关于中国东北齐盘山地区典型林分层析木材表面水分含量模型构建及外推精度研究 邓继峰 王一帆 李月瑶 孙畅 李勇

《Forests》：Study on Model Construction and Extrapolation Accuracy of Surface Branch Moisture Content for Typical Stands in Qipanshan Area, Northeastern China Jifeng Deng, Yifan Wang, Yueyao Li, Chang Sun and Yong Li

　　摘要 人工智能（AI）、云计算、机器人技术、自动化和遥感技术都在推动林业的数字化转型。改进受森林树冠下多路径误差和信号拦截影响的全球导航卫星系统（GNSS）定位精度，对于将智能和数字技术整合到林业作业设备中至关重要。在如今基于激光雷达的树木位置数据越来越多地应用于数字森林普查的时代，一种可能的替代方法是利用当地测量的树木位置和属性与基于先前遥感任务的全球参考地图进行匹配，从而有效地利用树木本身作为“卫星”，规避对GNSS定位的依赖。我们评估了一种基于激光雷达的GNSS定位替代方案，该方法利用从地面激光扫描（TLS）获得的树木预测位置，并与来自空中激光扫描（ALS）的全球树干地图进行结合，我们将其称为TreePS。通过爱达荷大学实验森林中的154个永久性单树普查样地，使用两种不同的工作流程（基于两个常见的R包：lidR v. 4.3.0和FORTLS v. 1.6.2），采用空间坐标或空间加上树干直径（DBH）的数据，以及自定义的匹配算法，对TreePS系统的水平误差进行了评估。使用lidR进行树冠下和树冠上的分割时，TreePS的平均误差分别为1.04米和2.04米，其中93.5%和91.6%的样地能够找到有效的匹配结果。第二种工作流程结合了FORTLS（TLS点云）和lidR（ALS点云），其误差分别为1.09米和2.67米，但使用空间坐标和空间加上DBH的方法分别只有57.9%和54.2%的样地能够找到匹配结果。尽管匹配算法还有改进的空间，但TreePS方法及其类似的特征匹配解决方案可能对密集森林及其他GNSS信号不佳环境下的设备、人员或其他资源的定位非常有用，有助于推动智能林业的发展。

