《Remote Sensing of Environment》：Large-scale tree-level mapping of forest structure including species type with remote sensing data and ground measurements
编辑推荐：
【编辑推荐】本研究针对个体树冠检测（ITD）方法在森林结构制图中存在的树木漏检和误检问题，提出了一种结合重采样校正（ITD+R）的新框架。研究利用机载激光扫描（ALS）和光学数据，在芬兰南部的两个研究区进行了验证，成功实现了对树高、胸径、材积和物种类型的大规模单木级预测。该方法显著改善了传统ITD在树种组成和空间分布上的偏差，即使对于未在训练中使用的多样性指数也表现出良好的适应性，为森林生物多样性监测和精准林业管理提供了可靠的技术支持。
在森林资源监测领域，如何准确获取大范围的森林结构参数一直是个重要课题。传统的基于区域的估算方法（ABA）虽然能够有效预测林分水平的特征变量，但在捕捉森林结构多样性方面存在局限。而随着遥感技术的发展，特别是高密度机载激光扫描（ALS）数据的普及，个体树冠检测（ITD）方法为单木水平的森林制图提供了可能。然而，ITD方法自身存在明显缺陷——大约40%的树木（主要是林下层的亚优势木）无法被检测到，这导致对树木大小、物种和空间分布的估计产生偏差。
为了解决这一难题，芬兰自然资源研究所的J. Kostensalo团队在《Remote Sensing of Environment》上发表了最新研究成果。他们开发了一种名为"个体树冠检测与重采样"（ITD+R）的新方法，将ITD与重采样校正相结合，旨在同时校正树木的大小、物种和空间分布偏差。该方法使用可扩展的算法，能够生成类似于全林分实地调查的树图，为用户提供了极大的灵活性。
研究团队在芬兰南部的两个研究区（Mikkeli和Evo）进行了验证，这两个区域代表了典型的北方森林，主要树种包括欧洲赤松、挪威云杉和桦树。研究使用了ALS数据、光学影像数据以及地面测量数据，比较了局部最大值滤波（lmf）和深度学习（SegmentAnyTree）两种ITD算法，并将ITD+R的结果与传统的ABA方法进行了对比。
关键技术方法包括：基于ALS数据的单木检测与分割、树高和胸径预测模型、物种分类（使用随机森林算法）、误检和漏检树木数量的PLS预测模型，以及重采样过程（从地面测量的未检测树木中随机抽取样本进行补偿）。研究使用了10折交叉验证来评估模型性能。
4.2. Individual model performance
4.2.1. ITD performance
Local maximum filter
在Mikkeli地区，使用优化的lmf参数检测到了45.6%的树木，误检率为6.7%，F1值为0.60。在Evo地区，检测率为37.4%，误检率为14.5%，F1值为0.49。匹配的ITD树木与地面测量树木的高度差异在Mikkeli平均为-1.1米，在Evo平均为0.2米。
Deep learning
在Evo数据集上，SegmentAnyTree算法检测到了34.4%的树木，误检率为5.3%，F1值为0.49。高度差异平均为1.4米，位置差异平均为0.76米。
4.2.2. False detection, undetection, and stem density
Local maximum filter
在Mikkeli，误检数预测模型的R2CV为0.14，RMSEP为1.5棵树/样地；漏检数预测模型的R2CV为0.11，RMSEP为11.7棵树/样地。ITD+R对密度的预测R2CV为0.27，RMSEP为488株/公顷。
在Evo，误检数预测模型的R2CV为0.48，RMSEP为3.1棵树/样地；漏检数预测模型的R2CV为0.26，RMSEP为15.8棵树/样地。ITD+R对密度的预测R2CV为0.47，RMSEP为640株/公顷。
Deep learning
使用深度学习方法在Evo地区，误检数预测模型的R2CV为0.17，RMSEP为1.7棵树/样地；漏检数预测模型的R2CV为0.48，RMSEP为14.6棵树/样地。ITD+R对密度的预测R2CV为0.56，RMSEP为583株/公顷。
4.2.3. Height bias and DBH models
Local maximum filter
