结果：人工智能辅助选择性采伐与智慧森林管理的研究现状
3.1 文献格局与主题分类
纳入的82项研究表明，人工智能辅助选择性采伐的相关研究并未集中于单一学科流。相反，该领域分布于智慧林业、精准林业、遥感、计算机视觉、LiDAR清查、林业机械辅助、优化与数字化林业预测等多个方向。智慧林业与“林业4.0”研究提供了更广泛的概念框架，强调林业数字化依赖于协调的感知、数据质量、互操作性与以人为本的决策支持，而非孤立的数字工具。在此格局中，选择性采伐占据极具挑战性的位置，要求单木观测、局地空间感知、面向操作人员的解读及营林决策逻辑。移动LiDAR疏伐密度辅助、截梢式采伐机载LiDAR、采伐机挂载移动激光扫描与自动化疏伐树种选择等研究证明，作业林学界正开始从事后分析转向为机械操作人员提供实时或近实时辅助。
3.2 面向单木评估的多模态感知
3.2.1 基于图像的感知
红绿蓝(RGB)影像仍是单木视觉解译最易获取的感知模态，支持树冠检测、树干识别、树种分类及面向操作人员可视化。基于卷积神经网络(CNN)的单木树冠检测与无人机树种识别综述证实，图像数据因其成本相对较低、直观可解释性及与成熟检测分割模型的兼容性，在许多深度学习林业工作流中占据主导地位。然而，仅凭RGB数据不足以完成多数选择性采伐任务。林分场景普遍存在强遮挡、不规则光照、重复的茎干状结构及背景杂波。尽管航空RGB研究在树冠检测与勾绘方面取得优异成果，但地面与机械挂载视角因树木部分可见、强重叠及移动平台观测，研究仍显不足。因此，RGB成像应被视为语义感知通道，而非选择性采伐决策的独立基础。
3.2.2 LiDAR与点云感知
LiDAR通过提供度量几何信息补充RGB成像。地面与移动点云研究表明，LiDAR可支持单木分割、茎干检测、结构参数提取、局地森林制图与空间结构评估，这对选择性采伐至关重要——检测到的树木必须至少关联其空间位置与邻体关系，并评估机械可达性与可测结构属性。LiDAR的作业相关性在近期的采伐导向研究中尤为明显：Sagar等人研究了截梢式采伐中的机载LiDAR应用；Faitli等人将移动激光扫描系统集成至采伐机以支撑定位与树干测量；Pohjala等人评估了移动LiDAR疏伐密度辅助系统，证明该技术可直接支持采伐机操作人员的疏伐作业。这些研究表明，移动与机械挂载LiDAR正从清查导向研究转向作业决策辅助。
3.2.3 面向作业林业的互补感知
综述文献支持互补感知策略而非单一传感器设计。RGB成像更适合视觉识别与操作人员解读，LiDAR则提供距离、几何与局地空间结构。结合LiDAR、RGB、高光谱、多光谱或多平台数据的多模态研究表明，融合可提升树木分割、树种分类、结构估计与语义属性提取精度。对于选择性采伐，融合的核心价值不仅在于更高的分类精度，更在于创建可操作的单木对象，整合身份、位置、结构属性与局地上下文等关键参数。
3.3 面向单木检测与特征提取的人工智能方法
3.3.1 基于深度学习的树木检测
深度学习已成为树木检测与特征提取的主导范式。系统综述表明，基于卷积神经网络的方法较传统图像处理显著提升了单木检测与树冠勾绘能力。单阶段检测器，包括YOLO系列模型，因其在推理速度与检测性能间的良好平衡，在林业应用中颇具吸引力，近期基于YOLO的树木检测与树干识别研究验证了这一点。然而，文献同时表明，航空或卫星影像的高性能并不能自动转化为鲁棒的采伐机挂载感知。地面场景引入的部分可见性、移动视角、阴影、林下杂波及茎干或枝条遮挡等因素会降低检测可靠性，使得从航空或卫星基准的直接迁移不可靠。因此，单阶段检测器应被视为未来采伐系统的强基线模型，其性能必须在野外作业条件下验证，而非仅依赖遥感基准假设。
