基于無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)的單木分割研究

劉浩然，范偉偉，徐永勝，林文樹(shù)

（東北林業(yè)大學(xué) 工程技術(shù)學(xué)院，黑龍江 哈爾濱 150040）

森林資源調(diào)查對(duì)國(guó)民經(jīng)濟(jì)建設(shè)和人民生產(chǎn)生活具有極其重要的作用，而森林結(jié)構(gòu)參數(shù)的精確獲取是其基本工作之一[1]。在面臨較大規(guī)模的林業(yè)調(diào)查需求時(shí)，野外測(cè)量方式工作強(qiáng)度大，耗時(shí)長(zhǎng)，效率低，工作人員難以完成既定的工作任務(wù)；而傳統(tǒng)的光學(xué)遙感影像易受天氣影響，只能獲取植被表面信息且精度較低[2-5]。近年來(lái)，新型遙感技術(shù)發(fā)展迅速，尤其是激光雷達(dá)技術(shù)的推廣應(yīng)用為高精度和高效率的森林信息獲取提供了新的思路[6]。

無(wú)人機(jī)激光雷達(dá)作為一種新式的三維點(diǎn)云獲取設(shè)備，具有成本低廉、操作性強(qiáng)、空間分辨率高、能快速獲取高精度點(diǎn)云數(shù)據(jù)等優(yōu)點(diǎn)，相對(duì)于機(jī)載激光掃描數(shù)據(jù)，無(wú)人機(jī)激光雷達(dá)則提供了更高的點(diǎn)云密度，在郁閉度較低的林區(qū)也可以精確獲取林下三維信息[7-8]，同時(shí)基于無(wú)人機(jī)技術(shù)的特點(diǎn)使得研究人員可以在短時(shí)間內(nèi)多次對(duì)研究區(qū)林地進(jìn)行更大范圍的覆蓋掃描[9-10]。在森林信息提取研究中，若實(shí)現(xiàn)從大量的激光雷達(dá)點(diǎn)云數(shù)據(jù)中分離出高精度單木點(diǎn)云信息，將對(duì)后續(xù)提取單木結(jié)構(gòu)參數(shù)具有重要意義，也為后續(xù)的森林生物量反演以及森林三維模型構(gòu)建提供有力支撐。

機(jī)載或無(wú)人機(jī)激光雷達(dá)獲取的森林樹(shù)木點(diǎn)云數(shù)據(jù)進(jìn)行單木分割一般分為兩類方法，一類是基于冠層高度模型（Canopy height model,CHM）分割單木，常見(jiàn)的有分水嶺算法、局部極值法和多尺度分割法等[11-12]：多數(shù)利用CHM 高度變化進(jìn)行單木分割的研究主要通過(guò)局部極大值濾波來(lái)尋找樹(shù)頂[13-14]，然后采用邊緣檢測(cè)和特征提取的圖像處理算法來(lái)勾畫樹(shù)冠[15]。Chen[16]提出了一種標(biāo)記控制的分水嶺算法，通過(guò)可變大小的動(dòng)態(tài)窗口檢測(cè)樹(shù)頂來(lái)分離單木。Liu 等[17]把基于點(diǎn)的垂線剖面分析算法和基于多尺度CHM 算法兩種方法相互融合，提高了單木的分割精度。雖然該類單木分割算法快速高效，但CHM 算法本身更多的是描繪冠層上部信息，缺乏對(duì)冠層下部垂直結(jié)構(gòu)的描述；另外，由數(shù)字地面模型和數(shù)字高程模型差值生成的CHM 模型會(huì)導(dǎo)致個(gè)別空間位置的不準(zhǔn)確，從而影響樣地中單木點(diǎn)云數(shù)據(jù)分割精度[18-19]。另一類分割方法是直接基于點(diǎn)云進(jìn)行聚類或者通過(guò)劃分體素利用離散點(diǎn)云進(jìn)行分割[20]。如Wang 等[21]依據(jù)森林垂直冠層結(jié)構(gòu)首次提出對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行體素劃分，基于體素內(nèi)的高程分布劃分不同高度的樹(shù)冠區(qū)域并進(jìn)行單木分割。Vega 等[22]提出一種多尺度動(dòng)態(tài)點(diǎn)云分割方法，依據(jù)不同的評(píng)價(jià)標(biāo)準(zhǔn)確定最優(yōu)樹(shù)頂位置點(diǎn)作為初始聚類中心進(jìn)行樹(shù)冠聚類，正確分割率達(dá)82%。Wang 等[23]針對(duì)林下喬木難以識(shí)別的問(wèn)題提出一種多閾值的分割算法，根據(jù)不同冠層中點(diǎn)云密度的變化設(shè)置閾值，從而實(shí)現(xiàn)冠層分離，結(jié)果表明研究區(qū)單木總體識(shí)別率為82.6%，林下植被的識(shí)別率明顯提高。Yan等[24]基于高密度的無(wú)人機(jī)激光雷達(dá)點(diǎn)云首先利用均值漂移算法對(duì)非地面點(diǎn)進(jìn)行粗略分類，然后依據(jù)歸一化分割（Normalized cut,NCut）算法對(duì)欠分割區(qū)域進(jìn)行迭代分割直至得到單株木。隨著機(jī)載激光雷達(dá)技術(shù)的不斷更新?lián)Q代，更多研究趨向于利用點(diǎn)云數(shù)據(jù)直接在三維空間中進(jìn)行單木識(shí)別。與基于CHM 的單木識(shí)別方法相比，基于點(diǎn)云分布識(shí)別單木不僅能減少單木錯(cuò)誤分割，提高識(shí)別精度，還能從分割得到的單木模型中反演出更為精細(xì)的森林參數(shù)[25]。

