在受火灾影响地区，利用地面激光雷达技术对森林结构进行估算的评估 Adrián Baissero，Mariano García 和 Patricia Oliva

《Remote Sensing》：Assessment of Forest Structure Estimation from Terrestrial LiDAR in Fire-Affected Areas Adrián Baissero, Mariano García and Patricia Oliva

　　**研究亮点**

**主要发现是什么？**
- 在中度燃烧情况下，基于TLS（Terrestrial LiDAR）的直径测量（DBH）结果保持了较高的准确性（均方根误差RMSE为0.93–1.19厘米，准确率为92.1–95.0%），即使树木因火灾而损失了一些树枝）。
- 随着燃烧程度的增加，树木的再生强度和密度均有所下降：每单位树干面积的再生量分别减少了14.9%（中度燃烧）和54.3%（重度燃烧）。

**这些主要发现的意义是什么？**
- TLS技术可以在低至中度燃烧强度的区域支持可靠的火灾后树木数量统计，从而实现基于DBH的结构评估，同时精确度损失最小。
- 在高燃烧强度的区域，严重的火灾导致再生量减少，可分割的树木数量和有效的DBH测量值也受到影响，进而影响到整体的地上生物量（AGB）估算精度（精度降至74%），这突显出需要能够抵御炭化引起的反射率变化的方法。

**摘要**
本研究评估了TLS技术在西班牙两次大规模野火后进行森林资源清查中的性能，并考虑了燃烧程度对清查结果的影响。我们分析了森林中胸高处的直径（DBH）、地上生物量（AGB）以及燃烧程度对再生强度的影响。无论燃烧程度如何，TLS都能准确获取树木的DBH数据，其总体准确率分别为未燃烧区域92.1%、中度燃烧区域95.0%、重度燃烧区域94.4%，对应的RMSE分别为1.19厘米、0.94厘米和0.93厘米（偏差分别为7.97%、6.46%、6.94%）。地上生物量的准确率则较低，分别为93%、88%和74%。经过按象限调整后，火灾后的平均地上生物量分别为76.29 Mg/ha、65.07 Mg/ha和32.90 Mg/ha，平均绝对误差分别为4.55 Mg/ha、6.38 Mg/ha和6.11 Mg/ha。再生强度随着燃烧程度的增加而降低：在中度燃烧区域减少了14.9%，在重度燃烧区域减少了54.3%。这些结果表明TLS技术适用于低至中度燃烧强度条件下的火灾后森林清查。然而，在高燃烧强度区域，再生强度的下降限制了树木的分割和DBH的准确测量，进而影响了对地上生物量的估算。

**1. 引言**
森林在生态系统功能中起着关键作用，支持生物多样性、调节能量和水循环，并吸收二氧化碳[1,2]。森林的结构（如树冠高度、覆盖度、地上生物量（AGB）或叶面积指数（LAI）等变量）与这些过程密切相关，可通过遥感技术进行评估[3,4]。因此，监测森林结构和生物量对于理解森林的碳平衡至关重要[5]。
森林火灾等干扰事件会显著改变森林的生态功能，使其从碳汇转变为碳源。此外，野火还会释放大量气体和颗粒物，成为空气污染的主要来源[6]，对大气和人类健康产生负面影响[7,8,9]。气候趋势显示，野火的规模和频率正在增加，火灾季节的持续时间也在延长[10]。即使是最适应火灾的生态系统（如地中海地区的森林），也因气候变化和极端天气事件的外部压力而面临前所未有的挑战[11,12]。

**2. 方法与材料**
- **研究地点**
- **塞拉德拉库莱布拉（Zamora）**：位于萨莫拉省，面积约为70,000公顷，属于地中海气候（Csb），年平均温度10°C，降水量500–800毫米。主要树种为欧洲松（Pinus sylvestris）和石松（Pinus pinea），另有少量冬青栎（Quercus ilex）和比利牛斯栎（Quercus pyrenaica）。约10.3%（6,875公顷）的研究区域为农业用地，其中约三分之二在2022年发生了野火[29]。
- **皮诺夫兰卡多-塞拉德加塔（Cáceres）**：位于埃斯特雷马杜拉省北部，属于地中海气候（Csa），年平均温度12.5–15°C，降水量800–1000毫米。主要树种为冬青栎、桉树（Eucalyptus camaldulensis）和海松（Pinus pinaster），灌木以杜松（Cistus ladanifer）和石南属植物为主[28]。2023年5月17日，该地区在干旱条件下故意引发了野火，燃烧面积超过10,863公顷[29]。

