评估森林结构复杂性：低空机载与地面激光扫描技术的对比研究与生态意义

本综述系统评估了低空机载激光扫描（ALS）与地面激光扫描（TLS）在量化森林结构复杂性中的性能差异。研究通过对象级（如树高、冠幅变异）与网格级（如冠层高度模型CHM、体素占有率）分析，揭示了ALS在垂直结构、TLS在体积复杂性表征中的优势，为森林生态系统监测提供了多尺度、高精度的技术方案。

　　

引言

全球生态系统正面临日益加剧的人为压力，迫切需要先进工具来减轻影响并可持续管理资源。结构复杂性（Structural complexity）被定义为植被在大小、形状和空间排列上的变异，已被证明是生态系统生产力、生物多样性和栖息地可用性的强预测指标。与物种多样性（衡量潜在生态位空间）不同，结构复杂性反映了已实现的生态位占用——通过描述植被如何利用光、水和空间，更直接地提供关于森林健康和适应能力的可靠见解。

传统野外测量方法（如McElhinny等人2005年所描述）可用于评估森林结构复杂性，但基于激光探测与测距（LiDAR）的方法（如激光扫描）具有显著优势，包括更高的时间和成本效率、捕获精细尺度结构细节的能力，以及量化传统方法难以测量的低植被层的能力。LiDAR为基础的结构复杂性评估也为大规模生物多样性绘图提供了途径，因为结构复杂性对生物多样性特征有显著影响，因此结构复杂性指标可作为更广泛生态过程的代理。

然而，森林结构复杂性的量化需要准确评估林分的垂直、水平和三维（体积）特征。这些维度表征了植被结构的丰度，代表了光合作用的领域，因此与林分的生态功能和产量密切相关。与常规森林 inventory 不同，激光扫描能够量化森林环境中不同植被层（即低植被、单木和树群）的结构复杂性（垂直、水平和体积）。

材料与方法

实验设计

实验在芬兰埃沃（Evo）的研究基地进行（61°11'48.87'’N, 25°6'27.9'’E），该地属于南 boreal forests，以欧洲赤松（Pinus sylvestris L.）和挪威云杉（Picea abies (L.) H. Karst）为主。总共使用了99个固定大小的圆形样地，半径为20米。样地最初建立是为了覆盖研究基地内不同森林结构的变化。在每个样地中，使用直升机载ALS在80米高度扫描，以及从每个样地的九个扫描位置获取TLS数据。

激光扫描点云数据采集

TLS活动于2021年4月至5月进行。每个样地从多个位置扫描：样地中心一次扫描，周围分布八个辅助扫描。使用Leica RTC360 3D飞行时间扫描仪，其波长为1550 nm，光束发散度为0.5 mrad，出口处光束直径（1/e2）为6 nm。每次扫描产生点云，垂直视场300°，水平视场360°，角分辨率为0.034°，在10米距离处点间距为3 mm。所有扫描使用附着在树上的参考目标（球体，半径198 mm，每个样地约五到六个）在Leica Cyclone Register360软件中进行配准和合并。平均点云密度约为28,000点/平方米。

直升机载ALS数据集（即heli-ALS）于2021年6月22日从直升机上收集。每个样地从离地80米高度、以50公里/小时飞行速度扫描。扫描系统由三个Riegl扫描仪组成：VUX-1HA、MiniVUX-3UAV和VQ-840-G。点云轨迹使用Wypoint Inertial Explorer（NovAtel Inc., Canada）软件计算，位置使用差分校正基站进行后处理。点云在RiProcess（Riegl Laser Measurement Systems GmbH, Austria）中注册，达到整体点云密度1,800点/平方米，显著高于常规ALS点云数据（即0.5–30点/平方米）。

点云数据预处理

获取的点云数据（包括heli-ALS和TLS）的初始预处理包括以下步骤：首先，在样地周围应用5米缓冲区，以确保所有相关树木（包括靠近样地边界的树木）得到充分表征。Heli-ALS和TLS点云根据缓冲（20米 + 5米）边界进行裁剪，以划定进一步处理的感兴趣区域。为了从点云中去除地形，使用LAStools软件（rapidlasso GmbH, Gilching, Germany）中的lasground工具执行标准高度归一化程序。然后，从heli-ALS和TLS创建分辨率为0.5米的CHM。选择0.5米分辨率是因为在同一研究基地的研究中常用，在引入噪声妨碍树木检测的过细分辨率和导致树木合并及检测率较低的过粗分辨率之间提供了平衡。

