基于机载激光雷达点云数据的侧柏人工林地上碳储量估算

Estimation of Aboveground Carbon Stock in Artificial Platycladus orientalis Forest Based on Airborne Light Detection and Ranging Point Cloud Data

摘要

在全球气候变化背景下，快速精确评估人工林碳汇功能对实现“双碳”目标具有重要战略意义。针对传统森林碳储量估算效率低下、成本高等问题，本研究以太原市东山森林公园的侧柏（Platycladus orientalis （L.） Franco）人工林为研究对象，采用无人机激光雷达（UAV-LiDAR）遥感技术，比较分水岭算法和点云距离聚类算法在单木分割和参数提取方面的性能，并利用激光雷达参数建立碳储量估算模型，估算研究区侧柏地上部分的碳储量及碳密度。研究结果表明：分辨率为0.3 m冠层高度模型、距离阈值为平均冠幅半径时，单木分割效果最佳，调和值（F）均大于90%；两种算法提取的树高（H）和冠幅半径（R_C）的R²分别大于0.83和0.75。依据H{R}_{\mathrm{C}}²模型计算的生物量与传统人工调查方法得到的生物量之间具有最高相关性，方差解释量达到0.966，表明该模型可有效估算研究区地上生物量。据此计算得到该区域侧柏纯林的地上部分平均碳密度储量为18.582 t/hm²。综上，融合点云分割算法和多维度特征建模的技术框架，为无人机遥感监测人工林碳汇提供了新方法，并为同类生态工程效益评估与经营决策提供一定理论依据。

Abstract

Under the global climate change context, the rapid and accurate assessment of carbon sequestration function in artificial forests holds significant strategic importance for achieving the "Dual Carbon" goals. Addressing the inefficiency and high costs of traditional forest carbon storage estimation methods, this study focuses on the Platycladus orientalis plantation in Taiyuan's Dongshan forest park. By utilizing unmanned aerial vehicle light detection and ranging (UAV-LiDAR) remote sensing technology, we compared the performance of the watershed algorithm and point cloud distance clustering algorithm in individual tree segmentation and parameter extraction, and established a carbon storage estimation model using LiDAR-derived parameters to quantify above-ground carbon storage and density. The results demonstrated that optimal individual tree segmentation (F-scores >90%) was achieved using a 0.3 m resolution canopy height model with distance thresholds set to average canopy radius. The extracted tree height (H) and canopy radius (R_C) parameters showed strong correlations (R²>0.83 and R²>0.75, respectively). The H{R}_{\mathrm{C}}² biomass model exhibited the highest correlation with traditional manual survey results (explained variance: 0.966), effectively estimating above-ground biomass. The calculated average above-ground carbon density reached 18.582 t/hm² in the study area. This integrated framework combining point cloud segmentation algorithms with multi-dimensional feature modeling provides a novel approach for UAV-based monitoring of plantation carbon sinks and offers theoretical support for ecological project evaluation and management decisions.

Graphical abstract

关键词

无人机激光雷达 / 冠幅半径 / 异速生长方程 / 地上生物量 / 碳储量

Key words

UAV LiDAR / canopy radius (Rc) / allometric growth equation / aboveground biomass (AGB) / carbon stock

0 引言

根据政府间气候变化委员会（Intergovernmental Panel on Climate Change，IPCC）第六次评估报告显示，以气候变暖为主要特征的气候变化是当前人类生存发展所面临的最大威胁之一^［1］。世界气象组织发布的《2023年全球气候状况》报告中同样指出，海平面高度、全球温室气体浓度和冰川融化速率等关键气候指标都达到历史新高^［2-3］。面对频繁的极端气候事件，减缓气候变化速率是世界各国都应有的责任和义务^［4-6］。

在应对气候变化的诸多策略中，森林生态系统发挥着不可替代的作用。作为陆地上最大的碳库^［7］，森林存储了全球86%的陆地植被碳，其碳循环过程直接影响大气中温室气体的浓度。因此，准确量化生态系统碳储量对于进一步了解全球碳循环和改进碳-气候反馈的预测至关重要^［8-9］。多项研究表明，森林碳储量主要受森林生物量及土壤碳库变化的影响^［10］。故通过植树造林、植被恢复和森林管理等方法增加森林碳汇能力是缓解气候变化的有效措施^［11-12］。当下国内外对森林碳储量的计量研究，多通过估算森林生物量来实现^［13］。森林生物量可通过两种途径计算：一种是样地调查，但是存在外业工作量大、成本高、工时长等缺点^［14-16］，对掌握森林生态系统的固碳量动态变化以及获取森林结构参数存在诸多限制；另一种是基于遥感数据反演生物量，更适用于大范围森林监测^［17-19］，但其精度仍受限于数据源和方法。因此，发展更高精度的遥感技术，尤其是能够获取三维森林结构信息的手段，成为提升碳储量估算准确性的关键。

激光雷达（Light Detection and Ranging，LiDAR）技术正是满足这一需求的潜在解决方案。相较于传统遥感，LiDAR能主动发射激光脉冲，具有受天气影响小、精度高、生产周期短^［20］、穿透能力强^［21］、探测范围广^［22］等优点，近年来被广泛应用于电力建设、地形测绘等诸多领域。在森林资源清查中，搭载激光雷达传感器的无人机克服了样地调查的不足，可以避免对研究区植被产生破坏，快速准确获取地物的三维信息，进行多尺度的森林信息测量^［23-25］。此外，基于该技术的自动算法，还能提取单木位置、树高（Height，H）和冠幅（Canopy radius，Rc）等结构参数^［16］。这些参数不仅为森林生物量的反演和森林三维模型的构建提供技术支撑^［26-27］，更能为人工干预措施（如生态修复区的森林经营）提升碳储量提供科学依据。

山西省太原市为推进绿色低碳循环发展，实施了一系列生态修复工程，包括汾河综合治理、退耕还林^［28］以及东、西山生态环境综合整治^［29］。其中，适应性强、耐贫瘠的侧柏（Platycladus orientalis （L.） Franco）作为主要造林树种之一，已在城郊森林公园大面积种植，显著改善了区域景观生态。然而，目前尚缺乏对侧柏人工林固碳效益的深入研究，难以全面评估该森林的环境价值。同时，该树种生物量和固碳量的计算仍然依赖于传统森林样方调查，例如，王宁等^［30］基于解析木工作获取的树木胸径、总长和鲜重数据分析了山西省主要森林类型中不同树种器官的碳含量差异。刘臻等^［31］通过调查树高（H）和胸径（Diameter at breast height，D）数据，利用现有的异速生长方程，计算了山西省吉县侧柏的生物量。因此，在该地区探索利用激光雷达手段获取侧柏生物量和固碳量具有重要意义。

