优化无人机激光雷达（UAV-LiDAR）飞行参数以提升可可农林复合系统冠层穿透与结构参数估算精度

《ISPRS Open Journal of Photogrammetry and Remote Sensing》：Optimizing UAV-LiDAR flight parameters for improved canopy penetration and structural metrics in agroforestry

　　

机载于无人机（UAV）平台的光探测与测距（LiDAR）传感器已成为估算复杂农林生态系统生物量与碳的有效工具。然而，关于获取高质量LiDAR数据中最具影响的飞行参数，文献中仍存在空白。因此，本研究旨在评估UAV–LiDAR飞行参数，具体包括飞行速度、高度、传感器角度和轨迹模式，对可可（Theobroma cacao L.）农林复合系统中的高程精度、点云密度、冠层穿透、单木分割以及地上生物量（AGB）和碳估算的影响。共使用搭载Zenmuse L2传感器的Matrice 350 RTK开展了41次UAV–LiDAR飞行。来自58株地理参考树木的野外观测用于验证LiDAR反演的树高和胸径（DBH）；AGB采用异速方程估算，并按0.5因子转换为碳。结果表明，最低的两个飞行速度（3和6 m/s）产生了更高质量数据和更低高程误差，而40至60 m之间的高度提供了更好的冠层穿透和更一致的结构指标。类似地，双网格航迹结合双扫描角（?90°和?45°）产生了更密集点云并提高了精度，实现93.1%的单木分割精度和DBH估算R²为0.72。生物量估算范围为29.8至185.9 t，低空飞行采用多航次和扫描角时获得更稳定值（42.9–50.8 t）。总体而言，飞行速度3 m/s、40至60 m高度以及?90°和?45°多扫描轨迹为可可农林复合系统结构评估提供了最高UAV–LiDAR数据质量。

研究背景与问题：无人机激光雷达（UAV–LiDAR，unmanned aerial vehicle–Light Detection and Ranging）在复杂农林生态系统的生物量和碳估算中具有优势，但关于高质量LiDAR数据采集的最具影响飞行参数仍缺乏系统证据。可可（Theobroma cacao L.）农林复合系统结构异质、冠层遮挡强，飞行速度、高度、传感器角度和轨迹模式会直接影响激光穿透、点云几何质量和结构参数反演。秘鲁LiDAR应用相对较新，成本、专业人员和数据管理仍是推广障碍，因此需要建立优化UAV–LiDAR飞行规划的方法协议。该研究旨在比较不同飞行配置对高程精度、点密度与分布、冠层穿透、单木分割以及AGB和碳估算的影响，为农林复合系统监测和可持续管理提供技术依据。

研究开展与结论意义：研究人员在秘鲁西北部卡哈马卡（Cajamarca）哈恩（Jaén）0.788 ha可可农林复合系统开展41次UAV–LiDAR飞行，使用Matrice 350 RTK搭载Zenmuse L2传感器，并以58株地理参考树木验证树高和DBH。结果表明，3 m/s速度、40–60 m高度、双网格轨迹与?90°和?45°双扫描角组合可提高点云密度、冠层穿透和结构指标精度，单木分割精度达93.1%，DBH估算R²达0.72，低空多航次配置的生物量估算更稳定。该研究为热带农林复合系统UAV–LiDAR采集参数优化、结构参数反演及生物量和碳估算提供了方法基础。

关键技术方法（不超过250字）：研究分两阶段：第一阶段在50 m恒定高度设置3、6、9、12、15 m/s五种速度，以总点数、点密度、Z绝对误差和飞行时间进行最小–最大归一化优选速度；第二阶段以3 m/s开展36次飞行，组合6个高度（40、60、80、100、120、150 m）、?90°和?45°传感器角及单航迹、双网格和多网格轨迹。采用五回波模式，设置6个地面控制点（GCP，ground control point）和4个检查点（CP，check point）；DJI Terra生成点云，LiDAR360进行统计离群点去除（SOR，Statistical Outlier Removal）、地面分类、归一化和点云单木分割，提取树高和DBH；以Chave异速方程估算AGB，按0.5转换为碳；统计采用Shapiro–Wilk、Pearson、Friedman和Nemenyi检验。样本队列来源为秘鲁0.788 ha可可农林复合系统58株树（29株可可和29株伴生种）。

