使用智能手机传感器测量胸高处的树干直径

《Optics and Lasers in Engineering》：Tree diameter at breast height measurement with smartphone sensors

基于iPhone LiDAR和RGB传感器的单帧自动胸径测量方法，通过用户点击定位 breast height，结合边缘引导的树干分割与几何建模实现DBH估计，在人工林和自然林中验证显示MAE 1.1-2.1cm，R2 0.841-0.966，适用于高效林业调查。

　　

尹志恒|费松林|张松

普渡大学机械工程学院，美国印第安纳州西拉法叶，47907

摘要

胸高直径（DBH）是林业中的一个关键结构参数，广泛应用于森林清查、生物量估算和生态建模。本文提出了一种基于iPhone激光雷达（LiDAR）及红绿蓝（RGB）传感器的单次快照的自动DBH测量方法。该方法结合了用户指定的基点自动定位胸高位置、基于边缘的树干分割以及基于几何的直径估算。该方法首先在灯杆上进行了验证，75个不同距离和视角的样本的平均绝对误差（MAE）为1.3厘米，均方根误差（RMSE）为1.6厘米。随后在202棵种植树木上进行了评估，决定系数R2为0.966，MAE为1.1厘米，RMSE为1.5厘米，MAE百分比为3.2%，RMSE百分比为4.3%，这些结果足以满足森林清查的需求。此外，该方法还在一个复杂的自然森林环境中对287棵树木进行了评估，由于树枝或叶子的遮挡，最初的决定系数R2为-0.949。然而，在排除了六个由分割引起的异常值后，决定系数R2提升至0.841，MAE和MAE百分比分别为2.1厘米和5.7%，表明即使在复杂的自然森林环境中，几何测量模型也能保持稳定和准确。

引言

胸高直径（DBH）是指从地面以上1.4米（4.5英尺）处测量的树干直径。准确的DBH测量在林业中至关重要，它支持森林清查、生物量估算和生态建模[1]、[2]、[3]、[4]、[5]。由于树木的自然逐渐变细现象，准确定位胸高位置（1.4米）对于获得可靠的清查数据也非常关键。研究表明，即使垂直测量偏差为10厘米，也可能导致直径误差达到1-2厘米[6]，这种误差在生物量估算过程中会呈指数级放大[1]。尽管存在这种敏感性，标准的森林清查协议仍然依赖于人工测量，通常由现场工作人员通过视觉估计胸高位置，或者使用操作者的身高来近似测量[7]、[8]。这种主观方法可能会引入测量者之间的不一致性。

传统的工具如直径卷尺（D-tapes）和卡尺因其可靠性和简单性而仍然被广泛使用。然而，这些方法对于大规模评估来说既费时又效率低下[9]、[10]。这引发了人们对基于光检测和测距（LiDAR）解决方案的兴趣，包括地面激光扫描（TLS）和移动激光扫描（MLS），这些方法具有高精度（例如，均方根误差（RMSE）低于3厘米[11]、[12]），但需要昂贵的设备、复杂的后处理以及多视角扫描来处理遮挡问题[13]、[14]、[15]。

除了TLS等主动感测技术外，另一条研究方向是探索从图像中重建森林结构的被动摄影测量技术[16]、[17]。手持相机、智能手机或360°球形相机可以用来捕捉图像，通过运动结构（SfM）方法重建树结构。例如，Elkhrachy[18]评估了多种SfM算法，并证明非专业用户也能从2D图像生成准确的3D模型，尽管这些方法最初是为建筑和遗产测绘设计的。Itakura和Hosoi[19]使用360°球形图像将SfM应用于林业，实现了超过90%的树干检测率和大约3厘米的直径误差。关于地面SfM在森林环境中的更广泛综述[16]指出，摄影测量为DBH估算提供了一种低成本、可扩展的替代方案，尽管重建精度高度依赖于图像重叠、光照条件和场景复杂性。

