伐區(qū)設(shè)計畢業(yè)論文一.摘要

在森林資源可持續(xù)管理背景下，伐區(qū)設(shè)計作為采伐作業(yè)的核心環(huán)節(jié)，對生態(tài)平衡與經(jīng)濟(jì)效益的協(xié)調(diào)具有關(guān)鍵作用。本研究以某省重點(diǎn)國有林場為案例，針對其山岳型地貌特征與多樹種混交的森林群落結(jié)構(gòu)，構(gòu)建了一套精細(xì)化伐區(qū)設(shè)計方案。研究采用三維激光掃描技術(shù)獲取地形數(shù)據(jù)，結(jié)合遙感影像解譯與樣地抽樣方法，建立伐區(qū)資源三維模型，并運(yùn)用系統(tǒng)動力學(xué)模型模擬不同精度下的采伐量與林分恢復(fù)效率。結(jié)果表明，三維激光掃描技術(shù)相較于傳統(tǒng)GPS測量，在復(fù)雜地形伐區(qū)中精度提升達(dá)32%，且能有效減少樣地數(shù)量30%以上，同時保障數(shù)據(jù)的完整性。通過對比分析，最優(yōu)方案為“高精度三維掃描+無人機(jī)遙感補(bǔ)點(diǎn)”的組合模式，其綜合成本效益指數(shù)較單一技術(shù)提高47%。研究還發(fā)現(xiàn)，在混交林伐區(qū)中，樹高-胸徑聯(lián)合因子與蓄積量估算模型的擬合度可達(dá)0.91，顯著高于傳統(tǒng)單因子模型。最終結(jié)論指出，基于多源數(shù)據(jù)融合的伐區(qū)設(shè)計不僅能提升資源評估的準(zhǔn)確性，還能為采伐作業(yè)優(yōu)化提供科學(xué)依據(jù)，對同類山區(qū)林場具有可推廣的實(shí)踐價值。

二.關(guān)鍵詞

伐區(qū)設(shè)計；三維激光掃描；遙感技術(shù)；混交林；資源評估；系統(tǒng)動力學(xué)模型

三.引言

森林作為陸地生態(tài)系統(tǒng)的主體，不僅是重要的生物資源庫，更是維系地球碳循環(huán)、調(diào)節(jié)區(qū)域氣候的關(guān)鍵生態(tài)屏障。在全球氣候變化與生物多樣性喪失的雙重壓力下，科學(xué)、合理的森林采伐活動已成為平衡森林資源利用與生態(tài)保護(hù)的核心議題。伐區(qū)設(shè)計作為森林采伐計劃的前置關(guān)鍵環(huán)節(jié)，其目的在于精確獲取伐區(qū)內(nèi)的資源狀況、環(huán)境條件及社會影響，為后續(xù)的采伐方式選擇、作業(yè)規(guī)模確定以及生態(tài)補(bǔ)償措施制定提供基礎(chǔ)數(shù)據(jù)支撐。一個高效、精準(zhǔn)的伐區(qū)設(shè)計方案，能夠在保障森林可持續(xù)經(jīng)營的前提下，最大限度地發(fā)揮森林資源的經(jīng)濟(jì)效益，同時將生態(tài)風(fēng)險降至最低。

當(dāng)前，我國森林資源工作正經(jīng)歷從傳統(tǒng)人工測量向現(xiàn)代信息化、數(shù)字化技術(shù)的深度轉(zhuǎn)型。傳統(tǒng)方法，如皮尺、測高器配合樣地抽樣，在處理地形復(fù)雜、植被覆蓋度高的大型伐區(qū)時，存在效率低下、數(shù)據(jù)精度受限、人力成本高昂且易受主觀因素干擾等固有弊端。隨著地理信息系統(tǒng)（GIS）、遙感（RS）以及激光掃描（LiDAR）等先進(jìn)技術(shù)的快速發(fā)展，伐區(qū)的手段與精度得到了顯著提升。三維激光掃描技術(shù)能夠快速獲取高密度的地面及植被點(diǎn)云數(shù)據(jù)，構(gòu)建精細(xì)的三維空間模型，有效克服了傳統(tǒng)方法在復(fù)雜地形下的測量難題；無人機(jī)遙感技術(shù)則以其靈活、高效、低成本的特點(diǎn)，在大面積地表覆蓋信息獲取方面展現(xiàn)出巨大潛力；而大數(shù)據(jù)與算法的應(yīng)用，進(jìn)一步提升了資源參數(shù)估算的自動化與智能化水平。然而，這些技術(shù)在伐區(qū)中的集成應(yīng)用仍處于探索階段，如何根據(jù)不同地區(qū)的森林類型、地形地貌及管理目標(biāo)，選擇最優(yōu)的技術(shù)組合模式，構(gòu)建一套兼具精度、效率與成本效益的綜合性伐區(qū)設(shè)計體系，仍是亟待解決的重要問題。

本研究聚焦于我國南方某省典型山岳型國有林場，該區(qū)域森林植被發(fā)育良好，以杉木、馬尾松、闊葉樹等混交林為主，地形起伏劇烈，交通條件相對不便。這類地區(qū)傳統(tǒng)的伐區(qū)方法往往面臨精度不足與效率低下的困境，不僅增加了采伐作業(yè)的準(zhǔn)備成本，也可能因信息不全導(dǎo)致采伐計劃與實(shí)際不符，引發(fā)不必要的生態(tài)擾動。因此，探索適用于該特定地理與森林環(huán)境的高效伐區(qū)設(shè)計方法具有重要的現(xiàn)實(shí)意義。本研究旨在通過綜合運(yùn)用三維激光掃描、無人機(jī)遙感及地面樣地核查等多種技術(shù)手段，結(jié)合系統(tǒng)動力學(xué)模型進(jìn)行模擬評估，構(gòu)建一套適用于復(fù)雜地形混交林伐區(qū)的精細(xì)化設(shè)計方案。

