基于地面与无人机激光雷达的纳米比亚灌丛生物量变化检测与量化新方法——一项试点研究

《Biomass and Bioenergy》：A novel two-step framework for bush biomass change-detection and quantification in Namibia using ground- and drone-based LiDAR - a pilot study

　　

摘要 在非洲大陆，灌丛植被格局的转变日益普遍，这对当地经济和社区构成挑战，而其生态影响仍存在争议。尽管遥感方法能够在大尺度上有效捕捉这一现象，但追踪局部灌丛植被变化至关重要，因为局部驱动因子解释了大部分变异。在此，研究人员旨在通过部署移动激光扫描（MLS）和无人机激光扫描（UAV-LS），在纳米比亚中北部地区实现局部尺度的灌丛生物量量化。为此，研究人员实施了一种新颖的两步体素化框架，首先应用变化检测算法识别被收获的生物量，随后进行量化步骤。通过交叉验证方法，研究人员利用MLS和UAV-LS数据预测灌丛生物量的平均相对平均绝对误差（?RMAE）分别为17.02%和20.52%。尽管平台间的微小差异令人惊讶，但MLS的RMAE值范围（11.04 - 23.55%）比UAV-LS（11.28 - 31.23%）更窄，表明MLS方法具有更强的鲁棒性。在分析两个点云之间的变化时，根据所选体素大小，研究揭示了限制配准误差与捕捉细节之间的权衡。本文结果表明了该方法的适用性，同时强调了改进变化检测算法、模型复杂性和实验设计的巨大潜力，最终允许更准确的生物量估算和更广泛的扩展性。由此，灌丛生物量的局部变化得以可靠量化，为未来关于其生态影响和后果的研究铺平了道路。

研究背景与意义

非洲大陆正经历着灌丛植被向南部非洲稀树草原生态系统扩张的现象，通常被称为“灌木侵占”（Bush Encroachment），但生态学家更倾向于使用中性的“木本植物增殖”（Woody Plant Proliferation, WPP）这一术语。这一现象对社会经济（如威胁粮食安全）和生态系统（如生物多样性、碳固存、土壤养分、小气候和水文）产生了多维度的复杂影响。尽管卫星遥感能监测大尺度变化，但局部尺度的动态受当地驱动因子（如火灾、放牧、土壤水分）控制，需要更高精度的监测手段。然而，传统的破坏性采样结合异速生长方程法劳动强度大且难以扩展，而现有的机载激光扫描（ALS）点密度不足，地基激光扫描（TLS）则面临空间覆盖有限和遮挡效应的问题。因此，开发一种能在局部尺度精确量化灌丛生物量变化的方法对于理解WPP动态及指导管理干预至关重要。本研究由德国哥廷根大学的研究团队完成，成果发表于《Biomass and Bioenergy》。

关键技术方法

研究人员在纳米比亚中北部的Elandsvreugde农场建立了30个2.5 m × 50 m的样地。数据采集采用手持式移动激光扫描仪（ZEB-Horizon, MLS）和大疆Matrice 300 RTK搭载Zenmuse L2传感器（UAV-LS）。在破坏性收获前，对所有样地进行首次扫描；随后人工收获所有非保护物种的灌丛生物量并进行称重（鲜重）；收获完成后立即进行第二次扫描。数据处理流程包括：点云去噪、高度归一化、基于迭代最近点（ICP）算法的配准、裁剪。核心方法是开发了一种两步体素化框架：首先应用变化检测算法识别被移除的生物量体素（Harvest Voxels），随后对MLS数据进行精细化体素化（Refined Harvest Voxels）。通过线性回归模型，利用交叉验证（20次迭代，每次随机选取20个训练样地和10个测试样地）评估了不同体素大小（10-85 cm）下生物量预测的准确性，评价指标为相对平均绝对误差（RMAE）和决定系数（R²）。

研究结果

3.1. 收获体素大小对生物量识别精度的影响

研究发现，随着收获体素尺寸的增加，UAV-LS和MLS数据的R²值均呈上升趋势。UAV-LS数据在体素边长为10 cm时R²最低（0.62），在65-80 cm达到最佳（0.86）。MLS数据起点较高（10 cm时R²=0.82），并在70 cm体素时达到峰值0.88。通过使用MLS的精细化收获体素，R²值进一步提升，最高达到0.91，且峰值出现在较小的收获体素尺寸（40 cm）处。这表明体素大小的选择需要在配准误差和细节捕捉之间进行权衡。

3.2. 基于UAV和移动激光扫描的生物量预测

在交叉验证中，UAV-LS数据表现最佳的体素大小为80 cm，其平均相对平均绝对误差（?RMAE）为20.52%，RMAE分布范围为11.28%至31.23%。相比之下，基于MLS精细化体素（30 cm）的预测结果更为稳健，?RMAE为17.02%，RMAE分布范围为11.04%至23.55%。虽然两种平台的预测误差绝对值差异不大，但MLS的预测稳定性显著优于UAV-LS。散点图显示，在200 kg生物量以内，两种平台的预测值与实测值均紧密分布在等值线附近。

讨论与结论总结

讨论部分总结

研究人员讨论了体素选择的权衡：小体素虽能捕捉细节但受配准误差影响较大，特别是UAV-LS由于俯视视角导致冠层下结构（如树干）捕获不足，配准难度更大。MLS因其高分辨率和近距离扫描，能更准确地识别稳定结构以辅助配准，因此可以使用更小的体素进行精细化量化。尽管MLS显示出更高的鲁棒性（更小的误差范围），但UAV-LS在空间可扩展性和操作效率上具有明显优势。预测误差的主要来源包括：未收获的保护物种造成的干扰、地面点的存在导致近地面细节丢失、样地边缘效应以及使用鲜重而非干重作为参考标准带来的变异性。此外，研究还指出样地形状（狭长形）和扫描时机（雨季末期植被茂密）也对精度有一定影响。

结论部分翻译

在此，研究人员介绍了一种新颖的基于两步体素的方法，用于量化纳米比亚中北部选择性收获样地的灌丛生物量，该方法在MLS和UAV-LS激光雷达数据上进行了测试。首先，将变化检测算法应用于收获前后的激光雷达点云，以识别收获前扫描独有的体素。其次，直接量化这些检测到的变化以估算收获的生物量。根据所选体素大小，可以平衡捕获生物量的细节与配准两个点云引入的误差。针对破坏性收获生物量进行的交叉验证预测显示，MLS数据的平均相对平均绝对误差（?RMAE）为17.02%，UAV-LS数据为20.52%。尽管MLS提供了更高的细节和更强的预测鲁棒性，但UAV-LS的优势（包括更快的数据采集、更大的空间覆盖范围和更低的操作强度）足以抵消局部WPP量化中微小的预测误差差异。鉴于算法本身和校准模型的实验设置仍有改进空间，研究人员对未来发展持乐观态度。总之，该提议的方法为监测局部生物量变化提供了巨大潜力，使得对木本植物增殖至关重要的精确检测和量化成为可能。