基于激光雷達(dá)數(shù)據(jù)的樹(shù)高自動(dòng)化提取研究

摘 要：樹(shù)高是林業(yè)資源調(diào)查中的重要參數(shù)之一，傳統(tǒng)的樹(shù)高參數(shù)提取復(fù)雜、自動(dòng)化程度低。因此，提出基于激光雷達(dá)數(shù)據(jù)，結(jié)合ArcGIS engine平臺(tái)，實(shí)現(xiàn)樹(shù)高的自動(dòng)化提取。通過(guò)對(duì)外業(yè)采集的林木激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理、點(diǎn)云濾波分類(lèi)操作，得到精細(xì)化處理后的數(shù)字高程模型，然后基于ArcGIS engine平臺(tái)，設(shè)計(jì)樹(shù)高自動(dòng)化提取程序，通過(guò)導(dǎo)入濾波后的高精度數(shù)字高程模型和數(shù)字表面模型，自動(dòng)計(jì)算出樹(shù)高模型，并結(jié)合實(shí)測(cè)樹(shù)高數(shù)據(jù)，在程序平臺(tái)上進(jìn)行對(duì)比分析。結(jié)果表明，本方法提取的樹(shù)高值與實(shí)測(cè)值之間殘差小、決定系數(shù)大、相關(guān)性強(qiáng)。

關(guān)鍵詞：激光雷達(dá); 濾波; 樹(shù)高; 冠層高度模型

中圖分類(lèi)號(hào)：S771.8"" """"""文獻(xiàn)標(biāo)識(shí)碼：A""""" 文章編號(hào)：1002-204X（2024）09-0078-05

doi：10.3969/j.issn.1002-204x.2024.09.016

A Study on Automatic Extraction of Tree Height based

on Airborne Lidar Data

Qiu Shiping1，2， Wei Mingxin2， Liang Yanfen2， Yin Liangbo3

（1.Jiangxi University of Science and Technology， Ganzhou， Jiangxi 341000; 2.Guangxi Nanning Forestry Survey and Design Co. Ltd.， Nanning， Guangxi 530001; 3.Hunan Water Resources and Hydropower Technical College， Changsha， Hunan 410131）

Abstract Tree height is one of the important parameters in forestry resource survey. The traditional extraction of tree height parameters is complicated and has low automation degree. Therefore， based on Lidar data and ArcGIS engine platform， automatic extraction of tree height is proposed. After pre-processing and point cloud filtering of forest Lidar point cloud data collected by field work， a refined digital elevation model is obtained. Then， based on ArcGIS engine platform， an automatic tree height extraction program is designed to automatically calculate the tree height model by importing the filtered high-precision digital elevation model and digital surface model. Combined with the measured tree height data， a comparative analysis is made on the program platform. The results show that the residual difference between the extracted tree height value and the measured value is small， the determination coefficient is large， and the correlation is strong.

Key words Airborne Lidar; Filtering; Tree height; Canopy height model

樹(shù)高參數(shù)的獲取是進(jìn)行林業(yè)管理和規(guī)劃研究的基礎(chǔ)。傳統(tǒng)的獲取方式，一般為采取人工布設(shè)典型樣地，以每木檢尺來(lái)記錄相關(guān)參數(shù)，其效率低、周期長(zhǎng)、工作量巨大[1]。因此，如何高效準(zhǔn)確地獲取林木樹(shù)高參數(shù)，已經(jīng)成為林業(yè)研究中的一大焦點(diǎn)問(wèn)題。

