《Frontiers in Forests and Global Change》：Estimation of stem volume and tree structural attributes using backpack LiDAR: effects of leaf-on and leaf-off conditions
编辑推荐：
移动式光探测与测距（LiDAR）技术通过快速获取三维点云数据，为传统森林资源清查方法提供了一种颇具前景的替代方案。本研究评估了背包式激光扫描系统在落叶阔叶林中不同物候条件（落叶期与非落叶期）下，对树干材积、胸径（dbh）、树高及树干削度估算的性能表现。研究选取
移动式光探测与测距（LiDAR）技术通过快速获取三维点云数据，为传统森林资源清查方法提供了一种颇具前景的替代方案。本研究评估了背包式激光扫描系统在落叶阔叶林中不同物候条件（落叶期与非落叶期）下，对树干材积、胸径（dbh）、树高及树干削度估算的性能表现。研究选取了斯洛伐克塔特拉国家公园内以垂枝桦（Betula pendula）和欧洲山杨（Populus tremula）为优势树种的两种样地，使用LiBackpack DGC-50系统进行扫描，并将LiDAR估算结果与破坏性采样树木的参考测量值进行比较。结果表明，在不依赖异速生长模型的情况下，可直接从点云估算树干材积，其精度可满足大多数森林资源清查应用的需求。落叶期条件下估算精度最高（RMSE = 0.03 m3），而非落叶期条件下误差增大，尤其在欧洲山杨样地中误差高达0.06 m3。尽管精度有所下降，但不同季节间LiDAR估算值与参考树干材积之间未检测到显著差异（p > 0.05）。胸径和树高在落叶期条件下的估算精度同样更高（RMSE分别为0.97–1.87 cm和0.91–0.93 m），但由于树冠表示不完整，树高始终被低估（偏差 = ?0.65至?1.53 m）。总体而言，背包式激光扫描可视为估算幼龄至中龄垂枝桦和欧洲山杨林分某些结构属性的可行工具；然而，在结构复杂的树木中，由于遮挡和上部树干点密度有限，可靠的树干削度重建仍具挑战性。另一个挑战是其在大规模森林资源清查应用中的可行性有限，因为业务化森林资源清查通常需要高度自动化的流程。
论文解读
一、研究背景与意义
森林资源清查信息通常依赖传统地面测量和生态观测手段获取，但这些方法劳动强度大、耗时且成本高昂。近年来，随着光探测与测距（LiDAR）传感器不断小型化和轻量化，移动式激光扫描系统逐渐成为可行的野外替代方案。其中，背包式激光扫描系统因其较高的数据质量和在样地及中小尺度林区中的作业效率，被认为是LiDAR辅助森林资源清查中最具前景的平台之一。与手持系统相比，背包式扫描仪可实现免提操作，在不平地形和茂密林下条件下提高了机动性和安全性；同时，将系统安装在操作者背部可提供更高的稳定性，减少运动引起的噪声。
尽管已有大量研究关注胸径（dbh）、树高和林分密度的估算，但利用背包式激光扫描仪进行树干材积估算的研究相对较少。在传统森林资源清查中，树干材积通常通过基于胸径或结合树高的树种特异性异速生长模型间接估算。虽然利用伐倒木通过排水法或树干解剖等精确方法可获得更准确的材积估计，但这些方法需要破坏性采样，往往不切实际且在生态上不可取。因此，直接从立木点云估算树干材积，不依赖异速生长模型，代表了森林资源清查和精准林业的重要机遇。
在点云直接估算树干材积的过程中，遮挡是影响点云质量的关键因素。一种潜在的缓解策略是在落叶期进行数据采集，此时叶片减少可改善可见性。尽管已有若干研究比较了落叶期与非落叶期条件，但大多数聚焦于背包系统以外的LiDAR平台。据研究人员所知，唯一使用背包系统在同一树木不同物候条件下采集数据的比较研究由Ko等人（2024）开展，该研究发现非落叶期条件因遮挡增加而降低了树木检测和重建精度，而落叶期条件改善了整体点数据质量。然而，该研究未评估树干材积，且常绿树种的纳入可能削弱了物候条件间的差异。因此，在完全落叶阔叶林中开展进一步研究，以确定LiDAR数据采集的最佳时机并考虑其对点云质量的影响，十分必要。
