用機載LiDAR點云數(shù)據(jù)估測海南博鰲人工經(jīng)濟林單木參數(shù)

高凌寒，張曉麗，陳園園

用機載LiDAR點云數(shù)據(jù)估測海南博鰲人工經(jīng)濟林單木參數(shù)

高凌寒，張曉麗※，陳園園

（北京林業(yè)大學森林培育與保護教育部重點實驗室，精準林業(yè)北京市重點實驗室，北京 100083）

激光雷達是目前發(fā)展迅速的一種主動遙感技術(shù)，其發(fā)射的激光脈沖能穿透樹林冠層，實現(xiàn)森林三維結(jié)構(gòu)特征的獲取。為驗證機載激光掃描器提取森林單木參數(shù)的可行性，該研究以海南省博鰲機場周邊人工林為研究對象，使用機載激光掃描器Mapper5000（中國）獲取的點云數(shù)據(jù)，探索對人工經(jīng)濟林單木參數(shù)估測的可行性。根據(jù)研究區(qū)的地形和林木結(jié)構(gòu)特征，分別對檳榔和橡膠2個樹種進行單木參數(shù)提取，使用K-means分層聚類對不同樣地的林木進行單木分割，提取樣地內(nèi)單木樹高、冠幅、胸徑、材積和地上生物量。結(jié)果表明，2個樹種的單木分割正檢率均在85%以上，總體平均正檢率在89.98%以上；單木樹高、冠幅、胸徑、材積、地上生物量估測結(jié)果的決定系數(shù)均達到0.8以上，說明該點云數(shù)據(jù)對提高森林參數(shù)估測精度有積極作用，機載激光雷達技術(shù)在森林資源精細調(diào)查中有較大的應用潛力，同時也可應用于相關(guān)果樹生長情況監(jiān)測，為數(shù)字果園的發(fā)展提供技術(shù)支撐。

遙感；模型；林業(yè)；機載LiDAR；單木參數(shù)；聚類算法

0 引 言

激光雷達（Light Detection and Ranging，LiDAR）通過傳感器所發(fā)出的激光來測定傳感器與目標物之間的距離[1]，具有測速范圍廣、角分辨率和距離分辨率高、抗干擾性強等優(yōu)點。在林業(yè)應用中，LiDAR作為主動遙感技術(shù)可以有效穿透林木冠層，能夠獲取森林垂直結(jié)構(gòu)參數(shù)，不需要通過多角度觀測或者立體像對進行森林三維場景的重建，能更好地模擬森林空間結(jié)構(gòu)，彌補光學遙感手段的不足。

如果LiDAR掃描脈沖點的采樣點足夠密集，就能反映出單木的空間結(jié)構(gòu)，獲取高精度的林木三維結(jié)構(gòu)特征[2]。機載小光斑激光雷達在林業(yè)上比較常見的有美國Leica公司的ALS機載激光掃描系統(tǒng)、德國IGI公司的LiteMapper-5600系統(tǒng)和奧地利Riegl公司的LMS-Q680i系統(tǒng)等[1]。其中，最新的ALS80機載激光掃描系統(tǒng)采用雙激光束掃描，脈沖頻率達到1×106Hz，點密度增加。同時，采用正弦波掃描、三角線掃描和平行線掃描[3]，提高了系統(tǒng)的靈活性，滿足多種實地掃描需求。ALS機載激光掃描系統(tǒng)在林業(yè)上的應用較成熟，提取單木樹高的平均絕對誤差為2.33 m，冠幅誤差為0.99 m[4-5]。LiteMapper-5600系統(tǒng)是一套高頻率、高精度的機載全波形激光雷達系統(tǒng)，其最大測程可達3 000 m，掃描角分辨率0.001°，因其具有全波形回波特性，在農(nóng)作物、森林、植被信息提取等方面廣泛應用，提取樹高的平均相對誤差范圍在0.01%～2.60%之間，胸高斷面積的誤差范圍在11.2%～17.5%之間[6]。LMS-Q680i系統(tǒng)掃描儀精度高達20 mm，在采集激光數(shù)據(jù)的同時支持在線查看回波信號的數(shù)字流。樹高提取的決定系數(shù)在0.65～0.92之間，冠幅提取的決定系數(shù)在0.60～0.89之間[7-9]。小光斑機載激光雷達能較好地構(gòu)造樹冠三維模型，常用于單木參數(shù)的提取，國內(nèi)外很多學者做了相應研究[10-15]。如劉清旺等[12]使用機載激光雷達數(shù)據(jù)估測了黑河流域典型樹種的單木生物量，其決定系數(shù)為0.729。Popescu[16]使用機載激光雷達數(shù)據(jù)對美國東南部地區(qū)的松樹單木胸徑進行了估測，估測精度為90%。單木尺度參數(shù)提取需要先進行單木分割后再進行相應的參數(shù)提取[16-18]。早在1996年，Nilsson[19]就通過計算冠頂和地面回波之間的距離計算了樹高，精度達90%以上。Maltamo等[20]使用商業(yè)圖像分割軟件得到了單木樹高和樹冠，使用對數(shù)回歸方程得到了單木胸徑。王平[21]通過對LiDAR點云數(shù)據(jù)的分類處理，進行了單株木參數(shù)信息的提取，得到了樹冠高程模型，反演精度為86.9%。