近年來(lái)，機(jī)載激光雷達(dá)作為最具應(yīng)用潛力的一種主動(dòng)遙感技術(shù)，在各類(lèi)林業(yè)項(xiàng)目中發(fā)揮了重要的作用[2]。該技術(shù)可實(shí)現(xiàn)穿透森林冠層，直接獲取林木的點(diǎn)云信息，且隨著搭載平臺(tái)的進(jìn)步，獲取的森林參數(shù)也變得越來(lái)越精準(zhǔn)[3]。劉峰等[4]將樹(shù)冠高度模型和三維點(diǎn)云分割技術(shù)相結(jié)合，對(duì)長(zhǎng)白落葉松人工林實(shí)現(xiàn)了單木識(shí)別，進(jìn)而估算出單木參數(shù)和生物量;晏婭萍等[5]基于機(jī)載點(diǎn)云數(shù)據(jù)，采用4種不同的方法進(jìn)行單木分割提取，研究結(jié)果表明，其分割精度與樹(shù)冠高度、季節(jié)變化、研究區(qū)密度等因素息息相關(guān);嚴(yán)小龍等[6]提出采用不同的方法建立馬尾松胸徑擬合模型;李國(guó)金等[7]分別基于FCHM和FNPC兩種方法提取森林參數(shù)，以解決上部冠層被遮擋的問(wèn)題;駱鈺波等[8]基于地面激光雷達(dá)點(diǎn)云數(shù)據(jù)三維模型，解決了參數(shù)自動(dòng)化提取單木形態(tài)模擬難的問(wèn)題;唐佳俊等[9]為探討不同模型對(duì)林分平均胸徑參數(shù)的精度評(píng)估，提出基于方差膨脹因子分析和皮爾遜相關(guān)性檢驗(yàn)，構(gòu)建精度評(píng)估機(jī)器學(xué)習(xí)模型，可實(shí)現(xiàn)單木位置與樹(shù)干中心的精確匹配;楊軍等[10]基于BLS點(diǎn)云數(shù)據(jù)，構(gòu)建天然林蒙古櫟胸徑-樹(shù)高模型，并通過(guò)試驗(yàn)論證了該模型具有較高的精度。盡管?chē)?guó)內(nèi)外諸多學(xué)者們已經(jīng)取得了一些可觀的研究成果，然而針對(duì)機(jī)載激光雷達(dá)樹(shù)高參數(shù)獲取的自動(dòng)化程度仍有待提高，精度分析體系尚需完善。

本研究基于機(jī)載激光雷達(dá)數(shù)據(jù)，結(jié)合ArcGIS engine平臺(tái)，自主設(shè)計(jì)了一套樹(shù)高參數(shù)自動(dòng)化提取程序。通過(guò)將數(shù)字高程模型DEM成果數(shù)據(jù)和數(shù)字表面模型DSM數(shù)據(jù)導(dǎo)入程序，程序后臺(tái)自動(dòng)計(jì)算出樹(shù)高模型CHM，結(jié)合具體實(shí)踐數(shù)據(jù)，對(duì)樹(shù)高參數(shù)進(jìn)行了精度分析，并驗(yàn)證采用該方法提取樹(shù)高參數(shù)的科學(xué)可靠性。

1 研究原理及方法

基于機(jī)載激光雷達(dá)的樹(shù)高自動(dòng)化提取原理，主要包括機(jī)載激光雷達(dá)數(shù)據(jù)處理、樹(shù)高參數(shù)自動(dòng)化提取及精度分析。具體流程如圖1所示。

1.1 機(jī)載激光雷達(dá)數(shù)據(jù)處理

本文針對(duì)機(jī)載激光雷達(dá)數(shù)據(jù)濾波問(wèn)題，采用了一種改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法[11]。首先，預(yù)處理雷達(dá)點(diǎn)云數(shù)據(jù)，并格網(wǎng)化，然后，選擇起始種子點(diǎn)（一般指格網(wǎng)內(nèi)最低點(diǎn)），建初級(jí)三角網(wǎng);之后進(jìn)行濾波，濾波時(shí)，先計(jì)算每個(gè)待分類(lèi)的非地面點(diǎn)到三角面的距離和角度，若其小于迭代距離與迭代角度的閾值，則標(biāo)記此點(diǎn)為新的地面點(diǎn)，并將其導(dǎo)入三角網(wǎng)中。遍歷所有待分類(lèi)的非地面點(diǎn)，直至完成濾波分類(lèi)。

1.2 樹(shù)高參數(shù)自動(dòng)化提取及精度分析

1.2.1 樹(shù)高參數(shù)自動(dòng)化提取

本研究中樹(shù)高參數(shù)的自動(dòng)化提取，主要是基于樹(shù)高模型來(lái)實(shí)現(xiàn)，每株林木在樹(shù)高模型中的Z值即為該株林木的樹(shù)高[12]。在自動(dòng)化提取方面，結(jié)合ArcGIS engine平臺(tái)，設(shè)計(jì)了一套樹(shù)高參數(shù)自動(dòng)化提取的程序。具體實(shí)現(xiàn)思路：先導(dǎo)入DSM數(shù)據(jù)和DEM數(shù)據(jù)成果，計(jì)算樹(shù)高模型;然后基于該模型，通過(guò)導(dǎo)入每株樹(shù)木的實(shí)測(cè)定位坐標(biāo)信息，在模型中自動(dòng)提取樹(shù)高信息。