1. 引言
21世纪初，工业界使用的技术发生了快速变化[1,2]。工业4.0代表着沿着工业层级结构的数字化和连接性的增强[3,4]。林业在采用精确设备指导及相关技术进步方面落后于农业[5,6]，部分原因是森林树冠下GNSS信号的较差准确性导致改进的机电导航系统无法及时实施。遥感激光雷达应用、网络化以及林业作业的机械化技术创新越来越普遍[7]，这些技术创新是实现“林业4.0”的核心，即林业行业的数字化转型，从而创造更现代化的林业管理方案[6,8,9]。要实现许多林业4.0的目标（例如，在伐木机或单抓取收割机中通过激光雷达数字普查数据操作性地识别特定树木，或者实现收割设备的远程操控和自动化），就需要在作业过程中准确且实时地知道设备的精确位置[10]。全球导航卫星系统（GNSS）是一种多卫星定位系统，包括GPS（美国）、伽利略（欧洲）、GLONASS（俄罗斯）和北斗（中国）等多个卫星星座[11,12,13]。GNSS可用于在偏远地区确定连续、准确的点位置和导航[14,15,16]。林业设备广泛使用GNSS[17,18]，并且在远程操控和完全自主的操作系统中将越来越依赖它进行精确定位和时间同步[19]。GNSS现在被用来检测林业设备的特定运动（如臂杆或收割头），量化工作周期和生产力，无论是直接定位液压部件还是相对于设备驾驶室的位置[19]。尽管GNSS有许多优点，但由于多路径散射、树冠信号拦截、信号丢失以及设备老化等问题，在森林环境中其水平精度通常较低[20,21,22]。这使得重要的智能 forestry 进展变得困难。例如，Wempe[23]的研究表明，在成熟树冠下GNSS的水平误差远高于安全围栏所需的允许阈值，这些围栏用于保护现场作业人员的安全。作为在密集森林中替代基于GNSS的定位方法，另一种可能性是通过将本地测量的树木位置和其他属性与之前利用激光雷达或遥感影像绘制出的地图进行匹配来实现，这些数据是数字森林普查项目的一部分。地图匹配技术（将本地测量的特征与先前生成的全球地图对齐）可以提供一种简单的树木或其他物体位置映射方法。这一概念类似于移动激光雷达设备中使用的SLAM算法以及之前研究中集成的SLAM/GNSS/INS[24]，但它可以利用之前获取的具有更大空间覆盖范围的树木位置数据（例如整个森林景观）。通过使用一组现有的树木预测位置以及来自一次或多次遥感任务的少数预测树木属性（如DBH、高度、树种），可以显著降低生成全球树木地图的计算需求或实时处理整个3D点云的复杂性（如SLAM设备所要求的）。此外，将本地树木位置和其他属性与现有的全球树干地图进行匹配，有助于将关键的数字森林普查信息（如树种、体积、树冠特征）与设备操作员或AI的本地决策过程相结合，这种方式对于在不同环境中与森林互动的人们来说可能更为直观，符合以人为本的林业5.0目标[25]。新兴技术进一步推动了测绘系统的进步，特别是在激光雷达精度方面[26,27,28]。如今，激光雷达设备通常与自动驾驶车辆和机械化设备配合使用，以准确绘制周围环境[29,30]。地面激光雷达系统通常是固定位置的扫描系统，能够精确捕捉三维点云[31,32,33]。地面激光雷达系统能够从树冠下方生成高精度地图[34,35]。空中激光扫描（ALS）系统 ise 固定安装在飞机或卫星上，常用于高效扫描大面积区域[36,37]。这些系统能够生成高精度的树冠高度模型，并可用于长期森林普查项目，从上方预测单个树木的属性[38,39]。结合AI和机器视觉，这些单树数据正在提高林业作业的效率和精度[40,41,42]。Prabhu[39]利用自主无人机系统、深度学习直径剖面估计模型、多机器人语义空间识别和地图合并模块，在森林环境中生成了大规模的树冠下地图。另一个结合技术的例子是利用2D激光雷达和陀螺仪引导森林机器人导航[21]，以便在 plantation 中进行精确的森林管理和为未来的自动化机器人提供基于先前地图的参考。根据这些研究，基于激光雷达的系统结合其他新兴技术继续提升测绘精度，并帮助利用现有地图开发自主导航。如前所述，这种方法与SLAM的不同之处在于，测绘的计算负担完全分离于设备导航过程中的近距离感知。这种概念上的区别非常重要，而且只有在高质量激光雷达森林普查数据日益普及的情况下才成为可能。

2. 材料与方法
本实验在爱达荷大学实验森林（UIEF）进行，使用2024年建立的单树普查（STI）永久样地。样地网络采用非均匀系统随机样本设计。每个样地中心都用一根六英尺长的金属杆固定标记出来，该金属杆安装在一个直径为6英寸的混凝土底座上，作为从固定已知点进行本地多时相遥感和近距离感知的平台。样地中心的位置是通过EOS Arrow Gold RTK GNSS设备（EOS Positioning Systems，加拿大Terrebonne）记录的300个点的平均值来确定的，该设备采用基于卫星的实时动态（RTK）校正技术。2024年秋季，每个样地的金属杆顶部安装了一台Leica BLK 360 TLS（Leica Geosystems，瑞士Heerbrug）。安装完成后，将设备移出TLS的视野范围，然后对每个样地进行扫描。每个样地的扫描范围为706.9平方米，TLS扫描平均生成21,841,505个点，相当于每平方米约31,000个点。这一过程在所有154个UIEF STI样地位置都进行了重复（图2）。用于比较的空中激光雷达数据由联邦应急管理机构（FEMA）资助，并于2022年10月采集。这些数据在ArcGIS Pro Desktop版本3.1.0（美国Redding）中裁剪到UIEF的边界范围内。ALS点云数据则裁剪为每个样地中心周围15米半径的范围。ALS点云平均每个样地包含20,502个点，即每平方米约23个点。如果与单个样地关联的激光雷达文件因飞行路径而分离，可以使用R版本4.4.2中的lidR包中的merge函数[52]合并这两个组件文件[52]。这将两个激光雷达.las文件合并成一个完整的记录，以便处理和分割，即使某些样地分布在不同的图块中。