本研究的主要目标是利用背包式激光扫描，在落叶阔叶林中调查数据采集时机（即落叶期与非落叶期条件）对关键森林资源清查属性估算精度的影响，尤其侧重于树干材积。研究在两种条件下对以垂枝桦和欧洲山杨为优势树种的样地进行扫描，并将胸径、树高和树干材积的估算值与破坏性采样树木的参考测量值进行比较。
二、主要技术方法
研究区位于斯洛伐克塔特拉国家公园，包含两个落叶阔叶林样地：样地1由22棵垂枝桦组成，海拔约980米；样地2位于其以西约3.5公里处，海拔1000米，由22棵欧洲山杨组成。野外测量于2025年冬夏两季进行，分别对应落叶期和非落叶期条件。研究人员使用LiBackpack DGC-50背包式激光扫描系统（GreenValley International，美国加州）在两种物候条件下对相同样地进行扫描，该系统配备两个Velodyne VLP-16 LiDAR传感器、GNSS接收器、惯性测量单元、球形相机和机载处理单元，采用同步定位与建图（SLAM）算法进行实时定位和建图。原始点云数据导入LiFuser-BP进行预处理，随后导入LiDAR360进行高度归一化和单木分割。研究人员开发了两个基于JavaScript的算法，在Cyclone 3dr中半自动地从单木点云估算树干材积：第一个算法处理点云归一化和树干提取，将非地面点按1米垂直切片划分并手动识别树干点；第二个算法对每个1米段进行基于截面的几何拟合，使用“最佳拟合圆柱”工具推导最优圆柱表示，进而计算各段材积并累加得到总树干材积。参考数据来自伐倒木的破坏性采样，采用牛顿公式计算各段材积。精度评估采用偏差、相对偏差、标准误差、相对标准误差、均方根误差（RMSE）和相对RMSE等指标，并辅以配对样本t检验、Wilcoxon符号秩检验和Bland–Altman一致性分析。
三、研究结果
3.1 结构属性描述性分析
不同方法估算的胸径、树高和树干材积的汇总统计显示，两个样地的平均树高相近，但样地1的平均胸径和平均树干材积高于样地2。样地1中，落叶期和非落叶期条件下LiDAR估算的平均树干材积分别为0.183 m3和0.181 m3，与参考值（0.180 m3）基本一致。样地2中，落叶期和非落叶期条件下分别为0.124 m3和0.119 m3，相对参考值（0.117 m3）略有高估。无论物候条件如何，两个样地的平均树高均被低估，样地1中低估更为明显，可能归因于林分密度和/或树种特异性树冠结构的差异。事实上，两种树种的点云中均存在多个树顶被遮挡的情况，尤其在非落叶期条件下更为突出。
3.2 精度评估
在样地水平上，最准确的树干材积估算来自落叶期条件下的样地1，RMSE为0.03 m3（15.48%），偏差可忽略不计。样地2在落叶期条件下紧随其后，RMSE相当但存在4.07%的正偏差。相比之下，两个样地在非落叶期条件下的估算精度均下降，RMSE分别增至0.05 m3（27.72%）和0.06 m3（54.76%）。在单木水平上，落叶期条件下背包式激光扫描的树干材积估算与参考值高度一致（R2 = 0.92），非落叶期条件下相关性减弱（R2 = 0.62）。少数欧洲山杨树对非落叶期条件下解释力的降低贡献不成比例。尽管非落叶期性能下降，统计检验显示LiDAR估算值与参考树干材积之间无显著差异（p > 0.05）。相比之下，基于异速生长模型的估算在单木水平上与参考值存在显著差异（p < 0.05）。