基于無人機影像匹配點云的苗圃單木冠層三維分割

陳崇成 李 旭 黃洪宇

(1.福州大學地理空間信息技術國家地方聯(lián)合工程研究中心， 福州 350116；2.福州大學空間數(shù)據(jù)挖掘與信息共享省部共建教育部重點實驗室， 福州 350116)

0 引言

從森林蓄積量、生物量的估算到物種識別、林木生長模型的構建，單木樹冠的提取(Individual tree crown detection and delineation, ITCD)一直是森林資源調(diào)查與管理中最為關鍵的步驟之一[1-2]。

光學影像與激光雷達點云是ITCD研究的兩類主流數(shù)據(jù)來源。在林業(yè)遙感中，光學影像主要反映樹冠的二維信息，而激光雷達可以穿透森林冠層，從而直接獲得地面和森林冠層間垂直的三維結構信息，因此具有無可比擬的優(yōu)勢。基于激光點云的ITCD策略通常將三維點云轉化為柵格化的冠層高度模型(Canopy height model, CHM)，單木樹冠的提取過程隨即轉換為二維影像的分割問題[2]。一些主流的樹冠提取方法如爬峰法[3]、射線法[4]、模版匹配法[5]、區(qū)域生長算法[6]、標記分水嶺分割算法[7]等分割方案得以應用。從樹木的激光點云數(shù)據(jù)出發(fā)，王祺等[8]運用扇形面積逼近和不規(guī)則體切片分割累加算法，實現(xiàn)樹冠體積的自動計算。楊全月等[9]基于計算幾何學的尋找凸包算法，實現(xiàn)了自動提取樹冠的表面積、投影面積以及體積等測樹因子。卜帆等[10]在機載LiDAR數(shù)據(jù)和高空間分辨率航空影像兩類數(shù)據(jù)的支持下，以城市為實驗區(qū)，利用標記分水嶺分割算法實現(xiàn)了單木樹冠提取。然而，雖然激光雷達在采樣精度和工作速度方面有了很大提升，但是這些數(shù)據(jù)采集和處理的成本高昂。

隨著計算機視覺算法的不斷發(fā)展，由影像匹配方式獲取的點云精度和密度越來越高，采用影像匹配的方式獲取點云數(shù)據(jù)顯得更為經(jīng)濟實用。影像匹配點云在空間中的分布形態(tài)表現(xiàn)為一系列離散的、不均勻分布的三維點集，含有豐富的紋理和語義信息[11]。類似于激光雷達，通過影像匹配點云可以獲得數(shù)字地表模型(Digital surface model, DSM)和數(shù)字高程模型(Digital elevation model, DEM)，但是由于影像屬于被動式遙感產(chǎn)物，不像激光雷達具有一定的植被穿透性，因此在植被密集覆蓋的情況下從影像點云中獲取完整準確的DEM還是有困難的。目前，國外基于影像匹配點云的研究大多是單木定位識別或樹種分類等應用，旨在單木樹冠的勾繪與參數(shù)提取的研究較少，國內(nèi)亦是如此[12-14]。

本文從影像匹配點云出發(fā)，基于改進的種子區(qū)域生長算法，對單木進行定位識別與冠層輪廓的三維分割；對比手繪參考樹冠，從2個尺度(由林分到單木)的2個層面(由多邊形精度到點精度)評價單木的提取結果；同時，嘗試提取單木的坐標、冠幅和樹高等參數(shù)，選取冠幅的提取結果進行定量評價。

1 研究區(qū)概況

選取福建省三明市某林場內(nèi)的羅漢松和桂花樹苗圃中的2塊25 m×25 m大小的區(qū)域作為測試樣本：樣地樣本1為中低度郁閉的桂花樹林，闊葉林；目測胸徑為0.02 m以上，樹高范圍2.05～4.16 m，冠幅0.9～3.3 m；樹冠呈近半球型，長勢良好；部分區(qū)域樹冠之間存在粘連現(xiàn)象。樣地樣本2為中低度郁閉的羅漢松苗圃，針葉林；樹冠呈錐形，樹高范圍1.5～3.56 m，冠幅0.4～1.8 m；冠型小且結構復雜。