图2. 爱达荷大学实验森林的研究地点（北纬46°54′49″，西经116°49′52″）。森林地块边界以浅灰色标注。插图地图：示例显示了在UIEF单树调查的永久性样地88处捕获的TLS数据，这是覆盖整个森林范围的154个样地之一。使用了两种方法来处理、对齐和匹配点云数据。第一种方法仅使用了lidR软件包[52]，而第二种方法则使用了两种不同的算法来分割树木并计算指标。第一种方法根据ALS和TLS点云中的树顶来确定树木的位置；第二种方法根据树木的胸径（DBH）来确定TLS树木的位置，而ALS树木的位置则基于树顶（图3）。图3显示了由于测量垂直角度和树木倾斜程度不同导致的树木水平位置差异。点的大小对应于树干直径。第一种方法通过lidR软件包中的ttops函数读取TLS点云数据以进行树顶分割（图4）。分割和规范化完成后，从生成的数字地形模型（DTM）中提取样地的方位角和高程，并将其分配给识别的树木位置。当所有数据都被提取并正确分配到相应的树木位置后，进行了坐标转换，将TLS点位置从本地坐标系统转换为NAD83 UTM ZONE 11。相同的工作流程也被用于处理ALS数据，但由于ALS数据已经使用NAD83 UTM ZONE 11记录，因此不需要进行坐标转换。为了估计每个样地中树木的DBH，在R语言中使用randomForest软件包4.7-1.2[53]训练了一个模型。该模型根据树木的高度、方位角和高程来预测DBH。当预测分割后的树木在胸高处的直径时，模型的均方根误差（RMSE）为6.63厘米。完成这些步骤后，TLS和ALS树木位置的数据集被导出为逗号分隔值（csv）文件，其中包含树木顶部的位置（纬度和经度）、方位角、高程以及估计的DBH。在扫描过程中，TLS测量的方向并未固定；每次扫描都相对于ALS数据进行了任意角度的旋转。Kabsch算法[54]被用来对齐和旋转树木位置，以使TLS和ALS得到的树木位置匹配。在第一种方法中，仅使用lidR软件包根据TLS和ALS点云中的树顶来估计树木位置（图4）。(左)：仅使用lidR软件包的第一种方法的工作流程，根据TLS和ALS点云中的树顶来估计树木位置。(右)：示例图，其中识别的树木位置（黑色十字标记）叠加在树冠高度模型（CHM）栅格上。

