编辑推荐：
推荐
为提升森林清查精度，研究人员针对 ALS 数据，开展 3D-CNN 与 k-NN 结合遗传算法的对比研究。发现 3D-CNN 在 RMSE 上优于 k-NN 超 9%，且同生物区域内泛化性更佳，对森林管理、采伐规划等具重要意义。
论文解读
在森林资源监测领域，如何高效利用遥感技术精准估算森林立地变量（如蓄积量、树种组成）一直是研究热点。传统基于点云特征提取的机器学习方法（如 k-NN）虽广泛应用，但在处理高维数据和复杂林分结构时面临瓶颈，尤其在树种特异性体积预测中精度不足。随着深度学习技术的发展，三维卷积神经网络（3D-CNN）因其自动特征提取能力展现出潜力，但在不同生物区域的泛化能力尚不明确。为此，芬兰国家土地调查局（NLS）的研究人员开展了一项对比研究，旨在评估 3D-CNN 在高脉冲密度 ALS 数据（5 pulse/m2）中预测森林变量的性能，并与遗传算法优化的 k-NN 方法进行基准测试，研究成果发表在《Computers and Electronics in Agriculture》。
研究团队选取芬兰南部（Mikkeli、??nekoski）和北部（Kolari）三个不同生物区域的 ALS 数据集，通过构建 3D-CNN 模型（基于体素化 ALS 数据）和遗传算法优化的 k-NN 模型，采用跨区域交叉验证评估模型泛化性。主要技术方法包括：①ALS 数据预处理：将点云转换为 40×40×40 cm3 体素网格，采用二进制编码（0 表示无回波，1 表示至少一个回波）；②3D-CNN 架构：基于 Inception V3 网络改进，包含 5 个卷积层和 11 个 inception 层，使用 Softmax 函数输出树种体积比例；③k-NN 方法：通过遗传算法筛选 186 个 ALS 特征（如高度矩、纹理特征），采用加权欧氏距离计算近邻权重；④验证方法：10 次独立训练，利用 t 检验和 Mann-Whitney U 检验评估统计显著性。
研究结果
模型整体性能
通过对总蓄积量（V）、平均高度（H）、平均直径（D）及松（V?）、云杉（V?）、阔叶树（V?）体积的预测分析，发现 3D-CNN 在相对 RMSE 上整体优于 k-NN 超 9%。尤其在同生物区域内（如 Mikkeli/??nekoski），3D-CNN 的 V、V?、V?、V?的相对 RMSE 分别降低 5.7%、25.3%、19.6%、63.3%，显示出对复杂林分结构的更强表征能力。
跨区域泛化能力
当训练与验证数据来自不同生物区域时，3D-CNN 在总蓄积量预测中仍保持较低 RMSE，但树种特异性体积预测精度显著下降。相比之下，k-NN 在跨区域场景中偏倚更低，表明其数据驱动特性在样本分布差异大时更稳健。研究还发现，北部 Kolari 数据集因森林生产力低、结构单一，导致跨区域预测时两种模型的 RMSE 和偏倚显著升高。
统计显著性与特征利用
超 94% 的 RMSE 差异具统计显著性，而仅 40% 的偏倚差异显著。3D-CNN 通过自动提取体素空间中的三维结构特征，避免了传统人工设计特征的局限性，尤其在同生物区域内可挖掘 ALS 数据与树种体积的隐含关联。k-NN 依赖遗传算法筛选的几何与纹理特征，在光谱信息缺失的情况下，对树种区分能力有限。
结论与意义
本研究证实，3D-CNN 在同生物区域内对森林立地变量的预测精度和泛化能力显著优于遗传算法优化的 k-NN，尤其在总蓄积量和同区域树种体积估算中优势突出，为高分辨率森林清查提供了新范式。然而，跨生物区域应用时，3D-CNN 对复杂环境的适应性仍需提升，而 k-NN 的数据驱动特性使其在样本异质性高时具备互补价值。研究结果对优化森林资源管理、采伐规划及生物多样性研究具重要参考，未来结合高光谱航空影像的多模态数据或可进一步提升树种识别精度。
