Der Stammesdurchmesser in baumfreier Höhe (DBH) ist ein wichtiger Parameter in der Waldmessung. Bisher konzentrierte sich die Forschung hauptsächlich darauf, die Genauigkeit einzelner Technologien zu verbessern, und es fehlte an einer systematischen Synthese der evolutionären Logik von Messtechniken sowie an einem standardisierten Auswahlrahmen für forstliche Anwendungen. Zu diesem Zweck konstruiert dieses Papier einen mehrstufigen Klassifizierungsrahmen basierend auf Messplattformen und technischen Prinzipien und etabliert erstmals ein fünfdimensionales umfassendes Bewertungssystem (das Genauigkeit, Effizienz, Kosten, Umwelteignung und Automatisierung abdeckt) zusammen mit einem hierarchischen Technologieentscheidungsbaum. Es analysiert systematisch die Anwendungslogik von Multiquellenfusionstechnologien auf drei Ebenen: bodengestützt, nahbodenmobil und luftgestützt. Die Überprüfung zeigt, dass die traditionelle kontaktbasierte Messung eine begrenzte Effizienz aufweist; moderne Fernerkundungstechnologien (Fotogrammetrie und LiDAR) bieten erhebliche Vorteile in Bezug auf Automatisierung und Genauigkeit, sehen sich jedoch weiterhin Herausforderungen wie hohen Ausrüstungskosten, komplexer Datenverarbeitung und geringer Umwelteignung gegenüber. Multiquellenfusion und maschinelles Lernen sind Schlüsselmethoden, um die Einschränkungen einzelner Sensoren zu überwinden und die Robustheit der DBH-Schätzung zu verbessern. Schließlich wird erwartet, dass mit sinkenden Sensorkosten und dem Fortschritt intelligenter Algorithmen die DBH-Messung weiterhin in Richtung Automatisierung, Intelligenz und technischer Praktikabilität entwickelt wird, was technische Unterstützung für die großflächige, langfristige und wiederholbare Waldüberwachung bietet.
Zhang et al. (Sat,) haben diese Frage untersucht.