第二种方法使用了FORTLS软件包1.6.1[55]和R语言中的lidR软件包来进行匹配工作流程。FORTLS是一个专门用于从TLS点云扫描中提取树木指标的软件包。该过程包括数据标准化、统计移除异常点，然后分割单个树木（图5）。在分割过程中，对每个树干拟合椭圆环来估计胸高处的直径。虽然lidR是根据树顶来估计树木位置的，但FORTLS是根据DBH来估计的。ALS数据的分析遵循上述第一种方法的相同工作流程。所有数据存储在各自的csv文件中后，点位置被绘制并对齐。使用R语言中的Kabsch算法，点被对齐和旋转。之后，根据水平位置（UTM坐标）和DBH将每个数据集中的点模式进行匹配。在第二种方法中，同时使用了FORTLS和lidR来估计树木位置。FORTLS根据TLS点云中的DBH来估计树木位置，而lidR根据ALS点云中的树顶来估计树木位置（图5）。(左)：使用FORTLS根据TLS点云中的DBH估计树木位置的第二种方法的工作流程；(右)：示例输出显示了识别的树木，树木的树干上用红色带标出了胸高处的位置。TLS得到的树木位置与ALS潜在候选树木在固定的水平距离和允许的DBH误差范围内进行匹配（图6）。为此在R语言中编写了一个自定义脚本。脚本首先读取每个样地在完成DBH和坐标转换后生成的两个.csv文件。从.csv文件中生成树干地图并叠加在一起。文件叠加后，使用二维Kabsch算法将TLS树木位置转换为与ALS树木位置最匹配的最优模式。Kabsch算法根据预测的树木位置构建协方差矩阵，然后应用奇异值分解来确定TLS得到的位置应该如何旋转以最佳适应ALS数据。在初始旋转和对齐之后，通过嵌套循环中的额外暴力匹配进一步细化树木位置，该循环改变了空间水平距离和DBH容忍度。只有包含3棵或更多成功匹配树木的样地被包括在内；少于3棵树木匹配的样地被排除在外。为了估计水平距离，计算了每个TLS预测树木位置与15米半径内的每个ALS预测树木位置之间的欧几里得距离（公式（1））。为了得出DBH差异，取TLS预测DBH与ALS预测DBH的绝对值之差。这些值来自分割后的.las文件，并存储在.csv文件中。对于第一种方法，匹配时使用从树木位置起5米的最大半径和5厘米的最大DBH差异。在这些容忍度值范围内的树木被考虑进行匹配，直到选择出最优匹配。对于第二种方法，使用从目标树木位置起6米的最大水平半径和8厘米的最大DBH差异。在两种方法中，匹配树木都使用了一个综合匹配得分进行评估，该得分是标准化空间距离（70%）和DBH差异（30%）的加权总和。进行这种分割是因为空间距离通常比预测的DBH更准确地记录了实际距离，后者会因树木大小而有所不同。得分最低的ALS树木被选为最佳匹配候选者。一旦选定匹配对，就会保存下来以确保没有树木有多个匹配结果。这个过程也针对仅基于空间模式的匹配进行了重复。使用仅基于空间模式的方法时，第一种方法的最大水平半径为2.5米，而第二种方法的最大水平半径为3米。使用R语言中的循环脚本估计了水平距离和DBH差异的相对权重，评估了从1米到10米的水平距离和1-10厘米的DBH差异组合。暴力算法脚本读取分割文件并在嵌套循环中实现了匹配工作流程。匹配从潜在树木匹配之间的1米水平距离和1厘米DBH容忍度开始。在每个循环中，DBH逐渐增加1厘米，直到达到10厘米。公式（1）显示了树木位置之间的空间距离计算。

图6：基于lidR的分割结果，以及基于空间和DBH特征进行的匹配。红色点代表TLS预测的树木位置，绿色点代表ALS预测的树木位置，线条连接了匹配结果。蓝色向量表示从每个TLS识别的树木到ALS得到的树木位置的距离和反方位角。每个树木都画了一个圆圈，其半径等于向量距离，以便根据先前的ALS树木位置进行三边测量定位。橙色X代表真实的样中心位置，而蓝色星号代表通过地图匹配和三边测量得到的预测位置。使用混合效应模型来检验两种独立位置估计方法（仅空间或空间加DBH）之间没有差异的假设。模型中的响应变量是记录TLS测量的真实样中心位置与根据ALS得到的树木位置进行三边测量后预测的样中心位置之间的差异。分析中的固定效应包括用于提取树木位置的方法类型（FORTLS或lidR）和匹配类型（仅空间信息或空间信息加DBH）。最后，随机效应包括了UIEF中的每个管理单元（Flat Creek、West Hatter、East Hatter或Big Meadow），以考虑单树调查样地内采样误差的可能自相关性。这四个管理单元对应于不同的流域。混合效应模型拟合完成后，使用R语言中的ANOVA函数（lme4版本1.1-36[56]和lmerTest版本3.1-3[57]）来确定lidar工作流程（FORTLS、lidR）和匹配方法（仅空间或空间加DBH）对整体定位误差的影响。

