)確地反映出樹木的三維結(jié)構(gòu)。這與相關(guān)研究結(jié)果[29-30]相符，當(dāng)胸徑大于 3 0 c m 時(shí)，TreeQSM能更準(zhǔn)確地實(shí)現(xiàn)重建[3]。本文參與構(gòu)建模型的點(diǎn)云樹木多為胸徑較大的喬木樹種，因提取的胸徑數(shù)據(jù)為計(jì)算生物量的強(qiáng)關(guān)聯(lián)因子，故不參與生物量的模型構(gòu)建。

2.3 生物量估算模型構(gòu)建

2.3.1變量篩選經(jīng)過(guò)共線性分析后，共保留5個(gè)特征因子用于模型構(gòu)建，分別是主干體積、分支數(shù)、冠層體積、冠層基部高度以及冠幅。其VIF均小于5，主干體積VIF為2.95，分支數(shù)3.82，冠層體積3.11，冠層基部高度1.30，冠幅4.62，說(shuō)明篩選后的變量之間沒(méi)有較為嚴(yán)重的共線性。進(jìn)一步對(duì)各變量之間進(jìn)行顯著性檢驗(yàn)，結(jié)果如表4所示。各變量之間均在 Plt;0 . 0 0 1 水平下顯著相關(guān)，除變量冠層基部高度與其他變量負(fù)相關(guān)外，其他變量之間均為正相關(guān)，其中主干體積與生物量相關(guān)系數(shù)最高，達(dá)到0.91。通過(guò)相關(guān)性分析結(jié)果可以看出，冠層結(jié)構(gòu)參數(shù)對(duì)于生物量研究具有重要意義，如冠層體積（0.72）、冠幅（0.77）等。在陸地生態(tài)系統(tǒng)中，植物冠層是介于大氣和土壤基質(zhì)間進(jìn)行有機(jī)物合成代謝的重要部位，對(duì)于研究樹木生物量起到直接或間接的作用。如單木生物量隨冠層基部高度的上升會(huì)出現(xiàn)一定程度的下降，這與冠層大小有著密切的關(guān)系，當(dāng)冠層基部位置低時(shí)，屬于樹木冠層的部分就會(huì)增多，從而使生物量增加。

2.3.2模型參數(shù)及建模結(jié)果利用網(wǎng)格搜索遍歷所有可能的參數(shù)組合，并在優(yōu)化過(guò)程中通過(guò)交叉驗(yàn)證來(lái)評(píng)估每個(gè)參數(shù)組合的性能，從而選擇最優(yōu)的參數(shù)集。RF中，max_depth代表決策樹的最大深度，限制樹的深度可以防止過(guò)擬合；min_samples_split是每個(gè)節(jié)點(diǎn)可以分裂的最小樣本數(shù)量，該參數(shù)影響樹的分枝過(guò)程，較大的值可以防止過(guò)擬合；n_estimators控制樹的數(shù)量，更多的樹通常能提高模型的穩(wěn)定性。MLP中，alpha代表正則化系數(shù)，用于防止模型過(guò)擬合，較大的alpha會(huì)使模型更平滑，但可能降低模型擬合能力；hidden_layer_sizes是隱藏層的大小和數(shù)量，影響模型的學(xué)習(xí)能力和復(fù)雜性；learning_rate控制學(xué)習(xí)率模型參數(shù)更新的速度，其中自適應(yīng)學(xué)習(xí)率可根據(jù)模型收斂情況自動(dòng)調(diào)整；max_iter為模型訓(xùn)練過(guò)程中充許的最大迭代步數(shù)。SVM中， c 代表懲罰系數(shù)，較大的 c 值會(huì)強(qiáng)制模型在訓(xùn)練集上更好地?cái)M合，但可能導(dǎo)致過(guò)擬合；gamma是核函數(shù)中的參數(shù)，決定樣本的影響范圍，較大的gamma會(huì)使模型更傾向于對(duì)訓(xùn)練數(shù)據(jù)的過(guò)擬合；Kernel是核函數(shù)類型 （如線性核等）。