關(guān)于基于激光雷達(dá)的森林樣地單木點(diǎn)云數(shù)據(jù)分割的研究大多基于低郁閉度林分，但面對(duì)復(fù)雜林區(qū)的冠層重疊、樹(shù)種多樣等問(wèn)題時(shí)分割效果不太理想，尤其是單一的分割方法往往不具有普遍性，難以移植到其他林區(qū)。因此，本文的研究目的主要為：1）改進(jìn)單木分割算法使其應(yīng)用于高郁閉度的林區(qū)樣地；2）根據(jù)不同樹(shù)種之間的差別尋找與其特征相適應(yīng)的單木分割算法?；跓o(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)，本研究選取了哈爾濱城市林業(yè)示范基地內(nèi)的闊葉林和針葉林兩塊樣地作為研究區(qū)，分別采用改進(jìn)的均值聚類算法和基于相對(duì)間距的閾值分割算法對(duì)樣地單木點(diǎn)云數(shù)據(jù)進(jìn)行分割。

1 研究區(qū)概況及數(shù)據(jù)獲取

1.1 研究區(qū)概況

本研究以黑龍江省哈爾濱城市林業(yè)示范基地（126°37′15″E，45°43′10″N）作為研究區(qū)，該基地占地面積43.95 hm2，其中林地面積27.50 hm2，人工林呈塊狀混交，區(qū)塊面積約為0.5 hm2，現(xiàn)有主要樹(shù)種包括水曲柳Fraxinus mandshurica、黑皮油松Pinus tabuliformis、樟子松Pinus sylvestris、興安落葉松Larix gmelinii、核桃揪Juglans mandshurica、蒙古櫟Quercus mongolica、白樺Betula platyphylla等[26]。本研究中選取了研究區(qū)內(nèi)的水曲柳和樟子松兩塊樣地為研究對(duì)象，水曲柳林在0.5 hm2林地面積上有樹(shù)木440 余株，林分郁閉度在0.8 以上；樟子松林在0.5 hm2林地面積上有樹(shù)木520 余株，林分郁閉度在0.8 以上。根據(jù)林分密度，分別在兩塊樣地內(nèi)各選取了3 塊邊長(zhǎng)為20 m × 20 m 的樣方。