Bland–Altman图也表明LiDAR估算值与参考树干材积在单木水平上具有合理的一致性：落叶期条件下平均差异接近零，95%一致性界限（LoA）为?0.0495 m3至0.0442 m3；非落叶期条件下平均差异同样接近零，但LoA更宽，为?0.108 m3至0.107 m3。胸径估算在落叶期条件下RMSE分别为样地1的1.87 cm（10.15%）和样地2的0.97 cm（6.92%），非落叶期精度下降，样地2恶化最为明显，RMSE增加12.38%。树高估算在落叶期条件下RMSE范围为0.93 m（6.17%）至0.97 m（6.92%），非落叶期大幅增加至1.92 m（12.77%）和1.91 m（12.75%），且两种条件下树高均被系统性低估，最大偏差出现在样地1非落叶期条件（?1.53 m，?10.16%），归因于上部树冠回波的缺失。
3.3 点云质量
每棵树在点云数据集中由数万个点表示，非落叶期条件下点数至少翻倍，但这一增加主要由叶片、嫩枝、花朵和周围植被的噪声驱动。因此，尽管点密度更高，非落叶期点云的整体数据质量似乎更低。清除枝干、树冠和其他非树干要素后，点数大幅减少。例如，落叶期条件下垂枝桦树平均由144,774个点表示，其中仅12,707个对应树干。上部树干（约9米以上）未被充分捕获，阻碍了圆柱拟合，可能导致树干材积低估。落叶期条件下拟合圆柱的平均累计高度在垂枝桦和欧洲山杨样地中分别为7.94米和8.98米，落叶期条件下增至8.08米和10.26米，总体相当于捕获了典型垂枝桦和欧洲山杨树总干长的约60%和70%。按树干材积归一化后，落叶期条件下垂枝桦和欧洲山杨样地每立方米木材的平均点数分别为132,222和373,089，非落叶期增至532,779和1,703,001。欧洲山杨树中较高的值主要归因于噪声效应，部分与较小的树体尺寸、细枝和分枝分叉有关。尽管存在这些问题，研究人员仍在一定程度上推导出了树干削度曲线，直径随高度增加而减小，符合预期的削度行为。
四、讨论与结论
研究表明，落叶期条件下背包式激光扫描可提供最准确的树干材积估算，RMSE为0.03 m3（15.48%），且偏差可忽略不计。非落叶期条件下精度下降，尤其在欧洲山杨样地中RMSE达0.06 m3（54.76%），主要归因于叶片遮挡和噪声增加。尽管精度下降，统计检验未检测到LiDAR估算值与参考值之间的显著差异（p > 0.05），表明该方法在两种物候条件下均具有可接受的准确性。值得注意的是，LiDAR直接估算的树干材积精度优于基于国家异速生长模型的传统估算方法，后者在样地1和样地2中的RMSE分别为13.59%和25.90%，且与参考值存在显著差异（p < 0.05）。这凸显了直接点云方法在避免异速生长模型物种特异性和区域局限性方面的优势。
然而，研究也揭示了若干挑战。树干削度重建在结构复杂的树木中仍具挑战性，原因是遮挡和上部树干段点密度有限。拟合圆柱的平均累计高度仅覆盖了典型树木总干长的约60%至70%，上部树干的缺失可能导致材积低估。此外，树高在所有条件下均被系统性低估，最大偏差达?1.53 m（?10.16%），归因于树冠顶部点云表示不完整。胸径估算虽相对准确，但同样存在轻微的系统性负偏差。
总体而言，背包式激光扫描可视为估算幼龄至中龄垂枝桦和欧洲山杨林分某些结构属性的可行工具，尤其在落叶期条件下。该技术无需依赖异速生长模型即可直接估算树干材积，为森林资源清查和精准林业提供了新的可能性。然而，其在大规模森林资源清查应用中的可行性仍受限于自动化程度不足的问题，因为当前工作流程涉及较多人工干预（如树干点的目视识别），业务化应用需要高度自动化的处理流程。未来研究可聚焦于改进上部树干的点云捕获能力、开发更自动化的树干提取和材积估算算法，以及将该方法推广至更广泛的森林类型和林分条件。该论文发表于《Frontiers in Forests and Global Change》。
