通过经济风险优先级数（ERPN）提升基于FMEA的风险优先级排序：对重型工业车辆故障的系统级分析 Ahmed Al Saadi, Rahizar Ramli, Ahmad Saifizul, Sudhir Chitrapady Vishweshwara

《Machines》：Enhancing FMEA-Based Risk Prioritization Through the Economic Risk Priority Number (ERPN): A System-Level Analysis of Heavy Industrial Vehicle Failures Ahmed Al Saadi, Rahizar Ramli, Ahmad Saifizul and Sudhir Chitrapady Vishweshwara

　　摘要 准确估计森林地上生物量（AGB）对于评估森林碳汇和为全球变化研究提供信息至关重要。传统的基于LiDAR的AGB估算方法主要依赖于高度和密度指标，这些指标无法充分描述森林冠层的复杂三维（3D）结构。本研究开发并评估了一种新方法，该方法利用来自机载LiDAR（ALS）的基于体素的3D冠层结构指标来提高不同类型森林的AGB估算精度。首先，从体素化点云中提取了基于体素的指标（体素冠层高度模型（VCHM）、冠层体积和冠层表面积），并系统地研究了它们在五种森林类型（马尾松、柳杉、针叶林、阔叶林和针叶-阔叶混交林）中的分布模式及其与AGB的相关性。结果表明，不同类型的森林具有不同的3D冠层结构，所有三个体素指标都与AGB显示出高度显著的正相关性；其中VCHM的相关性最强。随后构建了两个随机森林模型：一个仅使用传统指标的基线模型，以及一个结合了传统和基于体素指标的增强模型。10折交叉验证表明，包含体素指标的模型比传统模型的精度显著提高（R2值在0.490–0.684之间，而传统模型的R2值在0.480–0.607之间），相对提高了2.1%至32.7%。在结构复杂的阔叶林中，精度提升最为显著。该增强模型随后被应用于生成研究区域的连续AGB地图，估计的总AGB量为8.36 × 10^6吨，显示出斑块状的空间分布。马尾松林占总量的最大比例（57.8%）。本研究证明，基于体素的3D冠层指标能够更有效地捕捉森林结构的异质性，并显著提高AGB估算模型的精度，尤其是在复杂的森林群落中。这些发现为基于详细3D结构信息的精确森林生物量监测提供了重要进展。

1. 引言
森林是陆地生态系统的主要组成部分[1,2]。森林地上生物量（AGB）是表征森林生产力、评估碳汇功能和理解全球碳循环的核心参数[3,4,5]。在区域到全球尺度上准确高效地估算森林AGB对于应对气候变化、实施可持续森林管理和履行相关国际公约具有重要的科学和实践意义[6,7,8]。近年来，特别是ALS等主动遥感技术在AGB估算中发挥了关键作用，因为它们能够直接且准确地捕捉森林的垂直结构信息[9,10,11]。然而，目前大多数基于LiDAR的AGB估算方法仍然主要依赖于高度和密度等传统统计指标[12,13]。这些指标适合捕捉冠层的垂直剖面或统计特性，但无法描述其复杂的内在三维结构。这种维度限制可能会影响模型的精度和泛化能力，尤其是在应用于结构复杂的森林时[14,15,16]。近年来，基于体素的LiDAR指标逐渐成为一类重要的结构表征方法[17]。这种方法首先将LiDAR点云分割成均匀体积单位的3D网格。与基于高度或强度分布的传统统计指标相比，基于体素的指标能够在垂直维度上逐层表示冠层信息，从而更精细地描述LiDAR返回值的空间分布模式[18,19,20,21]。这一优势在具有强烈垂直结构异质性的林分中尤为明显。尽管体素化方法为3D森林表征提供了新的视角，但其应用在机载LiDAR领域仍然相对有限[22]。