3.3.2 采伐机挂载感知中的跨视角域偏移
航空或无人机数据集向采伐机挂载感知迁移性能下降的关键原因在于跨视角域偏移。航空与无人机影像通常将树木表征为从上视角度观测的树冠或冠层对象，而采伐机挂载相机则从移动的地面或倾斜视角观测茎干、下层树冠、枝条、林下植被、机械部件、阴影及部分可见的树木结构。这改变了可见目标几何形态、候选树木的空间尺度、遮挡模式及标注目标与作业决策的关联方式。标注定义也随之改变：航空树木检测研究通常以单木树冠或冠层边界为标签，而在选择性采伐中，相关目标可能是茎干、单木候选体、保留木或标记采伐木。这造成了标签空间错配——训练用于识别树冠状图像区域的检测器可能无法可靠识别采伐辅助所需的局部可见树干或下层树冠结构。地面感知还必须耐受运动模糊、振动、距离快速变化、冠层下强光照梯度、季节变化及邻近树木或林下植被的遮挡。因此，航空或离线数据集报告的性能指标不应直接等同于选择性采伐的野外就绪证据。更具相关性的评估场景是基于地面或采伐机挂载传感器采集的、最好与LiDAR同步的数据集，且标注不仅包含树木存在与否，还需包含作业相关性。这并不削弱航空数据集的价值——它们仍可用于预训练、林分尺度上下文及更广的林业制图，但采伐机挂载决策支持需要额外的域适应与野外验证。
3.3.3 轻量化采伐场景模型的特征适配策略
采伐场景的轻量化检测模型应针对地面、机械挂载森林观测中保持稳定的特征进行优化。与航空树冠检测不同，选择性采伐辅助需要更强关注茎干、下层树冠几何、可见树皮与分枝模式、局地树木间距及部分树木证据。因此，特征适配应优先考虑茎干与树干导向的表征、针对不同距离树木的多尺度特征，以及对遮挡与背景杂波的鲁棒性。基于综述文献，适配的几个实用方向包括：训练数据集必须从严格依赖航空数据转向纳入地面或采伐视角影像；数据增强策略应主动模拟野外特异性退化条件，如阴影、光斑、运动模糊、扬尘、部分遮挡、茂密下层植被、季节变化及相机距离波动；模型架构必须在保持低延迟的同时提升对薄垂直结构与部分遮挡目标的敏感性；在配备LiDAR的系统中，利用几何约束可发挥显著优势——这些约束可用于过滤候选区域、实现距离感知解译，并将基于图像的检测结果映射到局地点云簇。在作业层面，最重要的指标可能不仅是离线测试集的平均精度均值(mAP)。面向采伐机的检测器应通过漏检候选树、误荐候选树、跨帧时间稳定性、推理延迟及后续与LiDAR衍生树木对象的关联可靠性进行评估。这意味着轻量化模型应针对从感知到决策的完整链条进行优化，而非仅关注图像检测本身。
3.3.4 实例分割与单木勾绘
实例分割方法，尤其是基于Mask R-CNN的工作流，在需要分离单木或树冠而非简单检测含树区域的任务中具有重要价值。多项研究证明了Mask R-CNN在单木树冠勾绘、枯立木分类、生物量相关评估及多时态冠层制图的实用性，这些方法在密集或重叠林分中尤为相关，此时边界框可能不足以分离相邻树木。对于选择性采伐，实例分割可通过提供更精确的目标边界支持更可靠的RGB–LiDAR关联。其主要缺点是标注负担重与计算成本高。因此，分割最适合作为困难场景的高级组件、数据集制备或验证子集，而轻量化检测模型可能仍是实时板载作业的首选。
3.3.5 地面与部署导向的视觉感知
少数但极具相关性的文献涉及地面树干检测与部署导向的视觉感知。轻量化树干识别模型与林业机器人研究表明，实时或近实时感知在技术上是可行的，但必须在精度与延迟、硬件限制及环境变异性之间进行权衡。这一研究方向对采伐导向系统至关重要，因为操作人员辅助需要及时且可解释的输出，而非仅高的离线基准分数。
