基于UAV-LiDAR的山地杉木人工林多维度树冠度量系统及几何自适应提取方法

《Ecological Informatics》：A UAV-LiDAR multi-dimensional crown metric system and adaptive extraction methods for mountainous Chinese fir plantations

　　

本研究建立了一套基于无人机激光雷达（Unmanned Aerial Vehicle-LiDAR，UAV-LiDAR）的多维度单木树冠（Individual Tree Crown，ITC）度量系统，涵盖一维（1D）、二维（2D）和三维（3D）空间尺度。研究人员针对山地杉木（*Cunninghamia lanceolata*）人工林开发了几何自适应树冠度量提取算法。六项经直接验证的树冠度量指标——冠长（Crown Length，CL）、冠宽（Crown Width，CW）、冠长率（Crown Ratio，CR）、冠丰满度比（Crown-fullness Ratio，CFR）、冠不对称指数（Crown Asymmetry Index，CAI）和冠投影面积（Crown Projection Area，CPA）——均取得高精度结果（R² > 0.80）。自适应α-shape（alpha-shape）重建方法相较于固定参数方法生成了更为紧凑的树冠边界，并实现了三维树冠包络的 delineation。多维度树冠度量揭示了异速生长尺度关系（allometric scaling relationships）以及林分水平的变异性。

**论文解读**

**一、研究背景与问题**

树冠结构是森林生态系统的核心功能界面。它不仅是调控光合效率与生物量积累的首要器官，还反映了树木对光照竞争及风、雪等环境胁迫的适应性响应，进而中介碳固存、降雨截留等关键生态系统服务。在复杂山地地形和高密度林分中，树木表现出显著的表型可塑性（phenotypic plasticity），形成不对称、伸长或侧向压缩的冠层构型。因此，精准表征单木树冠结构是理解森林功能和改进生态模型的基础。

然而，当前森林调查与建模实践在准确刻画冠层结构方面面临重大挑战。传统野外调查劳动强度大，且常局限于林下观测，难以获取上层冠层信息。为弥补这一不足，研究者常采用简化几何体近似树冠形态，这系统性地扭曲了不规则冠层的真实结构，并向生物量估算和生长模型中传播不确定性。这些局限凸显了对单木水平树冠结构进行高保真三维量化的迫切需求。

无人机激光雷达（UAV-LiDAR）技术的兴起为克服数据获取瓶颈提供了突破性方案。凭借低空飞行和高脉冲频率，UAV-LiDAR有效弥合了地面激光扫描（Terrestrial Laser Scanning，TLS）因遮挡无法捕捉上层冠层与机载激光扫描（Airborne Laser Scanning，ALS）在林冠深层及林下缺乏足够点密度的关键空白。然而，尽管UAV-LiDAR能提供高质量三维点云，当前基于该技术的树冠研究仍存在一个主要局限：明显缺乏一套全面的树冠度量系统。冠层性状的量化高度碎片化，多数研究仅局限于提取少数基本几何参数，缺乏一个能将基础形态、生长活力、空间对称性和三维物理占据统一起来的系统化框架。这一系统整合的缺失严重制约了LiDAR点云在深入生态分析中的应用。此外，在复杂地形和高密度人工林中，异质性微地形和激烈的邻体竞争导致冠层呈不规则、不对称和交错互锁的构型，精确提取多维度树冠度量面临显著的算法挑战。

**二、研究目的与意义**

针对上述挑战，本研究聚焦于复杂山地地形中的高密度杉木人工林，旨在基于UAV-LiDAR数据建立一套多维度单木树冠度量系统。具体目标包括：建立整合1D、2D和3D结构属性的多维度树冠度量系统；开发适用于复杂地形条件下稳健树冠度量提取的几何自适应算法；通过基于参考数据的验证、基准比较、结构一致性分析、探索性林分水平比较以及同场地跨物种评估来评价方法性能。该研究的方法论贡献在于将多维度树冠描述符与几何自适应提取算法整合于一个统一的UAV-LiDAR工作流中，为诠释树冠结构变异和改进复杂林分中的单木树冠表征提供了结构基础。

**三、关键技术方法概要**

研究区位于中国浙江省杭州市临安区的山地森林区域，属中亚热带季风气候区。选取了三个代表性林分：昌化林场毛山样地、太阳镇景村样地和天目山镇天目山样地，共建立26个样方（25 m × 25 m）。UAV-LiDAR数据分别采用DJI Matrice 300 RTK搭载Zenmuse L1传感器和DJI Matrice 400搭载Zenmuse L3传感器采集，点云预处理包括人工去除地物、噪声滤除、布料模拟滤波（Cloth Simulation Filter，CSF）地面点分类、数字高程模型（Digital Elevation Model，DEM）和数字表面模型（Digital Surface Model，DSM）生成，以及基于动态窗口局部最大值算法和种子点区域生长算法的单木分割。核心算法均在MATLAB中实现，关键参数包括：切片厚度0.10 m、每切片最小点数10、面积增长率阈值0.35、体素尺寸0.20 m、体积增长率阈值3%等。

**四、主要研究结果**

（1）多维度树冠度量系统的建立。研究人员建立了涵盖1D（CL、CR、有效冠长ECL、CW、CFR）、2D（CPA、CAI）和3D（冠表面积CSA、冠体积CV）共九个度量指标的统一系统，实现了从基本几何维度到连接个体形态与林分水平生态过程的功能结构描述符的过渡。

