柚木种植园中非破坏性的地上生物量估算：通过破坏性采样方法验证陆地激光扫描技术和定量结构模型的有效性

《Trees, Forests and People》：Non-destructive Aboveground Biomass Estimation in Teak Plantations: Validating Terrestrial Laser Scanning and Quantitative Structure Models against Destructive Sampling

　　乍克里特·纳·塔库阿通（Chakrit Na Takuathung）、吉拉瓦特·英迪（Jirawat Yingdee）、提拉蓬·丘姆桑斯里（Theerapong Chumsangsri）、纳林尔通·朱姆翁（Narinthorn Jumwong）、蓬泰普·梅恩蓬（Ponthep Meunpong）、帕塔玛·桑维斯特皮罗姆（Pattama Sangvisitpirom）、塔恩拉特·凯格拉贾昂（Tharnrat Kaewgrajang）、苏帕西特·斯里亚卡琳（Supasit Sriarkarin）、维纳斯·图安克鲁亚（Venus Tuankrua）、纳罗恩柴·琼拉帕普（Narongchai Chonlapap）、西提查伊·宋布特（Sitthichai Songbut）、瓦查林·桑辛（Watcharin Sangsing）、拉达万·里亚安塔库尔（Laddawan Rianthakool）

泰国曼谷卡塞萨特大学（Kasetsart University）林业学院森林工程系

摘要
地上生物量的估算对于可持续森林管理和碳封存核算至关重要。本研究评估了结合定量结构模型（Quantitative Structure Models, QSM）的地基激光扫描（Terrestrial Laser Scanning, TLS）技术在泰国兰帕昂省（Lampang Province）柚木（Tectona grandis）种植园中的应用效果。研究分为两个主要阶段进行。

第一阶段重点验证数字重建过程的准确性，通过将AdQSM和TreeQSM所得体积与从30棵参考树木进行的破坏性采样实际测量结果进行比较。使用Kruskal-Wallis H检验的统计分析表明，数字模型体积与物理测量结果之间没有显著差异（p = 0.911），均方根误差（RMSE）小于0.016立方米。这些发现证实TLS-QSM技术具有高精度，可以有效地替代破坏性采样方法来测量树木体积。

第二阶段测试了十个生物量估算模型的效率。这些模型基于QSM数据开发，使用了不同的参数和样本量，并与基于破坏性采样的参考方程进行了比较。这些模型应用于980棵树木，以评估估算的一致性。分析显示，在总体水平上存在显著差异（卡方检验结果为60.6，p < 0.001）。其中，基于QSM的局部化模型Y4（结合了DBH2×H参数）取得了最高的准确性（R2 = 0.98，RMSE = 7.29千克）。相比之下，广泛使用的区域模型Y9的误差显著较大（RMSE = 31.79千克）。

总之，本研究表明TLS-QSM技术不仅是一种可靠的非破坏性生物量估算工具，而且基于QSM数据开发的局部化异速生长方程也比通用区域模型具有更高的准确性。这种方法为柚木种植园的高精度碳核算提供了一个可靠的框架，同时消除了破坏性采伐的必要性。

1. 引言
柚木（Tectona grandis Linn.f.）因其卓越的耐久性、美观性和天然的抗腐性而被全球公认为最有价值的热带硬木物种之一（Kollert等人，2024年）。除了支持高端建筑和造船的优越木材特性外，柚木种植园在生态系统服务中也发挥着关键作用，特别是在碳封存和减缓气候变化方面（Boonsermsuk等人，2022年；Rahmawati等人，2022年）。目前，全球柚木种植面积约为485万公顷，泰国是重要的种植中心，管理着超过277,280公顷的柚木林地（Kollert等人，2024年；Na Takuathung，2022年）。

