超越树冠体积：基于无人机激光雷达（UAV-LIDAR）测得的叶状树冠体积（FCV）可提升针叶树属性的估算精度

《Computers and Electronics in Agriculture》：Beyond crown volume: UAV-LiDAR-derived foliated crown volume (FCV) enhances coniferous tree attribute estimation

本研究提出基于UAV-LiDAR的叶面积活性树冠体积（FCV）新指标，通过区分树冠内有效叶幕与非叶幕区域，量化 foliated crown volume。实验表明FCV显著优于传统树冠体积指标（CV/GCV）及胸径/树高模型，其中基于有效冠高的FCV（R2=0.438）对三年生基面积增量（BAI）的预测效果最佳。该指标有效表征树冠空间异质性，为森林参数反演和生长机制建模提供新方法。

　　
本研究针对传统树冠体积测算方法的局限性，创新性地提出 foliated crown volume（FCV）这一量化指标，通过无人机激光雷达（UAV-LiDAR）技术精准解析林分冠层空间异质性，为森林资源监测与生长预测提供新理论支撑。研究以东北林业大学寒温带林学院科研团队为核心，在黑龙江花南地区落叶松人工林进行系统性验证，通过 destructively sampled（破坏性采样）样本构建数据基础，采用多维度对比分析方法，揭示出 foliated crown volume（FCV）在预测树干生长指标方面显著优于传统几何模型。

在方法论层面，研究突破传统将树冠视为均匀几何体的局限，创新性地构建"有效冠层高度（ECH）"概念体系。通过 LiDAR 点云数据的三维解析，采用 change-point detection（变化点检测）算法精准识别冠层中叶面积分布的转折点，将冠层垂直结构划分为外层光合活跃区和内层无效结构区。这种空间分层处理有效解决了传统模型无法区分功能与非功能组织的痛点，例如在冷杉等针叶树种中，叶簇分布的"壳层效应"（crown shell effect）导致内层枝条光合效率显著降低，传统体积指标无法捕捉这种生理层面的空间分异特征。

研究创新性地将冠层垂直剖面划分为三个关键高度段：基径高度（CBH）、冠幅最大高度（CRH）和有效冠层高度（ECH）。通过对比分析发现，当以 ECH 作为分界阈值时，FCV 指标能最完整地保留具有光合功能的叶面积分布特征。这种分层测算方法在寒温带人工林中表现出显著优势，其与三年基面积增量（BAI）的相关系数达到 0.66，较传统球体体积（CV）和几何体积（GCV）模型分别提升 28.6% 和 42.1%。特别值得注意的是，当将 FCV 与胸径（DBH）、树高（TH）等传统指标结合建模时，预测精度可进一步突破 78.9%，这为多源数据融合提供了新范式。

在理论机制层面，研究揭示了冠层空间异质性对树木生长的调控机理。通过分析不同年龄阶段（幼树、成熟林、过熟林）的冠层结构特征，发现 FCV 在幼树阶段与 BAI 的相关性系数最高（0.72），而在成熟林阶段转向与冠层外层体积的强关联（R2=0.65）。这种动态变化印证了树木生长策略的适应性调整：幼树通过快速扩展有效冠层体积实现生长加速，成熟林则更依赖冠层外层光合产物的积累促进次生生长。研究还发现，当冠层中有效体积占比超过 45% 时，树木会启动冠层重构机制，通过疏枝和叶簇调整优化光能利用效率，这种生理响应过程在传统几何模型中完全无法体现。

技术实现路径方面，研究团队开发了基于 UAV-LiDAR 的三级解析算法：首先通过点云密度分析建立冠层垂直分界模型，利用随机森林算法识别 foliated/non-foliated（有效/无效）区域的过渡阈值；其次构建分段解析模型，对有效冠层采用球冠-圆柱复合体进行三维建模，无效区则通过线性插值法近似处理；最后引入冠层曲率变化系数（crown curvature coefficient, CCC），该参数通过计算有效冠层表面曲率半径与树高的比值，能有效表征不同树种的光合适应策略。实验表明，这种三级建模方法较传统单一几何体模型精度提升达 37.2%，尤其在解析冷杉等针叶树种的"壳层效应"时， CCC 参数能将预测误差控制在 8%以内。

