基于无人机LiDAR的复杂林分阔叶林单木生物量估测

蔡雨知; 李富平; 满卫东; 刘明月; 张永彬; 李小光; 迟晓杰; 宋利杰; 王健

doi:10.12404/j.issn.1671-1815.2506080

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :9054-9063 DOI: 10.12404/j.issn.1671-1815.2506080

农业科学

基于无人机LiDAR的复杂林分阔叶林单木生物量估测

蔡雨知 ¹ ,
李富平 ¹^,² ,
满卫东 ¹^,²^,³ ,
刘明月 ¹^,²^,³^,^* ,
张永彬 ¹ ,
李小光 ¹ ,
迟晓杰 ¹ ,
宋利杰 ¹ ,
王健 ¹

作者信息 +

Individual Tree Biomass Estimation in Broadleaf Forests of Complex Stands Based on UAV LiDAR

CAI Yu-zhi ¹ ,
LI Fu-ping ¹^,² ,
MAN Wei-dong ¹^,²^,³ ,
LIU Ming-yue ¹^,²^,³^,^* ,
ZHANG Yong-bin ¹ ,
LI Xiao-guang ¹ ,
CHI Xiao-jie ¹ ,
SONG Li-jie ¹ ,
WANG Jian ¹

Author information +

文章历史 +

摘要

为提高复杂林分阔叶林单木生物量估测精度和效率,基于无人机激光雷达(light detection and ranging,LiDAR)点云估测杨树和榆树的单木生物量。通过单木分割提取单木树高、冠幅作为基础自变量,另引入树冠参数树冠投影面积、树冠体积协助设计不同变量组合。采用恒定异速生长比(constant allometric ratio,CAR)模型和随机森林(random forest,RF)、极端梯度提升树(extreme gradient boosting,XGBoost)和分类特征梯度提升树(categorical features gradient boosting,CatBoost)构建单木生物量估测模型,对比分析不同变量组合和模型估测单木生物量的精度。结果表明,提取杨树和榆树的单木参数与实测值进行拟合,R²分别为0.84和0.89,分割树高与实测树高具有较高的一致性,可以采取提取值构建估测模型;引入树冠参数可以有效提高生物量估测模型的精度,引入树冠参数后,杨树和榆树的估测R²分别比引入前提升了0.02、0.10、0.06、0.04和0.03、0.10、0.05、0.07;与CAR模型相比,机器学习模型估测单木生物量的效果更佳,杨树和榆树的RF模型拟合效果最好,拟合的R²分别为0.53和0.63。可见无人机LiDAR数据能够通过单木分割提取单木参数估测单木生物量,引入树冠参数的机器学习模型估测单木生物量能取得较好的模型拟合优度和较高的估测精度。

Abstract

In order to improve the accuracy and efficiency of individual tree biomass estimation in broadleaf forests in complex stands, the biomass of Populus L. and Ulmus pumila L. trees was estimated by UAV LiDAR point clouds. The height and crown width of individual trees were extracted as the basic independent variables through individual tree segmentation, assisted by tree canopy parameters such as crown parameters such as crown area and crown volume to design different variable combinations. Biomass estimation models were constructed using the constant allometric ratio(CAR) model and random forest(RF), extreme gradient boosting(XGBoost), and categorical features gradient boosting(CatBoost), and the accuracy of different variable combinations and models in estimating individual tree biomass was compared and analyzed. The results show that the individual tree parameters of Populus L. and Ulmus pumila L. are fitted with the measured values, with R² values of 0.84 and 0.89 respectively. The extracted values have a good consistency with the measured values, and the estimation model can be constructed by using the extracted values. The results indicate that adding tree canopy parameters can effectively improve the accuracy of biomass estimation models. After the addition of tree canopy parameters, the predicting R² of Populus L. and Ulmus pumila L. increases by 0.02, 0.10, 0.06, 0.04 and 0.03, 0.10, 0.05, 0.07 respectively compared with before the addition. Compared with the CAR model, the machine learning models have better performance in estimating individual tree biomass. The RF models of Populus L. and Ulmus pumila L. have the best performances, with the fitting R² being 0.53 and 0.63 respectively. It is concluded that the UAV LiDAR data can estimate the biomass of individual tree through the extracted parameters of individual tree segmentation. The machine learning model adding tree canopy parameters can achieve better fit and higher prediction accuracy in estimating the biomass of individual trees.