上述研究大多基于國外激光掃描設備獲取的數(shù)據(jù)進行森林參數(shù)反演或提取，如耿林等[8]采用奧地利Riegl公司的LMS-Q680i掃描系統(tǒng)獲取森林點云數(shù)據(jù)，進行單木分割和單木樹高等參數(shù)的提取，單木分割的準確率為70%～95%，樹高提取的相對精度為70%～96%，樹冠面積的提取精度為60%～90%。如此大的誤差范圍，是由于中國森林資源復雜多樣，不同地區(qū)的樹種結(jié)構(gòu)差異很大，山地和平地的地形差異和樹齡不同都會造成誤差的產(chǎn)生。根據(jù)中國森林的復雜現(xiàn)狀，研發(fā)適合中國森林情況的國產(chǎn)激光雷達設備是十分必要的。中國在機載激光探測系統(tǒng)方面的研究始于20世紀80年代末期，第一代機載激光探測系統(tǒng)是于2002年由中國科學院上海光學精密機械研究所研制成功[22]。然而，國產(chǎn)機載激光探測系統(tǒng)常被應用于海洋、城市等方面，在森林參數(shù)估測方面的應用較為鮮見。

綜上，根據(jù)中國機載激光探測系統(tǒng)的研究現(xiàn)狀，本研究以海南省博鰲機場周邊林區(qū)為研究區(qū)域，使用上海光機所自主研發(fā)的機載激光掃描器Mapper5000（中國）獲取的點云數(shù)據(jù)為數(shù)據(jù)源，從單木尺度出發(fā)，針對檳榔和橡膠2個樹種，根據(jù)點云位置信息提取單木樹高和冠幅參數(shù)，依據(jù)各樹種樹高-胸徑模型、材積方程和地上生物量模型估測單木胸徑、材積和地上生物量等參數(shù)，并進行精度驗證，探討國產(chǎn)機載激光探測系統(tǒng)在林業(yè)上的可行性和適用性。

1 材料與方法

1.1 數(shù)據(jù)來源

本研究所采集的數(shù)據(jù)包括：1）研究區(qū)域的單木檢尺數(shù)據(jù)和單木定位數(shù)據(jù)。2019年5月，在海南省瓊海市博鰲鎮(zhèn)（圖1a）博鰲機場周邊（19°13′N，110°30′E）設置6塊樣地。由于研究區(qū)位于居民區(qū)內(nèi)，林木位于道路和房屋中間位置，屬于人工種植樹，根據(jù)房屋位置和道路之間的距離布設樣地，樣地邊長15～45 m。對樣地內(nèi)單木進行檢尺，記錄樹種并用胸徑尺對胸徑大于5cm的單木胸徑進行測量，使用激光測高器測量單木樹高，使用GPS進行單木定位和角點定位。由于樣地內(nèi)林木密集，很難進行冠幅測量，因此根據(jù)冠幅-胸徑模型[23]計算單木冠幅。樣地包含檳榔樹（，Areca）和橡膠樹（，Rubber）2個樹種。6塊樣地編號為8-6、7-7、7-5、8-1A、8-1B和8-3B，具體樣地位置如圖 1b所示，樣地基本信息如表1所示。

2）激光雷達點云數(shù)據(jù)。由上海光機所研發(fā)的機載激光掃描器（Mapper5000（雙頻），中國科學院上海光學精密機械研究所，中國）搭載在有人機HarbinY-12上，飛行速度為150～220 km/h，飛行高度為300～1 600 m。Mapper5000的掃描角為±30°，掃描波長為1 550 nm，掃描模式為線性，點格網(wǎng)密度為0.6～20.0點/m2，水平精度為0.091～0.446 m，垂直精度為0.089～0.437 m[24]。掃描獲取的激光雷達點云數(shù)據(jù)，其點云密度為每平方米16個點。獲取時間為2019年5月18日，沿著博鰲機場跑道附近飛行了4條航帶，重疊率達15%，數(shù)據(jù)存儲為TXT二進制格式。數(shù)據(jù)坐標系為WGS-84大地坐標系。

