地面植被对北方森林中基于陆地激光扫描技术的数字地形模型的影响

《Scandinavian Journal of Forest Research》：Effects of ground vegetation on terrestrial laser scanning-derived digital terrain models in boreal forests

森林地表植被对激光扫描地形模型精度的影响研究显示，火灾后DTM平均降低8-13厘米，导致胸径（DBH）低估0.6%，单株体积低估3.1%，每公顷总茎体积误差达3立方米。植被高度与ΔDTM呈正相关，最高植被层（>30厘米）导致12厘米平均高估。地面植被通过遮挡激光影响DTM精度，需在森林结构参数提取时进行校正。

　　数字高程模型（Digital Terrain Model, DTM）是用于表示裸露地面地形的重要工具，对研究森林特性具有关键意义。随着技术的发展，地面激光扫描（Terrestrial Laser Scanning, TLS）在森林特征分析和DTM生成方面得到了广泛应用。然而，地面植被的存在会对DTM的准确性造成显著影响，进而影响对树干胸径（Diameter at Breast Height, DBH）、树干体积以及林分总体积等森林属性的估算。本研究通过在芬兰的四个1公顷样地进行两次时间点的TLS测量，并在两次测量之间进行受控燃烧以去除地面植被，从而量化了地面植被对TLS生成DTM垂直误差的影响，并评估了这些误差对森林属性的影响程度。研究结果表明，受控燃烧后的DTM平均比燃烧前低8–13厘米，且燃烧区域的绝对变化（|ΔDTM|）和相关均方根差（Root Mean Square Difference, RMSD）均高于未燃烧的对照区域。植被高度越高，ΔDTM的值也越大。当DTM存在10厘米的高估时，会对树干胸径、树干体积和林分总体积产生系统性误差：树干胸径被低估约1.3毫米（0.6%），树干体积被低估约4.8立方分米（3.1%），而林分总体积则被低估约3立方米/公顷（1.3%）。该研究为理解地面植被对TLS生成DTM的影响提供了定量依据，强调了在森林结构分析中对DTM误差的准确评估的重要性。

数字高程模型（DEM）是用于表示地形表面高度的重要工具，广泛应用于多个地理研究领域，如正射影像制作、城市规划和水文建模。DEM能够提供多种地形变量，包括坡度、方位和湿润指数等。三维地理空间数据，如通过激光扫描或数字摄影测量获得的点云，常用于确定地表物体在XYZ坐标中的位置，其中Z坐标代表相对于已知大地水准面的高程。然而，在植被分析中，通常需要的是相对于地面的高度信息，而非相对于海平面的高度。因此，通过将DEM与地面高程进行对比，可以得到植被冠层高度模型（Canopy Height Model, CHM），这是森林结构分析中常用的工具。本研究聚焦于裸露地面的高程，因此采用DTM这一术语。

DTM的生成可以使用多种技术手段，包括摄影测量、雷达和激光雷达（LiDAR），以及不同的平台，如卫星、飞机和地面传感器。选择哪种数据源取决于所需的时空尺度和研究对象。例如，在植被茂密的森林中，航空影像可能只能捕捉到冠层顶部的信息，而能够穿透植被的技术则可以同时获取冠层和地面高程。航空激光雷达（Airborne Laser Scanning, ALS）适用于大规模地形测绘任务，如国家高程模型的构建，因其具有较高的效率和广泛的覆盖范围。相比之下，TLS适用于小范围的高精度地形建模，尤其在支持森林研究或林业应用的实地调查中，TLS能够提供更详细的地面信息。TLS的优势在于其点密度较高，每平方米可获取数百个地面点，从而提高了DTM的精度。然而，TLS的倾斜视角可能导致激光束穿过植被的路径较长，进而遮挡地面表面，这可能会影响DTM的准确性。因此，若使用TLS进行森林测量，建议从同一数据集中生成局部DTM，以避免因不同数据源组合而导致的误差。

DTM的准确性在森林研究中至关重要，然而，由于植被覆盖的影响，DTM常常被高估。尽管已有研究表明TLS和ALS在生成DTM时均存在一定程度的高估，但其误差来源尚未完全明确。在TLS生成DTM的过程中，误差可能来源于多种因素，包括点位偏移、扫描配准、点云地理参考和插值方法等。此外，地形特征，如陡坡或复杂地形，也可能对DTM的精度产生影响。然而，植被覆盖被认为是导致DTM误差的主要原因之一。密集的植被会遮挡激光束，影响其穿透地面的能力，从而导致DTM的高估。即使在平坦且开放的地形中，地面植被的存在也会对地面表示的准确性产生影响。尽管如此，不同植被类型对DTM精度的具体影响仍缺乏系统研究，且获取全面数据以评估这一问题仍然具有挑战性。

为了评估DTM的准确性，通常会将数据集与更高精度的验证数据集进行比较，例如通过总站或差分全球定位系统（Differential Global Positioning System, DGPS）采集的点。然而，这种方法受限于测量点的数量。另一个挑战在于将完全不同的点云数据与栅格型DTM进行整合，以确保植被的影响不会被掩盖。因此，最直接的方法是进行两次时间点的TLS测量，并在两次测量之间进行植被去除，以评估植被对DTM精度的影响。受控燃烧是一种有效的植被去除方法，它不仅可以减少燃料，还可以用于生态系统恢复。受控燃烧通常为低强度火，专门针对森林地面的植被和燃料进行处理。在燃烧后，地面植被不会被完全消耗，从而形成一个燃烧与未燃烧的混合区域。TLS测量可以区分这些区域，从而实现对DTM的准确比较。