1.2 無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)的獲取

本研究采用的無(wú)人機(jī)激光雷達(dá)系統(tǒng)為南方測(cè)繪公司的SZT-R250，具體參數(shù)如表1所示。數(shù)據(jù)采集時(shí)間為2018年9月27日，天氣狀況良好，晴朗無(wú)風(fēng)，平均飛行速度28.8 km/h，飛行高度70.2 m，掃描速度為10～100 線/s，點(diǎn)密度為40 點(diǎn)/m2，采用標(biāo)準(zhǔn)LiDAR 格式（.las）進(jìn)行存儲(chǔ)。

表1 SZT-R250 主要技術(shù)參數(shù)Table 1 Main technical parameters of SZT-R250

2 研究方法

2.1 預(yù)處理

無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)中往往存在一些明顯高于地物的噪點(diǎn)，稱為孤立點(diǎn)。本研究采用基于距離的孤立點(diǎn)算法進(jìn)行去噪處理[27-28]，將點(diǎn)云數(shù)據(jù)看作空間中點(diǎn)的集合，孤立點(diǎn)則是距離其他多數(shù)對(duì)象均較遠(yuǎn)的點(diǎn)。根據(jù)掃描樣地的點(diǎn)云數(shù)據(jù)實(shí)際分布情況，設(shè)置鄰域點(diǎn)個(gè)數(shù)為5，鄰域搜索半徑為10 m，并將最終處理結(jié)果加以一定的人工修正。同時(shí)，采用漸進(jìn)加密三角網(wǎng)濾波算法[29]（Improved progressive TIN densification,IPTD）將點(diǎn)云劃分為地面點(diǎn)和非地面點(diǎn)，然后將分離后的點(diǎn)云進(jìn)行歸一化處理以便更好地反映出樹(shù)木的真實(shí)高度。經(jīng)過(guò)多次嘗試，當(dāng)?shù)嵌葹?°、迭代距離為1.4 m 時(shí)，地面點(diǎn)分離效果最佳。

2.2 改進(jìn)的k-means 算法

k-means 是一種基于距離的聚類算法，判斷每個(gè)樣本元素與聚類中心的距離大小并將它賦給最近的類簇，同時(shí)K個(gè)聚類中心位置的不斷迭代變換以達(dá)到最佳的聚類效果[30]。因此，通過(guò)上述迭代過(guò)程可將點(diǎn)云數(shù)據(jù)劃分到不同的空間聚類中來(lái)實(shí)現(xiàn)單木分割。根據(jù)k-means 算法的原理可知，該算法更適合于球狀簇的聚類，相比于針葉樹(shù)，闊葉樹(shù)樹(shù)冠更接近于球形或橢球形[31]。因此，本研究中的水曲柳（闊葉樹(shù)）將采用k-means 算法進(jìn)行單木分割。

在k-means 算法中，初始聚類中心的位置對(duì)數(shù)據(jù)聚類效果影響很大。研究區(qū)中的水曲柳樣地單木多有偏冠現(xiàn)象，甚至個(gè)別樹(shù)木存在多個(gè)冠頂，如果按傳統(tǒng)方法將局部點(diǎn)云的Z值最大值作為初始聚類中心，不僅會(huì)造成錯(cuò)誤聚類情況增多，也會(huì)導(dǎo)致計(jì)算效率的降低[32]。因此，本研究利用樹(shù)干位置尋找初始聚類中心，具體步驟如下：

