可见光立体影像结合无人机激光扫描数据的大规模真实山地森林场景重建方法

《International Journal of Digital Earth》：A simple method for large-scale realistic mountain forest scenes reconstruction using visible stereoscopic imagery combined with unmanned aerial vehicle laser scanning data

　　

精确的三维（3D）森林重建对于量化生物物理过程和生态系统功能至关重要。然而，激光雷达（LiDAR）系统的有限空间覆盖范围限制了在大范围景观上生成结构细节丰富的森林场景。本研究引入了一个可扩展的数据融合框架，用于生成真实的三维山地森林场景，该框架整合了无人机立体影像（SI）的广泛覆盖范围与无人机激光扫描（ULS）的高保真垂直结构。研究人员利用从SI中提取的结构属性对ULS导出的树模板进行缩放和定向。为确保结构真实性，在模板匹配过程中将地形变量（高程、坡度、坡向）作为严格约束条件。由此产生的点云驱动了基于体素的三维重建，并在500 m×500 m的针叶林和阔叶林样地中进行了验证。模拟模型显示出与基准ULS数据的高度结构一致性。此外，基于这些三维场景的辐射传输模拟与哨兵二号（Sentinel-2）观测结果表现出强一致性。在近红外波段，针叶林和阔叶林场景的归一化绝对双向反射因子差异分别降至8.89%（均方根误差RMSE：0.0277）和8.28%（RMSE：0.0392）。最终，将SI与地形约束的LiDAR模板相融合，为生成精确的三维森林表征提供了一种高度可迁移的地理数据密集型方法，推进了区域生态建模和地球科学应用。

森林是调节生物多样性、生物物理过程和陆地碳储存的关键陆地生态系统。在数字地球愿景下，精确测绘这些生态系统至关重要。森林结构直接控制冠层内部的辐射环境，而包含真实三维（3D）森林场景的辐射传输模型（RTM）为验证生物物理假设和改进反演算法提供了稳健框架。因此，高保真3D重建对森林管理、生物多样性评估和地球科学应用至关重要。激光雷达（LiDAR）是获取高保真重建的首选技术，但高成本和小空间覆盖限制了其区域应用。立体影像（SI）成本低、覆盖广，但无法穿透冠层，山区地形导致遮挡和匹配误差。因此，需要融合SI和LiDAR数据以同时获得空间覆盖和结构细节。本研究提出一个框架，融合SI和无人机激光扫描（ULS），利用地形约束的模板匹配，生成高密度点云并重建真实3D森林场景。

研究人员在四川王朗自然保护区选取针叶林和阔叶林两个500 m×500 m样地，利用ULS数据构建单木模板数据库，从SI点云中提取目标树结构属性，通过地形约束（高程、坡度、坡向）和结构属性匹配最佳模板，进行缩放和旋转，然后补充分支结构，进行体素重建。最后通过LESS辐射传输模型模拟多光谱图像，与Sentinel-2观测比较验证。结论：生成的场景与ULS基准高度一致，辐射传输模拟准确，近红外波段归一化绝对双向反射因子（BRF）差异降至8.89%（针叶林）和8.28%（阔叶林）。融合地形约束显著提高了精度。该方法提供了一种可转移、低成本的大规模森林重建方法，推进区域生态建模和地球科学应用。论文发表在《International Journal of Digital Earth》。

**关键技术方法**：研究人员利用ULS数据从11个100 m×100 m样地（6个针叶林、5个阔叶林，来自王朗自然保护区）中提取单木点云，建立包含树高、冠半径和冠方向的模板数据库。从SI点云中提取目标树的结构属性。通过地形相似性（高程差<50 m、坡度差<10°、坡向差<90°）过滤候选模板，再基于树高和冠半径的最小差异选择最佳模板，并对模板进行缩放和旋转。使用OnyxTree软件补充内部分支结构，采用20 cm体素对冠层进行体素化，通过点-样方算法估计叶面积体积密度（FAVD）。最后，利用LESS辐射传输模型（RTM）模拟多光谱图像，与Sentinel-2观测比较。