1.2.2 精度分析

本文選擇樹(shù)高的實(shí)測(cè)值與估測(cè)值兩者之間的殘差和決定系數(shù)，來(lái)進(jìn)行精度驗(yàn)證，計(jì)算公式如下：

V=H'-H""""""""""""" （1）

Sr=1-∑（H'-H）/∑（H'-）"""""" （2）

公式（1）、（2）中：V表示實(shí)測(cè)值與估測(cè)值的殘差，H表示估測(cè)值，H'表示實(shí)測(cè)值，表示實(shí)測(cè)平均值，Sr則表示實(shí)測(cè)值與估測(cè)值之間的決定系數(shù)。

通常，殘差越小，表示估測(cè)準(zhǔn)確度越高;決定系數(shù)越大，表示模型擬合精度越高[13]。本研究針對(duì)樹(shù)高自動(dòng)化提取精度分析，同樣結(jié)合ArcGIS engine平臺(tái)，在樹(shù)高參數(shù)自動(dòng)化提取程序內(nèi)集成了精度分析模塊。具體實(shí)現(xiàn)思路：根據(jù)導(dǎo)入的實(shí)測(cè)樹(shù)高和估測(cè)樹(shù)高文件，在程序后臺(tái)進(jìn)行計(jì)算分析，最后得出殘差分析和決定系數(shù)分析結(jié)果。

2 結(jié)果與分析

2.1 試驗(yàn)概況

本試驗(yàn)選取廣西南寧市某地區(qū)速生桉林為試驗(yàn)區(qū)，片區(qū)面積合計(jì)71 600 m2。其中：航攝面積約110 100 m2，采用無(wú)人機(jī)搭載機(jī)載激光雷達(dá)獲取森林的信息數(shù)據(jù)，無(wú)人機(jī)型號(hào)為CW-30，相機(jī)選擇JOUAV" CA-

102，具體的相機(jī)參數(shù)如表1所示。

搭載的機(jī)載激光雷達(dá)為中小型激光雷達(dá)點(diǎn)云數(shù)據(jù)采集系統(tǒng)JoLiDAR62系列，激光等級(jí)為1級(jí)，精度為±1.5 cm，掃描角為330°，最大測(cè)距為1 350 m，定位系統(tǒng)模式采用北斗、GPS、GLONASS聯(lián)合定位模式，定位精度RMS為1 cm+1 ppm，航線規(guī)劃和點(diǎn)云數(shù)據(jù)解算采用JoLiDAR處理軟件。根據(jù)設(shè)備與攝區(qū)實(shí)際情況，本次航飛共設(shè)計(jì)了5條航帶，旁向重疊度大于90%。

2.2 機(jī)載激光雷達(dá)數(shù)據(jù)處理

本研究采用Lidar360軟件對(duì)機(jī)載激光雷達(dá)數(shù)據(jù)進(jìn)行處理，具體步驟如下：

2.2.1 點(diǎn)云預(yù)處理

主要是航帶合并和異常值處理兩項(xiàng)。通過(guò)軟件的航帶拼接模塊，加載機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)的采集航跡線，并根據(jù)實(shí)際情況進(jìn)行必要的刪除和裁切。然后，用處理后的航跡線裁切點(diǎn)云，使得航跡線與點(diǎn)云匹配;且該模塊提供了安置誤差檢校，可依據(jù)航帶安置誤差信息對(duì)點(diǎn)云進(jìn)行誤差修正、去冗余。由于本試驗(yàn)數(shù)據(jù)的提供商已經(jīng)作了異常值處理，經(jīng)Lidar360軟件檢查處理，沒(méi)有發(fā)現(xiàn)超過(guò)正常指標(biāo)范圍的異常值。