（2）1D和2D树冠度量的直接精度验证。针对230株杉木样本，所提出的1D和2D度量提取方法与参考值取得了高度一致性，所有R²值均超过0.80。CL的R²最高（0.943，RMSE = 0.692 m），CW的R²为0.866（RMSE = 0.383 m），CR的R²为0.912（RMSE = 4.119%），CFR的R²为0.844（RMSE = 0.050），CAI的R²为0.809（RMSE = 0.021），CPA的R²为0.964（RMSE = 1.254 m²）。

（3）CPA提取方法的一致性比较。自适应α-shape算法相较于Sumnall等人方法衍生的基准和固定α-shape方法（α = 1.5）均产生了更紧凑的树冠投影边界，面积缩减率（Area Reduction Ratio，ARR）分别为20.09%和17.58%。尽管存在系统性差异，自适应算法与两种基准方法之间仍保持强线性一致性（R²分别为0.813和0.862）。

（4）CSA和CV提取方法的一致性比较。与Sumnall等人方法、固定α-shape基准和理论圆锥模型相比，自适应算法均表现出有意义的一致性。与圆锥模型的正偏差（CSA：Bias = +19.741 m²；CV：Bias = +13.549 m³）在结构上可解释为自适应包络捕获了侧枝突出、冠不对称性和复杂外边界不规则性。敏感性分析表明，体积增长率阈值3%在过度几何概化与对局部冠层结构的敏感性之间提供了实用平衡。

（5）多维度树冠度量的异速生长尺度关系。幂律回归分析显示，CW对CV的解释力强于CL（R²分别为0.844和0.716），而CL对CSA的解释力略强于CW（R²分别为0.812和0.794）。尺度指数揭示了维度间的层级差异：CV相对于CW和CL的指数分别为3.197和1.889，CSA的对应指数分别为1.982和1.371。与理想各向同性理论预期相比，多数指数偏低，反映出高密度林分中竞争约束对杉木树冠各向同性扩展的抑制。

（6）林分水平树冠形态的探索性比较。CAI在天目山样地（LAtms）中表现出显著更高的均值（μ = 0.17）和更大的离散度（σ = 0.09），两两比较显示LAty与LAch之间（p = 0.011）以及LAch与LAtms之间（p = 0.001）差异显著。ECL和CFR在林分间均未检测到显著差异，但随林分成熟度增加，ECL的标准差逐步增大，CFR在LAch中变异性最大（σ = 0.14），反映了成熟林分内个体间冠层维度比例的更大差异。

（7）跨物种可迁移性评估。对117株非杉木树木（包括马尾松39株、柏木44株、阔叶树34株）的评估显示，CL和CW跨物种表现较强且一致（R²范围分别为0.878–0.965和0.903–0.979），而CR、CFR和CAI呈现较大的变异性。CPA、CSA和CV与固定α-shape基准的比较在三个物种组中均显示出强一致性。

**五、讨论总结**

在方法学层面，所提出的自下而上突变检测算法利用水平切片面积替代点密度作为检测信号，有效规避了林下噪声和结构不连续性的干扰；基于茎干真实质心的八方向测量法缓解了倾斜树干引起的偏心偏差；空间密度自适应三维α-shape迭代算法通过树特异性宏观点间距实现参数的自适应缩放，双收敛准则保证了包络的拓扑稳定性和体积稳定性。在生态学层面，多维度度量之间的异速生长关系表明提取的冠层结构不仅几何一致，而且符合树木结构的生物物理原理。林分水平比较进一步提示，所提出的度量系统可能对竞争状态和微环境异质性具有指示敏感性，但横截面数据的性质限制了因果推断。

**六、研究结论**

本研究针对复杂山地地形中的杉木人工林，开发并评估了一套基于UAV-LiDAR的多维度单木树冠度量系统，该系统整合了涵盖1D、2D和3D空间尺度的九个结构描述符及自适应提取算法。在跨越林分密度、地形复杂度和冠层交叠梯度的230株单木中，对六项度量指标（CL、CW、CR、CFR、CAI和CPA）进行了基于人工参考测量的直接验证，所有R²值均超过0.80。自适应α-shape方法相较于固定参数方法和Sumnall衍生的三维α-shape投影基准改善了树冠投影的delineation，获得了更高精度和更紧凑的树冠投影边界。此外，空间密度自适应三维迭代算法生成了水密性树冠包络（watertight crown envelope），为CSA和CV估算提供了稳定的冠层包络。异速生长分析表明，CW对CV变异的解释多于CL，而CL对CSA的解释力略强于CW，揭示了线性冠层维度与三维冠层结构之间度量特异性的关系。尺度指数同样显示出相对于理想各向同性预期的异质性偏离。探索性林分水平比较进一步表明，CAI对林分条件差异更为敏感，而ECL和CFR主要反映林分内变异性而非林分间的显著变化。对117株额外树木（包括马尾松、柏木和阔叶树）的跨物种评估显示了总体一致但度量依赖性的表现，为该方法超越杉木的潜在可迁移性提供了初步证据。完整系统统一提取全部九个冠层度量指标及自动可视化的平均耗时为13.2654秒/株，支持其在实际批量处理中的适用性。