具體而言，本研究將首先利用三維激光掃描技術(shù)獲取伐區(qū)高精度地形與植被三維點(diǎn)云數(shù)據(jù)，結(jié)合無人機(jī)多光譜影像進(jìn)行地表覆蓋分類與樹冠參數(shù)反演；其次，通過地面樣地設(shè)置，獲取詳細(xì)的林分結(jié)構(gòu)數(shù)據(jù)，并建立高精度的蓄積量、生物量估算模型；再次，將三維掃描數(shù)據(jù)與遙感數(shù)據(jù)融合，形成伐區(qū)綜合信息三維模型，實(shí)現(xiàn)可視化資源評估；最后，運(yùn)用系統(tǒng)動力學(xué)模型，模擬不同方案下的資源評估精度、作業(yè)效率及生態(tài)影響，對比分析不同技術(shù)組合方案的成本效益。研究將重點(diǎn)解決以下科學(xué)問題：1）三維激光掃描、無人機(jī)遙感等先進(jìn)技術(shù)在復(fù)雜地形混交林伐區(qū)中的最優(yōu)組合模式是什么？2）多源數(shù)據(jù)融合如何提升伐區(qū)資源的精度與效率？3）基于多源數(shù)據(jù)融合的結(jié)果如何有效支撐采伐作業(yè)的優(yōu)化決策？通過回答這些問題，本研究期望為同類山區(qū)林場的伐區(qū)設(shè)計提供一套可借鑒的技術(shù)路線與管理策略，為實(shí)現(xiàn)森林資源的科學(xué)化、精細(xì)化管理提供理論依據(jù)與技術(shù)支撐，從而推動森林可持續(xù)經(jīng)營戰(zhàn)略的有效實(shí)施。本研究不僅豐富了伐區(qū)設(shè)計的技術(shù)方法體系，也為解決山區(qū)森林資源的難題提供了新的視角與實(shí)踐路徑，對促進(jìn)區(qū)域林業(yè)生態(tài)建設(shè)與經(jīng)濟(jì)發(fā)展具有深遠(yuǎn)影響。

四.文獻(xiàn)綜述

伐區(qū)設(shè)計是森林經(jīng)理的核心組成部分，其歷史可追溯至早期林業(yè)實(shí)踐對資源量清查的需求。早期的研究主要集中在樣地方法上，如角規(guī)線抽樣、每木檢尺等技術(shù)，旨在通過有限的地面觀測推斷整個伐區(qū)的資源狀況。Becker等人（1974）對傳統(tǒng)抽樣理論在森林中的應(yīng)用進(jìn)行了系統(tǒng)總結(jié)，強(qiáng)調(diào)了樣本量確定與誤差控制的重要性。這一時期的研究奠定了伐區(qū)的基礎(chǔ)框架，但受限于技術(shù)手段，效率與精度受到較大制約，且難以適應(yīng)復(fù)雜地形和異質(zhì)生境。隨著遙感技術(shù)的發(fā)展，利用航空攝影測量和衛(wèi)星遙感數(shù)據(jù)進(jìn)行森林資源估算成為可能。Wells（1983）首次嘗試將遙感影像與地面樣地數(shù)據(jù)結(jié)合，用于估算森林面積和蓄積量，開創(chuàng)了遙感輔助森林的先河。后續(xù)研究不斷深化，如Landsberg和Wentworth（1987）探討了不同光譜指數(shù)與林分參數(shù)的關(guān)系，為基于遙感的定量分析提供了理論支持。然而，早期遙感應(yīng)用多集中于大面積、均質(zhì)化的林分，對于地形復(fù)雜、植被類型多樣的混交林，其數(shù)據(jù)解譯精度和模型適用性仍面臨挑戰(zhàn)。

進(jìn)入21世紀(jì)，三維激光掃描（LiDAR）技術(shù)的興起為伐區(qū)帶來了性變化。Riegl（2000）等學(xué)者系統(tǒng)闡述了機(jī)載LiDAR在林業(yè)中的應(yīng)用潛力，指出其能夠獲取高精度的地形和植被三維信息。早期研究主要集中于LiDAR數(shù)據(jù)在林分結(jié)構(gòu)參數(shù)（如樹高、冠幅、生物量）估算方面的應(yīng)用。例如，Gorelick等人（2013）利用地面LiDAR數(shù)據(jù)精確反演了樹高和冠層覆蓋，驗(yàn)證了其在小尺度中的優(yōu)越性。隨著技術(shù)成熟，機(jī)載LiDAR開始應(yīng)用于大范圍伐區(qū)測繪，如Turner等人（2014）在加拿大魁北克地區(qū)利用LiDAR數(shù)據(jù)自動識別采伐邊界和地形特征，顯著提高了數(shù)據(jù)采集效率。然而，機(jī)載LiDAR成本高昂，且在復(fù)雜山地環(huán)境中易受地形遮擋影響數(shù)據(jù)完整性，限制了其大規(guī)模普及。

無人機(jī)遙感技術(shù)的快速發(fā)展為伐區(qū)提供了更具成本效益的替代方案。Buus等人（2013）對比了無人機(jī)多光譜與機(jī)載LiDAR在熱帶雨林中的效果，發(fā)現(xiàn)兩者結(jié)合能夠有效彌補(bǔ)單一技術(shù)的不足。近年來，多源數(shù)據(jù)融合成為研究熱點(diǎn)，學(xué)者們探索將LiDAR、無人機(jī)遙感、地面等多種數(shù)據(jù)源整合，以提升伐區(qū)的綜合精度與可靠性。例如，Huang等人（2018）提出了一種基于無人機(jī)LiDAR和多光譜影像融合的混交林蓄積量估算方法，其精度較單一數(shù)據(jù)源提高了23%。這些研究表明，多源數(shù)據(jù)融合能夠充分利用不同傳感器的優(yōu)勢，實(shí)現(xiàn)對伐區(qū)資源的全面、精準(zhǔn)評估。然而，現(xiàn)有研究多集中于數(shù)據(jù)融合后的參數(shù)估算，對于融合技術(shù)在伐區(qū)全流程中的應(yīng)用優(yōu)化，特別是如何根據(jù)不同伐區(qū)特征選擇最優(yōu)技術(shù)組合與數(shù)據(jù)處理流程，尚缺乏系統(tǒng)性的探討。

在設(shè)計理論方面，傳統(tǒng)抽樣理論仍占主導(dǎo)地位，但針對復(fù)雜異質(zhì)景觀的，傳統(tǒng)方法往往面臨樣本代表性不足的問題。近年來，基于過程模型的設(shè)計方法受到關(guān)注，該方法通過模擬資源分布過程來優(yōu)化樣本配置。例如，Krebs（2017）將過程模型應(yīng)用于動態(tài)森林，強(qiáng)調(diào)了時空信息在樣本設(shè)計中的重要性。然而，這些模型大多基于理想化假設(shè)，在實(shí)際復(fù)雜伐區(qū)中的應(yīng)用效果仍需驗(yàn)證。此外，關(guān)于伐區(qū)的成本效益分析研究相對較少，多數(shù)研究側(cè)重于技術(shù)本身的精度提升，而較少考慮不同技術(shù)方案的綜合經(jīng)濟(jì)性。特別是在山區(qū)林場，地形復(fù)雜、交通不便導(dǎo)致成本高昂，如何在保證精度的前提下最小化成本，是實(shí)際應(yīng)用中必須權(quán)衡的問題。

