利用多源遥感数据对森林冠层储水能力进行空间尺度放大建模：以江西省南部为例 刘娟、 肖生胜、 黄超、 李顺、 吴志伟、 陶立智

《Remote Sensing》：Spatial Scale-Up Modeling of Forest Canopy Water Storage Capacity by Using Multi-Source Remote Sensing Data: A Case Study in Southern Jiangxi Province Quan Liu, Shengsheng Xiao, Chao Huang, Shun Li, Zhiwei Wu and Lizhi Tao

　　**亮点**

- 主要发现是什么？
- 针叶树的枝条和叶子每单位面积的冠层储水能力比阔叶树更强。
- 平均冠层面积、冠层闭合度和海拔高度是影响冠层储水能力的主要因素。
- 多源遥感的综合使用能够可靠地进行冠层储水能力的空间放大。
- 集成激光雷达（LiDAR）和光学数据为区域水资源保护评估提供了新的视角。

**主要发现的意义是什么？**
- 提出的空间放大模型为评估区域冠层生态水文潜力提供了结构基础。
- 江西省南部冠层持水能力的空间分布图为了解森林冠层截留特性提供了结构参考数据。

**摘要**

森林冠层储水能力是生态水文研究中的一个关键组成部分。然而，由于大多数当前的研究都集中在样地或林分尺度上，将这些精细尺度的测量结果放大到区域空间尺度仍然是一个主要挑战。以江西省南部的森林为例，我们整合了水浸泡实验、手持激光扫描（HLS）、无人机激光雷达（UAV-LiDAR）和光学遥感数据，构建了一个空间放大模型。该模型旨在量化区域冠层储水能力并描绘其空间分布模式。结果表明：
- 针叶树的枝条和叶子每单位表面积的储水能力显著高于阔叶树，其中枝条的储水能力是叶子的6.0-10.7倍。针叶林、针阔混交林和阔叶林的平均冠层储水能力分别为1.41 ± 0.27毫米、1.30 ± 0.45毫米和1.26 ± 0.36毫米。
- 冠层储水能力与从UAV-LiDAR数据中提取的冠层体积和平均冠层面积呈显著正相关，也与从光学遥感中提取的植被结构参数（如归一化差异植被指数NDVI和植被覆盖度FVC）呈正相关，而与海拔高度和坡度呈显著负相关。其中，冠层闭合度（C）、平均冠层面积和海拔高度是影响冠层储水能力的关键因素。
- 基于UAV-LiDAR数据和光学遥感因素的放大预测模型表现出可靠的预测性能，R2值分别为0.884和0.815，均方根误差（RMSE）分别为0.951毫米和0.116毫米。
- 研究区域的冠层储水能力范围从0到1.76毫米，预测不确定性范围为0.12到0.49毫米。该地区的连续中山区和丘陵地区的冠层储水能力较高，而西部、东部和南部边缘的高海拔山脊地区相对较低。这些结果为理解区域森林冠层截留潜力的空间模式提供了基础结构信息。

**1. 引言**

森林生态系统在调节区域水循环、保护水资源和维持生态健康方面发挥着不可替代的作用[1]。作为森林生态系统与大气降水之间的第一道屏障，森林冠层直接参与降雨的重新分布和蒸发过程，是森林生态水文功能的重要组成部分[2]。通过截留降雨，森林冠层可以有效减少降雨动能，延迟径流产生，并改善森林内部的微气候[3,4]。因此，森林冠层储水能力的研究是森林生态水文学领域的热点课题[5,6]。在本研究中，冠层储水能力定义为在完全饱和条件下，冠层结构表面（枝条和叶子）上能够保留的最大静态储水量，通过实验室浸泡实验确定[7,8]。它代表了冠层表面保持能力的结构上限[9]。许多学者专注于样地或林分尺度上的冠层储水能力研究[10,11]。然而，由于森林结构和环境条件的复杂性，森林冠层的储水能力在流域或区域尺度上表现出显著的空间异质性[12]，样地和林分的测量结果通常不足以反映整个区域的分布特征[13]，从而限制了它们对大尺度森林和水资源管理的影响[14]。因此，从样地和林分尺度将冠层储水能力外推到区域尺度对于森林-水关系研究具有重要意义，并有助于全面理解森林水资源保护功能的时空特征和形成机制。

将测量到的水资源保护参数从样地外推到流域甚至更大的区域尺度一直是生态水文研究中的一个挑战[15]。徐亚丽等人基于测量的林分数据和遥感产品，构建了一个基于植被和环境因素的森林林分-流域土壤水分保护功能尺度转换的逐步回归模型[16]。俞恩旭等人基于林分调查、凋落物储水能力测量和遥感数据，使用逐步回归方法，构建了一个森林林分-流域区域森林凋落物储水能力的空间尺度放大模型，同样考虑了植被结构和环境因素[17]。尽管这些开创性研究成功建立了必要的放大框架，但也指出，主要依赖二维（2D）光学植被指数的模型在应用于结构复杂的森林时往往存在解释力瓶颈。此外，关于森林冠层储水能力放大的具体研究仍然较少。

开发此类放大模型首先需要准确识别关键影响因素。然而，这些关键因素通常随空间尺度而变化。现有研究表明，在坡度或林分尺度上，林分密度和结构特征是影响冠层储水能力的主要因素[18,19]。在这些因素中，林分结构特征决定了下层枝条和叶子的分布，从而成为影响冠层储水能力的决定性因素[9]。在流域或更大空间尺度上，影响冠层储水能力的因素更为复杂。除了森林植被特征外，地形（海拔、坡度、朝向）和气候（降雨、温度、风速等）也会增强冠层储水能力的影响[20]。这使得其空间变异性更大。由此可见，随着研究尺度的扩大，气候和地形特征的高时空变异性增加了冠层储水能力放大的难度。