3. 结果
共记录了154个样地；其中107个样地包含三棵或更多树木。由于进行三边测量之前要求样地至少有三棵树木，因此选择了107个样地进行匹配。成功匹配最多样地的方法是lidR（表1）。lidR仅使用空间特征匹配了100个样地，同时使用空间和DBH特征匹配了98个样地。FORTLS方法识别树木位置的匹配成功率较低（表1）。FORTLS仅使用空间特征成功匹配了62个样地，同时使用空间和DBH特征匹配了58个样地（表1）。当匹配算法同时使用空间和DBH特征时，样中心位置的水平误差更大（图7）。

表1：根据识别方法和匹配类型成功匹配和未成功匹配的样地数量。总共采样了154个样地；其中107个样地有3棵或更多树木可以进行匹配。

图7：箱线图显示了按方法和匹配类型划分的水平误差分布。

3.1. 混合效应模型
用于分割和识别树木位置的方法（FORTLS或lidR）影响了TreePS的水平误差。因此，我们拒绝了两种方法之间的水平定位误差没有差异的零假设（表2）。当仅使用空间属性时，基于树顶的方法（lidR）和使用空间加DBH进行匹配时，样中心水平误差存在差异（表2）。方法类型和匹配类型之间没有差异（表2）。

表2：混合效应模型分析的结果。四个数据集代表了不同的分割方法（FORTLS或lidR）和匹配标准（空间或空间加DBH）组合，使用R语言中的lme4版本1.1-36[56]和lmerTest版本3.1-3[57]导入到一个线性混合效应模型中。混合效应模型以样中心水平误差作为响应变量。分割工作流程方法（FORTLS、lidR）和匹配类型（仅空间或空间加DBH）及其交互作用被作为固定效应包含在模型中。最后，还包括了UIEF的管理单元（Flat Creek、West Hatter、East Hatter或Big Meadow）作为随机截距，以考虑每个流域内类似样地条件之间的自相关性。使用Satterthwaite方法进行方差分析[57]来评估混合效应模型。ANOVA模型表明，方法和匹配类型都影响了样中心水平误差（表2）。这表明，引入额外变量可能会使匹配算法变得更加复杂，从而导致样中心定位时的水平误差增加。此外，研究还表明，用于分割和识别树木位置的方法（FORTLS或lidR）对确定地块中心时的水平误差有显著影响。因此，我们拒绝了零假设，因为两种方法之间存在显著差异（p = 0.03）（表2）。方法与匹配类型之间没有差异（p = 0.07）（表2）。尽管没有差异，但该值接近0.05，这表明使用树顶方法（lidR）与DBH和空间特征相比，可能与使用与DBH方法相同的匹配类型（FORTLS）存在一些差异。包含管理单元作为随机效应的混合效应模型显示了管理单元内的误差关系。在4047公顷的采样区域内，代表了五个管理单元。每个管理单元具有不同的环境特征，如物种存在、坡度和树木大小。水平误差的变化主要发生在管理单元内部，而不是它们之间。管理单元的方差为0.0005，而残差方差为1.87（表3）。总体而言，流域之间的水平误差可以忽略不计。表3. 随机效应的混合效应模型结果。3.2. 匹配特征当匹配类型仅基于空间特征时，水平误差的分布呈右偏态，水平误差较低（图8）。当匹配类型同时基于空间特征和DBH特征时，水平误差的分布也呈现类似的右偏态（图8）。仅使用空间特征时，lidR分割方法的平均水平误差值为1.04米。当DBH作为额外变量纳入匹配时，该值增加到2.04米（表4）。使用FORTLS分割方法时，结果类似。仅使用空间特征时的平均水平误差也为1.04米。当DBH被纳入时，该值增加到2.67米（表4）。图8. 显示两种方法和两种匹配类型之间水平误差分布的直方图。表4. 估计地块中心时的水平误差范围。当仅使用目标树木和潜在匹配对象的空间邻近性来匹配树木位置时，使用lidR方法识别的匹配树木对的DBH差异分布广泛（图9）。当在匹配算法中考虑DBH时，lidR方法的DBH分布范围缩小（图9）。使用FORTLS方法时也出现了相同的结果。