在全球可持续性目标背景下，特别是可持续发展目标13（气候变化行动）和15（陆地生命），以及REDD+等碳信用机制中，准确评估柚木种植园的生物量对于精确的碳核算至关重要（Chayaporn等人，2021年；Siregar等人，2025年）。为了减少碳信用估值的不确定性，国际框架越来越要求采用基于特定局部异速生长方程的第三级方法（Siregar等人，2025年）。然而，由于不同林分年龄下的结构变异性和生物量分配模式的不同，估算热带种植园的地上生物量（AGB）仍然具有挑战性（Hiratsuka等人，2005年；Siregar等人，2025年）。传统的估算方法主要依赖于人工测量和破坏性采样，这些方法现在被认为负担沉重，因为它们耗时、成本高昂且不符合生态环境要求（Demol等人，2022年；Hernández-Moreno等人，2025年；Momo Takoudjou等人，2018年）。此外，将通用异速生长方程应用于不同地点通常会引入系统偏差，因为这些模型可能无法考虑当地林分密度、管理实践和特定地点的木材密度差异（Chave等人，2014年；Demol等人，2022年；Siregar等人，2025年）。

为了克服这些限制，地基激光扫描（TLS）作为一种变革性的非破坏性工具应运而生。TLS能够提供高分辨率的3D点云数据，从而精确重建树木结构，这种方法常被称为定量结构建模（Quantitative Structure Modeling, QSM）（Raumonen等人，2013年）。最近的研究强调了TLS捕捉复杂结构参数的能力，如细枝架构和精确的树干体积，其重复性优于手动仪器（Ali等人，2025年；Danson等人，2018年）。这些技术进步引入了专门的算法，如3D Forest、TreeQSM和AdQSM，使得树木体积和结构参数的自动化提取成为可能（Fan等人，2020年；Trochta等人，2017年）。尽管TLS在各种森林类型中显示出潜力，但其在不同年龄级别的柚木种植园（例如18年和36年）中的验证工作仍需进一步研究。

本研究通过在泰国柚木种植园中对TLS和传统破坏性采样方法进行严格的比较评估，填补了这一空白。本研究的新颖之处在于采用了多算法方法，评估了TreeQSM和AdQSM在单棵树尺度上的表现。通过将这些非破坏性模型与现场采集的数据进行验证，本研究旨在建立优化的精准林业工作流程，提高热带种植园系统碳核算的可靠性。

2. 材料与方法
2.1. 研究地点
研究位于泰国北部的兰帕昂省（Lampang Province）的Mae Jang种植园（纬度18.25372–18.37461°N，经度99.72845–99.82943°E），如图1所示。根据2023年的数据，该地区的年平均降雨量约为1,200毫米，年平均温度为26.7°C。种植园中的主要树种是柚木（Tectona grandis），主要用于木材生产。在种植园内设立了12个40米×40米的样本地块，以捕捉包括平坦和倾斜地形在内的场地异质性。选择了18年和36年的林分作为代表泰国柚木种植园的关键管理阶段——即第一次间伐前和最终采伐前的阶段。这些阶段反映了典型的间伐和轮作实践，其中柚木林通常在15年和25年时进行间伐，然后在30-40年时进行皆伐（Kaakkurivaara等人，2022年）。然而，胸径（DBH）并不直接对应于林分年龄，因为它受到旨在经济目的而选择较大树木的间伐方式以及不规则地形的影响。数据收集于2024年1月，在落叶期间进行。

2.2. 数据收集
在每个样地中，所有柚木树的胸径和总高度均通过人工测量和地基激光扫描进行测量。使用Faro Focus Premium 150地基激光扫描仪（FARO Technologies, Inc.）收集高分辨率的三维点云数据。扫描仪配置为?（6.1毫米/10米）的分辨率，质量设置为3×，启用了彩色捕捉功能，同时禁用了夜间模式和HDR功能。这些设置旨在确保在田间条件下准确捕捉树木结构特征。