Graphical abstract

关键词

无人机LiDAR / 单木生物量 / 单木结构参数 / 非线性模型 / 机器学习

Key words

UAV LiDAR / individual tree biomass / individual tree structure parameters / non-linear model / machine learning

引用本文

引用格式 ▾

蔡雨知, 李富平, 满卫东, 刘明月, 张永彬, 李小光, 迟晓杰, 宋利杰, 王健. 基于无人机LiDAR的复杂林分阔叶林单木生物量估测[J]. 科学技术与工程, 2026, 26(21): 9054-9063 DOI:10.12404/j.issn.1671-1815.2506080

CAI Yu-zhi, LI Fu-ping, MAN Wei-dong, LIU Ming-yue, ZHANG Yong-bin, LI Xiao-guang, CHI Xiao-jie, SONG Li-jie, WANG Jian. Individual Tree Biomass Estimation in Broadleaf Forests of Complex Stands Based on UAV LiDAR[J]. Science Technology and Engineering, 2026, 26(21): 9054-9063 DOI:10.12404/j.issn.1671-1815.2506080

登录浏览全文

4963

注册一个新账户忘记密码

生物量是研究碳汇的基础,对森林地上生物量的估测是衡量森林固碳能力的标杆,也是评估森林生态功能的重要参数,对于分析森林碳动态和生态系统碳循环具有重要作用^[1]。单木作为林木场景中的基础单元,获取林木结构参数、估测单木生物量是了解林木现状的重要方式,为优化复杂林分阔叶林林木资源管理策略提供保障^[2]。传统生物量调查是通过直接测量,如皆伐法或标准木法,可以准确获取单木生物量,但对树木的破坏性较大,投入成本高,调查耗时长,难以实现对森林生物量的大规模调查和估测^[3]。目前实地调查单木生物量的方法通常是通过测定样地树木的单木结构参数,引入异速生长方程计算实测生物量,但在植被结构组成复杂、林分密度差异较大的复杂林分阔叶林环境中,生物量估测的效率和准确性容易受到树种差异、参数测定误差以及林木生长过程中存在的差异性等因素的影响^[4]。

近年来,激光雷达(light detection and ranging,LiDAR)遥感技术的出现补足了传统生物量调查和地面实地调查方面的一些短板,并为精准、高效估测单木生物量提供了可能^[5]。无人机(unmanned aerial vehicle,UAV)作为一种灵活性高、获取精度高和成本低的飞行平台,对低空探测林木结构信息占据优势。无人机激光雷达(UAV LiDAR)技术以无人机搭载激光传感器为手段,可以准确、高效地获取大规模森林空间结构信息和单木三维坐标信息,对单木结构参数进行提取和估测^[6],并能与地面实地调查以及数学模型技术相结合,快速估测大面积的林木生物量等信息^[7],实现对林木的科学管理,不受天气因素的影响,为精准获取和估测单木生物量提供重要支持^[8]。基于LiDAR数据获取单木结构参数和模型估测单木生物量,中外学者开展了大量相关研究。Benjamin等^[9]通过融合地面和无人机激光扫描数据,构建全局和局部模型,实现公顷尺度生物量的低偏差估测,单木尺度生物量仍受复杂林冠分割及单木参数提取质量约束。武晓康等^[10]将无人机LiDAR提取的树高、冠幅及树冠参数引入多元线性模型和恒定异速生长比(constant allometric ratio,CAR)模型估测单木生物量,结果表明引入树冠参数采用CAR模型进行生物量估测可以提高拟合精度。包栎炀等^[11]提取单木树高、冠幅、树冠投影面积和树冠体积4个单木结构参数作为估测变量,构建多元非线性回归和随机森林回归拟合橡胶树单木地上生物量,表明随机森林预测精度最佳。王良松等^[12]基于机载LiDAR提取树高、冠幅,并引入冠形率和树冠率的树冠形态特征因子,选取合适的机器学习模型构建单木生物量模型进行比较,结果表明引入合适的变量组合和机器能够提高生物量模型拟合效果和预测精度。Estornell等^[13]基于无人机LiDAR数据提取废弃柑橘树树冠参数,通过逐步回归分析筛选最优估测因子构建线性模型,结果表明树冠参数作为模型变量时比树高更能显著估测单木生物量。

为分析变量和模型对复杂林分阔叶林单木生物量估测模型精度的影响,以河北省迁安市铁尾矿库恢复林的优势树种杨树和榆树为研究对象,基于地面实测数据和无人机LiDAR点云数据,引入非线性模型以及机器学习模型构建单木生物量估测模型,分析不同模型的精度,探究以单木分割提取的单木树高、冠幅以及树冠参数树冠投影面积、树冠体积作为变量,选择不同变量组合形式和不同模型构建方法对估测单木生物量的影响,以期对复杂林分阔叶林单木生物量估测提供理论依据和技术参考。

