基于地面激光扫描与三维体素模型的山茶油树单木参数估算与产量预测研究

本研究针对山茶油树大规模栽培管理中产量估算的难题，利用地面激光扫描（TLS）技术获取高精度点云数据，构建三维体素模型提取冠层投影面积（CA）、冠层体积（CV）和叶面积指数（LAI）等16个特征变量，通过线性与非线性模型及机器学习算法（MLR、SVM、RF、ANN）建立了高精度产量预测模型，其中ANN模型表现最佳（R2=0.8937，RRMSE=13.20%），为经济林精准管理提供了技术支撑。

　　

山茶油树作为中国特有的优质木本油料植物，其茶籽油被广泛应用于医药和食品领域，具有极高的经济价值。准确快速地估算山茶油树的产量对于大规模种植园的管理和经营至关重要，能够为油茶产业的发展提供科学依据。传统的产量估算主要依赖人工测量，这种方法不仅耗时耗力、成本高昂，而且难以在大范围区域内高效获取数据。虽然遥感技术能够实现大范围、高时间分辨率地监测作物生长状况和获取作物表面参数，但基于光学影像的方法容易受到光照条件和环境因素的影响，且往往忽略植被的垂直结构和三维形态信息，导致估算精度受限。

为了解决这些难题，研究人员将目光投向了地面激光扫描（Terrestrial Laser Scanning, TLS）技术。这种主动遥感技术能够直接、快速、精确地获取农作物的三维空间结构，对光照条件极不敏感，具有固有的空间定位能力，在特征变量估算方面展现出巨大潜力。然而，尽管TLS技术在目标检测、林分参数估算和单木参数估算等方面已有广泛应用，但在山茶油树这种独特经济作物精准产量估算方面的应用研究仍然缺乏。大多数现有的基于LiDAR的产量模型是针对林木或常见果园物种开发的，其结构和异速生长关系可能无法直接适用于山茶油树独特的生长结构和结果习性。

在这项发表于《Smart Agricultural Technology》的研究中，研究人员开展了一项创新性工作，利用TLS获取的LiDAR点云数据来估算山茶油树单木的结构参数，并构建产量预测模型。研究团队在湖南省长沙县的山茶油树种植基地选择了84棵健康的山茶油树作为样本，使用FARO Focus 3D X330设备采集了点云数据。为了减轻遮挡影响，他们将2-4棵树划分为一个样地，采用多站扫描方式进行数据采集，并通过靶球匹配实现点云数据的精确配准。

研究采用了几个关键技术方法：首先通过TLS点云数据估算南北冠幅(C_NS)、东西冠幅(C_EW)、地径(GD)和树高(H)等结构参数；其次构建不同边长（0.005-0.10 m）的三维体素模型，用于估算冠层投影面积(CA)、冠层体积(CV)和叶面积指数(LAI)；然后利用线性函数和多种非线性函数（幂函数、指数函数、对数函数和二次函数）建立基于单特征的产量估算模型；最后采用多种机器学习算法（多元线性回归MLR、支持向量机SVM、随机森林RF和人工神经网络ANN）进行多变量产量估算，并通过留一交叉验证(LOOCV)评估模型性能。

3.1. 确定最佳体素边长

通过构建20种不同边长的三维体素模型，研究发现当体素边长为0.01 m时，CA、CV和LAI与山茶油树产量的相关性最高（r分别为0.64、0.66和0.67）。虽然更小的体素尺寸能提供更高的理论精度，但计算成本呈指数级增长。0.01 m的体素边长在精度和计算效率之间达到了最佳平衡，被选为后续分析的最佳参数。

3.2. 山茶油树特征变量的估算与验证

从TLS数据估算的H、C_EW、C_NS和GD与实地测量值表现出高度一致性，相关系数(r)分别达到0.94、0.89、0.88和0.82。所有变量的r值均高于0.82，表明这些特征变量的估算方法整体表现良好，特别是树高(H)的估算与实测值的一致性最强，证明了TLS在山茶油树垂直结构表征方面的可靠性。

