基于LiDAR点云单树分割的新型城市生物参数估算方法

《Remote Sensing》：A Novel Urban Biological Parameter Estimation Method Based on LiDAR Point Cloud Single-Tree Segmentation Tongtong Lu, Fang Huang, Yuxin Ding, Qingzhe Lv, Hao Guan, Gongwei Li, Xiang Kang and Geer Teng

　　

针对城市树木结构多样性和植被点云提取与利用的难点，本研究提出了适用于城市场景的单树尺度生物参数估算方法，以提升点云在城市绿化管理中的应用价值。在单树分割方面，研究人员构建了一种基于树木几何特征约束并结合引力建模特征的方法，称为CGF-CG单树分割方法。该方法（i）结合聚类与主方向分析提取树干点，（ii）基于树干位置引入树冠分割，（iii）通过引力模型优化边缘点属性。基于CGF-CG的精确结果，研究人员提出了一种改进的随机森林（RF）单树生物参数估算方法（IRF-BP），用于估算地上生物量（AGB）、碳储量（CS）、叶面积指数（LAI）和活植被体积（LVV）：（i）相关性分析与变量筛选，（ii）自适应特征选择与鸽群优化（PIO）以增强模型泛化能力，（iii）采用Shapley加法解释（SHAP）提升可解释性。基于此，研究人员构建了适用于不同树种的完整模型。验证结果表明，CGF-CG在所选研究区域中过分割和欠分割现象极小，总体平均精确率、召回率和F1-score均超过98.5%。此外，在所选整体区域上，该方法的总体mF1分数、mPTP和mPTR分别为99.13%、99.15%和99.12%，优于Forestmetrics、lidR、PyCrown和DBSCAN方法。IRF-BP表现良好，最高R²为0.81，最低平均绝对百分比误差为7.5%，有效超越了传统模型如RFR、GBR、KNN和XGB的性能。总之，研究结果为城市绿色资源管理与评估提供了理论和技术支持。

**研究背景与问题**
城市树木具有重要的碳汇功能和生态服务价值，但传统的人工调查和经验公式估算生物参数（如地上生物量AGB、碳储量CS、叶面积指数LAI、活植被体积LVV）效率低、成本高，难以支持大规模动态管理。激光雷达（LiDAR）技术能够获取高精度三维（3D）点云数据，但城市树木形态多样、树冠交错，导致点云分割中常出现过分割和欠分割，且现有机器学习估算方法存在特征选择盲目、泛化能力弱、可解释性差等问题。

**研究内容与结论**
为此，研究人员提出了一套城市LiDAR点云处理流程，包含CGF-CG单树分割算法和IRF-BP生物参数估算模型。CGF-CG通过聚类和主方向分析提取树干、基于树干约束分割树冠、并利用引力模型优化边缘点归属，有效解决了边缘点误分类和分割不完整问题。验证显示：该算法在选定区域的总体mF1分数达99.13%，优于Forestmetrics、lidR、PyCrown和DBSCAN等方法。IRF-BP模型基于LASSO自适应特征选择和鸽群优化（PIO）超参数调优，结合Shapley加法解释（SHAP）增强可解释性，实现了对AGB、CS、LAI和LVV的精确估算。实验表明，该模型最高R²达0.81，最低平均绝对百分比误差（MAPE）为7.53%，在各项指标上均优于传统随机森林回归（RFR）、梯度提升回归（GBR）、K最近邻（KNN）和极限梯度提升（XGB）模型。研究意义在于为城市绿色资源管理和生态评估提供了高精度的技术支持和理论依据。该论文发表在《Remote Sensing》。

**主要关键技术方法**
研究人员主要采用以下关键技术：（1）CGF-CG单树分割算法：基于密度聚类（DBSCAN）提取潜在树干，利用主成分分析（PCA）计算主方向并构建变锥体最近邻搜索完成完整树干提取；再以树干轴线为约束分割树冠，并通过引力模型（基于距离平方反比的吸引力计算）重新分配边缘点云。（2）IRF-BP估算模型：基于LASSO（最小绝对收缩与选择算子）进行自适应特征筛选；引入PIO算法优化随机森林（RF）的超参数（如决策树数量、最大深度等）；采用SHAP方法分析特征贡献以提升可解释性。样本队列来源为电子科技大学（UESTC）校园内三条典型道路绿地区域，包含蓝花楹、景天、水杉和银杏共四种树种，共采集105棵、240棵和241棵单树点云，以及实测AGB、CS和LAI数据用于验证。