当前的研究主要集中在使用体素提取统计指标（如高度百分位数和点云密度），而对具有明确物理意义的3D冠层属性关注不足[20,23]。例如，直接从体素网格中得出的3D结构参数（如冠层高度分布、固体冠层材料占据的总体积和冠层外表面面积）尚未在基于体素的分析中得到充分探索或应用。因此，本研究引入了一种基于体素的3D重建和分析方法。通过体素化LiDAR点云，旨在直接量化上述冠层结构参数在3D空间中的值，从而加深对森林冠层真实空间配置的理解，并进一步提高地上森林生物量的估算精度。这些指标直接反映了冠层在3D空间中的物理配置，理论上可以更机械地描述树木的空间竞争和光资源分配过程，从而与AGB积累建立更紧密的联系[24,25,26,27]。因此，本研究旨在系统探索从ALS体素化技术中提取的3D冠层结构指标在森林AGB估算中的潜力和价值。研究将重点关注以下核心问题：（1）这些3D指标与森林AGB有何相关性，它们的估算性能是否适用于不同类型的森林？（2）将基于体素的3D指标整合到现代机器学习估算模型中是否可以提高多种森林类型的AGB估算精度，如果可以，提高的程度如何？（3）通过优化模型的反演得到的不同林分类型的总区域森林AGB量及其分布模式是什么？因此，本研究旨在开发并验证一种利用3D结构信息估算森林生物量的新方法。它旨在推动基于LiDAR的森林遥感从2D统计向3D分析的范式转变。所开发的“样地-3D指标-区域反演”技术框架预计将为当前从森林清查向综合森林-草地监测的过渡提供关键技术支持，满足将基于样本的调查数据转化为区域管理层面可操作信息的操作需求。

2. 材料与方法
2.1. 材料
2.1.1. 研究区域
本研究选择浙江省中部的东阳市作为研究区域（图1a）。该地区地理位置位于北纬28°58′08″至29°29′55″，东经120°04′17″至120°44′03″之间。东西最大跨度为71.6公里，南北最大跨度为56.1公里，总面积为1746.81平方公里。地形总体呈东高西低的特点，海拔范围从100米到1000米不等，主要由丘陵和低山景观组成。该地区属于亚热带季风气候，平均月降水量约为123–154毫米。森林覆盖率约为59.3%，植被以柳杉为主，主要树种分布如图1b所示。物种组成和林分边界来源于2024年东阳市森林-草地-湿地调查数据集。
图1. 研究区域地图：(a) 东阳市在浙江省的位置；(b) 树种的空间分布。
2.1.2. 野外调查数据
本研究基于2024年浙江省东阳市的森林-草地-湿地调查数据。在该数据集的支持下，并综合考虑森林类型、林分体积和空间分布等关键因素，在整个研究区域内建立了25米×25米的方形样地网格。样地之间的间距为4*6公里。每个样地的四个角点（西南、西北、东北、东南）均使用RTK设备精确定位。所有464个样地的部署于2024年7月完成。最终选定了该地区五种具有代表性的林分类型作为研究对象：马尾松林、中国冷杉林、针叶林、阔叶林和针叶-阔叶混交林（表1）。
表1. 不同类型森林的地上生物量分布。
样地调查遵循标准化的国家森林清查协议[28]。在每个样地内，对所有胸径（DBH）≥5厘米的树木进行了全面测量。测量并记录了每棵树的物种、DBH和树高。通过应用特定物种的树高模型、树冠长度模型和生物量方程计算单株树木的生物量。然后通过汇总所有树木的生物量来计算每个样地的林分级生物量。这些计算中使用的基础生物量模型见表2和表3。
表2. 单株树木的树冠长度模型和指标。
表3. 双变量生物量模型。
2.1.3. ALS数据采集
