利用移动激光雷达数据和圆拟合方法进行自动原木体积估算

《Remote Sensing Applications: Society and Environment》：Automated Roundwood Volume Estimation Using Mobile LiDAR Data and Circle Fitting Methods

移动LiDAR传感器结合形状拟合算法实现圆木体积自动化估算，考虑季节性影响，RANSAC-NM模型表现最优（rRMSE=15.04%，R2=0.91），季节差异不显著，为森林可持续管理提供低成本解决方案。

　　在现代森林管理与木材贸易中，准确估算单根木材的体积对于可持续发展和资源利用具有重要意义。然而，这一领域在科学研究中一直受到关注不足。尽管已有多种传统方法，如直接测量和间接技术，但它们往往受限于成本、人力和环境条件。近年来，移动激光扫描（Mobile LiDAR Scanning, MLS）技术因其便携性、低成本和高精度，逐渐成为一种有潜力的替代方案。本研究旨在探索一种基于iPad-LiDAR传感器和圆柱拟合模型的自动化体积估算方法，以提高估算效率并减少人为干预。此外，研究还评估了季节变化对估算结果的影响，通过在夏季和冬季分别收集样本，以期为未来的森林管理提供更加全面和可靠的数据支持。

### 研究背景与意义

森林产品不仅是社会经济发展的关键资源，还对生态环境具有深远影响。木材及其衍生品，如木浆、木屑、原木和木燃料，广泛用于制造、建筑和能源消耗等各个领域。同时，木材产品在应对气候变化方面也发挥着重要作用，其碳储存能力可帮助减少温室气体排放，从而降低环境影响。根据联合国粮食及农业组织（FAO）的数据，全球范围内原木生产占木材行业的很大一部分，2021年的产量达到400万立方米。因此，准确的原木体积估算不仅有助于森林资源的合理利用，还为碳交易、森林管理和可持续发展提供了重要依据。

传统的原木体积估算方法通常依赖于直接测量，例如测量直径、长度和重量等参数。然而，这些方法在实际操作中存在诸多局限，如时间成本高、依赖人工操作、易受环境因素干扰等。此外，重量法对湿度和树龄等变量较为敏感，而绳测法则需要木材整齐排列，这些限制使得其在复杂森林环境中难以广泛应用。近年来，一些间接方法被开发出来，如水位法、重力法和水静力法，虽然这些方法在特定条件下提供了较高的准确性，但它们通常需要专门的设备和培训，限制了其在野外应用的可行性。

随着技术的发展，移动激光扫描（MLS）因其便携性和成本效益，逐渐成为一种可行的替代方案。MLS技术不仅能够高效地获取三维点云数据，还能在复杂森林环境中灵活操作，减少了传统方法中常见的遮挡和环境干扰问题。此外，结合深度学习算法和优化方法，如随机采样一致性（RANSAC）和迭代加权总最小二乘法（IRTLS），可以进一步提升体积估算的准确性。Nelder-Mead（NM）优化算法则被用于改进拟合模型，以提高估算结果的稳定性。

### 研究方法与技术流程

本研究采用了一种基于iPad-LiDAR传感器的自动化体积估算方法。研究地点位于希腊的Pertouli大学林场，该林场具有复杂的植被结构，由173个可持续管理的林区组成，主要由不规则年龄的云杉（Abies borissi regis）林组成。研究人员在2023年夏季和2024年冬季分别采集了75个样本，包括30个夏季样本和45个冬季样本。这些样本被手动测量，包括直径和长度，作为参考数据。同时，使用iPad-LiDAR传感器进行扫描，获取三维点云数据。

为了提高估算精度，研究人员采用了深度学习方法，如Feedforward Neural Network（FNN），用于点云分类，以区分树干点与其他地表点（如草地和雪）。FNN模型经过训练，能够准确识别树干，并将其与其他干扰点区分开来。随后，使用统计方法对点云进行去噪和分割，以生成更清晰的树干轮廓。为了进一步提高估算精度，研究还结合了RANSAC和IRTLS算法进行圆柱拟合，同时应用Nelder-Mead优化算法对初始估算结果进行调整。