与此同时，嵌入在智能手机和平板电脑中的实时LiDAR系统在森林清查应用中因自动化和便携性的结合而受到关注[20]、[21]。这与开发便携式、低成本测量工具的更广泛努力相一致，例如Shao等人提出的定制手持集成传感器[22]。基于智能手机的工具现在也实现了实时移动LiDAR，有时还结合了增强现实（AR），以方便在现场进行DBH测量。ForestScanner[23]使用iPhone/iPad上的ARKit和LiDAR来分割树干并拟合圆形横截面；用户围绕一个包含672棵树的森林地块行走时，其结果与手动记录高度一致（决定系数R2约为0.96），但需要手动在胸高位置对齐并完全环绕树干，这使其容易受到遮挡和测量者不一致性的影响。类似地，Mokros等人[24]评估了iPad Pro-LiDAR传感器作为地面激光扫描的低成本替代方案。他们的研究表明，消费级设备在森林清查中有效，利用连续的SLAM基扫描工作流程，操作者需要遍历整个地块以重建全局3D点云进行直径估算。Arboreal Forest[20]在六个巴西森林地点实现了小于3厘米的RMSE DBH估算，但由于需要AR锚点设置和树干扫描模式，在杂乱地形中的效率受到限制。ARTreeWatch[25]评估了51棵城市树木，RMSE在1.04到1.21厘米之间，但依赖于空间校准和固定的胸高预设，这限制了其在自然环境中的广泛应用。Gül?i等人[26]在55棵卡拉布里亚松树和50棵东方扁柏树上评估了智能手机LiDAR应用，报告的总体RMSE为2.33厘米，R2为0.88到0.91，但注意到对于分叉树干的树木存在高估现象。Fan等人[27]在九个12×12米的地块（共100棵树）上应用了RGB-D同时定位与映射（SLAM）技术，报告的DBH RMSE为1.26厘米，偏差为0.33厘米，但在地面条件复杂的森林中性能可能会下降。Proudman等人[28]在温带林地部署了手持LiDAR扫描仪，测量了400棵树，90%的树木DBH估算误差在7厘米以内，但在陡峭斜坡和密集树冠下准确性降低。Sun等人[29]评估了北京森林中的250棵树，RMSE为3.2厘米，树干检测召回率为97%，但地形过滤和分割带来了计算负担。Guenther等人[21]在120棵树的北方森林地块中评估了iPad Pro-LiDAR，RMSE为1.5厘米（59%的树木在±1厘米范围内），但指出在直射阳光和密集树叶下可靠性降低。Holcomb等人[30]提出了一种基于单次快照的LiDAR方法，使用华为P30 Pro在三个森林中的97棵树上进行了测试，RMSE为3.7厘米，平均绝对误差为8.0%，R2为0.97，但在密集植被条件下遮挡和深度范围有限制。虽然这些移动方法提供了可扩展且准确的DBH估算，但它们都有共同的局限性：通常需要手动设置（例如，AR锚点放置或扫描轨迹），在遮挡或场景复杂的情况下可能会失效，并且对设备计算资源要求较高[20]、[21]、[25]。

在这项工作中，我们提出了一种基于iPhone激光雷达和RGB传感器的单次快照DBH估算方法。我们方法的关键创新包括从用户指定的基点自动定位胸高位置、在该高度对树干进行基于边缘的分割，以及基于几何的横截面拟合以估算DBH，所有这些步骤都可以在单帧内完成，无需进行完整的树干扫描或手动校准。该方法首先在灯杆上进行了验证，75个不同距离和视角的样本的平均绝对误差（MAE）为1.3厘米，均方根误差（RMSE）为1.6厘米。随后在202棵种植树木上进行了评估，决定系数R2为0.966，MAE为1.1厘米，RMSE为1.5厘米，MAE百分比为3.2%，RMSE百分比为4.3%，这些结果足以满足森林清查的需求。此外，该方法还在一个复杂的自然森林环境中对287棵树木进行了评估，由于树枝或叶子的遮挡，最初的决定系数R2为-0.949。然而，在排除了六个由分割引起的异常值后，决定系数R2提升至0.841，MAE为2.1厘米（5.7%），证实即使在复杂环境中，几何测量模型也能保持稳定和准确。

实验结果

我们实验评估了所提出方法的性能。在所有测量中，我们使用了iPhone 15 Pro——其LiDAR分辨率为256×192，RGB相机分辨率为1920×1440。RGB图像是用1X镜头拍摄的。

我们首先使用卡尺（型号：Hagl?f Sweden Mantax Blue 950毫米，分辨率为0.1厘米）测量了一根灯杆。此次测量的DBH值为29.3厘米。图4a显示了相应的RGB图像，图4b显示了捕获的LiDAR深度图。

讨论

所提出的基于单次快照的LiDAR DBH测量方法在结构化环境中表现出强大的性能，具有以下关键优势：

•

高精度。考虑到iPhone LiDAR提供的分辨率和精度，对于结构化环境中的树木，我们的结果显示DBH估算具有较高的精度，支持其在移动林业应用中的潜力。

•

高效率。该方法显著提高了DBH测量的效率。

结论

本文提出了一种使用iPhone LiDAR和RGB传感器的单次快照自动测量树木DBH的方法。所提出的胸高定位、基于边缘的树干分割以及无需手动校准或多视角扫描的几何建模方法，可以实现移动设备上的便捷部署。该方法在两个数据集上进行了验证。在包含75个不同视角和距离样本的灯杆数据集中，MAE为1.3厘米

写作过程中生成式AI和AI辅助技术的声明

在准备本工作时，作者使用了ChatGPT来提高语言表达和可读性。使用该工具/服务后，作者根据需要对内容进行了审查和编辑，并对出版物的内容负全责。

CRediT作者贡献声明

尹志恒：撰写——审稿与编辑、撰写——初稿、可视化、验证、监督、软件、方法论、调查、形式分析、数据管理、概念化。费松林：撰写——审稿与编辑、监督、资源管理、项目管理、方法论、调查、资金获取、概念化。张松：撰写——审稿与编辑、可视化、监督、资源管理、项目管理、方法论、调查、资金获取

利益冲突声明

通讯作者张松教授担任ORI公司（美国犹他州盐湖城）的首席科学家。合著者费松林教授担任ArborMapper LLC（美国印第安纳州西拉法叶）的总裁。本研究工作未得到这些实体的任何支持。合著者尹志恒没有可能影响本文报告工作的财务利益或个人关系。

致谢

本工作得到了美国农业部国家食品与农业研究所的可持续农业系统项目（项目编号2023-68012-38992）的支持。本出版物中的任何观点、发现、结论或建议均为作者所持，并不代表美国农业部或美国政府的任何官方决定或政策。