ALE-CS-NGMS：一种利用ULS和BLS点云提取单棵树木树干及树枝尺度结构参数的先进方法

《International Journal of Applied Earth Observation and Geoinformation》：ALE-CS-NGMS: An advanced approach for individual tree stem- and branch- scale structural parameters extraction using ULS and BLS point clouds

个体树细尺度结构参数提取及体积估算方法研究基于杨树人工林，提出融合自适应椭圆拟合（ALE）、冠层-树干分离（CS）和邻域图最小生成树（NGMS）的三阶段方法。通过BLS与ULS数据融合，创新性地构建了高精度冠层体积（RMSE=3.48 m3）和树干体积（RMSE<0.15 m3）估算模型，显著优于传统QSM方法。实验表明，ALE算法使胸径估计误差降低0.47 cm，CS模型实现冠层体积估算精度提升46.3%，NGMS通过三维邻域图优化树干路径提取，在12-35年不同林龄杨树林中均保持>95%的模型拟合优度（R2）。本研究为非破坏性森林资源监测提供了可靠技术路径。

　　
### 中文解读：基于多源LiDAR数据融合的杨树木干与冠层结构参数提取方法研究

#### 1. 研究背景与意义
随着LiDAR技术的快速发展，其在林业中的应用逐渐从宏观尺度（如林分蓄积量估算）向微观尺度（如个体树木结构参数解析）延伸。杨树作为我国重要的速生树种，其胸径（DBH）、树高、冠层体积及树干体积的精准提取对林业资源管理、遗传育种及生态研究具有重要意义。然而，传统地面测量方法效率低、破坏性强，且受限于天气条件；单一LiDAR数据源（如无人机激光扫描仪UAV-LiDAR或地面背包激光扫描仪BLS）在密集树冠下存在采样盲区，导致数据不完整或噪声干扰。本研究提出一种融合ALE（自适应最小二乘椭圆拟合）、CS（冠层-树干分离模型）和NGMS（邻域图最小生成树）的集成方法（ALE-CS-NGMS），旨在通过多源LiDAR数据融合与算法优化，实现个体树木细尺度结构参数的高精度提取。

#### 2. 核心方法与创新点
##### 2.1 数据采集与预处理
研究选取江苏东台林场6个不同年龄段（8-35年）的杨树林为试验区，采用三种LiDAR平台同步采集数据：
- **地面背包激光扫描仪（BLS）**：搭载高精度传感器，可垂直与水平扫描，点云密度达64万点/秒，适用于精细结构解析。
- **无人机激光扫描仪（ULS）**：覆盖范围广（50米高度，80%重叠率），适用于冠层整体形态获取。
- **固定式地面激光扫描仪（TLS）**：作为高精度参考数据源，点云分辨率达5毫米。

预处理流程包括：
1. **点云配准**：通过ICP算法将不同平台数据对齐。
2. **去噪与标准化**：利用局部离群因子（LOF）算法剔除噪声，基于地面点分类结果进行高度归一化。
3. **个体树分割**：采用DBSCAN密度聚类算法结合比较最短路径算法（CSP），识别并分离单株树木的点云。

##### 2.2 ALE方法与DBH提取
针对BLS数据中树干横截面点云分布不均的问题，提出**自适应最小二乘椭圆拟合算法**：
- **数据分层处理**：在1.2-1.4米高度范围内提取树干横截面点云，若几何偏差（MeanOffset）超过阈值（0.01米），则切换为椭圆拟合模式。
- **动态阈值调整**：根据点云密度和噪声水平自适应调整拟合半径，确保椭圆覆盖有效数据点，同时避免过度拟合。
- **等效圆形直径计算**：通过椭圆的长短轴计算等效直径（D_eq=2√(ab)），有效解决了树皮不规则导致的DBH误差问题。

实验表明，该方法将DBH的均方根误差（RMSE）降低至2.87厘米，相比传统圆形拟合方法提升约0.47厘米，尤其在树冠密集的12-27年林分中表现显著。

##### 2.3 CS模型与冠层体积估算
**冠层-树干分离模型（CS）**通过垂直方向点云分布特征实现冠层与树干的精准剥离：
1. **分层切片**：将点云按0.1米高度间隔切片，计算每层点云密度（k-NN最近邻距离均值）。
2. **动态密度阈值**：基于层内点云密度标准差（σ_d）设定阈值（d_th = d? + 2σ_d），剔除稀疏噪声点。
3. **冠层体积计算**：采用AlphaShape算法结合体素化方法，通过参数优化（TLS数据最优设置为体素尺寸0.3米、Alpha参数0.5），实现冠层体积的分层积分，RMSE分别为6.48 m3（BLS）和3.48 m3（BLS+ULS）。