**研究结果**：

- **点云一致性**：通过比较ULS、SI和生成的点云在垂直方向上的点数量分布和叶面积密度（LAD）剖面，发现生成的点云恢复了SI缺失的中下层冠层结构，与ULS基准高度一致。
- **点数量剖面**：在针叶林和阔叶林中，生成的点云在不同高度层（5 m间隔）的点数量分布与ULS基准吻合，而SI点云主要集中在上层冠层，中下层密度极低（针叶林SI点密度60 pts/m²，生成点云恢复至150 pts/m²；阔叶林SI点密度90 pts/m²，生成点云达360 pts/m²）。
- **叶面积密度剖面**：生成的点云LAD剖面与ULS基准一致，SI则低估了中下层LAD，尤其在阔叶林下层，生成剖面与ULS在主冠层匹配良好，但略低估冠顶密集叶面积。
- **森林场景一致性**：通过体素化3D场景的视觉和定量比较，生成场景的体素数量接近ULS基准，弥补了SI场景的大量数据缺失。针叶林生成场景体素数（10154488）高于ULS（8537195），阔叶林生成场景（12432806）低于ULS（13874006）但远高于SI（6855044）。
- **多光谱图像模拟**：基于生成场景的模拟图像与ULS基准模拟图像高度一致，优于SI模拟图像，减少了冠层内部间隙。
- **BRF模拟**：与Sentinel-2观测进行像素级比较，针叶林场景中，生成场景在红波段和近红外（NIR）波段的决定系数（R²）、均方根误差（RMSE）和归一化绝对差异（|δ|）均优于SI场景，接近ULS基准。具体地，红波段R²从0.7873提高到0.9273，RMSE从0.0025降至0.0015，|δ|从6.54%降至3.01%；NIR波段R²从0.6990提高到0.8465，RMSE从0.0388降至0.0277，|δ|从13.63%降至8.89%。阔叶林场景中，NIR波段R²从0.4631提高到0.5418，RMSE从0.0424降至0.0392，|δ|从9.19%降至8.28%，但红波段改善不明显。

**讨论总结**：讨论部分强调，地形因素（高程、坡度、坡向）作为约束显著提升了结构真实性，仅基于结构属性的匹配忽略了地形对树木形态的调控，导致不合理的替换。例如，在阔叶林红波段，加入地形约束使R²从0.5521提高到0.7515，RMSE从0.0183降至0.0032，|δ|从44.62%降至7.11%。LiDAR能穿透冠层获取完整垂直剖面，而SI主要捕获上层冠层，但成本低，融合框架可利用SI的覆盖和LiDAR的细节实现可扩展重构。方法可转移性依赖于模板数据库完整性、影像质量和分割精度，未来可扩展到区域和全球尺度，利用高分辨率卫星影像。局限方面，分割算法可能合并相邻树冠、遗漏树木，ULS穿透深度有限可能遗漏下层树木，影像重叠率影响点云密度，未来应结合深度学习、融合地面激光雷达（TLS）等，增加模板多样性。

**研究结论**：本研究提出了一种可扩展的框架，通过融合可见光SI与ULS数据，在大尺度山区进行真实森林场景重建。利用ULS提取的单木点云作为结构模板，使用SI提取的属性进行变换，生成大范围高分辨率表示。在树木替换过程中加入地形约束显著增强了合成场景的结构和生态真实性。评估确认，该方法在点云和场景层面均与基准ULS数据保持高度结构一致性。此外，基于重建场景的3D辐射传输模拟与Sentinel-2观测表现出强辐射一致性。与仅由SI生成的场景相比，所提方法将针叶林近红外波段R²从0.6990提高到0.8465，阔叶林从0.4631提高到0.5418，精度接近ULS基准场景（针叶林NIR R²为0.8135，阔叶林为0.6357）。关键的是，地形约束将针叶林红波段相对偏差从25.87%降至3.01%，证明了地形感知建模的必要性。通过成功融合SI的广泛空间覆盖和LiDAR的详细垂直剖面，该方法为从小样地到区域尺度的精细结构分析和碳储量估算提供了坚实基础。