1 数据与方法

1.1 研究区概况

大石河孟家冲铁尾矿库恢复林区位于河北省迁安市,地理坐标为118°31'05″E~118°32'19″E,39°59'05″N~40°00'15″N,总面积达218 hm²。恢复林区处于燕山隆起带余脉南侧,属暖温带半湿润大陆性季风气候,年均气温约为10.1 ℃,年降水量约为662.0 mm,主要集中于6—8月。经过多年的生态修复努力,研究区的植被覆盖面积已扩展至155.4 hm²,植被覆盖率达到了71%^[14]。研究区内的植被群落类型多样,涵盖了不同演替阶段的灌木丛、混交灌木林和次生林。现有的主要树种有毛白杨(Populus tomentosa)、榆树(Ulmus pumila L.)、刺槐(Robinia pseudoacacia)等。生态修复的成效显著。将研究区划分为8块样地并编号,研究区位置、样地分布如图1所示。

1.2 研究数据

2024年4月15—16日,利用大疆M300 RTK多旋翼无人机搭载AlphaAir 450传感器采集了雷达数据,8块样地的样地信息如表1所示。其中,雷达数据采集共规划8块飞行区域,无人机飞行高度为60 m,飞行速度为6 m/s,水平视场角为360°,垂直视场角大于20°,获得平均样地点云密度为1 861 pts/m²。最终数据按照标准.las存储格式保存。

2024年5月27日—6月6日,基于尾矿库恢复植物调查结果与不同复垦年限空间分布范围,按照均匀分布与兼顾各种植被恢复类型与不同复垦年限的原则,选取具有代表性的典型样点,开展优势植被关键生态参数的野外测量与样本采集。选取各优势植被均质样区,在各样区典型地段,用差分GPS-Promark2和RTK分别确定样方中心点与采样点的经纬度坐标,并用标签固定参数测量位置,保证不同参数均在同一位置测量,利用激光测高仪测量乔木树高;用米尺测量乔木胸径。共获取236棵单木的实测数据,其中杨树149棵,榆树80棵,包括单木编号、位置、树高、胸径等,依据地区树种特定的异速生长方程进行计算获得乔木地上生物量数据^[15]。杨树和榆树的异速生长方程如表2所示。

1.3 研究方法

对无人机LiDAR点云数据进行预处理,包括对原始点云进行重采样、去噪、滤波,采用改进的渐进加密三角网滤波算法(improved progressive TIN densification,IPTD)将点云数据分为地面点与非地面点两类^[16],根据地面点对点云进行地面高度归一化处理,以此消除地形起伏对点云数据高程值的影响,避免影响单木结构参数的提取精度。将预处理完成的LiData格式文件的点云转为las格式。

利用层次密度聚类算法(hierarchical density- based spatial clustering of applications with noise,HDBSCAN)直接对点云进行单木分割^[17],取树冠顶点高度到地面的距离,即树高。通过二维凸包的顶点坐标计算各方向极值差提取东西和南北方向冠幅平均值,即冠幅(crown width,CW)^[18]。

二维凸包算法是计算单木树冠投影面积的主要算法,将树冠点云投影到水平面,通过连接树冠投影面最外层形成水平投影二维点集,构建包含所有投影点的最小凸包,其面积即为树冠面积(canopy area,CA)^[19]。渐进凸包算法通过对树冠点云按高度分割多层积分求和得到树冠体积,将树冠沿垂直方向分层,每层计算凸包面积并乘以层高,累加得到总体积,即树冠体积(canopy volume,CV)^[20]。

1.4 生物量模型构建

以单木分割提取得到的单木树高H、冠幅CW、树冠投影面积CA、树冠体积CV为自变量,通过当地树种的异速生长方程计算得到的实测生物量为因变量,构建单木生物量估测模型。非线性模型中,相对生长模型能够描述单木各部位的非线性比例关系,其中应用最广的类型为CAR模型和可变异速生长比(variable allometric ratio,VAR)模型^[21]。根据文献[22]中对这两种模型的比较结果,与VAR模型相比,CAR模型估测生物量更加准确,因此采用CAR模型进行拟合构建。对于机器学习模型,采用随机森林(random forest,RF)、极端梯度提升树(extreme gradient boosting,XGBoost)和分类特征梯度提升树(categorical features gradient boosting,CatBoost)估算单木生物量。对实测单木生物量与提取的单木参数进行相关性分析,设计多组变量组合方式如表3所示。

1.5 单木分割精度评价和验证

为保证计算单木生物量的单木参数准确性,将单木分割结果与实测单木进行匹配。采用分割准确率(accuracy rate,AR)、过分割误差(commission error,CE)以及欠分割误差(omission error,OE)作为评价依据^[23],计算公式分别为

