《Forests》：Adaptive ROI-Based Tree Health Assessment Using UAV Multispectral and LiDAR Data
编辑推荐：
准确的单木健康评估对于有效的森林监测至关重要，尤其是在复杂林分中，相邻树冠会引入阴影效应和光谱混合。本研究提出了一种自适应感兴趣区域（Region of Interest, ROI）方法，该方法根据单木树冠指标动态缩放，整合了从土耳其Gümü?hane省Koz
准确的单木健康评估对于有效的森林监测至关重要，尤其是在复杂林分中，相邻树冠会引入阴影效应和光谱混合。本研究提出了一种自适应感兴趣区域（Region of Interest, ROI）方法，该方法根据单木树冠指标动态缩放，整合了从土耳其Gümü?hane省Koza?a?村一片欧洲赤松林中获取的无人机多光谱影像和LiDAR点云数据。研究人员利用冠层高度模型（Canopy Height Model, CHM）自动检测单木，并提取冠幅、冠面积及空间参数以生成动态缩放的ROI窗口。随后在这些窗口内计算归一化植被指数（Normalized Difference Vegetation Index, NDVI）和归一化差异红边指数（Normalized Difference Red Edge Index, NDRE），将单木分类为不健康、中等健康或健康。与固定冠面积窗口相比，所提出的自适应ROI方法在NDVI和NDRE的所有分类指标上均有提升。NDVI的正确率（Correctness）从79%提高到81%，NDRE从63%提高到66%；完整率（Completeness）分别从68%提高到81%和从59%提高到64%；交并比（Intersection over Union, IoU）分别从52%提高到68%和从42%提高到48%；F1分数（F1-score）分别从68%提高到80%和从59%提高到65%。这些发现证明了自适应ROI采样在改善单木健康分类方面的潜力，并为基于无人机的森林健康监测提供了支撑。
一、研究背景与问题
森林生态系统在维持生态平衡、支持生物多样性、调节气候和环境可持续性方面发挥着至关重要的作用。持续有效地监测全球森林生态系统健康对于可持续森林管理和生物多样性保护具有重要意义。随着全球对生态系统健康的日益关注，研究人员开始探索如何以何种频率和方法监测树木健康状况。遥感技术和大数据分析能够实现大面积、规律性和可比较的测量，因此在评估生态系统健康方面扮演着关键角色。无人机技术的进步使得低空飞行和高精度数据获取成为可能，搭载激光雷达系统和先进成像传感器的无人机能够提供高光谱和高空间分辨率的数据，从而进行详细分析。然而，在复杂的森林条件下，尤其是当邻近树冠引入阴影效应和光谱混合时，准确地评估单木健康状况仍然面临挑战。现有研究中，基于单一数据源的方法在复杂森林条件下的性能有限；而结构信息与光谱信息的结合已被证明优于单一数据类型的方法。尽管已有研究采用固定大小的采样窗口进行光谱特征提取，但这种固定窗口无法适应树冠尺寸的变异性：对于异常大或合并的树冠，它可能只代表一小部分；对于小树冠，则可能包含过多的背景或邻近冠层信息。因此，本研究旨在解决的关键问题是：缺乏一种能够根据树冠几何结构自适应调整的、明确整合LiDAR衍生树冠几何结构与无人机多光谱信息的单木级光谱采样策略。
二、研究方法概述
研究人员提出了一种基于自适应感兴趣区（Region of Interest, ROI）的框架，用于通过树冠对树木健康状态进行分类。主要关键技术包括：首先，利用简单形态滤波算法对LiDAR点云进行地面与非地面点分离和高度归一化处理，生成冠层高度模型（Canopy Height Model, CHM）。其次，采用标记控制分水岭分割算法（Marker-Controlled Watershed Segmentation, MCWS），以CHM中检测到的局部最大值作为标记点，对单木树冠进行分割，并通过边界函数生成树冠多边形。然后，基于分割出的树冠边界计算每个树冠的几何中心（质心），并据此定义一个可根据各树冠宽度和空间范围自适应缩放的ROI窗口。