2.2.2 地面點(diǎn)云濾波

在地面點(diǎn)分類(lèi)模塊中，輸入數(shù)據(jù)選擇預(yù)處理后的點(diǎn)云數(shù)據(jù)，目標(biāo)類(lèi)別選擇2-地面點(diǎn);由于試驗(yàn)區(qū)為沒(méi)有建筑物且地勢(shì)起伏相對(duì)較大的山區(qū)，地面最大建筑物尺寸設(shè)置為18 m，以適應(yīng)坡度較陡的地面;最大地形坡度設(shè)置為88°，迭代角度設(shè)置為12°，迭代距離設(shè)置為1.4 m。其他參數(shù)，如停止構(gòu)建三角形、只生成關(guān)鍵點(diǎn)、減小迭代角等參數(shù)默認(rèn)即可。最終得到濾波后的地面點(diǎn)云數(shù)據(jù)如圖2所示。

2.2.3 構(gòu)建數(shù)字高程模型

地面點(diǎn)云濾波后，設(shè)置柵格采樣間隔為0.5 m*0.5 m，每個(gè)分塊柵格數(shù)據(jù)向四周延伸的大?。淳彌_區(qū)大小）為5倍格網(wǎng)。若柵格單元附近沒(méi)有點(diǎn)，可能會(huì)導(dǎo)致柵格單元沒(méi)有數(shù)據(jù)值?；诖?，可通過(guò)分析鄰近柵格單元差值計(jì)算出數(shù)據(jù)值，并將其填入無(wú)值區(qū)域。最終構(gòu)建的DEM成果如圖3所示。

2.3 樹(shù)高自動(dòng)化提取

此次試驗(yàn)的樹(shù)高自動(dòng)化提取，結(jié)合ArcGIS engine平臺(tái)進(jìn)行設(shè)計(jì)。界面設(shè)計(jì)包含基礎(chǔ)部分和核心功能部分兩大塊。其中：基礎(chǔ)部分主要是指數(shù)據(jù)導(dǎo)入、顯示全圖、清空?qǐng)D層、拉框放大、拉框縮小、漫游及退出系統(tǒng)等7大功能模塊;核心功能主要是指樹(shù)高模型計(jì)算、樹(shù)高自動(dòng)化提取和精度分析3大塊。具體的程序設(shè)計(jì)界面如圖4所示。

2.3.1 樹(shù)高模型計(jì)算

樹(shù)高模型的質(zhì)量好壞程度，主要受點(diǎn)云特征和空間插值方法的影響。樹(shù)高模型計(jì)算是樹(shù)高自動(dòng)化提取程序核心功能的第一步，通過(guò)點(diǎn)擊樹(shù)高自動(dòng)化提取程序（主程序）界面的樹(shù)高模型計(jì)算模塊，進(jìn)入該模塊界面。界面涉及DSM和DEM數(shù)據(jù)的可視化導(dǎo)入和后臺(tái)樹(shù)高模型計(jì)算兩部分。樹(shù)高模型計(jì)算模塊的程序設(shè)計(jì)界面如圖5所示。

通過(guò)選擇數(shù)字表面模型（DSM）數(shù)據(jù)、數(shù)字高程模型（DEM）、樹(shù)高模型（CHM）的數(shù)據(jù)存儲(chǔ)路徑，添加DSM數(shù)據(jù)和DEM數(shù)據(jù)，然后，點(diǎn)擊樹(shù)高模型計(jì)算，程序可在后臺(tái)實(shí)現(xiàn)DSM和DEM數(shù)據(jù)的作差計(jì)算，并將CHM的計(jì)算結(jié)果輸出保存在指定的路徑下。最終的CHM結(jié)果如圖6所示。

2.3.2 樹(shù)高自動(dòng)化提取

根據(jù)圖像分割算法，可快速獲取每株速生桉林木的樹(shù)冠最高點(diǎn)坐標(biāo)位置，形成速生桉定位信息文件。將定位信息文件導(dǎo)入已計(jì)算出的樹(shù)高模型中，其相應(yīng)位置的Z值即為樹(shù)高。樹(shù)高自動(dòng)化提取模塊的程序設(shè)計(jì)界面如圖7所示。

樹(shù)高自動(dòng)化提取是速生桉樹(shù)高自動(dòng)化提取程序核心功能的關(guān)鍵，通過(guò)點(diǎn)擊樹(shù)高自動(dòng)化提取程序（主程序）界面的樹(shù)高自動(dòng)化提取模塊，進(jìn)入該模塊界面。通過(guò)選擇速生桉定位信息文件的存儲(chǔ)路徑，添加速生桉定位信息數(shù)據(jù);然后，選擇好速生桉樹(shù)高提取數(shù)據(jù)的存儲(chǔ)路徑;最后通過(guò)點(diǎn)擊自動(dòng)化提取，實(shí)現(xiàn)樹(shù)高自動(dòng)化提取功能。

