基于野外标定无人机激光雷达的工作流层级案例研究:利用点云分割(PCS)、标记控制区域生长(MCRG)与基于区域的分层横截面分析(RHCSA)对吉林落叶松人工林进行单木清查
《Sustainability》:A Field-Calibrated UAV LiDAR Workflow-Level Case Study for Individual-Tree Inventory in Jilin Larch Plantations Using PCS, MCRG, and RHCSA
编辑推荐:
可持续森林管理需要具备空间显性结构信息的清查工作流,同时保留基于野外的标定与不确定性控制。本案例研究评估了一种野外标定的无人机激光雷达(UAV LiDAR)工作流,用于中国吉林市船营区中龄及近熟落叶松人工林的单木清查。研究人员将UAV激光扫描点云与六块30 m
可持续森林管理需要具备空间显性结构信息的清查工作流,同时保留基于野外的标定与不确定性控制。本案例研究评估了一种野外标定的无人机激光雷达(UAV LiDAR)工作流,用于中国吉林市船营区中龄及近熟落叶松人工林的单木清查。研究人员将UAV激光扫描点云与六块30 m × 30 m野外样地相结合,评估了三种单木提取算法:点云分割(Point-Cloud Segmentation, PCS)、标记控制区域生长(Marker-Controlled Region Growing, MCRG)与基于区域的分层横截面分析(Region-based Hierarchical Cross-section Analysis, RHCSA)。算法性能通过样地级召回率、精确率、F值、定位均方根误差(RMSE)、树高与冠幅精度、Bootstrap置信区间、探索性Wilcoxon符号秩检验比较及留一样地稳定性检验进行评估。在测试配置下,MCRG提供了最均衡的数值性能,其平均F值为0.845,而PCS为0.808,RHCSA为0.827。然而,MCRG与RHCSA的配对差异在六块样地间并不稳健,该分析应被解释为特定数据集的工作流比较,而非通用的算法排名。树高估计具有较高的准确度,而冠幅估计仍然较弱,表明垂直冠层结构比侧向冠层划分更为可靠。经过标定评估后,该工作流应用于157.47 ha的UAV LiDAR调查区域,生成了219,996个基于算法的检测对象。这些输出最好被解释为用于小班更新、密度筛选与野外检查优先级排序的空间决策支持层,而非独立验证的全覆盖立木普查。
研究背景与意义
森林清查日益需要支持具备空间显性、可重复性与可审计性的管理决策。传统的野外清查在物种识别、胸径(DBH)测量及林分历史解释方面不可或缺,但其局限性在于操作可扩展性不足,在大面积人工林、异质小班或短规划周期内进行详尽的逐木测量成本高昂。这种张力是可持续森林管理的核心,涉及间伐、采伐、病虫害监测及碳报告等决策均依赖准确性与时效性。激光雷达(LiDAR)遥感通过改变仅依赖二维光谱反射率的现状,测量三维冠层与地形结构,为森林清查提供了技术基础。单木树冠检测已尝试多种方法,包括基于冠层高度模型(CHM)的局部极大值、点云聚类、区域生长、分水岭式划分及数据驱动或机器学习工作流。研究表明,单木划分性能强烈依赖于森林结构、传感器配置与分割策略。对于经营性人工林清查,即便存在更复杂的算法,可解释的工作流若其不确定性与决策边界明确,仍具有重要价值。关键科学问题不在于UAV LiDAR能否产生视觉合理的树木分布图,而在于特定的处理工作流能否产生具有已知不确定性且与森林管理决策有明确联系的树木级信息。DBH、材积、生物量或碳储量等高利害变量若未用地面数据校准误差则不适合使用。因此,UAV LiDAR清查应被构建为一个野外标定的数据集成问题,LiDAR提供空间连续的三维冠层结构,野外样地提供参考立木、DBH、冠幅、物种确认与误差控制。本研究针对吉林管理相似的落叶松人工林,评估PCS、MCRG与RHCSA三种可解释方法,探讨其在野外样地标定框架下的稳定性、UAV LiDAR派生属性的可靠性及作为混合清查系统中空间层的功能。该研究发表于《Sustainability》。
主要关键技术方法
研究区位于中国吉林市船营区落叶松人工林,选取六块30 m × 30 m样地覆盖中龄及近熟林。UAV LiDAR数据于2022年5月27日使用Feima D200S平台搭载RIEGL miniVUX-1UAV D-LiDAR200传感器获取,飞行高度80 m,平均点密度约10 points m?2,坐标系统一为WGS 84/UTM Zone 52N。点云预处理包括噪声去除、渐进三角网(TIN)地面滤波、归一化及0.25 m分辨率CHM生成(最大高度插值、pit filling深度0.5 m、3 × 3中值滤波)。三种单木提取算法分别为PCS(最小树高2 m、聚类距离阈值0.6 m、最小点数30)、MCRG(5 × 5局部极大窗口、种子高度阈值2 m、高差规则<0.3 m、最小冠面积1.2 m2)与RHCSA(垂直切片间隔0.1 m、最小冠高2 m、圆度阈值0.85、最小区域面积1.0 m2)。检测对象与参考木采用一对一最近邻匹配规则(水平距离阈值2 m)。精度评估采用样地级召回率、精确率、F-score、定位RMSE、属性R2与RMSE,并结合非参数Bootstrap置信区间、Wilcoxon符号秩检验及留一样地稳定性检验进行小样本不确定性统计处理。