原始影像采集于2017年3月2日，利用大疆精靈3A多旋翼無人機在苗圃地上空60 m處進行航攝，飛行耗時10 min，獲得了分辨率為1 200萬像素、航向重疊達90%的RGB影像135張。使用計算機視覺和攝影測量軟件Pix4DMapper 2.1，對這些影像進行特征點提取、特征點匹配、空中三角解算、影像校正、拼接，生成一幅研究區(qū)域的高分正射影像和由稀疏點云加密生成的密集點云(圖1)。其中，高分影像的空間分辨率為0.025 4 m，覆蓋范圍為0.366 km2，密集點云總數(shù)為9 638 195，平均點密度為233.49點/m3。圖1a是由Pix4DMapper生成的密集點云的傾斜透視圖，點云上方的藍色圓點和矩形代表了無人機在飛行區(qū)域上空飛行時所拍攝的圖像位置；圖1b為研究區(qū)正射影像圖和測試樣本1、樣本2所在的位置(紅色矩形)。

圖1 數(shù)據(jù)采集與測試樣本Fig.1 Data acquisition and measuring sample

2 研究方法

研究方法如圖2所示，分3部分：第1部分是預處理，第2部分是單木提取，第3部分是實驗結果與精度驗證。

圖2 研究方法流程圖Fig.2 Flow chart of research method

預處理的主要目的是為了生成具有足夠精度的冠層高度模型；本研究采用歸一化點云柵格化的生成方式，這個過程中最關鍵的是要準確地擬合待研究區(qū)域的地形；單木提取應用改進的種子區(qū)域生長算法[15]實現(xiàn)，其主要內(nèi)容包括種子區(qū)域選取、生長規(guī)則的設定等；得到單木的二維樹冠輪廓(凸包)后，以包內(nèi)影像點云“重構”單木樹冠達到三維分割的目的；由于缺乏單木樹冠的地面實測數(shù)據(jù)，在精度驗證時，對樹冠提取精度的評價選取了ArcGIS中手繪的樹冠輪廓作為參考，單木參數(shù)提取及其驗證過程可以看作是對樹冠提取結果的間接驗證，也是基于手繪的樹冠輪廓進行的。

2.1 預處理

CHM是一個表達樹冠上表面距離地面高度和樹冠水平分布的模型，它使得植被的冠高不再受地形的影響，是各項森林結構參數(shù)或森林生物量反演的關鍵[16-19]。林業(yè)資源調(diào)查中的很多重要參數(shù)都可以從CHM中直接或間接地獲得，如樹高、冠幅、胸徑和郁閉度等。CHM有2種生成方式：第1種是通過數(shù)字表面模型(DSM)與地面高程模型(DEM)相減得到。第2種方法是將DSM點云數(shù)據(jù)中每個點的Z值(高程)扣除其對應的地形貢獻，得到歸一化點云，再由歸一化點云經(jīng)過柵格化方式得到。本文選用第2種生成方式。需要注意的是，實驗得到的柵格化的CHM上存在少量“凹坑”，這使得CHM不能真實反映和描述森林冠層表面的形態(tài)結構，對后續(xù)樹冠、樹高、生物量等森林參數(shù)反演造成影響。因此，本文還加上了對CHM去除凹坑的操作。預處理步驟如下：① 在CloudCompare軟件[20]中以隨機采樣的方式，對原始點云樣本進行抽稀；采用維也納技術大學攝影測量研究組開發(fā)的OPALS軟件實現(xiàn)[21-22]粗差的去除。② 利用漸進式形態(tài)學濾波算法[23]，通過控制濾波窗口的尺寸逐步剔除非地面點，提取地形采樣點。③ 然后，采用泛克里金插值法[24]填補點云 “空洞”，并生成柵格DEM。④ 將點云Z值坐標與DEM對應位置的高程值相減得到歸一化點云或稱地形校正點云，再由歸一化點云插值后柵格化的方式得到CHM。⑤ 平滑噪聲，并對CHM上的少量凹坑進行“填凹”處理，采用一種先對CHM進行局部最大值濾波，再進行均值濾波的復合濾波方式去除“凹坑”。