仅使用空间邻近性进行匹配时，平均DBH差异范围较广（图9）。基于邻近性和DBH的匹配减少了匹配树木对之间的DBH差异。图9. 显示两种分割工作流程方法（lidR和FORTLS）和两种匹配类型之间平均DBH差异分布的直方图。尽管仅基于空间邻近性的匹配方法具有较低的平均水平误差值，但其准确性可能不如结合DBH信息进行匹配的算法。由于结合空间和DBH信息的树木直径差异分布不如仅使用空间信息的匹配结果广泛，因此包含DBH信息的匹配树木更有可能正确匹配（图8和图9）。当使用相同的 segmentation 算法基于空间和 DBH 特征来匹配树木位置时，地面激光扫描（TLS）和机载激光扫描（ALS）得到的树木位置的一致性更好（图7）。使用不同的算法来确定地块中心位置会增加水平误差。当使用相同的算法和分割工作流程（lidR）来获取树木位置，并且仅使用空间特征进行匹配时，水平误差最低。虽然这种方法最为准确，但在匹配过程中同时考虑空间和 DBH 特征时，树木匹配的效果最佳。由于 lidR TLS 分割发现的树木位置比 FORTLS TLS 分割更多，因此在 ALS 分割的树木位置周围可能存在更多空间上接近的匹配（图10）。图10. 不同分割算法识别的树木数量对比。FORTLS TLS（橙色）共识别出 940 棵树木，lidR ALS（绿色）共识别出 1253 棵树木，lidR TLS（蓝色）共识别出 2726 棵树木。在 UIEF STI 网络的所有 154 个地块中，直径超过 5 英寸的树木总数为 2054 棵。FORTLS 分割出 940 棵树木，lidR ALS 分割出 1243 棵树木，lidR TLS 分割出 2726 棵树木。所有算法对树木数量的预测都有偏差，其中 lidR TLS 的预测偏差最大。所有算法预测的树木直径主要集中在 20 到 30 厘米之间（图11）。随着直径类别每增加 10 厘米，预测直径分布逐渐减小（图11）。图11. 每种算法在 10 厘米区间内分割树木的预测直径分布。FORTLS TLS（橙色）、lidR ALS（绿色）和 lidR TLS（蓝色）。4. 讨论我们的研究使用了两种常见的林业激光雷达分割算法来获取树木属性，包括它们的位置。在第一种方法中，lidR 根据树干的顶部来确定每棵树的位置，适用于局部冠层下的（TLS）和全局冠层上的（ALS）点云。在第二种方法中，FORTLS 根据 DBH 来识别树木位置，仅用于局部 TLS 文件，而 lidR 用于分割树木并在全局 ALS 点云中识别它们的位置。我们的结果显示，当使用地图匹配方法根据局部 TLS 树干位置与全局 ALS 导出的树木位置进行匹配时，使用相同的 R 包和分割算法来估计资源位置可以获得最佳匹配结果。使用相同参考点（无论是 DBH 还是树高）来识别树木位置的分割方法和算法似乎可以减少由于树木倾斜、缺陷或其他数据异常导致的水平误差。虽然使用 DBH 或树顶进行树木定位是可行的，但如果一致地执行，则使用一个不太可能随时间变化的共同参考点（如树桩位置）可能是长期单株树木清查程序中最有效的方法。树木容易因风、积雪负荷、断裂等因素而发生不同程度的倾斜，导致树顶、DBH 和树桩位置偏移（图3），特别是在管理不那么密集的地区。为了减少树木位置的水平误差，使用最接近地面且不易倾斜或出现缺陷的参考点可能是长期多时相地图特征匹配的合理选择。使用树桩位置的一个额外好处是，在进行森林作业时，树桩通常是收获后唯一剩下的树木部分，而且树桩往往会在景观中持续存在数十年。因此，树桩作为 TreePS 地图匹配的工具更加一致，无论是在收获前还是收获后。例如，它们可能对其他类型的特征匹配和集成到收获后森林更新或火灾恢复中的地图方法有用。我们的研究仅使用了 lidR 和 FORTLS 中部署的分割算法的水平位置误差。这些位置可能受到树木倾斜的影响，这可能会影响匹配对是否正确识别。如果可能的话，未来的研究和 TreePS 的后续版本可以从将树木表示为考虑从顶部到底部倾斜的 3D 垂直向量中受益。