《Remote Sensing》：Automated Individual-Tree Species Recognition Using Mobile Laser Scanner Point Clouds, Random Forest and 2D Convolutional Neural Networks
编辑推荐：
获取树种信息对森林的管理与保护具有特殊意义。遥感技术已被广泛用于此任务，尤其是在景观尺度上。然而，在单木级别获取此类信息的研究较少。近几十年来，移动激光扫描仪（MLS）平台在获取单木信息方面逐渐引起林业部门的兴趣。在本研究中，研究人员检验了利用MLS点云区分七
获取树种信息对森林的管理与保护具有特殊意义。遥感技术已被广泛用于此任务，尤其是在景观尺度上。然而，在单木级别获取此类信息的研究较少。近几十年来，移动激光扫描仪（MLS）平台在获取单木信息方面逐渐引起林业部门的兴趣。在本研究中，研究人员检验了利用MLS点云区分七种不同树种（欧洲栗Castanea sativa、蓝桉Eucalyptus globulus、亮果桉Eucalyptus nitens、海岸松Pinus pinaster、辐射松Pinus radiata、夏栎Quercus robur和劳森柏Chamaecyparis lawsoniana）的可行性。分类采用机器学习算法随机森林（RF）和深度学习算法即二维卷积神经网络（2D CNN）进行。RF算法利用反映单木点云内点垂直分布的统计量栅格图层，在像素级别识别树种。2D CNN算法通过绕单轴旋转点云，构建单木点云的多视角二维剖面。研究人员测试了不同的二维图像尺寸。2D CNN算法优于RF算法，总体精度（OA）达到93%。研究人员还发现，图像尺寸既影响获得的精度指标，也影响所需的训练时间。在所研究的树种中，辐射松和夏栎的分类精度最低（F分数分别为83%和87%）。根据这些结果，MLS点云可有效用于林业部门，通过全自动化流程实现单木树种识别。
**研究背景**
森林提供碳储存、生物多样性保护及生态过程调节等关键生态系统服务，因此森林保护与可持续管理成为全球优先事项。实现这些目标需要准确详细的森林组成与结构信息。其中，单木级别的树种识别尤为关键，因为不同树种具有不同的生态影响、提供不同的生态系统服务，因而需要不同的管理策略。然而，通过传统野外调查获取该信息是一项劳动密集且耗时的过程。遥感技术已被广泛用于森林调查，但基于单木级别的树种识别仍具挑战性，因为同种个体在不同生长阶段可能呈现不同颜色与结构模式，而不同种个体在相似发育阶段可能呈现相似性。激光雷达（LiDAR）数据因其能捕捉树冠形状与结构特征而具有潜力，但多数研究集中于航空平台或地面激光扫描（TLS），而移动激光扫描仪（MLS）在树种分类中的应用研究较少。截至2023年，仅有少数研究使用MLS点云进行单木树种分类，且多集中于城市环境，森林环境中的研究更少。因此，有必要在不同环境、树种组合及发育阶段中进一步评估MLS点云用于单木树种分类的可行性。该研究旨在评估MLS点云是否包含足够的结构信息，以在同一分类框架内同时区分多个树种，并比较随机森林（RF）与二维卷积神经网络（2D CNN）两种算法的性能。论文发表在《Remote Sensing》。
**研究方法**
研究人员主要采用以下关键技术方法：（1）数据采集：使用GeoSLAM
