《Urban Forestry & Urban Greening》：Toward fully automated urban tree inventory: Integrating mobile lidar and open-source tools
编辑推荐：
本文聚焦城市森林资源管理中的效率与精准度难题。为解决传统人工清查耗时费力的问题，研究人员整合了移动激光雷达（mobile lidar）与开源分析工具，开发了一套面向城市树木的全自动化识别与参数测量流程。研究结果表明，移动激光雷达采集与自动化处理相结合的方法，能够以可观的精度（如树高估测R2达0.74-0.82，DBH估测R2达0.91）替代传统实地测量，为大规模、低成本的城市树木生态系统服务评估提供了新途径。
在现代城市生态系统中，树木扮演着至关重要的角色，它们不仅能改善空气质量、调节局部气候、促进碳封存，还能提升居民的身心健康。然而，要准确量化这些生态系统服务，首先必须高效、精准地获取单棵树木的空间位置和关键生物物理参数，如树高（h）、胸径（DBH）和冠幅（cw）。传统的城市树木调查依赖于人工实地测量，这种方法不仅劳动强度大、成本高昂，而且在大尺度应用时效率低下。近年来，以激光雷达（LiDAR）为代表的遥感技术为自动化森林监测带来了曙光，但其在城市复杂环境中的应用，尤其是在整合移动式、地面采集平台与开源自动化处理流程方面，仍面临诸多挑战。现有的研究往往侧重于特定平台（如机载或固定式地面激光雷达）或特定算法，而如何利用手持或背包式移动激光雷达扫描（MLS），结合高效的开源软件包，构建一个完整的、可扩展的城市树木自动化清查工作流，仍是一个值得深入探索的领域。
为了应对这一挑战，Justinn J. Jones及其合作者在《Urban Forestry 》上发表了一项研究，题为“迈向全自动城市树木调查：整合移动激光雷达与开源工具”。他们的目标很明确：开发一套集成移动激光雷达数据采集、自动化树木检测与参数提取的完整方法体系，并评估其在城市环境中的有效性和准确性。该研究不仅探索了移动激光雷达作为传统森林清查方法的可行替代方案，还测试了开源R包lidR和TreeLS在复杂城市环境中的表现，旨在为城市规划者、生态学家和林业管理者提供一个高效、经济且易于获取的技术解决方案。
研究者们采用了一套组合多种技术方法的综合性研究策略。研究地点选在了具有典型城市景观特征的德州农工大学校园。数据方面，他们利用了公开获取的2017年机载激光雷达（ALS）数据和2022年的高分辨率航拍影像，作为背景参考和辅助数据。核心数据则来自使用GeoSLAM ZEB Horizon扫描仪进行的移动激光雷达采集。该设备被安装在背包上，并由研究人员驾驶电动滑板车进行数据采集，这种创新方式旨在覆盖车辆难以进入的步行道区域，并提高数据采集效率。同时，使用高精度GPS设备同步采集了地面控制点，用于精确地理配准移动激光雷达点云。此外，研究团队还对122棵城市树木进行了传统实地测量，获取了树高和胸径数据，作为验证“地面真相”。在数据处理与分析阶段，他们使用了包括Quick Terrain Modeler、ArcGIS Pro、GeoSLAM Hub在内的商业软件进行数据预处理（如去噪、生成冠层高度模型CHM等）。最关键的分析步骤在于，他们利用开源R包lidR（用于从冠层高度模型CHM中探测树顶和分割树冠）和TreeLS（用于从点云中识别树干并拟合圆柱以测量胸径）进行了自动化树木检测与参数提取。为了应对高密度点云带来的计算挑战，研究者还开发了一个名为“Synthetic Points from Raster”（SPR）的自定义工具，将CHM栅格转换为稀疏的合成点云，显著提升了处理效率。最后，通过统计检验（配对t检验、线性回归等）将自动化提取的参数与实地测量值进行对比，评估了方法的准确性。
研究的结果清晰地展示了不同方法的性能对比：
1. 树高（Height）估测结果
- •
屏幕测量（Screen Measurements）与实地测量对比：结果显示高度估计非常准确（R2= 0.96, RMSE = 0.52 m），但配对t检验表明两者存在显著差异（p < 0.001），屏幕测量值倾向于略低于实地测量值。