针对上述问题，本文主要借助无人机激光雷达（Unmanned Aerial Vehicle Light Detection and Ranging，UAV-LiDAR）技术高效快捷地获取林分结构参数，并创新性地利用树高（H）和冠幅（R_C）数据构建异速生长方程，旨在减轻野外实测工作量，实现无人机遥感对研究区森林生物量、碳储量的更高效估算。主要研究内容包括：（1）基于分水岭算法和点云距离聚类算法对UAV-LiDAR点云数据进行单木分割，得到林分结构参数；（2）构建研究区侧柏的异速生长方程，并完成研究区碳储量和碳密度的估算，客观反映研究区侧柏人工林的固碳潜力，以便制定更好的森林经营管理政策。

1 研究区概况与数据处理

1.1　研究区概况

研究区位于山西省太原市迎泽区的东山城郊森林公园，地理位置为37°52′11.04″N，112°42′55.55″E，是太原市东、西山生态恢复工程中的重要造林绿化项目之一。该区域已完成绿化面积达752.93 ha，栽植油松（Pinus tabuliformis Carrière）、侧柏、国槐（Styphnolobium japonicum （L.） Schott）等各类苗木120万余株。太原市地处山西省中部、华北黄河流域的腹地，三面被山脉环绕，地势北高南低。气候属于温带半干旱季风性气候，平均海拔800 m，1月平均气温-\mathrm{5.2}℃、最低气温-\mathrm{22.8}℃，7月平均气温\mathrm{24.2}℃、最高气温\mathrm{36.6}℃。年降水量450 mm左右，多集中在夏季^［32］。

1.2　数据来源与处理

1.2.1　UAV-LiDAR点云数据的获取与处理

本研究以侧柏作为研究树种。在光照充足、天气状况良好的环境条件下，采用大疆经纬 M300 RTK无人机（图1）搭载DJI L1雷达系统以扫描方式收集研究区侧柏纯林的点云数据。飞行时间为2023年12月27日，基本设备参数如表1所示。具体飞行参数为：仿地飞行高度70 m，平均飞行速度3.2 m/s，航向重叠率和侧边重叠率分别设置为85%和90%，回波次数为3次，平均点云密度为4 908点/m²。点云上色模式为真彩。飞行任务共拍摄484张无人机原始图像，融合激光和可见光数据生成具有色彩的高密度点云得到研究区的激光雷达点云数据和高分辨率正射影像数据。

将无人机采集到的数据导入软件大疆智图DJI Terra 4.1.10（https：//enterprise.dji.com/cn/dji-terra）中修正后重建得到真正射影像。该影像空间分辨率为1.64 cm/px、覆盖面积为0.026 470 km²，总校正误差为0.016 7 m。随后，将机载LiDAR获取到的点云数据解译并生成Las格式文件，再导入软件LiDAR360 7.2.1.0（https：//www.lidar360.com）中进行数据预处理。主要处理思路如下：

（1）重采样：通过设置不同采样率的方法对原始点云数据进行抽稀，减少点云数量以提高分析效率。本研究中分别对比了100%、80%、60%、40%、20%、10%、5%和2.5%原始点云密度集的分类效果，结果发现对于超高密度点云数据而言，点云密度从4 908点/m²降采样到122 点/m²，单木分割结果基本一致。所以，为提升数据处理效率，本文将采样率设为20%。

（2）去噪：对每个目标点在指定邻域内搜索一定数量的相邻点，计算目标点与各相邻点之间的距离平均值D、平均距离值的中值D_mean和标准差S。若某相邻点与目标点的距离D超过了最大允许距离D_Max（其中D_Max=D_mean+5×S），则该点被认为是噪点，将被去掉。

（3）地面点分类：采用改进的渐进加密三角网滤波算法对点云进行分类。由于研究区内不含建筑物，仅需进行地面点和非地面点的划分。取默认值为格网大小，选定格网内最低点作为起始种子点，然后基于此构建初始三角网，计算候选点p_i 到三角面的距离d_i ：

d_i=\frac{\left|a{x}_i+b{y}_i+c{z}_i+d\right|}{\sqrt[]{a^{\mathrm{2}}+b^{\mathrm{2}}+c^{\mathrm{2}}}}\mathrm{。}（1）

如果候选点p_i 到三角网之间的距离d_i 小于迭代距离，且该点的局部坡度α_i 小于或等于预设的阈值角度（一般设置为默认值8°），则认为该点属于地面点。

（4）点云归一化：基于分类后的地面点，对每一个点的高程值Z减去最近地面点高程值，去除地形起伏带来的高程误差。

1.2.2　样地实测数据的获取

如图1所示，在无人机采样区中选择林分密度适中的区域设置了9个20 m × 20 m的样方，从中筛选了100棵树高大于1.5 m且没有明显病虫害和异常状态的侧柏植株进行实地取样。并详细记录样方内侧柏植株的位置、树高（H）、冠幅半径（R_C）、胸径（D）等信息，其中位置信息由联适高精度定位仪R10（图1）测量所得，定位精度可达1 cm~2 cm；树木冠幅半径（R_C）和胸径（D）数据由胸径尺测得。

2 研究方法

2.1　单木分割

2.1.1　基于分水岭算法的单木分割

由于数字高程模型（Digital Elevation Model，DEM）和数字表面模型（Digital Surface Model，DSM）的空间分辨率对于后续乔木冠层轮廓的识别具有重要影响，因此本研究分别采用反距离权重插值法生成0.1 m、0.3 m、0.5 m三种不同分辨率的DEM和DSM，二者做差运算得到相应分辨率（0.1 m、0.3 m、0.5 m）的冠层高度模型（Canopy Height Model，CHM）。

CHM作为栅格图像，每个像素的灰度值可代表其高度值。分水岭算法实质是将图像的灰度空间视为地球表面地理结构，灰度值高的区域被看作山峰，灰度值低的被看作山谷。算法模拟水流从注水口处进入孤立的山谷，当水平面上升到一定高度时，水开始溢出山谷，并通过修筑大坝防止相邻山谷水流汇集。最终，图像被分割为两个像素集，被水淹没的山谷像素集和大坝像素集。而这些大坝形成的分水岭对整个栅格图像加以划分，实现了对图像的分割^［33-34］。最后结合真正射影像以及人工实测数据，对不同分辨率条件下得到单木的位置、树高（H）、冠幅半径（R_C）等信息进行目视精度验证。