在經(jīng)過(guò)參數(shù)篩選后，RF 的最優(yōu)參數(shù)為max_depth ，min_samples_split 1 = 5 ，n_estimators = 1 0 0 MLP的最優(yōu)參數(shù)是alpha ，hidden_layer_sizes （50， 50）， learning_rate adaptive'，max_iter = 1 0 0 0 ：SVM的最優(yōu)參數(shù)是 C = 1 ， ，kernel ‘linear'。根據(jù)最優(yōu)參數(shù)進(jìn)行生物量估測(cè)的結(jié)果（圖7）表明，RF的測(cè)試集 達(dá)到0.8800，單木生物量的RMSE為 1 9 2 . 8 1 k g ，rRMSE為 2 9 . 8 8 % ; MLP的測(cè)試集 達(dá)到0.8200，單木生物量的RMSE為2 3 6 . 4 8 k g ，rRMSE為 3 6 . 6 5 % ；SVM的測(cè)試集 達(dá)到0.8100，單木生物量的RMSE為 2 4 3 . 6 7 k g ，rRMSE為 3 7 . 7 7 % 。3種機(jī)器學(xué)習(xí)模型中，RF的效果最佳，MLP與SVM結(jié)果較為接近，精度稍低于RF，但也都表現(xiàn)出較高的準(zhǔn)確性，證實(shí)了樹木定量結(jié)構(gòu)模型所提取的參數(shù)能夠較好地構(gòu)建出單木生物量模型，為森林資源清查提供了新方法，對(duì)后續(xù)研究具有重要意義。

3討論

本研究使用的RF算法可以訓(xùn)練出最優(yōu)的單木生物量估測(cè)模型，在生物量估測(cè)模型的研究中，可以分為參數(shù)和非參數(shù)模型兩大類[10.32]，參數(shù)模型分為多元線性模型和非線性模型，非參數(shù)模型則包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、深度學(xué)習(xí)等機(jī)器學(xué)習(xí)方法。針對(duì)不同研究區(qū)域和研究對(duì)象，兩類模型估測(cè)精度各有所長(zhǎng)[33]。本文采用機(jī)器學(xué)習(xí)方法進(jìn)行模型構(gòu)建，旨在提高目標(biāo)變量的預(yù)測(cè)精度，而參數(shù)模型可以通過(guò)參數(shù)組合評(píng)估和解釋變量對(duì)目標(biāo)變量的影響程度。后續(xù)研究如需揭示目標(biāo)變量與解釋變量之間的特定關(guān)系，可以選擇多元線性和非線性模型探究各參數(shù)對(duì)單木生物量的響應(yīng)關(guān)系。如AbdRahman等[34]根據(jù)樹高、胸徑、樹冠大小和樹冠基部高度生成新的異速生長(zhǎng)方程進(jìn)行生物量計(jì)算。也可以將生物量模型細(xì)化，分為主干生物量與枝干生物量，這可能需要加入更多的樹木參數(shù)進(jìn)行模型完善，如唐依人等[35]利用枝條因子進(jìn)行分支生物量模型構(gòu)建。同樣，可以根據(jù)主干體積與單木生物量之間的強(qiáng)相關(guān)性，探索基于體積與木材密度的生物量計(jì)算方式是否優(yōu)于異速生長(zhǎng)模型[3，值得注意的是，不同樹種的木材密度存在差異，因此需要先區(qū)分樹種的木材密度，才能得到更準(zhǔn)確的結(jié)果。

點(diǎn)云密度也會(huì)對(duì)TreeQSM模型效果產(chǎn)生影響，并在一定程度上影響樹木分割精度。雖然本研究獲取的數(shù)據(jù)為高密度的點(diǎn)云數(shù)據(jù)，但是也存在點(diǎn)云冠層以及枝干缺失的情況，UAV-LS采用自上而下的方式獲取點(diǎn)云數(shù)據(jù)，當(dāng)上層樹木出現(xiàn)遮擋時(shí)，就無(wú)法完整獲取中下層的樹木點(diǎn)云[37]。本研究的闊葉林為天馬國(guó)家級(jí)自然保護(hù)區(qū)內(nèi)的天然闊葉混交林，群落發(fā)育比較成熟，具有地帶性穩(wěn)定群落特征。因其冠層、林下環(huán)境較為復(fù)雜，所獲取的樹木點(diǎn)云主要為主林層大胸徑喬木樹種數(shù)據(jù)，胸徑均在1 5 . 0 c m 以上，而對(duì)于林下的小喬木則較難獲取。但隨著地基激光雷達(dá)（TLS）和移動(dòng)激光掃描儀（Mobilelaserscanning，MLS）等便攜設(shè)備的深入應(yīng)用，也為多源點(diǎn)云數(shù)據(jù)融合獲取高精度三維數(shù)據(jù)提供了新的技術(shù)手段。通過(guò)與地面點(diǎn)云數(shù)據(jù)相結(jié)合，可以很好地彌補(bǔ)無(wú)人機(jī)點(diǎn)云數(shù)據(jù)在林下缺失的情況，無(wú)人機(jī)點(diǎn)云數(shù)據(jù)也能補(bǔ)充地面點(diǎn)云數(shù)據(jù)缺失的上層樹冠部分，多源點(diǎn)云的融合可以促進(jìn)對(duì)樹木參數(shù)更可靠的估計(jì)，從而有助于對(duì)復(fù)雜森林場(chǎng)景進(jìn)行互補(bǔ)解釋[38]，起到擴(kuò)大應(yīng)用范圍與提高應(yīng)用精度的效果。Qi等[39]研究發(fā)現(xiàn)，在冠層覆蓋率增加的情況下，無(wú)人機(jī)激光點(diǎn)云與MLS相融合的數(shù)據(jù)在樹木定量結(jié)構(gòu)模型中表現(xiàn)最好。除多源點(diǎn)云數(shù)據(jù)的融合外，探究無(wú)人機(jī)點(diǎn)云最佳的建模密度也是一種新思路。本文研究情境下表現(xiàn)為仿地飛行高度 6 0 m ，后續(xù)的研究可以嘗試更低的飛行高度以獲取更豐富的樹木結(jié)構(gòu)，進(jìn)而深入探究哪種高度下無(wú)人機(jī)點(diǎn)云數(shù)據(jù)的三維建模效果最好。