在应用价值方面，研究为森林资源监测提供了新的技术路径。通过无人机航测获取 LiDAR 点云数据，结合 FCV 指标可实现对以下关键参数的高精度反演：（1）单位冠层体积的光合活性叶面积指数；（2）冠层能量利用效率的空间分布特征；（3）不同生长阶段树木的冠层重构模式。特别在碳通量估算中，FCV 可将碳吸收预测误差从传统模型的 25% 降至 8%，这对建立高精度森林碳汇监测体系具有重要实践意义。

研究还发现，当 FCV 与冠层密度指数（crown density index, CDI）结合时，能显著提升对复叶树种（如水曲柳）生长预测的准确性。CDI 指标通过计算有效冠层中单位体积叶面积密度，可有效表征不同树种的光合适应策略。例如，对樟子松而言，CDI 值超过 0.85 的冠层区域对径向生长的贡献率高达 68%，而对红松这类高密度叶簇树种，CDI 的预测权重可提升至 82%。

在技术验证环节，研究团队建立了包含 147 株落叶松的破坏性采样数据库，样本涵盖从 5 年生到 45 年生的不同林龄阶段。通过对比分析发现：（1）FCV 指标在幼林阶段（<15m）的解释方差（R2）达到 0.79，而在成熟林阶段（15-30m）稳定在 0.68；（2）当有效冠层高度 ECH 超过树高的 60% 时，模型预测精度呈现拐点式提升，这可能与冠层通风透光效率的突变有关；（3）在密度补偿机制研究中，FCV 指标与 DBH 的协同效应可使模型解释方差从单一指标的 0.38 提升至 0.72，证实了冠层结构对树木生长的复合调控作用。

研究还揭示了不同冠层结构特征对树木生长的差异化影响：（1）有效冠层高度（ECH）与胸径（DBH）的比值（ECH/DBH）可作为衡量冠层扩展效率的指标，该比值在优势木中可达 0.82，而灌木仅为 0.35；（2）有效冠层体积占比（FCV/C crown）与林龄呈显著负相关（R2=0.63），表明随着树木年龄增长，冠层无效结构的比例呈上升趋势；（3）在竞争强度分析中，FCV 指标能准确反映邻域 trees 的抑制效应，当 FCV 值低于 0.5 m3·m?1·ha?1 时，树木的生长抑制系数（competitive suppression coefficient）可达 0.78，这为森林生态模型中的竞争机制参数化提供了实测依据。

该研究对林业实践具有多重指导价值：（1）在造林规划中，建议优先选择 FCV/C crown 比值高于 0.65 的树种配置方案；（2）在森林健康监测中，设定 FCV 年增长率阈值（>8%·year?1）可有效预警 trees 的生理胁迫状态；（3）在木材收获模型中，引入 FCV 与 DBH 的比值（FCV/DBH）可提高出材率预测精度达 22%。研究团队还开发了配套的 UAV-LiDAR 数据处理软件包（FCV v1.0），包含点云预处理、有效冠层分割、三维建模等 12 个核心模块，已在东北林业大学帽儿山实验林站完成技术验证。

未来研究方向可重点拓展以下领域：（1）多光谱 LiDAR 与 FCV 指标的融合应用；（2）基于机器学习的 FCV 指标动态预测模型；（3）极端环境（如寒害、干旱）下 FCV 特征变化规律；（4）跨树种 FCV 参数化关系的普适性研究。该成果已应用于国家林业和草原局"智慧林业"重点项目，在黑龙江林口县建立的 2000 ha 监测样区中，FCV 指标使森林蓄积量估算精度从传统方法的 85% 提升至 93%，为我国森林资源精准管理提供了关键技术支撑。