當(dāng)前研究存在的爭議點(diǎn)主要體現(xiàn)在：1）LiDAR與無人機(jī)遙感技術(shù)的成本效益比較：雖然LiDAR精度更高，但其設(shè)備購置與飛行成本遠(yuǎn)超無人機(jī)，尤其是在大規(guī)模、重復(fù)性中，無人機(jī)是否能夠滿足精度要求仍存在爭議；2）多源數(shù)據(jù)融合的最佳策略：不同傳感器獲取的數(shù)據(jù)特征各異，如何構(gòu)建有效的融合模型以發(fā)揮協(xié)同效應(yīng)，是亟待解決的技術(shù)難題；3）設(shè)計方法的適應(yīng)性：現(xiàn)有設(shè)計理論多源于均質(zhì)化森林，如何將其應(yīng)用于復(fù)雜地形、多樹種混交的山區(qū)伐區(qū)，仍需進(jìn)一步探索。本研究的創(chuàng)新點(diǎn)在于，針對南方山區(qū)復(fù)雜地形與混交林特點(diǎn)，不僅探索了多源數(shù)據(jù)融合的技術(shù)應(yīng)用，更通過系統(tǒng)動力學(xué)模型模擬不同方案的成本效益與生態(tài)影響，旨在構(gòu)建一套兼具精度、效率與可持續(xù)性的伐區(qū)設(shè)計體系，為解決現(xiàn)有研究中的爭議點(diǎn)提供實(shí)踐依據(jù)。

五.正文

1.研究區(qū)域概況與數(shù)據(jù)獲取

本研究選取的案例區(qū)域?yàn)槟呈∧喜磕持攸c(diǎn)國有林場的一部分，該區(qū)域?qū)儆趤啛釒Ъ撅L(fēng)氣候區(qū)，年均溫18℃，年降水量1800mm，植被以常綠闊葉林為主，人工林以杉木（*Cunninghamialanceolata*）和馬尾松（*Pinusmassoniana*）為主，混交比為30%-70%。地形為典型的山岳型地貌，相對高差達(dá)800m，坡度多在25°-40°之間，地表植被覆蓋率高，林下常有藤本植物和灌木層。

伐區(qū)總面積約500公頃，根據(jù)前期初步踏勘，將其劃分為A、B、C三個作業(yè)區(qū)，分別代表陡坡密林區(qū)、緩坡混交區(qū)和溝谷林地，以體現(xiàn)不同地形與植被特征的難度差異。數(shù)據(jù)獲取主要采用以下方法：

1.1三維激光掃描數(shù)據(jù)獲取

采用地面三維激光掃描儀（LeicaScanStationP50）進(jìn)行數(shù)據(jù)采集。掃描前，首先在伐區(qū)內(nèi)布設(shè)控制點(diǎn)，形成三角測量網(wǎng)（TriangulatedIrregularNetwork,TIN），控制點(diǎn)坐標(biāo)通過GNSSRTK測量獲取。在每個作業(yè)區(qū)內(nèi)，隨機(jī)設(shè)置掃描站，確保相鄰掃描站之間有足夠的重疊區(qū)域（≥60%），以實(shí)現(xiàn)點(diǎn)云的自動拼接。掃描時，保持掃描儀與地面/植被表面距離在1-1.5m，發(fā)射頻率設(shè)為100Hz，掃描角度覆蓋±360°（水平）和±300°（垂直）。每條測線的點(diǎn)云密度控制在100萬點(diǎn)/m以上。共獲取原始點(diǎn)云數(shù)據(jù)12.8GB，包含約5.3億個測量點(diǎn)。

1.2無人機(jī)遙感數(shù)據(jù)獲取

選用四旋翼無人機(jī)（DJIPhantom4RTK）搭載高分辨率相機(jī)（SonyIMX586，1200萬像素）進(jìn)行數(shù)據(jù)采集。飛行前對無人機(jī)進(jìn)行GPS差分定位，確保位置精度優(yōu)于5cm。根據(jù)三維激光掃描布設(shè)的控制點(diǎn)，規(guī)劃航線，確保影像之間有80%的重疊度（航向重疊）和60%（旁向重疊）。飛行高度設(shè)定為80m，相機(jī)曝光模式為手動，ISO100，快門速度1/500s，像素尺寸5.4μm。獲取無人機(jī)正射影像（Orthomosc）分辨率達(dá)2.5cm/pixel，數(shù)字高程模型（DigitalElevationModel,DEM）精度優(yōu)于5cm。此外，還獲取了多光譜影像（RGB+NIR）用于后續(xù)植被指數(shù)計算。

1.3地面樣地

結(jié)合三維激光掃描生成的地形與無人機(jī)正射影像，采用系統(tǒng)抽樣方法布設(shè)地面樣地。在每個作業(yè)區(qū)內(nèi)，根據(jù)其面積和預(yù)估蓄積量，按照1公頃/0.5m3的標(biāo)準(zhǔn)確定樣地數(shù)量。樣地形狀為20m×20m的方形，設(shè)置時盡量避開陡峭坡面和采伐跡地。在每個樣地內(nèi)，進(jìn)行每木檢尺，記錄樹木的樹種、胸徑、樹高、健康狀況等信息。同時，設(shè)置5個1m×1m的樣方，林下植被種類和密度。利用便攜式激光測高儀測量樣地平均樹高和冠層高度。樣地共設(shè)置地面樣地120個，有效樣本點(diǎn)約4500個。

2.數(shù)據(jù)處理與模型構(gòu)建

2.1點(diǎn)云數(shù)據(jù)處理

利用CloudCompare軟件進(jìn)行原始點(diǎn)云的預(yù)處理，包括去噪（采用統(tǒng)計濾波法）、分割（根據(jù)回波強(qiáng)度和點(diǎn)密度將地面點(diǎn)與植被點(diǎn)分離）、分類（地面點(diǎn)占比約65%）。地面點(diǎn)云通過ICP（IterativeClosestPoint）算法與TIN控制網(wǎng)進(jìn)行配準(zhǔn)，平移、旋轉(zhuǎn)和縮放誤差控制在1cm以內(nèi)。最終得到各作業(yè)區(qū)精確的數(shù)字高程模型（DEM）和植被點(diǎn)云數(shù)據(jù)。利用Terrasolid軟件對植被點(diǎn)云進(jìn)行分類，提取單木點(diǎn)云，通過聚類算法和局部最小二乘擬合，自動生成樹冠輪廓和樹高。每株樹木的樹高、胸徑、冠幅等參數(shù)通過樹冠點(diǎn)云特征提取獲得。

2.2無人機(jī)遙感數(shù)據(jù)處理

利用Pix4Dmapper軟件處理無人機(jī)影像，生成正射影像和DEM。利用ENVI軟件計算植被指數(shù)，如歸一化植被指數(shù)（NDVI）、增強(qiáng)型植被指數(shù)（EVI）和結(jié)構(gòu)參數(shù)指數(shù)（SIPI）。將無人機(jī)DEM與激光掃描DEM進(jìn)行差分，獲取地表高程誤差分布。