樹木定量結(jié)構(gòu)模型不僅用來(lái)估測(cè)森林蓄積量、生物量等參數(shù)，在樹種識(shí)別方面也取得了不錯(cuò)的結(jié)果[40-41]。Hui等[42]利用幾何分形特征和QSM特征進(jìn)行樹種分類，探索特征向量的分類效果，獲得了較好的分類結(jié)果。QSM可以定量化樹木結(jié)構(gòu)，統(tǒng)計(jì)樹木幾何和拓?fù)鋵傩裕绫狙芯恐械闹饔隗w積等參數(shù)。樹木結(jié)構(gòu)可以作為樹種分類的重要依據(jù)，本文主要基于樹木參數(shù)進(jìn)行回歸訓(xùn)練，未涉及分類任務(wù)。針對(duì)植被結(jié)構(gòu)復(fù)雜的落葉闊葉林，如何精準(zhǔn)識(shí)別樹種顯得尤為重要。特別在樹木落葉期，無(wú)法根據(jù)樹葉等信息判斷種屬，如果能通過(guò)樹冠、分支等樹木結(jié)構(gòu)信息直接進(jìn)行樹種識(shí)別，將大大降低野外工作中樹種識(shí)別的難度。

4結(jié)論

本文基于UAV-LS和QSM開展天馬自然保護(hù)區(qū)闊葉樹種單木生物量研究。其中，空間位置精度 達(dá)到0.9999，樹高提取精度 為0.8700，表明激光雷達(dá)數(shù)據(jù)精度很高，并在點(diǎn)云總體分割精度較高的情況下，進(jìn)行單木點(diǎn)云的精確提取。在此基礎(chǔ)上，構(gòu)建單木的三維結(jié)構(gòu)模型，結(jié)果顯示，胸徑、冠幅擬合精度 分別為0.9300和0.4400，并進(jìn)一步選擇3種機(jī)器學(xué)習(xí)算法對(duì)樹木參數(shù)進(jìn)行生物量估測(cè)模型構(gòu)建。3種模型中，RF算法結(jié)果最優(yōu)（ 0.880 0， r R M S E=2 9 . 8 8 % ） ，證明QSM所提取的樹木參數(shù)可以構(gòu)建出精度較高的落葉期闊葉樹種生物量估測(cè)模型，為以后相關(guān)研究提供啟發(fā)。本文使用的方法在一定程度上大大減輕了野外工作量和難度，點(diǎn)云數(shù)據(jù)的獲取比地基激光雷達(dá)更方便，在森林資源調(diào)查中具有巨大的應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]BROWN S， SCHROEDER P， KERN J. Spatial distribution of biomass in forests of the eastern USA[J]. Forest Ecology and Management， 1999，123（1）： 81-90.

[2]劉立斌，周運(yùn)超，程安云，等.利用皆伐法估算黔中喀斯 特森林地上生物量[J].生態(tài)學(xué)報(bào)，2020，40（13）：4455- 4461.

[3]孟凡棟，王常順，朱小雪，等.西藏高原金露梅灌叢草甸 物種豐富度和生物量取樣方法探討[J].生態(tài)學(xué)雜志， 2016，35（12）： 3435-3442.