2.2 基于種子區(qū)域生長算法的單木樹冠提取

種子區(qū)域生長的過程改進自文獻[25-26]的實現(xiàn)方案，該算法首先作用在CHM柵格上，得到二維樹冠凸包多邊形，再沿著二維凸包用歸一化影像匹配點云對單木樹冠進行重構，進而達到單木樹冠點云三維分割的目的。

算法基于R/RStudio實現(xiàn)。R是一個免費、源代碼開放的、用于統(tǒng)計計算和制圖的工具軟件。RStudio是R語言的一種集成開發(fā)環(huán)境，基于C++開發(fā)，它的圖形用戶界面基于Qt。具體步驟如下：①種子點的選取：種子點是生長發(fā)生的初始區(qū)域，一般通過定義一個滑動的最大值搜索窗口，選取CHM中高于預設的最低樹高閾值的點作為種子點。②初始區(qū)域標記：標記CHM上點的類別，將其分為種子點和非種子點兩類。③區(qū)域生長準則：從初始區(qū)域出發(fā)，搜索一個種子點的4個鄰接點；判斷各鄰接點到對應種子點的水平距離是否小于預設的最大冠徑；判斷各鄰接點的高程是否大于預設的高差值。若鄰接點同時滿足以上條件，則被標記為新的種子點(樹冠點)；對所有非種子點重復以上過程，直到所有非種子點被歸類完畢。④標記后的CHM中，以每一個初始種子點為中心，單木樹冠(即按照樹頂點的判別標準，由初始種子點生長形成的區(qū)域)內(nèi)的中心點坐標可以確定，依此建立一個二維的凸包記錄它的邊界。⑤生成的邊界多邊形，即為最后的樹冠輪廓；沿此輪廓以樹冠影像點云重構單木形態(tài)，即可獲得三維的分割效果。

2.3 結果與驗證

對實驗結果的精度加以驗證，精度驗證是ITCD研究的重要組成部分，主要包括兩方面：①林分點精度驗證標準和單木點精度驗證標準。②樹冠輪廓勾繪精度，即多邊形精度。

2.3.1單木識別

林分尺度的單木識別精度評價指標，可利用檢出率D表示，即正檢單木數(shù)Nd與參考單木數(shù)Nr的比值

編者按：當前和今后一個時期，既是水利改革發(fā)展搶抓機遇的黃金期，也是負重前行的攻堅期。能否實現(xiàn)跨越發(fā)展，頂層設計至關重要。2012年2月9—10日，水利部在沈陽召開全國水利規(guī)劃計劃工作會議，謀篇布局，開啟水利長遠發(fā)展之路成為會議焦點，強調(diào)“水利改革發(fā)展頂層設計”成為會議主旋律。本刊特別刊出陳雷部長在會議上的重要講話和矯勇副部長的總結講話，以利于廣大水利工作者深入學習領會其精髓，并付諸實踐，為推進水利跨越發(fā)展作出更大貢獻。

(1)

單木尺度的單木識別精度，即驗證已檢出單木的定位精度。HIRSCHMUGL等[6]提出以實測單木位置為中心建立1 m的緩沖區(qū)，統(tǒng)計包括緩沖區(qū)范圍內(nèi)的單木數(shù)量N1∶1，并通過基于N1∶1的生產(chǎn)者精度P和用戶精度U來驗證單木的定位精度。

(2)

(3)

式中Nall——正檢、過檢和錯檢出的樹冠頂點數(shù)之和

圖3展示了2個樣地單木位置的識別，即樹頂點的探測結果。

紅色圓點表示本文的單木識別算法檢測出的樹冠頂點位置，黃色圓點表示通過目視解譯獲取的參考樹冠頂點位置。觀察紅點與樹冠的相對位置可將檢測結果分成4類(圖4)。

圖3 樹頂點探測結果Fig.3 Tree top dectection results

當同一樹冠內(nèi)紅點和黃點的個數(shù)比為1時，被視為正檢；同樣，當個數(shù)比大于1時被視為過檢；當個數(shù)比為無窮大時，被視為錯檢；當個數(shù)比為0時，被視為漏檢。