这将有助于以树桩位置作为共同的参考点进行估计。此外，虽然我们的 TreePS 匹配算法使用了空间邻近性或同时使用空间和 DBH 方法来匹配冠层下的（TLS）和冠层上的（ALS）树木位置，但在混合针叶林中，通过使用树木物种信息或其他单株树木属性，地图匹配可能会有所改进。本研究中使用的许多 UIEF STI 地块包含 3-8 种物种。能够整合所有个体的物种预测的算法，或者利用具有独特特征的树木作为关键点来生成独特的树木位置、大小和物种模式的算法，可能有助于改进局部和全局单株树木点模式的匹配。例如，在种子树林业系统中，一个较大的西部落叶松或黄松种子树，如果周围是较小直径的树木，在匹配算法中可能会更具权重，因为它们的组合模式会通过冠层下和冠层上的方法产生明显的特征。TreePS 的未来发展还可以通过将高分辨率 DEM 或 DSM 等因素纳入地图匹配算法中而受益。地点和位置特征，如巨石、道路或其他独特的景观特征，也可以在局部提高位置精度，补充树木位置的使用。在这项研究中，我们的 TreePS 地图匹配方法侧重于在 154 个清查地块中心 15 米半径范围内的树木位置和 DBH 的共同模式。未来的研究应该将 TreePS 扩展到更大的样本区域，如 50-75 米半径或整个森林林分。我们的意图不是让 TLS 成为 TreePS 方法的唯一选择，而是根据应用的不同，可以使用移动激光雷达、无人机、移动设备应用程序，甚至直接的指南针和卷尺进行现场测量。我们的研究有几个局限性，并且未来可以通过多种方式扩展和改进这项工作。我们的激光雷达数据采集仅在生长季节之后的夏末月份（7月至10月）进行。未来的研究可以评估灌木和叶类的季节性变化如何影响树木检测，特别是在有硬木的地方。未来的研究还应量化林分特征、下层植被的存在以及林冠闭合度如何影响 TreePS 的匹配质量和准确性。我们还专注于估计水平误差，并考虑垂直误差，并将测试范围扩大到更广泛的地理范围和多种林分管理条件，以确保方法的可推广性。树木信息是通过不同的 R 包提取的，以估计定位，就像使用 GNSS 定位人员、动物或机器时的情况一样。我们没有为每个地块中匹配的单独树木茎干推导出地面真实值估计。这是因为由于使用任何方法都存在测量误差，因此无法确定地匹配“真实”的匹配。我们依赖于空间和 DBH 属性的相对重要性来进行加权。未来的研究还可以分析和量化使用全站仪等工具成功匹配正确茎干的频率。当 2024 年建立 UIEF STI 地块网络时，所有 154 个地块的中心位置是使用 EOS Arrow Gold RTK GNSS 和基于卫星的 RTK 服务通过 ArcGIS Field Maps 记录的 300 个点的平均值来确定的。虽然大多数地块中心的精度小于 0.1 米，但在 UIEF 上一些最密集、最成熟的林分中，无法在所有地块中达到这个精度，所有地块的总体精度为 0.247 米，范围从小于 0.01 米到 0.96 米不等。因此，相比之下，TreePS 的精度确实低于使用高端 RTK GNSS 可达到的精度。然而，值得注意的是，即使对 TLS 和 ALS 进行了完整的处理和分割，TreePS lidR 方法通常也比等待使用 RTK 订阅服务获得足够数量的高精度点更快。尽管我们在初次尝试中使用TreePS时的准确率明显较低，平均误差约为1米，但我们预计基于这些初步结果开发的改进方法有望同时提高准确率和计算效率。尽管目前仍处于开发阶段，TreePS概念可能对在森林环境中操作远程设备和自主设备非常有用。使用艺术激光扫描（ALS）获取的树木位置数据相比实时共配准整个点云在计算上要轻松得多，因为涉及的点数显著减少。虽然移动激光雷达处理器GeoSLAM可以实现本地即时映射，但这些当前方法通常无法将本地地图与对供应链数字化转型至关重要的全局单株树木信息联系起来。TreePS能高效地填补这一空白，简化树木位置的确定，并可能还包括其他单株树木属性的识别，通过创建通用标识符来即时建立本地和全局数据库之间的关联。