- **采样设计**
- 采用分层随机抽样方法选取了两个研究地点，考虑了燃烧前相似的结构特征。
- 根据美国地质调查局（USGS）提供的标准，结合燃烧程度的差异，将每个地点分为三个结构类别：未燃烧、低至中度燃烧和中度至重度燃烧。
- 对每个地点的森林结构进行了分析，并使用K均值聚类算法将其分为三个结构类：低植被区、开放林区和封闭林区。

- **现场测量**
- 在两个地点同时进行了实地测量，使用TLS技术获取胸高直径（DBH）和地上生物量（AGB）数据。
- 对所有DBH大于7.5厘米的树木进行了测量，使用Hagl?f Vertex V测径仪在1.30米高度处测量直径。
- 对部分地点的树木进行了GPS定位，以验证DBH测量的准确性。

- **TLS数据采集**
- 使用Leica RTC360高分辨率激光雷达仪采集数据，从五个位置进行扫描（一个中心位置和四个位于四个基本方向上的位置）。

**3. 结果分析**
- **主要发现**
- TLS技术在低至中度燃烧强度条件下能够准确获取森林结构参数，如DBH。
- 焚烧程度的增加会导致再生强度和密度下降，影响树木分割和DBH测量的准确性。
- 在高燃烧强度区域，火灾对TLS技术的应用产生了限制，尤其是在地上生物量估算方面。