2.1.2　基于距离聚类算法的单木分割

研究区林分主要由林龄相近且受人为干扰较少的侧柏构成。虽存在树木种植较密集，水平距离较小等问题，但通常针叶树种的树冠呈现由下往上逐渐增大的间距趋势。因此，可基于归一化后的点云数据进行距离聚类算法，将单株树木从点云中单独分割开来。

该算法遵循间距临界值和最小间距规则，从上到下对点云数据进行判定。如图2所示，从全局最大值种子点A开始，将点A看作是单木Ⅰ的树顶，对低于该点的其他点继续分类。因为AB两点间水平距离d₁ 大于间距阈值，故点B被划分为单木Ⅱ。之后对点C进行判别，发现BC间的水平距离d₃ 小于AC间的水平距离d₂，且d₃ 小于距离阈值，故点C被认为属于单木Ⅱ^{［33，35］}。继续进行迭代处理，直至所有点云都被划分。

由于针叶树的冠层轮廓形状通常接近于圆形，所以本研究将间距阈值设置为最大冠幅半径（Max R_C）、平均冠幅半径（Mean R_C）和最小冠幅半径（Min R_C），通过目视方法分析不同距离阈值对分割结果的影响。

2.1.3　精度分析

首先针对两种算法不同参数条件下的单木分割精度进行评估，并以高分辨率的真正射影像和真彩点云图作为参考依据。公式如下^［27］：

P=\frac{T_p}{T_p+F_p}\times \mathrm{100}\mathrm{\%},（2）

R=\frac{T_p}{T_p+F_N}\times \mathrm{100}\mathrm{\%},（3）

F=\frac{\mathrm{2}\times P\times R}{P+R}\times \mathrm{100}\mathrm{\%},（4）

其中T_P 表示正确分割单木数量；F_P 表示错误分割数量；F_N 表示漏分割数量。P表示探测准确率，即正确检测单木数量占总提取数量的百分比；R表示单木召回率，即正确检测单木占真实单木数量的百分比；F表示调和值，代表错分和漏分的总精度。总体上，P值越低表示过分割现象越严重；R值越低表示欠分割现象越严重。

通过分析两种算法在不同条件下的分割效率后，选定最优分割方法并提取单木参数。将野外实地测量的100棵侧柏数据与两种分割算法提取到的对应单木的H和R_C数据分别进行线性回归分析，以对单木参数进行精度验证。通过计算拟合优度指标中的决定系数（Adjusted coefficient of determination，R²）和均方根误差（Root Mean Square Error，R_MSE）进行精度评价。

2.2　建立异速生长方程

2.2.1　基于H-D估算生物量

通过查阅文献，本文共收集了五个华北地区生态环境较为接近的侧柏单木生物量模型（基于H-D）。其中公式（5）为马增旺等、毕君等对河北地区人工侧柏林单株生物量的研究结果^［36-37］，公式（6）—公式（8）由曹吉鑫等基于北京山区侧柏的生物量研究所得^［38］；公式（9）为王宁等在山西森林生态系统碳密度格局分析中的研究结果之一^［30］。将样地实测的树高（H）和胸径（D）代入到下述方程中，分别得到五个不同的单株侧柏地上生物量（Aboveground Biomass，AGB）实测值AGB（H-D）。之后将通过比较五个模型计算的AGB（H-D）与本文构建的拟合方程之间的相关性以选取合适的H-D生物量模型进行后续数据分析。

W_E=\mathrm{2}\mathrm{570.969}+\mathrm{31.724}\mathrm{15}(D^{\mathrm{2}}H),（5）

W_E=\mathrm{0.127}{\left(D^{\mathrm{2}}H\right)}^{\mathrm{0.790}},（6）

W_E=\mathrm{0.012}{\left(D^{\mathrm{2}}H\right)}^{\mathrm{1.241}},（7）

W_E=\mathrm{0.048}{\left(D^{\mathrm{2}}H\right)}^{\mathrm{0.953}},（8）

W_E=\mathrm{1.050}+\mathrm{0.049}\left(D^{\mathrm{2}}H\right),（9）

其中W_E 表示单木的AGB（kg），H为树高（m），D为树木的胸径（cm）。

2.2.2　基于H-Rc估算生物量

过往大多数异速生长方程都是基于树高（H）和胸径（D）数据构建的。然而，点云数据中提取的林分参数并不包含胸径（D）数据，因此，利用UAV-LiDAR获取森林生物量，需要构建基于H和R_C的异速生长方程。本研究基于2.2.1计算的AGB（H-D）与激光雷达数据提取的对应单木的树高（H）、冠幅半径（R_C）来构建新的地上生物量模型AGB（H-R_C）。模型表达式如表2所示，其中自变量包括树高（H）、冠幅半径（R_C）及其不同组合方式^［39］。此外，大量文献表明，幂函数模型拟合效果最佳。故本研究中生物量模型以幂函数形式为主。

2.2.3　精度分析

为评估新异速生长方程的准确性，可以将实测（H）和（R_C）、实测（H）和（D）分别代入新构建方程和引用方程中，分析AGB（H-R_C）与AGB（H-D）之间的关系，并用拟合优度指标中的决定系数（R²）和均方根误差（R_MSE）对精度进行评价。

2.3　碳储量估算

树木木质部含碳量指的是其生物量中碳质量所占的比值，含碳系数是计算碳储量的重要因子^［40-41］。本文采用的含碳率来自山东省森林资源清查资料，侧柏地上部分平均含碳率为0.508 8^［42］。公式如下：

C=W_E\times C_{\mathrm{c}},（10）

其中C为地上碳储量（kg），W_E表示地上生物量（kg），C_c表示含碳系数（随树木品种不同而变化，本文中该值为0.508 8）。

3 结果与分析

3.1　不同分辨率CHM的单木分割结果

不同分辨率的CHM的单木分割结果如表3和图3所示，当空间分辨率为0.1 m时，调和值F为78.4%，P值为0.714，分割效果破碎化严重，大部分真实的冠层轮廓不能完全包含于其中，即过分割现象非常明显。分辨率为0.5 m时，调和值F为85.0%，R值为0.788，表明相邻的单木容易被划分为同一棵树，即欠分割现象较严重。空间分辨率为0.3 m时，调和值F为92.7%，单木分割效果与实际冠层拟合效果最佳。总体上，欠分割与过分割两种情况均导致单木分割误差的增大，树冠提取的精度随分辨率的增加表现为先增加后降低的趋势。