表1 樣地基本信息

1.2 研究方法

1.2.1 點云數(shù)據(jù)預處理

受掃描條件、硬件設備以及外界環(huán)境條件的影響，掃描時會出現(xiàn)一些影響點云正常使用以及地形起伏的異常點，所以在使用機載激光雷達點云數(shù)據(jù)進行森林參數(shù)提取之前，要對點云數(shù)據(jù)進行預處理。首先，采用孤立點算法對噪聲點進行剔除（包括異常高點和低點），然后輔助人工修正，剔除不易被識別的噪聲點[25]。其次，使用基于地形表面濾波算法的不規(guī)則三角網(wǎng)（Triangulated Irregular Network，TIN）逐步加密法[26]提取地面點，初步將點云數(shù)據(jù)分為地面點和植被點。采用Kriging插值法對提取的地面點進行插值生成數(shù)字高程模型（Digital Elevation Model，DEM），再利用TIN插值法將分類后的植被點插值生成數(shù)字表面模型（Digital Surface Model，DSM）。最后，將DSM和DEM做差，消除地形起伏對森林高程的影響，完成點云數(shù)據(jù)高程歸一化處理，生成樹冠高度模型（Canopy Height Model，CHM），為后續(xù)單木分割、樹高提取奠定基礎(chǔ)。

1.2.2 森林參數(shù)計算方法

1）單木冠幅

根據(jù)實測胸徑值，通過冠幅-胸徑模型[23]得到單木冠幅值，橡膠樹的單木冠幅（橡，m）計算如式（1）所示[23]。

橡= e(2.622-23.953/D)（1）

式中為單木胸徑，cm。

檳榔樹的單木冠幅（檳，m）計算如式（2）所示[23]。

檳= e(3.773-45.234/D)（2）

2）單木材積

采用陳振雄等[27]模型計算單木材積：

橡= 0.0001672·2.429851（3）

式中橡為橡膠樹單木材積，m3。

通過查閱二元材積表[28]建立檳榔樹的二元立木材積方程，如式（4）所示：

檳= 0.000 047 530 232·1.924 950 7·0.994 628 84（4）

式中為檳榔樹單木樹高，m；檳為檳榔樹單木材積，m3。

3）單木地上生物量

檳榔樹和橡膠樹的單木地上生物量（Above Ground Biomass，AGB）模型[29]如式（5）所示：

= 311.130 2[(/100)2·]0.854 2（5）

式中為單木地上生物量，kg。

1.2.3 森林參數(shù)估測與提取方法

1）單木分割

本研究利用CHM的高度信息，基于點云進行單木分割。采用可變窗口（檳榔樣地窗口大小為1 m，橡膠樹樣地窗口大小為2 m）局部最大值檢測法[30]對CHM提取局部最大高程點，并以此作為首次聚類中心，采用高程歸一化點云K-means分層聚類法進行單木分割，對其逐層聚類，提取單木點云[30]。本研究根據(jù)點云高程范圍，自上而下按高程差平分為5層?；邳c云的聚類判別法，利用點云在三維空間上的位置和點云之間的歐式距離[31]劃分點云的歸屬。由于樹冠大樹干小，所以點云聚類的距離不能固定為單一的值，而是將整個歸一化的植被點云分成幾個層次，每個層次一個聚類距離，點云和樹冠中心距離小于閾值則屬于該樹冠點云，否則屬于其他單木樹冠點云[32]。

2）單木參數(shù)提取方法

本研究的單木參數(shù)包括單木樹高、冠幅、胸徑、材積和地上生物量。采用可變窗口局部最大值法[30]探測單木樹梢頂點的位置，樹梢頂點處的點云高程值為單木樹高值；將點云數(shù)據(jù)東西方向、南北方向的最大值與最小值之差分別作為東西、南北冠幅，取二者的平均值作為單木冠幅；根據(jù)樹高的提取結(jié)果，利用樹高-胸徑曲線方程[33]得到相應樹木的胸徑值；根據(jù)提取的樹高、胸徑依據(jù)實測材積[27-28]與地上生物量模型[29]計算每棵樹的材積與地上生物量。

檳榔樹和橡膠樹樹高-胸徑曲線模型使用賀鵬等[33]的海南省主要人工林樹種最優(yōu)樹高曲線得到。模型如式 （6）所示：

式中、、為常數(shù)，檳榔樹模型中=19.659 94，=0.0263 09，=1.633 208；橡膠樹模型中=19.561 13，=0.113 187，=1.714 149。

1.2.4 精度驗證

1）單木分割精度驗證

統(tǒng)計不同樣地單木分割結(jié)果的正檢率（算法的有效分割率）和召回率（基于實測株數(shù)的有效分割率）。正檢率（，%）為被驗證的有效分割株數(shù)（單木分割結(jié)果與地面實測單木水平位置誤差小于1 m的株數(shù)）和算法分割株數(shù)的百分比值，召回率（，%）為被驗證的有效分割株數(shù)和實測株數(shù)的百分比值，其計算如式（7）和（8）所示。

式中為被驗證的有效分割株數(shù)，為算法分割株數(shù)。

式中為實測株數(shù)。

2）單木參數(shù)提取精度評價

將估測得到的單木參數(shù)值和實測的單木參數(shù)值進行比較并建立散點圖。以決定系數(shù)（coefficient of determination，2）、均方根誤差（Root Mean Squared Error，RMSE）為評價指標。

