评估无人机（UAV）影像和高分辨率激光雷达（LiDAR）用于树高估计：飞行速度和图像重叠的作用

《Science of Remote Sensing》：Assessing UAV Imagery and High-Resolution LiDAR for Tree Height Estimation: The Role of Flight Speed and Image Overlap

　　

树高是生态研究和商业林业中的一个基本属性，作为立地生产力的关键指标。配备RGB相机和激光雷达（LiDAR）传感器的无人机（UAV）为传统的地面、卫星和有人机方法提供了一种成本和时间高效的替代方案，用于树高测量。本研究的目标是：（1）评估UAV飞行速度和图像重叠对数据质量、任务效率和处理需求的影响；（2）比较运动恢复结构（SfM）摄影测量与LiDAR在生成冠层高度模型（CHM）方面的性能；（3）量化UAV导出的树高估计相对于地面测量的精度，并确定最佳飞行配置。测试了三种飞行速度（10、15和20 mph）和四种前向/侧向重叠水平（50%、60%、70%和80%），UAV导出的树高估计值与920棵地面实测树木进行了验证。两个数据集均在ArcGIS Pro中处理，生成冠层高度模型（CHM）、通过运动恢复结构（SfM）摄影测量生成的RGB影像以及来自激光扫描点云的LiDAR数据。正射镶嵌质量通过连接点密度、重投影误差、地面分辨率、影像地理配准偏差、全球定位系统（GPS）均方根误差（RMSE）和区域网平差成功度进行评估，而LiDAR点云质量通过点密度（pts/m²）和高度百分位数（P25、P50、P75、P95）进行评估。两种传感器的高度估计精度使用决定系数（R²）、均方根误差（RMSE）和偏差（Bias）进行量化。结果表明，在任务效率、数据量和处理时间的所有维度上，图像重叠的影响比飞行速度更强且更一致。当重叠从50:50增加到80:80时，飞行时间增加了一倍以上，图像数量增加了六倍。更高的重叠改善了正射镶嵌的连续性、连接点密度、重投影精度和CHM质量，但代价是处理时间更长、存储需求更大和计算要求更高。LiDAR点密度同样随重叠增加而增加，在≥70%重叠时产生更平滑的CHM，而高度百分位数在不同配置下保持稳定。在精度方面，以10 mph和80:80重叠获取的UAV影像表现出最佳的摄影测量性能（R² ≈ 0.60，RMSE = 4.5 m，Bias = 4.3 m），尽管所有影像导出的估计值都呈现出系统性的高度低估。LiDAR导出的高度在所有飞行配置下都更为稳健，在10 mph和80:80重叠时表现最佳（R² ≈ 0.89，RMSE < 1.5 m，Bias < 0.5 m）。这些发现表明，更高的重叠，特别是在中等飞行速度下，能显著提高数据质量和树高估计精度，为优化基于UAV的森林清查工作流程提供了实用指导。

**论文解读文章**

**研究背景与问题**

树高是生态研究和商业林业中的核心属性，是衡量立地生产力的关键指标。传统的地面测量方法耗时且成本高昂，尤其在异质性地形区域精度显著下降。卫星遥感虽广泛应用于大规模监测，但受限于高成本、低时间灵活性及云层干扰；有人机调查虽可获取高分辨率数据，但物流规划复杂且经济负担大。无人机（UAV）凭借其灵活部署、高时空分辨率和低成本优势，成为替代方案。然而，UAV影像和LiDAR数据的可靠性受森林类型、气象条件及飞行参数（如飞行速度和图像重叠）的显著影响。现有研究已初步证实飞行速度和图像重叠对森林结构参数提取的重要性，但缺乏在统一实验框架下系统评估两者对UAV摄影测量与LiDAR衍生结构指标的联合影响，尤其忽略了侧向重叠的作用。因此，本研究旨在：（1）评估UAV飞行速度和图像重叠对数据质量、任务效率和处理需求的影响；（2）比较运动恢复结构（SfM）摄影测量与LiDAR在生成冠层高度模型（CHM）方面的性能；（3）量化UAV导出树高估计相对于地面测量的精度，并确定最佳飞行配置。

**研究内容与结论**

研究人员在阿肯色大学蒙蒂塞洛分校管理的8.1公顷松树种植园（主要树种为火炬松^{Pinus taeda}和短叶松^{Pinus echinata}，约80%和20%）中开展研究。通过布设12种不同的UAV飞行任务（3种速度×4种重叠），获取RGB影像和LiDAR点云，并与920棵地面实测树木进行对比验证。研究得出以下结论：（1）图像重叠对任务效率、数据量和处理时间的影响强于飞行速度，从50:50重叠增加到80:80时，飞行时间增加一倍以上，图像数量增加六倍；（2）LiDAR在所有飞行配置下均提供更可靠的树高估计，最佳性能为R²≈0.89，RMSE<1.5 m，Bias<0.5 m，而UAV影像在10 mph和80:80重叠时表现最佳（R²≈0.60，RMSE=4.5 m，Bias=4.3 m），但存在系统性低估；（3）较高重叠（≥70%）显著提升CHM质量和点密度，但伴随处理时间增加和计算需求增大。本研究为优化UAV森林调查参数提供了实践指导，论文发表在《Science of Remote Sensing》。