此外，准确计算冠层储水能力依赖于详细的植被空间数据。在样地和林分尺度上，样地调查和便携式仪器等方法可以提供精细的植被结构信息量化。然而，在流域或更大尺度上，由于获取精细植被结构数据的成本较高，通常使用遥感植被指数进行表征[21]。然而，森林冠层的储水能力不仅与植被指数有关，还取决于枝条和叶子的三维空间分布、枝条表面积和细微的垂直结构特征[6,22]。传统光学遥感技术难以穿透森林冠层以获取下层植被和冠层内部的垂直结构信息。在植被茂密的地区，信号饱和容易发生，导致复杂森林结构信息的表示不足[23]。因此，仍然存在一个重要的研究空白：传统的二维遥感无法准确参数化在空间放大过程中直接控制冠层储水能力的三维物理特征。这正是我们在区域尺度上对影响冠层储水能力因素理解不足的主要原因[24]。

近年来，激光雷达技术的快速发展为解决这一问题提供了新的方法。基于手持设备的激光雷达（HLS）和基于无人机的激光雷达可以获得高密度点云数据，并准确反演森林的三维结构参数（如冠层体积、平均冠层宽度和冠层高度[25,26]）。它们为实地测量数据与大规模光学遥感数据之间的联系提供了桥梁。当前的研究建议未来的研究应结合激光雷达和无人机技术提供的详细3D植被结构参数，以克服传统调查和光学遥感的局限性，实现更高精度的尺度放大建模[17,27]。然而，关于通过整合HLS、UAV-LiDAR和光学影像等多源遥感数据来量化冠层储水能力的研究仍然较少。

江西省南部地区位于赣江上游，是长江盆地重要的水资源保护区和生态屏障。其森林生态系统的保护功能直接影响到下游地区和鄱阳湖流域的水生态安全。该地区以山脉和丘陵为主，森林覆盖率较高，种植了大量中国冷杉（Cunninghamia lanceolata (Lamb.) Hook.）和马尾松（Pinus massoniana Lamb.）等树种。不同林分类型之间的树种组成和结构存在显著差异，导致冠层储水能力存在明显空间变异性。在全球气候变化的背景下，该地区频繁发生极端水文事件，干旱和洪水之间的转换明显。因此，了解森林冠层储水能力的空间模式对于理解区域森林的生态水文特征至关重要。

基于江西省南部生态屏障建设的需求，本研究提出了一种逐步放大方法，结合地面激光雷达、UAV-LiDAR数据和光学遥感数据，解决了传统冠层储水能力估计在空间尺度扩展方面的局限性，并为区域森林生态水文评估提供了基础结构信息。本研究旨在解决以下三个问题：
- 亚热带森林地区典型林分的冠层储水能力特征是什么？
- 不同尺度上影响冠层储水能力的关键因素是什么？
- 如何结合多源遥感数据构建可靠的空间冠层储水能力放大模型？

**2. 材料与方法**

**2.1. 研究区域**

研究区域位于江西省南部，总面积为39,379.64平方公里。该地区位于南岭山脉北部山麓和赣江上游，是长江盆地重要的水资源保护区和生态屏障（图1）。地形以山脉和丘陵为主，最高海拔达到1960米。该地区属于亚热带季风气候，年平均温度约为18-20°C。7月气温最高（平均29.4°C，极端高温41.2°C），1月气温最低（平均8.2°C，极端低温-6.0°C）。年降水量约为1400-1800毫米。该地区土壤类型多样，森林资源丰富，森林覆盖率超过75%。森林主要由常绿阔叶林、落叶阔叶林、落叶针叶林和针阔混交林组成。主要树种包括中国冷杉、马尾松、褐松（Pinus elliottii Engelm.）和栲木（Schima superba Gardner & Champ.）。

