根据无人机数据估算胸高（DBH）处的树木直径：倾斜图像与垂直图像融合方法与异速生长模型的比较

《Science of Remote Sensing》：Estimating Tree Diameter at Breast Height (DBH) from UAV data: A Comparison of Oblique–Vertical Imagery Fusion and Allometric Modeling

准确估计树木胸径（DBH）对森林调查和生态监测至关重要。本研究通过融合垂直（90°）与倾斜（30°、60°）无人机影像生成高密度点云（S1-S3），并采用随机森林模型（S4）基于垂直影像特征预测DBH。结果表明，S3（90°+30°+60°融合）精度最高（R2=0.985，RMSE=2.47 cm），其次为S2（90°+60°，R2=0.949）；S4（垂直影像随机森林模型）次之（R2=0.824），而S1（90°+30°）存在显著高估（ Bias=11.40 cm）。多角度融合显著提升点云密度（最高达1.27点/cm2）和几何精度，尤其在胸径较小（≤30 cm）和中等（30-43 cm）树木中表现更优。研究证实，融合不同视角的无人机影像能有效减少茎部遮挡和点云稀疏问题，为资源受限环境下的DBH估算提供可靠替代方案。

　　### 森林资源管理中树干直径（DBH）的精确估算

在森林资源管理、生物量评估以及生态监测等领域，准确估算树干直径（DBH）是一项至关重要的任务。传统的DBH测量方法通常依赖人工测量，通过在离地1.3米高度处使用直径尺或卡尺进行测量。这种方法虽然直观且易于操作，但在复杂地形、密集林分或偏远地区中，其实施往往面临诸多挑战。由于需要大量的现场调查和人工操作，这种方法不仅耗时费力，而且容易受到人为误差的影响，特别是在斜坡、多干树种或测量人员判断不一致的情况下。因此，研究者一直在寻找更加高效、准确且可扩展的替代方法。

近年来，无人机（UAV）技术的发展为远程DBH估算提供了新的可能性。UAV能够提供高分辨率的遥感数据，具备操作灵活性和成本效益，相较于传统的地面调查和机载激光雷达（LiDAR）技术，其在森林监测和精准林业中的应用正在逐步扩大。然而，尽管UAV技术在获取森林结构信息方面表现出色，但在直接估算树干直径方面仍面临一定的技术挑战。例如，传统的垂直影像（即“正视”影像）通常难以捕捉到树干底部的细节，导致点云数据在胸高处的密度较低，影响DBH的直接估算。此外，由于树冠遮挡，部分UAV影像可能无法提供足够的数据以支持精确的几何重建。

为了解决这些局限，研究人员开始探索将垂直影像与倾斜影像（即“斜视”影像）结合的融合方法，以提高对树干底部的可视性和点云的密度。这种多角度融合的影像数据可以生成更完整的三维模型，从而增强对树干形状的几何估算能力。与此同时，基于所有ometric建模的随机森林（Random Forest, RF）算法也被应用于从垂直影像中提取的特征（如树高和冠层指标）来预测DBH。这些方法在实际应用中各有优劣，需要在精度、数据处理需求和操作可行性之间进行权衡。

### 研究方法与数据采集

本研究在伊朗北库尔德斯坦省的帕尔迪桑公园进行，该公园的平均海拔约为1080米，以针叶树为主，特别是艾尔达松树（Pinus eldarica）。研究区域内的树木种植于2004年和2010年，遵循3x3米的网格布局，便于系统性的数据采集和分析。研究团队使用DJI Phantom 4 Pro无人机进行空中影像采集，该无人机具备垂直起降（VTOL）功能，搭载2000万像素的相机，支持多种拍摄角度和分辨率，从而生成高密度的三维点云数据。在飞行过程中，无人机保持40米的飞行高度，实现80%的纵向重叠和40%的横向重叠，确保影像覆盖的完整性和连续性。