3.2　不同距离阈值的单木分割结果

基于点云距离聚类的三维空间层面上的单木分割结果如表4和图4所示，不同阈值条件下的分割精度有所差异。当间距阈值为最小冠幅半径时，调和值F为84.1%，P值最低，为0.774，表明存在较多过分割现象；当距离阈值为最大冠幅半径时，调和值F为87.1%，R值为0.834，表明欠分割现象较严重；当距离阈值等于平均冠幅半径时，调和值F为90.1%，分割效果最佳。总体上，欠分割与过分割两种情况均导致单木分割误差的增大，且随着距离阈值的增大分割精度表现为先增加后降低的趋势。

3.3　提取树木参数精度验证

对比两种算法的最优结果与实测数据结果显示，两种算法得到的平均树高分别为2.999 m和3.116 m，平均冠幅半径分别为1.157 m和1.108 m，而样地实测得到的平均树高为3.021 m，平均冠幅半径为1.093 m，两者之间差异均小于±0.1 m。回归模型的决定系数R²均大于0.75（图5），表明两种算法均能有效提取激光雷达点云数据中的单木参数。

3.4　实测地上生物量

将实测的100棵侧柏树高和胸径数据分别代入公式（5）—公式（9）计算不同模型所得的AGB（H-D）。结果显示五个模型计算的地上生物量分别为（4.411±0.325）t、（2.120±0.002）t、（4.172±0.008）t、（2.377±0.003）t和（3.433±0.005）t。

3.5　 H-R_C拟合异速生长方程及精度验证

将激光雷达点云单木分割后提取到的（H）和（R_C）参数代入表（2）得到AGB（H-R_C），并与AGB（H-D）结果进行对比，发现基于公式（7）得到的AGB（H-D）效果最优，故选用公式（7）的结果作为参照，构建两种单木分割算法的AGB（H-R_C）模型（表5）。从表5可以看出，最优拟合效果R²和R_MSE 分别为0.925和11.160 kg，是基于分水岭算法提取参数拟合到的幂函数。因此最终构建的AGB（H-R_C）公式如式（11）所示：

W_E=\mathrm{1.753}{\left(H{R_C}^{\mathrm{2}}\right)}^{\mathrm{1.963}}\mathrm{。}（11）

基于公式（11）计算得到研究区侧柏地上生物量为30.678±0.456 t。为了进一步验证模型精度，将公式（7）和公式（11）的结果进行相关性分析（图6）。分析结果显示，二者存在显著的线性关系（R²=0.966），表明公式（11）可以有效估算研究区侧柏的生物量。

3.6　碳储量估算

根据3.4的结果，将基于分水岭算法得到的（H）和（R_C）数据代入公式（11），计算得出研究区侧柏地上部分的总碳储量为（15.609±0.431）t，侧柏人工林的平均碳密度为（18.582±0.52）t/hm²。

4 讨论

4.1　LiDAR单木分割方法的参数敏感性分析

当前，LiDAR数据的单木分割方法基本分为基于二维点云栅格数据和基于三维点云数据两种。本文探讨了这两类方法中常见的分割算法：分水岭算法和距离聚类算法。分水岭算法主要会受空间分辨率的影响，分辨率越高，物体识别通常越有利。所以，本文对不同分辨率下（0.1 m、0.3 m和0.5 m）的CHM分割精度进行了比较，结果显示：当空间分辨率为0.3 m时，分水岭算法的分割结果最佳，这与陈日强等^［43］、李远航等^［27］、Jiang 等^［44］基于该算法提取单木参数的结论相一致。但与李平昊等^［45］认为0.5 m分辨率对江苏省虞山国营林场单木分割效果更佳、李文博等^［46］认为0.1 m分辨率最佳的结论有所不同。这一差异主要与算法中检测局部最大值的移动窗口尺寸设置有关，而非分辨率越高就越有利。分辨率过高时，算法对于微弱边缘的反应较为强烈，任何树木表面细微的灰度变化都可能导致树冠的识别过于敏感，出现过分割现象；而分辨率过低时图像过于平滑，特别是研究区林龄较小、树木排列较紧密时，邻近的树木易被识别为单株树木，造成欠分割现象。距离聚类算法则直接基于三维点云进行分割，相较于二维栅格分割，通常具有更高的分割精度，但具有数据量大、处理时间长等缺点。文中比较了三种不同距离阈值单木分割的结果，发现当距离阈值设为平均冠幅半径时，分割效果最佳，这一结论与李平昊等^［45］、Jiang 等^［44］基于点云距离判别聚类算法进行单木分割时所选的关键参数一致。

总结两种算法对人工侧柏纯林的分割结果，可以看出，选取合适的关键参数至关重要。就本研究而言，两算法单木分割和参数提取的精度差异较小，这可能与研究区林分树龄较小，生长环境相近，树木种植较紧密但郁闭度较低有关。实际上，林龄、树种、森林类型的差异会影响树木的冠幅特征以及林分的内部结构^［47］，从而导致二维点云栅格和三维点云数据的分割效果存在较大差异。

4.2　不同森林形态对生物量模型影响分析

利用林分易测因子推算林分生物量是当前应用最为广泛的生物量计算方法。该方法尽管简单，但是构建的生物量模型主要适用于所在研究区当前的森林状态。而研究人员不可能对不同气候区、不同林分、不同林龄分别构建生物量模型，因此各模型的应用均有限制。本文所得的基于树高和冠幅构建的模型（公式11）也不可避免地主要适用于太原市东山地区当前的侧柏林。此外，随着该地区林龄增加，未来树高和冠幅均大幅增长后，相邻植株树冠的水平重叠度会增加，导致分水岭算法产生欠分割误差；冠幅半径R_C的空间异质性也会影响距离聚类算法的稳定性，从而导致模型参数不再合适。为了减少误差，研究人员试图通过增加自变量提高模型精度。例如，刘浩然等发现引入冠幅体积、树冠投影面积为变量后，相较于仅有树高、冠幅作为自变量的模型，水曲柳和樟子松的生物量模型的R²分别提高了0.076和0.060^［48］。冯仲科等应用三维激光扫描成像系统得到的树冠体积、表面积建立生物量模型，相较于传统模型效果更佳^［49］。王良松等构建单木地上生物量模型时，发现引入冠型率和树冠率后随机森林（Random Forest，RF）、最小二乘支持向量机（Least Squares Support Vector Machine，LS-SVM）以及梯度提升回归树（Gradient Boosting Regression Tree，GBRT）三种模型的R²分别增加了0.05、0.01、0.02，拟合效果和预测精度均有所提高^［50］。但是这些研究中模型的拟合效果提升有限。因此，后续随着森林形态的不断变化，需要及时开展补充工作，更新相应的生物量模型，以提高估算精度。这也间接表明本文所开展的研究具有实际的科学意义，且需要定期更新调查数据和模型结果。