在数据处理过程中，研究人员对iPad-LiDAR数据进行了预处理，包括点云旋转、分类和分割。旋转步骤是必要的，因为传统的树干建模算法通常适用于垂直方向的数据。通过主成分分析（PCA）对点云进行旋转，使得树干与Z轴对齐，从而提高模型的适用性。随后，使用Adapted Hough Transform（HT）算法对点云进行分割，以提取树干轮廓。HT算法能够识别点云中的圆形结构，并通过设定密度阈值和形状延伸参数，减少噪声和误差。

为了评估不同模型的性能，研究构建了五种模型，包括三种基于圆拟合的模型（IRTLS-M1、RANSAC结合NM-M2、独立RANSAC-M3）和两种基于圆柱拟合的模型（IRTLS-M4、RANSAC-M5）。这些模型的性能通过多种统计指标进行评估，如决定系数（R2）、均方根误差（RMSE）、相对RMSE（rRMSE）、平均绝对误差（MAE）和相对偏差（rbias）。同时，为了探讨季节性对估算结果的影响，研究人员分别对夏季和冬季的数据进行了分析。

### 研究结果与分析

研究结果显示，RANSAC结合NM优化的圆拟合模型（M2）在总体预测性能方面表现最佳，其相对RMSE为15.04%，R2值为0.91。这一模型在夏季和冬季样本中均表现出较高的准确性，但冬季样本的预测误差略高于夏季样本。尽管夏季和冬季样本的预测结果存在差异，但通过t检验，研究发现两者的统计差异并不显著，这表明季节性对估算结果的影响有限。

此外，研究还发现，所有模型在估算长度方面均表现出较高的准确性，R2值接近0.991，相对RMSE仅为2.911%。然而，直径和体积的估算结果存在较大差异，部分模型在估算直径时表现出较高的误差，而基于圆柱拟合的模型则在体积估算方面表现较差。这表明，不同的拟合方法对估算结果的影响较大，尤其是在处理复杂点云数据时。

在分析不同季节对估算结果的影响时，研究人员发现，冬季样本的预测误差略高于夏季样本。这可能与树干表面的湿度变化有关，冬季的高湿度可能影响LiDAR脉冲的反射特性，从而导致估算误差。此外，冬季可能存在积雪覆盖，进一步影响点云的完整性和准确性。然而，尽管存在这些影响，研究结果表明，季节性对估算结果的影响并不显著，因此需要更多的样本数据来验证这一结论。

### 讨论与应用前景

本研究的成果表明，基于iPad-LiDAR传感器的低成本自动化方法在原木体积估算中具有一定的可行性。尽管估算精度受到一些因素的影响，如点云噪声和分割误差，但通过结合深度学习算法和优化方法，可以显著提高估算结果的准确性。特别是RANSAC结合NM优化的模型，在多种条件下均表现出较高的性能，这表明其在实际应用中具有较大的潜力。

然而，研究也指出了一些局限性。首先，样本数量相对较小，尤其是在季节性影响的评估方面，可能无法全面反映不同环境条件下的估算性能。其次，参考数据主要依赖于手动测量和Smalian公式，这可能引入一定的误差。因此，未来的研究应考虑使用更先进的估算方法，如xylometric方法，以提高参考数据的准确性。此外，本研究的方法目前仅适用于单根原木，而不适用于木堆或底层原木的估算，因此需要进一步探索更复杂的分割算法，以提高方法的适用性。

### 结论

本研究提出了一种基于iPad-LiDAR传感器的自动化原木体积估算方法，并结合RANSAC和IRTLS算法进行圆柱拟合。结果表明，该方法在多种条件下均能提供可靠的估算结果，尤其是在处理复杂森林环境时。尽管估算精度受到一些因素的影响，如季节性和点云噪声，但通过优化算法和深度学习方法，可以显著提高估算的准确性和稳定性。研究还强调了季节性对估算结果的影响，建议未来研究在更多样化的环境条件下进行，以进一步验证方法的适用性。

此外，本研究的成果为森林管理提供了新的思路，使得自动化估算成为可能。结合低成本传感器和优化算法，可以有效提高估算效率，减少人工干预，并降低安全风险。随着技术的不断进步，未来的研究可以进一步探索更先进的传感器和深度学习方法，以提高估算精度，并将其应用于更广泛的森林管理场景。最终，这一研究不仅为原木体积估算提供了新的方法，也为发展可追溯的森林库存系统和促进木材贸易提供了重要的技术支持。