2.3. 点云分析
地基激光扫描数据采用基于网格的系统性扫描设计进行采集，以确保每个样地内树木茎干和分支的全面覆盖。每个40米×40米的样地被划分为10米×10米的网格单元，共计16个子样地。TLS仪器位于每个网格单元的中心，每个样地大约有25个扫描位置，以最小化遮挡效应并提高点云的完整性。在每个扫描位置，战略性放置了参考目标，以便准确注册各个扫描结果。这种基于网格的扫描策略确保了不同扫描位置的点云能够可靠地合并到一个统一的坐标系统中。这种网格化扫描策略提供了跨样地的高空间一致性，确保了树木结构属性能够以足够的精度重建，从而用于后续的体积、生物量和碳储量估算（Calders等人，2022年）。

2.4. 异速生长方程的开发
为了开发异速生长方程，根据样地测量数据将树木分为五个胸径类别（Dutc?等人，2018年），每个类别采集六棵树木以实现胸径范围的均衡覆盖（Dutc? & McRoberts，2024年）。测量时重点关注树干和树枝的生物量，由于点云穿透能力有限，因此省略了叶片（Balduzzi，2014年；Pitk?nen等人，2020年）。树木在1米的间距处被砍伐（Picard等人，2012年），现场测量新鲜木材的重量（Demol等人，2021年），并使用卡尺测量每个截面的直径，以计算横截面积、锥度轮廓和生物量。每个间隔的木材样品在实验室烘干至恒定质量（Aabeyir等人，2020年；Demol等人，2021年），以便准确评估木材密度和含水量。这一严格的过程生成了干燥生物量和体积的参考数据，用于验证TLS估算的生物量预测（Wang & Li，2025年）。

2.5. 组件分析
场采集的TLS点云在FARO Scene软件中进行了初步处理，包括扫描注册和噪声过滤。注册后的点云被导出为LAS格式，然后导入到3D Forest软件（Trochta等人，2017年）中，这是一个专为可视化和分析森林环境中的地基LiDAR数据设计的开源平台。在3D Forest中，使用自动化和手动分割方法划分了地面和植被层。通过软件的树木检测算法识别单个树木。对于结构参数的提取，使用随机霍夫变换（Randomized Hough Transform, RHT）算法估算胸径（DBH），该算法以其在噪声点云中拟合圆的稳健性著称，最近已被验证可用于高精度估算种植园树木的树干直径（Rianthakool等人，2025年）。树高是通过计算云的最高点与最低树干点之间的垂直距离确定的。所有特定于树木的点云随后被导出，采用两种定量结构建模方法（AdQSM和TreeQSM）进行体积重建。

AdQSM（Advanced Quantitative Structure Model，Fan等人，2020年）是一款基于MATLAB的工具，通过适应不规则分支几何形状和复杂拓扑结构来改进传统的QSM方法。AdQSM 1.7.5版本使用了多尺度分割算法，提高了特别是在阔叶树种中的稳健性和准确性。TreeQSM（Calders等人，2015年；Raumonen等人，2013年）是另一种广泛使用的QSM工具，它通过分层框架将圆柱体拟合到点云上来重建树木结构。TreeQSM 2.4.1版本在MATLAB中实现，用于处理输入点云，以生成树干和树枝体积的估算（Griese等人，2025年）。

2.6. 结果与讨论
本研究通过对比TLS和传统破坏性采样方法在泰国柚木种植园中的生物量估算效果，填补了这一研究空白。其创新之处在于采用了多算法方法，评估了TreeQSM和AdQSM在单棵树尺度上的表现。通过对这些非破坏性模型进行现场采集数据的验证，本研究旨在建立精准林业的优化工作流程，并提高热带种植园系统碳核算的可靠性。**基于QSMs和破坏性测量的体积比较**