依此規(guī)則，統(tǒng)計分析結果如表1所示。

圖4 單木樹頂點檢測結果分類Fig.4 Classification of individual tree top dectection results

樣地參考數(shù)正檢數(shù)過檢數(shù)漏檢數(shù)錯檢數(shù)檢出率/%生產(chǎn)者精度/%用戶精度/%樣本1128111244676.0386.7278.72樣本21411282011279.5090.7880.00

2.3.2樹冠勾繪

林分尺度的單木樹冠輪廓多邊形精度，通常采用樹冠面積的相對誤差E進行驗證[25]。E主要考慮了正檢樹冠總面積SD與參考樹冠總面積SR之間的差異，其計算公式為

(4)

其中，若E為正值，則表明本文的ITCD算法存在對樹冠面積的高估現(xiàn)象，反之相反。

2個林窗的樹冠輪廓勾繪結果見圖5。

圖5 樹冠勾繪結果Fig.5 Tree crown delineation results

F測度的計算需要對樹冠勾繪的結果進行分類，以手繪的結果為參考，圖5中樹冠分割結果可以被分為匹配、接近匹配、過分割、錯分割、合并和丟失6類，直觀解釋如圖6所示。

圖6 單木樹冠勾繪結果分類Fig.6 Classification of individual tree crown delineation results

設黃色輪廓為參考樹冠，紅色輪廓為算法自動勾繪輪廓，計算兩色樹冠輪廓的面積比；若該比值接近于1，則分割結果被視為匹配；若該比值介于0.5到1之間，則被視為接近匹配；若一個黃色輪廓被多個紅色輪廓占據(jù)則被視為過分割；錯分割在2個樣地中，多表現(xiàn)為紅色輪廓內(nèi)的凹坑；合并指一個紅色輪廓被多個黃色輪廓占據(jù)；丟失指黃色輪廓范圍內(nèi)無紅色輪廓出現(xiàn)。黃色輪廓(參考樹冠)總數(shù)記為NR；紅色輪廓(算法檢出的樹冠總數(shù))的總數(shù)記為ND；只有匹配和接近匹配被認為是正確的樹冠提取結果(算法檢出的正檢樹冠數(shù))，記為NC。

樹冠提取的精確率AD為

(5)

樹冠提取的召回率AR為

(6)

則F測度計算公式為

(7)

表2給出了2個測試樣地的精度驗證結果。

2.3.3三維分割

基于柵格化的CHM對單木樹冠的二維輪廓進行提取后，以CHM上每個單木多邊形凸包為參考，拾取CHM歸一化影像匹配點云中屬于CHM上凸包內(nèi)的點，并隨機賦予不同顏色；這樣以CHM點云“重構”CHM柵格上的單木二維樹冠，達到單木三維分割效果。圖7展示了2個樣地的原始點云(抽稀后)、地形校正點云以及最終的單木三維分割結果，其中圖7c中不同顏色代表不同的樹。

表2 樹冠勾繪結果精度驗證Tab.2 Accuracy assessment of tree crown delineation results

圖7 單木樹冠點云三維分割結果Fig.7 3D segmentation results of individual tree crowns

2.3.4單木結構參數(shù)提取

基于2.3.2節(jié)的方法，樹頂探測結果可以用于計算單木的地理位置和樹高，而樹冠輪廓的勾繪結果可以用于估測單木冠面積、冠周長和冠幅等參數(shù)。表3給出了2個樣地的部分單木參數(shù)提取結果，主要包括樹高、冠面積、冠幅和冠周長。

基于表3的結果，采用手繪樹冠輪廓的冠幅為參考值，2個樣地的樹冠冠幅提取結果為從100個樣本1中選60個、120個樣本2中選80個。借助SPSS軟件建立實驗值與參考值的回歸方程，評價冠幅提取精度。從圖8可以看出，2個樣地的冠幅提取值與參考值的決定系數(shù)為0.85及0.87，均方根誤差分別為0.14 m和0.06 m。

3 討論

本文選取的闊葉林和針葉林樣本地形都較為平坦，且森林郁閉度較小，主要是基于影像點云難以表達冠下地形的考慮。從原始點云開始經(jīng)過去粗差、

表3 單木樹冠參數(shù)提取結果Tab.3 Extraction results of individual tree crown parameters

圖8 單木樹冠冠幅提取結果精度評定Fig.8 Accuracy evaluation of individual tree crown diameter extraction results