**2.2. 研究框架**

构建和预测冠层储水能力空间尺度外推模型的技术路线如图2所示。本研究采用逐步放大策略，首先整合浸泡法测量的数据、手持激光扫描（HLS）、UAV-LiDAR和大规模光学遥感数据，构建包含冠层结构、地形和植被指数的多维数据集。随后使用R Studio（版本4.4.2）进行相关性分析，以识别关键影响因素，并使用逐步回归算法建立冠层储水能力的空间放大模型。最终，结合ArcGIS的空间分析能力，实现了对该地区冠层水存储能力空间分布的准确预测和可视化。图2. 研究中使用的方法流程图。2.3. 数据收集与处理 2.3.1. 叶片和树枝单位表面积的水存储能力本研究采用室内浸没法来确定叶片和树枝单位表面积的水存储能力[28]。我们对针叶树和阔叶树种进行了分类。为了准确反映研究区域内典型树种的水存储特性，我们在江西省南部进行了多次实地调查。我们从研究区域内的各种混交林样地中选择了18棵标准树，包括针叶树和阔叶树种（例如，Cunninghamia lanceolata、Pinus massoniana、Pinus elliottii、Schima superba、Liquidambar formosana Hance、Elaeocarpus decipiens Hemsl.和Cinnamomum camphora (L.) J. Presl）。从每棵选定的树的冠层中分别采集了来自上层、中层和下层的三个带叶树枝作为标准样本枝条，共获得了162个样本。采样在非雨季进行，以确保样本表面干燥。切割树枝后，立即用塑料包装密封切口，以防止运输过程中的水分流失或不自然的水分吸收[29]。将样本带回实验室后，首先使用电子秤（精度达到0.1克）测量树枝和树叶的总鲜重。然后，将树叶和树枝分开，并分别测量它们的鲜重。为了准确确定饱和水存储能力，将树叶和树枝完全浸入水中，每小时称重一次，直到两次连续称重的差值小于1%，此时认为达到饱和[30]。然后取出饱和样本，并用吸水纸轻轻拍干表面上的自由水。立即测量树叶和树枝的饱和湿重。使用桌面扫描仪（Founder，北京，中国）和ImageJ软件（版本1.54r）测量阔叶树叶的表面积，并使用上下表面积之和进行计算。针叶树叶和树枝的表面积使用圆柱体的侧面积公式计算[7]。最后，使用以下公式计算冠层各组成部分的单位表面积水存储能力（g/cm2）：(1) 在上述公式中： 是叶片或树枝单位表面积的水存储能力（g/cm2）， 是叶片或树枝样本的饱和湿重（g）， 是叶片或树枝样本的鲜重（g）， 是叶片或树枝样本的表面积。不同树种的详细表面积和持水特性见表S1。2.3.2. 基于地面的LiDAR点云数据为了获得江西省南部不同林分类型的精确冠层水存储能力数据，我们选择了52个代表性样地进行叶片表面积的详细计算。每个样地的大小为20米×30米，林分类型包括针叶林、阔叶林和针叶阔叶混交林（表S2）。每种林分的野外照片和LiDAR扫描路线分别见图S1和S2。首先，我们于2025年6月使用HLS LiDAR扫描仪（LiGrip v100，Digital Green Land，北京，中国）从这些样地收集点云数据。为了收集完整的点云信息，我们采用了之字形闭合回路扫描路径，并保持设备稳定性，以避免显著波动，确保点云数据收集的稳定性。为了提高测量精度，我们使用Hi-Target RTK设备从控制点收集数据，获取地面基站的坐标信息，并使用控制点对点云数据进行了配准。然后使用LiDAR360 8.0软件（Digital Green Earth，北京，中国）对扫描点云进行预处理，包括数据裁剪、去噪、过滤、重采样、地面点分类和基于地面点的归一化（图3）。图3. 手持激光扫描（HLS）点云数据处理示意图。(a) 样本地块的配准点云（裁剪至20×30米区域）；(b) 预处理后的点云；(c) 从归一化点云中裁剪出的子地块点云；(d) 将子地块点云分类为树干、树冠和低植被；(e) 分别提取的树干和树冠点云。(a,b)中的颜色梯度表示点云的高度，而(d)中的不同颜色表示点云的类别。从每个20×30米的样地中切割出五个6×6米的子地块，并计算子地块中树枝和树叶的表面积。首先使用LiDAR360 8.2软件处理点云数据，将树干点云与冠层点云分开，然后根据此分类结果提取每种类型的点云子集。对于分离出的冠层点云，结合密度空间聚类算法（DBSCAN）和三维几何分析方法，通过设置适当的邻域半径（eps）和最小点数（minPts）参数进行聚类，以实现树枝和树叶的自动分离并估计其表面积[31]。在本研究中，邻域半径设置为0.05米，最小点数为10。DBSCAN密度聚类算法可以有效地识别空间密集分布的点组，适用于处理具有复杂结构的植被点云的分割问题[32]。在聚类结果中，点数最多的簇被认为是主枝，其余较小的簇被分类为树叶。基于这种分割结果，分别提取树枝和树叶的点云子集。此DBSCAN聚类过程使用R软件（版本4.4.2）中的“dbscan”包实现[33]。为了计算表面积，使用R软件中的“geometry”包实现3D凸包算法[34]，分别为树枝和树叶的点云构建3D凸包并计算其表面积。每个样地的冠层水存储能力()基于从基于地面的激光雷达点云数据中提取的树枝和树叶表面积以及第2.3.1节中通过浸没法计算的单位表面积树枝和树叶表面积来计算。计算公式如下：(2) 在上述公式中， 是树木冠层单位表面积的水存储能力（kg/m2）， 和 是林分冠层中树枝和树叶的表面积（m2）， 和 是单位表面积树枝和树叶的水存储能力（g/cm2）， 是基于样地面积和坡度计算的水平投影面积（m2）。假设标准雨水密度为1 g/cm3，并忽略温度、污染物和矿物质引起的微小密度变化，1 kg/m2的冠层水存储相当于1毫米的水深。2.3.3. 航空LiDAR点云数据2025年7月，我们使用配备LiAir H800激光雷达系统的无人机（Digital Green Land，北京，中国）对研究区域的15个区域进行了空中调查，覆盖总面积为3386.56公顷（15个地点的详细面积见表1）。飞行高度控制在100米至200米之间，飞行速度保持在8米/秒。激光雷达扫描角度为360°，前向重叠设置为80%，侧向重叠设置为70%。使用S形单次飞行路径以确保数据采集的覆盖效率和点云密度的均匀性。原始无人机-LiDAR数据在LiDAR360 8.0软件中进行了预处理，包括飞行条带拼接、噪声减少、重采样和基于地面点的归一化。预处理后的无人机-LiDAR点云数据被划分为10米网格，以便进一步提取林分结构参数。为了消除灌木和草本植物的干扰，我们将冠层高度阈值设置为2米，并提取了六个植被结构参数，包括最大冠层高度()、冠层闭合度(C)、叶面积指数(LAI)、冠层体积()和平均冠层面积()。表1. 15个无人机-LiDAR调查区域的详细信息。最大冠层高度()是网格内所有归一化植被点云的垂直最大值，用于表征该像素内的冠层顶部高度[35]。冠层闭合度(C)基于点云穿透原理计算。它定义为网格内高于冠层高度阈值的植被回声点数目与总回声点数之比，反映地面被冠层遮挡的程度[36]。叶面积指数(LAI)通过计算单位面积的垂直植被点密度来表征，反映单位水平投影面积的植被回声密度[37]。冠层体积()通过体素化计算，将网格内的冠层垂直空间划分为高度为1米的体素。计算包含植被点的体素层数量并乘以网格底面积来计算体积[38]。平均冠层面积()是基于冠层覆盖比估计的平均投影面积。平均冠层直径()基于几何假设计算，将平均冠层面积近似为一个圆形[39]。然后从DEM中提取了三个地形因素——海拔、坡度和朝向。这些参数使用R语言环境中的“lidR”包提取[40]。2.3.4. 光学遥感数据本研究使用的光学遥感数据包括地形和植被特征数据。数字高程模型（DEM）数据来自中国地理空间数据云平台（https://www.gscloud.cn/，访问日期为2026年3月24日），用于计算海拔、坡度和朝向等地形数据。从地理空间数据云平台下载了Landsat 8 OLI遥感图像（L2SP处理级别）；为了与激光雷达数据的采集时间保持一致，选择了2025年8月26日至27日的图像数据。该产品经过了几何和大气校正。使用ArcGIS 10.8软件计算归一化植被指数（NDVI）、FVC和LAI，以定量表征研究区域内森林植被的生长状况和冠层结构。归一化植被指数（NDVI）使用近红外波段（波段5）和红波段（波段4）之间的反射率差异来反映植被覆盖和生长活力[41,42]。计算公式为：(3) 在公式中， 表示近红外波段（波段5）的表面反射率； 表示红波段（波段4）的表面反射率。植被覆盖度(FVC)使用半份数像素模型估算，该模型假设像素由植被和土壤组成[43]。计算公式为：(4) 在公式中， 是纯土壤像素的NDVI值，在本研究中取为5%累积概率时的NDVI值； 是纯植被像素的NDVI值，取为95%累积概率时的NDVI值。当 时，FVC为0；当 时，FVC为1[44]。叶面积指数(LAI)基于Beer-Lambert定律得出的经验公式确定[45]。计算公式为：(5) 在公式中， 是冠层消光系数，主要取决于叶倾角分布和太阳高度角[46]。根据相关文献和研究区域亚热带森林植被类型的特性，本研究将k值设置为0.6[47,48]。2019–2021年中国30米森林地上生物量产品从ScienceDB平台（https://www.scidb.cn/，访问日期为2026年3月24日）下载，用于定量表征森林植被生物量的积累。2025年中国30米分辨率森林优势树高数据集（FDH-30C）来自ScienceDB，用于描述森林的垂直结构特征。2024年中国30米年度土地覆盖数据集（CLCD）来自Zenodo平台（https://zenodo.org/，访问日期为2026年3月24日），用于提取江西南部的森林分布范围。所有上述数据均根据江西南部的边界在ArcGIS 10.8中裁剪，并统一采样至30米的空间分辨率。

