更正：dos Santos 等人。Crotalaria spp. 对土壤中高铝有效性的生理响应。Plants 2024, 13, 2292

《Plants》：Correction: dos Santos et al. Physiological Responses of Crotalaria spp. to the Presence of High Aluminum Availability in the Soil. Plants 2024, 13, 2292 Beatriz Silvério dos Santos, Tassia Caroline Ferreira, Maiara Luzia Grigoli Olívio, Lucas Anjos de Souza and Liliane Santos de Camargos

　　

： 在阿尔伯塔省，负责任的资源开发需要对受扰动土地进行复垦，以达到与扰动前相当的土地生产力。目前，在经认证的复垦井场和油砂勘探（OSE）地块上，植被评估依赖于专业人员根据专业判断在认为具有代表性的区域设置的样地，这可能引入采样偏差。本研究比较了传统（判断）布设样地与随机布设样地在经认证的复垦地块上对木本植被属性的估算。此外，研究人员还评估了增加采样强度对部分地块的影响。地块层面的样地估算还与来自无人驾驶飞行器光探测与测距（UAV-LiDAR）和机载激光扫描（ALS）的估算值进行了比较。来自随机样地和判断性布设样地的木本茎秆密度和高度估算值总体上具有可比性；然而，在空间异质性恢复的地块上，基于判断的布设倾向于相对于大范围采样高估木本茎秆密度。LiDAR数据捕捉了木本植被的空间格局，但低估了茎秆密度，尤其是在密度高、呈簇状分布的地块上。

论文主体内容解读

1. 研究背景、问题与目的

在阿尔伯塔省，石油和天然气开发产生了大量井场和油砂勘探（OSE）扰动区域，法规要求对这些区域进行复垦，以达到“同等土地生产力”。植被结构是评估生态系统恢复的关键指标。然而，现行的详细场地评估（DSA）方法依赖于专业人员的主观判断来布设有限的采样样地，在植被恢复存在空间异质性的地块上，这种方法可能产生偏差，无法准确代表整个场地的状况。同时，遥感技术，特别是光探测与测距（LiDAR），提供了评估植被空间分布的新手段，但其在复垦监测中的准确性，尤其是在评估高密度木本植被时，尚未得到充分验证。

为了应对这些问题，本研究旨在比较不同的野外采样方法（专业判断布设 vs. 随机布设，以及不同样地大小/数量）对木本植被属性（茎秆密度和高度）估算的影响。研究人员还评估了无人机LiDAR（UAV-LiDAR）和机载激光扫描（ALS）在估算木本植被高度和密度方面的性能，并与野外数据进行了比较。最终目标是评估随机采样和LiDAR技术在提高复垦场地评估准确性、效率和代表性方面的潜力。

2. 主要研究方法概述

研究人员选择了阿尔伯塔省东北部14个经认证的复垦井场和OSE地块作为研究对象。研究方法包括：

1. 1.
   野外植被采样：在每个地块的栅格区域内，同时布设了基于专业判断（PJ）的10 m²圆形样地和随机（R）布设的10 m²样地。在其中6个植被恢复不均匀的地块，进一步增加了采样强度，布设了额外的随机（R+）样地和更大的50 m²随机（RL）样地。在样地内，调查了所有木本、非匍匐植物的物种和高度。
2. 2.
   LiDAR数据采集与处理：使用配备了DJI Zenmuse L2传感器的无人机采集了每个地块的UAV-LiDAR点云数据。同时，从阿尔伯塔省生物多样性监测研究所（ABMI）获取了相应区域的ALS数据。利用CloudCompare中的TreeAIBox插件，从点云中提取了单棵树木的位置和高度，并针对ALS数据的低点密度特点优化了体素分辨率参数。分析仅限于高度大于1.3米的木本茎秆，以匹配LiDAR的检测能力。
3. 3.
   数据分析：使用R软件进行统计分析。通过广义线性混合模型（GLMM）评估了样地类型对木本茎秆密度和高度估算的显著性影响。比较了不同采样方法（PJ, R, R+, RL）的估算结果，并将野外样地数据与LiDAR提取的植被属性进行了相关性分析和精度评估，包括计算决定系数（R²）和均方根误差（RMSE）。

3. 研究结果

3.1. 不同野外采样方法之间的场地特异性比较

不同样地类型得出的木本茎秆密度和高度估计值在不同地块间通常具有可比性，其均值±标准差范围存在重叠。然而，在某些地块，如Site 5和Site 12，基于专业判断的样地得出的木本茎秆密度均值高于其他样地类型。在Site 5、6和11，基于专业判断的样地得出的平均高度较高，而在Site 12，随机样地得出的平均高度较高。当分析仅限于高度大于1.3米的木本物种时，在Site 5和14，不同样地类型之间的差异更为明显。

3.2. 采样方法对高度和密度估计值的影响

在所有14个研究地块中，专业判断样地和随机样地之间在平均木本茎秆密度、平均木本物种高度、高度大于1.3米的物种的平均茎秆密度或平均高度方面均未检测到显著差异。但在增加采样强度的6个地块子集中，统计模型检测到样地类型对总茎秆密度有显著影响，专业判断、随机和额外随机样地得出的密度估计值显著高于大随机样地。对于高度大于1.3米的木本物种，专业判断样地得出的密度估计值显著高于额外随机样地和大随机样地。平均木本物种高度不受样地类型的显著影响。