为了严格评估定量结构模型（QSMs）生成的体积估计的准确性，这些估计值直接与通过树木破坏性采样获得的参考体积进行了比较。这一步骤为非破坏性地形激光扫描（TLS）方法提供了必要的验证（Moorthy等人，2022年；Price等人，2025年）。AdQSM和TreeQSM为同一30棵被破坏性采伐的树木生成的体积与破坏性采样的参考体积进行了比较。首先使用Shapiro-Wilk检验来评估体积数据的正态性。由于数据不符合正态性假设，因此使用非参数的Kruskal-Wallis H检验来评估三组数据之间的差异。此外，还计算了均方根误差（RMSE），以量化与破坏性测量参考体积的预测偏差。

**2.6. 不同计算方法在地块层面预测生物量的比较**

使用来自12个样地的980棵实地测量树木的胸径（DBH）和高度数据作为完整的库存数据集，来评估生物量预测的一致性。然而，从TLS-QSM数据导出的异速生长方程是基于较小的子集（n=812–831）开发的，这些子集仅包括经过质量控制和异常值去除后成功重建的树木。本研究评估并比较了10个生物量估计模型（Y1–Y10），包括：
1. 从TLS点云数据导出的8个生物量估计模型（基于AdQSM和TreeQSM，随后使用30棵被破坏性采伐树木的木材密度值转换为生物量）；
2. 一项在附近地区进行的先前柚木研究中发布的异速生长方程（Wiriya-buncha等人，2002年）；
3. 从本研究中30棵被破坏性采伐的样本树木开发的异速生长方程。

将所有10种方法得到的生物量值进行统计比较，以确定估计值的变化情况。通过ANOVA检验方法之间的显著差异，并使用RMSE评估每种方法相对于破坏性测量得到的生物量值的准确性。

**3. 结果**

**3.1. 样本树木特征和真实数据**

表3总结了30棵柚木样本树的生物测量特征和生物量分布，这些树木分布在五个直径类别中。样本群体的平均胸径为18.41 ± 8.26厘米，各类别的平均值从最小类别（4.5–10.04厘米）的7.00 ± 1.91厘米到最大类别（26.66–32.20厘米）的29.55 ± 1.89厘米不等。总树高也呈现出类似的增长趋势，平均值为16.15 ± 3.99米，最大类别的平均值为20.58 ± 1.30米。

**表3. 30棵柚木样本树在不同胸径类别下的物理特征和生物量分布**

| 胸径类别（厘米） | DBH（厘米） | H（米） | 枝干生物量（千克） |
|-----------|---------|--------|-----------|
| 4.5 - 10.04 | 7 ± 1.91 | 9.98 ± 2.56 | 409.75 ± 218.26 |
| 10.04 - 15.58 | 13 ± 1.87 | 14.95 ± 1.85 | 1174.42 ± 48 |
| 15.58 - 21.12 | 18.5 ± 1.87 | 17.62 ± 1.26 | 2288.87 ± 43 |
| 21.12 - 26.66 | 24.02 ± 1.88 | 17.64 ± 1.63 | 367 |
| 26.66 - 32.20 | 29.55 ± 1.89 | 20.58 ± 1.30 | 464 |
| 总计 | 18.41 ± 8.26 | 16.15 ± 3.99 | 2439.00 ± 1,668 |

关于生物量组成部分，平均枝干生物量从第一类别的409.75 ± 218.26千克增加到第五类别的4,649.42 ± 715.22千克，总样本的平均值为2,439.00 ± 1,668千克。30棵样本树的生物量平均值为2,892.25 ± 1,726.32千克，显示出与胸径和高度增加的一致相关性。这些破坏性测量建立了评估非破坏性TLS和QSM体积重建准确性的必要基线真实数据。

**3.2. QSM算法的性能**

为了评估数字重建的准确性，将从AdQSM和TreeQSM算法得到的总体积与通过破坏性采样获得的真实体积进行了比较。结果表明，AdQSM和TreeQSM提供了非常详细的柚木树木3D表示。图2显示了使用AdQSM和TreeQSM从地形激光扫描得到的柚木树木的树干和树枝的分割情况，展示了详细的模型重建。初步的正态性测试表明，所有三种方法的体积数据都不遵循正态分布。因此，采用了Kruskal-Wallis H检验作为非参数统计方法来识别各组之间的潜在差异（Chan & Walmsley，1997年；Ross等人，2024年）。