**研究结果**
**4.1 单树分割综合实验**
通过构建平均每树精确率（mPTP）、平均每树召回率（mPTR）和平均F1分数（mF1-score）评价指标，对研究区#3（241棵银杏树）进行分割实验。定性结果（图8-10）显示，CGF-CG能有效分离交叠树冠的边缘点，纠正仅靠树干约束导致的误分类。定量对比（表1）表明，CGF-CG在整体区域的mF1分数为99.13%、mPTP为99.15%、mPTR为99.12%，显著优于DBSCAN（mF1分数约80%）、Forestmetrics（51.92%）、lidR（88.27%）和PyCrown（88.08%），且在各子区域均保持高精度与高召回率的平衡。

**4.2 生物参数估算综合实验**
对四种树种（银杏、水杉、蓝花楹、景天）分别进行AGB、CS和LAI估算。相关性分析（图11）显示，银杏AGB主要受树高、冠幅和高度标准差影响；景天LAI主要受高度分布偏度和峰度控制。以估算银杏AGB和水杉AGB、蓝花楹LAI和景天LAI为例，IRF-BP模型在所有任务中均取得最优结果（表2）：银杏AGB的RMSE为67.27 kg、R²为0.6909；水杉AGB的R²为0.6909；蓝花楹LAI的RMSE为0.1296、R²为0.7103；景天LAI的R²为0.7282，MAPE最低达7.53%。对比传统RFR、GBR、KNN和XGB，IRF-BP在RMSE、MAE、R²和EVS指标上均显著提升，验证了自适应特征选择和PIO超参数调优的有效性。

**4.3 生物参数估算结果展示**
基于IRF-BP模型，对三个研究区进行参数估算和专题图绘制。研究区#1中，蓝花楹LAI值在0.60-0.95之间，景天LAI值在3.04-4.14之间，符合其稀疏与密集冠层特征。研究区#2中，240棵水杉的AGB均值327.52 kg，总AGB约78,606 kg；CS均值164.09 kg，总CS约39,382 kg。研究区#3中，241棵银杏的AGB均值800.33 kg，总AGB约193,280 kg；LVV均值376.31 m3。

**讨论与结论**
讨论部分指出，CGF-CG和IRF-BP方法在城市高密度树木环境中表现出高鲁棒性和准确性，但误差仍来源于MLS点云观测不完整（冠层上部遮挡）和局部结构复杂性，以及树冠重叠时的分割误差传递。当前方法更适用于树干结构清晰、空间可分离的城市场景，未来需融合多源数据（如高光谱）、探索时间序列LiDAR分析、优化模型效率，并在更复杂城市场景中验证普适性。

研究结论（来自第6节）翻译：为了实现城市树木点云的高精度分割及相关生物参数的估算，本研究提出了一种集成CGF-CG单树分割和IRF-BP生物参数估算的LiDAR点云处理算法。在CGF-CG方面，该分割算法通过结合聚类分析、主方向索引、树干约束和引力模型，有效解决了城市树木点云分割中的边缘点误分类、过分割和欠分割问题。定量验证显示，在研究区域内mPTP、mPTR和mF1分数等重要指标均超过98.5%，整体mF1分数为99.13%，优于Forestmetrics、lidR、PyCrown和DBSCAN等主流方法，为后续生物参数估算提供了高质量点云数据支持。在IRF-BP方面，该估算模型基于LASSO自适应特征选择和PIO超参数调优，实现了城市单树四种核心生物参数（AGB、CS、LAI、LVV）的精确估算。在验证实验中，模型最大决定系数（R²）达到0.81，平均绝对百分比误差（MAPE）为7.53%，优于RFR、GBR、KNN和XGB等传统机器学习模型，对不同树种表现出强泛化能力和鲁棒性。在三个典型实验绿地区的应用结果表明，该研究方法能有效实现城市单树信息的精细提取和准确估算，研究成果可为城市绿色资源监测、生态评估和碳汇管理提供可靠的技术支持和理论基础。