1）根據(jù)水曲柳樣地（圖1a）的平均冠層高度將地面點(diǎn)分離后得到的點(diǎn)云數(shù)據(jù)進(jìn)行裁剪（圖1b），利用局部極大值法識(shí)別樹(shù)干點(diǎn)云中的極值點(diǎn)，計(jì)算每個(gè)樹(shù)干點(diǎn)到所有極值點(diǎn)的距離，并將該樹(shù)干點(diǎn)劃分到距離極值點(diǎn)的類簇中，同時(shí)記錄類簇?cái)?shù)目即算法所需K值（K=54）；2）分別求取每木樹(shù)干點(diǎn)云X、Y方向的平均值作為初始聚類中心的橫縱坐標(biāo)值，Z值的確定則依據(jù)樣地平均樹(shù)高值并適當(dāng)下調(diào)，盡可能使初始聚類中心處在單木重心位置（圖1c）；3）按照點(diǎn)云高程值以1∶1.25 的比例縮放點(diǎn)云高度，使樣地單木點(diǎn)云的分布更接近于球形；4）計(jì)算樣本數(shù)據(jù)中每個(gè)點(diǎn)與初始聚類中心的距離，并將該點(diǎn)分配到距離聚類中心最近的聚類簇中；5）重新計(jì)算每個(gè)聚類簇的均值，對(duì)于聚類均值有變化的，將變化后的聚類均值作為下一步迭代的聚類中心；6）不再使用以往的函數(shù)收斂作為循環(huán)終止條件，而是控制迭代次數(shù)，原因在于初始聚類中心的選擇較為準(zhǔn)確，提前結(jié)束循環(huán)迭代可避免因算法運(yùn)算過(guò)程導(dǎo)致的中心異常偏移，同時(shí)也可提高計(jì)算效率。

圖1 樣地點(diǎn)云數(shù)據(jù)圖Fig.1 Data map of plot point cloud

2.3 基于相對(duì)間距的閾值分割算法

研究區(qū)中的樟子松樣地屬于針葉林，冠型整齊且多為錐狀。該樣地單木之間本身存在一定的林隙，即使部分樹(shù)木之間會(huì)出現(xiàn)樹(shù)冠重疊現(xiàn)象，但隨著高程的增加，樹(shù)與樹(shù)之間的水平間距會(huì)越來(lái)越大[33]。依據(jù)樟子松樣地樹(shù)木點(diǎn)云的分布方式，本研究采用基于相對(duì)間距的閾值分割算法對(duì)樟子松樣地進(jìn)行單木分割。

為了準(zhǔn)確尋找單木點(diǎn)云數(shù)據(jù)中可能存在的樹(shù)頂點(diǎn)，首先采用動(dòng)態(tài)的最大值濾波器進(jìn)行樹(shù)頂探測(cè)，并依據(jù)以下3 種方法提高探測(cè)精度：1）基于樟子松樣地的單木平均冠高及枝下高對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行適當(dāng)?shù)夭眉?，保留?shù)頂點(diǎn)的同時(shí)盡可能刪減下層點(diǎn)云。該處理的目的是當(dāng)濾波器窗口較小時(shí)，避免因處在樹(shù)木之間的空隙中而錯(cuò)誤地探測(cè)樹(shù)頂位置。2）濾波器窗口直徑的設(shè)定小于相鄰樹(shù)木的相對(duì)間距，因此會(huì)出現(xiàn)圖2中的3 種情況，依據(jù)窗口中點(diǎn)云密度將點(diǎn)數(shù)稀少的a 類型排除。3）b、c 窗口類型會(huì)得到相應(yīng)的局部極大值點(diǎn)，對(duì)所有得到的樹(shù)頂點(diǎn)位置進(jìn)行比較，若出現(xiàn)相鄰頂點(diǎn)間距過(guò)近的情況（d＜1.5 m），則將Z值最大的點(diǎn)作為新的樹(shù)冠頂點(diǎn)，同時(shí)刪除其余相鄰點(diǎn)。

圖2 濾波器窗口顯示示意圖Fig.2 Schematic diagram of filter window display

當(dāng)樹(shù)頂點(diǎn)最終位置確定后，將依據(jù)相鄰樹(shù)木間距進(jìn)行分割。對(duì)點(diǎn)云集中任意一點(diǎn)到所有樹(shù)頂點(diǎn)的距離進(jìn)行比較，把該點(diǎn)分配到離它最近樹(shù)頂點(diǎn)的聚類中，然后遍歷樣地點(diǎn)云中所有點(diǎn)，直到每個(gè)點(diǎn)都被劃分到對(duì)應(yīng)的類簇中為止，從而實(shí)現(xiàn)樟子松樣地樹(shù)木點(diǎn)云數(shù)據(jù)的單木分割。