3.3. 使用单特征模型进行山茶油树产量估算的结果

所有16个TLS衍生的特征变量与产量之间均存在统计学显著的相关性(P<0.01)。在五种拟合函数中，二次函数在大多数变量上实现了最高的决定系数(R2)，而指数函数 consistently yielded the lowest R2 values。地径(GD)与产量表现出最强的单变量关系，在二次函数下的最大R2达到0.5239。C_EW和C_NS也表现出较强的关联性，最大R2值分别为0.5203和0.4960。在高度百分位数中观察到一致的趋势：较高的百分位数（如H_90th）与产量的关联性逐渐增强，表明上层冠层指标与产量的相关性更强。

3.4. 多变量产量估算模型比较

基于随机森林的MDI算法计算出的特征重要性顺序，研究人员采用递归特征消除(RFE)程序确定了各模型的最佳特征子集。ANN模型在使用七个变量(H、H_90th、LAI、CV、GD、C_EW和C_NS)时达到了最佳性能，RMSE=0.9429 kg，RRMSE=13.20%。MLR模型使用完全相同的特征集也达到了其峰值性能。SVM在八个参数（添加CA）时表现出最佳估算精度，而RF在使用六个变量（排除H和CA）时达到最佳估算。值得注意的是，ANN模型的性能在50次随机初始化重复中表现出高度稳定性，R2值范围为0.8774-0.9000(mean=0.8907±0.0063)，证实了其预测准确性的可重复性和稳健性。

在多变量模型中，ANN模型表现出最优性能，R2=0.8937，RMSE=0.9429 kg，RRMSE=13.20%。RF模型表现次之(R2=0.8723，RMSE=1.0488 kg，RRMSE=14.68%)，其次是MLR模型(R2=0.8305，RMSE=1.1549 kg，RRMSE=16.17%)和SVM(R2=0.8436，RMSE=1.2307 kg，RRMSE=17.23%)。与最佳的单特征二次函数模型相比，ANN使R2提高了0.3708，RMSE和RRMSE分别降低了0.9942 kg和13.92%。

研究结论表明，使用三维体素模型能够实现山茶油树结构特征变量的高精度估算。所有特征变量与山茶油树产量均存在极显著相关性(P<0.01)，证实了TLS在山茶油树林分结构特征估算中的可行性。在单特征模型的产量估算中，二次函数整体上表现出最佳的拟合性能。使用多特征变量显著提高了山茶油树产量估算的准确性，多变量产量模型的性能优于单特征模型。

讨论部分指出，三维体素模型提供了山茶油树外部形态特征的详细表示，通过构建这种模型，可以有效估算CA、CV和LAI等关键特征变量。体素大小的确定是特征估算中的关键因素，它显著影响估算特征的准确性。体素大小的设置在一定程度上取决于点云密度，应当结合实际点云间距来确定体素边长，以确保精度的同时降低计算成本。

产量估算模型的不确定性主要来自多个因素，包括仪器误差和研究目标本身引起的误差。TLS的误差主要包括仪器操作误差、激光传感器误差和点云数据配准误差。山茶油树冠层的大小也会引入数据采集误差，过大的冠层会加剧树木间的遮挡效应并增加叶片覆盖度，可能导致设备扫描不完整。

尽管取得了较高的准确性，本研究仍存在一些局限性。产量估算模型是基于单一地理区域和特定季节的数据开发和验证的，其直接适用于其他土壤和气候条件不同的地区或不同季节的能力仍有待验证。从TLS点云中提取的结构特征（如LAI和冠层体积）可能易受物候变化（如叶片萌发、开花）和区域管理实践（如修剪）的影响。

该研究的重要意义在于为山茶油树特征变量估算和产量预测提供了新的技术途径。LiDAR凭借其三维空间结构信息的可用性，为山茶油树的特征变量估算提供了新的视角，进一步增强了对产量估算的理解。如何充分利用LiDAR技术的内在数据优势实现特征变量的精确估算，已成为LiDAR应用领域的研究热点。这项研究不仅为山茶油树的精准管理提供了有效工具，也为其他经济作物的产量预测研究提供了可借鉴的方法论框架。