为了更好地理解地面植被对TLS生成DTM的影响，本研究评估了DTM的特征，包括在有无地面植被情况下的变化。研究主要回答了以下三个问题：（1）去除地面植被后，DTM的高程值是否显著降低；（2）地面植被的高度如何影响DTM的准确性；（3）DTM的不准确性（即地面高程的高估）如何影响树干胸径、树干体积和林分总体积等森林属性。为此，研究团队在芬兰的四个样地进行了TLS点云采集，并在燃烧前后分别生成了DTM和地表模型。燃烧区域的植被被去除，而对照区域的植被保持不变。通过比较燃烧前后DTM的变化（ΔDTM）和相关均方根差（RMSD），可以验证植被去除对DTM精度的影响。研究还分析了不同植被高度类别对ΔDTM的影响，并进一步探讨了DTM误差如何影响树木和林分的属性。

研究结果表明，去除地面植被后，燃烧区域的DTM平均比燃烧前低8–13厘米，且这一差异在所有样地中均具有统计学意义（p < 0.001）。燃烧区域的ΔDTM平均为?10厘米，而对照区域的ΔDTM平均为?1厘米。RMSD在燃烧区域约为13厘米，而在对照区域则为5厘米，这表明观测到的DTM差异主要源于植被去除，而非数据集之间的地理位置误差。研究还发现，植被高度越高，ΔDTM的值越大，说明植被对DTM精度的影响具有显著的非线性特征。在植被高度分类中，植被高度较低的区域（≤15厘米）的ΔDTM平均为?6厘米，而植被高度较高的区域（>30厘米）的ΔDTM平均为?12厘米。这些结果表明，植被覆盖对DTM的准确性有重要影响，尤其是在植被高度较高的情况下。

在森林结构分析中，DTM的高估可能会导致树干胸径和树干体积的低估。这是因为树干胸径的测量高度被错误地定义为高于实际位置，从而影响了测量结果。研究团队通过模拟不同高度偏移（0–30厘米）对树干胸径和体积的影响，发现当DTM高估10厘米时，树干胸径的平均低估为1.3毫米（0.6%），99%置信区间范围从0.1毫米高估到3.7毫米低估。在植被高度最高的情况下，DTM高估可达30厘米，这会导致树干胸径平均低估3.6毫米（1.5%），置信区间从0.4毫米高估到10.3毫米低估。此外，树干体积的低估更为显著，因为被忽略的树干部分通常位于地表附近，且这部分的直径最大，因此体积损失最为明显。在植被高度最高的情况下，树干体积平均低估13.7立方分米（8.8%），而在植被高度较低的情况下，平均低估为4.8立方分米（3.1%）。在林分层面，DTM高估10厘米会导致林分总体积平均低估约3立方米/公顷（1.3%），其中Nuuksio样地的低估幅度为2.7立方米/公顷（1.3%），Ruunaa样地的低估幅度为3.6立方米/公顷（1.3%）。

本研究通过受控燃烧实验，揭示了地面植被对TLS生成DTM的影响。实验结果表明，去除地面植被后，DTM的高程值显著降低，且植被高度越高，DTM的高估越严重。这一发现对于森林结构分析具有重要意义，因为DTM的不准确性可能会影响对树干胸径、树干体积和林分总体积等关键森林属性的估算。此外，研究还指出，DTM的误差可能通过自动化算法进一步放大，从而导致与实地测量数据之间的差异。因此，在森林调查和管理中，有必要对DTM的误差进行系统评估，并采取措施减少植被对DTM精度的影响。

在森林调查和管理中，DTM的准确性直接影响到对森林结构和生态特征的理解。本研究的结果强调了在植被茂密的森林中，DTM误差可能导致的系统性偏差，特别是在树干胸径和树干体积的估算方面。这些误差可能会影响森林碳储量、生物多样性评估以及森林资源管理决策。因此，为了提高TLS在森林结构分析中的应用效果，有必要对DTM生成方法进行优化，以减少植被对高程数据的影响。这可能包括改进扫描角度、增加点云密度、采用更先进的点云分类算法等。此外，研究还建议未来可以结合不同遥感技术，如手持式扫描仪和无人机激光扫描，以进一步提高DTM的精度。通过这些方法，可以更准确地反映森林地面的实际情况，从而为森林管理和生态研究提供更可靠的数据支持。

在实际应用中，DTM的准确性不仅影响个体树木的测量，还可能对整个林分的估算产生连锁反应。例如，如果DTM的高估导致树干胸径和体积的低估，那么在进行森林碳储量估算时，可能会低估森林的碳储存能力，进而影响森林碳汇的评估。此外，DTM的误差还可能影响森林结构参数的计算，如树冠高度、树干密度和林分结构的垂直分布。因此，提高DTM的精度对于森林调查和生态研究具有重要意义。本研究通过受控燃烧实验，为DTM误差的量化提供了实证依据，同时强调了在森林结构分析中需要考虑植被对DTM精度的影响。这些发现不仅有助于改进TLS在森林调查中的应用，也为其他植被密集区域的DTM生成提供了参考。未来的研究可以进一步探索不同植被类型和密度对DTM精度的影响，并开发更有效的植被去除和DTM生成方法，以提高森林结构分析的准确性。