该自适应ROI的大小通过一个分段函数确定，该函数根据每个树冠面积在研究区域内最小、平均和最大冠面积分布中的相对位置来计算，并设置了上下限约束。最后，在自适应ROI内计算归一化植被指数（NDVI）和归一化差异红边指数（NDRE），并依据预设阈值将单木分为健康、中等健康和不健康三类。研究区域位于土耳其Gümü?hane省Koza?a?村的一片退化欧洲赤松林，面积约43.45公顷。数据来源于DJI Matrice 300 RTK无人机搭载的Zenmuse L1 LiDAR传感器和MicaSense Altum多光谱相机，飞行高度约60米，LiDAR点云密度约650点/m2，多光谱正射影像地面采样距离为2.87厘米。
三、研究结果
- •
分割与参考数据集建立：研究人员通过LiDAR点云分割共检测到413个树冠段。一位研究人员基于高分辨率RGB影像的目视解译，根据树冠颜色、绿度、叶密度、变色、稀疏度等特征，建立了包含健康、中等健康、不健康三个类别的参考数据集。
- •
固定窗口与自适应窗口的比较：为了探究ROI大小对分类精度的影响，研究人员定义了三种固定大小的ROI窗口（10×10、15×15、35×35像素）。结果表明，在所有固定窗口中，35×35像素的ROI在NDVI和NDRE分析中取得了最高的平均正确率、完整率、IoU和F1分数。然而，较小的窗口在某些特定健康类别上偶尔表现更优，表明单一的固定ROI并非对所有树冠都最优。
- •
自适应ROI方法的性能提升：与最佳的固定窗口（35×35像素）相比，所提出的自适应ROI方法在所有评估指标上均实现了提升。对于NDVI，正确率从79%提升至81%，完整率从68%提升至81%，IoU从52%提升至68%，F1分数从68%提升至80%。对于NDRE，正确率从63%提升至66%，完整率从59%提升至64%，IoU从42%提升至48%，F1分数从59%提升至65%。这些改进表明，根据个体树冠特征调整采样区域比对所有树木应用统一的固定窗口能提供更一致的分类性能。
- •
错误分析：对自动勾画的树冠进行检查后发现，约有9.2%（38个）的树冠段实际上包含了两棵紧密相邻的树木。这种合并现象可能会引入混合光谱信息，影响分类精度，尤其是在两棵树健康状况不同的情况下。
四、讨论与结论
讨论部分：研究结果表明，所提出的自适应ROI方法相较于固定窗口方法，在NDVI和NDRE的各项精度指标上均有提升。其中NDVI的改善更为显著，这表明自适应ROI采样的效果可能因所用光谱指数而异。该框架的核心在于互补性地使用了LiDAR和多光谱数据：LiDAR提供结构信息用于树冠勾画和ROI定义，多光谱数据提供光谱信息用于健康分类。方法的局限性包括：依赖单次观测数据和单一研究地点，其时空可迁移性有待验证；参考数据集基于目视解译，可能存在主观不确定性；采用固定的NDVI和NDRE阈值进行分类，可能不完全适用于其他森林条件、树种或观测时期。
结论部分翻译：研究结果表明，所提出的单木特异性自适应ROI方法相比固定大小的ROI窗口和直接的树冠光谱分析，改善了单木健康分类。通过使ROI大小适应个体树冠尺寸，该方法减少了树冠边缘像素、邻近植被和阴影效应对光谱采样的影响。与固定ROI方法相比，基于NDVI的分类正确率从79%提高到81%，完整率从68%提高到81%，IoU从52%提高到68%，F1分数从68%提高到80%。同样地，对于NDRE，正确率从63%提高到66%，完整率从59%提高到64%，IoU从42%提高到48%，F1分数从59%提高到65%。这些结果表明，使光谱采样区域适应个体树冠尺寸，比对所有树木应用统一的固定ROI大小能提供更一致的分类性能。研究结果进一步强调了LiDAR和多光谱影像在单木健康评估中的互补作用。然而，使用辅助操作的参考数据集、固定的NDVI和NDRE阈值，以及来自单一欧洲赤松林分和单次观测期的数据，限制了研究结果的普适性。需要开展进一步的研究，涉及基于野外的、多时相的参考数据以及不同树种和森林环境，以评估所提方法的稳健性和可转移性。更广泛地说，所提出的树冠特异性结构与光谱信息集成方法，为基于无人机的单木健康监测提供了一个方法论框架，在大规模森林监测和精准林业中具有潜在应用价值。