2.4 模型評(píng)價(jià)指標(biāo)

基于樣地尺度的單木分割效果評(píng)價(jià)將從識(shí)別率R、召回率r、精確率p以及調(diào)和值F[34]四個(gè)方面進(jìn)行，如式（1）～（4）所示。其中，識(shí)別率R反映了樣地中樹(shù)木的檢測(cè)情況，數(shù)值越接近1 檢測(cè)出的樣地樹(shù)木比例越高；召回率r表示正確分割單木占樣地實(shí)際單木的比例，數(shù)值越接近1 表明正確分割的單木越多，分割效果越好；精確率p表示算法分割出的單木為正確分割的比例，數(shù)值越接近1 表明算法分割越準(zhǔn)確；調(diào)和值F則是從整體上評(píng)估分割的優(yōu)劣，數(shù)值越接近1 表示整體效果越佳。

式中：N表示樣地實(shí)際的單木數(shù)；n表示算法分割的單木數(shù)；TP 表示正確分割的單木數(shù)；FN 表示漏檢的單木數(shù)；FP 表示過(guò)檢的單木數(shù)。

依據(jù)劉會(huì)玲等人[24]采用的單木匹配率（RMAT）、欠分割誤差（ECOM）和過(guò)分割誤差（EOM）等評(píng)價(jià)指標(biāo)，本研究基于單木點(diǎn)云數(shù)量使用NTP（正確分割點(diǎn)云比例）、NFN（欠分割點(diǎn)云比例）、NFP（過(guò)分割點(diǎn)云比例）3 個(gè)指標(biāo)，從單木點(diǎn)云完整度方面對(duì)單木分割效果進(jìn)行評(píng)價(jià)。指標(biāo)計(jì)算公式如下：

式中：n為人工判讀獲取的單木點(diǎn)云數(shù)量；n1為算法獲取的單木點(diǎn)云數(shù)量；n2為正確分類的單木點(diǎn)云數(shù)量。

3 結(jié)果與分析

3.1 樣地尺度的單木分割效果評(píng)價(jià)

水曲柳和樟子松兩塊樣地的單木分割結(jié)果如圖3所示。從圖3中可以直觀地看出，本研究采用的改進(jìn)算法對(duì)樣地中存在低矮、樹(shù)冠較小的單木具有一定的檢索能力，而在傳統(tǒng)分割方法中，這類樹(shù)木往往被漏檢或錯(cuò)誤分割。由表2中各項(xiàng)評(píng)價(jià)指標(biāo)可知：水曲柳樣地內(nèi)實(shí)際單木數(shù)量為93株，算法提取出的單木數(shù)量為85 株，相應(yīng)的識(shí)別率為0.91；樟子松樣地實(shí)際單木數(shù)量為102 株，算法提取的單木數(shù)量為89 株，則識(shí)別率為0.87。兩塊樣地的F值分別為0.91 和0.88，說(shuō)明單木分割的整體效果較好。其中，水曲柳樣地r=0.87，p=0.95，表明算法分割過(guò)程中產(chǎn)生的欠分割與過(guò)分割現(xiàn)象均較少，即通過(guò)樹(shù)干點(diǎn)云獲取單木位置具有較高的精確度。同時(shí)，樟子松樣地算法分割的單木多為正確分割（p=0.94），而r=0.82 說(shuō)明單木的漏檢造成較多的錯(cuò)誤分割。

圖3 單木分割結(jié)果Fig.3 Results of single tree segmentation

表2 樣地單木分割準(zhǔn)確性評(píng)估Table 2 Evaluation of the accuracy of single tree segmentation in the plots

3.2 單木點(diǎn)云完整度的單木分割效果評(píng)價(jià)

樣地尺度評(píng)價(jià)指標(biāo)多是從單木分割數(shù)量上進(jìn)行描述，對(duì)于某一株單木而言，分割質(zhì)量的優(yōu)劣則難以體現(xiàn)。因此，本研究引入單木點(diǎn)云完整度作為評(píng)價(jià)指標(biāo)來(lái)對(duì)算法的單木分割效果進(jìn)行詳細(xì)的描述。

