利用树木定量结构模型时间序列研究分支尺度树木生长策略的边界条件

《Remote Sensing of Environment》：Boundary conditions for studying branch-scale tree growth strategies using tree quantitative structure model time series

非破坏性LiDAR和QSM技术为树木生物量估算提供了新方法，但枝级生长分析受限于数据质量和算法稳定性。研究通过多站TLS和固定PLS系统，评估了Scots pine、银桦和云杉在不同数据源下的QSM生成边界条件，发现TLS系统在点云密度（≥500点/m3）、均匀性（最大连续间隙≤20cm）和噪声控制（避免>9500点/m3的球状噪声）方面需满足严格标准，而PLS系统虽在高度估算（MAE<1m）上表现优异，但枝级建模失败率高达63.6%。成功QSM在DBH估算中MAE<2cm，但不同树种成功率差异显著（银桦63.6%、松树61.3%、云杉16.7%）。通过优化点云重采样（2cm分辨率最佳）和噪声过滤算法，可提升枝级生长动态检测的可靠性，但QSM的长期时间序列一致性仍受分支顺序重构误差影响。研究为森林监测提供了关键参数阈值，并指出未来需结合多源数据融合和AI辅助分支配准技术。

　　本研究探讨了在不同数据质量和树种条件下，利用定量结构模型（QSM）进行多时相激光雷达（LiDAR）数据下树冠分支生长分析的边界条件。随着激光雷达技术的进步和点云建模方法的优化，非破坏性地上树干生物量估计的准确性得到了显著提升。然而，使用QSM时间序列进行分支级生长分析仍然面临数据质量和方法上的挑战。研究使用了两种多扫描LiDAR数据集，包括地面固定扫描系统和塔基固定扫描系统，以评估数据采集设置和数据质量对QSM重建的影响，针对白桦、针叶树和云杉等三种常见的北欧树种进行了分析。

LiDAR技术作为非破坏性地分析树木结构的一种方法，其在森林资源监测、生态系统监测和栖息地结构分析方面展现出巨大潜力。特别是地面激光扫描（TLS）技术，因其高分辨率和几何精度，已成为生成QSM的标准数据源。TLS数据集通常由多个方向扫描组成，以确保完整的树冠信息。然而，这种密集的数据采集方式在经济和计算资源上成本较高，因此，研究者开始关注利用其他近地面系统，如手持式LiDAR（HLS）和无人机LiDAR（UAV-LS）生成QSM的可能性，这些系统可能包含遮挡、噪声或变形。研究还指出，由于扫描距离的不同，使用TLS生成QSM时，树冠部分的重建可能会出现较大的误差。

本研究的创新之处在于，通过多时相LiDAR数据集，对QSM的边界条件进行了系统分析。研究发现，为了获得可靠的QSM，数据集需要满足特定的条件，包括最低的点密度、均匀的点间距以及较小的点云缺口。具体而言，研究指出，点云的最小空间分辨率约为500个点/立方米，点间距应小于2厘米，而点云缺口应小于约20厘米。此外，研究强调了数据预处理的重要性，包括去除噪声和准确分离木质和叶部结构。研究还指出，对于某些树种，如白桦，其QSM重建比针叶树和云杉更为准确，这可能是由于白桦的树冠结构较为简单，而针叶树和云杉的树冠结构更为复杂，导致建模难度增加。

研究的数据采集方法采用了两种不同的LiDAR系统：多扫描TLS系统和固定塔基LiDAR（PLS）系统。多扫描TLS系统在多个站点对森林样地进行扫描，从而获得高分辨率的点云数据。而PLS系统则固定在塔基上，对森林进行长时间的观测，模拟了类似于无人机LiDAR的观测条件。通过这两种数据集，研究者评估了不同数据采集方式对QSM生成的影响，以及如何通过优化参数来提高QSM的准确性。