2.4 精度驗(yàn)證分析

為探討本研究基于激光雷達(dá)數(shù)據(jù)樹(shù)高自動(dòng)化提取的精度，采用Vertex IV測(cè)高測(cè)距儀，在測(cè)區(qū)均勻選取了12處位置，進(jìn)行實(shí)測(cè)樹(shù)高以作對(duì)比。實(shí)測(cè)樹(shù)高數(shù)據(jù)包含其坐標(biāo)值和樹(shù)高實(shí)測(cè)值。樹(shù)高實(shí)測(cè)值及其坐標(biāo)單位均以m為單位。

通過(guò)樹(shù)高自動(dòng)化提取程序界面，導(dǎo)入實(shí)測(cè)速生桉的坐標(biāo)值，程序自動(dòng)化提取對(duì)應(yīng)位置的樹(shù)高，并形成數(shù)據(jù)文件。將實(shí)測(cè)的速生桉樹(shù)高稱(chēng)為實(shí)測(cè)值，而將程序自動(dòng)化提取的速生桉樹(shù)高稱(chēng)為估測(cè)值，結(jié)合實(shí)測(cè)的12處位置，得到不同位置的實(shí)測(cè)值和估測(cè)值對(duì)照表，如表2所示。

精度分析是速生桉樹(shù)高自動(dòng)化提取程序核心功能的最后一步，通過(guò)點(diǎn)擊樹(shù)高自動(dòng)化提取程序（主程序）界面的精度分析模塊，進(jìn)入該模塊界面。精度分析提取模塊的程序設(shè)計(jì)界面如圖8所示。

選擇實(shí)測(cè)樹(shù)高文件和估測(cè)樹(shù)高文件，通過(guò)點(diǎn)擊殘差分析，程序后臺(tái)自動(dòng)進(jìn)行同一位置速生桉樹(shù)高實(shí)測(cè)值和估測(cè)值的殘差計(jì)算，并輸出其最大值、最小值、中誤差及樹(shù)高殘差分布圖。此次試驗(yàn)殘差最大值為0.3，最小值為-0.5，中誤差為0.27。樹(shù)高殘差分布如圖9所示，單位為m。

同時(shí)，通過(guò)點(diǎn)擊精度分析程序界面的決定系數(shù)分析，程序后臺(tái)會(huì)根據(jù)公式（2）自動(dòng)計(jì)算速生桉樹(shù)高實(shí)測(cè)值與估測(cè)值的決定系數(shù)，并通過(guò)彈窗顯示。此次試驗(yàn)，程序輸出的決定參數(shù)為0.981。

3 結(jié)論與討論

基于激光雷達(dá)數(shù)據(jù)獲取樹(shù)高是林業(yè)遙感領(lǐng)域的新里程，本研究以廣西南寧市某地區(qū)速生桉林為研究對(duì)象，通過(guò)點(diǎn)云濾波方法獲取高精度DEM數(shù)據(jù)和DSM數(shù)據(jù)，再結(jié)合ArcGIS engine平臺(tái)進(jìn)行速生桉樹(shù)高自動(dòng)化提取程序設(shè)計(jì)，具體通過(guò)樹(shù)高模型計(jì)算、樹(shù)高自動(dòng)化提取和精度分析3大核心功能模塊來(lái)實(shí)現(xiàn)。速生桉樹(shù)高自動(dòng)化提取程序結(jié)果顯示，速生桉樹(shù)高實(shí)測(cè)值與估測(cè)值的殘差最大值為0.3，最小值為-0.5，中誤差為0.27，決定系數(shù)為0.981。試驗(yàn)結(jié)果表明：程序自動(dòng)化提取的樹(shù)高準(zhǔn)確度較高，且樹(shù)高估測(cè)值與實(shí)測(cè)值之間呈強(qiáng)線性相關(guān)，擬合程度高。

