移动激光雷达技术在比利时哈瑟尔特市用于监测城市森林的应用

《Urban Forestry & Urban Greening》：Mobile LiDAR applications to monitor the urban forest in the city of Hasselt, Belgium

三维树木普查|激光雷达|城市林业管理|树高估算|树干直径估算|时间序列分析|亚洲 Hornets|生态服务评估

　　城市森林在提升人类健康和改善城市环境质量方面发挥着重要作用，是城市政策制定中的关键组成部分。然而，要准确评估这些生态服务并制定有效的城市森林管理方案，需要具备更新及时且详尽的三维树木清单。传统的树木调查通常依赖于实地访问和手动记录，这种方式不仅耗时费力，还容易受到观察者主观因素的影响。近年来，随着遥感技术的发展，尤其是近距离遥感的应用，为城市树木的测量和监测提供了更加高效和精确的手段。本研究通过使用移动激光雷达（LiDAR）系统，对比利时哈塞尔特市的R70街道上的树木进行了三维数据采集，并提出了一种个体树木检测算法，用于分析和追踪树木的特性变化。研究结果表明，该方法在检测个体树木方面具有较高的准确性，能够有效支持政策制定和城市林业管理。

本研究聚焦于哈塞尔特市R70街道上的所有树木，该街道形成一个环形布局，总长度约为2.5公里，共包含451棵树，其中约70.73%为悬铃木（Acer platanoides）。为了获取高密度的点云数据，研究团队在2024年3月和12月分别进行了两次数据采集，使用的是搭载在车辆上的YellowScan Surveyor Ultra（HESAI XT32M2X）设备，车辆行驶速度约为50公里/小时。LiDAR传感器每秒发射640,000次脉冲信号，覆盖360度的视野，能够生成非常密集的点云数据，每平方米平均包含约1789.92个点。这些数据为后续的个体树木检测和特征分析提供了基础。

在数据处理阶段，研究团队使用了YellowScan的CloudStation软件（版本2409.0.0）对原始点云数据进行了处理。随后，通过Applanix的POSPac MMS软件（版本8.9）对数据轨迹进行了后处理，包括基于传感器的杠杆臂和本地实时动态定位（RTK）网络FLEPOS的平滑最佳轨迹（SBET）计算。完成轨迹处理后，使用“Drive”方法对点云数据进行了条带校正，并利用最小对象高度（0.15米）和默认点云厚度（0.10米）对地面与非地面点进行了分类。处理后的点云数据以.las格式保存，并投影到UTM 31N坐标系统（EPSG:32631），随后在R软件（版本4.3.2）中进行进一步分析。

个体树木的检测基于Silva等（2016）提出的方法，首先对点云数据进行标准化处理，以消除高度差异带来的影响。接着，使用噪声分类算法（如统计异常点去除法）去除点云中的无关数据。在确定树木顶部位置时，采用局部最大值滤波（LMF）方法，并结合可变窗口大小（根据树木高度调整），以更精确地识别树木顶部。研究团队发现，这种方法在检测个体树木方面表现良好，共识别出464棵树，其中379棵为真实正例（TP），85棵为误检（FP），72棵未被正确检测（FN）。根据这些数据，计算出的召回率（Recall）为0.84，精确率（Precision）为0.82，F值（F-score）为0.83，显示出该算法在复杂城市环境中具有较高的检测能力。

针对每棵树，研究团队利用ITSMe包中的summary_basic_pointcloud_metrics函数计算了其高度（H）、胸径（DBH）、冠幅（PA）和冠体积（AV）等关键特征。结果表明，平均估计的树木高度为9.84米（标准差为2.68米），胸径为0.48米（标准差为0.74米），冠幅为14.87平方米（标准差为11.60平方米），冠体积为73.59立方米（标准差为98.42立方米）。为了验证算法的准确性，研究团队对47棵手动测量的树木进行了比较分析，发现树木高度的RMSE为0.96米（相对误差为10%），而胸径的RMSE为0.58米（相对误差为259.61%）。这些误差主要来源于点云分割过程中对街道基础设施的误判，如路灯、交通标志和停放车辆等。通过排除这些误分割的树木，胸径的RMSE显著降低至0.05米（相对误差为21%），而树木高度的误差则略有减少，为0.95米（相对误差为11%）。这说明，通过优化分割算法，可以显著提高胸径估计的准确性，但树木高度的误差仍然相对较大，需要进一步改进。