当设备和人力资源在GNSS信号受限的森林区域移动时，识别资源位置所需的时间至关重要。方法1使用lidR软件包进行TLS（三角测量）和ALS分析，完成整个分割、匹配和定位过程大约需要4分钟；方法2则使用FORTLS和TLS，每个样地的处理时间约为25分钟。然而，在典型的TreePS应用中，我们假设ALS数据的上层冠层分割工作已经提前完成。

为了在实际野外使用中得到更好的效果，需要进一步优化TreePS以提供准确的实时定位。未来的发展方向应集中在开发更快速的算法上，以实现快速点模式匹配。减少这一处理时间将有助于提高TreePS在现实场景中的导航效率。一旦获得初步的位置信息，可以利用智能手机或机器计算机中的惯性测量单元（IMU）数据来实现二次定位，这种方法不依赖于GNSS，并且可以借鉴Qian等人的先前研究成果[24]，同时降低计算需求。本研究展示了特征匹配在资源定位中的效果如何受到分割算法（树干直径DBH或树顶）和匹配特性（仅基于空间信息，或同时考虑空间和DBH）的影响。该系统对于确定具有成熟树冠的森林区域的位置非常有价值， également能在GNSS信号不佳或无法使用的情况下发挥作用。在没有树冠或树干的情况下，仍然可以使用GNSS。如果没有任何树木或树干可供匹配，或者树干分布稀疏或间距较大，GNSS的误差通常较低。在这种情况下，TreePS可以补充GNSS的功能，尤其是在成熟的森林中。

随着TreePS方法的不断发展，我们预期GNSS可以用来确定景观中的大致位置，然后通过TreePS进一步精确定位。由于混交针叶林和不同树径树木的独特空间特征，TreePS特别适用于那些具有复杂树干直径分布和独特空间模式的导航任务。总结来说，我们已经证明TreePS可以根据本地测量数据以及之前通过ALS获得的树木位置信息来精确定位资源，无论是库存样地中心、人员还是设备。实验表明，使用树顶或DBH作为参考特征的方法会影响TreePS系统的水平定位精度。当本地和全局数据都使用相同的算法进行分割，并且依赖空间特征来匹配树木时，TreePS的表现最佳。虽然整体定位精度最高，但同时考虑空间和DBH特征可以提高匹配的准确性。当TLS和ALS数据都使用相同的算法进行分割，并且有大量可匹配的独特特征时，TreePS的效果最佳。高点密度激光雷达数据可以提供更详细的树木特征信息。在ALS和TLS数据中，较高的点密度能够生成更清晰的图像，从而更准确地估计树木的高度和胸径。由于树干属性的变异性有限，TreePS在高度均匀的工业种植园中的效果可能较差。在这些地方，特征匹配的难度较大，可能导致水平定位误差增加。此外，在树木间距较广或没有树木的区域，GNSS仍将是最佳选择。然而，在开阔地带，基于树桩位置、数字高程模型（DEM）和其他地理特征的匹配方法也具有很大的潜力。TreePS是一种有前景的技术，通过持续开发和改进将能够进一步提升其性能。