3.4 基于LiDAR的定位与树木属性提取
LiDAR定位与属性提取构成了人工智能辅助选择性采伐最重要的技术基础之一。移动LiDAR研究表明，点云可应用于森林清查、茎干属性估算、作业制图等相关任务。地面与地基点云研究进一步证明了深度学习与几何方法在单木分割、树干检测与结构参数提取中的潜力。当这些方法与林业机械作业相关联时，其相关性显著提升。采伐机挂载移动激光扫描已用于树干测量与定位，近期关于LiDAR赋能的树木地图匹配研究解决了实时、无漂移的采伐机定位问题。此类方法的重要性在于，选择性采伐辅助系统不仅需要识别树木是否可见，还需确定树木相对于机械及其他保留或候选茎干的位置。与此同时，基于LiDAR的处理仍具挑战性：密集点云计算开销大，林分场景包含倾斜茎干、遮挡、林下植被、多变地形及不规则点点密度。地基点云与软件工具综述指出，可复现性、基准可用性及鲁棒处理工作流仍是重要障碍。因此，近期最实用的策略是结合可解释的点云预处理与聚类及基于人工智能的视觉感知，而非立即依赖完全端到端学习的3D森林理解流水线。综述文献不支持几何茎干提取与深度学习实例分割之间的直接普适定量比较，因为现有研究在扫描仪类型、点密度、物种组成、平台运动、硬件、标注协议及评估指标上存在差异。然而，证据表明存在清晰的作业权衡：几何预处理与聚类通常更具可解释性，更适合低延迟板载过滤，但在遮挡、倾斜茎干及不规则点密度下表现脆弱；基于深度学习的3D分割在合适数据集训练后对复杂林分结构具有更强潜力，但需要更多标注数据、更高计算资源及谨慎的野外部署验证。对于选择性采伐，混合工作流是近期最合理的路径：利用几何规则与聚类提取候选空间对象，再利用基于图像或多模态人工智能提升语义解译与决策相关性。
3.5 影像与激光扫描数据的多模态融合
多模态融合被反复确认为智慧林业与森林资源监测的关键方向，对选择性采伐尤为重要，因为系统必须结合语义识别与几何定位。RGB影像可识别可能的树木或树种候选体，而LiDAR可提供位置、距离、结构上下文及其他空间参数。结合无人机LiDAR、RGB、高光谱、多光谱及其他数据源的研究表明，融合数据可提升树木分割、树种分类与结构参数提取等典型智慧林业任务的性能。综述文献提出了三种通用融合策略：早期融合、特征级融合与后期融合。早期与特征级融合可提取更丰富的联合表征，但要求多模态数据集良好对齐、标定精细且训练复杂。后期融合则独立处理检测结果与LiDAR对象后再进行关联，模块化程度与可解释性更高。对于初期采伐导向的实现，后期RGB–LiDAR融合是最现实的起点，它允许将视觉检测结果与LiDAR衍生的簇、局地树木坐标及结构描述符相关联，同时保持面向操作人员决策支持的透明度。当前未解决的主要问题是，多数林业多模态研究仍面向清查、树种制图或航空/调查工作流，而非林业机械的实时作业。因此，下一步研究重点不仅是提升融合精度，更要验证融合输出能否在移动机械条件下可靠支撑疏伐、采伐/保留建议及操作人员决策。
3.6 边缘计算与实时林业部署
实时部署是人工智能辅助选择性采伐的决定性要求。林业作业常在网络连接不可靠、光照多变、振动、粉尘、机械视角变化、天气与季节变化的区域进行，因此许多关键功能必须在机械本地执行，而非依赖云计算。边缘人工智能研究与林业机器人研究表明，板载推理在树干检测与森林监测任务中具备可行性，但模型选择必须考虑延迟、功耗、内存与鲁棒性。da Silva等人的边缘人工智能研究特别相关，因其评估了跨部署导向硬件类别的树干检测性能。利用增强现实(AR)或操作人员显示器的实时辅助也在采伐机上得到探索，表明人机交互正成为务实的研究课题而非纯粹的概念补充。以人为本的林业人工智能文献强化了这一观点：“林业5.0”强调专家用户的作用、可解释性与操作人员接受度。在选择性采伐中，这意味着人工智能应帮助操作人员维持疏伐目标、识别候选树木、检测结构状况并降低认知负荷，但最终责任仍由人类操作人员承担。
