基于无人机激光雷达（UAV-LiDAR）的地中海森林集材道测绘与土壤扰动评估研究

本研究创新性地应用无人机激光扫描（ULS）技术，对比分析了Hillshading（Hill）、局部地形模型（LRM）、相对密度模型（RDM）和机器学习算法（SRF）四种方法在地中海森林集材道检测中的效能。结果显示RDM综合表现最优（准确率73%，灵敏度66%，Cohen's kappa 0.50），为森林作业监测提供了高精度、可定制化的技术方案，对平衡木材生产与生态系统保护具有重要实践意义。

　　

1 引言

地中海森林作为敏感生态系统，其土壤健康对维持碳储存、水分过滤等关键功能至关重要。集材道（Skid trails）作为林业机械通行路径，虽仅占森林面积不足30%，却会导致土壤压实、侵蚀等长期环境问题。传统地面调查方法效率低下，而卫星影像分辨率不足，机载激光扫描（ALS）又存在数据更新滞后问题。本研究首次系统评估无人机激光扫描（ULS）技术在该领域的应用潜力，针对五种典型地中海森林类型，比较四种分析技术的检测效能。

2 材料与方法

2.1 研究区域

选取意大利中部五个代表性林区（5-25.86公顷），涵盖山毛榉同龄林、黑松林和橡树萌生林等类型，涉及择伐、走廊式疏伐等不同经营措施（表1）。地形坡度20%-55%，采用农用拖拉机、集材机等典型机械作业。

2.2 数据采集

通过GNSS实地测绘建立真实集材道数据集，采用DJI Matrice 300搭载L2 LiDAR传感器（点密度≥500点/m²，45%地面点）获取0.5米分辨率数字地形模型（DTM）。

2.3 检测技术

• •

  Hillshading（Hill）：通过模拟光照阴影增强地形特征，依赖人工解译

• •

  局部地形模型（LRM）：高斯滤波消除宏观地形，突出机械碾压形成的微凹陷（内核7米，标准差2米）

• •

  相对密度模型（RDM）：分析5-30cm高度区间激光点密度，利用集材道植被缺失特征

• •

  SkidRoad_Finder（SRF）：基于瑞士数据集训练的机器学习算法，整合坡度、曲率等地形特征

2.4 统计分析

采用线性混合效应模型（LMM）比较技术差异，计算准确率、灵敏度及Cohen's kappa系数，通过100次Bootstrap验证稳定性。

3 结果

性能对比

• •

  RDM：综合表现最佳（平均准确率73%，灵敏度66%，κ=0.50），尤其在萌生林区达88%准确率

• •

  LRM：在山毛榉林表现突出（准确率67.4%，κ=0.348），擅长检测微地形变化

• •

  Hill：稳定性较差（准确率53-60%），受地形复杂度影响大

• •

  SRF：完全失效（准确率≈50%），反映训练数据与地中海环境不匹配

典型案例

图2显示研究区#4中，RDM检测结果与真实集材道空间匹配度最高，而SRF出现大量误判。补充图示证实，RDM在植被对比强烈区域优势明显，而LRM在无下木的山毛榉林更有效。

4 讨论

技术适应性

• •

  RDM优势：依赖植被覆盖差异，适用于萌生林等具有明显林下结构的区域。但需高性能计算设备处理原始点云数据

• •

  LRM特点：对机械碾压形成的微地形敏感，在平坦山毛榉林效果显著，但复杂地形下性能下降

• •

  SRF局限：凸显机器学习模型"水土不服"问题，需本地化训练数据支持

实践启示

建议形成技术组合策略：RDM评估总扰动面积，LRM识别严重压实区域。研究同时指出，开发地中海专用机器学习模型及手机端应用将是未来突破方向。

5 结论

ULS技术为地中海森林可持续经营提供了革命性监测工具。RDM和LRM的互补应用可精准量化采伐干扰，而本地化机器学习模型研发将进一步提升检测自动化水平。该成果对全球类似生态系统的森林管理具有重要参考价值。