4.3　人工侧柏林碳储量现状与提升潜力分析

通过大规模人工造林改善黄土高原地区水土流失现象已经持续了数十年，相应地，对人工林碳储量的研究也尤为重要。本研究中，侧柏人工林平均碳密度为（18.582±0.431）t/hm²，结果与曹吉鑫等^［38］和黄晓强^［51］在北京山区侧柏人工林植被碳密度的研究结果［（6.398±30.137）t/hm²和（24.46±8.63）t/hm²］相一致。但相较天然次生侧柏碳密度［（72.29±10.55）t/hm²］而言，人工侧柏林碳密度明显较低^［52］。这一差异可能与研究区的植物平均年龄较小，且侧柏林碳含量受林龄影响较大有关。因此，该地区的人造林还具有较大的固碳潜力。为了更好地充分发挥人工林的碳汇作用，还需进一步加强林分管理，并实施长期的科学经营。此外，为了获取更准确的森林碳储量数据，未来研究可依托于多源遥感数据^［53-55］或增加点云密度梯度分析^［56-58］等工作，以进一步提升研究的准确性和应用潜力。

5 结论

本研究构建了基于无人机点云数据中提取到的树高（H）和冠幅半径（R_C）的生物量估算模型，以用于快速估算研究区森林的地上生物量（AGB）和碳储量，主要结论如下：

（1）处理激光雷达点云数据时选择合适的空间分辨率和距离阈值有利于提升单木分割的准确性。精度评价结果显示，采用0.3 m分辨率的分水岭算法和基于平均冠幅半径的点云距离聚类算法时，单木分割准确性最高。两者的单木分割结果差异较小，均可用于点云数据的单木提取。

（2）基于树高（H）和冠幅半径（R_C）构建的研究区侧柏AGB的异速生长方程为W_E=\mathrm{1.753}{\left(H{R_C}^{\mathrm{2}}\right)}^{\mathrm{1.963}}，其拟合优度指标R²和R_MSE分别为0.925和11.160 kg。这表明，利用树高和冠幅半径数据估算林分生物量具有较高的准确性，为未来依靠无人机快速获取大范围森林的生物量提供了参考依据。

（3）最终计算得到研究区总碳储量为（15.609±0.431）t，人工林平均碳密度为（18.582±0.52）t/hm²。本研究仅基于激光雷达数据分析了地上部分的碳储量，而未涉及地下部分（如根系等）的研究。因此，为了更加准确地衡量研究区侧柏纯林的固碳能力，未来应对地下部分展开详细调查。

参考文献

[1] 刘世荣, 王晖, 李海奎, 等. 碳中和目标下中国森林碳储量、碳汇变化预估与潜力提升途径[J]. 林业科学, 2024, 60(4): 157-172. DOI: 10.11707/j.1001-7488.LYKX20230206 .

[2] LIU S R, WANG H, LI H K, et al. Projections of China's Forest Carbon Storage and Sequestration and Ways of Their Potential Capacity Enhancement[J]. Sci Silvae Sin, 2024, 60(4): 157-172. DOI: 10.11707/j.1001-7488.LYKX20230206 .

[3] 辛雨. 2022年度全球气候状况报告发布[N]. 中国科学报, 2023-03-21(1).

[4] ZITTIS G, ALMAZROUI M, ALPERT P, et al. Climate Change and Weather Extremes in the Eastern Mediterranean and Middle East[J]. Rev Geophys, 2022, 60(3): e2021RG000762. DOI: 10.1029/2021RG000762 .

[5] 王喆, 王留群. 2023年多项气候变化指标创下新高[J]. 生态经济, 2024(5):5-8. DOI:10.3969/j.issn.1672-5115.2021.10.011 .

[6] WANG Z, WANG L Q. In 2023, Many Climate Change Indicators Hit New Highs[J]. Ecol Econ, 2024(5):5-8. DOI:10.3969/j.issn.1672-5115.2021.10.011 .

[7] 冯悦, 岳永杰, 赵鹏武. 碳中和愿景下森林碳储量核算及固碳潜力评价研究进展[J]. 内蒙古农业大学学报(自然科学版), 2024, 45(2): 93-100. DOI: 10.16853/j.cnki.1009-3575.2024.02.012 .

[8] FENG Y, YUE Y J, ZHAO P W. Research Progress in Accounting for Forest Carbon Storage and Evaluating Carbon Sequestration Potential Evaluation under the Vision of Carbon Neutrality[J]. J Inn Mong Agric Univ Nat Sci Ed, 2024, 45(2): 93-100. DOI: 10.16853/j.cnki.1009-3575.2024.02.012 .

[9] SCHILLING J, HERTIG E, TRAMBLAY Y, et al. Climate Change Vulnerability, Water Resources and Social Implications in North Africa[J]. Reg Environ Change, 2020, 20(1): 15. DOI: 10.1007/s10113-020-01597-7 .

[10] AUGUSTO L, BOČA A. Tree Functional Traits, Forest Biomass, and Tree Species Diversity Interact with Site Properties to Drive Forest Soil Carbon[J]. Nat Commun, 2022, 13: 1097. DOI: 10.1038/s41467-022-28748-0 .

[11] XIAO J F, CHEVALLIER F, GOMEZ C, et al. Remote Sensing of the Terrestrial Carbon Cycle: A Review of Advances over 50 Years[J]. Remote Sens Environ, 2019, 233: 111383. DOI: 10.1016/j.rse.2019.111383 .

[12] 王舶鉴, 蔺菲, 房帅, 等. 近地面激光雷达点云密度对森林冠层结构参数提取准确性的影响[J]. 生态学报, 2023, 43(2): 681-692. DOI: 10.5846/stxb202103100661 .

[13] WANG B J, LIN F, FANG S, et al. Effects of Point Cloud Density on the Accuracy of Forest Canopy Structure Parameters Extracted from Near-surface Light Detection and Ranging Data[J]. Acta Ecol Sin, 2023, 43(2): 681-692. DOI: 10.5846/stxb202103100661 .

[14] 王棣, 佘雕, 张帆, 等. 森林生态系统碳储量研究进展[J]. 西北林学院学报, 2014, 29(2): 85-91. DOI: 10.3969/j.issn.1001-7461.2013.04.15 .

[15] WANG D, SHE D, ZHANG F, et al. Aavances in the Researches of Carbon Storage of Forest Ecosystems[J]. J Northwest For Univ, 2014, 29(2): 85-91. DOI: 10.3969/j.issn.1001-7461.2013.04.15 .