2 結(jié)果與分析

2.1 單木分割結(jié)果與分析

將單木分割結(jié)果與地面實測單木進行人工比對，剔除明顯不匹配的單木點（水平位置誤差大于1 m），得到單木分割后提取的單木位置和實測單木位置對比圖，如圖2所示，提取后的樹木由軟件系統(tǒng)自動進行編號。由圖2可知，6塊樣地的總體分割結(jié)果差異較小，單木分割的正檢率均在85%以上，提取的單木位置和實測單木位置匹配較準確，誤差在0～1 m之間。

通過統(tǒng)計不同樣地的地面實測株數(shù)、算法分割株數(shù)及被驗證的有效分割株數(shù)計算相應的正檢率和召回率，如表2所示。由表2可知，6塊樣地都存在過分割情況，檳榔樣地的過分割情況較多，正檢率平均值為88.7%，比橡膠樹樣地少2.6個百分點。同時，檳榔樣地被驗證的有效分割株數(shù)較少，其召回率平均值為94.8%，比橡膠樹樣地少1.4個百分點。原因在于檳榔樹種植密度大，冠幅較小，不易搜索到樹頂點，對實地中的同一棵樹由于算法的誤分，會產(chǎn)生2個樹頂點，從而造成過分割。

綜上可知，分割結(jié)果中沒有出現(xiàn)分割株數(shù)少于實際株數(shù)的情況，是因為檳榔樹和橡膠樹分布均勻，樹高均勻，局部檢測時更易出現(xiàn)過分割情況，總體平均正檢率在89.98%以上，平均召回率達95.52%，滿足林業(yè)單木尺度樹種分割精度需求。

2.2 單木參數(shù)提取結(jié)果與分析

2.2.1 單木樹高

將分割后的單木按樹木編號（圖2）提取每株樹的高程最大值點為該株樹的樹頂點，其CHM值為該株樹的樹高。分別在檳榔和橡膠樹樣地中選擇提取效果最好的150株樹（單木位置誤差在0.3 m以內(nèi)），將獲取的樹高數(shù)據(jù)與相應實測數(shù)據(jù)進行回歸分析，如圖3所示。由圖3可知，LiDAR提取的樹高和實測樹高呈良好的相關(guān)性，檳榔樹和橡膠樹的2分別達到0.87和0.88，RMSE分別為0.31和0.57 m。LiDAR提取的樹高都比實測值大，原因在于實地測量時由于樹頂被相鄰冠層遮擋，導致測量時激光打不到樹頂，使實測樹高偏低。

表2 檳榔和橡膠的林木株數(shù)提取精度評價

2.2.2 單木冠幅

將分割后的單木按樹木編號（圖2）提取每株樹東西方向、南北方向的樹冠最大值和最小值，分別做差，計算二者平均值，得到單木冠幅值。選擇提取效果最好的150株樹（單木位置誤差在0.3 m以內(nèi)），比對實測單木冠幅和提取的單木冠幅，結(jié)果如圖4所示。由圖4可知，檳榔樹和橡膠樹的2分別為0.86和0.87，RMSE分別為0.29和0.55 m。橡膠樹屬于大冠層樹種，樹冠伸展性大，基于LiDAR提取的橡膠樹冠幅大部分比實測值高，相鄰2棵樹之間會存在樹冠交疊情況，使得基于LiDAR提取的冠幅會由于樹冠邊界點不明確而偏大。

2.2.3 單木胸徑

將提取到的LiDAR點云樹高值代入樹高-胸徑模型[33]，分別計算檳榔和橡膠樹單木胸徑值。比對實測胸徑值和估測胸徑值之間的關(guān)系，結(jié)果如圖5所示。由圖5可知，檳榔和橡膠樹實測胸徑值和估測胸徑值呈良好的相關(guān)性，2都在0.85以上，RMSE分別為0.64和1.94 cm。分析發(fā)現(xiàn)，2個樹種的估測胸徑值比實測胸徑值高一些，這與基于LiDAR提取的樹高值偏大有關(guān)。

2.2.4 單木材積

單木材積的估測值使用LiDAR點云數(shù)據(jù)提取的樹高和胸徑值根據(jù)實測單木材積方程[27-28]計算得到。將LiDAR點云數(shù)據(jù)估算得到的單木材積與實測單木材積進行對比分析，結(jié)果如圖6所示。由圖6可知，2個樹種的實測單木材積和估測單木材積呈線性關(guān)系，2都在0.80以上，RMSE分別為0.01和0.05 m3。分析發(fā)現(xiàn)，橡膠樹隨著林木高度增大，實測樹高在測量時由于冠層遮擋會出現(xiàn)更大的測量誤差，使得實測樹高偏小，因此，基于材積方程計算得到的實測單木材積和估測單木材積的誤差會隨著樹高增大而增加。

