Accurate assessments of forest resources rely on ground truth data that are collected via in-situ measurements, which are fundamental for all other statistical- and/or remote-sensing-based deductions on quantified forest attributes. The major bottleneck of the current in-situ observation system is that the data collection is time consuming, and, thus, limited in extent, which potentially biases any further inferences made. Consequently, conventional field-data-collection approaches can hardly keep pace with the coverage, scale and frequency required for contemporary and future forest inventories. In-situ measurements from mobile platforms seem to be a promising technique to solve this problem and are estimated at least 10 times faster than static techniques (e.g., terrestrial laser scanning, TLS) at the plot level. However, the mobile platforms are still at the very early stages of development, and it is unclear which three-dimensional (3D) forest measurements the mobile systems can provide and at what accuracy. This study presents a quantitative evaluation of the performance of mobile platforms in a variety of forest conditions and through a comparison with state-of-the-art static in-situ observations. Two mobile platforms were used to collect field data, where the same laser-scanning system was both mounted on top of a vehicle and wore by an operator. The static in-situ observation from TLS is used as a baseline for the evaluation. All point clouds involved were processed through the same processing chain and compared to conventional manual measurement. The evaluation results indicate that the mobile platforms can assess homogeneous forests as well as static observations, but they cannot yet assess heterogeneous forest as required by practical applications. The major challenge is twofold: mobile-data coverage and accuracy. Future research should focus on the robust registration techniques between strips, especially in complex forest conditions, since errors of data registration results in significant impacts on tree attributes estimation accuracy. In cases that the spatial inconstancy cannot be eliminated, attributes estimation in single strips, i.e., the multi-single-scan approach, is an alternative. Meanwhile, operator training deserves attention since the data quality from mobile platforms is partly determined by the operators’ selection of trajectory in the field.

对森林资源的准确评估依赖于通过实地测量收集的地面真相数据，这对于所有其他基于统计和/或遥感的量化森林属性推论都是至关重要的。当前的原位观察系统的主要瓶颈在于数据收集是耗时的，并且因此在范围上受到限制，这有可能使所做的任何进一步的推断产生偏差。因此，常规的野外数据收集方法几乎无法跟上当代和未来森林清单所需的覆盖范围，规模和频率。从移动平台进行的现场测量似乎是解决该问题的一种有前途的技术，并且在绘图级别，其估计速度比静态技术（例如，地面激光扫描，TLS）至少快10倍。然而，移动平台仍处于开发的早期阶段，尚不清楚移动系统可以提供哪些三维（3D）森林测量结果以及其精度如何。这项研究通过与最先进的静态现场观测结果进行比较，对移动平台在各种森林条件下的性能进行了定量评估。两个移动平台用于收集现场数据，同一激光扫描系统既安装在车辆顶部，又由操作员佩戴。TLS的静态原位观测值用作评估的基准。所有涉及的点云都通过相同的处理链进行处理，并与常规的手动测量进行了比较。评估结果表明，移动平台可以评估同质森林和静态观测，但它们仍无法按照实际应用评估异质森林。主要挑战是双重的：移动数据的覆盖范围和准确性。未来的研究应着重于条带之间的鲁棒配准技术，尤其是在复杂的森林条件下，因为数据配准的错误会严重影响树木属性估计的准确性。在无法消除空间不稳定性的情况下，可以选择单条中的属性估计，即多单次扫描方法。同时，由于移动平台的数据质量部分取决于操作员在现场的轨迹选择，因此操作员培训值得关注。但他们仍无法根据实际应用评估异质林。主要挑战是双重的：移动数据的覆盖范围和准确性。未来的研究应侧重于带之间的鲁棒配准技术，尤其是在复杂的森林条件下，因为数据配准的错误会严重影响树木属性估计的准确性。在无法消除空间不稳定性的情况下，可以选择单条中的属性估计，即多单次扫描方法。同时，由于移动平台的数据质量部分取决于操作员在现场的轨迹选择，因此操作员培训值得关注。但他们仍无法根据实际应用评估异质林。主要挑战是双重的：移动数据的覆盖范围和准确性。未来的研究应侧重于带之间的鲁棒配准技术，尤其是在复杂的森林条件下，因为数据配准的错误会严重影响树木属性估计的准确性。在无法消除空间不稳定性的情况下，可以选择单条中的属性估计，即多单次扫描方法。同时，由于移动平台的数据质量部分取决于操作员在现场的轨迹选择，因此操作员培训值得关注。未来的研究应侧重于带之间的鲁棒配准技术，尤其是在复杂的森林条件下，因为数据配准的错误会严重影响树木属性估计的准确性。在无法消除空间不稳定性的情况下，可以选择单条中的属性估计，即多单次扫描方法。同时，由于移动平台的数据质量部分取决于操作员在现场的轨迹选择，因此操作员培训值得关注。未来的研究应侧重于带之间的鲁棒配准技术，尤其是在复杂的森林条件下，因为数据配准的错误会严重影响树木属性估计的准确性。在无法消除空间不稳定性的情况下，可以选择单条中的属性估计，即多单次扫描方法。同时，由于移动平台的数据质量部分取决于操作员在现场的轨迹选择，因此操作员培训值得关注。单个条带中的属性估计（即多单次扫描方法）是一种替代方法。同时，由于移动平台的数据质量部分取决于操作员在现场的轨迹选择，因此操作员培训值得关注。单个条带中的属性估计（即多单次扫描方法）是一种替代方法。同时，由于移动平台的数据质量部分取决于操作员在现场的轨迹选择，因此操作员培训值得关注。