林业遥感长势评估怎么做？从NDVI时序分析到LiDAR蓄积量回归

林业长势评估真正难的，不是算一个NDVI。

而是如何把：

卫星多光谱、无人机影像、LiDAR点云和样地数据

放到同一套分析链路里，最终回答三个问题：

哪里长势异常？异常持续多久？林分结构和蓄积量发生了什么变化？

一个比较典型的技术路线可以拆成：

text 复制代码

卫星遥感初筛
→ NDVI/EVI时序分析
→ 无人机多光谱精查
→ LiDAR结构参数提取
→ 样地数据校准
→ 回归模型估算

一、数据源怎么选？

林业遥感长势评估常用三类数据。

数据源	主要优势	更适合解决的问题
卫星多光谱	覆盖范围大、时间序列长	区域长势趋势、异常初筛
无人机多光谱	空间分辨率高	林班级精细长势分析
LiDAR点云	获取三维结构	树高、冠层、蓄积量相关参数

三者不是替代关系。

更合理的方式是：

卫星负责"找异常"，无人机负责"看细节"，LiDAR负责"看结构"。

二、NDVI为什么一定要做时序分析？

NDVI公式：

python 复制代码

NDVI = (NIR - Red) / (NIR + Red)

单期NDVI只能说明某一时刻的植被光谱状态。

真正用于长势分析，更重要的是观察：

text 复制代码

同一区域
在不同时间
NDVI怎么变化

例如可以关注三类变化：

1. 持续下降

如果某个林班在多个连续时相中NDVI持续下降，可以标记为异常区域。

但不能直接判断成病虫害。

因为下降还可能来自：

干旱；
季节变化；
采伐；
云影；
传感器差异；
树种物候变化。

2. 同期异常

比绝对值更有意义的，是和历史同期比较。

例如：

text 复制代码

2024年7月
vs
2025年7月
vs
2026年7月

如果相同物候阶段出现明显偏离，异常意义更强。

3. 空间异质性增加

同一林班中部分区域明显变差，也可以通过像元统计或分区分析识别。

三、一个简单的NDVI异常检测怎么写？

可以先从趋势分析入手。

python 复制代码

import numpy as np

def detect_ndvi_trend(ndvi_series, window=4):
    if len(ndvi_series) < window:
        return None

    values = np.array(ndvi_series[-window:])
    x = np.arange(window)

    slope, intercept = np.polyfit(x, values, 1)

    return {
        "slope": float(slope),
        "mean": float(values.mean())
    }

但实际工程中，不建议简单写：

python 复制代码

slope < -0.1

就认定长势异常。

更合理的是结合：

历史同期基线；
树种；
季节；
降雨；
温度；
云量质量标记。

也就是说：

NDVI负责筛异常，不负责直接诊断原因。

四、为什么蓄积量估算不能只靠NDVI？

NDVI主要反映冠层光谱特征。

但森林蓄积量还和：

树高；
胸径；
冠幅；
郁闭度；
林分密度

有关。

因此，只靠二维多光谱通常不够。

LiDAR的价值就在于提供三维结构参数。

典型流程可以是：

text 复制代码

LiDAR点云
→ 地面点分类
→ DEM / CHM
→ 树高/冠层参数
→ 样地统计
→ 蓄积量回归

其中CHM：

text 复制代码

CHM = DSM - DEM

可以作为树高和冠层结构分析的重要输入。

五、蓄积量回归怎么做？

假设输入特征包括：

text 复制代码

mean_height
max_height
canopy_cover
NDVI
EVI

输出：

text 复制代码

volume_per_hectare

可以先从传统回归、随机森林、XGBoost等模型做基线，再根据数据规模考虑MLP等深度学习模型。

例如一个简单MLP：

python 复制代码

import torch.nn as nn

model = nn.Sequential(
    nn.Linear(5, 64),
    nn.ReLU(),
    nn.Linear(64, 32),
    nn.ReLU(),
    nn.Linear(32, 16),
    nn.ReLU(),
    nn.Linear(16, 1)
)