**4. 结论**
TLS技术适用于低至中度燃烧强度条件下的火灾后森林资源清查，但在高燃烧强度区域需要改进 method to overcome the limitations caused by fire effects.这种几何形状在火灾后的情况下尤为重要，因为不均匀的炭化模式可能导致空间上异质的反射强度和点密度。在整个区域内使用一致的扫描几何形状也有助于不同燃烧严重程度类别之间的比较，因为树干覆盖率的差异不太可能由采集设计引起。表3。本研究中使用的地面激光扫描仪的技术规格。放置了四个12厘米的球形靶标，以确保每次扫描都能观察到其中至少三个，从而保证精确的配准（靶标位置误差<0.1米；云与云之间的误差<0.02米）。在Sierra de la Culebra的活动中，遇到了一些小雨，因此在降雨期间暂停了扫描以防止强度衰减[34]。2.5. 数据处理图3提供了本研究中采用的方法工作流程的概览。每个处理步骤和分析组件将在以下部分详细描述。图3. 方法工作流程的概览。每个样地包含大约2.5亿个点（10 GB）。数据使用Lax扩展进行空间索引[35]（LAStools版本171231，Rapidlasso GmbH，德国Gilching）。地面使用渐进形态滤波器[36]进行分类。高度使用0.10米的TIN数字地形模型（DTM）作为地面基准进行标准化。移除了地面点，并应用了统计异常值去除（SOR）技术。2.5.1. 分割和胸径（DBH）提取使用Python 3.11包TreeIso（2025年1月访问）[37]将从标准化云中分割出单个树木。我们评估了燃烧严重程度对每棵树的反射次数及其强度的影响，因为这可能会影响树木的分割。我们比较了每个严重程度类别的平均反射强度以及相对于未燃烧样地的反射次数。计算了点特征以过滤掉下层植被并提高树木识别率[21,38,39]。根据Zhou等人的方法[21]，从TLS点云中提取了一组二维和三维几何点特征以支持树木分割和树干识别。这些特征是从局部协方差矩阵的特征值和基于邻域的几何属性中派生出来的。表4总结了提取的特征及其定义。表4. 从TLS点云中提取的用于树木分割的几何点特征。分割过程采用了TreeIso的迭代实现。应用了初始参数，并对每个簇进行了视觉检查。提取出对应于单个树木的分段，而合并的组则通过减少参数进行了重新处理，从而导致进一步的分割。树干隔离度很高（约85-90%），但表现出部分树冠损失。随后，将分割后的树木在1.25-1.35米的高度处切片并投影到XY平面上。通过应用二维RANSAC圆拟合算法[40,41]提取了DBH：(1) 其中为中心点，为半径。圆内阈值范围内的点被视为内点，经过T次尝试后选择内点最多的圆。参数m和n遵循[40]报告的值，并经过验证以确保与我们的数据匹配得当。2.5.2. 燃烧严重程度对DBH提取的影响为了评估燃烧严重程度对DBH提取的影响，我们首先需要量化扫描所能看到的树干面积。扫描仪无法观察到整个周长，每次扫描只能采样树干的不同部分。即使有多个扫描位置旨在最小化遮挡，树干也不能均匀覆盖。因此，我们试图确定从1.25-1.35米切片中可见的部分，并根据扫描到的树干面积来标准化反射次数。因此，将圆柱形表面展开成36个角度扇区。RANSAC算法至少需要三个非共线的点来拟合一个圆。然而，对于TLS树干来说，这样的最小配置是不稳定的。在这项研究中，包含少于50个点或树干覆盖率低于25%（<10个活跃角度扇区；图4）的切片被视为无效的DBH，因为在点分布稀疏或不均匀的情况下RANSAC拟合变得不可靠[42,43]。图4. 横截面树干示意图，用于评估DBH提取时的角度扇区方法。树干切片被展开成36个角度扇区。(a) 具有足够角度覆盖率的采样良好的树干切片示例（27个活跃扇区）。(b) 样本稀少，活跃扇区少于10个的树干切片示例，导致圆拟合不可靠，DBH无效。对于每棵树，我们从1.25-1.35米切片中提取了TLS反射次数()和平均强度。排除了无反射的扇区。使用公式(2)计算了扫描面积和标准化反射密度：(2) 其中m为半径，n为活跃扇区数量。由于强度值在各个样地之间的非正态分布，我们使用Spearman相关性来评估燃烧严重程度对反射强度和反射次数的影响。Spearman相关性在反射强度与AGB估算精度和标准化反射次数之间进行了计算，显著性在报告的p值水平上进行了检验。2.5.3. 地表生物量估算使用[44]提出的异速生长方程[44]估算了每棵树的AGB，其形式如下：(3) 其中CF用于校正对数转换偏差，a和b是物种特定的参数。参考[44]提供了不同生物量分数的参数，包括总生物量、树干、大于7厘米的树枝、2-7厘米之间的树枝和小于2厘米的树枝以及树叶。通过汇总每个样地内树木的生物量来获得样地级别的生物量，然后将其转换为生物量密度（Mg）。由于方程(3)仅适用于健康的个体，而燃烧样地的生物量已被部分消耗，我们根据其他研究[45,46]的方法，按象限（NW、NE、SW、SE）视觉估算了生物量消耗情况。至少有两位专家独立估算了树干、大树枝（>7厘米）、中等树枝（2-7厘米）和小树枝+树叶（<2厘米）的消耗比例。当独立估算结果接近时，使用平均值作为最终估算。在存在显著差异的情况下，两位评估者进行了讨论，直到达成共识值。分别在个体和样地级别对DBH和AGB估算进行了验证。共有23个样地用于AGB估算（8个未燃烧的，7个中度燃烧的，8个重度燃烧的）。对于DBH验证，使用了807棵树，包括165棵未燃烧的、437棵中度燃烧的和205棵重度燃烧的，这些树分布在34个样地中。使用437棵中度燃烧和205棵重度燃烧的树木来评估燃烧严重程度对强度和反射次数的影响。TLS和野外树木通过厘米级别的GPS进行匹配，最大偏差为0.15米。排除了DBH < 7.5厘米的树木，因为这些树木在野外没有测量。AGB和DBH估算使用总体精度（OA）、均方根误差（RMSE）和相对RMSE（rRMSE）进行评估。样地在不同燃烧严重程度类别之间的不均匀分布反映了现场活动中的后勤限制，包括地形难度和样地可达性，而不是采样设计决策。尽管如此，为了避免偏差，还是分别按每个严重程度类别独立计算了精度指标。3. 结果 3.1. 反射强度和反射次数反射强度随着燃烧严重程度的增加而降低（图5）。未燃烧样地的平均强度为XX，中度燃烧样地为YY，重度燃烧样地为7210（±2489）。与未燃烧样地相比，中度燃烧样地平均每单位树干面积仅保留了85.1%的反射次数，重度燃烧样地仅保留了45.7%。反射强度与AGB估算精度（RR1）和标准化反射次数（RR2）显著相关（RR1=YYYY，RR2=ZZZ）。图5. 1.25-1.35米树高处的反射强度与燃烧严重程度的关系。每个箱内的中心线代表中位数。未燃烧、中度燃烧和重度燃烧区域分别用绿色、橙色和红色表示。通过TLS分割的树木数量以及提供有效DBH估算片段的树木比例在表5中总结。分割平均识别出未燃烧样地中RR1的YY%的参考树木，中度燃烧样地中RR1的ZZ%的树木，重度燃烧样地中RR1的ZZ%的树木。表5. 根据野外数据分割的树木及其具有有效DBH切片的比例。3.2. DBH估算在树干高度处测量的胸径（DBH）得到了验证。TLS衍生的DBH值与所有燃烧严重程度类别的野外测量结果高度一致（图6）。图6. 未燃烧、中度燃烧和重度燃烧树木的TLS衍生DBH与野外测量的DBH散点图。虚线红线代表1:1关系，实线红线代表线性回归拟合。对于未燃烧的树木，TLS衍生的DBH与野外数据高度一致（RR1=XXX，RMSE=1.19厘米，rRMSE=7.97%）。中度燃烧样地的精度略有提高（RR1=YYY，RMSE=0.94厘米，rRMSE=6.46%）。重度燃烧树木保持了相当的精度（RR1=ZZZ，RMSE=0.93厘米，rRMSE=6.94%）。3.3. AGB估算随着燃烧严重程度的增加，TLS衍生的AGB值分别代表未燃烧样地的93%、88%和重度燃烧样地的74%的参考生物量（表6）。表6. 不同燃烧严重程度级别的TLS衍生AGB精度与野外参考值的比较。转换成Mg后，未燃烧样地的平均值为76.3（±33.2）Mg，MAE=4.6（±3.8）Mg；中度燃烧样地的平均值为65.1（±24.2）Mg，MAE=6.4（±2.8）Mg；重度燃烧样地的生物量最低，为32.9（±22.7）Mg，MAE=6.1（±4.0）Mg。物种特定的方程引入了轻微的变异性。表7显示了使用Montero等人的[44]中的四个不同物种特定公式，对平均DBH约为15厘米的树木得到的生物量。根据物种的不同，得到的生物量介于43.47千克到73.49千克之间。表7. Montero等人[44]中的物种特定公式及其对DBH=15厘米的AGB估算结果。为了估计在树干级别缺乏物种识别对总AGB误差的贡献，对每个样地的AGB进行了两次计算：一次使用每个个体树木的野外记录的物种特定公式，另一次仅使用应用于所有树木的 dominant 物种公式，这是在处理没有物种标签的TLS数据时必须做的。这两种估算之间的差异分别占未燃烧样地、中度燃烧样地和重度燃烧样地样地级别AGB的4.76%、3.83%和2.06%，反映了在每个样地观察到的物种组成下对物种分配的敏感性。关于燃烧严重程度对AGB估算的影响，AGB误差随着燃烧严重程度的增加而增加，主要是由于反射强度的降低和可用DBH数量的减少。这些因素减少了贡献有效DBH估算的树干数量，进而影响了样地级别的生物量不确定性。4. 讨论 4.1. 反射强度和反射次数反射强度取决于多种因素，包括范围、入射角、表面粗糙度和目标反射率[47]。在野火期间，木材热解会在树皮和边材上形成一层表面炭化层，降低了RTC360系统使用的SWIR区域（1550纳米）的反射率，这是影响反射强度的关键因素[48]。在重度燃烧的样地中，炭化层延伸超过2米，完全覆盖了提取DBH的高度（1.25-1.35米），显著降低了反射强度。此外，仪器的波长对表面水分非常敏感[49]。在Sierra de la Culebra进行TLS采集期间有轻微降雨，炭化木材的高孔隙率可以增强水分吸收[50]，进一步降低了有效反射率。我们的结果表明，TLS测量对于中度燃烧样地中发现的反射强度的适度降低相对抵抗，但在高严重程度样地中，由于传感器记录的反射强度显著降低，估算性能急剧下降。从未燃烧样地的14,544个强度单位下降到中度燃烧样地的10,171个单位，仅导致反射次数减少了14.9%，而在重度燃烧样地中进一步损失了约3000个强度单位（7210），导致反射次数减少了54.3%，这转化为分割树木比例和可用DBH切片的百分比降低，从而降低了样地级别的总体AGB精度。4.2.DBHTLS推算出的树干直径（DBH）的估计结果在不同燃烧严重程度下都具有很高的准确性（总体准确率为94.5%，平均绝对误差（MAE）为0.78厘米，均方根误差（RMSE）为1.02厘米）。这些结果与之前的研究一致，那些研究使用了高分辨率的TLS技术进行树木级别的测量，例如[51]，他们报告的MAE为0.92厘米，RMSE为1.8厘米。尽管火灾会导致树皮表面纹理发生变化，但在地中海松树林生态系统中，火灾消耗主要集中在树叶和细小燃料部分[52]，因此树干几何形状基本保持完整。因此，实地测量的DBH值不受显著影响，仍然可以作为验证的可靠参考。不同燃烧严重程度的相对误差差异不大（未燃烧区域的rRMSE为7.97%；中等燃烧区域的rRMSE为6.46%；严重燃烧区域的rRMSE为6.94%）。在未燃烧的林分中，由于 preprocessing过程中未能完全清除下层植被和低矮树枝，这些因素会在分割树干时造成干扰，从而在提取DBH的数据中引入误差。而在燃烧后的林分中，火灾会清除这些干扰元素，从而改善了树干的可见性，这也部分解释了为什么在中等和严重燃烧条件下观察到的误差较小。使用鲁棒的圆形拟合算法（RANSAC 2D）能够在数据不完整或噪声较大的情况下提高DBH估计的稳定性，这进一步证实了该算法用于森林树干的可靠性[40,53]。在燃烧后的林分中，这种鲁棒性尤为重要，因为此时返回信号强度和点密度大幅下降，但该算法仍能确保DBH的准确提取。