为了进一步评估该方法在时间序列分析中的应用，研究团队利用两次采集的点云数据（2024年3月和12月）进行对比分析，以监测树木管理活动的影响。例如，通过比较两次采集的数据，研究团队能够估算修剪活动所移除的枝叶体积，并发现一个亚洲 Hornets（亚洲 Hornets）的巢穴。在修剪前，该树的冠幅为75平方米，冠体积为479立方米，而在修剪后，冠幅减少了11%（至67平方米），冠体积减少了38%（至297立方米）。这表明，通过时间序列分析，可以有效追踪树木修剪的规模和效果。此外，通过对比两次采集的点云数据，研究团队还发现了亚洲 Hornets的巢穴，其特征包括圆形结构和较高的LiDAR强度值。这些发现不仅有助于评估树木修剪活动的合规性，还为城市管理者提供了监测和评估潜在生态威胁的工具。

在讨论部分，研究团队指出，虽然本研究提出的个体树木检测算法在城市环境中表现良好，但仍然面临一些挑战。例如，在高密度城市森林中，由于树木之间的相互遮挡和基础设施的干扰，点云分割的准确性受到影响。相比之下，在低密度森林或树木育苗地，个体树木的检测精度更高，通常可以达到0.88至0.99的F值。此外，本研究使用的算法来源于林业领域，针对的是长叶松等特定树种，因此在处理城市树木时可能需要进一步优化。为了提高检测精度，研究团队建议引入深度学习和多源数据融合的方法，以更好地应对城市环境中的复杂情况。

研究团队还强调，胸径的误差主要来源于点云分割过程中对街道基础设施的误判。例如，某些树木的冠幅范围内存在路灯或车辆，这会导致点云分割算法错误地将这些基础设施识别为树木的一部分，从而影响胸径的估计。因此，排除这些误分割的树木可以显著提高胸径估计的准确性。然而，由于街道布局的单向性和设计特点，部分树木的点云数据仅能覆盖半圆形，这使得胸径的估算存在一定的偏差。尽管算法能够通过拟合圆形来估算胸径，但这一过程仍然可能受到误差的影响。此外，树高测量也存在一定的不确定性，主要来源于激光测距仪的精度（生产商手册中注明的0.3米误差）以及点云分割过程中对树顶位置的误判。

研究团队指出，时间序列点云数据的应用为城市树木管理提供了新的视角。例如，通过比较不同时间点的点云数据，可以评估修剪活动对树木冠幅和冠体积的影响，从而判断是否符合相关管理标准。根据欧洲树木修剪标准，形成性修剪操作中，对年轻至半成熟树木的叶面积移除不应超过30%。如果修剪过于激烈，可能会对树木的生理状态造成损害。因此，通过时间序列分析，城市管理者可以更准确地评估修剪活动是否符合规定，并据此优化管理策略。此外，时间序列数据还可以用于早期检测亚洲 Hornets的巢穴，为城市生态安全提供预警机制。尽管这并非本研究的主要目标，但其探索性结果表明，近距离LiDAR遥感技术在城市生态监测中具有广阔的应用前景。

本研究的结果不仅为城市树木的检测和特征分析提供了可靠的数据支持，也为政策制定和城市规划提供了科学依据。通过整合三维树木清单，城市管理者可以更精确地评估树木的分布和生长状况，从而制定更加合理的城市绿化政策。此外，三维数据的使用还可以提高城市树木管理的效率，使政策执行更加透明和规范。未来，随着深度学习和多源数据融合技术的发展，个体树木检测的精度和效率有望进一步提升，为城市森林的可持续管理提供更强大的技术支持。