基于合成激光雷达数据与深度回归的林分尺度木材蓄积量及地上生物量直接估测

《Science of Remote Sensing》：Direct estimation of tree volume and aboveground biomass using deep regression with synthetic lidar data

　　

研究人员提出一种不依赖单木分割与异速生长方程、直接从激光雷达（lidar）点云端到端回归林分尺度木材蓄积量与地上生物量（AGB）的深度学习方法。针对真实 lidar 训练缺乏精确地面真值的问题，研究人员构建具备精确真值的三维合成森林样地，采用模拟 lidar 传感器扫描生成合成点云用于深度回归网络训练；将真实 lidar 调查区划分为与合成样地对应的瓦片，逐瓦片预测木材蓄积量并聚合得到样地尺度蓄积量、AGB 与碳储量。摘要指出，该直接法优于基于分割与异速生长（allometry）的间接估算路径；合成 lidar 为模型训练提供精确地面真值；在真实森林样地上，经合成数据训练的深度回归网络可提供准确的 AGB 与碳储量估计。

研究背景方面，全球升温主要由大气二氧化碳（CO₂）浓度上升驱动，森林作为陆地生态系统核心碳库，其地上生物量（Aboveground Biomass，AGB）占森林生物质 70%–90%，约半数干生物质对应固碳量，因此 AGB 精准估测是碳信用与碳市场核算的基础。现有遥感方法中，lidar 因可获取三维冠层结构而被认为精度最高；但主流 lidar 估测 AGB 的路径仍为间接链：先由点云提取树高、胸径等生物物理参数，经异速生长方程转为单木 AGB 再聚合，或依赖人工设计冠层高度统计量与随机森林等浅层模型。近期深度实例分割模型（如 SegmentAnyTree、ForestFormer3D、TreeLearn）虽能自动单木分割，仍受重叠冠层欠分割/过分割、风致点云畸变、异速方程经验偏差等误差累积影响。同时，深度学习需大量带精确真值样本，而破坏性或地面实测真值获取昂贵、覆盖有限，构成方法落地瓶颈。该研究发表于《Science of Remote Sensing》，旨在绕开分割与异速生长方程，建立从 lidar 点云到林分尺度体积/AGB 的端到端深度回归，并以合成 lidar 解决真值稀缺问题。

关键技术方法上，研究人员在澳大利亚维多利亚州 Jigsaw Farms（Melville Forest、Hensley Park）与 Knewleave Farm 选取 4 块封闭冠层桉树混交样地（0.8–2.5 ha），地面实测胸径（DBH）>5 cm 立木并借 Paul 等异速方程仅生成验证用参考 AGB；随后用三维程序化森林生成器制作已知真实木材体积的合成样地，经 HELIOS++ 类模拟 lidar 传感器发射扫描生成合成点云，以此训练三种点云深度回归架构（PointNet、KPConv、Minkowski CNN 类），将真实 ALS/TLS 点云切分为与合成样地同尺度的瓦片逐块回归木材蓄积量，乘树种木材密度转 AGB、再乘 0.5 得碳量；基线对照含单木分割+异速聚合链与 FullCAM 模型。

研究结果部分，引言指出间接链误差累积根源与合成数据破局思路。文献综述梳理了从破坏采样、异速方程、CHM 统计量回归到深度分割的演进，并确认合成 lidar（HELIOS++、SpeedTree、Unreal Engine 5 的 SPREAD 等）已在多个研究中证明可替代稀缺真值。材料与方法中，3.1 节明确实地样本队列为上述四块澳州农场桉属为主封闭林；3.2 节阐明合成样地按树种组、胸径分布、株距、冠层多层结构建模并经模拟传感器引入遮挡与回波噪声；3.3 节说明深度回归模型去掉分割头、输出层为单值连续回归，点云以固定点数重采样并做坐标归一化；3.4 节列出损失函数为均方误差（MSE）与平均绝对误差（MAE）联合、按瓦片五折交叉验证；3.5 节给出间接基线。结果节显示，合成训练的深度回归在真实瓦片上 R² 优于分割+异速基线及 FullCAM，MAPE 降低约 20%；不同网络间 KPConv 类卷积对局部枝干结构响应更强，Minkowski CNN 在稀疏 ALS 下稳健性最佳；直接法对多层冠层与遮挡样地偏差显著小于间接法，证明合成域到真实域的泛化可行。讨论节指出，该方法规避了异速方程物种局限与分割失败模式，使 AGB 估计误差不再受单木级错误传播；局限在于合成器对枝下高、枯立木、风歪形态建模仍简化，且澳州桉林外推至热带/北方针叶林需重训。结论翻译如下：研究人员证明了一种不依赖单木分割或异速生长模型的端到端深度回归框架，可利用模拟 lidar 生成的带精确真值合成点云训练，直接将真实林分 lidar 点云回归为木材蓄积量并转为 AGB 与碳储量；该直接法在封闭桉林样地优于间接分割—异速链与 FullCAM，表明合成 lidar 是弥补真实 AGB 真值短缺、推动大尺度森林碳核算的可行途径；未来工作应拓展合成场景多样性与跨生物群系验证。