但林业遥感项目里，真正影响效果的往往不是网络层数。

而是：

样地数据是否可靠。

如果样地数量少、分布不均或树种差异大，再复杂的模型也容易过拟合。

六、训练集划分最容易踩什么坑？

原稿里提到80/20划分。

工程上要特别注意：

不能简单随机打散所有样地。

如果相邻样地同时出现在训练集和测试集，会产生空间泄漏。

模型看起来R²很高，但换到新林区可能迅速下降。

更合理的做法是：

text 复制代码

按林班划分
或
按空间区域划分
或
按年份划分

真正测试：

模型换区域以后还能不能用。

这对林业遥感回归比单纯测试集指标更重要。

七、卫星和无人机怎么形成两级监测？

比较实用的工程路径是：

text 复制代码

Sentinel-2 / Landsat
↓
大范围时序分析
↓
异常林班
↓
无人机多光谱
↓
精细确认
↓
必要时LiDAR
↓
结构参数评估

这样可以避免：

整个林场所有区域都做高成本精细飞行。

卫星负责降低筛查成本，无人机负责提高重点区域分辨率。

这也是遥感监测比较典型的"普查 + 精查"模式。

八、深度学习回归最应该看哪些指标？

不要只看"准确率"。

蓄积量属于连续值预测。

更适合关注：

R²；
RMSE；
MAE；
相对误差；
Bias。

例如：

text 复制代码

R²高
并不等于
所有蓄积量区间都预测得好

还应该分别看：

低蓄积林分；

中等蓄积林分；

高蓄积林分

的误差分布。

否则模型可能在高值区系统性低估。

九、AI估算能不能替代样地调查？

不能。

更合理的定位是：

遥感扩大覆盖，样地负责校准。

例如：

text 复制代码

样地实测
→ 模型训练
→ 遥感全域估算
→ 异常区域再核查

特别是森林资源调查、正式统计或经营决策场景，仍需要按照实际技术规范进行样地调查和专业复核。

AI和遥感最大的价值是：

提高更新频率和空间覆盖能力。

不是完全取消外业。

十、荆棘鸟智能在这类场景中的技术角色

荆棘鸟智能在智慧林业场景中，更适合将：

AI视觉 + 遥感分析 + 边缘计算 + 多源数据管理

组合起来。

例如：

卫星做区域筛查；

无人机开展重点林班巡查；

LiDAR提取结构信息；

AI对异常区域进行分类和趋势分析；

平台统一管理时序结果和巡查事件。

重点不是强调单个模型指标，而是让：

text 复制代码

遥感
→ AI分析
→ 异常区域
→ 精细核查
→ 林业管理

真正串成闭环。

总结

林业遥感长势评估不是简单做一张NDVI图。

完整链路应该至少包括：

时序遥感分析、异常筛查、三维结构提取、样地校准和回归估算。

其中最容易被忽视的两个问题是：

NDVI异常不等于病害；AI蓄积量估算不能脱离样地数据。

真正可靠的工程方案，应该是：

卫星看趋势，无人机看细节，LiDAR看结构，样地做校准。

这样遥感AI才能真正从"看图"走向林业经营分析。

FAQ

Q1：卫星遥感和无人机遥感怎么分工？

卫星适合大范围、长期时序监测；无人机适合对重点林班进行高分辨率精查。

Q2：NDVI下降是不是说明森林退化？

不能直接这么判断。NDVI变化还会受到季节、树种、气候和影像质量影响，需要结合历史同期和现场信息分析。

Q3：LiDAR为什么适合做蓄积量估算？

因为LiDAR可以获取森林三维结构信息，例如树高和冠层结构，这些参数与蓄积量关系更直接。

Q4：AI蓄积量估算能替代人工样地吗？

不能。样地仍然是模型训练、校准和结果验证的重要依据。

Q5：蓄积量回归为什么不建议只看R²？

因为还需要同时观察RMSE、MAE、Bias以及不同蓄积量区间的误差表现。

Q6：荆棘鸟智能的林业遥感AI主要解决什么？

主要围绕多源遥感数据分析、异常林班筛查、AI视觉识别和平台化管理，为林业长势监测和资源调查提供辅助分析能力。