2.4. 分析影响树冠蓄水能力的因素
为了将测量结果从样地尺度扩大到区域尺度，我们采用了逐步放大策略：样地尺度、无人机尺度，然后是区域尺度。首先，我们使用基于地面的激光雷达点云数据和采样浸没法获得了样地尺度的测量数据。结合从无人机激光雷达数据中提取的高精度植被结构和地形因素，我们构建了一个无人机尺度的估算模型。然后，利用该模型生成的无人机尺度树冠蓄水能力空间分布数据，与相应的光学遥感影像进行匹配，以提取光学遥感数据指标，并构建一个区域尺度的放大模型。因此，我们从无人机激光雷达点云数据中提取了九个影响树冠蓄水能力的植被和地形因素，从光学遥感数据中提取了八个（表2）。对树冠蓄水能力进行了Spearman相关分析，以选择显著相关的因素来构建树冠蓄水能力的空间尺度放大模型。所有这些步骤都是在R Studio中实现的。

表2. 影响树冠蓄水能力的潜在因素

2.5. 构建树冠蓄水能力的空间尺度外推模型
为了减少数据冗余并提高准确性，我们根据相关分析结果进一步选择了2/3的数据作为训练集，并使用逐步回归方法构建了一个树冠蓄水能力预测模型。用于此建模的地面测量值与无人机-LiDAR派生变量的匹配数据集见表S3。基于剩余1/3的验证集的测量值和预测值，我们计算了标准差（SD）、均方根误差（RMSE）和平均绝对误差（MAE）作为模型精度和误差的评估指标。具体来说，无人机尺度模型是直接从基于地面的测量数据构建的；而对于区域尺度模型，训练集和验证集都是从无人机尺度的反演估计中得出的。然后，我们选择了R2最大且SD、RMSE和MAE最小的模型作为树冠蓄水能力的空间尺度外推模型。最后，基于模型参数的空间分布数据，我们使用ArcGIS 10.8软件进一步生成了林分和区域尺度的树冠蓄水能力空间分布图。

此外，为了测试区域尺度放大模型的可靠性并消除来自单一训练和测试集分割的潜在采样偏差，我们对数据集进行了10折交叉验证。数据集被随机分为10个等大小的子集。在每次迭代中，9个子集用于训练，剩余的子集用于验证，从而评估模型在不同空间子集中的泛化预测性能。