然而，本研究提出的方法雖然完成了基于機(jī)載激光雷達(dá)的樹(shù)高參數(shù)的自動(dòng)化提取工作，但研究的試驗(yàn)區(qū)域較小，樹(shù)種單一，激光雷達(dá)點(diǎn)云密度相對(duì)較低，試驗(yàn)數(shù)據(jù)并不具備普遍代表性;加之目前雷達(dá)數(shù)據(jù)的獲取成本仍然較高，想通過(guò)大面積的雷達(dá)技術(shù)來(lái)完成實(shí)際項(xiàng)目尚不太現(xiàn)實(shí);再者，雖然本文設(shè)計(jì)了一種自動(dòng)化提取樹(shù)高的程序，但并未融入預(yù)處理、濾波等整個(gè)生產(chǎn)過(guò)程。因此，在后續(xù)的研究進(jìn)程中，必須針對(duì)樹(shù)種眾多、林層結(jié)構(gòu)復(fù)雜的項(xiàng)目數(shù)據(jù)進(jìn)行深入研究試驗(yàn)，探討程序設(shè)計(jì)算法的通用性。同時(shí)，加強(qiáng)雷達(dá)點(diǎn)云數(shù)據(jù)與其他數(shù)據(jù)（如衛(wèi)星遙感影像數(shù)據(jù)）的聯(lián)合，以更低成本滿足大面積項(xiàng)目生產(chǎn)的需要，更好地服務(wù)于農(nóng)業(yè)生產(chǎn)。

參考文獻(xiàn)：

[1] 周珺婕. 基于地面三維激光掃描數(shù)據(jù)的林木參數(shù)提取方法研究[D]. 成都：電子科技大學(xué)，2019.

[2] 郝紅科. 基于機(jī)載激光雷達(dá)的森林參數(shù)反演研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2019.

[3] 全迎. 無(wú)人機(jī)激光雷達(dá)提取長(zhǎng)白落葉松單木樹(shù)冠三維結(jié)構(gòu)的研究[D]. 哈爾濱：東北林業(yè)大學(xué)，2019.

[4] 劉峰，譚暢，張貴，等. 長(zhǎng)白落葉松單木參數(shù)與生物量機(jī)載LiDAR估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（9）：219-224，242.

[5] 晏婭萍，岳彩榮，田偉樺. 激光雷達(dá)單木提取方法對(duì)比 [J/OL]. 桂林理工大學(xué)學(xué)報(bào)，1-8[2024-04-29]. http：//kns.cnki.net/kcms/detail/45.1375.N.20240126.1713.002.html.

[6] 嚴(yán)小龍，王書(shū)涵. 基于UAV-LiDAR馬尾松人工林樹(shù)高和胸徑參數(shù)提取[J]. 農(nóng)業(yè)技術(shù)與裝備，2024（1）：115-119.

[7] 李國(guó)金.基于機(jī)載LiDAR數(shù)據(jù)的單木參數(shù)提取研究[J].測(cè)繪與空間地理信息，2023，46（10）：128-131，136.

[8] 駱鈺波，黃洪宇，唐麗玉，等. 基于地面激光雷達(dá)點(diǎn)云數(shù)據(jù)的森林樹(shù)高、胸徑自動(dòng)提取與三維重建[J]. 遙感技術(shù)與應(yīng)用，2019，34（2）：243-252.

[9] 唐佳俊，柴宗政. 基于機(jī)載激光雷達(dá)和機(jī)器學(xué)習(xí)的林分平均胸徑遙感估測(cè)[J]. 林草資源研究，2024（1）：56-64.

[10] 楊軍，王帆，宋仲禹. 基于背包激光雷達(dá)構(gòu)建天然林蒙古

櫟胸徑-樹(shù)高模型[J]. 森林工程，2023，39（5）：57-64.

[11] 柳紅凱. 基于漸進(jìn)加密三角網(wǎng)機(jī)載LIDAR點(diǎn)云濾波改進(jìn)算法研究[D]. 贛州：江西理工大學(xué)，2016.

[12] 汪霖，李明陽(yáng)，方子涵，等. 基于無(wú)人機(jī)數(shù)據(jù)的人工林森林參數(shù)估測(cè)[J]. 林業(yè)資源管理，2019（5）：61-67.

[13] 汪霖. 基于無(wú)人機(jī)高分影像的森林參數(shù)估測(cè)方法[D]. 南京：南京林業(yè)大學(xué)，2020.

責(zé)任編輯：達(dá)海莉