面向异构激光雷达数据集的置信度引导多阶段单木分割与森林生物量提取方法

《Remote Sensing》：A Unified Framework for Individual Tree Segmentation and Forest Biometrics Derivation from LiDAR Point Clouds Captured by Different Platforms in Diverse Forest Environments

　　基于激光雷达（LiDAR）的森林清查越来越依赖多样化的平台，从近距离系统（包括BackPack、全地形车（ATV）和地面激光扫描（TLS））到近距系统（如无人驾驶航空器（UAV））。然而，这些采集系统在点密度、观测几何和遮挡方面存在差异，给使用通用工作流处理异构LiDAR数据集带来了挑战。传统的几何方法通常依赖于参数调整。另一方面，深度学习（DL）方法在应用于不同传感器或森林环境时可能受到域偏移的制约。本研究提出了一种森林清查流水线，用于在异构LiDAR数据集上进行单木分割并提取关键森林生物量参数，包括树木位置和胸径（DBH）。该流水线采用了一种置信度引导的多阶段质量控制框架，通过评估互补的树木位置估计之间的一致性来减少常见的分割错误。此外，还开发了一种半自动化流程，为缺乏实地测量数据的数据集生成参考数据。所提出的工作流使用八个代表性数据集进行了评估，涵盖不同平台、传感器、采集模式和森林环境，并与3DFIN、TreeLearn和ForestFormer3D进行了比较。天然林样地的数据有独立的实地参考测量值，其余数据集则使用半自动生成并经人工校正的参考数据进行评估。在所评估的数据集中，该树木检测流水线的精确率范围为86.44%至100%，召回率为74.17%至100%，F1分数为81.82%至100%。对于具有独立实地参考测量值的Martell-BackPack数据集，精确率、召回率和F1分数分别为97.55%、96.95%和97.25%。对于有实测值的天然林数据集中被该方法正确检测的树木，DBH估计值均方根误差为2.5 cm，总断面积低估1.88%，而3DFIN的DBH均方根误差和断面积低估幅度分别为4.0 cm和3.67%。尽管所提出的流水线并非在每个测试案例中都达到最高性能，但其在所有评估数据集上均保持了较强且较为一致的树木检测性能。该流水线的主要局限性在于其对充分的下部树干可见性的依赖，这在采样稀疏的区域降低了树木检测精度。所提出的框架提供了一种实用的工作流程，可使用固定的参数配置对所有由特定采集系统获取的数据集进行基于LiDAR的单木分割和DBH估计。