基于创建的CHM和采用可变窗口大小（w）的局部最大值滤波的标记控制分水岭分割算法执行单木检测（ITD）。为了根据识别的冠层段分配点云分类，应用Dalponte2016算法执行单木分割（ITS），利用CHM和识别的树木位置作为输入。

树木的识别树顶位于20米半径样地内且冠层边界在扩展样地（r = 25米）内的被考虑进行进一步分析。对于基于对象的方法，这些检测到的树木的冠层存在定义了样地的实际边界。为了评估网格级结构复杂性指标，每个研究样地被分成六个等大小的扇区，从而能够量化垂直、水平和体积复杂性指标的样地内变异性，并为每个样地计算可比较的变异系数（CV）。

使用TLS和ALS点云评估结构复杂性的方法

为了比较heli-ALS和TLS点云数据在森林结构复杂性表征中的能力，计算了表征水平、垂直和体积复杂性的指标，使用网格级和对象级方法。网格级方法意味着分析填充体素分布的变异性和评估CHM特性，而对象级方法意味着分析单木特性的变异性。为所有结构复杂性指标计算了样地水平的CV估计值。

水平复杂性评估

对象级水平结构复杂性估计为获得的ITS衍生的单木冠面积（视为水平树木特性）在样地内的CV。网格级水平结构复杂性使用每个研究样地六个扇区平均冠层覆盖度的CV来估计。冠层覆盖度估计为高于3米（视为代表冠层覆盖）的CHM像素数与扇区内CHM像素总数（包括冠层间隙）的比率。

垂直复杂性评估

对象级垂直结构复杂性通过计算每个研究样地中识别树木高度的CV来估计。树木高度估计（视为垂直树木特性）基于ITS计算每个树木段中最高点和最低点之间的高度差。网格级垂直结构复杂性估计计算为每个研究样地建立的六个扇区中平均CHM值的CV。

体积复杂性估计

对象级体积复杂性使用单独分割的树木点云及其盒维数值进行估计。盒维数是基于包含点云所需的体素数量和大小来衡量对象结构复杂性的指标。使用R软件（版本4.1.1）包VoxR估计盒维数，作为拟合到图的直线斜率，其中y轴显示体素数量（N）的自然对数，x轴显示体素大小倒数（1/r）的自然对数。较高的盒维数意味着结构更复杂。最后，计算每个研究样地盒维数的CV。

网格级体积复杂性估计为填充体素比例。为了解决TLS和heli-ALS扫描几何之间的差异，分析了点云子集，其中两种技术被认为传递了相当相似的重建。该子集包括移除低于一米和高于林分最大高度80%的点。低于一米的点代表地形和地面植被的返回，可能与heli-ALS相比，TLS会过度采样。同样，高于林分最大高度80%的点代表树冠顶部，假定与TLS相比，ALS会过度采样。因此，将调查高度范围集中在一米以上和80%林分高度以下，考虑到TLS和heli-ALS之间测量几何的差异，被认为是公平的。子采样点云进一步转换为20厘米体素，因为相同的体素大小以前也被使用过。移除空体素并保留占用体素——每个体素至少包含一个激光返回。然后计算植被占有率为被植被占用的体素体积与对应于样地半径的圆柱体体积的比率，圆柱体高度对应于从1米到80%样地高度的调查高度间隔。最后，计算每个样地六个扇区内植被占有率的CV。

评估结构复杂性估计之间差异的统计分析

为了评估H1和H2的有效性，应用F统计检验TLS-based复杂性指标与其heli-ALS-based对应项之间的方差是否以95%置信度（p值 < 0.05）相互偏离。类似地，评估了对象级指标与其网格级对应项之间的方差是否相互偏离（H3）。