(1)AR=$\frac{\mathrm{T}\mathrm{P}}{Z}$×100%

(2)CE=$\frac{\mathrm{F}\mathrm{P}}{Z}$×100%

(3)OE=$\frac{\mathrm{F}\mathrm{N}}{Z}$×100%

式中:TP为正确匹配单木数;FP为过分割单木数;FN为欠分割单木数;Z为单木总数。

1.6 模型精度评价和验证

取生物量实测值的80%作为训练样本、20%作为验证样本,以决定系数R²、均方根误差(root mean square error,RMSE)、相对均方根误差(relative root mean square error,rRMSE)和总相对误差(total relative error,TRE)评价模型的拟合精度和估测能力。计算公式为

(4)R²=1-$\frac{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\hat{y}}_{i}{)}^{2}}{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\stackrel{-}{y}}_{i}{)}^{2}}$

(5)RMSE=$\sqrt{\frac{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\hat{y}}_{i}{)}^{2}}{n}}$

(6)rRMSE=$\frac{\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}{\stackrel{-}{\hat{y}}}$×100%

(7)TRE=$\left|\frac{\stackrel{n}{\sum _{i=1}}{y}_{i}-\stackrel{n}{\sum _{i=1}}{\hat{y}}_{i}}{\stackrel{n}{\sum _{i=1}}{\hat{y}}_{i}}\right|$×100%

式中:n为样本数;y_i为实测值;

${\stackrel{-}{y}}_{i}$

为实测平均值;

${\hat{y}}_{i}$

为估测值;

$\overline{\hat{y}}$

为估测值算术平均值。

2 结果与分析

2.1 单木分割结果

利用基于点云的聚类算法,将单木分割结果与实测单木进行基于文献[24]的树高差准则的对比匹配。各样地的单木分割精度如表4所示。

结果表明,8个样地各自分割准确率AR均高于90%,过分割误差CE和欠分割误差OE均不超过7%。样地整体分割精度较好,分割准确率高于95%,过分割误差和欠分割误差均低于4%。

2.2 单木参数提取结果

分割匹配得到杨树142株,榆树76株,分割提取的杨树单木树高为5.49~21.50 m,平均树高为13.93 m;榆树单木树高为5.10~16.32 m,平均树高为9.53 m。杨树分割提取的单木冠幅为2.25~11.69 m,平均冠幅为5.99 m;榆树分割提取的单木冠幅为2.09~10.96 m,平均冠幅为4.75 m。分割提取的树冠面积、树冠体积统计结果如表5所示。

分别将杨树和榆树的分割提取树高和实测树高进行拟合,其结果如图2所示,R²分别为0.84和0.89,RMSE为1.04 m和0.91 m。2种树种的单木树高提取结果均与实测结果接近,表明分割提取的单木树高具有较高的可靠性。

2.3 单木生物量模型拟合分析

采用CAR模型和机器学习模型进行单木生物量的估测,以R²、RMSE、rRMSE、TRE来评价模型精度,CAR模型和机器学习模型精度最高的变量组合的拟合结果如表6所示。

由表6可知,对于引入树冠参数前的变量组合1,杨树的CAR、RF、XGBoost、CatBoost模型R²分别为0.42、0.43、0.45、0.46;榆树的R²分别为0.43、0.55、0.46、0.47。在引入树冠参数后的变量组合中,杨树最优变量组合构建的CAR、RF、XGBoost、CatBoost模型R²分别为0.44、0.53、0.51、0.50,分别提升了0.02、0.10、0.06、0.04;榆树最优变量组合构建的CAR、RF、XGBoost、CatBoost模型R²分别为0.47、0.63、0.56、0.57,分别提升了0.04、0.08、0.10、0.10。结果表明,引入树冠参数后,杨树和榆树的单木生物量模型拟合精度均有提高,rRMSE逐渐减少,TRE逐渐趋近于0。

总体而言,引入树冠参数可提升所有模型的拟合效果,引入树冠投影面积、树冠体积的变量组合4提升模型的拟合精度最高。相较于CAR模型,机器学习模型的拟合效果更好。对比4个模型不同变量组合的精度评价指标可以看出,杨树和榆树的RF模型拟合精度最高。

2.4 单木生物量估测效果与比较

为比较不同生物量估测模型的精度差异,采用样本的20%数据作为验证集,选择不带树冠参数的变量组合1和引入树冠参数的最优变量组合对应的CAR模型和机器学习模型估测的生物量,与杨树和榆树的实测生物量进行线性拟合并建立散点图,结果如图3~图6所示。

