Rejestracja chmur punktów UAV‑LiDAR bez użycia celów w oparciu o dopasowanie grafowe lokalizacji drzew w środowiskach leśnych

Dlaczego wyrównywanie laserowych skanów lasów ma znaczenie

Lasy magazynują węgiel, chronią dziką faunę i pomagają regulować klimat, a mimo to trudno jest mierzyć ich strukturę drzewo po drzewie na dużych obszarach. Małe drony z laserowymi skanerami (UAV‑LiDAR) mogą mapować lasy ze zdumiewającą szczegółowością, ale ich dane są zbierane w nachodzących na siebie pasach lotu, które często nie zgadzają się idealnie, szczególnie pod gęstą koroną, gdzie sygnały nawigacji satelitarnej są słabe. W tym badaniu zaprezentowano metodę, która powoduje, że te nakładające się skany laserowe dopasowują się precyzyjnie, wykorzystując same drzewa jako naturalne punkty odniesienia, bez potrzeby stosowania sztucznych celów na ziemi.

Widzieć las za pomocą latających laserów

Nowoczesne inwentaryzacje leśne coraz częściej opierają się na LiDAR, technologii wysyłającej impulsy światła i mierzącej czas ich powrotu. Zamontowany na dronie LiDAR potrafi zarejestrować kształt koron, gałęzi i powierzchni terenu w rozdzielczości centymetrowej. Jednak dron zazwyczaj lata długimi, równoległymi trasami, tworząc pasy chmur punktów, które powinny zachodzić na siebie jak dachówki. Małe błędy nawigacyjne, blokada przez koronę i pagórkowaty teren sprawiają, że te „dachówki” rzadko pokrywają się idealnie. Tradycyjne metody wyrównywania szukają płaskich fragmentów terenu lub prostych cech geometrycznych, które są rzadkie lub ukryte w prawdziwych lasach. Autorzy koncentrują się zamiast tego na czymś obfitym i ekologicznie istotnym: wzorcu rozmieszczenia pojedynczych drzew.

Wykorzystanie drzew jako naturalnej sieci kotwic

Nowe podejście zaczyna się od rozdzielenia terenu i roślinności w każdym pasie LiDAR i zbudowania szczegółowych modeli wysokości terenu i korony. Na ich podstawie oprogramowanie lokalizuje wierzchołki poszczególnych drzew i traktuje każde drzewo jak węzeł w sieci. Dla każdego drzewa rejestruje odległości do sąsiadów na ziemi, różnice wysokości oraz względne położenie ponad lub poniżej siebie. Te proste relacje przestrzenne tworzą rodzaj odcisku palca dla otoczenia każdego drzewa. Metoda następnie porównuje drzewa między nachodzącymi na siebie pasami, szukając najlepszego dopasowania jeden‑do‑jednego, które zachowuje ogólny wzorzec rozmieszczenia i wysokości. Krok dopasowywania rozwiązywany jest za pomocą rygorystycznego algorytmu pierwotnie zaprojektowanego do wyrównywania sekwencji biologicznych, co gwarantuje wybór najbardziej spójnego zestawu korespondencji drzew dla całej działki.

Doszlifowanie dopasowania w trzech wymiarach

Znalezienie dopasowanych drzew to tylko połowa zadania; skany nadal trzeba obrócić i przesunąć tak, by odpowiadające sobie drzewa znalazły się w tym samym miejscu w przestrzeni 3D. W tym celu autorzy wykorzystują podejście optymalizacyjne inspirowane zachowaniem stada ptaków, znane jako optymalizacja rojem cząstek. Wiele próbnych rozwiązań, z których każde reprezentuje inną kombinację obrotów i przesunięć, porusza się w przestrzeni poszukiwań, kierując się ku układowi, który zbliża dopasowane drzewa jak najbardziej, przy jednoczesnym ignorowaniu ewidentnych odchyleń. Proces ten daje precyzyjną, pełną trójwymiarową transformację, która wyrównuje jeden pas LiDAR do drugiego bez polegania na zewnętrznych znacznikach czy wysokiej jakości pozycjonowaniu satelitarnym, co czyni go szczególnie użytecznym w lasach, gdzie sygnały nawigacyjne są zawodnie.

Jak to działa w prawdziwym lesie?

Zespół przetestował swoją metodę w nadmorskim parku leśnym w południowo‑wschodnich Chinach, używając danych z ośmiu okrągłych działek reprezentujących różne gatunki drzew, wiek i gęstość pni. Działki zawierały topolę, metasekwoję (dawn redwood), sosnę i inne gatunki, z gęstymi koronami w liściu i bardzo wysokimi gęstościami punktów LiDAR. Po rejestracji typowe błędy rozmieszczenia między dopasowanymi drzewami wynosiły jedynie kilkadziesiąt centymetrów, ze średnimi kwadratowymi odchyleniami (RMS) na poziomie około 17–27 cm w zależności od gatunku. Odsetek poprawnie dopasowanych drzew wzrósł o około 17–27 procent w porównaniu z powszechnie stosowaną metodą bazową, a poprawy były szczególnie silne w drzewostanach o wyraźnych, dobrze rozdzielonych koronach, takich jak metasekwoja. Gęste drzewostany liściaste o nachodzących na siebie koronach pozostały wyzwaniem, ujawniając obszary, gdzie w przyszłości potrzebne będą lepsze narzędzia segmentacji drzew.

Co to oznacza dla monitoringu lasów

Traktując drzewa jako punkty w sieci, a nie izolowane obiekty, ta metoda oferuje solidny, bezcelowy sposób na scalanie wielu skanów UAV‑LiDAR w jednolity, spójny widok 3D lasu. Dla osób spoza specjalności kluczowy przekaz jest taki, że teraz możemy dokładniej sklejać powtarzane badania dronowe lasów, nawet tam, gdzie sygnały satelitarne są słabe, a grunt ukryty pod listowiem. Ten poziom wyrównania nadaje się do mapowania struktury koron, śledzenia wzrostu lasu oraz wspierania badań nad bioróżnorodnością i magazynowaniem węgla, choć nie jest jeszcze wystarczająco precyzyjny do zadań w skali milimetrowej, takich jak szczegółowe pomiary pni. W miarę jak drony i skanery laserowe stają się powszechniejsze w leśnictwie, metody takie jak ta pomogą przekształcać rozległe chmury punktów w wiarygodne, porównywalne mapy ukazujące, jak lasy zmieniają się w czasie.

Cytowanie: Fekry, R., Ali, E., Sani-Mohammed, A. et al. Target-less registration of UAV-LiDAR point clouds based on graph matching of tree locations in forest environments. Sci Rep 16, 12373 (2026). https://doi.org/10.1038/s41598-025-29590-2

Słowa kluczowe: UAV LiDAR, mapowanie lasów, rejestracja chmur punktów, detekcja drzew, teledetekcja