因無(wú)法準(zhǔn)確獲得每棵樹(shù)原始的點(diǎn)云數(shù)據(jù)，所以單木點(diǎn)云完整度是基于目視解譯進(jìn)行的，即通過(guò)人工分割的單木點(diǎn)云數(shù)據(jù)作為單木原始點(diǎn)云數(shù)據(jù)。圖4和圖5分別顯示了兩塊樣地隨機(jī)抽取的部分單木算法分割和人為分割結(jié)果的對(duì)比情況。從圖4可以看出，水曲柳樣地單木存在多冠、偏冠等現(xiàn)象，導(dǎo)致單木點(diǎn)云錯(cuò)分的情況增多，而且該樣地郁閉度較高，樹(shù)木之間多有交集，因此欠分割和過(guò)分割點(diǎn)云均有存在；從圖5發(fā)現(xiàn)樟子松樣地存在的錯(cuò)誤分割多為點(diǎn)云欠分割，由于樟子松冠型為錐狀，隨著高程的增加相鄰樹(shù)木之間存在的重疊現(xiàn)象就越少，因此在單木分割時(shí)過(guò)分割現(xiàn)象不明顯。

圖4 水曲柳樣地部分單木錯(cuò)誤分割示意圖（紅色代表欠分割點(diǎn)云、黃色代表過(guò)分割點(diǎn)云）Fig.4 Schematic diagram of wrong segmentation of some single trees in Fraxinus mandshurica plot (red color represents under-segmented point cloud,and yellow color represents over-segmented point cloud)

圖5 樟子松樣地部分單木錯(cuò)誤分割示意圖（紅色代表欠分割點(diǎn)云、黃色代表過(guò)分割點(diǎn)云）Fig.5 Schematic diagram of wrong segmentation of some single trees in Pinus sylvestris plot (red color represents undersegmented point cloud,and yellow color represents over-segmented point cloud)

表3為定量統(tǒng)計(jì)了兩塊樣地單木點(diǎn)云的分割情況。結(jié)果表明：水曲柳樣地點(diǎn)云平均正確分割率為75.6%，個(gè)別單木錯(cuò)誤分割率達(dá)到了31.8%。單木點(diǎn)云欠分割率范圍為13.9%～32.9%，過(guò)分割率范圍為8.7%～31.1%，表明其分割穩(wěn)定性不佳，不同單木之間分割精度有較大差異，進(jìn)而導(dǎo)致整體點(diǎn)云的分割質(zhì)量存在偏差；樟子松樣地在正確分割的樹(shù)中取得了較好的分割效果，點(diǎn)云正確分割率范圍為79.8%～91.0%，平均欠分割率為16.3%，平均過(guò)分割率為9.0%，表明單木點(diǎn)云不存在大量錯(cuò)誤分割的情況。

表3 單木點(diǎn)云完整度評(píng)價(jià)指標(biāo)Table 3 Evaluation index for integrity of single tree point cloud

通過(guò)兩種不同的評(píng)價(jià)結(jié)果不難發(fā)現(xiàn)：不同評(píng)價(jià)方法所顯示的結(jié)論并不一致，水曲柳在樣地尺度評(píng)價(jià)中表現(xiàn)較好，但在單木點(diǎn)云完整度分割評(píng)價(jià)中存在大量錯(cuò)誤分割；樟子松則表現(xiàn)出了良好的分割精度穩(wěn)定性。該結(jié)論的得出與數(shù)據(jù)獲取、算法處理和樹(shù)木形態(tài)結(jié)構(gòu)等因素有關(guān)，因此森林樣地或區(qū)域尺度的單木點(diǎn)云數(shù)據(jù)分割算法的選擇需要結(jié)合樣地實(shí)際情況和研究中的尺度要求來(lái)進(jìn)行。