为了生成精确的三维模型并建立地面参考，研究团队在研究区域布置了14个地面控制点（GCPs），每个GCP的水平和垂直误差均控制在1厘米以内。通过将这些影像输入Pix4Dmapper Pro软件进行处理，研究团队采用结构从运动（SfM）和多视图立体（MVS）算法，生成不同角度的点云数据。最终，通过融合三种角度的影像（垂直90°、倾斜30°和60°），研究团队生成了三种融合点云数据集：S1（融合90°和30°）、S2（融合90°和60°）、S3（融合90°、30°和60°）。此外，还使用基于垂直影像数据的随机森林回归模型（S4）进行DBH估算，其输入变量包括树高、冠层面积、冠层直径（CD1E和CD2E）以及冠层体积等。

### DBH估算方法的比较与分析

在实际估算过程中，研究团队采用最小二乘法对胸高处的点云数据进行圆拟合，以计算DBH。这种方法能够有效减少噪声和异常值对估算结果的影响，但在某些情况下（如点云密度不足或遮挡严重），其准确性可能受到限制。因此，研究团队对S1、S2和S3三种融合方法进行了详细分析，并通过统计方法评估其性能。

研究结果显示，融合三种角度的S3方法在DBH估算中表现最为出色，其决定系数（R2）达到0.985，均方根误差（RMSE）仅为2.47厘米，表明该方法能够准确捕捉树干的几何特征。相比之下，S2方法的R2为0.949，尽管在精度上稍逊于S3，但仍显示出良好的效果。而S1方法则表现出显著的高估倾向，尤其是在较大树木的估算中，其误差范围较大，均方根误差高达18.30厘米，显示出该方法在精度方面的局限性。

此外，S4方法（基于随机森林的所有ometric建模）虽然在整体估算精度上略低于几何方法，但仍提供了较为可靠的结果，其R2为0.824，均方根误差为8.79厘米。该方法的优势在于其操作简便性和可扩展性，尤其适合在资源有限或时间紧迫的实地工作中应用。然而，其在估算较小树木时存在一定的低估倾向，这可能与仅依赖垂直影像的特征提取有关。

为了进一步验证这些方法的性能，研究团队还通过相关分析和Bland–Altman图对估算结果与实际测量值进行了比较。结果表明，S3方法在所有DBH大小类别中均表现出较强的预测能力，尤其在小树、中等树和大树的估算中，其误差范围较小，偏差也较低。相比之下，S1方法的偏差高达11.40厘米，显示出较大的系统性误差，而S4方法则在小树的估算中表现出较大的偏差和误差范围，表明其在某些情况下可能不够可靠。

### 研究结论与应用前景

本研究的结果表明，采用多角度影像融合（如S3方法）能够显著提高DBH估算的精度和可靠性。融合垂直与倾斜影像，尤其是60°倾斜影像，有助于更全面地捕捉树干的几何特征，减少遮挡效应，提高点云密度，从而实现更精确的DBH估算。这一发现为无人机在森林资源调查中的应用提供了新的思路，特别是在需要高精度测量的场合。

然而，研究也指出，尽管多角度融合方法在精度上优于单一角度的影像处理，但其数据处理复杂度较高，对计算资源和时间提出了更高的要求。因此，在实际应用中，研究者需要根据具体的需求和条件，权衡精度与效率。例如，在资源有限或时间紧迫的情况下，基于垂直影像的随机森林模型（S4）可能是一个更实际的选择，尽管其精度略低。

此外，本研究的局限性在于仅针对开放林分中的针叶树种进行了评估，未来的研究应扩展至更复杂的森林环境，如密集林分或多层林分，以进一步验证这些方法的适用性。同时，随着深度学习技术的发展，探索其在复杂点云数据中的应用可能成为提升DBH估算精度的新方向。

总的来说，本研究为森林资源管理中的DBH估算提供了重要的理论和实践依据。通过比较不同方法的优缺点，研究团队不仅验证了多角度影像融合在提升DBH估算精度方面的潜力，还指出了基于垂直影像的所有ometric建模方法在实际应用中的可行性。这些成果有助于推动无人机技术在林业中的进一步发展，为森林监测和生态研究提供了更加高效和准确的工具。