对比杨树和榆树单木生物量估测结果表明,引入树冠参数前,CAR模型线性回归拟合的生物量估测值和实测值的R²分别为0.42、0.48,RMSE分别为94.28 kg和53.17 kg。引入后R²分别为0.44、0.56,提高了0.02、0.08,RMSE分别为85.39 kg和49.48 kg,减少了8.89 kg和3.69 kg。RF模型引入树冠参数前生物量估测值和实测值的R²分别为0.48、0.68,RMSE分别为61.76 kg和33.40 kg,引入后R²分别为0.59、0.76,提高了0.11、0.08,RMSE分别为54.97 kg和32.06 kg,减少了6.79 kg、1.34 kg。XGBoost模型引入前的R²分别为0.50、0.49,RMSE分别为62.47 kg和57.54 kg,引入后R²分别为0.58、0.57,提高了0.08、0.08,RMSE分别为59.74 kg和55.96 kg,减少了2.73 kg和1.58 kg。CatBoost模型引入前R²分别为0.55、0.58,RMSE分别为59.57 kg和35.72 kg,引入后R²分别为0.57、0.78,分别提高了0.02、0.20,RMSE分别为53.97 kg和30.79 kg,分别减少了5.60 kg和4.93 kg。

结果表明,对比不同树种的各变量组合和模型的估测结果,引入树冠参数能够有效提升生物量预测精度。对比不同树种的单木生物量模型估测结果,机器学习模型的单木生物量估测精度都高于CAR模型,杨树的RF模型估测精度最好,榆树的CatBoost模型估测精度最佳。

通过配对样本t检验,对比引入树冠参数前后的变量组合,对4个模型单木生物量均值的实测值与预测值进行检验^[25],其结果如表7所示。

由检验结果可以看出,引入树冠参数后的预测值比引入之前的预测值更接近实测值。CAR模型变量组合1的预测值比实测值高8.832 kg;变量组合4的预测值仅比实测值高5.298 kg,均值差异缩小40%。RF模型变量组合1的预测值比实测值低19.823 kg;变量组合4的预测值仅比实测值高5.053 kg,均值差异缩小74%。XGBoost模型变量组合1的预测值比实测值低14.151 kg;变量组合4的预测值与实测值几乎无差异,均值差异缩小99.9%。CatBoost模型变量组合1的预测值比实测值低13.167 kg;变量组合4的预测值仅低10.946 kg,均值差异缩小16.8%。所有模型引入树冠参数前后的实测值与预测值的均值差异均不显著(P>0.05),但引入树冠参数后,t的绝对值更小,P更大,结合均值表现表明,引入树冠参数后,模型估测生物量均值与实测值均值的差异进一步缩小,模型的预测效果表现更好。

综上所述,模型未引入树冠参数前,所有模型的预测值与实测值的均值差异更大,引入树冠参数后,所有模型的预测值更接近实测值,且均值差异更不显著,说明引入树冠投影面积和树冠体积能够减少模型的系统性误差,提高模型拟合精度以及单木生物量的估测精度。

3 讨论

基于无人机LiDAR数据提取的单木参数,通过将单木参数的组合作为自变量,利用CAR模型和机器学习模型构建单木生物量估测模型,对比不同变量组合和不同模型拟合的生物量预测值与实测值,结果表明,相比于不引入树冠参数的变量组合1作为自变量、使用CAR模型构建的单木生物量模型,引入树冠参数、使用机器学习模型的单木生物量估测模型的拟合精度和估测精度更高。单木参数的准确性、自变量的组合、模型的拟合和选择都是影响单木生物量估测模型拟合效果和估测精度的因子。

无人机LiDAR数据的采集,单木分割以及提取单木参数的过程,在一定程度上影响单木生物量的估测精度。无人机获取的数据为高密度点云数据,但是依然受到环境等客观条件的影响。研究区铁尾矿库恢复林是多草本灌木与乔木混生的阔叶林。冠层、林下环境较为复杂,呈现多林分密度分区,低林分密度区域林木间距大,单木点云往往孤立,点云连续性差;高林分密度区域树木间距小,多木林立,树冠重叠,点云交错,无人机LiDAR采用自下而上的方式获取点云,有上层树木遮挡时,无法完整获取中下层的单木点云,很大程度上给树木的分割带来了问题:低林分密度区域孤立单木未被检测导致欠分割,高林分密度区域树冠边界模糊导致一树多分的过分割或多树合并的欠分割。欠分割导致的数据样本缺失,过分割导致的单木参数提取不准确,进一步影响估测模型的拟合效果。如Lei等^[26]研究指出,复杂林分环境会破坏单木结构完整性、模糊树冠边界,适配复杂林分环境的算法能够规避欠分割和过分割误差,保障单木个体完整性与唯一性,是准确提取参数的核心前提,为后续单木生物量估测模型提供高质量高精度的输入变量。因此,选择适应复杂林分阔叶林的单木分割算法提取单木参数,选择正确分割单木的单木参数作为生物量模型构建拟合的样本,保证单木参数的分割精度以及单木生物量估测精度的提升。