4 討 論

本研究采取兩種不同的單木分割算法分別處理兩塊高郁閉度闊葉林和針葉林樣地的無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)，研究的目的在于確定每種分割算法的適用性，例如，k-means 算法對(duì)球狀或橢球狀簇更加敏感，所以難以應(yīng)用于針葉林的錐狀樹(shù)冠；而闊葉樹(shù)樹(shù)冠體積大、多重疊，基于相對(duì)間距閾值算法分割單木會(huì)造成大量誤差，若在此基礎(chǔ)上對(duì)分割效果進(jìn)行對(duì)比意義不大。因此，本研究針對(duì)不同樹(shù)種的形態(tài)結(jié)構(gòu)特征，探索適用于該樹(shù)種的分割算法并對(duì)其進(jìn)行分割算法改進(jìn)，從而達(dá)到提高森林樣地單木分割的目的。

基于k-means 算法對(duì)水曲柳樣地進(jìn)行單木分割取得了較好的效果（F=0.91），算法提取的85 株單木多為正確分割。其主要原因在于初始聚類中心的確定是依據(jù)樹(shù)干點(diǎn)云位置進(jìn)行推算的，能直接與單木位置相聯(lián)系。當(dāng)處理大量樣本數(shù)據(jù)時(shí)采用分層聚類的思想，首先對(duì)獲取的樣地樹(shù)干點(diǎn)云進(jìn)行一次聚類并統(tǒng)計(jì)數(shù)量，隨后采用二次聚類進(jìn)行單木分割，能夠大大提高工作效率，節(jié)約時(shí)間成本。然而，當(dāng)點(diǎn)云密度較低或林區(qū)郁閉度過(guò)高時(shí)，會(huì)出現(xiàn)樹(shù)干部分的點(diǎn)云稀少甚至丟失的情況，造成大量欠分割現(xiàn)象的產(chǎn)生，從而影響單木分割精度。

本研究對(duì)樟子松樣地進(jìn)行單木分割時(shí)充分考慮了冠形、樹(shù)形以及點(diǎn)云分布方式，采用了基于相對(duì)間距的閾值分割算法。該算法在樹(shù)頂探測(cè)時(shí)采用了多閾值的動(dòng)態(tài)最大值濾波器，同時(shí)依據(jù)幾何知識(shí)利用相鄰樹(shù)木間距確立分割規(guī)則，識(shí)別了樣地中大多數(shù)單木（F=0.88）。另外，在多閾值和分割規(guī)則確定時(shí)原理簡(jiǎn)單，適合于大部分中等復(fù)雜程度的針葉林型，具有一定的可移植性。樟子松樣地分割誤差大部分來(lái)自于單木欠分割，分析原因主要為樹(shù)頂探測(cè)時(shí)容易忽略低矮樹(shù)木，尤其在樣地樹(shù)木高度差異較大時(shí)更為明顯，后續(xù)可根據(jù)實(shí)地情況改變閾值設(shè)定范圍或者從全局變量的角度設(shè)計(jì)探測(cè)精度更高的算法。

由于僅從樣地尺度難以全面地評(píng)價(jià)分割效果，因此本研究引入單木點(diǎn)云完整度作為評(píng)價(jià)指標(biāo)。不同于樣地尺度的評(píng)價(jià)結(jié)果，水曲柳樣地在單木點(diǎn)云完整度的評(píng)價(jià)指標(biāo)中表現(xiàn)不佳，多數(shù)單木點(diǎn)云出現(xiàn)不同程度的欠分割和過(guò)分割現(xiàn)象。這主要是由于闊葉樹(shù)樹(shù)冠體積大小不一，更容易出現(xiàn)樹(shù)冠重疊、遮掩的情況；同時(shí)，水曲柳樣地存在偏冠、多冠等現(xiàn)象，容易將該類點(diǎn)云劃分到相鄰樹(shù)木中去，從而影響點(diǎn)云分割精度。而樟子松樣地整體表現(xiàn)出較好的穩(wěn)定性，95%以上正確分割的單木均未出現(xiàn)嚴(yán)重的點(diǎn)云錯(cuò)分，其分割誤差主要來(lái)源于漏檢低矮樹(shù)木所導(dǎo)致的點(diǎn)云欠分割；針葉木冠型整齊、結(jié)構(gòu)單一，相鄰樹(shù)木之間空間較大是分割效果較好的重要因素。