2.2.5 單木地上生物量

2種樹的單木地上生物量估測值是根據(jù)LiDAR點云數(shù)據(jù)提取的樹高和胸徑值利用實測單木地上生物量方程[29]計算得到。將估測的單木地上生物量與實測單木地上生物量進行對比分析，結(jié)果如圖7所示。由圖7可知，檳榔和橡膠樹實測單木地上生物量和估測單木地上生物量呈線性關(guān)系，2都在0.81左右，RMSE分別為6.97和31.75 kg。橡膠樹的RMSE遠大于檳榔樹的誤差值，原因在于2個樹種結(jié)構(gòu)不同，林層結(jié)構(gòu)和林下地形都不同。橡膠樹相較于檳榔樹冠層較大，導致實測樹高誤差較大，機載激光雷達樹高提取的誤差也對胸徑估測值產(chǎn)生誤差。本研究采用的單木地上生物量模型是闊葉樹常用地上生物量模型，對于不同的闊葉樹種估測精度也會有所區(qū)別。

2.3 討論

利用激光雷達技術(shù)進行人工經(jīng)濟林單木參數(shù)估測具有較大的應用潛力，不受外界光照條件影響，具有直接獲取單木三維結(jié)構(gòu)的能力。但在數(shù)據(jù)獲取和處理過程中仍然會存在一些影響估測結(jié)果的因素。首先，地形因素是影響單木參數(shù)估測的主要外在因素，地形起伏大會影響數(shù)據(jù)歸一化的質(zhì)量，進而影響單木樹高提取的精度。別強[1]以祁連山自然保護區(qū)為研究區(qū)，以青海云杉為研究對象，使用機載LiDAR數(shù)據(jù)對研究區(qū)的單木參數(shù)進行了估測研究，研究區(qū)位于海拔2 000 m以上，坡度在10°左右，存在較大的地形起伏，經(jīng)過數(shù)據(jù)歸一化后得到的單木樹高誤差為0.66 m，低于本研究的估測精度。其次，單木分割方法中可變窗口大小的設置也會影響單木分割的精度，進而影響單木參數(shù)估測的精度。霍達[4]以內(nèi)蒙古依根地區(qū)為研究區(qū)，對該區(qū)域的單木參數(shù)進行了估測研究，使用方形和圓形2種窗口對單木進行分割，分割后的正檢率分別為82.1%和85.2%，低于本研究的分割精度。影響單木估測精度的因素除了以上2個方面以外，實測數(shù)據(jù)的測量誤差、單木參數(shù)的計算誤差等都會對估測結(jié)果產(chǎn)生較大影響。本文研究區(qū)選在地形平坦的區(qū)域，根據(jù)樹種情況設置了合適的分割窗口大小，對單木參數(shù)的計算選用相應樹種的計算公式，實現(xiàn)了較高精度的單木參數(shù)估測，為后續(xù)類似區(qū)域的森林參數(shù)估測提供參考依據(jù)，也可為相關(guān)果樹（如椰子樹、榴蓮樹和菠蘿樹等）生長監(jiān)測提供數(shù)據(jù)支撐，為數(shù)字果園的建設提供技術(shù)支持。同時，Mapper5000在林業(yè)上的應用也拓寬了國產(chǎn)機載激光掃描器的適用性和可行性，進一步說明點云數(shù)據(jù)對森林參數(shù)估測精度的提高起到了關(guān)鍵作用，激光雷達在森林資源清查中有很好的應用前景。

3 結(jié) 論

本研究基于機載激光掃描器Mapper5000（中國）獲取的點云數(shù)據(jù)，從單木尺度分析了點云數(shù)據(jù)的特點和對森林參數(shù)精度的影響，通過對比各參數(shù)估測值和實測值，得出以下結(jié)論：

1）采用K-means分層聚類方法能夠較準確地提取單木頂點位置，2個樹種的單木分割正檢率均在85%以上，平均召回率達95.52%。

2）對于檳榔樹，其單木樹高、冠幅、胸徑、材積、地上生物量的決定系數(shù)均達到0.8以上。單木樹高的均方根誤差為0.31 m，單木冠幅、胸徑、材積、地上生物量的均方根誤差分別為0.29 m、0.64 cm、0.01 m3和6.97 kg。

3）對于橡膠樹，其單木參數(shù)的決定系數(shù)均達到0.8以上。單木樹高、冠幅、胸徑、材積、地上生物量的均方根誤差分別為0.57 m、0.55 m、1.94 cm、0.05 m3和31.75 kg。

盡管基于該點云數(shù)據(jù)提取的森林參數(shù)的精度很高，但是研究中涉及到的點云濾波和單木分割算法只針對平地地區(qū)，后續(xù)可以探索更多算法的可能性，探尋山地地區(qū)點云數(shù)據(jù)處理的最優(yōu)算法。其次，點云數(shù)據(jù)雖然包含了很多森林三維結(jié)構(gòu)信息，但對林木光譜信息和紋理信息不能得到很好的反映，后續(xù)可以將點云數(shù)據(jù)與其他光學遙感數(shù)據(jù)結(jié)合，實現(xiàn)在不同尺度、多源信息融合上的研究，利用各種數(shù)據(jù)源的優(yōu)勢，取長補短，實現(xiàn)更精準的森林清查研究。

[1] 別強. 基于激光雷達和合成孔徑雷達資料的森林參數(shù)反演研究[D]. 蘭州：蘭州大學，2013.

