基于无人机激光雷达与多光谱数据的物理引导机器学习实现单木地上生物量精准估算

 文章标题：基于无人机激光雷达与多光谱数据的物理引导机器学习实现单木地上生物量精准估算

Accurate individual-tree aboveground biomass estimation via physics-guided machine learning on UAV-based LiDAR and multispectral data

研究单位：中国矿业大学（北京）地球科学与测绘工程学院 

摘要：

精准估算单木地上生物量（AGB）对于精细尺度下的碳储量评估至关重要。现有方法存在一定局限：传统方法未能充分挖掘结构信息；而纯机器学习（ML）模型容易出现过拟合问题，在野外实测样本有限的条件下，还缺乏生态学合理性。为解决上述问题，本研究提出一种物理引导机器学习（PGML）方法，将树木异速生长方程与机器学习进行协同融合。该模型使用由无人机（UAV）激光雷达（LiDAR）与高光谱数据提取得到的结构及生物物理特征。基于野外实测数据的验证结果表明：该 PGML 模型对落叶松、樟子松、杨树三个树种均取得较高估算精度，决定系数(R2)分别为0.80、0.87、0.88，均方根误差（RMSE）依次为 8.14 kg、9.56 kg、17.67 kg。模型同时保持较低的物理不一致率（PIR：9.3、9.84、10.85），相比三种传统方法，精度提升12%-18%。将 PGML 模型跨区域直接迁移应用到新样地，得到的(R2)介于0.43-0.73之间。本研究的主要创新点在于：有效融合树木物理生长机理与数据驱动的机器学习，在复杂林分条件下，同时提升了单木地上生物量估算的预测精度、模型稳定性以及生态学可解释性。 

数据采集：

本研究依托大疆 M300 无人机搭载X20P框幅式高光谱成像仪进行数据采集。飞行参数设置：地速5 m/s，相对航高150 m，航向重叠率85%，旁向重叠率75%。采用交叉航线飞行设计，保证地面每一处位置至少被两幅影像覆盖，为高质量三维重建与数据融合提供可靠基础。X20P框幅式高光谱传感器光谱覆盖范围 350～1000nm，共计164个波段，光谱采样间隔4nm。

图1研究区分布图，展示辽宁省野外调查样地位置。样地位置以粉色五角星标记。左下角小插图展示典型样地的尺寸、目视解译结果以及冠层高度模型

（CHM）

图2 怀来试验区分布图。左图：三个树种的野外样地分布；右图：侧柏的树冠分割示例与冠层高度模型（CHM）

研究方法：

图 3 本文提出的单木地上生物量估算 PGML 框架整体技术流程。该框架包含无人机数据采集与预处理、单木分割（ITS）以及结构与生理特征提取、基于动态加权策略、引入物理约束的机器学习开展地上生物量估算，以及最终的模型验证与可视化。

表1 本研究采用的三组异速生长方程

表2物理引导模型的候选形式

图 4 无人机特征在针叶林中的估算精度

图 5 无人机特征在阔叶林中的估算精度

表 3 特征及其与地上生物量（AGB）的相关性

图 6 精度散点图。(a)-(c) 三种树种基于机器学习（ML）的地上生物量估算散点图；(d)-(f) 三种树种基于物理引导机器学习（PGML）的地上生物量估算散点图。

图 7 物理引导融合至不同机器学习模型下 3 个树种的平均绝对百分比误差（MAPE）、平均绝对误差（MAE）与物理不一致率（PIR）结果。蓝色柱代表各机器学习模型的 MAPE，绿色柱代表各机器学习模型的 MAE，粉色圆点代表各机器学习模型的 PIR。

图 8 最终估算结果。图(a)-(e)左侧为样地及周边林分的冠层高度模型（CHM），右侧为样地单木地上生物量（AGB）估算结果。图(a)、(b)为落叶松结果，图(c)、(d)为樟子松（MS Pine）结果，图(e)为杨树结果；图(f)为三个树种精度的三维散点图。

图 9 基于 SHAP 的可解释性分析

图 10 消融实验：对比落叶松、樟子松（MS Pine）、杨树的自适应权重与固定权重 PGML 模型的地上生物量（AGB）估算决定系数\(R^2\)与均方根误差（RMSE）。

表 4 三种可迁移性情景下的模型性能

表 5 基于 Jin 等人（2024）方法构建仅使用树高（H）+ 冠幅（CD）的异速生长方程开展单木地上生物量（AGB）估算结果

图 11 双误差驱动下单木地上生物量（AGB）估算的综合不确定性分析。(a)(b) 分割误差的收敛性与分步影响；(c)(d) 树高提取误差的分布验证与单木稳定性。

研究结论：

本研究提出并验证了一种创新的物理引导机器学习（PGML）方法，用以实现单木地上生物量（AGB）精准估算，有效解决了传统方法在结构特征融合与生态学一致性方面存在的缺陷。该方法的技术创新在于：将无人机激光雷达（UAV-LS）提取的结构指标（96thH、A）作为物理约束引入异速生长模型，并辅以具备生物物理可解释性的叶面积指数（LAI）与叶绿素（Chl）特征，构建生态学逻辑自洽的输入特征空间。该方法将物理先验与机器学习相融合，能够对地上生物量积累过程给出机理层面的解释，建立起结构指标与生理过程之间的关联，保障估算结果的生态学一致性。以野外实测树高（H）、胸径（DBH）参数化的异速生长方程作为参照进行验证，无人机激光雷达提取的结构参数与野外实测数据具有显著相关性（P<0.01），证明其可用于地上生物量的高精度估算。通过结构化的特征筛选流程，确定 96thH 与 A 分别为关键的垂直、水平结构变量。研究针对落叶松、樟子松（MS Pine）、杨树，采用物种优化策略，选用LightGBM、Bagging、GBRT算法构建专属PGML模型。相较于传统方法，上述模型性能提升显著：落叶松(R2)为0.80（RMSE 8.14 kg），樟子松(R2)为0.87（RMSE 9.56 kg），杨树(R2)为0.88（RMSE 17.67 kg）。PGML方法同时提升了地上生物量估算的精度与生态学鲁棒性，在不同树种、不同林分条件下均表现出可靠性能，为碳储量的实际评估与管理搭建了可迁移的技术框架。引入的物理约束赋予该方法良好的生态学可解释性，有助于从机理层面理解生物量积累与固碳过程。未来研究可融合多时序遥感观测与动态生态模型，进一步解析森林生长与碳循环的时空动态，为森林保护、气候减缓领域的碳管理以及循证政策制定提供更加坚实的科学依据。

原文链接：10.1016/j.compag.2026.111972