除了结构预测因子外，我们的空间建模框架还明确考虑了未观察到的微观性状变异性——如叶片蜡质、树皮粗糙度和附生植物的存在。为了表示这种性状驱动的变异，我们从样地尺度浸没测量中得出了平均变异系数（）。随后通过传播区域模型误差以及这种性状驱动的不确定性 term，并使用标准误差传播公式[49]来映射空间不确定性。计算公式为：
（公式略）

在上述公式中， 是树冠的蓄水能力（毫米），RMSE是区域模型的均方根误差（毫米）， 是平均变异系数。 是从三种主要森林类型（针叶林、混交林和阔叶林）的树冠持水特性中得出的。具体来说，首先确定每种森林类型的持水能力的变异系数（CV，即标准差与平均值的比率），然后计算这些独立变异系数的算术平均值作为表征区域性状变异的代表参数。

3. 结果
3.1. 不同林分类型间树冠蓄水能力的比较
通过浸没法测量的结果显示，不同树种在树枝和叶片单位表面积的蓄水能力上存在显著差异（表3）。总体而言，针叶树的单位表面积蓄水能力显著高于阔叶树，而且树枝的蓄水能力远高于叶片。具体来说，针叶树叶的单位表面积蓄水能力为0.0092克/平方厘米，大约是阔叶树的4.7倍（0.0018克/平方厘米），而针叶树枝的单位表面积蓄水能力达到0.0522克/平方厘米，是阔叶树枝的2.6倍（0.0206克/平方厘米）。对于针叶树和阔叶树来说，树枝的单位表面积蓄水能力都显著高于叶片。阔叶树和针叶树的树枝蓄水能力分别是叶片的10.7倍和6.0倍。

表3. 不同树类型的叶片和树枝单位表面积的蓄水能力。针叶林、混交针叶林和阔叶林的平均树冠蓄水能力分别为1.41 ± 0.27毫米、1.30 ± 0.45毫米和1.26 ± 0.36毫米（表4）。统计分析显示三种森林类型之间的树冠蓄水能力没有显著差异（p > 0.05）。从数值上看，针叶林和混交针叶林及阔叶林略高于阔叶林。与阔叶林相比，针叶林和混交针叶林及阔叶林的平均树冠蓄水能力分别是阔叶林的1.12倍和1.03倍。此外，基于三种主要森林类型的树冠持水能力计算出的平均变异系数（）为0.27，这为后续的区域空间不确定性估计提供了基础。

表4. 不同森林类型的树冠蓄水能力

3.2. 影响树冠蓄水能力的因素
相关性分析（表5）显示，树冠蓄水能力与选定的植被和地形因素显著相关。具体来说，树冠蓄水能力与从无人机-LiDAR点云数据中提取的树冠体积（）、平均树冠面积（）、平均树冠直径（）、树冠闭合度（C）和叶面积指数（LAI）显著正相关（p < 0.001）。它还与海拔和坡度显著负相关（p < 0.001）。在光学遥感提取的因素中，树冠蓄水能力与海拔显著负相关，与归一化植被指数、叶面积指数和植被覆盖度显著正相关。

表5. 树冠蓄水能力与影响因素之间的相关测试结果

3.3. 树冠蓄水能力的尺度放大模型
根据相关性分析结果，将显著相关的因素逐步回归到树冠蓄水能力中，以在无人机尺度和区域尺度构建多个线性回归模型（方差膨胀因子VIF < 10，无因子共线性）（表6）。在无人机尺度上，从无人机激光雷达点云数据中选出的树冠闭合度（C，VIF = 5.14）、平均树冠面积（，VIF = 5.39）和海拔（，VIF = 1.22）作为输入变量。为了扩展到区域尺度，引入了光学遥感叶面积指数（，VIF = 1.001）和海拔（，VIF = 1.001）来构建模型。

表6. 树冠蓄水能力的逐步多元线性回归模型。准确性评估表明，两个模型都提供了可靠的预测（表7）。与区域光学模型相比，无人机尺度模型解释了更大的方差比例，这是预期的，因为激光雷达数据的结构保真度更高。此外，两个尺度上的误差指标（RMSE和MAE）都保持在较低水平。区域尺度上的10折交叉验证结果与标准验证指标几乎完全一致，证实了空间外推框架的统计稳定性和泛化能力，没有过拟合。

表7. 逐步多元线性回归模型的准确性

3.4. 树冠蓄水能力的空间分布特征
从无人机-LiDAR点云数据中检索到的树冠蓄水能力表现出显著的空间异质性（图4）。不同样地之间以及同一样地内部存在显著差异，变化主要集中在0到1.4毫米之间。不同样地之间的比较显示树冠蓄水能力存在明显差异。赣县区五云镇（图4H）的树冠蓄水能力最高（>1.0毫米），显示出大面积的高值。赣县区汪木都镇的荣江新区和南康区的南山公园（图4D,E,K）的树冠蓄水能力也相对较高。相比之下，瑞金市的山山村、南康的寨坑村、新丰县的张塘村和赣县区的齐盘秋村（图4B,F,G,O）的蓄水能力较低，大部分区域覆盖的低值范围为0.0–0.2毫米。在每个样地内部，树冠蓄水能力的空间分布表现出显著的异质性，呈现出高蓄水能力斑块和低蓄水能力区域共存的空间模式。

