基于高分辨率LiDAR和TransRAUnet的GeoAI框架：北方森林集材道车辙深度自动化预测

《Computers and Electronics in Agriculture》：High-Resolution GeoAI framework for automated rutting depth prediction on logging trails using TransRAUnet and LiDAR

本研究针对北方森林间伐作业中机械碾压导致的车辙深度评估难题，提出了一种集成DINO视觉变换器与UNet架构的GeoAI新方法。研究人员利用机载LiDAR数据，先通过残差注意力UNet精准分割集材道，再结合地形水文协变量，构建了TransRAUnet模型进行车辙深度预测。结果表明，该框架在集材道分割上Cohen’s kappa值达0.91，车辙深度预测R2达0.84，为自动化、大范围的作业质量评估与土壤扰动分析提供了高效、可扩展的解决方案。

　　

在广袤的北方森林中，间伐作业是森林经营的重要环节，但重型采伐机和集材机的反复碾压常常在森林土壤上留下深深的车辙。这些车辙不仅是评估作业质量的关键指标，也直接反映了土壤所受的扰动程度，影响着森林的长期健康与可持续经营。然而，传统的车辙深度评估主要依赖人工野外调查，这种方法不仅费时费力、成本高昂，而且受限于人为主观性和空间覆盖范围，难以实现大范围、高精度的快速评估。尽管出现了如三维线激光成像等先进技术，但在实际的林业生产中，手动调查依然是主流。与此同时，高密度机载激光雷达点云和人工智能方法的快速发展，为这一难题的解决带来了新的曙光。将机器学习与具有明确空间信息的预测因子相结合的地理空间人工智能，展现出在广袤北方森林中准确预测车辙深度的巨大潜力。但如何从复杂的地形中精准分割出集材道、如何从海量数据中识别并整合关键的影响因子、如何构建能够捕捉长距离空间依赖性的预测模型，仍然是摆在研究者面前的挑战。为了应对这些挑战，来自赫尔辛基大学的研究人员Omid Abdi和Jori Uusitalo开展了一项开创性的研究，旨在开发一个基于GeoAI的高分辨率自动化框架，用于预测集材道上的车辙深度，相关成果发表在农林科学领域的知名期刊《Computers and Electronics in Agriculture》上。

为了达成研究目标，作者们运用了几个关键的技术方法。首先，他们利用芬兰国家土地调查局提供的机载LiDAR数据，其点密度不低于5点/平方米。基于此，他们开发了残差注意力UNet模型，该模型结合了冠层高度模型、数字表面模型和数字高程模型，来自动、精确地分割集材道。其次，他们在芬兰西南部36个商业林场的约230个集材道段上，使用RTK-GNSS接收机精确定位，采集了超过1300个车辙深度样本，并采用反距离权重插值法加密了样本数据。接着，他们从LiDAR衍生的数字高程模型中提取了13个与地形形态和水文相关的协变量。最后，他们构建了一个创新的混合架构——TransRAUnet，该架构将经过DINO自监督预训练的视觉变换器作为编码器，用于捕获全局上下文特征，并将集成了残差块和注意力门的RAUnet作为解码器，用于精细重建车辙深度图。模型使用网格搜索进行超参数优化，并在高性能计算集群上完成训练。

研究结果部分，作者通过一系列实验验证了所提方法的有效性。

在集材道分割方面，增强后的RAUnet模型表现卓越，其总体Jaccard指数和Cohen’s kappa值均超过0.91，显著优于基线UNet模型。特别是在间伐后时间较久的“伐间”集材道上，RAUnet展现出了更强的鲁棒性，有效改善了将集材道与沟渠等类似线性特征区分开的能力。

在LiDAR衍生协变量重要性分析方面，研究通过基于树的梯度提升机模型评估了13个协变量的相对重要性。结果显示，多尺度粗糙度是预测车辙深度最具影响力的因子，其次是崎岖度和水深。有趣的是，使用全部13个协变量时模型R²为0.379，而仅使用重要性排名前六的协变量时，R²提升至0.421，表明一个精简的协变量子集就能捕获大部分解释力。部分依赖图分析进一步揭示了关键协变量与车辙深度之间的非线性关系，例如多尺度粗糙度超过约8度、崎岖度超过约0.09米时，车辙深度会显著增加，而水深值低于10米的区域车辙风险更高。

在车辙深度预测模型比较方面，TransRAUnet取得了最佳性能，其R²达到约0.84，均方根误差和平均绝对误差分别为2.52厘米和1.15厘米，优于TransUnet、TransAUnet和TransSwinUnet。可视化结果也表明，TransRAUnet生成的车辙深度预测图在空间上更连续、更准确，能更好地捕捉车辙模式。

在结论与讨论部分，研究者强调，本研究首次成功地将GeoAI和LiDAR衍生协变量用于北方森林车辙深度的自动化预测。所提出的两阶段框架——先通过RAUnet高精度分割集材道，再通过TransRAUnet预测其内部车辙深度——为解决这一长期依赖野外调查的难题提供了实用且可扩展的解决方案。核心发现表明，车辙的形成受少数关键地形水文因子主导，且存在明显的效应阈值，这加深了对车辙形成机制的理解。TransRAUnet的成功在于其混合架构巧妙融合了视觉变换器捕获长程空间依赖性的能力和卷积神经网络结合注意力机制重建局部细节的优势，从而实现了比纯卷积或纯变换器架构更优的预测性能。这项研究的意义重大，其产出的车辙深度预测图可用于快速识别土壤受损严重区域，支持符合芬兰土壤保护法规的作业质量评估。同时，该框架有助于优化“可通行性”地图，引导在后续间伐轮回中优先利用现有集材道，从而最小化新的土壤扰动，促进可持续森林经营。当然，研究也存在一些局限性，例如两步法可能带来误差传递、采样间隔可能遗漏更细微的车辙特征等。未来，整合土壤属性、机械通行次数等数据，探索端到端模型或图神经网络，以及将框架拓展至更广泛的地理区域进行验证，将是重要的研究方向。尽管如此，本研究为基于遥感和人工智能的智能化森林作业与生态评估奠定了坚实的方法学基础，展现了GeoAI在精准林业和生态保护中的巨大应用潜力。