一种用于温带森林中基于林分水平的自动树干体积估算的三阶段框架，该框架采用移动激光扫描技术

《Remote Sensing of Environment》：A three-stage framework for stand-level automated stem volume estimation in temperate forests using Mobile laser scanning

自动估算温带森林树木体积的三阶段方法：基于移动激光扫描（MLS）点云，提出深层学习去除下层植被、双向截面生长（BSG）结合最小二乘相似优化（LeSSO）算法进行茎检测与分割、扇区中点重建（SMP）精确重建茎形的方法。实验在四国温带森林数据集验证，下层植被去除IoU达89.2%，茎检测F-score 99.4%，体积估计RMSE 0.18 m3，R2 0.97。

　　

邵金元|崔Dennis Heejoon|刘继东|田向西|塔帕Bina|李宣贤|哈比布Ayman|费松林

美国西拉斐特市普渡大学林业与自然资源系

摘要

在温带天然林中，由于其经济和生态重要性，准确地进行大尺度树干体积估算具有重要意义。移动激光扫描（MLS）系统（例如手持式或背包式）能够高效地捕捉大范围内的高密度点云，为自动化、大尺度的单株树干体积估算提供了可能性。然而，目前缺乏能够自动且准确地分析温带天然林密集复杂MLS点云的有效算法。为了解决这个问题，我们提出了一种新的三阶段方法，用于自动检测、分割和重建单株树干，从而直接从MLS点云中估算树干体积。首先，使用深度学习模型将下层植被与上层树木分离，降低点云的复杂性。接下来，我们引入了一种双向截面生长（BSG）方法进行单株树干检测和分割，特别是针对可交易原木和多树干场景，该方法采用了最小二乘相似性优化（LeSSO）算法。最后，开发了扇形中点（SMP）方法来重建树干形状，以实现精确的体积估算。我们的方法在美国和欧洲的温带天然林中收集的四个数据集上进行了评估。实验结果表明，与现有最先进算法相比，该方法具有更好的性能：下层植被去除的交并比（IoU）达到89.2%，树干检测的F分数达到99.4%，树干分割的IoU达到91.5%，点到网格距离的重建精度为0.0004平方米，倒角距离为0.05米。此外，我们在其中一个美国数据集中记录了42个树干的位置，并对每个树干进行了破坏性测量以获取横截面直径，作为评估树干检测和体积估算的独立参考数据。我们的方法能够从点云中检测到所有42棵树，重建的树干模型提供了最准确的横截面直径估算，均方根误差（RMSE）为2.27厘米，R2值为0.96；体积估算的RMSE为0.18立方米，R2值为0.97。我们的方法为从复杂温带天然林中收集的MLS点云自动且准确地估算可交易树干体积铺平了道路。

引言

准确的树干体积估算是估算各种森林生态系统服务的基础。激光扫描技术可以提供森林的高分辨率三维（3D）结构，从而实现精确的森林测量（Dassot等人，2011年；Newnham等人，2015年；Liang等人，2016年）。经过多年的发展，地面激光扫描（TLS）因其能够提供精确的3D表示而被广泛用于树干体积估算（Liang等人，2013年；Saarinen等人，2017年；Pitk?nen等人，2021年）。然而，为了获得准确的树干体积，需要多次扫描来捕捉树木的完整形状（Pueschel等人，2013年；Liang等人，2013年；Abegg等人，2017年）。因此，尽管TLS取得了成功，但其数据收集的复杂性导致过程耗时较长（Pitk?nen等人，2021年），这使得在大规模上测量单株树干的体积变得不那么实际。

移动激光扫描（MLS）的最新发展可以生成详细的3D点云，从而实现多方面的林分级森林估算。与TLS所需的多次静态放置不同，MLS可以在移动过程中收集大范围的数据，并获得几乎同等质量的点云，适用于森林应用（Bauwens等人，2016年；Hyypp?等人，2020c）。然而，分析高密度、大尺度的MLS点云需要开发自动化、智能的算法。尽管已有研究探讨了树木检测和点云分割的算法（Hetti Arachchige，2013年；Zhong等人，2016年；Zhang等人，2019年；Shao等人，2024年），但很少有研究关注自动化树干体积估算（参见Hyypp?等人（2020b）；de Paula Pires等人（2022）），尤其是针对温带天然林，这限制了MLS数据在森林分析中的全面应用。