[16] HÜBLOVÁ L, FROUZ J. Contrasting Effect of Coniferous and Broadleaf Trees on Soil Carbon Storage during Reforestation of Forest Soils and Afforestation of Agricultural and Post-mining Soils[J]. J Environ Manag, 2021, 290: 112567. DOI: 10.1016/j.jenvman.2021.112567 .

[17] XU H, YUE C, ZHANG Y, et al. Forestation at the Right Time with the Right Species Can Generate Persistent Carbon Benefits in China[J]. Proc Natl Acad Sci USA, 2023, 120(41): e2304988120. DOI: 10.1073/pnas.2304988120 .

[18] 白雨. 哈尼梯田流域森林碳储量研究[D]. 北京: 中央民族大学, 2023.

[19] BAI Y. Studies on Forest Carbon Stock in Hani Terraces Watershed[D]. Beijing: Central University for Nationalities, 2023.

[20] 谢优平, 肖海, 肖祥红, 等. 森林碳储量快速估算技术探析[J]. 国土资源导刊, 2024, 21(1): 135-143. DOI: 10.20147/j.cnki.gtzydk.2024.01.018 .

[21] XIE Y P, XIAO H, XIAO X H, et al. Exploration of Rapid Estimation Techniques for Forest Carbon Storage[J]. Land Resour Her, 2024, 21(1): 135-143. DOI: 10.20147/j.cnki.gtzydk.2024.01.018 .

[22] FROLOVA V, CHERNYSHENKO O, BATARIN A. Use of LiDAR Technology for Quantification and Design of Park, Garden and Urban Tree Structure[J]. IOP Conf Ser: Earth Environ Sci, 2021, 806(1): 012011. DOI: 10.1088/1755-1315/806/1/012011 .

[23] GOLLOB C, RITTER T, KRAßNITZER R, et al. Measurement of Forest Inventory Parameters with Apple iPad Pro and Integrated LiDAR Technology[J]. remote Sensing, 2021, 13(16): 3129. DOI: 10.3390/rs13163129 .

[24] 田国帅, 周小成, 郝优壮, 等. 结合修正后的全球生态系统动态调查冠层高度的森林地上生物量模型优化: 以福建省为例[J]. 生态学报, 2024, 44(16): 7264-7277. DOI: 10.20103/j.stxb.202310162250 .

[25] TIAN G S, ZHOU X C, HAO Y Z, et al. Optimization Model of Forest Aboveground Biomass Based on MGEDI Canopy Height: A Case Study of Fujian, China[J]. Acta Ecol Sin, 2024, 44(16): 7264-7277. DOI: 10.20103/j.stxb.202310162250 .

[26] FENG Z Y, YU X W, CHEN Y W, et al. Feasibility of Using Ku-band Helicopter-borne Microwave Radar for Stem Volume and Biomass Estimation in Boreal Forest[J]. Int J Appl Earth Obs Geoinf, 2024, 131: 103966. DOI: 10.1016/j.jag.2024.103966 .

[27] SA R L, NIE Y H, CHUMACHENKO S, et al. Biomass Estimation and Saturation Value Determination Based on Multi-source Remote Sensing Data[J]. remote Sensing, 2024, 16(12): 2250. DOI: 10.3390/rs16122250 .

[28] 杨承伶, 李振. 以机载激光雷达为核心的多源遥感巨树检测[J]. 广西林业科学, 2023, 52(3): 367-372. DOI: 10.19692/j.issn.1006-1126.20230314 .

[29] YANG C L, LI Z. Multi-source Remote Sensing Giant Tree Detection Method with Airborne LiDAR as Core[J]. Guangxi For Sci, 2023, 52(3): 367-372. DOI: 10.19692/j.issn.1006-1126.20230314 .

[30] DUAN M L, BAX C, LAAKSO K, et al. Characterizing Transitions between Successional Stages in a Tropical Dry Forest Using LiDAR Techniques[J]. remote Sensing, 2023, 15(2): 479. DOI: 10.3390/rs15020479 .

[31] 张子慧, 吴世新, 赵子飞, 等. 基于机器学习算法的草地地上生物量估测: 以祁连山草地为例[J]. 生态学报, 2022, 42(22): 8953-8963. DOI: 10.5846/stxb202203180669 .

[32] ZHANG Z H, WU S X, ZHAO Z F, et al. Estimation of Grassland Biomass Using Machine Learning Methods: a Case Study of Grassland in Qilian Mountains[J]. Acta Ecol Sin, 2022, 42(22): 8953-8963. DOI: 10.5846/stxb202203180669 .

[33] 宋通通. 崇明生态岛森林碳储量遥感估算研究[D]. 上海: 华东师范大学, 2023.

[34] SONG T T. Estimation of Forest Carbon Storage of Chongming Eco-island, Using Multisource Remote Sensing Data[D]. Shanghai: East China Normal University, 2023.

[35] 岳甜甜, 边瑞. 森林碳价值评估文献综述[J]. 合作经济与科技, 2024(24): 52-53. DOI: 10.13665/j.cnki.hzjjykj.2024.24.035 .

[36] YUE T T, BIAN R. Literature Review on Forest Carbon Value Assessment[J]. Co Oper Econ Sci, 2024(24): 52-53. DOI: 10.13665/j.cnki.hzjjykj.2024.24.035 .

[37] 杨焕芬, 秦蓁, 胥丽, 等. 遥感技术估算森林生物量的研究进展和挑战[J]. 林业科技通讯, 2025(1): 23-27. DOI: 10.13456/j.cnki.lykt.2024.05.08.0004 .

[38] YANG H F, QIN Z, XU L, et al. Research Progress and Challenges in Estimating Forest Biomass by Remote Sensing Technology[J]. For Sci Technol, 2025(1): 23-27. DOI: 10.13456/j.cnki.lykt.2024.05.08.0004 .

[39] 陈中超, 刘清旺, 李春干, 等. 基于无人机激光雷达的人工林碳储量线性与非线性估测模型比较[J]. 北京林业大学学报, 2021, 43(12): 9-16. DOI: 10.12171/j.1000-1522.20200417 .

[40] CHEN Z C, LIU Q W, LI C G, et al. Comparison in Linear and Nonlinear Estimation Models of Carbon Storage of Plantations Based on UAV LiDAR[J]. J Beijing For Univ, 2021, 43(12): 9-16. DOI: 10.12171/j.1000-1522.20200417 .

[41] 李远航, 笪志祥, 闫烨琛. 基于无人机载激光雷达点云数据的人工侧柏林单木分割研究[J]. 西北林学院学报, 2023, 38(6): 171-179. DOI: 10.3969/j.issn.1001-7461.2023.06.2 .