地形采樣點提取、DEM擬合、到最后歸一化點云柵格化過程中，點云或者影像產(chǎn)物的分辨率始終保持一致。對算法樹冠提取精度的驗證從林窗尺度逐漸細化到單木尺度，并給出了單木提取的點精度與多邊形精度；特別地，在樹冠勾繪的多邊形精度評價中，樹冠提取面積相對誤差為負值，說明本文方法存在低估的問題，但其數(shù)值控制在8.59%以內(nèi)；參數(shù)提取時，由于實測數(shù)據(jù)難以準確地獲取，本文采用手繪樹冠冠幅為參考，基于實驗值與參考值的回歸方程，實現(xiàn)對單木冠幅的提取結果評價；類似地，張樹森等[27]對大興安嶺地區(qū)天然興安落葉松疏開木冠幅預測模型中，冠幅估測精度RMSE為0.403 4 m。李赟等[28]基于UAV高分影像對楊樹冠幅提取及相關性研究中，估測冠幅RMSE為0.444 m。本文樹冠估測結果的均方根誤差則達到了0.14 m以內(nèi)，精度較高。此外相比于闊葉樹冠，針葉樹冠的冠幅提取結果更加準確，可達到0.06 m。

基于無人機獲取影像的遙感方式具有機動靈活、快速出圖和高時空分辨率等方面的優(yōu)勢，但其主要不足之處在于影像只能反映表面信息，不能得到密閉樹冠下的地形狀況；這種情況下若得到的冠層高度模型CHM不準確，其對提取結果的精度和準確性將會產(chǎn)生不利影響。 如果有合適的地形數(shù)據(jù)(例如來自于早期機載或地面激光雷達掃描獲得的DEM，或?qū)崪y得到的地形圖)作為補充，結合無人機影像匹配點云使用，本文提出的方法可以適用于更廣泛的場景。

4 結束語

以某林場內(nèi)的苗圃地作為研究對象，基于無人機影像點云提取了2個樣地、2種類型的單木樹冠(針葉純林和闊葉純林)。從實驗樣地的2個尺度的2個層面的精度驗證結果看，樹冠勾繪算法雖然存在低估現(xiàn)象，但相對誤差控制在8.59%以內(nèi)；依此方案，林窗范圍內(nèi)的樹冠提取F測度達到了89%以上，對單木冠幅的提取精度達到了0.14 m以內(nèi)。研究表明，該方案精度可靠、簡單有效，適用于小范圍、高精度的植被制圖。

1 JING L, HU B, NOLAND T, et al. An individual tree crown delineation method based on multi-scale segmentation of imagery [J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2012, 70(3):88-98.

2 ZHEN Z, QUACKENBUSH L, ZHANG L. Trends in automatic individual tree crown detection and delineation—evolution of LiDAR data [J]. Remote Sensing, 2016, 8(4):333.

3 張凝, 張曉麗, 葉栗. 基于改進爬峰法高分辨率遙感影像分割的樹冠提取[J/OL]. 農(nóng)業(yè)機械學報, 2014,45(12):294-300.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20141242&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2014.12.042.

ZHANG Ning, ZHANG Xiaoli, YE Li. Tree crown extraction based on segmentation of high-resolution remote sensing image improved peak-climbing algorithm [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 294-300. (in Chinese)

4 POULIOT D A, KING D J, BELL F W, et al. Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration [J]. Remote Sensing of Environment, 2002, 82(2-3): 322-334.

5 POLLOCK R J. The automatic recognition of individual trees in aerial images of forests based on a synthetic tree crown image model [D]. Vancouver: The University of British Colombia, 1996.

6 HIRSCHMUGL M, OFNER M, RAGGAM J, et al. Single tree detection in very high resolution remote sensing data [J]. Remote Sensing of Environment, 2007, 110(4): 533-544.

7 GAETANO R, MASI G, POGGI G, et al. Marker-controlled watershed-based segmentation of multiresolution remote sensing images [J]. IEEE Transactions on Geoscience & Remote Sensing, 2015, 53(6):2987-3004.