图4. 基于无人机-LiDAR数据的林分尺度树冠蓄水能力空间分布图。子集（A–O）的详细位置信息见表1。江西南部的树冠蓄水能力空间分布模式存在显著差异（图5）。估计的树冠蓄水能力范围从0到1.76毫米。从空间上看，树冠蓄水能力在边缘地区通常较低，在中心地区较高。在该区域的连续低至中等山区和丘陵地带，树冠蓄水能力较高，而在西部、东部和南部的最外层高海拔山脊和森林边缘地区则较低，包括西部的罗霄山脉、东部的武夷山脉和南部的南岭山脉。

图5. 赣南地区的树冠蓄水能力空间分布图。如图6所示，预测不确定性在区域内的空间分布从0.12毫米到0.49毫米不等。最小不确定性（0.12毫米）对应于植被稀疏区域的基线模型残差。相反，最高的不确定性（高达0.49毫米）出现在中央的低至中等山区，那里预测的树冠蓄水能力最大。

图6. 结合模型残差和未观察到的性状变异性进行的预测不确定性空间分布。为了进一步探讨不同环境梯度下区域树冠持水能力的空间分布特征，我们使用自然不连续性方法将区域海拔、FVC、LAI和NDVI数据分为四个级别，并在不同地形和植被条件下统计分析了植被持水能力的分布（图7）。就地形而言，区域树冠持水能力随海拔升高呈逐步下降趋势。在低海拔地区（<282米），平均树冠持水能力最高，达到1.00毫米；而当海拔上升到723米以上的高山地区时，平均持水能力急剧下降到0.11毫米。就植被条件而言，区域树冠持水能力通常随着植被覆盖度和树冠密度的增加而增加。随着FVC从小于0.29增加到超过0.80，平均持水能力从0.64毫米增加到1.19毫米；NDVI和LAI显示出类似的趋势。

4. 讨论
4.1. 不同林分类型的树冠蓄水能力
本研究显示，江西南部三种森林类型（针叶林、混交针叶林和阔叶林）之间的树冠蓄水能力没有统计学上的显著差异（p > 0.05）。为了解释这一现象，我们需要从微观的树枝和叶片尺度以及宏观的群落结构层面进行分析。针叶树种在树枝和叶子的单位表面积上表现出更强的储水优势。在微观层面上，针叶树种在叶子和树枝的单位表面积上均显示出明显的储水优势，这与先前的研究结果一致[8]。针叶树的针叶（如马松和中国冷杉）通常成束生长，具有较大的比表面积和高表面粗糙度，这种复杂的结构更有利于储水和吸附[5]。相比之下，该地区的阔叶树种叶子表面覆盖有一层蜡质，相对较光滑，导致单位面积的吸水效率较低[50]。此外，传统研究中常常忽略树枝对树冠储水的贡献，而这与雨水截留过程密切相关[7,51]。本研究进一步证实了树枝在树冠储水中的重要作用。对于针叶树和阔叶树而言，树枝的储水能力明显高于叶子，这与粗糙树皮表面能更好地保持水分的观点一致[6,52]。然而，在林分尺度和微观尺度上，储水能力存在差异[53]。这表明林分结构参数（叶子和树枝的表面积）在决定树冠储水能力方面起着补偿作用。尽管阔叶树的单位面积储水能力较弱，但阔叶林通常具有较大的叶面积指数和更复杂的垂直分层结构[54]，这意味着它们可用于树冠储水的总表面积大于针叶林，从而在宏观上弥补了其微观吸附能力的不足。相反，虽然该地区的人工针叶林单叶储水能力较强，但由于相对简单的树冠结构或管理活动导致的生物量限制，它们对树冠储水潜力的整体贡献可能受到限制。因此，在评估区域森林的结构储水潜力时，仅考虑树种特征是不够的；必须全面考虑林分结构参数。因此，区域森林水文管理应当将从选种转向结构优化。旨在最大化林分三维结构参数的造林措施对于改善各种类型森林的水资源保护具有普遍重要性。

与Yu等人（2025年）在温带地区的研究相比，本研究中估计的针叶林冠层的储水能力与他们的结果没有显著差异，而阔叶林的估计值则相对较高[6]。这主要是因为亚热带常绿阔叶林的叶面积指数和垂直分层结构比温带落叶林更复杂[55]。回归分析也是估算树冠持水能力的常用方法[56]，它是基于降水量与总降雨量之间关系的负截距计算得出的。该方法假定树冠完全干燥，降雨期间的蒸发可以忽略不计，这往往会导致系统性的低估，仅代表最低的持水能力[57]。相比之下，浸渍法通过量化完全浸没条件下的最大比水分保持能力来确定持水能力。这一过程会使叶子的上下表面都饱和，而在自然降雨中叶子的下表面通常会保持部分干燥[58]。因此，我们基于浸渍法的估计可以作为水分保持的绝对结构上限，其值略高于回归方法得出的结果[5,59]，这是预期且符合物理原理的。

重要的是，本研究中的森林类型分类作为一个综合指标，纳入了该地区典型林分年龄、密度和管理方式的差异。例如，该地区的针叶林主要是具有特定密度的人工林，而阔叶林通常是自然再生的次生林。因此，观察到的区域空间变化被解释为这些混杂结构变量的综合效应，而不仅仅是由物种特征纯机械性导致的。未来需要控制结构变量的研究来明确物种混合、年龄和密度对树冠储水的独立影响。