[4]萬(wàn)五星，王效科，李東義，等.暖溫帶森林生態(tài)系統(tǒng)林下 灌木生物量相對(duì)生長(zhǎng)模型[J].生態(tài)學(xué)報(bào)，2014，34（23）： 6985-6992.

[5] WHITEJC，COOPSNC，WULDERMA，etal.Remote sensing technologies for enhancing forest inventories： A review[J]. Canadian Journal of Remote Sensing， 2016，42（5）： 619-641.

[6]WULDER MA， WHITE JC，NELSONRF， et al.Lidar sampling for large-area forest characterization：A review[J].Remote Sensing of Environment， 2012，121： 196-209.

[7]LU J，WANG H， QIN S，et al. Estimation of aboveground biomass of Robinia pseudoacacia forest in the Yellow River Delta based on UAV and backpack LiDAR point clouds[J]. International Journal of Applied Earth Observation and Geoinformation，2020，86： 102014.

[8] 羅謹(jǐn)璇，田義超，張強(qiáng)，等.利用無(wú)人機(jī)激光雷達(dá)估算紅 樹林地上生物量[J].海洋學(xué)報(bào)，2023，45（8）：108-119.

[9] GARCIAM，RIANOD，CHUVIEO E， etal.Estimatingbiomasscarbon stocks fora Mediterranean forest in central spain using LiDAR height and intensity data[J]. Remote Sensing of Environment， 2010， 114（4）： 816-830.

[10] CORTE A P D， SOUZA D V， REX F E， et al. Forest inventory with high-density UAV-LiDAR： Machine learning approaches for predicting individual tree attributes[J]. Computers and Electronics in Agriculture，2020，179： 105815.

[11] KNAPP N， FISCHER R， CAZCARRA-BES V， et al. Structure metrics to generalize biomass estimation from LiDAR across forest types from different continents[J]. Remote Sensing of Environment， 2020， 237： 111597.

[12] 劉浩然，范偉偉，徐永勝，等.基于無(wú)人機(jī)激光雷達(dá)點(diǎn)云 的單木生物量估測(cè)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2021， 41（8）： 92-99.

[13] HALL S A， BURKE I C， BOX D O， et al. Estimating stand structure using discrete-return LiDAR： Anexample from low density， fire prone ponderosa pine forests[J]. Forest Ecology and Management，2005， 208（1/2/3）： 189-209.

[14] HOSOI F， NAKAI Y， OMASA K. 3-D voxel-based solid modeling of a broad-leaved tree for accurate volume estimation using portable scanning LiDAR[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2013， 82： 41-48.

[15] DEMOL M， CALDERS K， VERBEECK H， et al. Forest above-ground volume assessments with terrestrial laser scanning： A ground-truth validation experiment in temperate，managed forests[J].Annalsof Botany，2021， 128（6）： 805-819.

[16] HAUGLIN M， ASTRUP R， GOBAKKEN T， et al. Estimating single-tree branch biomass of Norway spruce with terrestrial laser scanning using voxel-based and crown dimension features[J]. Scandinavian Journal of Forest Research，2013，28（5）： 456-469.

[17] BREDE B，TERRYN L，BARBIER N， et al. Non-destructive estimation of individual tree biomass： Allometric models， terrestrial and UAV laser scanning[J]. Remote Sensing of Environment， 2022， 280： 113180.

[18] DALLA CORTE A P， DE VASCONCELLOS B N， REX F E， et al. Applying high-resolution UAV-LiDAR and quantitative structure modelling for estimating tree attributes in a crop-livestock-forest system[J]. Land，2022， 11（4）： 507.

[19] YE N， VAN LEEUWEN L， NYKTAS P. Analysing the potential of UAV point cloud as input in quantitative structure modelling for assessment of woody biomass of single trees[J]. International Journal of Applied Earth Observation and Geoinformation， 2019， 81： 47-57.

[20] 趙麗娟，項(xiàng)文化.常綠闊葉林石櫟和青岡種群生活史特 征與空間分布格局[J].西北植物學(xué)報(bào)，2014，34（6）： 1259-1268.

[21] ZHANG W， QI J， WAN P， et al. An easy-to-use airborne LiDARdatafilteringmethodbasedoncloth simulation[J]. Remote Sensing， 2016， 8（6）： 501.

[22] TAO S， WU F，GUO Q， et al. Segmenting tree crowns from terrestrial and mobile LiDAR data by exploring ecological theories[J]. ISPRS Journal ofPhotogrammetry and Remote Sensing， 2015， 110： 66-76.