为了验证H4，量化了使用heli-ALS和TLS推导的结构复杂性指标之间的一致性水平。为此，使用决定系数（R2）评估获得的复杂性指标之间线性关系的强度。此外，评估了基于获得的结构复杂性度量的林分复杂性排名在使用的指标和数据源之间的相似程度。样本样地根据每个指标（垂直、水平、体积）按降序排列，这些排名在heli-ALS和TLS之间以及对象级和网格级之间使用Spearman等级相关系数作为统计依赖性的非参数度量进行比较。

结果

结构复杂性指标范围比较

我们的调查显示，当使用相同的分析方法（对象级或网格级方法）推导指标时，TLS和heli-ALS在调查的样地中捕获了相当相似的结构复杂性变异性范围。唯一统计显著（p > 0.05）的平台内差异出现在当基于对象的方法用于体积复杂性评估时，其中TLS捕获了更大的范围（0.142 vs. 0.105）与heli-ALS相比。

对于heli-ALS水平指标，冠面积CV（对象级：最小0.356，最大0.883，范围0.526）表现出比冠层覆盖CV（网格级：最小0.00355，最大0.402，范围0.399）更大的变异性。TLS显示出类似的模式，冠面积CV（对象级：最小0.403，最大0.928，范围0.525）超过冠层覆盖CV（网格级：最小0，最大0.367，范围0.367）。

垂直指标遵循相同的趋势。Heli-ALS冠高度CV（对象级：最小0.0946，最大0.701，范围0.606）比CHM的CV（网格级：最小0.0280，最大0.410，范围0.382）更可变。TLS冠高度CV（对象级：最小0.103，最大0.611，范围0.508）也超过CHM CV（网格级：最小0.0240，最大0.452，范围0.428）。

体积指标略有偏差。对于heli-ALS，盒维数CV（对象级：最小0.09，最大0.195，中位数0.105，范围0.105）显示出比填充体素比例CV（网格级：最小0.370，最大0.958，中位数0.588，范围0.588）更小的变异性。TLS结果一致，盒维数CV（对象级：最小0.135，最大0.277，中位数0.142，范围0.142）比填充体素比例CV（网格级：最小0.201，最大0.696，中位数0.495，范围0.495）更不可变。

基于对象的方法似乎在水平和垂直维度上捕获了统计显著更大（p > 0.05）的范围，而网格级方法在体积复杂性方面产生了统计显著更大的范围，无论使用的观测技术如何。

结构复杂性指标相关性和一致性比较

heli-ALS和TLS之间用于结构复杂性评估的最高关联记录在对象级水平结构复杂性指标——冠高度（R2 = 0.664）和网格级垂直指标——冠层覆盖（R2 = 0.583）之间。数据采集方法之间体积复杂性指标的比较显示了网格级和对象级指标的最低相关值，分别为0.395和0.036。从heli-ALS和TLS推导的指标之间的最高等级一致性记录在对象级水平结构复杂性（冠高度0.795）和网格级垂直复杂性，其中冠高度变异性和冠层覆盖变异性分别表现出Spearman等级系数0.80和0.78。

讨论

激光扫描已被采用作为表征森林结构细节的最重要技术，因此成为评估林分垂直、水平和体积复杂性的引人入胜的观测方法。能够表征所需细节水平的点云可以从各种平台捕获，导致不同的数据采集几何形状，影响它们表征森林结构的能力。在本研究中，我们旨在调查森林林分的结构复杂性是否可以在其不同维度（即水平、垂直、体积）上使用不同的激光扫描方法一致地表征。因此，我们通过分析单木特性（即基于对象的方法）或冠层特性（即网格级方法）的变异性来比较结构复杂性评估，使用从森林上方用直升机载heli-ALS捕获的点云数据或在冠层内部使用TLS。我们评估了它们在捕获样地间结构复杂性度量范围的能力，并比较了当使用不同分析方法和数据采集方法推导时获得的指标的一致性程度。捕获更广泛的变异性范围，可能更容易区分森林林分并识别，例如生物多样性热点。类似地，TLS和heli-ALS之间更大的一致性将表明所提出方法在激光扫描方法间的适用性潜力，促进其操作使用。