作为模型拟合的自变量,单木参数的选择和组合对于优化单木生物量模型的拟合效果和生物量的估测精度是有必要的。通过对实测生物量和不同参数的相关性分析设计自变量的组合形式,对不同变量组合进行建模。对比不同变量组合构建的CAR模型和机器学习模型的模型拟合结果和单木生物量估测结果,引入树冠参数之后的变量组合的R²均大于引入之前的变量组合1的R²。经过配对样本t检验对所有模型引入树冠参数前后的预测值和实测值差异进行检验,发现引入树冠参数后的t绝对值更小,P更大,均值差异更不显著,说明引入树冠参数提供了单木树高、冠幅之外的树冠冠层结构信息,减少了模型拟合的误差,提高了模型拟合和估测单木生物量的能力,这与Jiang等^[27]基于温带阔叶林研究得到其单木地上生物量主要受林冠属性调控的结论一致。引入单树冠参数的变量组合中,仅引入树冠体积的变量组合3的生物量估测模型比仅引入树冠投影面积的变量组合2的模型拟合效果和估测精度更高,与Shi等^[28]针对亚美马褂木混交林构建树冠-生物量模型的研究结论保持一致,证明树冠体积更能反映单木生物量累积特征,核心原因在于树冠体积提供了相比于树冠投影面积与单木生物量更为相关的树冠垂直结构信息,能够综合表征树冠冠层生物量的空间累积总量,与单木生物量的关系更加紧密。

对比不同模型的拟合和单木生物量估测,与司念等^[29]对比模型预测精度得到的结果一致,机器学习模型的拟合精度和估测精度都比CAR模型高。以最优变量组合构建单木生物量估测模型,与CAR模型相比,杨树的RF、XGBoost、CatBoost模型的R²分别增加了0.12、0.03、0.04,RF模型的拟合效果最佳;榆树的RF、XGBoost、CatBoost模型的R²分别增加了0.09、0.07、0.06,RF的拟合效果最佳。对比不同模型的单木生物量估测结果,CAR模型的估测精度最低,杨树的RF、XGBoost、CatBoost模型相比CAR模型R²增加了0.15、0.14、0.11,RF模型的估测精度最高;榆树的RF、XGBoost、CatBoost模型相比CAR模型R²增加了0.20、0.01、0.22,CatBoost模型的估测精度最高。

4 结论

基于铁尾矿库恢复林的样地采样的单木参数计算的实测单木生物量与无人机LiDAR点云数据提取得到的分割单木参数,设计不同形式的变量组合,选择CAR模型和不同机器学习模型对生物量进行估测,比较选择不同变量组合的模型生物量的拟合和估测结果,得出以下结论。

(1)通过单木分割提取杨树和榆树的单木参数。杨树提取的单木树高为5.49~21.50 m,平均值为13.93 m;榆树单木树高为5.10~16.32 m,平均值为9.53 m,与样地实际值相符。将分割提取的树高与实测树高进行线性拟合,得到杨树和榆树的R²分别为0.84和0.89,表明复杂林分阔叶林通过点云分割能够较好地提取单木结构参数,分割单木参数与实测单木参数具有较高的可靠性,可以作为自变量构建单木生物量估测模型。

(2)加入树冠参数能够提高估测模型拟合和估测单木生物量的效果和精度。引入树冠投影面积和树冠体积后,CAR模型和机器学习模型估测生物量能力有效提升。引入树冠参数后,杨树的CAR、RF、XGBoost、CatBoost模型的估测R²相比引入前分别提升了0.02、0.10、0.06、0.04,榆树的CAR、RF、XGBoost、CatBoost模型的估测R²相比引入前分别提升了0.03、0.10、0.05、0.07。对于不同变量组合,各模型的生物量估测模型精度提高值各有差异,对于不同的模型,可选择不同的变量组合方式构建模型以提升精度。

(3)相比CAR模型,机器学习模型构建的生物量估测模型的拟合精度和估测精度更高。相比于CAR模型,杨树、榆树机器学习模型单木生物量估测R²分别提高了0.11、0.08、0.02和0.08、0.08、0.20。

总体而言,通过对比分析不同变量组合和模型选择,引入树冠投影面积和树冠体积的机器学习估测模型,模型的拟合精度和单木生物量估测精度更佳。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	朱锦奇, 熊媛巧, 易扬, 等. 亚热带森林碳储量与固碳量的构成及影响因素——以武宁县为例[J]. 水土保持学报, 2025, 39(3): 256-267, 277.

[2]	Zhu Jinqi, Xiong Yuanqiao, Yi Yang, et al. Composition and influencing factors of carbon storage and sequestration in subtropical forests: a case study of Wuning Country[J]. Journal of Soil and Water Conservation, 2025, 39(3): 256-267, 277.