4.3. 林冠生物量（AGB）的估计
AGB估计的误差来源于DBH的不确定性以及物种鉴定的错误，因为所使用的生物量模型是基于DBH和特定物种的参数建立的。尽管在未燃烧的森林中，利用LiDAR数据识别树木种类的准确率可以超过90%[54]，但在火灾后的情况下并未尝试进行物种鉴定，因为火灾改变了树皮纹理和树冠结构，破坏了分类算法所依赖的基础。因此，物种鉴定是根据野外调查记录的优势物种来进行的。使用基于DBH和树高的生物量模型可以提高AGB的估计精度[55]。然而，诸如树高、返回信号强度、树冠体积和树冠基部高度等指标[56,57,58]可能会受到野火的影响，特别是在高燃烧严重程度的区域，这种影响会进一步增加AGB估计的不确定性。随着燃烧严重程度的增加，AGB的准确率由未燃烧区域的93%下降到中等燃烧区域的88%，以及严重燃烧区域的74%。这种准确率的下降与DBH误差向生物量模型中的传递是一致的。在中等燃烧程度的区域，准确率下降主要是由于缺乏物种鉴定造成的，而点密度和分割性能仍保持较高。预计林分中存在的物种数量越多，这种误差会越大。在严重燃烧的区域，除了物种鉴定错误外，返回信号强度的降低也成为主要的误差来源。这些区域失去了54.3%的返回信号，导致可用DBH的比例从92%降至74%。因此，估算出的生物量平均密度（32.90 Mg/ha）明显低于实际观测到的平均密度（44.16 Mg/ha）。