结构复杂性指标范围比较

我们假设heli-ALS可以表征垂直结构复杂性的更大范围，因为它从冠层上方表征树木，允许更全面地重建冠层顶部，从而导致更准确的树木高度估计。结论是，这种冠层上方测量几何形状是估计树木高度最合适的遥感技术，甚至可能优于基于测斜仪的野外测量，尤其是当林分结构复杂时。本研究获得的结果部分批准了H1，因为heli-ALS确实使用涉及分析样地内单木高度变异性的对象级方法捕获了垂直复杂性的更广范围。同时，网格级方法显示了相反的情况，可能由于TLS因其冠层下扫描几何形状提供了更详细的重建，与heli-ALS相比，从树冠底部部分的遮挡更少。然而，进行的F检验没有提供捕获范围差异的统计证据，暗示观测技术之间垂直复杂性度量的观测范围相似。

我们还假设TLS能够表征水平结构复杂性的更大范围，因为相关分析基于冠面积和冠层覆盖变异性。这些指标预计通过冠层下激光扫描（如TLS）更可靠地估计。TLS点采集几何形状允许获得关于水平冠尺寸的更多信息，假定产生更详细的水平结构复杂性估计。发现与H2矛盾，因为捕获的范围几乎相等，因此TLS和heli-ALS之间不显著（p > 0.05）。这可能是由我们heli-ALS点云的高细节解释，它似乎传递了与TLS一样 sufficient 的数据源，用于捕获冠面积或冠层覆盖的变异性。应用的指标降低了森林表征所需的细节水平，因此TLS的更高几何精度没有得到充分利用，导致两种扫描方法之间的度量结果相似。

应该在这里注意到，作为冠面积的替代，本来可以用两种方法直接测量树木的胸径。这里使用的heli-ALS数据已被证明甚至可用于胸径曲线估计。然而，我们希望保持分析方法尽可能简单，并适用于不同的地面和航空点云。使用两种方法——基于胸径或冠面积的变异性考虑水平复杂性—— undersampling 的问题可能发生。这意味着由于不完整的点云表征，无法测量森林中所有存在的树木的胸径或冠面积。Undersampling 发生是因为植被阻挡激光返回，导致错过检测较小或被压制的树木。

在本研究中，体积结构复杂性评估基于分析单木的建筑复杂性如何在样地内变化（对象级）以及可用空间被植被结构占据的比例（网格级）。由于其比heli-ALS更详细的点云重建能力，我们假设TLS可以捕获这些度量的更大范围。当使用对象级方法时，设置的假设得到确认，其中TLS捕获了样地间树木盒维数变异性的显著更广范围（p < 0.05），而网格级方法导致无论使用的点云数据如何，捕获的范围相似。这些发现可能由不同的数据采集几何形状和因此不同的点云重建策略解释。随着更多细节重建，TLS有潜力表征更复杂的树木建筑，可能也捕获派生对象级度量（盒维数）的更大变异。而在网格级方法中，将调查的点云子集在离地1米以上和最大高度80%以下旨在促进TLS和heli-ALS之间的比较，在这方面它似乎成功了。如果没有这种子集，植被占有率比较会产生不同的结果，因为两种激光扫描技术都有其优点和缺点，尤其是在具有封闭冠层条件的更密集森林中。

除了比较激光扫描方法，我们还分析了分析方法之间结构复杂性评估的潜在差异。根据我们的发现，对象级方法可以捕获水平和垂直森林结构变异的更广范围，而网格级方法似乎为体积复杂性评估提供了更多见解。关于水平和垂直维度，结果如假设（H3）。对象级结构复杂性指标可能能够检测更小和被遮挡的树木，因此能够捕获比基于CHM的网格级指标更大的复杂性范围。在网格级方法中，样地被分成六个60度扇区，用于计算每个调查度量的CV。该方法旨在平衡样地大小、空间分辨率和评估样地内结构变异性的能力。使用更大的扇区比例会降低对样地间度量变异性的敏感性。对于其他森林类型，必须修订扇区大小和比例以改进度量变异性评估。

对于体积维度，网格级方法捕获更广变异性范围的能力可能由它旨在表征结构复杂性的不同原则解释，与对象级方法相比。虽然对象级方法用于体积复杂性评估描述了单木的建筑变异性，但网格级方法描述了植被占有率的变异性，假定更高程度的占有率表明更复杂的林分。似乎单木的建筑变异幅度小于植被占有率的变异幅度，可能解释了与H3矛盾的发现。考虑到方法的适用性，当有详细点云数据可用时，对象级方法可能更合适使用，因为它基于单木检测，这是一个非常点云密度依赖的过程。网格级方法可能更适用于更低密度数据集，更好地可用于更大区域，妥协森林描述潜力以进行分析可扩展性。发现还可能表明，如果希望获得更复杂和较不复杂森林林分之间更 distinct 的差异，应该优先考虑对象级方法 over 网格级方法。