李平昊等[35]對(duì)闊葉復(fù)雜林型采用基于距離的算法進(jìn)行單木分割，F(xiàn)值為0.83；Li 等[33]利用樹(shù)木之間相對(duì)位置識(shí)別了混交針葉林型樣地86%的樹(shù)木，其中94%為正確分割；白少博等[36]采用區(qū)域生長(zhǎng)算法和Hough 變換分割針葉林和闊葉林，其中，針葉林樣地分割正確率為87%，闊葉林樣地為86.8%，然而當(dāng)研究區(qū)為高郁閉度原始森林時(shí)，算法的分割精度普遍很低。因此，對(duì)比其他研究者采用類似分割算法的研究成果，本研究得到的單木分割精度較高，并且具有相對(duì)完善的評(píng)價(jià)體系。然而，本研究選擇的樣地為單一林型的人工林，采用的單木分割算法地域特征明顯，具有一定的局限性。在今后的研究中，將嘗試以針闊混交的天然林作為研究對(duì)象，在該分割算法的基礎(chǔ)上加以優(yōu)化，以期提高算法的適用性，同時(shí)也可以考慮融合不同分割算法或聯(lián)合其他遙感手段來(lái)解決復(fù)雜林分下的森林樣地單木點(diǎn)云數(shù)據(jù)分割。

5 結(jié) 論

本研究基于無(wú)人機(jī)激光雷達(dá)獲取點(diǎn)云數(shù)據(jù)，采用改進(jìn)的k-means 算法和基于相對(duì)間距的閾值分割算法分別對(duì)研究區(qū)內(nèi)水曲柳和樟子松樣地進(jìn)行單木分割，并從樣地尺度和單木點(diǎn)云完整度兩個(gè)方面進(jìn)行了分割效果評(píng)價(jià)。具體結(jié)論如下：

1）通過(guò)研究針闊林型特點(diǎn)，有針對(duì)性地采用改進(jìn)的k-means 算法和閾值分割算法分別對(duì)水曲柳樣地和樟子松樣地進(jìn)行單木分割。其中，水曲柳樣地單木存在偏冠、多個(gè)冠頂?shù)痊F(xiàn)象，在充分考慮闊葉樹(shù)樹(shù)冠結(jié)構(gòu)多樣性的基礎(chǔ)上，通過(guò)樹(shù)干定位法確定初始聚類中心的位置，提高了算法的分割精度；對(duì)于結(jié)構(gòu)相對(duì)單一的針葉林型，采用效率較高的閾值分割算法同樣能取得較好的分割效果。

2）本研究從兩個(gè)方面對(duì)單木分割結(jié)果進(jìn)行評(píng)價(jià)，更為全面、直觀地描述了算法分割效果。在樣地尺度方面，引入召回率、精確率、調(diào)和值以及識(shí)別率，通過(guò)統(tǒng)計(jì)正確分割、欠分割和過(guò)分割的單木數(shù)量比例，初步評(píng)價(jià)了兩種算法分割效果。為進(jìn)一步對(duì)單木分割結(jié)果進(jìn)行比較，又通過(guò)引入單木點(diǎn)云完整度，分別從每株單木點(diǎn)云的正確分割比例、欠分割比例以及過(guò)分割比例三個(gè)指標(biāo)，對(duì)算法的分割進(jìn)行了評(píng)價(jià)。統(tǒng)計(jì)結(jié)果顯示，本研究所采取的改進(jìn)算法具有較高的分割精度。

綜上所述，本研究基于樹(shù)木形態(tài)結(jié)構(gòu)特征設(shè)計(jì)改進(jìn)了兩種單木點(diǎn)云數(shù)據(jù)分割算法，實(shí)現(xiàn)了森林樣地樹(shù)木無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)的單木精確分割。