2024年6月至7月期间，使用配备Leica TerrainMapper-1激光扫描系统的Cessna 208固定翼有人驾驶飞机在东阳市进行了ALS数据采集。任务使用了GNSS/IMU单元进行定位和姿态测量。LiDAR调查的总覆盖面积约为1205平方公里，飞行线间距设计确保至少有20%的侧向重叠。平均点密度超过20点/平方米，飞行高度为平均海平面以上2000米，总飞行线长度为1280公里。调查区域被划分为1205个测绘帧（每个1000米×1000米）。关键飞行和传感器参数总结见表4。
表4. 机载LiDAR调查的关键参数。
2.2. 方法
2.2.1. ALS指标的提取
ALS点云使用LiDAR360软件进行了预处理。原始点云数据首先经过条带调整和噪声过滤，以纠正飞行线之间的系统差异并去除异常点。然后使用迭代渐进三角密度化（IPTD）算法对地面返回点进行分类。从这些地面点生成了1米分辨率的数字高程模型（DEM），通过不规则三角网络（TIN）插值实现。接着，对点云数据进行归一化以消除地形高度的影响。最后，提取高度阈值以上2米的点作为冠层点，基于这些点计算高度百分位数指标和密度变量（表5）。
表5. LiDAR基本指标。
2.2.2. 基于体素的指标提取
为了进一步表征森林冠层的3D结构特征，本研究引入了一种体素化方法，将归一化的LiDAR点云空间离散化，并在体素尺度上提取冠层结构指标。体素化是将3D点云空间分割成规则立方单位的过程，可以有效描述冠层内的垂直和水平异质性。首先，根据点云的空间范围确定3D网格的边界。考虑到点密度和冠层结构规模，将体素大小设置为1米×1米×1米。这种分辨率确保与25米×25米的样地网格完美对齐，避免了边缘伪影，并遵循基于体素的森林研究中的常见做法，以保持与现有文献的可比性[22]。
(a) 体素冠层高度模型（VCHM）
VCHM指的是每个体素列中最高非空体素的平均高度。具体来说，对于每个水平网格单元（即一个体素列），提取包含垂直方向点云的最高体素的高度，代表该列的冠层表面高度。然后计算研究区域的平均体素冠层高度，作为所有列中这些最高体素高度的平均值。计算公式如下：
其中研究区域被划分为水平平面上的规则网格单元（体素列），每个单元用二维索引表示；是体素内所有LiDAR点云的归一化高度集合；表示该列中点云的最大高度，即该位置的冠层表面高度；表示对所有网格单元的总和；除以得到整个研究区域的平均冠层表面高度。
(b) 冠层体积
冠层体积是指包含冠层点云的所有体素的体积之和，代表冠层占据的总3D空间。首先应用一个高度阈值（本研究中为2米）来区分冠层点和非冠层点，只有包含冠层点的体素才计入冠层体积。计算公式如下：其中，是单个体素的体积（在本研究中为1立方米），是一个指示函数，如果第j个体素包含树冠点则取值为1，否则为0，m是体素的总数。(c)树冠表面积树冠表面积定义为树冠外部所有暴露体素表面的总和，因此它反映了树冠的结构复杂性。通过提取表面体素（即包含树冠点且至少有一个相邻空体素的体素）并计算其暴露外表面的面积来计算。对于每个这样的体素，我们只计算与空空间或非树冠体素相邻的那些面，每个暴露面为总面积贡献1平方米。这一测量有效地量化了树冠的外部粗糙度和间隙结构，这些属性直接影响光捕获和气体交换等关键生态功能。在本研究中，树冠表面积是使用相邻体素计数方法从体素化点云数据中计算得出的。其中，体素边长为，单个体素面的面积为。设研究区域内包含树冠点的体素总数为。对于任何树冠体素，它在3D网格中与相邻树冠体素共享的面数（即相邻树冠体素的数量）表示为k。设表示恰好有k个相邻树冠体素的体素数量，满足。2.2.3.随机森林模型随机森林算法是由Breiman和Cutler在集成学习框架内开发的，本质上是决策树模型的扩展和集成形式[29,30]。该方法采用带有替换的自助抽样，从原始数据集中抽取多个子集。每个子集用于训练一个单独的决策树。然后通过聚合所有树的输出来进行预测，例如通过平均或多数投票。这种集成方法显著提高了模型的整体预测准确性和稳定性。在本研究中，随机森林模型是使用R语言中的randomForest包实现的。