Bie Qiang. Study on the Estimation Method of Forest Parameters Using LiDAR and SAR[D]. Lanzhou: Lanzhou University, 2013. (in Chinese with English abstract)

[2] Lefsky M A, Keller M, Pang Y, et al. Revised method for forest canopy height estimation from geoscience laser altimeter system waveforms[J]. Journal of Applied Remote Sensing, 2007, 1(1): 6656-6659.

[3] 徠卡ALS80機載激光掃描儀[EB/OL]. [2015-06-17]，https: //wenku. baidu. com/view/e81f705d50e2524de5187e8c. html.

[4] 霍達. 基于機載LiDAR反演森林參數(shù)的研究—以內(nèi)蒙古依根地區(qū)為例[D]. 哈爾濱：東北林業(yè)大學，2015.

Huo Da. Research on Forest Parameter Inversion Based on Airborne LiDAR in the Yigen Area of Inner Mongolia[D]. Harbin: Northeast Forestry University, 2015. (in Chinese with English abstract)

[5] 劉竽含. 基于機載激光雷達的單木分割算法研究及系統(tǒng)開發(fā)[D]. 成都：電子科技大學，2020.

Liu Yuhan. Research and System Development of Individual Tree Segmentation Algorithm Based on Airborne LiDAR[D]. Chengdu: University of Electronic Science and Technology, 2020. (in Chinese with English abstract)

[6] 付甜. 基于機載激光雷達的亞熱帶森林參數(shù)估測[D]. 合肥：安徽農(nóng)業(yè)大學，2010.

Fu Tian. Estimation of Subtropical Forest Parameters Based on Airborne LiDAR[D]. Hefei: Anhui Agricultural University, 2010. (in Chinese with English abstract)

[7] 王植槐. 基于機載激光雷達的林業(yè)特征研究[D]. 長沙：中南林業(yè)科技大學，2014.

Wang Zhihuai. Study on Forestry Characteristics Based on Airborne LiDAR[D]. Changsha: Central South University of Forestry Science and Technology, 2014. (in Chinese with English abstract)

[8] 耿林. 基于機載LiDAR的單木結(jié)構(gòu)參數(shù)及林分有效冠的提取[D]. 哈爾濱：東北林業(yè)大學，2018.

Geng Lin. Individual Tree Structural Parameters and Stand Effective Crown Extraction Based on Airborne LiDAR[D]. Harbin: Northeast Forestry University, 2018. (in Chinese with English abstract)

[9] 張崢男. 機載激光雷達亞熱帶森林結(jié)構(gòu)參數(shù)及蓄積量分布估測研究[D]. 南京：南京林業(yè)大學，2018.

Zhang Zhengnan. Estimation of Subtropical Forests Structural Parameters and Volume Distribution by Airborne LiDAR[D]. Nanjing: Nanjing Forestry University, 2018. (in Chinese with English abstract)

[10] Ota T, Ahmed O S, Minn S T, et al. Estimating selective logging impacts on aboveground biomass in tropical forests using digital aerial photography obtained before and after a logging event from an unmanned aerial vehicle[J]. Forest Ecology and Management, 2019, 433(1): 162-169.

[11] Zhao D, Pang Y, Liu L J, et al. Individual tree classification using airborne LiDAR and hyperspectral data in a natural mixed forest of Northeast China[J]. Forests, 2020, 11(3): 303-321.

[12] 劉清旺，李增元，陳爾學，等. 機載LiDAR點云數(shù)據(jù)估測單株木生物量[J]. 高技術(shù)通訊，2010，20(7)：765-770.

Liu Qingwang, Li Zengyuan, Chen Erxue, et al. Estimation of individual tree biomass using airborne LiDAR point cloud data[J]. High Tech-Communication, 2010, 20(7): 765-770. (in Chinese with English abstract)

[13] 段祝庚，肖化順. 機載激光雷達森林參數(shù)估算方法綜述[J]. 林業(yè)資源管理，2011(4)：117-121.

Duan Zhugeng, Xiao Huashun. Review of forest parameter estimation methods based on airborne LiDAR[J]. Forest Resource Management, 2011(4): 117-121. (in Chinese with English abstract)

[14] Holm S, Nelson R, St?hl G. Hybrid three-phase estimators for large-area forest inventory using ground plots, airborne LiDAR, and space LiDAR[J]. Remote Sensing of Environment, 2017, 197(1): 85-97.

[15] Liu L, Coops N C, Aven N W, et al. Mapping urban tree species using integrated airborne hyperspectral and LiDAR remote sensing data[J]. Remote Sensing of Environment, 2017, 200(1): 170-182.

[16] Popescu S C. Estimating biomass of individual pine trees using airborne LiDAR[J]. Biomass and Bioenergy, 2007, 31(9): 646-655.