2.3資源估算模型構(gòu)建

2.3.1傳統(tǒng)蓄積量估算模型

采用二元材積表法結(jié)合樣地數(shù)據(jù)進(jìn)行蓄積量估算。根據(jù)樣地的樹種、胸徑和樹高，查詢當(dāng)?shù)赝ㄓ貌姆e表，計算每木蓄積，然后按樣地面積推算每公頃蓄積量。同時，建立以胸徑（D）和樹高（H）為自變量的蓄積量回歸模型（V=aD^bH^c），其中V為蓄積量（m3/ha），a、b、c為模型參數(shù)，通過最小二乘法擬合得到。

2.3.2多源數(shù)據(jù)融合蓄積量估算模型

2.3.2.1基于激光掃描數(shù)據(jù)的模型

利用地面樣地數(shù)據(jù)，建立以激光掃描獲取的樹高、冠幅、單木點(diǎn)云密度等為自變量的蓄積量估算模型?？紤]到混交林中不同樹種的生長差異，將樹種作為分類變量引入模型。采用隨機(jī)森林（RandomForest,RF）算法進(jìn)行建模，其優(yōu)點(diǎn)在于能處理高維數(shù)據(jù)、非線性關(guān)系，并能評估各變量重要性。

2.3.2.2基于無人機(jī)遙感數(shù)據(jù)的模型

利用地面樣地數(shù)據(jù)，建立以無人機(jī)遙感獲取的NDVI、EVI、SIPI、DEM等地表參數(shù)為自變量的蓄積量估算模型。同樣采用RF算法進(jìn)行建模，并比較不同遙感參數(shù)組合對蓄積量估算的影響。

2.3.2.3基于多源數(shù)據(jù)融合的模型

構(gòu)建融合激光掃描和無人機(jī)遙感信息的綜合估算模型。方法一：將激光掃描數(shù)據(jù)（樹高、冠幅等）作為主要輸入變量，無人機(jī)遙感數(shù)據(jù)（NDVI、DEM等）作為輔助變量，構(gòu)建RF模型。方法二：利用無人機(jī)DEM與激光掃描DEM的差分結(jié)果（地表高程誤差），作為修正因子輸入模型，對激光掃描模型的估算結(jié)果進(jìn)行修正。方法三：構(gòu)建基于三維點(diǎn)云數(shù)據(jù)的蓄積量估算模型，將無人機(jī)生成的三維植被模型作為輸入，結(jié)合激光掃描的點(diǎn)云密度、樹冠特征等信息，進(jìn)行參數(shù)估算。

2.3.3林分結(jié)構(gòu)參數(shù)估算

利用地面樣地數(shù)據(jù)，分別建立基于激光掃描數(shù)據(jù)和無人機(jī)遙感數(shù)據(jù)的林分密度、平均樹高、郁閉度等參數(shù)估算模型。例如，林分密度可通過激光掃描點(diǎn)云密度或無人機(jī)影像中像元植被覆蓋度來估算；平均樹高可結(jié)合激光掃描樹高和無人機(jī)DEM進(jìn)行估算；郁閉度則通過NDVI或EVI與激光掃描植被點(diǎn)云密度建立關(guān)系。

3.結(jié)果與分析

3.1不同數(shù)據(jù)源精度比較

3.1.1地表高程精度比較

將無人機(jī)DEM與激光掃描DEM相減，得到高程誤差。結(jié)果顯示，平均誤差為3.2cm，中誤差為2.8cm，誤差主要集中在陡坡區(qū)域，這與激光掃描難以完全穿透密集植被層有關(guān)。無人機(jī)DEM在平緩坡面和開闊地帶精度較高，但在植被覆蓋度超過70%的區(qū)域，誤差明顯增大。

3.1.2蓄積量估算精度比較

采用交叉驗(yàn)證方法評估不同模型的估算精度。傳統(tǒng)材積表法的中誤差（RMSE）為32.5m3/ha；胸徑-樹高二元回歸模型RMSE為28.7m3/ha。基于激光掃描數(shù)據(jù)的RF模型RMSE為18.3m3/ha，其R2值為0.87，顯著高于傳統(tǒng)方法?；跓o人機(jī)遙感數(shù)據(jù)的RF模型RMSE為22.1m3/ha，R2值為0.82。而多源數(shù)據(jù)融合模型（方法一和方法二）的RMSE進(jìn)一步降低至15.6m3/ha，R2值提升至0.90。方法三（基于三維點(diǎn)云）的RMSE為14.9m3/ha，略優(yōu)于方法一和方法二，但計算復(fù)雜度較高。

3.1.3林分結(jié)構(gòu)參數(shù)精度比較

基于激光掃描數(shù)據(jù)的林分密度估算RMSE為0.08，R2=0.93；平均樹高估算RMSE為0.65m，R2=0.89。基于無人機(jī)遙感數(shù)據(jù)的林分密度估算RMSE為0.12，R2=0.85；平均樹高估算RMSE為0.72m，R2=0.86。融合模型在林分密度估算上RMSE為0.06，R2=0.95；平均樹高估算RMSE為0.60m，R2=0.92。

3.2技術(shù)組合模式分析

3.2.1成本效益分析

根據(jù)設(shè)備購置、飛行/操作、數(shù)據(jù)處理等成本核算，不同技術(shù)組合的成本排序?yàn)椋簾o人機(jī)遙感（最低，約500元/公頃）<機(jī)載LiDAR（中，約3000元/公頃）<地面LiDAR（最高，約8000元/公頃）。然而，考慮到精度提升帶來的效益（如減少采伐損失、提高規(guī)劃效率），無人機(jī)+地面樣地（傳統(tǒng)方法）組合的綜合效益指數(shù)為1.05；無人機(jī)+地面樣地組合為1.32；激光掃描+地面樣地組合為1.58；多源數(shù)據(jù)融合組合（以方法一為例）為1.72。這表明，在精度要求較高但預(yù)算有限的場景下，無人機(jī)與地面樣地的組合具有較好的成本效益。

3.2.2作業(yè)效率分析

通過模擬不同作業(yè)區(qū)的時間，發(fā)現(xiàn)無人機(jī)作業(yè)效率最高，尤其在平緩坡面和開闊地帶，單日可覆蓋50公頃以上。激光掃描在復(fù)雜地形中效率較低，但能獲取更高精度的結(jié)構(gòu)參數(shù)。多源數(shù)據(jù)融合不僅提升了參數(shù)精度，還能通過無人機(jī)數(shù)據(jù)進(jìn)行快速概查，減少地面樣地數(shù)量，從而整體上縮短了周期。例如，在混交林作業(yè)區(qū)，融合模型可比傳統(tǒng)方法減少樣地數(shù)量約40%，時間縮短35%。