研究结果：
3.1 最优飞行速度选择：通过比较5种速度的采集时间、总点数、点密度和Z绝对误差并进行归一化综合评价，3 m/s获得最高性能指数0.75，总点数36 830 825、密度4674 pt/m²、Z误差0.0064 m，但耗时233 s；速度升高后点数和密度显著下降，15 m/s相对3 m/s损失超过80%。45 m²区域点云显示，3 m/s点云细节最清晰，6、9、12、15 m/s点数分别下降51.8%、66.8%、77.8%和81.9%。结论为3 m/s在数据质量与效率平衡中最佳。

3.2 LiDAR点云生成与精度评估：36个点云未见可归因于飞行高度的可见变形；Z绝对误差为0.017–0.062 m，总体均值0.026 m。40 m高度误差最低（均值0.017 m），150 m增至0.033 m；H(-90°)和HV(-90°)+HV(-45°)误差最低（均值0.021 m），H(-45°)为0.024 m，H(-90°)+V(-45°)和HV(-45°)较高，可达0.030 m。结论为低高度及特定轨迹和扫描角组合可提高高程精度。

3.3 LiDAR点密度与分布：点密度受高度和扫描配置控制，高度由40 m增至150 m时平均密度由26 908降至2310 pt/m²，呈显著负相关（r=?0.61，p<0.001）。HV(-90°)+HV(-45°)平均密度最高（20 664 pt/m²），HV(-90°)为16 649 pt/m²，H(-90°)为5092 pt/m²，HV(-45°)为4018 pt/m²，H(-45°)为2710 pt/m²。40 m垂直剖面显示高冠层密度区点数和垂直连续性增加。结论为高度和扫描配置共同影响点云密度与空间分布。

3.4 冠层穿透能力：地面点密度随高度和轨迹配置明显变化，40 m时多次超过240 pt/m²，如F31为248、F25为247、F13/F19为246、F1为246 pt/m²；150 m最低，如F24为183、F30为205 pt/m²。HV(-90°)+HV(-45°)在各高度均产生最高地面点密度，简单配置H(-90°)和H(-45°)较低。低冠层密度区捕获更多地盘点，高冠层密度区地面回波减少。结论为激光穿透取决于采集参数和叶密度。

3.5 单木分割与结构指标（DBH和树高）精度：
3.5.1 单木分割精度：36次飞行分割精度为36.2–93.1%；HV(-90°)+HV(-45°)平均最高（79.9%），H(-45°)为69.5%。随高度增加精度单调下降：40 m为88.8%、60 m为85.3%、80 m为78.4%、100 m为72.1%、120 m为64.7%、150 m为48.9%。F31在40 m和HV(-90°)+HV(-45°)下最高93.1%，F32为91.4%，F33为81.0%；F24在150 m和HV(-45°)下最低36.2%。单轨迹、双轨迹和HV(-90°)+HV(-45°)平均耗时分别为4.24、7.11和12.90 min，F31耗时18.83 min。结论为低高度多轨迹组合精度最高但耗时增加。
3.5.2 DBH估算表现：DBH估算R²为0.205–0.732；40 m均值最高（0.592，总体均值0.415），随高度增加降至60 m为0.511、80 m为0.432、100 m为0.377、120 m为0.34、150 m为0.24。HV(-90°)+HV(-45°)均值最高（0.494），HV(-90°)为0.414，其余配置约0.38–0.41。F31最高0.732，F6最低0.205；总体R²=0.42、MAE=0.05 m、RMSE=0.06 m、Willmott一致性指数d=0.78。结论为DBH估算在低高度多轨迹组合下更优，但总体弱于树高。