统计分析显示，两种QSM算法的体积估计与物理测量之间没有显著差异（χ2=0.187，df=2，p=0.911，ε2=0.0021）。图3中的箱形图在视觉上也支持了这一结果，显示数字重建和真实数据之间的中位数几乎相同，四分位数范围高度重叠（Arnau-Mollá等人，2024年）。AdQSM和TreeQSM的RMSE值分别为0.016立方米和0.014立方米，突显了这两种算法在近似真实木质体积方面的精确度。

图3中的体积数据分布证实，AdQSM和TreeQSM都能准确复制30棵样本柚木树木的实际物理体积（Fan等人，2020年；Raumonen等人，2013年）。高p值（p>0.05）表明，两种非破坏性激光扫描方法的体积输出与传统的破坏性方法在统计上是一致的，验证了它们在柚木种植园中估计生物量的可靠性（Newnham等人，2015年；Takoudjou等人，2017年）。然而，如图3所示，AdQSM似乎高估了多茎树木的体积，这一结果可归因于样本中的这个个别实例。

**3.3. 生物量异速生长模型的准确性**

表4总结了为估计柚木地上生物量而开发的十个异速生长方程（Y1至Y10）的性能。方程Y1至Y8是从TLS点云评估中得出的，使用了两种QSM算法（将体积转换为重量），涵盖了不同样本大小（大约810–830棵树和30棵被破坏性采样的小子集），以比较大样本与小样本的性能，以及仅基于胸径的模型与同时考虑胸径和高度的模型（DBH2H）的性能。方程Y10是根据Wiriya-buncha等人（2002年）的先前研究开发的，从泰国收集的数据中得出的，并广泛用于柚木生物量估计。方程Y10是在本研究中通过对30棵树木的直接破坏性采样中开发的，作为特定地点的本地参考。这些模型是根据模型拟合的确定系数（R2）进行评估的。

**表4. 柚木地上生物量估计的异速生长模型比较**

| 模型类型 | N | 异速生长方程 | R2 | 相对于Y10的RMSE（千克） |
|--------------|-------------|----------------|--------------|----------------|
| Model 1 | AdQSM | 8 | 25 | 0.0642 |
| Model 2 | 812 | Y1=0.0247 | (DBH2H) | 0.9942 |
| | | 0.96 | 17.85 |
| Model 3 | 30 | Y3=0.0852 | (DBH2H) | 0.9513 |
| | | 43 | 0.9513 |
| Model 4 | 30 | Y4=0.0286 | (DBH2H) | 0.9696 |
| | | 0.987.29 | |
| Model 5 | TreeQSM | 831 | Y5=0.0929 | (DBH2H) | 0.9513 |
| | | 36 | 0.9513 |
| Model 6 | 824 | Y6=0.0378 | (DBH2H) | 0.9325 |
| | | 0.9712.93 | |
| Model 7 | 30 | Y7=0.1337 | (DBH2H) | 0.9414 |
| | | 30 | 0.9002 | 0.9716.05 |
| Model 8 | Wiriya-buncha (2022) | 63 | Y9=0.0271 | (DBH2H) | 0.9435 |
| Model 9 | 30 | Y9=0.0281 | (DBH2H) | 0.9795 |
| | | 0.9795 | |
| Model 10 | 破坏性采样 | 30 | Y10=0.0281 | (DBH2H) | 0.9795 |

**备注：** 样本大小（N）因模型而异，因为仅包括了成功重建的QSM树木，并在方程拟合期间应用了特定模型的异常值过滤。**所有十个方程都应用于预测12个地块中980棵树的生物量，使用实地测量的胸径和高度。RMSE值是每个模型的生物量预测与完整库存数据集（n=980）中参考方程（Y10）生成的生物量预测之间的均方根偏差。

