移动激光扫描技术在国家与区域森林资源清查中的应用与评估

《Science of Remote Sensing》：Mobile laser scanning in support of national and regional forest inventories

　　本研究针对传统森林清查方法耗时费力、存在测量误差等问题，探讨了移动激光扫描（MLS）与无人机激光扫描（ULS）技术在森林参数提取中的准确性。研究人员通过对比60个样地的野外测量与激光扫描数据，发现在单木、样地和清查水平上，MLS能够高精度获取胸径、树高、材积等关键指标（r2为0.83–0.98），且MLS与ULS点云融合可提升树冠测量精度。该研究为大规模森林资源监测提供了高效、可靠的技术方案，对推动精准林业发展具有重要意义。

　　

森林作为陆地生态系统的重要组成部分，其资源的可持续管理至关重要。许多国家和地区都建立了国家或区域森林清查（NFI/RFI）体系，通过系统布设样地来监测森林状态、支持政策制定。然而，传统的森林清查主要依赖人工野外测量，如使用围尺测量胸径（DBH）、使用测高仪测量树高，这些方法不仅耗时费力，还容易受到操作者经验、林分结构复杂程度等因素影响，产生较大误差。例如，使用测高仪测量树高时，误差可能高达5米。随着对森林信息需求日益多样化（如生物多样性、碳储量评估等），传统方法在效率和精度上的局限性更加凸显。

在此背景下，遥感技术，特别是激光雷达（LiDAR）技术，为森林参数的精准、高效获取带来了新机遇。其中，地面移动激光扫描（MLS）凭借其操作灵活、扫描速度快、能够减少遮挡等优势，逐渐展现出替代传统测量方法的潜力。与此同时，无人机激光扫描（ULS）能够从空中快速获取林冠上部的高密度点云，与地面扫描数据融合有望形成更完整的森林三维模型。然而，此前大多数研究集中于单一林分或少量样地，MLS技术在大规模森林清查中的适用性、准确性及其与ULS融合的实际效益仍有待系统评估。

为了解决上述问题，发表在《Science of Remote Sensing》上的这项研究，以比利时瓦隆大区（Wallonia）的区域森林清查为背景，旨在系统评估MLS在单木、样地和整个清查水平上的精度，并探索MLS与ULS点云融合对树高和树冠特征测量的提升作用。研究团队在60个0.1公顷的圆形样地（共包含2,497株树木）上，同步进行了传统野外测量、MLS扫描，并对其中27个样地额外进行了ULS扫描，进而融合MLS与ULS点云以生成增强的三维点云数据。

研究主要采用了移动激光扫描（MLS，使用ZEB-HORIZON设备）和无人机激光扫描（ULS，使用DJI Matrice300搭载Zenmuse L1）技术获取样地三维点云。点云预处理和单木分割使用Computree平台及其Simpleforest插件完成。单木参数提取包括：通过树干切片圆拟合计算胸径（DBH），基于点云高程极值计算树高，利用ITSMe R包估算树冠投影面积（CPA）和树冠体积（CV），并通过定量结构模型（QSM）方法重建单木枝干结构以估算商品材材积。样地和清查水平的参数通过聚合单木数据获得。所有MLS估算结果均与野外测量（FM）数据或MLS/ULS融合数据进行了对比分析，计算了偏差、均方根误差（RMSE）和决定系数（r²）等指标。

3.1. 单木水平估算

结果显示，MLS对胸径（DBH）的估算与野外测量值高度一致（r² = 0.98，RMSE = 5.83 cm）。对于树高，MLS与野外测量值的相关性稍弱（RMSE = 3.7 m），但与MLS/ULS融合数据的高度估算值高度吻合（RMSE = 1.02 m），表明传统测高方法本身可能存在误差。MLS对树冠投影面积和体积的估算与MLS/ULS融合数据的估算结果趋势一致，但对于大型阔叶树，MLS单独扫描会因遮挡而低估树冠参数。通过QSM估算的单木材积与基于胸径的经验公式估算值存在一定偏差（RMSE = 0.46 m³），但整体趋势相关。

3.2. 样地水平估算

在样地水平上，MLS估算的样地总材积、林木株数和总断面积与野外测量值均表现出强相关性（r²分别为0.95、0.83和0.92）。尽管个别样地存在过高或过低估计，但总体而言，MLS能够准确反映样地水平的森林结构特征。研究发现，样地林木株数对估算精度有影响，在林木株数较少的样地，MLS材积估算值倾向于高于野外测量值，而在高密度样地则倾向于低估。

3.3. 清查水平估算

将全部样地数据聚合到清查水平，MLS估算的总林木株数与野外测量非常接近，但总材积估算值比野外测量低约8%。直径和树高的种群结构分布曲线在MLS和野外测量之间高度相似，仅在曲线拐点处存在细微差异。不同森林类型（软木与硬木）的材积估算精度也存在差异，MLS对软木林材积略有高估，而对硬木林略有低估。

研究结论表明，移动激光扫描（MLS）技术能够以较高的准确性获取国家或区域森林清查所需的关键参数，在单木、样地和清查水平上均表现出良好的应用潜力。MLS与ULS的点云融合虽然能改善树冠特征的测量，但对树高估算的提升在本次研究中并不显著。该研究也指出了MLS技术在操作化应用中面临的挑战，包括对天气条件的敏感性、复杂地形条件下的数据获取限制以及当前数据处理流程仍较耗时等。未来，随着算法自动化程度的提高和计算能力的增强，MLS有望成为大规模森林资源清查的有力工具，不仅能够提高传统参数的测量效率，还有望衍生出如叶面积指数、林木微生境等新型森林属性，从而极大地丰富森林生态监测的内涵。这项研究为MLS在未来森林清查中的集成应用提供了重要的实证基础和可行性分析。