3.6 树高估算表现：多数飞行树高估算R²超过0.90，总体均值0.95。HV(-90°)+HV(-45°)最高0.977，HV(-45°)为0.972，H(-90°)+V(-45°)为0.969；简单配置H(-90°)为0.909、H(-45°)为0.905。高度均值40 m为0.982、60 m为0.97、80 m为0.952、100 m为0.941、120 m为0.925、150 m为0.905。F31最高0.99，F25为0.984，F13为0.982；F12为0.82、F6为0.839最低。总体MAE=0.59 m、RMSE=1.18 m、d=0.98。结论为UAV–LiDAR树高估算稳健。

3.7 生物量与碳估算：36种配置AGB为29.8–185.9 t；F22–F24（HV(-45°)，100、120、150 m）最高，均值117.3 t、SD 73.7 t；F31–F36（HV(-90°)+HV(-45°)）均值43.4 t、SD 10.3 t、CV 23.6%，F13–F18（HV(-90°)）均值45.2 t、SD 6.5 t、CV 14.3%，多数集中在40–50 t。40、60、80 m均值分别为42.9、46.2、50.8 t，CV 15.3–34.6%；100、120、150 m均值79.4、83.6、66.7 t且离散增加。碳为生物量50%，范围14.9–93.0 t；低高度HV(-90°)+HV(-45°)和HV(-90°)平均碳分别为21.7和22.6 t。结论为低高度多配置估算更稳定，高高度简单轨迹估算偏高且变异更大。

3.8 飞行高度与扫描配置统计比较：飞行高度对树高MAE（χ²(5)=26.48，p<0.001）、DBH MAE（χ²(5)=19.33，p=0.002）和点密度（χ²(5)=30.00，p<0.001）均有显著影响；40–60 m误差较低、密度较高，120–150 m性能下降。扫描配置显著影响树高MAE（χ²(5)=19.81，p=0.001）和点密度（χ²(5)=29.05，p<0.001），H(-90°)+V(-45°)和HV(-90°)+HV(-45°)树高误差较低，HV(-90°)和HV(-90°)+HV(-45°)密度最高；DBH MAE在扫描配置间无显著差异（χ²(5)=5.62，p=0.345）。结论为高度显著影响三项指标，扫描配置显著影响树高误差和密度但不显著影响DBH MAE。

讨论部分总结：讨论指出，UAV–LiDAR采集参数规划影响可可农林复合系统产品性能。3 m/s速度可最大化点密度并降低高程误差，但增加作业时间；40–60 m高度在冠层穿透、点密度和结构指标稳定性之间取得较优平衡，高高度会增加变异。多轨迹与?90°和?45°扫描角组合可减少遮挡、改善冠层检测并提高DBH估算精度；UAV–LiDAR对树高估算较直径更稳健。低高度多航次配置的生物量和碳估算更稳定，简单高空配置估算更高且更可变。局限包括小样地0.788 ha、仅评估两种传感器角、五种速度和六种高度、速度固定于3 m/s而未评估速度×高度交互，以及采用通用异速方程和固定木材密度0.6 g cm^?3可能给绝对AGB带来系统不确定性；分割精度和检测树木数量差异也可能部分混淆生物量变异。未来需在更大样地验证、将UAV–LiDAR与地基激光雷达（TLS，terrestrial laser scanning）或移动扫描集成以改善基部特征和DBH估算，并测试先进分割算法以区分可可与伴生种。

研究结论（翻译）：本研究确认飞行规划是可可农林复合系统中UAV–LiDAR产品质量的关键决定因素。3 m/s速度最大化点密度并降低Z误差；40–60 m通过平衡冠层穿透、密度和结构指标稳定性而成为最优范围，避免了更高高度下更大的变异性。类似地，组合轨迹HV(-90°)+HV(-45°)减少遮挡、改善冠层检测，并取得单次飞行DBH估算最高R²；因此，它代表了这些系统详细结构分析的适用选择。总体而言，结果表明UAV–LiDAR对树高比直径更稳健；然而，高度、速度和扫描角的适当组合可降低变异性并产生一致数据，而这是估算生物量和碳的主要输入。在此意义上，多次低空飞行产生更稳定值，而简单高空配置产生更高且更可变的估计。最后，该工作为热带农业生态系统未来UAV–LiDAR采集调查提供了方法基础，有助于获得更精确的结构参数以及更可靠的生物量和碳估算，以支持可持续管理策略。