为了进一步评估来自十个异速生长方程的生物量估计是否在统计上一致，进行了Kruskal-Wallis H检验。选择这种非参数方法是因为所有模型估计的地上生物量值都呈现非正态分布（Ponce-Donoso等人，2017年；Ross等人，2024年）。统计分析显示，十个方程的预测输出之间存在显著差异（χ2=61.6，df=9，p=6.63×10^-10）。然而，效应量很小（ε2=0.00537），表明尽管在统计上显著，但模型之间的差异幅度有限。随后的事后成对比较表明，通用模型Y9与其他所有特定研究模型显著不同（p<0.01）。虽然特定研究的模型（Y1至Y8）和真实模型（Y10）之间没有显著的统计差异，但Y9的RMSE（31.79千克）显著高于其他模型，这与表3中的结果一致。图4显示了十个异速生长模型对30棵柚木树木的枝干生物量估计的箱形图比较。

**4. 讨论**

**4.1. TLS衍生QSMs的一致性和可靠性**

本研究的结果表明，地形激光扫描结合定量结构模型提供了一种高度可靠、非破坏性的替代传统破坏性采样的方法，用于柚木体积估计。AdQSM、TreeQSM和破坏性采样体积之间没有显著差异（p=0.911），证实这两种算法都能准确捕捉柚木树木的复杂3D结构（Newnham等人，2015年；Takoudjou等人，2017年）。之所以选择使用Kruskal-Wallis H检验，是因为体积数据的非正态分布，这是森林结构度量的常见特征，其中树木尺寸通常呈现右偏分布（Ponce-Donoso等人，2017年；Ross等人，2024年）。高p值表明，数字重建在统计上与物理测量无法区分，进一步增强了QSMs在种植园库存中的稳健性（Fan等人，2020年；Raumonen等人，2013年）。对于需要精确体积数据进行碳封存建模的柚木种植园而言，这种一致性尤为重要，因为这无需付出砍伐树木的环境代价（Aguilar等人，2019年；Takoudjou等人，2017年）。

**4.2. 特定研究异速生长模型的性能**

开发特定地点的异速生长方程（Y1–Y8）进一步凸显了TLS技术的优势。我们的发现表明，同时考虑直径和高度（DBH2H）的模型比仅考虑直径的模型具有更高的准确性，其中模型Y4的R2为0.98，RMSE值最低（Krause等人，2023年；Stovall等人，2018年）。这种卓越的性能可以归因于TLS能够提供精确的单个树木高度测量，而这些测量在传统的实地调查中经常受到观察者误差的影响（Lin等人，2023年；Newnham等人，2015年）。此外，破坏性采样模型（Y10）的高相关性（R2=0.96）验证了TLS衍生方程（Y2和Y4）不仅在统计上一致，而且反映了样本群体的真实生物量分布（Aguilar等人，2019年；Takoudjou等人，2017年）。

**4.3. 通用区域方程的偏差**

统计比较中最显著的发现是模型Y9的显著偏差。尽管其R2很高，但Kruskal-Wallis事后检验证实Y9与其他所有特定研究模型显著不同（p<0.01）（Chan & Walmsley，1997年；Wiriya-buncha等人，2002年）。与Y9相关的高RMSE表明，通用区域方程可能无法考虑地点特定的树木形态、林分密度和局部环境条件变化（Demol等人，2022年；Wiriya-buncha等人，2002年）。这一差异强调了生物量异速生长模型的地点特异性：为一个广泛区域开发的模型在应用于具有不同管理制度的特定种植园时，可能会系统性地低估或高估生物量（Aguilar等人，2019年；Lin等人，2023年）。因此，我们的结果表明，对于高精度的柚木种植园碳核算，使用非破坏性TLS数据得出的本地化异速生长方程优于现有的通用模型（Demol等人，2022年；Krause等人，2023年）。TLS衍生的QSMs的整合使得能够在更大的样本规模（例如，本研究中的N>800）上快速生成这些本地化模型，提供了比单独使用传统破坏性采样更统计稳健的基础（Fan等人，2020年；Newnham等人，2015年）。