[42] LI Y H, DA Z X, YAN Y C. Artificial Platycladus orientalis (L.) Franco Single Wood Segmentation Based on UAV-based Lidar Point Cloud Data[J]. J Northwest For Univ, 2023, 38(6): 171-179. DOI: 10.3969/j.issn.1001-7461.2023.06.2 .

[43] 李俊华, 李思明. 实现"双碳" 目标 太原积极行动[N]. 太原日报, 2023-12-30(2).

[44] 石玉琼, 王宁练. 基于景观尺度的太原生态完整性时空动态与空间变异[J]. 遥感技术与应用, 2024, 39(3): 690-698. DOI: 10.11873/j.issn.1004-0323.2024.3.0690 .

[45] SHI Y Q, WANG N L. Spatio-temporal Dynamics and Spatial Variation of Ecological Integrity in Taiyuan Based on Landscape Scale[J]. Remote Sens Technol Appl, 2024, 39(3): 690-698. DOI: 10.11873/j.issn.1004-0323.2024.3.0690 .

[46] 王宁. 山西森林生态系统碳密度分配格局及碳储量研究[D]. 北京: 北京林业大学, 2014.

[47] WANG N. Study on Distribution Patterns of Carbon Density and Carbon Stock in the Forest Ecosystem of Shanxi[D]. Beijing: Beijing Forestry University, 2014.

[48] 刘臻. 晋西三种人工林生态系统碳密度与分配格局的研究[D]. 北京: 北京林业大学, 2019.

[49] LIU Z. Study on Carbon Distribution Patterns of Three Plantation Ecosystems in Western Shanxi [D]. Beijing: Beijing Forestry University, 2019.

[50] MA R, WANG Y X, SUN Z Y, et al. Geochemical Evolution of Groundwater in Carbonate Aquifers in Taiyuan, Northern China[J]. Appl Geochem, 2011, 26(5): 884-897. DOI: 10.1016/j.apgeochem.2011.02.008 .

[51] 杨治, 彭蕾, 涂起龙. 基于激光雷达的无人机导航图像分水岭快速分割方法[J]. 激光杂志, 2023, 44(8): 125-129. DOI: 10.14016/j.cnki.jgzz.2023.08.125 .

[52] YANG Z, PENG L, TU Q L. A Fast Watershed Segmentation Method for UAV Navigation Image Based on LiDAR[J]. Laser J, 2023, 44(8): 125-129. DOI: 10.14016/j.cnki.jgzz.2023.08.125 .

[53] CHEN W, XIANG H B, MORIYA K. Individual Tree Position Extraction and Structural Parameter Retrieval Based on Airborne LiDAR Data: Performance Evaluation and Comparison of Four Algorithms[J]. remote Sensing, 2020, 12(3): 571. DOI: 10.3390/rs12030571 .

[54] 李国金. 基于机载LiDAR数据的单木分割研究[J]. 测绘与空间地理信息, 2024, 47(5): 122-125. DOI: 10.3969/j.issn.1672-5867.2024.05.035 .

[55] LI G J. Research on Individual Tree Segmentation Based on Airborne LiDAR Data[J]. Geomat Spatial Inf Technol, 2024, 47(5): 122-125. DOI: 10.3969/j.issn.1672-5867.2024.05.035 .

[56] 马增旺, 毕君, 孟祥书, 等. 人工侧柏林单株生物量研究[J]. 河北林业科技, 2006(3): 1-3. DOI: 10.16449/j.cnki.issn1002-3356.2006.03.001 .

[57] MA Z W, BI J, MENG X S, et al. Study on Biomass Per Plant of Artificial Platycladus orientalis [J]. J Hebei For Sci Technol, 2006(3): 1-3. DOI: 10.16449/j.cnki.issn1002-3356.2006.03.001 .

[58] 毕君, 马增旺, 许云龙, 等. 人工侧柏群落结构及生物量[J]. 东北林业大学学报, 2000, 28(1): 13-15. DOI: 10.13759/j.cnki.dlxb.2000.01.003 .

[59] BI J, MA Z W, XU Y L, et al. The Community Structure and Biomass of the Artificial Platycladus orientalis [J]. J Northeast For Univ, 2000, 28(1): 13-15. DOI: 10.13759/j.cnki.dlxb.2000.01.003 .

[60] 曹吉鑫. 北京北部山区不同林龄的油松和侧柏人工林碳库研究[D]. 北京: 北京林业大学, 2011.

[61] CAO J X. Above- and Belowground Carbon Pools in Different Ages of Chinese Pine and Oriental Arborvitae Plantation Forests in Northern Mountain Areas of Beijing[D]. Beijing: Beijing Forestry University, 2011.

[62] LIN J Y, CHEN D C, WU W J, et al. Estimating Aboveground Biomass of Urban Forest Trees with Dual-source UAV Acquired Point Clouds[J]. Urban For Urban Green, 2022, 69: 127521. DOI: 10.1016/j.ufug.2022.127521 .

[63] 刘亚茜. 河北地区华北落叶松、杨树单木生物量、碳贮量及其分配规律[D]. 保定: 河北农业大学, 2012.

[64] LIU Y Q. The Study of Single Biomass, Carbon Storage and Distribution of Larix Principis-ruppr Echtii and Populus in Hebei Province[D]. Baoding: Hebei Agricultural University, 2012.

[65] 魏裕沛, 郭娟, 殷亚方. 树木木质部含碳率变化规律研究进展[J]. 世界林业研究, 2024, 37(3): 60-66. DOI: 10.13348/j.cnki.sjlyyj.2024.0046.y .

[66] WEI Y P, GUO J, YIN Y F. Research Progresses in Variation Patterns of Wood Carbon Fraction[J]. World For Res, 2024, 37(3): 60-66. DOI: 10.13348/j.cnki.sjlyyj.2024.0046.y .

[67] 张德全, 马玉珍, 王风臻, 等. 山东省森林碳储量计量方法的研究[J]. 山东林业科技, 2016, 46(4): 80-82. DOI: 10.3969/j.issn.1002-2724.2016.04.022 .

[68] ZHANG D Q, MA Y Z, WANG F Z, et al. Study on Measure Methods of Forest Organic Carbon Storage in Shandong Province[J]. J Shandong For Sci Technol, 2016, 46(4): 80-82. DOI: 10.3969/j.issn.1002-2724.2016.04.022 .

[69] 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. DOI: 10.11975/j.issn.1002-6819.2020.22.006 .