考虑到垂直、水平和体积森林结构复杂性指标，应该记住它们是相互关联的，因为它们由立地条件、 underlying 生态过程和造林操作塑造，这些决定了整个森林生态系统的资源可用性和分布。垂直复杂性描述了森林分层和光可用性，与森林水平结构复杂性密切相互作用，由于 allometric 关系——水平维度大的树木往往也具有大的垂直维度，使各自的变异相互关联。体积复杂性考虑水平和垂直维度，代表森林内植被结构的三维排列，反映了生长和竞争的整体 effects。

结构复杂性指标相关性和一致性比较

先前的研究显示了heli-ALS和TLS提供关于森林结构的详细信息的能力，因此我们假定从相应点云数据推导的结构复杂性度量可能存在强一致性（H4）。我们的结果显示决定系数（R2）范围从0.46到0.66对于水平和垂直结构复杂性指标，但对象级体积和网格级体积指标的R2分别为0.04和0.40。Spearman等级系数显示出类似趋势。这些发现表明TLS和heli-ALS在表征森林林分二维复杂性方面的相似能力，这在本研究中 intentionally 基于 such 特性，预计从两个数据集都相当 well 可获得。先前的研究表明了TLS和移动激光扫描之间的类似平台内相关性，两者都使用类似的、从森林冠层内部自下而上的测量几何形状获得。在这方面，我们的发现可以被认为是鼓励的，在这个意义上，它们表明heli-ALS可以提供结构复杂性的观测，至少从其垂直或水平组件，以某种方式与使用TLS获得的那些相当，从而通过其增强的操作应用可行性为结构复杂性评估提供附加价值。

然而，heli-ALS和TLS之间点云特性的差异仍然是明显的，并且在获得的度量的关联中看到了 consequent 差异。计算样地内单木盒维数和植被占有率的变异性似乎更依赖于TLS和heli-ALS之间不同的测量几何形状。因此，heli-ALS-derived 和TLS-derived 盒维数变异性之间相对弱关联可能是由于不同的数据采集方法——heli-ALS的自上而下与TLS的自下而上——和几何精度以及 consequently 捕获的建筑细节。在植被占有率分析的情况下，将点云子集在1米和80%高度之间并使用20厘米体素化并没有完全成功标准化数据以在激光扫描方法之间进行对齐观测，最可能由于不同的数据采集几何形状。相反，TLS测量受到它们穿透密集冠层并到达上部枝条的能力的限制，从而简化盒维数建筑。

方法考虑和潜在进展

Heli-ALS代表TLS数据的一种成本效益替代方案，用于捕获森林结构特性的详细重建，数据采集活动每公顷大约需要一小时，而TLS每公顷需要3-7天。然而，应该记住，获取的点云质量直接影响树木识别、分割和表征准确性，这对于本研究中使用的对象级估计是基础的。测量几何形状和相关细节以外的因素，如测距和定位错误，可能影响了获得的发现。应该注意到，TLS在4月下旬至5月下旬收集，而heli-ALS数据采集在6月中旬进行，意味着叶落和叶茂条件的混合。尽管研究基地以针叶树为主，但也有一些落叶树主导的样地 involved，这些可能在TLS活动期间由于 absence 叶子和在heli-ALS数据采集期间它们的 presence 受到影响。虽然我们旨在使用应该对物候条件变化相当不变的指标，但它可能通过使TLS-based 和heli-ALS-based 观测相互偏离比它们与更同步数据采集更多而影响了结果。已知叶子的存在影响激光脉冲穿透能力，因此影响冠层覆盖和森林间隙估计。对于阔叶树的冠面积和盒维数估计，这可能影响了。尽管网格级分析以0.2米（体素占有率）和0.5米（CHM）的分辨率进行，但物候在TLS和heli-ALS之间观测差异中的影响不能完全被忽视。