[17] 龐勇，趙峰，李增元，等. 機載激光雷達平均樹高提取研究[J]. 遙感學報，2008，12(1)：152-158.

Pang Yong, Zhao Feng, Li Zengyuan, et al. Extraction of mean tree height from airborne LiDAR[J]. Journal of Remote Sensing, 2008, 12(1): 152-158. (in Chinese with English abstract)

[18] 劉芳，張瓊，范文義，等. 基于多元輔助信息的機載LiDAR點云數(shù)據(jù)濾波分類研究[J]. 遙感信息，2012，27(3)：46-53.

Liu Fang, Zhang Qiong, Fan Wenyi, et al. Filtering and classification of airborne LiDAR point cloud data based on multiple auxiliary information[J]. Remote Sensing Information, 2012, 27(3): 46-53. (in Chinese with English abstract)

[19] Nilsson M. Estimation of tree heights and stand volume using an airborne LiDAR system[J]. Remote Sensing of Environment, 1996, 56(1): 1-7.

[20] Maltamo M, Eerikainen K, Pitkanen J, et al. Estimation of timber volume and stem density based on scanning laser altimetry and expected tree size distribution functions[J]. Remote Sensing of Environment, 2004, 90(3): 319-330.

[21] 王平. 基于機載LiDAR數(shù)據(jù)和航空像片的單木參數(shù)提取研究[D]. 哈爾濱：東北林業(yè)大學，2012.

Wang Ping. The Research of Individual Tree Parameters Extraction Based on Airborne LiDAR Data and Aerial Photography[D]. Harbin: Northeast Forestry University, 2012. (in Chinese with English abstract)

[22] 馮聰慧. 機載激光雷達系統(tǒng)數(shù)據(jù)處理方法的研究[D]. 北京：解放軍信息工程大學，2007.

Feng Conghui. Research on Data Processing Method of Airborne LiDAR System[D]. Beijing: Information Engineering University, 2007. (in Chinese with English abstract)

[23] 康梓杭，倪苗，鄧晶，等. 海口市10種行道樹最優(yōu)生長模型研究[J]. 熱帶生物學報，2020，11(1)：79-83.

Kang Zihang, Ni Miao, Deng Jing, et al. Study on the optimal growth model of 10 street trees in Haikou City[J]. Journal of Tropical Biology, 2020, 11(1): 79-83. (in Chinese with English abstract)

[24] 胡善江，賀巖，陳衛(wèi)標，等. 機載雙頻激光雷達系統(tǒng)設計和研制[J]. 紅外與激光工程，2018，47(9)：89-94.

Hu Shanjiang, He Yan, Chen Weibiao, et al. Design and development of airborne dual frequency LiDAR system[J]. Infrared and Laser Engineering, 2018, 47(9): 89-94. (in Chinese with English abstract)

[25] 焦義濤，邢艷秋，霍達，等. 基于機載LiDAR點云估測林分的平均樹高[J]．西北林學院學報，2015，30(3)：170-174.

Jiao Yitao, Xing Yanqiu, Huo Da, et al. Estimation of average tree height based on airborne LiDAR point cloud[J]. Journal of Northwest Forestry Institute, 2015, 30(3): 170-174. (in Chinese with English abstract)

[26] 邢艷秋，霍達，尤號田，等. 基于機載LiDAR單束激光穿透指數(shù)的白樺林LAI估測[J]. 應用生態(tài)學報，2016，27(11)：3469-3478.

Xing Yanqiu, Huo Da, You Haotian, et al. LAI estimation of birch forest based on airborne LiDAR individual beam laser penetration index[J]. Journal of Applied Ecology, 2016, 27(11): 3469-3478. (in Chinese with English abstract)

[27] 陳振雄，周湘紅，肖前輝，等. 海南省一元立木材積檢驗與更新模型研建[J]. 中南林業(yè)科技大學學報，2017，37(12)：26-30.

Chen Zhenxiong, Zhou Xianghong, Xiao Qianhui, et al. Research and construction of individual tree volume test and regeneration model in Hainan Province[J]. Journal of Central South University of Forestry and Technology, 2017, 37(12): 26-30. (in Chinese with English abstract)

[28] 曾偉生. 中國主要樹種材積推算公示二元材積表[EB/OL]. [2017-01-09]，https: //wenku. baidu. com/view/ ec238ac581eb6294dd88d0d233d4b14e85243e19. html.

[29] 羅云建，王效科，逯非. 中國主要林木生物量模型手冊[M]. 北京：中國林業(yè)出版社，2015.

[30] 甄貞，李響，修思玉，等. 基于標記控制區(qū)域生長法的單木樹冠提取[J]. 東北林業(yè)大學學報，2016，44(10)：22-29.

Zhen Zhen, Li Xiang, Xiu Siyu, et al. Individual tree crown extraction based on marker controlled region growth method[J]. Journal of Northeast Forestry University, 2016, 44(10): 22-29. (in Chinese with English abstract)

[31] 馬京暉，潘巍，王茹. 基于K-means聚類的三維點云分類[J]. 計算機工程與應用，2020，56(17)：181-186.