**4.4. 基于TLS的生物量估计的准确性**

基于上述体积可靠性，研究结果证实，TLS结合QSMs能够实现柚木种植园地上生物量的高精度估计，与破坏性采样相当。AdQSM和TreeQSM都获得了稳健的模型拟合，R2值超过0.97，RMSE值极小，尤其是在包含高度的模型中。这些结果与先前在热带和温带森林中的TLS研究一致，证实了QSM提取的架构参数能够提供精确的树木体积和生物量估计，误差较小（Demol等人，2022年；Fan等人，2020年；Stovall等人，2018年；Takoudjou等人，2017年）。例如，AdQSM在使用破坏性验证的TLS数据时，已经证明了其在估计不同热带物种的DBH（胸径）、高度、体积和AGB（总生物量）方面的低偏差（Fan等人，2020年）。特别是在柚木种植园中，利用DBH和高度得到的异速生长关系可以有效地预测树干体积和生物量，而无需进行破坏性采集（Aguilar等人，2019年）。DBH2H模型的改进效果进一步强调了包含高度的价值，因为高度提供了必要的结构细节，有助于减少仅依赖DBH的公式中的偏差——尤其是在树干形态、锥度和高度-DBH异速关系随林龄和管理方式而变化的种植园中。在天然森林中，多变量TLS模型也展示了类似的改进效果，这突显了包含高度的指标在减少QSM生物量评估中的结构差异方面的广泛实用性（Disney等人，2019年；Krause等人，2023年；Stovall等人，2018年）。与之前仅依赖TLS体积的柚木研究不同，本分析将QSM生物量预测与破坏性测量结果进行了交叉验证。这为TLS和QSM作为可靠的非破坏性工具提供了实证支持，可用于开发特定物种的异速生长方程，并精确评估柚木种植园的生物量和碳储量（Newnham等人，2015年）。

4.5 评估模型可转移性和本地校准的作用
一个关键的发现是，针对特定柚木种植园研究得出的TLS生物量模型与普遍使用的异速生长方程之间存在差异（Wiriya-buncha等人，2002年）。外部模型显著低估了当前地点的AGB，导致了较大的预测误差。这表明，尽管物种和地区之间存在相似性，但将通用或区域调整的异速生长模型外推到结构不同的林分时存在局限性。林分成熟度、森林培育方式、树干形态以及高度-DBH动态的变化会导致系统性的偏差，除非进行本地结构调整（Takoudjou等人，2017年）。相反，基于少量本地样本校准的TLS模型在预测准确性方面与基于大型数据集的模型不相上下，这得益于QSM捕捉到的三维结构信息。先前的研究也得到了类似的结果，即TLS或特定地点的异速生长关系优于通用方程——尤其是在具有年龄相关变化的均匀种植园中（Aguilar等人，2019年；Demol等人，2022年；Stovall等人，2018年）。这些观察结果与TLS能够更准确地描述树木几何形态的观点一致，其在捕捉形态、体积和变异性方面优于传统指标（Disney，2018年）。因此，TLS通过稀疏采集实现了精确的本地调整，提高了模型的可转移性，并减少了在无法使用破坏性方法时进行林分级生物量和碳评估的不确定性（Disney等人，2019年；Krause等人，2023年）。