TM ZEB Horizon扫描仪（GeoSLAM Ltd., 英国诺丁汉）获取点云，该设备利用同步定位与建图（SLAM）算法和惯性测量单元（IMU）进行三维空间定位，并通过GNSS设备（Geomax Zenith15）进行地理参考；数字地形模型（DTM）来自西班牙地理信息系统（IGN）的PNOA-LiDAR项目。（2）点云预处理：使用LAStools软件进行高度归一化，将点高度转换为距地面高度。（3）单木分割：采用最小距离分割方法（基于Solares-Canal等[12]），将点云沿垂直轴切成35个1 cm厚的切片（间隔10 cm，从1 m到4.50 m），对每个切片使用DBSCAN聚类并拟合圆周，再通过主成分分析（PCA）获得每棵树的垂直轴向量，最后以1.5 m半径缓冲区分割单木点云。（4）树种分类：RF算法使用36个LiDAR点云统计量（反映垂直分布）的栅格图层（分辨率0.5 m）进行像素级分类，模式确定最终树种；2D CNN算法通过绕Z轴旋转点云每45°生成8个二维正面视图（投影到YZ平面，去除Z≤0.7 m的点），测试不同图像尺寸（55×275至315×1575像素，高宽比5），采用包含卷积层、池化层、dropout层及全连接层的CNN架构，使用Adam优化器训练6个epoch。样本来源：研究区位于伊比利亚半岛西北部，包括西班牙加利西亚沿海的11个样地和葡萄牙帕雷德斯德科拉保护区的1个样地，为单种林分，共7种树种，每种60棵训练树（均匀分布于各林分）。
**研究结果**
**5.1 单木分割**：研究人员在各林分中检测到不同数量的树木，并通过点云正面视图展示了不同树种在冠层结构上的差异，尤其是冠长、分枝和顶端优势等方面。例如，辐射松和劳森柏呈现顶端优势；海岸松和蓝桉存在自然整枝；欧洲栗树冠呈椭球形且枝条从树干较低处分生；夏栎树冠特征为下部枝条无叶。
**5.2 点云统计量的RF分类**：RF算法得到的单木树种分类总体精度（OA）为72%。在针叶树中，辐射松精度最低（F分数44%），海岸松次之（F分数65%）；在阔叶树中，夏栎精度最低（F分数56%）。混淆矩阵显示，辐射松最常与劳森柏、欧洲栗和亮果桉混淆；海岸松和夏栎最常与欧洲栗混淆。
**5.3 点云剖面的2D CNN分类**：研究人员通过旋转点云获得的多视角正面视图（图5）反映了树木的不对称性。不同图像尺寸测试显示，所有尺寸的精度指标均高于86%，但最佳精度并非来自最大或最小尺寸。105×525像素窗口尺寸获得了最高精度（OA=93%），且训练时间适中（约8分钟）。该尺寸下，各树种中辐射松和夏栎误分类最多（F分数分别为83%和87%），辐射松最常与欧洲栗和亮果桉混淆，夏栎最常与欧洲栗混淆。值得注意的是，2D CNN方法能够区分蓝桉和亮果桉（F分数分别为98%和91%），而这两种桉树通常难以区分。
**讨论**
研究人员发现，MLS点云可有效识别森林环境中七种不同树种，最高OA达93%，F-1分数为91%。深度学习算法（2D CNN）明显优于机器学习算法（RF），OA提高21个百分点，表明分类算法选择对性能关键。2D CNN的优势可能源于其能自动学习层次化高判别性特征，且多视角策略通过旋转点云增加数据样本。图像尺寸影响精度（最大OA差异4个百分点）和训练时间（8~40分钟），105×525像素尺寸在精度与时间间取得最佳平衡。辐射松和夏栎精度最低的原因在于其与其它树种在垂直结构或冠层轮廓上的相似性：辐射松、欧洲栗、亮果桉和劳森柏均具有从低处到顶部分枝的特征，导致点云垂直结构相似；夏栎与欧洲栗的混淆可能源于缺乏顶端优势、树干不直及树冠圆形。2D CNN方法能区分蓝桉和亮果桉，可能与二者结构差异（蓝桉自然整枝、圆冠；亮果桉保留下部枯枝、锥形冠）有关。研究局限性包括：每树种样地较少，训练和测试树来自相同样地，可能影响模型泛化能力；分割程序可能引入误差，但即使依赖全自动分割，仍获得较高精度。
**结论**
研究人员利用MLS点云在森林环境中成功区分了七种不同树种（欧洲栗、夏栎、蓝桉、亮果桉、海岸松、辐射松和劳森柏）。深度学习算法（2D CNN）优于机器学习算法（RF），总体精度（OA）达93%。基于绕YZ轴旋转点云生成多视角二维图像的2D CNN方法，是单木树种分类的有前景策略。输入图像尺寸影响精度和计算时间。该方法在区分常被混淆的蓝桉和亮果桉方面表现出潜力（F分数分别为91%和98%）。辐射松的分类精度最低（F分数83%）。尽管模型泛化能力需进一步验证，但结合高精度指标及先前研究，MLS点云可通过全自动流程实现单木树种识别。