在模型构建过程中设置了三个关键参数：ntree（决策树的数量）、nodesize（终端节点中的最小样本数量，默认为5）和mtry（每次分割时随机选为候选的变量数量，默认为预测变量总数的三分之一）。在本研究中，ntree设置为2000，而其他参数保持其默认包值。2.2.4.使用10折交叉验证进行模型准确性评估为了评估模型的泛化性能并降低过拟合的风险，实现了随机森林算法进行预测建模，并结合了严格的10折交叉验证程序。具体来说，将完整数据集随机分为10个大小相等的子集。在每次迭代中，使用九个子集来训练模型，而剩余的子集作为独立的验证集。这个过程重复10次，以便每个子集都恰好被使用一次进行验证。最终模型性能指标是所有10次验证结果的平均值。这种方法确保模型评估不会受到特定数据划分的影响，从而得出对其在未见数据上预测性能的稳健估计[31,32,33]。我们使用决定系数（R2）来评估性能，它表示拟合优度，以及均方根误差（RMSE），它是预测误差的度量。在这里，当R2较高时，模型被认为拟合得更好，而较低的RMSE表明预测更准确。通过这种方式比较模型准确性，以选择每种优势树种的最佳生物量估计模型。其中，是实际观测值，是模型预测值，是实际观测值的平均值，n是验证样本的数量。3. 结果 3.1. 基于体素的指标分布基于体素化的ALS数据，本研究提取了三个结构参数：VCHM、树冠体积和树冠表面积。这些指标的描述性统计在不同森林类型中进行了展示（图2和表6）。针叶林（例如，Cunninghamia lanceolata）在VCHM方面表现出相对均匀的树冠结构，中位数为11.01米，四分位数范围为6.52米，方差为28.34。阔叶林显示出更高的VCHM中位数（17.07米）、更大的四分位数范围（11.53米）和方差为68.24，反映了树冠高度的更大变异性。混交林显示出中等的VCHM指标（中位数14.97米，四分位数范围10.24米，方差55.36），分布更广，可能表明结构特征更为复杂。值得注意的是，Pinus massoniana森林展示了相当大的空间占据能力，树冠体积中位数为1.03 × 10^5立方米（方差1.56 × 10^10立方米），树冠表面积中位数为8.18 × 10^4平方米（方差4.35 × 10^8平方米）。相比之下，针叶林（以Cunninghamia lanceolata为例）具有更大的树冠体积中位数（1.66 × 10^5立方米），但树冠表面积中位数相对较小（1.13 × 10^5平方米），表明了不同的空间配置策略。图2. 不同森林类型中基于体素的指标分布。表6. 不同森林类型中基于体素的指标的方差。3.2. 基于体素的指标与AGB之间的相关性所有提取的体素指标VCHM、树冠体积和树冠表面积与所有森林类型的AGB显示出高度显著的正相关性，表明它们作为AGB估计的预测因子具有很强的潜力（表7），并全面反映了树冠结构特征与AGB之间的密切关系。对于所有树种的合并样本，VCHM、树冠表面积和树冠体积的相关系数分别达到了0.672、0.525和0.462，证实了基于体素的3D指标对生物量估计的一般相关性。按森林类型分析，这三个指标在每种类型内都保持了显著的相关性，特别是在针叶林中相关性尤为强烈。在Pinus massoniana和Cunninghamia lanceolata森林中，VCHM的相关系数分别高达0.836和0.822，树冠表面积为0.701和0.657，树冠体积为0.598和0.615。在阔叶林和混交林中，这三个指标也达到了显著水平，其中VCHM的相关性最强，其次是树冠表面积；树冠体积虽然稍低，但仍保持显著相关性。表7. 基于体素的3D树冠结构与AGB之间的关系。3.3. 