基于无人机RGB-LiDAR多模态实例分割的树种特异性结构参数提取与碳储量映射研究

《Plant Phenomics》：Species-specific tree structural parameters extraction via UAV RGB-LiDAR data and multimodal instance segmentation

本研究针对复杂森林环境中树种特异性表型参数获取困难的挑战，开发了一种可扩展的无人机多模态实例分割框架SAMFormer。通过自适应特征增强和跨模态融合模块，实现了86.3% F1-score和88.0% mAP@0.5的精细树种识别精度，并成功生成大尺度树种特异性结构参数和碳储量地图。该研究为森林表型分析提供了高通量、非破坏性技术路径，支持精准林业和气候适应性管理实践。

　　

在全球气候变化深刻影响森林生态系统结构与功能的背景下，准确获取树种特异性结构参数对于量化森林碳储量、评估物种特异性生长动态至关重要。然而，复杂的森林结构、种间相似性和种内变异严重制约了传统方法获取个体树木表型参数的能力。传统地面调查虽然被视为详细测量的金标准，但存在劳动成本高、操作效率低和空间范围有限等局限性。

为了突破这些技术瓶颈，中国林业科学研究院资源信息研究所的研究团队在《Plant Phenomics》上发表了一项创新性研究，开发了一种基于无人机RGB-LiDAR数据和多模态实例分割的可扩展框架。该研究旨在解决复杂森林环境中树种识别精度不足、冠层分割模糊和物种误分类等问题。

研究团队在祁连山国家公园55公顷研究区内，利用大疆Matrice 350 RTK无人机搭载Zenmuse L2 LiDAR扫描仪和大疆Mavic3无人机搭载哈苏24毫米RGB相机，同步采集超高分辨率RGB和LiDAR数据。通过提出新型自注意力引导的光谱-结构多模态融合变压器(SAMFormer)，集成了两个关键创新模块：自适应特征增强模块(AFEM)采用空间和通道注意力选择性增强冠层特征并抑制背景噪声；跨模态融合模块(CMFM)通过交叉注意力机制捕获模态内和模态间依赖关系，生成高判别性表征。

技术方法核心包括：多传感器无人机数据采集与预处理、LiDAR衍生特征(DSM、CHM、平均强度)生成、双流CNN特征提取、自适应特征增强与跨模态融合、基于查询的实例解码器以及滑动窗口大尺度推理策略。研究结合异速生长方程和竞争指数分析，实现了从个体树到林分尺度的多级参数提取。

3.1. 光谱-结构多模态数据实现多维信息感知

研究发现，融合多种LiDAR特征可显著提升树种识别性能，RGB+CHM+DSM+强度组合获得最佳效果，F1-score和mAP@0.5分别比单模态输入平均提高3.4%和3.7%。高度信息在复杂森林场景中对树种分类至关重要，冠层高度变化揭示了种间竞争和分层现象。地形异质性通过数字表面模型(DSM)表征生境条件对物种分布格局的作用，而LiDAR回波强度则反映了叶片和枝条的反射特性，有效补偿了光学传感器在表征森林垂直结构方面的局限性。

3.2. SAMFormer提升树种识别性能

与主流实例分割模型相比，SAMFormer在多样化森林场景中 consistently 表现最优，精确度(0.868)、召回率(0.859)、F1-score(0.863)和mAP@0.5(0.880)全面领先。相比第二优模型Mask DINO，SAMFormer在F1-score和mAP@0.5上分别提升2.6%和1.2%。视觉评估进一步证实了模型在密集冠层遮挡、复杂林下背景和异质物种混合等挑战性场景中的稳健识别能力。

3.3. 消融分析与特征可视化评估

类别不平衡处理策略将少数类(PD、SC、DW)的F1-score分别提升8.2%、1.6%和1.7%。组件影响分析表明，AFEM和CMFM共同贡献了2.2%的F1-score和3.2%的mAP@0.5提升。跨模态融合策略比较证明，基于交叉注意力的CMFM相比传统加和、拼接和CNN融合策略，平均提升1.2% F1-score和1.3% mAP@0.5。

3.4. 大尺度树木结构参数提取与碳储量制图

基于SAMFormer分割输出，研究实现了树种特异性结构参数的大尺度制图。提取参数与实地测量值高度一致：胸径(DBH)(R²=0.799，rRMSE=0.177)、树高(R²=0.937，rRMSE=0.10)、冠幅(R²=0.932，rRMSE=0.091)、冠面积(R²=0.905，rRMSE=0.205)和生物量(R²=0.858，rRMSE=0.310)。生物量显示显著种间变异：云杉(PC)(414.60 kg/株)最高，皂角(SP)(183.43 kg/株)、白桦(BP)(252.81 kg/株)和山杨(PD)(276.53 kg/株)相当，蒿柳(SC)(23.70 kg/株)最低。碳储量制图显示类似种间差异：PC(194.86 kg C/株)、SP(86.21 kg C/株)、BP(118.82 kg C/株)、PD(129.97 kg C/株)和SC(11.14 kg C/株)。

生态分析揭示竞争指数(HCI)与所有结构参数及碳储量均呈极显著负相关(p<0.001)，表明竞争加剧抑制树木生长。物种混合分析显示，PC-BP混交林(Type-III)和PC-BP-PD混交林(Type-IV)碳储量显著高于BP纯林(Type-II)(p<0.01)，证实适当物种混合可通过生态位互补性提升林分生产力。

研究结论强调，SAMFormer框架通过光谱-结构多模态融合有效解决了复杂森林环境中的树种识别挑战，为高通量森林表型分析提供了技术支撑。竞争强度与树木生长参数的负相关关系揭示了森林经营中调控密度的必要性，而物种混合对碳储量的积极效应则为提高森林碳汇功能提供了科学依据。该研究建立的个体树尺度参数提取方法，为精准林业和气候适应性管理提供了可操作的技术路径。

未来研究方向包括融合多光谱/高光谱数据以丰富信息维度，开发自适应特征选择算法优化信息增益，以及探索轻量级多模态架构平衡精度与效率。这些进展将进一步提升复杂林型中树种识别的准确性和效率，推动遥感技术在全球森林碳监测中的应用。