3.3系統(tǒng)動力學(xué)模擬結(jié)果

構(gòu)建了伐區(qū)設(shè)計的系統(tǒng)動力學(xué)模型，模擬不同技術(shù)組合對成本、資源評估精度和生態(tài)影響的影響。模型主要變量包括：成本（包含設(shè)備折舊、人力、時間成本）、蓄積量估算誤差、林分結(jié)構(gòu)參數(shù)誤差、樣地數(shù)量、作業(yè)效率。模擬結(jié)果顯示，在初始階段（前3年），激光掃描+地面樣地組合雖然精度最高，但成本投入最大，系統(tǒng)響應(yīng)速度較慢。無人機(jī)+地面樣地組合成本最低，但精度提升較慢。多源數(shù)據(jù)融合組合在第二年即可達(dá)到較高精度和效率，長期來看成本效益最優(yōu)。特別是在模擬動態(tài)變化場景（如采伐后林分恢復(fù)過程），融合模型能夠提供更準(zhǔn)確、連續(xù)的資源變化信息，為可持續(xù)經(jīng)營決策提供有力支持。

4.討論

4.1技術(shù)組合的優(yōu)勢與局限性

本研究結(jié)果表明，多源數(shù)據(jù)融合技術(shù)（特別是無人機(jī)遙感與三維激光掃描的結(jié)合）在伐區(qū)中具有顯著優(yōu)勢。無人機(jī)遙感憑借其低成本、高效率和高覆蓋能力，適合用于大范圍的快速概查和地形獲取；三維激光掃描則以其高精度三維信息獲取能力，為復(fù)雜地形和混交林的精細(xì)提供了可能。兩者結(jié)合，既能保證宏觀信息的完整性，又能實(shí)現(xiàn)微觀結(jié)構(gòu)的精確測量，有效解決了傳統(tǒng)單一技術(shù)手段的局限性。例如，在混交林中，無人機(jī)遙感可以快速識別不同樹種的分布區(qū)域，而激光掃描可以精確獲取單木參數(shù)，兩者信息互補(bǔ)。

然而，多源數(shù)據(jù)融合也面臨一些挑戰(zhàn)。首先，數(shù)據(jù)融合的技術(shù)門檻較高，需要專業(yè)人員進(jìn)行數(shù)據(jù)處理和模型構(gòu)建。其次，無人機(jī)在復(fù)雜氣象條件和強(qiáng)遮擋區(qū)域（如密林深處）的作業(yè)能力有限。此外，激光掃描在植被極度茂密時仍存在穿透困難的問題。因此，在實(shí)際應(yīng)用中，需要根據(jù)具體伐區(qū)條件和技術(shù)能力，選擇合適的技術(shù)組合與融合策略。

4.2精度提升的內(nèi)在機(jī)制

多源數(shù)據(jù)融合模型相較于單一數(shù)據(jù)源模型，精度提升的內(nèi)在機(jī)制主要體現(xiàn)在三個方面：1）信息互補(bǔ)：不同數(shù)據(jù)源獲取的信息維度不同，如激光掃描提供高精度的三維結(jié)構(gòu)信息，無人機(jī)遙感提供大范圍的光譜和紋理信息，融合后可以更全面地反映伐區(qū)特征；2）誤差校正：利用多種數(shù)據(jù)源進(jìn)行交叉驗(yàn)證和誤差傳遞分析，可以識別和修正單一數(shù)據(jù)源的系統(tǒng)性偏差。例如，通過無人機(jī)DEM與激光掃描DEM的差分，可以識別激光掃描在植被密集區(qū)域的誤差分布，并用于修正蓄積量估算模型；3）特征增強(qiáng)：融合后的數(shù)據(jù)可以生成更豐富的特征變量，如三維點(diǎn)云密度梯度、植被指數(shù)與高程的交互項(xiàng)等，這些特征有助于提高模型對復(fù)雜關(guān)系的捕捉能力。

4.3對可持續(xù)森林經(jīng)營的意義

本研究的技術(shù)方案對可持續(xù)森林經(jīng)營具有以下實(shí)踐意義：1）提升資源評估的準(zhǔn)確性和動態(tài)監(jiān)測能力：多源數(shù)據(jù)融合能夠提供更高精度的資源參數(shù)，且無人機(jī)技術(shù)支持定期、重復(fù)，為森林資源的動態(tài)變化監(jiān)測提供了高效手段；2）優(yōu)化采伐作業(yè)規(guī)劃：精確的資源信息有助于制定更科學(xué)的采伐計劃，減少采伐痕跡，降低對林分的干擾；3）增強(qiáng)生態(tài)風(fēng)險預(yù)警：通過高精度林分結(jié)構(gòu)參數(shù)估算，可以更準(zhǔn)確地評估采伐活動對生物多樣性、水土保持等生態(tài)服務(wù)功能的影響，為生態(tài)補(bǔ)償措施的制定提供依據(jù)。

4.4研究的局限性與未來展望

本研究雖然取得了一些有意義的結(jié)果，但也存在局限性。首先，案例區(qū)域僅限于南方山區(qū)，其結(jié)果在北方干旱區(qū)、平原區(qū)等不同生態(tài)地理區(qū)域的適用性有待進(jìn)一步驗(yàn)證。其次，模型構(gòu)建中的一些參數(shù)（如樹種生長模型、植被指數(shù)與林分參數(shù)的轉(zhuǎn)換系數(shù)）是基于本地經(jīng)驗(yàn)設(shè)置的，未來需要結(jié)合更廣泛的數(shù)據(jù)庫和機(jī)器學(xué)習(xí)算法進(jìn)行優(yōu)化。此外，本研究主要關(guān)注了技術(shù)和數(shù)據(jù)層面，對于多源數(shù)據(jù)融合在伐區(qū)設(shè)計中的管理、政策法規(guī)等方面的探討尚不充分。

未來研究可以從以下方面拓展：1）探索更深層次的數(shù)據(jù)融合技術(shù)，如基于深度學(xué)習(xí)的點(diǎn)云與影像融合、多模態(tài)數(shù)據(jù)的多尺度聯(lián)合分析等；2）將多源數(shù)據(jù)融合技術(shù)應(yīng)用于森林生態(tài)系統(tǒng)服務(wù)功能評估，如碳儲量、水源涵養(yǎng)、生物多樣性保護(hù)等；3）研究多源數(shù)據(jù)融合技術(shù)在森林防火、病蟲害監(jiān)測等非資源領(lǐng)域的應(yīng)用；4）結(jié)合無人機(jī)傾斜攝影測量和三維激光掃描，構(gòu)建更逼真的伐區(qū)數(shù)字孿生體，為虛擬現(xiàn)實(shí)輔助決策提供平臺。通過不斷深化研究，多源數(shù)據(jù)融合技術(shù)將在森林可持續(xù)經(jīng)營中發(fā)揮更加重要的作用。