4.2 影响树冠储水能力的因素和机制
准确识别关键特征因素是构建可靠的 spatial plot-scale、UAV-scale 和 regional-scale 模型的基础。本研究表明，树冠储水能力受到植被细结构和地形因素的共同驱动。在植被结构方面，树冠储水能力依赖于 UAV lidar 测量得到的指标（树冠体积、平均树冠面积和叶面积指数），这表明树冠所占的三维物理空间决定了其最大储水潜力。这进一步验证了三维植被结构参数在多个空间尺度上表征树冠储水能力的重要性[6,27]。叶面积指数（LAI）决定了可用于树冠储水的总表面积，而较大的树冠体积和树冠面积则表征了树冠所占的三维空间[4,38]。这些结构属性增加了降雨接触和临时水分保持的潜在表面积[22]。

关于地形特征，我们发现江西南部的树冠储水能力与海拔和坡度之间存在显著的负相关关系。这种差异主要源于研究区域的特定地形和植被分布模式。江西南部的高海拔地区主要位于流域边缘的山岭上（如罗霄山脉和武夷山脉）。这些地区的土壤层较薄，风强，受到高海拔环境压力，限制了树木生长[60,61]。树木的高度和树冠宽度相对较小，常伴有低矮灌木，从而限制了树冠的储水能力。相反，低至中等海拔的丘陵和低山地区具有有利的水热条件，土壤层深厚，主要由人工种植的高产用材林（如中国冷杉和马尾松）组成。这些地区表现出强烈的林分生长和高生物量积累，因此具有更强的储水能力[53]。显然，地形因素通过重新分配水分、热资源和土壤条件间接重塑了植被的空间分布模式[62]，从而主导了树冠储水能力的空间差异。此外，这些光学结构指数为估算区域树冠储水能力提供了关键的光谱机制支持。光谱指数（NDVI 和 FVC）表征了植被的绿色度和水平密度，较高的值表明树冠更为连续，更有利于雨滴截留[63]。光学叶面积指数（LAI）进一步量化了叶层总表面积，这是水分积累的主要物理界面[4]。此外，地上生物量（AGB）和树高（FDH）代表了生物量和垂直高度的三维积累；较高的生物量和树高通常与更复杂的树枝结构和树干表面积相关，从而扩大了潜在的储水能力[7,38]。通过整合这些变量，可以捕捉到光谱反射率与森林树冠多维结构储水潜力之间的相关性[64]。

过去的研究常常依赖于单一的光学遥感指数进行尺度外推，忽略了树冠内部结构的异质性[38,65]。本研究通过结合来自 UAV-LiDAR 的三维结构参数（如 LAI、树冠宽度和树冠体积），构建了一个林分尺度上缩放模型，其 R2 值为 0.884（表 6）。这表明，考虑森林林分的精细垂直结构特征是解决传统光学遥感信号饱和问题并实现更可靠上缩放模拟的有效方法[66,67]。

4.3 树冠储水能力空间分布特征的分析
树冠储水能力在无人机尺度和区域尺度上都表现出显著的空间异质性，主要归因于植被结构、林分发育阶段和地形环境之间的相互作用[30]。在 UAV 尺度上，基于 UAV-LiDAR 的高精度反演结果揭示了树冠储水能力的高度 Fragmented 和异质性特征（图 4）。不同地块间的树冠储水能力存在显著差异，主要由三维结构参数及其发育阶段驱动。高值区域如赣县区的武云镇、汪木都镇、荣江新区的荣江镇以及南康区的南山公园主要是成熟的人工林，其特征是高树冠密度和大的树冠体积。它们复杂的树枝和树干结构以及大的树冠体积显著增强了森林树冠的结构储水潜力[53]。低值区域主要是稀疏的林分或处于早期演替阶段的幼林，这是由于管理干扰或场地限制造成的[64]。此外，同一林分内部高值和低值的混杂准确反映了森林间隙结构、个体树木之间的竞争以及微地形对树木分布的影响[68,69]。这种细尺度的空间变异性难以通过传统光学遥感技术捕捉，突显了 UAV-LiDAR 在揭示树冠结构储水细尺度空间模式方面的优势[70]。

树冠储水能力进一步扩展到区域尺度，揭示了江西南部的宏观分布模式，即在该区域内连续区域树冠储水能力表现出较高值，而在外围地带则较低[图 5]。高值区域主要集中在该区域的连续低至中等山地和丘陵森林地带。这些地区地形较为平坦，土壤层深厚，是江西南部造林和林业管理的主要区域。长期的人工管理和保护使得大片森林保持良好状态，树冠闭合度较高。有利的水热条件加上高水平的森林管理促进了树冠的充分发展。高树冠密度和大的树冠体积增强了森林树冠的结构储水潜力，为区域森林水相关生态服务的评估提供了结构信息[2]。