研究还讨论了不同树种在QSM生成中的表现差异。白桦由于其相对简单的树冠结构，通常比针叶树和云杉更容易生成准确的QSM。然而，针叶树和云杉的复杂分支结构可能会导致QSM重建的误差。此外，研究还发现，一些噪声簇，特别是密度较高的噪声簇，可能会被误认为是额外的分支，从而影响QSM的准确性。为了减少这种误判，研究建议使用更精确的去噪技术，并在数据预处理阶段仔细检查点云的完整性。

在方法部分，研究详细描述了从原始点云到个体树点云的处理流程，以及从个体树点云到QSM生成的步骤。研究采用了TreeQSM工具，这是一种基于圆柱体模型的QSM生成方法，能够对树木的结构进行详细的建模。为了提高QSM的准确性，研究还采用了优化的参数设置，并对生成的QSM进行了可视化评估。研究指出，虽然QSM能够提供树木结构的高分辨率信息，但在不同时间点之间进行分支对比时，由于分支顺序的变化和扫描设备位置的不一致，仍然存在挑战。

研究还分析了不同数据集对QSM生成的影响。通过比较TLS和PLS数据集的QSM生成结果，研究发现，TLS数据集通常能够生成更高质量的QSM，但PLS数据集在某些情况下也能提供可靠的QSM。然而，PLS数据集的固定视角可能导致树冠部分的不完整，特别是在扫描距离较远时，可能会出现较大的误差。此外，研究还发现，虽然TLS数据集的点云密度较高，但在树冠顶部的点云密度较低，这可能导致QSM的不准确。

研究的结果表明，为了生成可靠的QSM，需要确保点云的均匀性和完整性。研究还指出，点云的密度是影响QSM生成的重要因素，但密度本身并不能完全预测QSM的成功与否。此外，研究还发现，点云的密度与QSM的成功之间存在一定的负相关，但这种相关性并不显著。因此，点云的密度并不是决定QSM质量的唯一因素，还需要考虑其他因素，如扫描几何、点云的完整性以及数据预处理方法。

研究还讨论了QSM在不同树种和不同数据集中的应用。对于某些树种，如云杉，由于其细小的分支结构，QSM生成的难度较大，可能导致较高的误差。而白桦由于其较简单的树冠结构，通常能够生成较为准确的QSM。此外，研究还指出，QSM生成的误差可能受到环境因素的影响，如温度、风速和水分供应，这些因素可能会影响树木的生长模式和结构特征。

在结论部分，研究强调了QSM在树木生长分析中的重要性，并指出其在不同数据集和不同树种中的应用潜力。研究认为，QSM能够提供高分辨率的树木结构信息，对于可持续森林管理和生态系统监测具有重要意义。然而，QSM生成仍然面临挑战，特别是在数据质量和预处理方法上。因此，未来的研究需要进一步优化QSM生成方法，提高其在不同环境条件下的适应性，并探索更高效的预处理技术，以确保QSM的准确性和可靠性。

此外，研究还讨论了QSM在不同时间点之间进行比较的困难。由于QSM的分支顺序可能会发生变化，特别是在某些情况下，新的分支可能会出现，而一些分支可能会消失，这使得在不同时间点之间进行分支对比变得复杂。然而，通过分析QSM的几何特征，如分支角度、直径和长度，可以提高对树木生长模式的理解。研究还建议，未来的QSM研究应关注如何提高不同数据集之间的可比性，并开发新的方法来识别不同时间点之间的分支对应关系。

最后，研究指出，QSM在当前的LiDAR数据处理中仍然存在局限性，特别是在数据质量和预处理方法上。然而，随着LiDAR技术的不断进步和数据处理方法的优化，QSM有望成为一种更加可靠和实用的工具，用于分析树木的生长模式和结构变化。研究还强调了数据采集和预处理的重要性，并建议未来的研究应关注如何提高QSM生成的准确性和可靠性，以更好地支持森林资源管理和生态监测。