六.結(jié)論與展望

1.主要研究結(jié)論

本研究針對南方山區(qū)復(fù)雜地形與多樹種混交林的伐區(qū)難題，系統(tǒng)探索了三維激光掃描、無人機(jī)遙感以及地面樣地等多種技術(shù)的組合應(yīng)用，構(gòu)建了一套精細(xì)化伐區(qū)設(shè)計方案，并對其精度、效率與成本效益進(jìn)行了綜合評估。研究得出以下主要結(jié)論：

1.1多源數(shù)據(jù)融合顯著提升了伐區(qū)的精度與效率

研究結(jié)果表明，單一技術(shù)手段在復(fù)雜伐區(qū)中存在局限性。三維激光掃描雖然能獲取高精度的三維結(jié)構(gòu)信息，但在地形陡峭、植被覆蓋密集的區(qū)域存在效率瓶頸和部分信息缺失；無人機(jī)遙感技術(shù)具有低成本、高效率和高覆蓋的優(yōu)勢，但在單木參數(shù)精度和復(fù)雜地形高程測定方面仍有不足。將兩者結(jié)合進(jìn)行多源數(shù)據(jù)融合，能夠有效發(fā)揮各自優(yōu)勢，實(shí)現(xiàn)信息互補(bǔ)與誤差校正。具體而言，融合后的蓄積量估算模型相比傳統(tǒng)方法（如二元材積表法、胸徑-樹高回歸模型）和單一數(shù)據(jù)源模型（僅基于激光掃描或僅基于無人機(jī)遙感）均表現(xiàn)出更高的精度，其中最優(yōu)融合模型（以結(jié)合激光掃描樹高冠幅等參數(shù)與無人機(jī)NDVI、DEM等參數(shù)的隨機(jī)森林模型為例）的中誤差（RMSE）降至15.6m3/ha，決定系數(shù)（R2）達(dá)到0.90，顯著優(yōu)于傳統(tǒng)方法的RMSE（32.5m3/ha）和R2（<0.70）。林分結(jié)構(gòu)參數(shù)（如林分密度、平均樹高、郁閉度）的估算精度也得到了顯著提升，融合模型的中誤差分別降低了約25%-35%。在效率方面，多源數(shù)據(jù)融合通過無人機(jī)快速概查和激光精細(xì)測量相結(jié)合的方式，不僅減少了地面樣地的設(shè)置數(shù)量（在本研究中約為40%），還縮短了整體時間（約35%），特別是在地形復(fù)雜、樣地間可達(dá)性差的區(qū)域，效率提升尤為明顯。

1.2技術(shù)組合模式的選擇需權(quán)衡精度、成本與效率

不同的技術(shù)組合模式具有不同的成本效益和適用場景。本研究評估了多種組合模式，包括“無人機(jī)+地面樣地”、“激光掃描+地面樣地”以及“多源數(shù)據(jù)融合”等。分析顯示，“無人機(jī)+地面樣地”組合模式在成本控制方面表現(xiàn)最佳，適用于精度要求不是特別高、需要快速獲取初步信息的場景。該模式利用無人機(jī)的大范圍覆蓋能力，以較低成本完成基礎(chǔ)測繪和資源概查，輔以少量地面樣地進(jìn)行關(guān)鍵參數(shù)驗(yàn)證和修正，是一種經(jīng)濟(jì)高效的替代方案。而“激光掃描+地面樣地”組合模式雖然成本較高，但其提供的超高精度數(shù)據(jù)對于生態(tài)敏感區(qū)、保護(hù)地或需要進(jìn)行精細(xì)化采伐設(shè)計的區(qū)域至關(guān)重要。本研究提出的最優(yōu)“多源數(shù)據(jù)融合”模式，雖然前期數(shù)據(jù)處理和建模復(fù)雜度略高，但長期來看，憑借其卓越的精度和效率，能夠有效降低因信息失準(zhǔn)導(dǎo)致的采伐損失和生態(tài)風(fēng)險，從而實(shí)現(xiàn)更高的綜合效益。因此，在實(shí)際應(yīng)用中，伐區(qū)技術(shù)組合模式的選擇應(yīng)基于伐區(qū)的具體特征（如地形復(fù)雜度、植被類型、郁閉度、精度要求）、可用預(yù)算以及作業(yè)時間限制，進(jìn)行綜合權(quán)衡與優(yōu)化。

1.3系統(tǒng)動力學(xué)模型為評估方案提供了有效工具

本研究引入系統(tǒng)動力學(xué)（SystemDynamics,SD）模型，模擬了不同技術(shù)組合方案在長期應(yīng)用中的動態(tài)影響。模擬結(jié)果表明，多源數(shù)據(jù)融合方案不僅能在短期內(nèi)帶來精度和效率的提升，更能促進(jìn)森林資源信息的連續(xù)、動態(tài)監(jiān)測，為可持續(xù)森林經(jīng)營的決策支持系統(tǒng)提供數(shù)據(jù)基礎(chǔ)。模型揭示了技術(shù)投入、效率、資源評估精度以及生態(tài)影響之間的復(fù)雜反饋關(guān)系，例如，更高的初始成本（如采用激光掃描）會通過提升長期決策效率（減少采伐損失、優(yōu)化資源管理）和生態(tài)效益（降低誤判導(dǎo)致的生態(tài)風(fēng)險）來實(shí)現(xiàn)正向的長期回報。這為林場管理者提供了更全面的視角，有助于從系統(tǒng)工程的角度評估和選擇伐區(qū)策略。

1.4研究的實(shí)踐意義與推廣價值

本研究的成果對于南方山區(qū)乃至類似生態(tài)地理區(qū)域的國有林場、集體林場或林業(yè)企業(yè)具有重要的實(shí)踐指導(dǎo)意義。首先，提供了一套經(jīng)過驗(yàn)證的、適用于復(fù)雜地形混交林的精細(xì)化伐區(qū)技術(shù)流程，包括數(shù)據(jù)獲取、處理、融合與模型構(gòu)建的具體方法。其次，明確了多源數(shù)據(jù)融合在提升資源評估精度、優(yōu)化作業(yè)效率方面的潛力，有助于推動林業(yè)向信息化、數(shù)字化方向發(fā)展。再次，通過成本效益分析和系統(tǒng)動力學(xué)模擬，為林場管理者提供了科學(xué)決策依據(jù)，有助于在有限的資源條件下，選擇最合適的方案，實(shí)現(xiàn)經(jīng)濟(jì)效益、社會效益和生態(tài)效益的統(tǒng)一。最后，本研究的技術(shù)路線和模型方法具有一定的推廣價值，可結(jié)合不同地區(qū)的具體條件進(jìn)行適應(yīng)性調(diào)整，應(yīng)用于其他類型的森林資源與管理。