4.6 对森林监测和碳核算的操作影响
TLS生物量预测与破坏性基准结果的密切一致性确立了TLS作为一种可靠的非破坏性方法，适用于种植园中的生物量和碳量化（Demol等人，2022年；Newnham等人，2015年；Stovall等人，2018年）。这一点对于操作性监测和碳登记（如REDD+和国家库存）尤为重要，因为这些工作要求精确性、可重复性和可验证性，即使存在破坏性限制也是如此。最近在自动化树木分割技术（如TLS2trees）方面的进展使得能够处理大规模的点云数据，从而促进了从稀树草原到热带雨林等各种类型森林的高效清查（Wilkes等人，2023年）。林分级TLS生物量的一致性进一步证明了QSM方法的可扩展性，可以从单个树木应用到全面清查，而不会损失准确性。通过解析三维形态，TLS减轻了由树干锥度和高度-DBH变异引起的不确定性——这些都是种植园中常见的问题（Disney，2018年；Stovall等人，2018年）。将TLS纳入标准清查流程可以提高碳储量的精确度，为管理决策（如间伐、采伐等）提供依据，并为遥感校准（包括星载激光雷达和雷达）提供基准（Disney等人，2019年）。像3D Forest、AdQSM和TreeQSM这样的开源平台提高了TLS的实际应用价值，促进了其在监测和碳核算中的普及（Calders等人，2015年；Raumonen等人，2013年）。

4.7 局限性、新兴协同效应和未来研究方向
尽管TLS模型在这里展现出了有效性，但仍有一些需要注意的问题。在密集或叶片茂密的林分中，由于点云遮挡，TLS体积的准确性可能会下降，这会模糊树枝和上部树干，从而影响分支/体积指标的测量结果（Disney等人，2019年）。叶层清除会排除叶部生物量，使得估计结果仅限于木质部分——这是TLS的一个常规限制——但多季节扫描或通过深度学习进行叶肉分类可以解决这一问题（Li等人，2024年）。未在此研究的根生物量可以通过TLS地上指标、根冠比或地球物理学方法进行未来研究，以实现全面的碳核算。与无人机搭载的LiDAR和多光谱传感技术的结合有望实现全面的AGB映射，将TLS的细节与空中覆盖范围结合起来，以减少遮挡并包括叶部信息（Brede等人，2022年；Lin等人，2023年）。深度学习在点云分割和QSM优化方面的进步将进一步提升复杂热带林分中的自动化程度和准确性（Seely等人，2023年；Wielgosz等人，2024年）。尽管TLS在林分级层面表现出较强能力，但为了实现区域/国家级别的应用，仍需在不同林分年龄、密度和地形条件下对其进行验证。将TLS扩展到多种种植园类型，并结合AI和多平台LiDAR技术，将提高其通用性和整合到库存/碳核算框架中的能力（Chen等人，2025年）。

5. 结论
本研究证实了地面激光扫描作为一种非破坏性方法，在准确量化柚木种植园地上生物量方面的巨大潜力，强调了其在完善碳储量评估和指导可持续森林管理实践中的作用。通过破坏性测量结果进行的实证验证，证明了TLS和QSM是开发特定物种异速生长方程和提升柚木种植园生物量估计的可靠工具。这项研究突显了TLS克服传统异速生长模型局限性的能力，特别是在异质环境或树木形态不规则的条件下，通过捕捉详细的三维结构信息实现了这一点。未来的研究应侧重于优化QSM算法以适应复杂的树冠结构，并开发稳健的方法来整合叶部生物量，可能通过多季节TLS采集或与其他遥感技术的融合来实现更全面的地上生物量评估。

CRediT作者贡献声明：
Chakrit Na Takuathung：撰写初稿、可视化、形式分析、概念化。
Jirawat Yingdee：方法学、调查、形式分析、数据管理。
Theerapong Chumsangsri：监督、数据管理、概念化。
Narinthorn Jumwong：监督、方法学、调查、数据管理、概念化。
Ponthep Meunpong：监督、概念化。
Pattama Sangvisitpirom：方法学、调查、数据管理。
Tharnrat Kaewgrajang：监督。
Supasit Sriarkarin：监督。
Venus Tuankrua：监督、方法学。
Narongchai Chonlapap：监督。
Sitthichai Songbut：调查、形式分析、数据管理。
Watcharin Sangsing：调查、形式分析、数据管理。
Laddawan Rianthakool：撰写审查与编辑、监督、资金争取、概念化。