[3]	魏晓博, 李志强, 陈昭光, 等. 基于无人机激光雷达的不同种类红树林单木分割[J]. 科学技术与工程, 2024, 24(3): 963-969.

[4]	Wei Xiaobo, Li Zhiqiang, Chen Zhaoguang, et al. Single tree segmentation of mangrove trees of different species based on UAV-LiDAR[J]. Science Technology and Engineering, 2024, 24(3): 963-969.

[5]	Zhang Q, Cai S, Liang X. Individual tree segmentation in occluded complex forest stands through ellipsoid directional searching and point compensation[J]. Forest Ecosystems, 2024, 11(6): 832-847.

[6]	Deng S, Xu Q, Yue Y, et al. Individual tree detection and segmentation from unmanned aerial vehicle-LiDAR data based on a trunk point distribution indicator[J]. Computers and Electronics in Agriculture, 2024, 218: 108717.

[7]	陆灯盛, 蒋先蝶, 李云鹤, 等. 基于激光雷达数据的森林生物量估测研究[J]. 遥感学报, 2025, 29(6): 2035-2064.

[8]	Lu Dengsheng, Jiang Xiandie, Li Yunhe, et al. Forest biomass estimation with LiDAR data[J]. National Remote Sensing Bulletin, 2025, 29(6): 2035-2064.

[9]	许天一. 基于UAV-LiDAR和误差变量回归的落叶松人工林单木参数估测[D]. 哈尔滨: 东北林业大学, 2023.

[10]	Xu Tianyi. Estimation of individual tree parameters of larch plantations based on UAV-LiDAR and error-invariable regression[D]. Harbin: Northeast Forestry University, 2023.

[11]	Du L M, Pang Y, Wang Q, et al. A LiDAR biomass index-based approach for tree- and plotlevel biomass mapping over forest farms using 3D point clouds[J]. Remote Sensing of Environment, 2023, 290: 113543.

[12]	Pinto C R, Gorgens B E, Almeida D A R D, et al. The recovery of forest structure 30 years after timber harvesting: a comparison of harvesting methods using field inventories and drone-based LiDAR data[J]. Forest Ecology and Management, 2026, 60: 1123342.

[13]	Benjamin B, Louise T, Nicolas B, et al. Non-destructive estimation of individual tree biomass: allometric models, terrestrial and UAV laser scanning[J]. Remote Sensing of Environment, 2022, 280: 113180.

[14]	武晓康, 王浩宇, 冯宝坤, 等. 基于无人机LiDAR的单木生物量估测[J]. 科学技术与工程, 2022, 22(34): 15028-15035.

[15]	Wu Xiaokang, Wang Haoyu, Feng Baokun, et al. Individual tree biomass estimation based on UAV airborne LiDAR[J]. Science Technology and Engineering, 2022, 22(34): 15028-15035.

[16]	包栎炀, 王祥军, 李少达, 等. 基于无人机LiDAR的橡胶树单木地上生物量估测[J]. 热带作物学报, 2023, 44(6): 1266-1275.

[17]	Bao Liyang, Wang Xiangjun, Li Shaoda, et al. Estimation of individual tree above-ground biomass of rubber tree based on UAV-LiDAR[J]. Chinese Journal of Tropical Crops, 2023, 44(6): 1266-1275.

[18]	王良松, 李宁, 王成, 等. 基于机载LiDAR的树冠形态特征因子对单木生物量估算的影响[J]. 科学技术与工程, 2024, 24(31): 13304-13311.

[19]	Wang Liangsong, Li Ning, Wang Cheng, et al. Effect of canopy morphological characteristics on individual tree biomass estimation based on airborne LiDAR[J]. Science Technology and Engineering, 2024, 24(31): 13304-13311.

[20]	Estornell J, Martí J, Hadas E, et al. Biomass estimation of abandoned orange trees using UAV-SFM 3D points[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 130: 103931.

[21]	吴舒尧. 基于生态系统服务的生态修复效果与可持续性研究[D]. 北京: 北京大学, 2019.

[22]	Wu Shuyao. Ecological restoration effects and sustainability based on ecosystem services: a case study of the Dashihe mine ecological restoration project in Hebei[D]. Beijing: Peking University, 2019.

[23]	Fang J, Wang M Z. Forest biomass estimation at regional and global levels, with special reference to China’s forest biomass[J]. Ecological Research, 2001, 16(3): 587-592.

[24]	Zhao X, Guo Q, Su Y, et al. Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 117: 79-91.