3.3. LiDAR结果

3.3.1. 参考树结果

UAV-LiDAR对随机选择的参考树的总体检测率为50%，检测率因物种而异，柳树和纸皮桦最低（44%），云杉最高（62%）。在可识别和匹配的参考树中，UAV-LiDAR得出的高度与野外测量高度高度一致（R²= 0.98，RMSE = 23厘米），但UAV-LiDAR倾向于轻微低估树高。由于ALS数据空间分辨率较低且茎秆密度高，无法对单棵参考树进行自信的区分和匹配验证。

3.3.2. LiDAR与野外数据在场地层面的比较

当考虑平均值和标准差时，UAV-LiDAR和ALS得出的高度估计值与基于样地的估计值吻合良好，但LiDAR估计值倾向于略微高估场地平均高度。相比之下，密度估计值受场地条件（包括茎秆密度、高度和物种组成）的强烈影响。在所有地块中，LiDAR检测率（以捕获的基于样地的茎秆密度百分比表示）对于UAV-LiDAR在14%到79%之间，而ALS始终检测到更少的茎秆，捕获了基于样地的平均密度的1%到21%。在基于样地的密度低于4000 sph（每公顷茎秆数）的地块，UAV-LiDAR和ALS密度估计值通常落在基于样地值的平均值±标准差范围内。在茎秆密度较高（>10,000 sph）的地块，UAV-LiDAR和ALS都显著低估了木本茎秆密度。UAV-LiDAR检测率与基于样地的茎秆密度呈强负相关，而ALS检测率与基于样地的茎秆密度没有显著关系。

3.4. 解释样地层面密度不达标的原因

在14个研究地块中，有3个地块（21%）的至少一个随机布设样地未达到地块层面的最低密度标准。对于这3个地块，UAV-LiDAR数据被用来评估整个地块的植被恢复模式，以解释为何某些随机样地未能达到复垦标准，并评估场地层面的整体恢复情况。UAV-LiDAR得出的茎秆分布揭示了这些地块高度异质的空间格局。尽管存在不达标的样地，但场地层面的木本茎秆密度仍然很高。空间信息还显示出与步道网络一致的线性特征。

4. 讨论与结论

在野外采样方法方面，尽管在所有14个地块中，专业判断样地与随机样地的估计值无显著差异，但在植被恢复异质性的地块上，专业判断样地倾向于高估木本茎秆密度。随机样地的估计值与增加采样的方法更为一致，表明在空间异质性恢复的地块上，随机样地能提供更具代表性的植被属性估计。因此，研究人员建议在基于野外的复垦评估中使用预定的随机样地位置，但前提是应以场地层面密度标准优先于严格的样地层面阈值。

在LiDAR评估方面，LiDAR低估木本茎秆密度主要是由于对低矮植被的漏检以及在茎秆密度高的区域树冠分割效果不佳。UAV-LiDAR检测率与基于样地的茎秆密度呈显著负相关。ALS检测率低于UAV-LiDAR，且与基于样地的密度无显著相关性。尽管存在这些限制，UAV-LiDAR在估算高度方面表现良好，并且提供了有价值的空间信息，可用于解释不同样地类型之间木本物种属性估计值的差异。研究人员认为LiDAR作为一种初步的恢复筛查工具，或用于指导有针对性的野外采样具有应用潜力。

该研究的一个关键限制是数据集之间存在时间错位：ALS数据采集于2022-2023年，而野外调查于2025年进行。未来的研究可以探索在高密度林分中改进LiDAR的单木检测。

结论翻译：

本研究结合基于野外的采样和LiDAR得出的指标，评估了经认证的复垦OSE地块和井场上木本植被的恢复情况。在所有地块中，来自随机布设样地的木本茎秆密度和高度估计值与来自专业判断布设样地的估计值具有可比性。然而，在表现出异质性恢复的地块上，使用专业判断布设样地倾向于高估木本密度，相对于从更大采样面积获得的估计值，表明在空间变化的植被条件下，样地布设效应的影响更为敏感。相比之下，随机样地的估计值与增加采样的方法更为一致，这表明，如果强调场地层面而非样地层面的标准，随机采样能提供更具代表性的场地状况评估。UAV-LiDAR和ALS都低估了场地层面的木本茎秆密度，并略微高估了场地层面的平均高度，这反映了检测小型木本植被的局限性以及在分割密集植被簇方面的挑战。ALS的检测率明显低于UAV-LiDAR。尽管存在这些局限性，UAV-LiDAR提供了有价值的空间和结构信息，支持其用作筛查工具，以识别可能不需要密集野外调查的地块，并在必要时指导有针对性的现场验证。总体而言，将随机野外采样与UAV-LiDAR数据相结合，为提高复垦井场认证的准确性、效率和透明度提供了一条有前景的途径。