Ma Jinghui, Pan Wei, Wang Ru. 3D point cloud classification based on K-means clustering[J]. Computer Engineering and Application, 2020, 56(17): 181-186. (in Chinese with English abstract)

[32] 劉達，殷建良，熊康軍. LiDAR在林業(yè)測量中的應用與研究[J]. 測繪與空間地理信息，2008，31(1)：115-116，119.

Liu Da, Yin Jianliang, Xiong Kangjun. Application and research of LiDAR in forestry surveying[J]. Mapping and Spatial Geographic Information, 2008, 31(1): 115-116, 119. (in Chinese with English abstract)

[33] 賀鵬，聶峰. 海南省主要人工林樹種最優(yōu)樹高曲線研究[J]. 中南林業(yè)調(diào)查規(guī)劃，2019，38(4)：49-52.

He Peng, Nie Feng. Study on the optimal tree height curve of main plantation tree species in Hainan Province[J]. Central South Forestry Investigation and Planning, 2019, 38(4): 49-52. (in Chinese with English abstract)

Estimation of individual tree parameters of plantation economic forest in Hainan Boao based on airborne LiDAR point cloud data

Gao Linghan, Zhang Xiaoli※, Chen Yuanyuan

(100083)

Light Detection and Ranging (LiDAR) is one rapidly emerging type of active remote sensing at present. The laser pulse can partially penetrate the shelter of the forest canopy, further realizing the acquisition of three-dimensional structure characteristics for the whole forest. In this study, a systematic evaluation was made on the individual tree parameters of plantation forestry in Hainan Boao of China using the point cloud data. The pre-processing operation was carried out to implement the normalized point cloud data for the extraction of parameters. First, the outlier was used to remove the noise in the point cloud. The ground points were also separated by the Triangulated Irregular Network (TIN). Then, the Digital Elevation Model (DEM) and Digital Surface Model (DSM) were generated by the Kriging and TIN interpolation. First of all, different operations were selected to generate the Canopy Height Model (CHM). The elevation normalization was then performed on the point cloud data for subsequent segmentation and parameter extraction of the individual tree. K-means clustering was used to segment the images of the trees using different tree species, according to the actual topography and forest structure characteristics in the study area. The layer-by-layer clustering was used to extract the point cloud of the individual tree, the position of which was then compared with the measurement. The correct recognition rate and the recall rate of each sample plot were also calculated to analyze the position error of individual tree segmentation. Then, the local maximum method of the variable window was used to detect the vertex position of individual tree, where the pixel value of the tree vertex was taken as the estimated height of the individual tree. The average value of the individual tree canopy was calculated, according to the difference between the maximum and minimum of point cloud data for the individual tree in the east-west and north-south directions. Individual Diameter at Breast Height (DBH), volume, and aboveground biomass were calculated, according to the tree Height-DBH model, volume table, and aboveground biomass model, respectively. The results showed that the correct recognition rate of two tree species was above 85%, and the overall average correct recognition rate was above 89.98%. The decision coefficient reached 0.8 for the individual tree height, crown width, DBH, volume, and aboveground biomass. The root mean square error of individual tree height and crown width was less than 1m. Specifically, the error of individual tree DBH was less than 2 cm, while the DBH error of rubber tree was much larger than that of areca tree. A larger DBH error was attributed that there were significant differences in the tree height among different tree species when estimating DBH value using the tree Height-DBH model. The error of individual tree volume were 0.01 and 0.05 m3respectively. Meanwhile, the error of aboveground biomass greatly varied in the two species, particularly relating to the forest layer structure and terrain factors under the forest. Consequently, the point cloud data can be expected to improve the accuracy of forest parameters estimation, while the laser equipment can have great application potential in forest resource inventory.

remote sensing; models; forestry; airborne LiDAR; individual tree parameters; clustering algorithm

高凌寒，張曉麗，陳園園. 用機載LiDAR點云數(shù)據(jù)估測海南博鰲人工經(jīng)濟林單木參數(shù)[J]. 農(nóng)業(yè)工程學報，2021，37(16)：169-176.doi：10.11975/j.issn.1002-6819.2021.16.021 http://www.tcsae.org

Gao Linghan, Zhang Xiaoli, Chen Yuanyuan. Estimation of individual tree parameters of plantation economic forest in Hainan Boao based on airborne LiDAR point cloud data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 169-176. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.16.021 http://www.tcsae.org

2020-10-11

2021-04-15

國家重大科學儀器設備開發(fā)專項（2013YQ12034304）

高凌寒，博士生，研究方向為林業(yè)遙感。Email：1575292749@qq.com

張曉麗，博士，教授，博士生導師，研究方向為林業(yè)遙感監(jiān)測。Email：zhang-xl@263.net

10.11975/j.issn.1002-6819.2021.16.021

S771.8

A

1002-6819(2021)-16-0169-08