[25]	Campello R J G B, Moulavi D, Sander J, et al. Hierarchical density estimates for data clustering, visualization, and outlier detection[J]. ACM Transactions on Knowledge Discovery from Data, 2015, 9(3): 1-51.

[26]	华周阳. 基于激光点云数据的单木分割与结构参数提取研究[D]. 南京: 南京林业大学, 2023.

[27]	Hua Zhouyang. Research on individual tree segmentation and structural parameter extraction based on laser point cloud data[D]. Nanjing: Nanjing Forestry University, 2023.

[28]	李文博. 基于高密度UAV-LiDAR点云的人工针叶林单木分割应用[D]. 哈尔滨: 东北林业大学, 2023.

[29]	Li Wenbo. The application of individual tree segmentation in plantation coniferous forest based on high density UAV-LiDAR point cloud[D]. Harbin: Northeast Forestry University, 2023.

[30]	于东海, 冯仲科. 基于无人机倾斜航空影像的树冠体积测算方法[J]. 农业工程学报, 2019, 35(1): 90-97.

[31]	Yu Donghai, Feng Zhongke. Tree crown volume measurement method based on oblique aerial images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(1): 90-97.

[32]	刘浩然, 范伟伟, 徐永胜, 等. 基于无人机激光雷达点云的单木生物量估测[J]. 中南林业科技大学学报, 2021, 41(8): 92-99.

[33]	Liu Haoran, Fan Weiwei, Xu Yongsheng, et al. Single tree biomass estimation based on UAV LiDAR point cloud[J]. Journal of Central South University of Forestry & Technology, 2021, 41(8): 92-99.

[34]	胥辉. 两种生物量模型的比较[J]. 西南林学院学报, 2003(2): 36-39.

[35]	Xu Hui. A comparison between CAR and VAR Biomass models[J]. Journal of Southwest Forestry College, 2003(2): 36-39.

[36]	陈日强, 李长春, 杨贵军, 等. 无人机机载激光雷达提取果树单木树冠信息[J]. 农业工程学报, 2020, 36(22): 50-59.

[37]	Chen Riqiang, Li Changchun, Yang Guijun, et al. Extraction of crown information from individual fruit tree by UAV LiDAR[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(22): 50-59.

[38]	Eysn L, Hollaus M, Lindberg E, et al. A benchmark of LiDAR-based single tree detection methods using heterogeneous forest data from the Alpine space[J]. Forests, 2015, 6(5): 1721-1747.

[39]	欧建德, 欧家琳, 吴昊宇, 等. 云南红豆杉单木生物量模型选择与树冠调控[J]. 西北林学院学报, 2022, 37(5): 194-201.

[40]	Ou Jiande, Ou Jialin, Wu Haoyu, et al. Selection of single tree biomass model and canopy structure regulation of Taxus yunnanensis[J]. Journal of Northwest Forestry University, 2022, 37(5): 194-201.

[41]	Lei L, Chai G, Yao Z, et al. A novel self-similarity cluster grouping approach for individual tree crown segmentation using multi-features from UAV-based LiDAR and multi-angle photo grammetry data[J]. Remote Sensing of Environment, 2025, 318: 114588.

[42]	Jiang P, He H, Mao Z, et al. Canopy properties predominately explain above-ground biomass stock in temperate forests[J]. Journal of Plant Ecology, 2025, 18(2): 226-239.

[43]	Shi Y, Shen X, Hu M, et al. An advanced approach for multiscale aboveground biomass estimation by integrating UAV, backpack LiDAR and high-resolution imageries: a case study in Liriodendron sino-americanum mixed forests[J]. Computers and Electronics in Agriculture, 2025, 239: 110898.

[44]	司念, 郑一力, 石福习, 等. 结合CCE和MCW算法的无人机LiDAR单木生物量估测[J/OL]. 林业工程学报, 1-10[2026-05-08]. https://doi.org/10.13360/j.issn.2096-1359.202505010.32.1862.S.20251127.1426.005.

[45]	Si Nian, Zheng Yili, Shi Fuxi, et al. Individual tree biomass estimation from UAV LiDAR using combined CCE and MCW approaches[J/OL]. Journey of Forestry Engineering, 1-10[2026-05-08]. https://doi.org/10.13360/j.issn.2096-1359.202505010.32.1862.S.20251127.1426.005.

基金资助

国家自然科学基金(52274166)

河北省中央引导地方科技发展资金项目(236Z3305G)

河北省中央引导地方科技发展资金项目(246Z4201G)

河北省中央引导地方科技发展资金项目(254Z7601G)

河北省自然科学基金(D2025209005)

河北省自然科学基金(D2025209012)

PDF (6540KB)

访问

被引

详细

导航

Received	Published	Revised
2025-08-20	2026-07-28	2026-01-14
Online Date
2026-08-14

摘要