[23] DELAGRANGE S， JAUVIN C， ROCHON P. PypeTree： A tool for reconstructing tree perennial tissues from point clouds[J]. Sensors，2014， 14（3）： 4271-4289.

[24] RAUMONEN P， KAASALAINEN M， AKERBLOM M， et al. Fast automatic precision tree models from terrestrial laser scanner data[J]. Remote Sensing， 2013，5（2）： 491- 520.

[25] HACKENBERG J， SPIECKER H， CALDERS K， et al. SimpleTree： An efficient open source tool to build tree models from TLS clouds[J]. Forests，2015， 6（11）： 4245- 4294.

[26] 國(guó)家市場(chǎng)監(jiān)督管理總局，國(guó)家標(biāo)準(zhǔn)化管理委員會(huì).主要 樹種立木生物量模型與碳計(jì)量參數(shù)：GB/T43648— 2024[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2024.

[27] MAXWELL A E， WARNER T A， FANG F. Implementation of machine-learning classification in remote sensing： An applied review[J]. International Journal of Remote Sensing， 2018.

[28] ZHANG Y， MA J，LIANG S， et al. An evaluation of eight machine learning regression algorithms for forest aboveground biomass estimation from multiple satelite data products[J]. Remote Sensing，2020， 12（24）： 4015.

[29]FEKRY R， YAO W， CAO L， et al. Ground-based/UAVLiDAR data fusion for quantitative structure modeling and tree parameter retrieval in subtropical planted forest[J]. Forest Ecosystems，2022， 9：100065.

[30] KRUCEK M， KRAL K， CUSHMAN K C， et al. Supervised segmentation of ultra-high-density drone lidar for large-area mapping of individual trees[J]. Remote Sensing，2020，12（19）： 3260.

[31] SCHNEIDER F D， KUKENBRINK D， SCHAEPMAN M E， et al. Quantifying 3D structure and occlusion in dense tropical and temperate forests using close-range LiDAR[J]. Agricultural and Forest Meteorology， 2019， 268： 249-257.

[32] COOPS N C， TOMPALSKI P， GOODBODY T R H， et al.ModellingLiDAR-derived estimates of forest attributes over space and time： A review of approaches and future trends[J]. Remote Sensing of Environment， 2021， 260： 112477.

[33] 陳中超，劉清旺，李春干，等.基于無(wú)人機(jī)激光雷達(dá)的人 工林碳儲(chǔ)量線性與非線性估測(cè)模型比較[J].北京林業(yè) 大學(xué)學(xué)報(bào)，2021，43（12）： 9-16.

[34] ABD RAHMAN M Z， ABU BAKAR M A， RAZAK K A，et al. Non-destructive，laser-based individual tree abovegroundbiomassestimationinatropical rainforest[J]. Forests，2017， 8（3）： 86.

[35]唐依人，賈煒瑋，王帆，等.基于TLS輔助的長(zhǎng)白落葉 松一級(jí)枝條生物量模型構(gòu)建[J].南京林業(yè)大學(xué)學(xué)報(bào)（自 然科學(xué)版），2023，47（2）： 130-140.

[36] CHEN S，F(xiàn)ENG Z， CHEN P， et al. Nondestructive estimation of the above-ground biomass of multiple tree species in boreal forests of china using terrestrial laser scanning[J].Forests，2019，10（11）： 936.

[37]劉魯霞，龐勇，李增元.基于地基激光雷達(dá)的亞熱帶森 林單木胸徑與樹高提取[J].林業(yè)科學(xué)，2016，52（2）：26- 37.

[38] CALDERS K， ADAMS J， ARMSTON J， et al. Terrestrial laser scanning in forest ecology： Expanding the horiZon[J]. Remote Sensing of Environment，2020，251： 112102.

[39] QI Y， COOPS N， DANIELS L， et al. Comparing tree attributes derived from quantitative structure models based on drone and mobile laser scanning point clouds across varying canopy cover conditions[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2022， 192： 49-65.

[40] AKERBLOM M， RAUMONEN P， MAKIPAA R， et al. Automatic tree species recognition with quantitative structure models[J]. Remote Sensing of Environment， 2017， 191： 1-12.

[41] TERRYN L， CALDERS K， DISNEY M， et al. Tree speciesclassificationusing structural featuresderived from terrestrial laser scanning[J]. ISPRS Journal ofPhotogrammetry and Remote Sensing，2020，168：170-181.

[42] HUI Z， CAI Z， XU P， et al. Tree species classification using optimized features derived from light detection and ranging point clouds based on fractal geometry and quantitative structure model[J]. Forests， 2023，14（6）： 1265.