- •
lidR自动化估测与实地测量对比：整体分析显示两者差异在统计上处于边缘显著水平（p = 0.010），平均绝对差异仅为0.208米。然而，进一步分析发现，树高数据存在双峰分布。当将树木按高度中位数（8.8米）分为两组后，回归分析显示，对于较高树木（≥8.8 m），lidR估测的准确性稍低（R2= 0.74, RMSE = 1.07 m），估测值有低估趋势（y = 0.90x + 1.62）；而对于较矮树木（<8.8 m），估测精度非常高（R2= 0.82, RMSE = 0.45 m），且与1:1线高度吻合（y = 1.02x – 0.16）。
- •
TreeLS自动化估测与实地测量对比：该方法系统地低估了树高（平均绝对差异达1.600 m），回归分析R2为0.82，RMSE为1.13 m。研究认为，这可能是因为TreeLS算法仅考虑树干正上方的点来计算高度，忽略了树冠顶部的偏移。
2. 胸径（DBH）估测结果
- •
屏幕测量与实地测量对比：两者相关性很强（R2= 0.96, RMSE = 3.39 cm），但屏幕测量值普遍高于实地测量值，这主要归因于激光雷达点云数据中固有的噪声。
- •
TreeLS自动化估测与实地测量对比：TreeLS在胸径估测方面表现出色，R2达到0.91，RMSE为5.25 cm。配对t检验表明两者差异显著但幅度很小（平均绝对差异1.783 cm）。值得注意的是，对于胸径较小的树木，估测值倾向于偏高；而对于胸径较大的树木，估测值则倾向于偏低。研究者指出，这一高R2值仅代表了算法成功探测到的树木，存在幸存者偏差。
3. 算法探测率与局限性
- •
lidR算法成功识别并测量了所有122棵实地调查的树木。
- •
TreeLS算法仅成功识别并测量了64棵实地调查的树木，探测率低于53%。研究分析了其失败原因，主要包括：(1) 树木距离扫描轨迹过远，点云数据不足；(2) 路灯、路牌等城市设施干扰了算法的圆形探测逻辑，导致误判或漏判；(3) 在处理完整的大数据集时，算法会出现不明原因的停滞，迫使研究者将数据手动分割成16个子集进行处理，这增加了工作的复杂性。
4. 数据采集方法创新
研究强调了使用电动滑板车搭载背包式扫描仪进行数据采集的优势，它能有效填补步行调查（小范围）与车载调查（受道路限制）之间的尺度空白。同时，研究者开发并验证了将屏幕测量（在点云软件中手动测量）作为高保真“地面真相”替代方案的可行性，这为算法开发和验证提供了高效的数据源。
综上所述，这项研究成功验证了移动激光雷达结合开源工具进行城市树木自动化清查的整体可行性。研究的主要结论和重要意义在于：
首先，它证实了移动激光雷达数据采集是传统森林清查方法的一种准确且可行的替代方案。本研究采用的扫描仪具有100米的测距能力，能够较好地重建树冠三维结构，克服了早期研究中扫描范围有限（如15米）导致无法有效测量树高的问题。
其次，研究系统评估了开源生态学软件包在城市环境中的表现。lidR包在树高和冠幅提取方面表现稳健，尤其对于较矮的树木精度很高。TreeLS包在胸径提取上精度优异（R2= 0.91），但其树木探测率低和对城市噪声敏感的问题限制了其作为独立工具的适用性。这些实践评估为后续研究者和工具开发者指明了改进方向。
第三，研究提出并实践了一套完整的工作流程，从创新的数据采集（电动滑板车+同步GPS）、高效的数据预处理（包括自创的SPR点云稀疏化工具），到自动化参数提取与多级验证。特别是“屏幕测量”作为中间验证环节的引入，以及将数据集按树木高度分层分析的思路，增强了研究的严谨性和洞察力。
最后，该研究致力于推动城市林业调查的半自动化与可扩展性。通过整合免费或开源的软硬件，该方案显著降低了技术门槛和经济成本。研究明确指出，尽管在完全自动化方面仍面临挑战（如TreeLS的探测率问题、城市噪声滤除等），但所展示的路径为未来开发更鲁棒、更智能的自动化城市树木监测系统奠定了坚实基础，使得大规模、高频次的城市森林资源评估和生态系统服务量化成为可能，从而更好地服务于城市规划和气候变化适应战略。