在Mikkeli，ITD树高系统性地偏低1.54米，DBH预测模型的R2CV为0.72，RMSEP为4.1厘米。在Evo，树高偏差从4米树的-0.68米到43米树的+1.32米不等，DBH预测模型的R2CV为0.80，RMSEP为4.4厘米。
Deep learning
在Evo使用深度学习方法，树高偏差从4米树的+0.80米到43米树的-2.10米不等，DBH预测模型的R2CV为0.82，RMSEP为4.2厘米。
4.2.4. Species type classification models for detected trees
Local maximum filter
在Mikkeli，物种分类的整体准确率（OA）为86.6%，其中松树和落叶树的分类准确率分别为89%和91%，云杉为80%。在Evo，OA为82.0%，松树分类准确率为87%，落叶树和云杉分别为84%和73%。
Deep learning
在Evo使用深度学习方法，物种分类的OA为74.6%，松树分类准确率为83%，落叶树和云杉分别为64%和83%。
4.3. Aggregated height, diameter, and volume distribution
Local maximum filter
在两个研究区，ITD+R方法成功重建了树木的高度、胸径和材积分布，而仅使用ITD的方法由于漏检了小树而导致分布有偏。ITD+R有效校正了物种组成的偏差，在Mikkeli将树种数量比例从ITD的38%/33%/29%校正到26%/45%/29%（松树/云杉/落叶树），更接近真实值25%/46%/28%。
Deep learning
在Evo使用深度学习方法，ITD+R也将树种数量比例从ITD的33%/41%/26%校正到25%/45%/30%，接近真实值23%/46%/30%。深度学习方法的一个显著优势是误检数量较少，降低了对校正的需求。
4.4. Plot-level results
Local maximum filter
样地水平的树图显示，ITD+R方法成功重建了树木的空间分布模式，弥补了ITD方法在检测小树方面的不足。虽然单个模拟树木的位置不一定与真实树木一一对应，但整体分布模式更加合理。在材积预测方面，ITD+R在Mikkeli的总材积RMSEP为73立方米/公顷，优于ITD的78立方米/公顷，但不如ABA方法的58立方米/公顷。
Deep learning
在Evo使用深度学习方法，ITD+R在总材积预测上的RMSEP为80立方米/公顷，显著优于ITD的105立方米/公顷。对于结构多样性指数，ITD+R在多数指标上表现优于或等于ITD方法，特别是在平均胸径2、胸径基尼系数和落叶树材积百分比等指标上。
4.5. Large-scale application
研究团队将ITD+R方法应用于整个研究区域，在Mikkeli地区绘制了1.101亿棵树，覆盖森林面积1839.4平方公里；在Evo地区绘制了1170万棵树，覆盖森林面积77.7平方公里。整个制图过程在普通笔记本电脑上仅需一天时间完成，证明了该方法的大规模应用可行性。生成的树图可以灵活计算各种结构多样性指数，如胸径标准差、香农指数等，为森林管理提供了丰富的信息。
研究结论与意义
本研究提出的ITD+R框架成功将物种信息纳入大规模单木水平森林制图，显著改善了传统ITD方法在树种组成和结构多样性估计上的偏差。该方法能够同时预测树高、胸径、材积、物种类型和位置信息，生成结构合理的树图。
研究结果表明，ITD+R方法在预测大多数森林结构指标方面优于单纯的ITD方法，特别是对于物种组成和空间分布。虽然在某些库存变量（如材积和密度）上，ABA方法仍然略优于ITD+R，但ITD+R提供了更大的灵活性，可以计算各种结构多样性指数，适用于不同形状的林分。
该方法的另一个重要优势是计算效率高，能够应用于国家尺度的森林制图。研究证明，即使使用常规笔记本电脑，也能在合理时间内完成数千平方公里的森林制图任务。
需要注意的是，ITD+R方法生成的树图虽然在整体统计特性上接近真实森林，但单个模拟树木的位置不一定与实际树木对应，因此不适合用于单木水平的经营决策。该方法的主要优势在于为林分水平的森林管理和生物多样性监测提供可靠数据。
未来的研究方向包括扩展更多树种识别、整合树木状态（活立木/枯立木）预测，以及在更高物种丰富度的森林中应用该方法。同时，作者呼吁在遥感勘测中收集包含精确树木位置的地面数据，以支持此类方法的进一步发展。
总之，ITD+R框架为大规模森林结构制图提供了强有力的工具，特别是在需要详细树种信息和结构多样性评估的应用场景中，具有重要的实践价值和研究意义。