3.7 选择性采伐的决策支持方法
综述文献显示，当前林业决策支持系统涉及生态系统服务、造林、采伐系统选择、多准则分析及典型场景下的管理规划，但许多决策支持系统运行于林分或规划尺度，未与实时机械感知直接连接，造成感知输出与作业建议间的缺口。选择性采伐要求在多种约束下进行单木决策，最重要的是营林、生态、作业与经济约束。近期优化研究表明，单木决策可通过数学规划、空间连通性约束、多目标模型及疏伐或采伐作业优化进行形式化，证实了算法选树的既定研究方向。最直接相关的案例将感知衍生的结构信息与疏伐决策相连接：Lee等人开发并评估了利用优化技术与多平台LiDAR数据的疏伐树种选择系统；Yang等人提出了面向单木尺度选择性采伐的自动化森林疏伐框架。这些研究实现了一种决策支持结构：首先检测与定位候选树木，然后通过保留规则过滤，按效用或竞争指标排序，最终以采伐/保留建议形式呈现给操作人员。对于采伐机辅助系统，决策层应具备约束感知、可解释性，并能根据当前营林目标进行配置。
3.8 预测与数字化林业延伸
综述文献同时表明，智慧采伐系统最终应将即时单木决策与长期森林发展相联系。数字孪生概念已在农业与林业中得到综述，林业专用数字孪生框架普遍提出整合时空数据、仿真与交互管理环境，这些研究的重要性在于预示未来林业机械可能成为更广泛数字化林业系统中的数据生成节点。然而，数字孪生的主张需谨慎对待。面向采伐机决策支持的作业型数字孪生尚未成熟。更现实的近期路径包括面向预测的智能化管理、生长模型模拟及利用更新的树木或林分描述符进行情景分析。基于深度学习的森林生长反演、LiDAR-光学结构监测、生物量估算与采伐实践识别等研究展示了传感数据如何支撑超越即时采伐作业的长期规划。因此，本综述将预测视为数字化林业的延伸，而非完全实现的数字孪生层。最现实的路径是将单木感知输出聚合为林分状态描述符，在疏伐行动后更新这些描述符，并利用生长或情景模型估算未来5–10年的采伐潜力。这种方法将选择性采伐与智慧森林管理相连接，同时避免了过度宣称当前数字孪生实现的成熟度。
3.9 研究现状综合
综述证据凸显了以下与集成相关的发现：单木感知已取得实质性进展，但多数计算机视觉研究仍为航空、静态或离线性质，而非采伐机挂载与作业导向，导致从航空或无人机影像向移动地面采伐机感知迁移模型时，跨视角域偏移仍是关键障碍。LiDAR与移动点云处理为空间定位、茎干制图与结构属性提取提供了最强基础，尤其来自移动或机械挂载平台，但尚无受控基准在相同采伐条件下量化几何茎干提取、深度学习分割与混合工作流的精度–延迟–鲁棒性权衡。多模态融合具有充分合理性，因为选择性采伐同时需要语义解译与度量几何，近期最现实的路径是可解释的后融合，即将图像检测与LiDAR衍生树木对象关联，更深度的学习融合留待未来研究。决策支持与优化方法已足够成熟以支撑透明的选树逻辑，但仍未充分连接至实时感知流。预测与数字孪生导向方法提供了重要的长期延伸，但当前领域支持分阶段、面向预测的解读，而非宣称完全成熟的采伐机数字孪生。这些发现共同为后续章节提供了依据，即将证据综合为人工智能辅助选择性采伐的参考架构。该架构不应被视为完全验证的最终系统，而应理解为整合最有前景的感知、融合、决策支持与预测方法的框架，为未来智慧森林管理系统指明方向。