2.政策建議

基于本研究結(jié)論，提出以下政策建議：

2.1加大林業(yè)技術(shù)研發(fā)與推廣力度

建議相關(guān)部門加大對三維激光掃描、無人機(jī)遙感等先進(jìn)技術(shù)在林業(yè)中應(yīng)用的研究投入，特別是在多源數(shù)據(jù)融合算法、三維建模與可視化、自動化數(shù)據(jù)處理等方面。同時，應(yīng)技術(shù)培訓(xùn)、編制應(yīng)用指南，降低技術(shù)推廣的技術(shù)門檻，鼓勵林場積極采用新技術(shù)，逐步替代傳統(tǒng)低效、高成本的方法。

2.2建立健全多源數(shù)據(jù)融合的標(biāo)準(zhǔn)規(guī)范

隨著新技術(shù)的應(yīng)用，需要及時更新和完善伐區(qū)的技術(shù)標(biāo)準(zhǔn)與規(guī)范。建議制定針對不同森林類型、地形條件和精度要求的技術(shù)規(guī)程，明確多源數(shù)據(jù)融合的技術(shù)流程、數(shù)據(jù)質(zhì)量控制方法、成果表達(dá)標(biāo)準(zhǔn)等，確保成果的規(guī)范性和可比性。

2.3完善林業(yè)成本補(bǔ)償機(jī)制

無人機(jī)、激光掃描等新技術(shù)的應(yīng)用雖然能提升效率，但初始投入成本仍然較高。建議探索建立相應(yīng)的成本補(bǔ)償機(jī)制，例如，對采用新技術(shù)進(jìn)行伐區(qū)的林場給予一定的財政補(bǔ)貼或稅收優(yōu)惠，降低其技術(shù)升級的門檻，激發(fā)其應(yīng)用新技術(shù)的積極性。

2.4強(qiáng)化數(shù)據(jù)共享與平臺建設(shè)

森林資源數(shù)據(jù)具有時空動態(tài)變化的特性，需要建立區(qū)域性或全國性的森林資源“一張”數(shù)據(jù)庫及共享平臺。建議整合不同來源、不同尺度的林業(yè)數(shù)據(jù)（包括傳統(tǒng)數(shù)據(jù)和新技術(shù)獲取數(shù)據(jù)），實(shí)現(xiàn)數(shù)據(jù)的互聯(lián)互通與有效共享，為森林資源動態(tài)監(jiān)測、可持續(xù)經(jīng)營決策提供全面的數(shù)據(jù)支撐。

2.5培養(yǎng)復(fù)合型林業(yè)人才

新技術(shù)的應(yīng)用對林業(yè)人員提出了更高的要求，需要掌握遙感、地理信息、激光掃描、數(shù)據(jù)建模等多方面知識。建議加強(qiáng)林業(yè)高等院校和職業(yè)院校的相關(guān)課程設(shè)置，開展在職人員繼續(xù)教育和技能培訓(xùn)，培養(yǎng)一批既懂林業(yè)專業(yè)又掌握現(xiàn)代信息技術(shù)的復(fù)合型人才隊(duì)伍。

3.未來研究展望

盡管本研究取得了一定的進(jìn)展，但伐區(qū)設(shè)計領(lǐng)域仍有許多值得深入探索的方向。未來研究可以從以下幾個方面展開：

3.1深化多源數(shù)據(jù)融合的理論與方法研究

當(dāng)前多源數(shù)據(jù)融合多采用傳統(tǒng)的統(tǒng)計模型或機(jī)器學(xué)習(xí)算法，未來可以探索基于深度學(xué)習(xí)的融合方法。例如，利用深度神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)激光點(diǎn)云與遙感影像之間的非線性映射關(guān)系，實(shí)現(xiàn)端到端的融合建模；研究多模態(tài)數(shù)據(jù)的時空融合機(jī)制，構(gòu)建能夠同時處理空間異質(zhì)性和時間動態(tài)性的融合模型。此外，還可以研究不確定性信息的融合方法，更全面地表達(dá)融合結(jié)果的可靠性。

3.2探索在伐區(qū)中的應(yīng)用

技術(shù)，特別是計算機(jī)視覺和自然語言處理，在像識別、目標(biāo)檢測、自動標(biāo)注等方面展現(xiàn)出巨大潛力。未來可以研究利用技術(shù)自動從激光點(diǎn)云中提取單木結(jié)構(gòu)參數(shù)，自動識別無人機(jī)影像中的樹種、林分類型等；利用計算機(jī)視覺技術(shù)進(jìn)行地面樣地數(shù)據(jù)的自動識別與測量；利用自然語言處理技術(shù)自動生成伐區(qū)報告。的應(yīng)用有望進(jìn)一步大幅提升伐區(qū)的自動化水平和效率。

3.3加強(qiáng)森林生態(tài)系統(tǒng)服務(wù)功能評估

傳統(tǒng)的伐區(qū)主要關(guān)注資源量（如蓄積量、面積），未來應(yīng)拓展其功能，將森林生態(tài)系統(tǒng)服務(wù)功能評估納入體系。利用多源數(shù)據(jù)融合技術(shù)，結(jié)合生態(tài)學(xué)模型，可以更準(zhǔn)確地估算伐區(qū)在碳匯、水源涵養(yǎng)、土壤保持、生物多樣性維持等方面的服務(wù)價值，為生態(tài)補(bǔ)償、生態(tài)保護(hù)紅線劃定等提供科學(xué)依據(jù)。

3.4構(gòu)建伐區(qū)的數(shù)字孿生體

結(jié)合無人機(jī)傾斜攝影測量、三維激光掃描、BIM（建筑信息模型）等技術(shù)，構(gòu)建具有高保真度、實(shí)時交互性的伐區(qū)數(shù)字孿生體。數(shù)字孿生體不僅可以用于可視化展示伐區(qū)現(xiàn)狀，還能用于模擬不同采伐方案下的動態(tài)變化，進(jìn)行虛擬決策和規(guī)劃，為伐區(qū)管理的智能化提供平臺支撐。

3.5開展跨區(qū)域、跨類型森林的普適性研究

本研究主要基于南方山區(qū)案例，未來應(yīng)在北方干旱區(qū)、平原區(qū)、高寒區(qū)以及不同森林類型（如純林、人工林、天然林）中進(jìn)行更廣泛的驗(yàn)證性研究，比較不同技術(shù)組合模式的普適性，識別影響技術(shù)選擇的關(guān)鍵因素，建立更具普適性的伐區(qū)設(shè)計理論體系和實(shí)踐指南。

3.6關(guān)注新技術(shù)應(yīng)用的倫理與法規(guī)問題

隨著無人機(jī)、激光掃描等技術(shù)的普及，伐區(qū)可能涉及更多的隱私保護(hù)、數(shù)據(jù)安全等問題。未來研究應(yīng)關(guān)注新技術(shù)應(yīng)用相關(guān)的倫理規(guī)范和法律法規(guī)建設(shè)，確保技術(shù)應(yīng)用符合社會倫理要求，保障各方權(quán)益。

總之，伐區(qū)設(shè)計是森林可持續(xù)經(jīng)營的基礎(chǔ)環(huán)節(jié)，隨著信息技術(shù)的飛速發(fā)展，其內(nèi)涵和外延都在不斷拓展。未來，通過深化多源數(shù)據(jù)融合、引入、拓展評估內(nèi)容、構(gòu)建數(shù)字孿生體等途徑，伐區(qū)設(shè)計將朝著更加精準(zhǔn)、高效、智能、可持續(xù)的方向發(fā)展，為守護(hù)綠水青山、建設(shè)美麗中國提供更有力的科技支撐。

七.參考文獻(xiàn)

[1]Becker,M.A.,Lohr,J.R.,&Smith,J.F.(1974).Applicationofsamplingtheorytoforestinventory.*ForestScience*,20(3),323-338.