随机森林模型的结果为了评估基于体素的3D树冠指标在估计森林AGB方面的价值，我们开发并比较了两个随机森林模型。模型1仅使用传统的LiDAR指标，而模型2将这些指标与新的基于体素的指标结合使用。通过10折交叉验证评估它们的性能（图3），结果显示模型2在所有森林类型中始终显著优于模型1。对于合并的数据集，模型2的R2为0.593——比模型1的R2 0.504提高了0.089（17.7%）。这表明整合基于体素的3D结构信息有效地提高了AGB估计的准确性。按森林类型分析进一步证实了体素指标的普遍有益效果。在中国冷杉林中，模型2在所有类型中获得了最高的R2 0.689，比模型1提高了0.091（15.2%）。对于混交针叶-阔叶林，模型2的R2为0.536，相对于模型1增加了0.132（32.7%）。这强调了在结构复杂的混交林中，体素指标为生物量估计提供的特别显著的好处。值得注意的是，尽管不同森林类型的样本大小和结构特征存在差异，模型2在所有情况下始终保持明显的准确性优势。图3. 随机森林模型对AGB预测准确性的评估。为了评估基于体素的3D树冠指标在估计森林AGB方面的价值，我们开发并比较了两个随机森林模型。模型1仅使用传统的LiDAR指标，而模型2将这些指标与新的基于体素的指标结合使用。模型性能通过10折交叉验证进行评估。结果显示，模型2在所有森林类型中始终显著优于模型1（图3）。图3中回归线周围的95%置信区间直观地表示了估计的不确定性；模型2的置信区间通常更窄，表明估计精度有所提高。对于合并的数据集，模型2的R2为0.593，比模型1的R2 0.504提高了0.089（17.7%）。这表明整合基于体素的3D结构信息有效地提高了AGB估计的准确性。按森林类型进一步分析证实了体素指标的一致性好处。在中国冷杉林中，模型2在所有类型中获得了最高的R2 0.689，比模型1提高了0.091（15.2%）。对于混交针叶-阔叶林，模型2的R2为0.536，相对于模型1增加了0.132（32.7%）。相应地，模型2在混交林中的置信区间明显比模型1窄，这突显了体素指标在结构复杂林分中减少估计不确定性的作用。值得注意的是，尽管不同森林类型的样本大小和结构特征存在差异，模型2在准确性和精确度方面始终保持明显优势，这一点通过图3中显示的更高R2值和更紧密的置信区间得到了系统证明。随机森林模型的变量重要性分析结果（图4）从不同角度揭示了所提出的基于体素的3D树冠结构参数在提高森林AGB估计准确性方面的关键作用。具体来说，在全面涵盖所有物种的模型中，VCHM表现出最高的特征重要性（%IncMSE = 16%），显著优于其他传统的LiDAR指标。树冠表面积（14%）和树冠体积（10%）也排在前五名，突显了3D结构特征在全面解释生物量空间变化中的主导作用。在特定物种的组分析中，不同森林类型显示出与其结构特征一致的特征重要性模式：在Cunninghamia lanceolata模型中，地形因素（例如，elev_percentile_1st，10%）排名最高，但树冠表面积和树冠体积（均为9%）紧随其后，VCHM（8%）也排在前四名，表明尽管地形起主导作用，3D结构参数仍然是重要的协同预测因子。在Pinus massoniana模型中，VCHM（18%）成为最重要的特征，证实了垂直树冠结构对该物种生物量的显著影响，其次是树冠表面积。在阔叶林中，VCHM（13%）和树冠表面积（12%）排名略低于地形变异系数（elev_cv_z，15%），它们的高重要性反映了阔叶林中树冠外部形态复杂性与生物量之间的密切关系。在混交针叶-阔叶林中，尽管VCHM（5%）和树冠体积（4%）的绝对值相对较低，但它们仍然是该组特征排名中的关键预测因子，表明3D参数在混交林结构中的持久解释能力。总体而言，这些结果表明，所提出的3D基于体素的结构参数在不同森林类型中通常表现出较高的特征重要性，使得树冠结构与AGB之间的关系能够更直接和物理上有意义地表示。