4.4. 限制因素
在解释这些结果时，需要考虑几个限制因素。TLS测量是在火灾发生后的11个月和16个月进行的，目的是评估火灾后的植被恢复情况。在两个观测地点，燃烧区域的树干提取高度（1.25–1.35米）处的树皮已经裸露并烧焦，只有稀疏的幼树重新生长。生物量消耗的视觉估计本质上具有主观性。然而，使用至少两名独立评估者，并结合已建立的现场操作规程[45,46]（按象限划分进行评估），可以减少个人判断带来的影响。由于缺乏物种鉴定而引入的不确定性相对较小，相比由高强度燃烧导致的返回信号损失而言；但在物种多样性较高的混合林分中，这种不确定性可能会增加。最后值得一提的是，Leica RTC360仪器作为单返回信号仪工作，每次脉冲只记录一次返回信号。在严重烧焦的树干上，单次返回信号可能会完全低于检测阈值。多返回信号系统可能能够部分弥补信号丢失带来的影响。

5. 结论
本研究评估了燃烧严重程度对基于TLS技术的森林结构变量估计的影响。树干直径（DBH）被准确提取，且随着燃烧程度的增加，准确率并未显著下降（平均准确率为94.5%，RMSE为1.02厘米）。AGB估计的误差主要来源于DBH的不确定性，在严重燃烧情况下，由于返回信号强度和点密度的丧失，这种不确定性被放大。虽然这些因素没有显著影响树木的分割，但减少了可用DBH的数量，从而导致未燃烧区域的AGB准确率从93.0%下降到严重燃烧区域的74.5%。返回信号强度对于获得可靠的测量结果至关重要，因为树干烧焦和水分吸收会降低SWIR波段的反射率。此外，由于无法正确识别分割出的树木种类，AGB的准确率进一步降低。这里提出的评估框架适用于其他受火灾影响的森林生态系统。我们的结果提示，在高燃烧严重程度的火灾条件下，解释基于TLS的林分级别估计结果时应保持谨慎，不过这种影响可能会因使用的仪器发射波长和功率而有所不同。总体而言，TLS技术在低至中等燃烧严重程度的火灾后森林清查中表现出较高的可靠性，DBH提取和生物量估计结果仍然准确。在高燃烧严重程度的区域，烧焦的树干导致的返回信号丧失限制了树木的检测能力，降低了林分级别的AGB估计精度，这突显了需要使用对低强度返回信号具有鲁棒性的方法和采集协议。