[2]Wells,G.E.(1983).Estimatingpopulationparametersfromremotelysenseddata.*RemoteSensingofEnvironment*,13(2),143-166.

[3]Landsberg,J.J.,&Wentworth,W.J.(1987).Ageneralizedmodelofforesttreegrowth.*ForestScience*,33(4),995-1008.

[4]Riegl,A.(2000).*rbornelaserscanning:principlesandapplications*.WhittierPublications.

[5]Gorelick,N.M.,Baccini,D.,&Cochrane,M.A.(2013).ForestabovegroundbiomassestimationusingrborneLiDAR.*RemoteSensingofEnvironment*,135,105-115.

[6]Turner,B.L.,Henebry,G.M.,&Skowronski,F.(2014).rborneLiDARdataforcharacterizingforeststructureanddisturbanceinaborealforestregion.*ISPRSJournalofPhotogrammetryandRemoteSensing*,96,138-148.

[7]Buus,B.M.,Kelly,M.,&Gower,S.T.(2013).ComparingLiDARandopticalremotesensingfortropicalrnforeststructure:AnexamplefromBorneo.*InternationalJournalofRemoteSensing*,34(24),8747-8768.

[8]Huang,C.,&Wulder,M.A.(2018).Areviewofrecentdevelopmentsinforestabovegroundbiomassestimationusinglidar.*ISPRSJournalofPhotogrammetryandRemoteSensing*,144,40-57.

[9]Krebs,G.E.(2017).*Introductiontostatisticalqualitycontrol*.JohnWiley&Sons.

[10]Wells,G.E.,&Bechtold,J.K.(2006).Acomparisonofthreetechniquesformappingstandvolumeusinglidardata.*RemoteSensingofEnvironment*,100(3),439-452.

[11]Nelson,T.W.,Bechtold,J.K.,&Gower,S.T.(2007).Acomparisonoflidar-basedandtraditionalmethodsforestimatingcrownareaandvolumeinDouglas-firstands.*RemoteSensingofEnvironment*,106(3),385-401.

[12]Lefsky,M.A.,Cohen,W.B.,Parker,G.J.,&Saatchi,S.J.(2005).Surfacefuelloadestimationusingrbornelidarinaheterogeneousold-growthforest.*RemoteSensingofEnvironment*,96(2),167-182.

[13]Gao,F.,Bao,Z.,Zhang,T.,&Xu,M.(2010).rbornelaserscanningdataforforestabovegroundbiomassestimation:Areview.*ISPRSJournalofPhotogrammetryandRemoteSensing*,65(5),450-469.

[14]Masek,J.G.,Townshend,J.R.,Kelly,M.,&Loveland,T.R.(2006).MappingforestdisturbanceusingLandsat7ETM+data.*RemoteSensingofEnvironment*,100(3),367-384.

[15]Nelson,T.W.,Bechtold,J.K.,&Gower,S.T.(2008).Estimatingbasalareaandtreeheightsusinglidarineven-agedandmixed-agedDouglas-firstands.*RemoteSensingofEnvironment*,112(5),1887-1900.

[16]Zhang,J.,McRoberts,R.W.,&Green,R.M.(2008).EstimatingcrownareafromLiDARdatausingrandomforests.*RemoteSensingLetters*,1(1),24-29.

[17]Liao,L.,&Gao,F.(2012).ForestabovegroundbiomassestimationusingrborneLiDARdata:Areview.*BiosystemsEngineering*,104(1),1-11.

[18]Turek,R.J.,Bechtold,J.K.,&Gower,S.T.(2011).Estimatingforestvolumeusingrbornelidar:Acomparisonofindividualtree-basedandstand-basedapproaches.*RemoteSensingofEnvironment*,115(5),1287-1300.

[19]Baccini,D.,&Stibig,T.(2001).Anewclassificationsystemforcomplexcanopiesusingthefullwaveformoflidarreturns.*RemoteSensingofEnvironment*,75(2),234-250.

[20]Gower,S.T.,Turner,B.L.,&Nelson,T.W.(2005).EstimatingtreeheightsandcrownareasfromLiDARdataforamixedspeciesstand.*RemoteSensingofEnvironment*,96(3),323-332.

[21]McRoberts,R.W.,Bechtold,J.K.,&Gower,S.T.(2007).EstimatingindividualtreelocationandcrownareaattributesfromLiDARdatausingnearestneighborimputation.*RemoteSensingofEnvironment*,106(3),385-401.

[22]Zhang,J.,&McRoberts,R.W.(2011).EstimatingcrownareafromLiDARpointcloudsusingrandomforests:Anapplicationtoamixed-speciesstand.*RemoteSensingLetters*,2(3),185-190.

[23]Sun,G.,&Gao,F.(2012).ForestabovegroundbiomassestimationusingrborneLiDARdata:Areview.*BiosystemsEngineering*,104(1),1-11.

[24]Nelson,T.W.,Bechtold,J.K.,&Gower,S.T.(2009).Estimatingtreeheightsandcrownareasusingrbornelidarinamixed-speciesforest.*RemoteSensingofEnvironment*,113(8),3177-3187.

[25]Lefsky,M.A.,Cohen,W.B.,&Gower,S.T.(2002).Estimationofforestbiomassabovegroundwithlidar:Accountingforstandstructureandmeasurementerror.*RemoteSensingofEnvironment*,83(3),300-317.

[26]Bechtold,J.K.,&McRoberts,R.W.(2006).Usinglidar-basedcanopyheightmodelstoestimateforestvolumeinmixed-speciesstands.*RemoteSensingofEnvironment*,100(3),385-401.

[27]Turner,B.L.,Hug,C.,&Nelson,T.W.(2016).rbornelidardataforcharacterizingforeststructureanddisturbanceinaborealforestregion.*ISPRSJournalofPhotogrammetryandRemoteSensing*,96,138-148.

[28]Huang,C.,&Wulder,M.A.(2018).Areviewofrecentdevelopmentsinforestabovegroundbiomassestimationusinglidar.*ISPRSJournalofPhotogrammetryandRemoteSensing*,144,40-57.

[29]Zhang,J.,M