点云的时间聚合技术提升了森林地区滑坡的永久性激光扫描效果

《Science of Remote Sensing》：Temporal aggregation of point clouds improves permanent laser scanning of landslides in forested areas

通过时间聚合永久激光扫描（PLS）数据，研究提出了一种在林地中监测滑坡位移的方法。该方法利用虚拟PLS数据训练随机森林模型，结合邻域匹配比（NMR）实现树干跟踪，有效提高了树干检测率（最高达54.9%）和位移计算精度（3D平均误差0.30米）。实验表明，聚合3-9个扫描周期可使检测率提升5-6倍，但超过3个周期后性能趋于平稳。研究验证了时间聚合在复杂植被覆盖地形中提升滑坡监测能力的有效性。

　　本研究聚焦于长期监测滑坡时如何利用永久激光扫描（Permanent Laser Scanning, PLS）技术提升点云数据的分析效果，尤其是在森林覆盖区域。森林中的树木可能会遮挡地面点，从而限制了直接获取地表变化信息的精度和范围。通过将连续的点云数据进行时间聚合，可以有效改善树干的识别和跟踪能力，进而实现对滑坡位移的精确量化。研究采用了一种基于时间聚合的树干追踪方法，该方法能够克服PLS在长距离扫描中因点云稀疏而带来的识别困难。同时，该研究还引入了一种名为“邻域匹配比”（Neighbourhood Matching Ratio, NMR）的算法，用于识别和跟踪树干，并评估不同时间聚合级别（Level of Aggregation, LoA）对识别和匹配效果的影响。

在研究过程中，PLS数据集包括600次扫描，每次扫描间隔为3小时。研究地点位于奥地利蒂罗尔州的Obergurgl地区，位于高山斜坡上，部分区域被森林覆盖。该区域的滑坡活动较为活跃，位移速度可达每周0.4米，因此在进行监测时，需要考虑森林环境对点云数据的影响。为了验证时间聚合方法的有效性，研究团队创建了一个虚拟的PLS数据集，其中包含了不同扫描条件和参数设置下的点云序列，并在其中模拟了不同速度的树干位移。这些虚拟数据被用于训练和优化随机森林（Random Forest）分类器，以自动识别和提取树干。该方法不仅提高了树干识别的准确性，还增强了对滑坡位移的追踪能力。

通过分析不同LoA下的识别结果，研究发现时间聚合对树干的识别和匹配具有显著的提升效果。例如，在LoA A9（即聚合9个扫描数据）的情况下，树干识别的数量比未进行时间聚合的A1提高了5-6倍。同时，树干匹配的数量也增加了5倍。然而，随着LoA的增加，识别效果的增长趋于平缓，说明在LoA达到一定数值后，时间聚合带来的改进有限。此外，研究还发现，在LoA A3时，树干识别和匹配的效果达到最佳平衡，既提高了识别率，又避免了过多的时间模糊效应。

时间聚合的优势在于它能够利用扫描过程中因树木动态变化和扫描条件波动而产生的不同点云表示，从而弥补单个扫描中因遮挡而造成的信息缺失。树木的动态变化，如风吹动枝叶，使得同一棵树在不同时间点的点云表示有所不同。而扫描条件的变化，如大气折射和设备稳定性，也会导致点云表示的差异。因此，通过时间聚合，可以将这些变化整合起来，形成更完整的树干表示。这种方法特别适用于长距离扫描，因为在这样的情况下，单个扫描的点云信息往往过于稀疏，难以准确识别树干。

在方法的实施过程中，研究团队使用了虚拟永久激光扫描（Virtual Permanent Laser Scanning, VPLS）技术来创建一个与真实场景相似的虚拟数据集。该数据集包含了具有已知位移信息的点云序列，为训练和验证算法提供了可靠的基准。通过VPLS生成的数据，团队能够分析不同LoA和NMR阈值对树干识别和匹配的影响。研究发现，当NMR阈值设置为0.6时，匹配的可靠性最高，大多数匹配对的得分均高于该阈值，从而减少了错误匹配的可能性。此外，LoA的增加提高了匹配的数量，但同时也可能引入一定的时间模糊误差。因此，需要在识别精度和时间模糊之间找到最佳的平衡点。

在实际数据的分析中，团队发现时间聚合能够显著提高树干的识别率和匹配率，尤其是在长距离扫描的情况下。通过将多个扫描数据合并，可以更全面地捕捉树干的几何特征，从而提高位移计算的准确性。然而，在计算位移时，研究发现时间聚合在2D位移计算中可能增加平均位移误差，而在3D位移计算中则表现出更优的性能。这一现象可能与3D空间中的误差累积有关，因此需要进一步研究如何优化时间聚合对位移计算的影响。

研究还指出，时间聚合在森林环境中的应用具有广泛的意义。除了滑坡监测，这种方法也可以用于其他需要分析植被覆盖区域变化的场景，如林业管理、生态变化监测等。通过时间聚合，可以将原本因遮挡而无法识别的树干信息整合起来，从而提高点云数据的完整性和分析精度。然而，时间聚合并非万能，它可能会引入误差，尤其是在数据中存在异常点的情况下。因此，在应用时间聚合时，需要合理设置阈值，以确保识别结果的可靠性。

研究的另一个重要发现是，时间聚合对不同类型的森林环境都具有一定的适用性。无论是稀疏的森林还是密集的森林，时间聚合都能显著提高树干的识别率。然而，这种方法的效果会受到森林结构、扫描频率和位移速度等因素的影响。因此，在实际应用中，需要根据具体的场景条件选择合适的时间聚合级别，以确保在不牺牲时间分辨率的前提下，尽可能提高识别和匹配的准确性。

此外，研究还探讨了时间聚合对其他分析步骤的影响。例如，在进行树干匹配时，更高的LoA可以提高匹配的数量，但同时也可能增加时间模糊的风险。因此，研究建议在进行时间聚合时，应优先考虑匹配的可靠性，而不是单纯追求识别数量。通过合理设置NMR阈值，可以有效减少错误匹配的可能性，同时确保匹配结果的准确性。

总的来说，时间聚合作为一种增强点云表示的方法，为长期、连续的激光扫描监测提供了新的可能性。特别是在森林覆盖的复杂地形中，这种方法能够显著提高滑坡位移的监测能力，使得原本难以识别的树干信息得以提取和追踪。然而，时间聚合的应用仍需谨慎，需要在识别精度和时间模糊之间找到最佳的平衡点。未来的研究可以进一步探索时间聚合在不同应用场景中的适应性，以及如何通过自适应聚合策略提高效率和准确性。