基于LiDAR-相机融合移动测绘系统的街道单木碳储量动态监测与生长评估

推荐：为解决城市街道树木碳储量监测难题，研究人员开发了基于LiDAR-相机融合的移动测绘系统(MMS)，通过深度学习模型YOLOv3进行树种识别，结合点云拟合技术测量胸径(DBH)和树高(H)，实现了34,124棵街道树木的碳储量制图（总储量6.18 GgC），年生长量中位数达27.1 kgC yr-1，为城市碳管理提供了可扩展的技术框架。

　　

随着全球城市化进程加速，城市树木作为重要的碳汇却长期缺乏精准监测手段。传统调查方法面临两大困境：一是街道树木呈线性分布的特性使得群落水平的监测方法失效，二是重复调查需要耗费大量人力。尤其当需要监测碳储量变化时，现有空间遥感技术如星载LiDAR因分辨率不足难以识别单木，而机载LiDAR成本过高。这种监测空白直接影响了城市碳汇功能的量化评估，也阻碍了基于数据的城市绿化管理决策。

针对这一挑战，首尔国立大学的研究团队创新性地开发了基于LiDAR-相机融合的移动测绘系统(MMS)。该系统搭载Velodyne VLP-32C激光雷达和FLIR Blackfly RGB相机，通过车载平台实现街道环境的快速扫描。研究提出两级检测框架：首先利用U-Net模型进行图像语义分割初步识别树木区域，再通过DBSCAN聚类和随机森林(RF)分类器实现点云层面的单木分割。在碳储量估算环节，结合YOLOv3树种识别结果和胸径(DBH)测量数据，应用12个树种的异速生长方程，最终构建了覆盖韩国水原市12,100公顷区域的街道树木碳储量地图。

关键技术方法包括：1) 多传感器时空配准技术实现LiDAR与相机数据融合；2) 基于伪平面滤波的树干定位方法解决复杂街景中的单木分割；3) 多截面圆拟合结合树高约束的DBH估计算法；4) 数字表面模型(DSM)与数字高程模型(DEM)差分计算树高；5) 蒙特卡洛模拟量化碳储量估算不确定性。研究验证使用33,658棵人工标注树木和344棵实地测量样本。

研究结果方面：

1. 单木检测性能：在324.1 km扫描数据中达到F1-score 81.9%，精度86.3%，召回率78.5%。与航拍方法相比，MMS检测到更多被阴影遮挡的树木，使碳储量估算增加40.2%。

2. 结构参数估算：DBH估算均方根误差(RMSE)为3.2 cm(11.4%)，树高(H)误差1.8 m(18.3%)。通过树高约束的异速方程有效消除了胸径估计的极端异常值。

3. 碳储量动态：重复扫描显示优势树种Zelkova serrata胸径年增长中位数达1.4 cm yr^-1，碳储量年增量27.1 kgC yr^-1，显著高于欧洲城市的9.7-30.7 kgC yr^-1范围。

4. 系统优势：相比传统方法，MMS实现了单木水平的可重复监测，且不受叶片物候期影响。城市尺度碳储量估算不确定性仅±0.4%，但单木水平仍存在±42.6%的波动。

这项发表在《Remote Sensing of Environment》的研究，首次实现了城市尺度街道树木碳储量的移动平台动态监测。其创新价值体现在三方面：首先，LiDAR-相机融合策略克服了单一传感器局限，使物种识别精度(66.9%)与结构参数测量得以兼顾；其次，图像引导的点云处理方法大幅降低了传统点云标注的工作量；最重要的是，建立的6.18 GgC基线数据集为城市碳中和评估提供了量化工具。研究揭示的水原市街道树木异常高生长率现象，也为后续研究城市环境对树木生长的影响机制提供了重要线索。随着传感器性能提升，该方法有望成为智慧城市生态监测的标准技术，推动基于实证的城市森林管理决策。