区域树冠储水能力范围从 0 到 1.76 毫米。鉴于江西南部的典型降雨量通常在 5 到 25 毫米之间，在中等到强降雨事件期间预计会发生快速饱和[30,64]。因此，树冠储水能力图代表了与低强度、短时间降雨事件相关的结构储水潜力[9,69]。从低值区域来看，树冠储水能力较低的地区主要分布在西部（罗霄山脉）、东部（武夷山脉）和南部（南岭山脉）的最外围高海拔山脊沿线。与其他地区的高海拔区域不同，这些周边山区尽管海拔较高，但地形陡峭，土壤保持能力较弱，容易受到强风等外部因素的影响。恶劣的栖息地条件限制了高大树木的生长，导致这些地区以稀疏的低矮植被或灌木为主。树冠层的垂直复杂性和生物量积累远低于中心核心区域的成熟林分[60,71]。因此，地形限制导致的植被生长差异最终塑造了江西南部树冠结构储水能力的空间模式。梯度分析（图 7）为这一宏观模式提供了定量证据。723 米以上树冠储水能力较低反映了山脊顶部的恶劣微气候限制，从而限制了树冠的垂直发育。相反，FVC、LAI 和 NDVI 梯度之间的正相关表明，有利的水热条件和集约化的造林管理促进了中低海拔地区密集多层次树冠的形成。此外，空间不确定性分析（图 6）显示，在这些复杂的中央山脉区域，预测不确定性达到峰值（高达 0.49 毫米）。这表明，虽然密集的森林结构具有较高的储水潜力，但其复杂的三维物理特性也导致了更大程度的尺度变化，因此未来需要进一步的局部验证。此外，映射的不确定性基于所采用框架的部分表示。具体来说，该模型捕捉了区域模型残差和性状变异性的叠加效果，而不是所有可能的级联误差源在两个尺度阶段中的完整数学传播过程。4.4. 研究局限性与展望为了阐明亚热带森林的林冠水分储存特性，我们选择了江西省南部作为研究对象。基于实地采样、室内实验以及激光雷达等遥感数据，我们构建了一个用于推断林冠水分储存能力的模型，以提供了解区域森林生态水文的基准结构信息和技术参考。然而，研究数据和方法存在一定的局限性。首先，关于数据方面，由于树种分布分散以及野外采样的工作量大，本研究仅对主要优势树种（中国杉、马松和栒椤）进行了详细的水分储存能力测量，并未涵盖该地区的所有树种。此外，依赖局部参数来代表更广泛的环境梯度仍然是一个方法学上的挑战[72]。由于当前的尺度放大计算是线性的，这些优势树种的基线值的任何自然变化都会按比例传递到区域估计值中[73]，这可能导致在模拟某些混交林类型时出现偏差和不确定性[13,74]。虽然VIF诊断和交叉验证确认了我们数据集的结构稳定性，但它们并没有解决使用线性框架处理本质上非线性生态水文过程这一更广泛的局限性。因此，未来的研究不仅应该纳入更广泛的树种数据，还应该探索非线性机器学习算法（例如随机森林或深度学习），以更好地捕捉空间尺度放大过程中的这些复杂生态水文反馈。其次，在方法论方面，虽然我们在实验中使用的传统室内浸泡法是确定水分储存能力的经典方法，但它忽略了自然降雨过程中风速、降雨强度和叶片晃动对水分储存能力的动态影响，可能会高估实际的水分储存潜力[9,49]，从而难以全面表征森林林冠的实际水分储存能力。由于当前的预测因子忽略了控制水分保持的关键微性状（如叶片蜡质、毛状、叶角、树皮粗糙度、附生植物），所绘制的CWSC（林冠水分储存能力）只是一个结构上的代理指标，而不是一个精确的生理容量。未来的研究应该扩大对不同林分类型的林冠水分储存的比较研究，结合室内和室外实验来确定该地区关键树种林冠的降水截留系数，使结果更符合实际的林冠水分储存状况。此外，提取结构参数涉及方法上的简化，这可能引入不确定性。首先，用于分离树枝和叶片的DBSCAN算法目前缺乏独立的植物学验证，而3D凸包方法系统性地高估了复杂植被的表面积[75]。其次，使用固定的消光系数来推导光合叶片面积指数（LAI）忽略了亚热带混交林中的结构变化。因此，未来的研究应该整合定量结构模型[76]和深度学习算法[77]，以实现更准确的激光雷达点云分割和面积估算。另外，结合高分辨率的特定树种生理数据可以实现消光系数的动态参数化。最后，为了最小化不一致性，我们选择了与实地采样（6月）和时间上最接近的无人机激光雷达调查（7月）的光学图像。尽管如此，数据集之间的微小时间差异仍可能引入不确定性，短期动态变化尚未得到解决[78]。未来的研究需要加强连续监测，并探索非破坏性的、大规模的地面验证方法，以深入研究在不同环境变化下的区域林冠水文效应的动态特性及其与森林碳封存功能之间的关系[79,80]。此外，由于全面的森林水资源保护还依赖于下层植被、落叶层、土壤和蒸散过程，因此本研究中的空间地图应被视为结构潜力的指标，而不是直接的管理指南。5. 结论研究表明，针叶树由于其独特的叶片形态和复杂的枝条结构，每单位表面积的水分储存能力显著高于阔叶树，树枝对林冠水分储存能力的贡献不可忽视。针叶林、针叶阔叶混交林和阔叶林的平均林冠水分储存能力分别为1.41毫米、1.30毫米和1.26毫米。林冠闭合度（C）、平均林冠面积和海拔是影响林冠水分储存能力的关键因素。无人机激光雷达精确提取的森林群落的垂直结构参数为准确反演林冠水分储存能力提供了关键的三维结构信息。基于此，无人机尺度和区域尺度模型的拟合优度（R2）分别达到了0.884和0.815，表明预测精度较高，能够有效反映了区域林冠的结构水分储存潜力。模型估计结果显示，江西省南部林冠的水分储存能力范围为0至1.76毫米。从空间上看，林冠水分储存能力在边缘区域较低，而在内部区域较高。高值区域主要集中在该地区的连续低坡和中坡山区以及丘陵林区，而低值区域主要分布在罗霄山脉西部、武夷山脉东部和南岭山脉南部的较高海拔边缘地区。补充材料以下支持信息可下载自：https://www.mdpi.com/article/10.3390/rs18091325/s1。表S1：不同树种的叶片和枝条的表面积和持水特性；表S2：每个林分的详细信息；表S3：用于建模的地面测量的林冠水分储存能力和无人机激光雷达衍生变量的匹配数据集；图S1：每种林分类型的实地照片；图S2：激光雷达扫描路线。