FLORA: A deep learning approach to predict forest attributes from heterogeneous LiDAR data

📄 arXiv: 2606.32023v1 📥 PDF

作者: Emilie Vautier, Clément Mallet, Cédric Vega

分类: cs.CV, cs.AI

发布日期: 2026-06-30

💡 一句话要点

提出FLORA以解决异构LiDAR数据下森林属性预测问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: LiDAR数据 森林属性预测 深度学习 八叉树回归 生态变量 时空辅助数据 国家森林清查 跨季节鲁棒性

📋 核心要点

  1. 现有模型在异构LiDAR数据下的鲁棒性不足，难以进行全覆盖的森林属性预测。
  2. FLORA通过结合八叉树结构与辅助变量，采用后融合机制来提升预测精度。
  3. FLORA在主导高度和总体积预测上分别达到了12.3%和39%的相对均方根误差，显著提升了跨季节的预测能力。

📝 摘要（中文）

森林属性对于国家级资源监测至关重要。航空LiDAR指标与国家森林清查(NFI)估算的森林属性高度相关。然而，在异构条件下获取的LiDAR数据使得全覆盖预测变得困难。随着国家LiDAR项目在欧洲的扩展，传感器、飞行参数、季节和扫描角度的变化限制了现有模型的鲁棒性。本文提出FLORA（森林LiDAR八叉树回归与辅助数据），一个深度学习框架，能够从异构LiDAR点云中预测六种森林属性。FLORA结合了基于八叉树的主干网络与生态和时空辅助变量，通过后融合门控机制进行处理。模型在法国本土的32,052个国家森林清查样地上进行训练和评估，结果显示FLORA在跨季节鲁棒性上优于季节特定模型。

🔬 方法详解

问题定义：本文旨在解决在异构条件下，利用LiDAR数据进行森林属性预测的挑战。现有方法通常针对特定区域进行校准，缺乏跨区域和跨季节的鲁棒性。

核心思路：FLORA框架通过结合八叉树结构与生态、时空辅助变量，采用后融合机制来增强模型的泛化能力，从而提高对森林属性的预测精度。

技术框架：FLORA的整体架构包括数据预处理、八叉树网络构建、辅助变量整合和后融合机制。模型在训练过程中使用了来自法国LiDAR HD项目的32,052个样本进行评估。

关键创新：FLORA的主要创新在于其八叉树回归结构与辅助数据的结合，能够有效应对异构LiDAR数据的挑战，提升了模型的跨季节预测能力。

关键设计：模型采用了特定的损失函数以优化预测精度，并在网络结构中引入了门控机制，以便更好地融合不同来源的输入数据。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FLORA在主导高度预测中实现了约12.3%的相对均方根误差（rRMSE），R²值为0.88；在总体积预测中，rRMSE为39%，R²值为0.74。这些结果表明FLORA在跨季节预测方面显著优于传统的季节特定模型，提供了强有力的基线。

🎯 应用场景

该研究的潜在应用领域包括国家森林资源监测、生态环境评估和可持续林业管理。FLORA的框架能够为政策制定者和林业管理者提供准确的森林属性数据，从而支持科学决策和资源管理。

📄 摘要（原文）

Forest attributes are essential for national-scale resource monitoring. Airborne LiDAR metrics are among the auxiliary variables most strongly correlated with forest attributes used in National Forest Inventory (NFI) estimates. However, producing wall-to-wall predictions remains challenging when LiDAR data are acquired under heterogeneous conditions. As national LiDAR programs expand across Europe, variability in sensors, flight parameters, seasons, and scan angles limits the robustness of existing models, which are often calibrated for local conditions. We present FLORA (Forest LiDAR Octree Regression with Auxiliary Data), a deep learning framework that predicts six forest attributes: dominant height, total volume, deciduous volume, coniferous volume, basal area, and stem density from heterogeneous LiDAR point clouds. FLORA combines an octree-based backbone with ecological and spatiotemporal auxiliary variables through a late-fusion gating mechanism. Models are trained and evaluated on 32,052 National Forest Inventory plots across mainland France using data from the French LiDAR HD program. A single model trained on both leaf-on and leaf-off acquisitions outperforms season-specific models and improves cross-season robustness. Auxiliary variables provide modest overall gains but contribute more strongly to species-specific volume prediction. FLORA achieves an rRMSE of about 12.3% (R2 = 0.88) for dominant height and 39% (R2 = 0.74) for total volume, providing a robust baseline for large-scale forest attribute estimation from heterogeneous national LiDAR programs.