这为提高AGB估计模型的准确性和泛化能力提供了必要的结构信息。图4. RF模型的前10个特征。3.4. AGB估计结果基于最优模型的反演显示，东阳市森林的总AGB为836万吨（表8）。从空间上看，高生物量区域（≥198吨/公顷）主要分布在中心和东北部地区，而低生物量区域（0-72吨/公顷）广泛分布在西部和南部边缘。就物种组成而言，Pinus massoniana森林的贡献最为显著，达到483万吨，占总量的57.73%（图5）。其次是混交针叶-阔叶林（204万吨，24.25%）和阔叶混交林（118万吨，14.03%）。 Cunninghamia lanceolata 森林和针叶混交林的生物量储量相对较低，分别为 0.1723 百万吨和 0.1384 百万吨，合计仅占总量的 3.71%（见表 8）。图 5 显示了东阳市的 AGB 估算结果。4. 讨论 4.1 基于体素的 3D 指标的结构特征优势 本研究发现，基于体素提取的三个指标能够清晰地区分不同森林类型之间的冠层结构差异（第 3.1 节）。其中，VCHM 作为垂直空间的直接测量指标，在所有森林类型中与 AGB 的相关性最强（表 6），尤其是在结构较为均匀的纯针叶林中，相关性高达 0.82 或以上。这表明冠层高度是主导生物量积累的关键因素 [34,35]。然而，在结构异质性较高的阔叶林和针叶-阔叶混交林中，冠层表面积的相关性（r = 0.417–0.501）显著优于冠层体积的相关性（r = 0.361–0.443）。这一结果可能表明，对于具有复杂分支结构和高度空间异质性的林分，表征冠层外部复杂性的表面积比表征内部填充的体积更能反映光合面积和支持结构生物量的分配策略，从而与 AGB 有更紧密的联系 [36,37,38]。体素化方法通过同时量化这些 3D 特征，捕捉了更全面的结构信息，超越了传统的高度和密度指标。这为理解森林中的结构-功能关系提供了新的视角。在指标设计和应用背景方面，本研究与以往的研究有所不同并有所进步。例如，Kim 等人 [39] 在研究完整的热带雨林时也使用了体素化方法，但他们提取的指标（如每层的点数、频率比、中值强度）更多地关注描述不同垂直层次中的点云统计特征。相比之下，本研究直接提出了三个具有明确物理意义的 3D 结构参数——VCHM、冠层体积和冠层表面积——这些参数更直观地量化了冠层在三维空间中的几何配置（高度分布、占据的空间、外部复杂性）。Pearse 等人 [22] 在研究单一种类的 Pinus radiata 林地时，系统地比较了基于体素的指标与传统指标的优势 [17]。这些研究为体素方法在特定生态系统中的应用奠定了基础。本研究的显著进展在于将这三个具有明确物理意义的 3D 几何指标系统地应用于包含五种不同结构类型的森林生态系统（包括纯 Pinus massoniana 森林和 Cunninghamia lanceolata 森林，以及结构更为复杂的阔叶林、针叶混交林和针叶-阔叶混交林）。结果（表 6）表明，特别是在结构最复杂的自然针叶-阔叶混交林中，冠层表面积指标的解释能力显著优于冠层体积指标。这一新发现表明，基于体素的指标的优势不仅在于其三维表示能力，更重要的是在于它们能够捕捉与特定生态系统的结构-功能关系密切相关的关键形态特征。这超越了传统指标和一些早期基于体素的抽象统计描述，为理解多样化森林中的结构-功能关系提供了更机械主义的视角。4.2 通过结合体素指标普遍提高 AGB 估算模型的准确性 在所有研究的森林类型中，结合基于体素指标的模型始终优于仅依赖传统指标的模型。这种普遍性的提升具有重要的方法论意义。特别是在结构复杂的针叶-阔叶混交林中，模型准确性的提升最为显著（R2 增加了 32.7%）。