##### 2.4 NGMS方法与树干体积建模
**邻域图最小生成树法（NGMS）**通过以下步骤实现树干体积的高效估算：
1. **拓扑网络构建**：基于点云空间邻域关系（半径0.15米），构建加权邻接矩阵。
2. **最小生成树（MST）提取**：去除冗余边后，沿树干轴线提取最短路径（Root-Top最短路径）。
3. **树干体积积分**：将路径分解为圆柱单元（半径r_i，高度h_i），通过Demaerschalk等体积模型（V=0.4562×D^1.7042×H^1.3273）计算总体积，RMSE控制在0.12-0.15 m3。

#### 3. 实验结果与对比分析
##### 3.1 个体树分割精度
- **BLS数据**：8年林分分割准确率（r%）达97.4%，但35年林分因冠层重叠导致误判率升高至3.1%。
- **BLS+ULS融合数据**：通过双视角点云互补，在20年林分中分割精度达100%，RMSE较单一BLS数据降低46.3%。

##### 3.2 DBH与树高估算对比
- **DBH精度**：BLS数据与TLS实测值平均偏差仅0.89厘米（RMSE=1.84 cm），BLS+ULS融合数据进一步优化至1.72 cm。
- **树高估算**：ULS数据因冠层穿透不足，树高普遍低估（平均误差2.8米），而BLS+ULS融合数据通过树干路径重建，误差缩小至0.6米。

##### 3.3 冠层与树干体积模型验证
- **冠层体积**：BLS+ULS数据通过AlphaShape算法（α=0.3）和体素法（0.2米）联合计算，R2=0.994，RMSE=3.48 m3，较单一BLS数据提升18.6%。
- **树干体积**：Demaerschalk模型（R2=0.941）在BLS数据中体积误差仅0.093 m3，优于QSM方法（RMSE=0.33 m3），且与TLS结果高度吻合（R2=0.984）。

##### 3.4 枝条倾角与年龄关系
- **倾角范围**：8-12年林分枝条倾角集中在60°-90°，17-35年林分扩展至60°-100°，表明树木随年龄增长枝条趋于直立。
- **年龄相关性**：20年林分平均倾角达82°，35年林分增至89°，符合杨树“青年平展、中老年直立”的生长规律。

#### 4. 技术优势与局限性
##### 4.1 创新性贡献
- **多源数据协同**：首次系统验证BLS（高密度）与ULS（广覆盖）数据融合对树干参数的影响，发现融合数据在树高方向误差补偿效果显著。
- **动态算法适配**：ALE方法通过自适应阈值切换（圆形拟合→椭圆拟合），解决树皮不规则和噪声干扰问题。
- **标准化建模流程**：提出参数优化（AlphaShape）与模型验证（Bland-Altman分析）的标准化流程，为同类研究提供范式。

##### 4.2 局限性分析
- **点云密度依赖**：BLS数据在低密度区域（如树冠边缘）难以精确重建树干直径。
- **年龄适用性**：现有模型在35年以上林分中表现出参数漂移（RMSE增加约20%）。
- **环境干扰**：雨雾天气可能影响BLS传感器性能，需增强抗干扰算法设计。

#### 5. 应用前景与改进方向
##### 5.1 实际应用场景
- **森林经理**：实时监测单株树木胸径变化，辅助择伐决策。
- **遗传育种**：通过冠层体积与枝条倾角参数筛选优质株型。
- **灾害评估**：结合树干倾斜角度与冠层体积快速评估风害风险。

##### 5.2 技术优化建议
1. **多尺度参数优化**：引入机器学习自动选择AlphaShape参数与体素尺寸。
2. **动态补偿算法**：针对树干腐烂或虫蛀导致的点云缺失，开发基于历史数据的形态补偿模型。
3. **跨物种泛化**：需验证现有模型对硬阔叶树种（如栎树）的适用性。

#### 6. 研究启示
本研究表明，**BLS+ULS数据融合**在以下场景具有显著优势：
- **树冠稀疏林分**（如8-12年杨树）：ULS补充冠层顶部信息，BLS细化树干结构。
- **高密度林分**（如17-35年杨树）：BLS垂直扫描与ULS广域覆盖协同消除遮挡。
- **复杂地形**：BLS的移动扫描可适应坡地作业，ULS通过多角度飞行补偿视野盲区。

未来研究可结合深度学习实现点云自动分割与参数回归，进一步降低人工标注成本。此外，探索LiDAR数据与冠层光谱遥感的融合应用，将提升参数反演的鲁棒性。

#### 7. 结论
本研究通过**ALE-CS-NGMS方法**实现了杨树木干与冠层结构参数的精准提取：
1. **DBH提取**：RMSE=2.87 cm，精度较传统方法提升16.7%。
2. **树干体积**：BLS数据通过Demaerschalk模型（R2=0.941）与TLS实测值误差<10%。
3. **冠层体积**：BLS+ULS融合数据（R2=0.994）在35年林分中体积估算误差仅3.48 m3。

该方法为大规模林分精细化管理提供了可扩展的技术框架，特别适用于高密度、快生长的杨树林分监测。