研究结果
3.1. Stand Structure and Data Characteristics
六块样地树高与DBH分布相似,平均高变化范围1.84 m,平均DBH变化1.67 cm,冠幅2.26 m至3.20 m。UAV LiDAR点云捕获了密集冠层表面,优势木与亚优势木落叶松冠层常可分离,但部分区域冠层重叠显著。结果表明精确率高,漏检为主要限制因素。
3.2. Individual-Tree Segmentation Performance
MCRG平均F-score最高(0.845),RHCSA(0.827)次之,PCS(0.808)最低;平均召回率MCRG为0.745,RHCSA为0.727,PCS为0.690;平均精确率均较高(MCRG 0.968,PCS 0.970,RHCSA 0.947)。漏检多于误检。定位RMSE算法间差异小。留一样地检验中MCRG在五次省略中数值最高。Bootstrap与Wilcoxon检验(MCRG vs PCS p=0.0625,MCRG vs RHCSA p=0.6875)表明MCRG具数值优势但不具普遍统计显著性分离,MCRG-RHCSA差异不确定。高精确率使地图利于优势木结构与野外核查,低召回率限制密度估算。
3.3. Tree-Attribute Estimation Accuracy
树高估计准确度较高,PCS R2=0.81、RMSE=0.82 m;MCRG R2=0.80、RMSE=0.81 m;RHCSA R2=0.74、RMSE=0.83 m。冠幅估计较弱,PCS与MCRG R2=0.35,RHCSA R2=0.13,RMSE 0.94 m至1.14 m,低R2表明个体变异解释力差,冠幅在本工作流中为低置信度属性。
3.4. Field-Calibrated Large-Area Application and Operational Coverage
工作流应用于157.47 ha生成219,996个算法检测对象,非独立验证立木。完整小班内检测数:调查区1* 21,274个(24.80 ha),调查区2* 13,202个(15.21 ha),调查区3* 10,623个(10.54 ha)。UAV LiDAR单日覆盖面积为样地总面积的291.61倍,单日计数单位为野外计数的1303.68倍,此为操作覆盖量而非精度调整生产力。大范围输出需样地标定与针对性野外检查,可作密度表面、高度梯度与空间聚类指导优先检查区。
讨论与结论
讨论部分指出MCRG在本数据集表现最均衡,因其结合局部极大检测与空间连贯冠层扩展,适于规则针叶人工林冠层,但证据不支持无条件宣称MCRG为落叶松人工林最佳算法,MCRG与RHCSA差异小且样地少,需独立测试样地与参数优化。MCRG易在垂直受压或侧向合并冠层中漏检,影响高度分布偏倚与竞争评估。研究人员提出野外标定UAV LiDAR输出证据层级:林分平均高与优势木高最强;单木空间分布适于密度筛选但受漏检影响;冠幅在单木级弱;DBH、材积、生物量与碳核算需额外地面标定与不确定性传递。冠幅弱因侧向边界不如冠高清晰,密集人工林冠层互渗、CHM平滑及圆形假设限制,未来需评估3D点云体素、alpha-shape包络或多源融合。局限包括参考框架非完全独立验证、原始日志部分缺失、六块样地结构代表性有限、未全参数敏感性分析及缺冠幅残差系统偏差数据。
结论部分表明,本案例研究评估了吉林落叶松人工林野外标定UAV LiDAR单木清查工作流。MCRG在测试配置下提供最均衡数值性能(平均F-score 0.845,PCS 0.808,RHCSA 0.827),因MCRG-RHCSA配对差异不确定且无全参数敏感重建,结果应解释为数据集特定工作流发现而非通用算法排名。树高估计较准,冠幅估计弱。应用于157.47 ha生成219,996个算法检测对象。主要贡献为表9证据层级,区分强、中、弱及间接UAV LiDAR管理解释输出。该证据层级支持野外标定UAV LiDAR作为混合人工林清查系统空间决策支持层,用于结构相似落叶松人工林小班更新、密度筛查与野外检查优先级。DBH、生物量及碳核算需额外地面标定与不确定性传递,广泛科学推广需更大分层数据集、独立验证样地与平衡参数优化。
需要我帮你把这篇论文解读浓缩成一份适用于学术汇报的PPT提纲吗?