当应用于具有多种物种、不同年龄等级和明显垂直分层的混交林时，传统指标的统计特征容易趋于同质化，导致估算能力下降 [40,41]。相比之下，基于体素的指标可以直接在三维空间中描述这种混合和分层现象，从而更有效地捕捉与结构复杂性相对应的生物量信号 [42,43,44]。这证明了体素化 3D 指标在解决复杂生态系统中 AGB 估算这一挑战性问题方面的独特价值。即使在样本量相对较小的中国冷杉林中，该模型也获得了最高的 R2 值（0.689），表明该方法也适用于相对纯净的林分，显示出其广泛的应用潜力。这证实了所提出方法在估算具有复杂结构的森林生物量方面的稳健性，为使用 ALS 进行常规林分生物量监测提供了优越的解决方案。4.3 研究局限性和前景 基于本研究对基于体素的 3D 指标在 AGB 估算中的验证，我们认识到几个关键局限性，这些局限性也为未来的研究指明了有价值的方向。(1) 基于体素的指标的探索仍处于初步阶段。本研究主要依赖于三个宏观的、几何衍生的指标：体素冠层高度模型（VCHM）、冠层体积和冠层表面积。未来的工作可以从体素网格中提取和整合更精细的形态描述符中受益。有前景的候选指标包括内部点云密度分布、体素连通性或邻接性的度量，以及详细的垂直剖面函数。这些高级指标可以揭示更微妙的结构特征，并可能增强模型对复杂冠层的解释能力。(2) 该方法论框架本质上依赖于每个体素内 LiDAR 数据的完整性。计算结构元素（如体积和表面积）的前提是存在激光雷达点。一个未在此明确解决的显著挑战是处理体素单元内的间隙或缺失数据。在点密度低、下层植被密集或地形陡峭导致激光雷达穿透不完整的区域，这个问题尤为突出。在这种情况下，体素可能被错误地分类为“空”，从而导致冠层属性的潜在低估。这三个核心指标对点密度变化的敏感性及其在异质数据覆盖条件下的稳健性需要进一步研究，以确保在不同质量的数据集中的可靠应用。(3) 本研究的地理局限性限制了其普遍性。分析仅限于中国东阳市，该地区具有亚热带季风气候和相应的森林组成。因此，得出的模型参数以及 3D 指标与 AGB 之间的关系可能无法直接应用于其他生物群落（如北方或热带干旱森林）或具有根本不同生态和结构条件的地区。在更广泛的地理和生态区域验证和必要的话校准这一框架对于确认其稳健性和普遍适用性至关重要。总之，克服上述局限性将是未来研究的核心任务，成功的突破将显著提高基于体素的指标在复杂森林生态系统中的适用性和预测能力。5. 结论 基于 ALS 点云体素化，本研究系统地研究了提取的 3D 冠层结构指标在林分尺度上估算森林 AGB 的应用。主要结论如下：这三个指标（VCHM、冠层体积和冠层表面积）有效地量化和区分了不同森林类型之间冠层三维空间配置的差异。这为理解森林结构异质性提供了新的观测维度。与仅使用传统高度和密度指标的模型相比，集成基于体素的 3D 结构指标的随机森林模型显著提高了 AGB 估算的准确性。这种改进在所有森林类型中都得到了验证，并且在结构复杂的针叶-阔叶混交林中最为明显。结果证实，基于体素的指标具有独特优势，使其特别适用于估算复杂、异质生态系统的生物量。应用优化后的模型，研究区域的森林总生物量估计为 8.36 × 10^6 吨。反演进一步揭示了 Pinus massoniana 林分中高生物量区域的空间分布不均匀性。这种高分辨率的生物量异质性映射解决了从传统森林清查向综合森林-草地监测过渡的关键需求。通过量化东阳市的基线森林 AGB 及其组成，结果提供了空间明确的数据，直接支持森林碳汇管理和基于证据的生态政策制定。总之，本研究表明，通过真实的 3D 体素框架分析 LiDAR 数据可以提供更详细和物理上更真实的冠层结构描述。这种增强的表示为建立可靠的结构-生物量关系提供了坚实的基础，为在区域到全球尺度上更精确地监测和评估森林 AGB 提供了方法论途径。