[70] CHEN R Q, LI C C, YANG G J, et al. Extraction of Crown Information from Individual Fruit Tree by UAV LiDAR[J]. Trans Chin Soc Agric Eng, 2020, 36(22): 50-59. DOI: 10.11975/j.issn.1002-6819.2020.22.006 .

[71] 姜泽, 陈杰, 唐丽玉, 等. 基于机载LiDAR数据的福建柏人工林林木参数提取[J]. 应用生态学报, 2024, 35(2): 321-329. DOI: 10.13287/j.1001-9332.202402.015 .

[72] JIANG Z, CHEN J, TANG L Y, et al. Tree Parameter Extraction in Fokienia hodginsii Plantation Based on Airborne LiDAR Data[J]. Chin J Appl Ecol, 2024, 35(2): 321-329. DOI: 10.13287/j.1001-9332.202402.015 .

[73] 李平昊, 申鑫, 代劲松, 等. 机载激光雷达人工林单木分割方法比较和精度分析[J]. 林业科学, 2018, 54(12): 127-136. DOI: 1011707/j1001-748820181214 .

[74] LI P H, SHEN X, DAI J S, et al. Comparisons and Accuracy Assessments of LiDAR-based Tree Segmentation Approaches in Planted Forests[J]. Sci Silvae Sin, 2018, 54(12): 127-136. DOI: 1011707/j1001-748820181214 .

[75] 李文博, 李继红. 应用无人机高密度点云对高郁闭度人工林单木分割[J]. 东北林业大学学报, 2023, 51(9): 76-82. DOI: 10.13759/j.cnki.dlxb.2023.09.020 .

[76] LI W B, LI J H. Application of UAV High-density Point Cloud for Individual Tree Segmentation in High Canopy Density Artificial Forests[J]. J Northeast For Univ, 2023, 51(9): 76-82. DOI: 10.13759/j.cnki.dlxb.2023.09.020 .

[77] 朱泊东, 罗洪斌, 金京, 等. 高郁闭度人工林无人机激光雷达单木分割方法优化[J]. 林业科学, 2022, 58(9): 48-59. DOI: 10.11707/j.1001-7488.20220905 .

[78] ZHU B D, LUO H B, JIN J, et al. Optimization of Individual Tree Segmentation Methods for High Canopy Density Plantation Based on UAV LiDAR[J]. Sci Silvae Sin, 2022, 58(9): 48-59. DOI: 10.11707/j.1001-7488.20220905 .

[79] 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. DOI: 10.14067/j.cnki.1673-923x.2021.08.011 .

[80] LIU H R, FAN W W, XU Y S, et al. Single Tree Biomass Estimation Based on UAV LiDAR Point Cloud[J]. J Cent South Univ For Technol, 2021, 41(8): 92-99. DOI: 10.14067/j.cnki.1673-923x.2021.08.011 .

[81] 冯仲科, 罗旭, 马钦彦, 等. 基于三维激光扫描成像系统的树冠生物量研究[J]. 北京林业大学学报, 2007, 29(S2): 52-56. DOI: 10.13332/j.1000-1522.2007.s2.013 .

[82] FENG Z K, LUO X, MA Q Y, et al. An Estimation of Tree Canopy Biomass Based on 3D Laser Scanning Imaging System[J]. J Beijing For Univ, 2007, 29(S2): 52-56. DOI: 10.13332/j.1000-1522.2007.s2.013 .

[83] 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. DOI: 10.12404/j.issn.1671-1815.2400269 .

[84] WANG L S, LI N, WANG C, et al. Effect of Canopy Morphological Characteristics on Individual Tree Biomass Estimation Based on Airborne LiDAR[J]. Sci Technol Eng, 2024, 24(31): 13304-13311. DOI: 10.12404/j.issn.1671-1815.2400269 .

[85] 黄晓强. 北京山区典型流域人工林碳密度及其影响因素分析[D]. 北京: 北京林业大学, 2016.

[86] HUANG X Q. Carbon Density of Artificial Forests and Its Influencing Factors in Typical Watershed of Beijing Mountainous Area[D]. Beijing: Beijing Forestry University, 2016.

[87] 巩金萍. 甘肃省黄土丘陵区侧柏人工幼林碳密度及分配特征分析[J]. 乡村科技, 2020, 11(12): 61-62. DOI: 10.19345/j.cnki.1674-7909.2020.12.031 .

[88] GONG J P. Analysis on Carbon Density and Distribution Characteristics of Platycladus orientalis Young Plantation in Loess Hilly Region of Gansu Province[J]. Rural Sci Technol, 2020, 11(12): 61-62. DOI: 10.19345/j.cnki.1674-7909.2020.12.031 .

[89] SILVA C A, DUNCANSON L, HANCOCK S, et al. Fusing Simulated GEDI, ICESat-2 and NISAR Data for Regional Aboveground Biomass Mapping[J]. Remote Sens Environ, 2021, 253: 112234. DOI: 10.1016/j.rse.2020.112234 .

[90] ZHANG D H, NI H. Inversion of Forest Biomass Based on Multi-source Remote Sensing Images[J]. Sensors, 2023, 23(23): 9313. DOI: 10.3390/s23239313 .

[91] SA R L, FAN W Y. Forest Structure Mapping of Boreal Coniferous Forests Using Multi-source Remote Sensing Data[J]. Remote Sens, 2024, 16(11): 1844. DOI: 10.3390/rs16111844 .

[92] GARCIA M, SAATCHI S, FERRAZ A, et al. Impact of Data Model and Point Density on Aboveground Forest Biomass Estimation from Airborne LiDAR[J]. Carbon Balance Manag, 2017, 12(1): 4. DOI: 10.1186/s13021-017-0073-1 .

[93] 周相贝, 李春干, 代华兵, 等. 点云密度对机载激光雷达大区域亚热带森林参数估测精度的影响[J]. 林业科学, 2023, 59(9): 23-33. DOI: 10.11707/j.1001-7488.LYKX20210831 .

[94] ZHOU X B, LI C G, DAI H B, et al. Effects of Point Cloud Density on the Estimation Accuracy of Large-area Subtropical Forest Inventory Attributes Using Airborne LiDAR Data[J]. Sci Silvae Sin, 2023, 59(9): 23-33. DOI: 10.11707/j.1001-7488.LYKX20210831 .

[95] TORRALBA J, CARBONELL-RIVERA J P, RUIZ L Á, et al. Analyzing TLS Scan Distribution and Point Density for the Estimation of Forest Stand Structural Parameters[J]. Forests, 2022, 13(12): 2115. DOI: 10.3390/f13122115 .

基金资助

山西省自然科学基金(202203021221008)

山西省科技创新人才团队基金(202204051001010)