**主要关键技术方法**

研究人员采用以下关键技术方法：（1）UAV数据采集：使用DJI Matrice 300 RTK平台搭载Sentera双4K多光谱相机（nRGB影像）和LiDAR USA Revolution 120激光雷达，在固定高度61 m下，以3种飞行速度（10、15、20 mph）和4种前向/侧向重叠（50:50、60:60、70:70、80:80）组合执行12次任务。样本队列来源为阿肯色大学管理的8.1公顷松树种植园，地面实测920棵树的高度（范围11.16–25.34 m）。（2）数据处理：影像在ArcGIS Pro的Ortho Mapping工作区中通过SfM处理生成点云、数字表面模型（DSM）和正射镶嵌；LiDAR数据经GNSS/INS轨迹优化、异常点剔除后生成数字地形模型（DTM）和CHM。（3）精度评估：通过决定系数（R²）、均方根误差（RMSE）和偏差（Bias）量化光栅产品（CHM）的树高估计精度，并分析点云密度、高度百分位数及正射镶嵌质量指标。

**研究结果**

**3.1 对数据采集的影响**

**3.1.1 飞行时间**：图像重叠显著延长任务时间。从50:50到80:80，10 mph时飞行时间从12分钟增至27分钟，20 mph时从6分钟增至15分钟，中等重叠（60:60）接近基线。

**3.1.2 捕获图像数量**：图像数量随重叠急剧增加，飞行速度影响微弱。10 mph下，从50:50到80:80，图像数从105增至616（六倍增长）。速度增加导致更高触发频率，因而20 mph的图像数多于10 mph。

**3.2 对数据处理的影响**

**3.2.1 UAV影像处理时间**：CHM生成时间随重叠增加，80:80时最长（10 mph下从73分钟增至250分钟）。重叠是主要驱动因素，飞行速度影响较小。

**3.2.2 LiDAR点云处理时间**：INS/GNSS后处理时间均低于5分钟，重叠影响大于速度。LiDAR数据后处理的时间变化较小（15–20分钟范围），速度与时间无一致关联，因LiDAR流程主要处理点云密度而非图像匹配。

**3.3 对输出质量的影响**

**3.3.1 UAV影像**：高重叠（80:80）产生更完整、纹理一致的正射镶嵌，连接点密度增加，重投影误差降低（10 mph, 80:80时0.49像素）。CHM质量随重叠改善，低重叠（50:50）出现大量零值和伪影，高重叠（80:80）提供连续平滑的冠层表示。

**3.3.2 LiDAR点云**：点密度（pts/m²）随重叠增加，10 mph和80:80时最高（437.8 pts/m²），但高度百分位数（P25–P95）在不同配置间稳定。CHM质量在70%重叠时出现阈值性改善，飞行速度影响轻微。

**3.4 对树高估计精度的影响**

**3.4.1 UAV影像**：R²随重叠增加而上升，RMSE和偏差降低。10 mph和80:80时最佳（R²≈0.60，RMSE=4.51 m，Bias=4.33 m），但所有组合均存在系统性低估。15 mph和70:70重叠时偏差更低（RMSE=3.9 m，Bias=3.2 m）。

**3.4.2 LiDAR点云**：R²随重叠增加，RMSE和偏差下降，且变化幅度较小（偏差<0.5 m，RMSE<1.5 m）。10 mph和80:80时最佳（R²≈0.89，RMSE和偏差值与影像相似但数值更优）。LiDAR在所有组合中精度一致。

**讨论与结论**

讨论部分指出，LiDAR在所有飞行配置下均优于UAV影像，归因于LiDAR对树冠细节和高度变化的更好捕捉能力，而UAV-SfM在密集森林中易受遮挡和重投影误差影响。高重叠设置（70–80%）改善了CHM质量和点密度，但增加了飞行时间和处理需求，需根据调查规模权衡。低速（10 mph）提高相关性但略增偏差，中速（15 mph）可优化效率。研究局限性包括缺少地面控制点（GCPs）、固定飞行高度及仅应用于针叶林，建议未来研究纳入多种森林类型和较宽高度范围。

结论部分翻译：本研究系统评估了UAV飞行速度和图像重叠对数据质量、处理效率和树高估计精度的影响，使用RGB影像和LiDAR点云。一个关键发现是，图像重叠在正射镶嵌质量、CHM性能、点云密度和处理需求等所有评估维度上均比飞行速度具有更强且更一致的影响。总体而言，LiDAR提供了更可靠的冠层高度估计和更好的森林结构表示，相比UAV-SfM影像，对冠层遮挡和重建限制表现出更大的鲁棒性。而UAV影像虽具成本效益和操作可扩展性，但其性能对重叠配置更为敏感，且在密集针叶林环境中倾向于低估高度。中等重叠设置通常在数据质量和操作效率之间提供了实用平衡，过低重叠会降低重建质量，过高重叠则增加飞行和处理需求而无显著精度提升。这些发现为优化UAV森林调查任务设计提供了实用框架，通过系统评估两种传感方法下的飞行速度和图像重叠组合，本研究为基于调查规模、森林结构和操作约束选择UAV采集参数提供了可转移的见解。未来研究应扩展至更多森林类型、更宽飞行高度范围，并纳入地面控制点以进一步降低位置不确定性。