实验表明，当目的是使用不同观测技术获得可比较的森林结构复杂性观测时，必须选择适当的指标，考虑使用的数据特性和分析方法。例如，在密集、多层森林中检测单木通常具有挑战性，使基于网格的方法成为基于对象的方法的可行替代方案，否则会产生更合理的观测。当使用更低分辨率数据时，同样适用。我们承认点云-based 和 raster-based 方法从数据结构角度是不同的。本研究中使用的点云数据，特别是TLS，促进了更复杂的方法来评估森林结构复杂性，并将如此详细的点云数据转换为 raster-based 格式，如网格级方法中所应用，导致一些数据描述潜力的损失。然而，本研究的目的是定义和计算垂直、水平和体积结构复杂性指标，并理解它们由对象和网格级分析方法引入的变异性。一个真正的挑战是因此找到一组合适的指标，这些指标充分简化树木和树群的详细点云重建，以启用平台间比较，而不丢失最终区分更复杂林分与较不复杂林分所必需的细节。表明，即使具有 otherwise 可比较的数据采集几何形状，来自TLS和移动激光扫描的结构复杂性指标并没有完美相互对齐。在本研究中，使用地面和航空数据集甚至扩展了这一挑战。仍然，这里获得的发现突出了heli-ALS作为TLS替代方案用于获得树群详细表征以评估其结构复杂性的前景。

总体而言，我们的发现提供了关于heli-ALS用于估计结构复杂性的预期能力的见解，并促进了与TLS的比较。这项研究可以继续理解结构复杂性如何随时间发展。结构复杂性指标分析结果可用于扩大基于ALS的国家水平森林结构复杂性绘图和热点建模。先前的研究证明了ALS和TLS融合对于结构参数估计的重要性。Heli-ALS和TLS数据的集成可能为更准确的结构复杂性建模、直接树木测量和顶部枝条检测提供优势，但这需要额外资源来收集如此数据集 over 大区域并用于操作使用。使用的点云数据类型和采用的分析方法的影响似乎对结构复杂性估计有影响，在计划时间序列数据采集和相关分析时应记住这一点。结构复杂性指标外推到更大区域 over 不同森林类型可能使用更时间和成本效益的、基于飞机的更低密度ALS（例如0.5点/平方米）可行。然而，这种方法需要进一步调查，因为降低的点密度可能限制 understory 植被的准确表征。为了更广泛的适用性，选择对点云密度和扫描几何形状变化更稳健的指标很重要，例如冠层间隙分数和冠层熵。我们的发现强调，与网格级方法相比，对象级LiDAR评估为结构复杂性估计提供了高空间细节和多功能性。这项研究还表明，当ALS点云足够详细时，直升机载ALS和TLS扫描方法不会产生统计显著差异的结构复杂性指标，表明方法选择可以由研究目标和资源约束驱动。然而，我们注意到，TLS目前在自然保护应用中提供优势，因为其高点密度和地面水平视角捕获 fine-scale 结构细节——例如 understory 复杂性和微生境——这些对于栖息地评估至关重要。相比之下，详细的ALS采集可能对大规模商业木材 inventory 更具成本效益，尤其是当 fine 样地水平细节不是必需的。

结论

本研究的结果强调，识别单木（对象级）和量化其特性的变异性可以捕获森林结构复杂性的更广范围变异，因此这些方法在结构复杂性评估中应被优先考虑。然而，体积结构估计范围对于网格级估计（填充体素比例）使用heli-ALS和TLS都比对象级估计（盒维数）更大。Heli-ALS和TLS在结构估计范围上没有产生统计显著差异（p < 0.05），除了盒维数。因此，在评估二维结构复杂性时，heli-ALS似乎传递了与TLS一样 sufficient 的观测。垂直和水平二维对象和网格级结构复杂性指标在heli-ALS和TLS数据之间具有更强的一致性，与体积估计相比。这项研究提供了 practical 见解，即heli-ALS是景观水平森林结构复杂性评估的合适数据采集方法，但TLS在密集结构复杂森林中的详细体积树木水平分析中仍然优越。研究强调了结构复杂性评估数据收集和处理方法，这些需要考虑和优化，以在森林保护和管理中成功决策。