面向部署的UAV-LiDAR与野外调查整合质量治理框架：基于样地水平QC_score的精准林业质量控制

《Frontiers in Plant Science》：A deployment-oriented quality-control framework for integrating UAV LiDAR and field inventory in precision forestry

　　

UAV-LiDAR与野外调查的可靠整合对于运营性森林监测至关重要，但异质的数据质量可能破坏样地水平的预测。常规质量控制程序通常侧重于过滤单个记录或应用固定的通过-失败规则，对样地水平差异化决策的支持有限。研究人员开发了一个以QC_score为核心的样地水平质量治理框架。与仅进行记录级筛选或二元排除不同，QC_score将空间匹配质量、野外-LiDAR结构一致性和数据完整性整合为样地水平风险的连续度量，用于优先审查、决定样地接纳和支持质量自适应不确定性报告。该框架还整合了分阶段质量控制和低成本修复评估，并利用中国广东省133个样地的26,767条树木记录进行了评估。预测不稳定性主要由样地水平结构不一致驱动，而非孤立的单木误差。排除结构不一致的样地优于完全保留和软质量加权。对于优势木高，QC.3后的硬排除使RMSE从1.927 m降至1.421 m。在独立的基于成本的接纳分析中，QC_score阈值为0.579时保留了95个样地，并产生1.146 m的RMSE。在单独的快速修复实验中，相对于QC12基线，QC123-hard使RMSE从2.597 m降至1.459 m。Mondrian共形校准在质量等级间实现了更平衡的覆盖率，同时为更高质量样地分配了更窄的区间。该框架因此为UAV-LiDAR森林清查产品的样地接纳、异常处理和不确定性感知部署提供了可审计规则。

森林在全球气候变化缓解和生态可持续性中发挥着核心作用，是陆地碳汇的关键组成部分。然而，人类活动和多种干扰导致森林丧失和退化，威胁碳储存、生物多样性等生态系统服务。准确、及时、可靠的森林资源监测对于有效营林和管理至关重要。UAV-LiDAR凭借高效捕获三维森林结构的能力，已成为森林调查的重要工具，能够提供冠层高度、冠幅、冠层体积和垂直结构等信息。但在操作应用中，UAV-LiDAR与野外调查的整合并非简单连接两个数据集，其性能依赖样地与LiDAR数据的准确配准、高质量野外参考数据以及结构度量与野外测量协议的一致性。现有研究多在受控条件下进行，侧重算法开发和预测性能比较，对操作部署中数据质量、代表性和实用性的关注不足。操作数据面临样地位置误差、配准错位、异常值、协议不一致、缺失值、时空不匹配等多源误差，这些问题在单木水平可能不明显，但聚合后会影响样地尺度推断。因此，主要瓶颈往往不是模型是否准确，而是输入数据是否可信、风险是否可诊断、产品是否可用于管理。为此，研究人员开发了以QC_score为核心的样地水平质量治理框架。

该框架将空间匹配质量、