使用MLS点云开发自动化单株树干体积估算算法面临两个主要挑战。首先是稳健的单株树干分割。现有方法要么使用圆形或圆柱形拟合来检测和分割树干点（Burt等人，2019年；Yrttimaa等人，2020年），要么计算几何特征来识别树干点（Hetti Arachchige，2013年；Zhang等人，2019年）。这些方法的共同问题是它们在具有密集下层植被和复杂结构的森林点云中检测和分割树干的能力有限（Muhojoki等人，2024年）。此外，这些方法需要调整参数以适应不同的树木大小和形状，这影响了它们的通用性。

第二个挑战是准确的树干形状重建，以便进行精确的体积估算。由于原始点云只是一组3D点，因此无法直接从无序的点云中估算树干体积。当前方法通过构建树干曲线（Liang等人，2013年；Saarinen等人，2017年；Hyypp?等人，2020b）或重建圆柱体（Brede等人，2019年；Bornand等人，2023年）来估算树干体积，其中假设树干的横截面是完美的圆形。这种假设有时会导致木材体积估算不准确。

在这项研究中，我们提出了一种三阶段方法，用于自动估算温带天然林林分级MLS点云中的单株树干体积。我们的方法包括一个用于去除下层植被的深度学习模型，一个无参数的双向截面生长（BSG）算法，该算法使用最小二乘相似性优化（LeSSO）进行树干检测和分割，以及一个用于准确重建树干形状的扇形中点（SMP）方法。我们的方法减轻了复杂下层植被对树干检测和分割的影响，并通过从MLS点云中准确重建树干形状来提高体积估算的精度。我们的方法在美国、德国和瑞士的四个温带森林数据集上与其他代表性方法进行了比较。此外，还使用了破坏性现场测量来验证我们的树干体积估算重建算法。据我们所知，这是第一项自动估算具有复杂下层植被的温带天然林林分级MLS点云中单株树干体积的研究。

章节片段

MLS点云中的树干体积

有一些研究使用MLS点云来估算单株树木的体积。Hyypp?等人（2020b）首次使用背包式MLS系统对芬兰的北方森林（松树、云杉、桦树）进行树干体积估算。他们通过检测构成树干的弧线，然后构建树干曲线来估算树干体积。Muhojoki等人（2024年）随后使用了相同的方法，并证明使用MLS点云可以获得更准确的树干体积。

数据集

我们选择了来自美国和欧洲的四个温带森林来评估我们的方法。我们从美国的两个地点收集了数据，并从公共来源获得了两个欧洲数据集。图1显示了这些数据集的MLS点云。关于这些数据集的具体信息见表1，MLS系统的技术规格见表2。

数据集I：

第一个数据集来自印第安纳州格兰特县的Miller Woods（研究地点I），

方法

我们的自动单株树干体积估算方法如下：（1）去除下层植被；（2）单株树干检测和分割；（3）树干重建。此外，我们还介绍了用于评估每个任务的基准和指标。

去除下层植被

我们提出的模型能够有效区分下层植被和上层树木，如图7和表3所示。从视觉上看，图7显示我们的模型能够有效区分下层和上层点，而CANUPO在识别密集和复杂下层植被的区域时表现不佳。从定量上看，我们的深度学习模型在所有数据集和指标上的表现都优于CANUPO。总体而言，我们的方法达到了94.2%的精确度和94.8%的召回率。

讨论

获得温带森林的空间明确单株树干体积信息具有重要的生态和经济意义。然而，使用MLS系统自动化这一过程仍面临诸多挑战，尤其是在具有复杂下层植被和不规则树干形状的天然林中。为了解决这些挑战，我们提出了一种三阶段方法，通过去除下层植被点来减轻复杂森林结构的影响，识别树干横截面以进行检测。

结论

我们提出了一种新的方法，用于自动估算具有复杂下层植被结构的自然温带森林中林分级MLS点云的单株树干体积。MLS在虚拟3D森林表示方面具有巨大潜力，但单株树干检测、分割和体积估算的自动化受到复杂下层植被结构和不规则树干形状的限制。我们的方法包含了三个关键模块，包括深度学习

CRediT作者贡献声明

邵金元：写作——审稿与编辑，撰写初稿，可视化，验证，项目管理，方法论，数据管理，概念化。崔Dennis Heejoon：写作——审稿与编辑，撰写初稿，验证。刘继东：写作——审稿与编辑，撰写初稿，验证。田向西：写作——审稿与编辑，撰写初稿，方法论，概念化。塔帕Bina：写作——审稿与编辑，验证。李宣贤：

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

这项工作部分得到了美国国家食品和农业研究所的支持[资助编号：2023-68012-38992]。