8 王祺,胡洪,吳艷蘭,等. 基于點云數(shù)據(jù)的樹冠體積自動求算方法[J]. 西北林學院學報,2017,32(2):242-246.

WANG Qi, HU Hong, WU Yanlan, et al. Automatic tree volume calculation method based on point cloud data [J]. Journal of Northwest Forestry University,2017, 32(2):242-246. (in Chinese)

9 楊全月,陳志泊,孫國棟. 基于點云數(shù)據(jù)的測樹因子自動提取方法[J/OL]. 農(nóng)業(yè)機械學報,2017,48(8):179-185.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170820&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.08.020.

YANG Quanyue, CHEN Zhibo, SUN Guodong.Automatic extraction method of tree measurement factors based on point cloud data [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(8):179-185. (in Chinese)

10 卜帆,石玉立. 機載LiDAR高差和高分影像的城市樹冠提取比較[J]. 遙感技術與應用,2017, 32(5):875-882.

BU Fan, SHI Yuli. The comparison of urban tree crown extraction based on airborne LiDAR elevation difference and high resolution imagery [J]. Remote Sensing Technology and Application,2017, 32(5):875-882. (in Chinese)

11 馮帥. 影像匹配點云與機載激光點云的比較[J]. 地理空間信息, 2014, 32(6):82-83.

FENG Shuai.Comparison of image matching point clouds with LiDAR point clouds [J]. Geospatial Information, 2014, 32(6):82-83. (in Chinese)

12 SPERLICH M, KATTENBORN T, KOCH B, et al. Potential of unmanned aerial vehicle based photogrammetric point clouds for automatic single tree detection [C]∥Gemeinsame Tagung 2014 der DGfK, der DGPF, der GfGI und des GiN, 2014.

13 KATTENBORN T, SPERLICH M, BATAUA K, et al. Automatic single tree detection in plantations using UAV-based photogrammetric point clouds [C]∥ ISPRS Technical Commission III Symposium, 2014:139-144.

14 楊坤,趙艷玲,張建勇，等. 利用無人機高分辨率影像進行樹木高度提取[J]. 北京林業(yè)大學學報,2017,39(8):17-23.

YANG Kun, ZHAO Yanling, ZHANG Jianyong, et al. Tree height extraction using high-resolution imagery acquired from an unmanned aerial vehicle (UAV) [J]. Journal of Beijing Forestry University, 2017, 39(8): 17-23. (in Chinese)

15 DALPONTE M, COOMES D A. Tree-centric mapping of forest carbon density from airborne laser scanning and hyperspectral data [J]. Methods in Ecology & Evolution, 2016, 7(10):1236-1245.

16 KOUKOULAS S, BLACKBURN G A. Quantifying the spatial properties of forest canopy gaps using LiDAR imagery and GIS [J]. International Journal of Remote Sensing, 2004, 25(15): 3049-3071.

17 BRANDTBERG T. Classifying individual tree species under leaf-off and leaf-on conditions using airborne LiDAR [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 61(5): 325-340.

18 POPESCU S C. Estimating plot-level forest biophysical parameters using small-footprint airborne LiDAR measurements [D]. Virginia: Virginia Tech., 2002.

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

20 CloudCompare (version 2.6) [EB/OL][2017-10-30] http:∥www.cloudcompare.org/.

21 MANDLBURGER G, PFENNIGBAUER M, PFEIFER N. Analyzing near water surface penetration in laser bathymetry—a case study at the River Pielach [C]∥ISPRS Ann. Photogramm, 2013, II-5/W2:175-180.

22 MANDLBURGER G, HAUER C, WIESER M, et al. Topo-bathymetric LiDAR for monitoring river morphodynamics and instream habitats—a case study at the Pielach River [J]. Remote Sensing, 2015, 7(5):6160-6195.

23 ZHANG K, CHEN S C, WHITMAN D, et al. A progressive morphological filter for removing nonground measurements from airborne LIDAR data [J]. IEEE Transactions on Geoscience & Remote Sensing, 2003, 41(4):872-882.

24 PEBESMA E J. Multivariable geostatistics in S: the gstat package [J]. Computers & Geosciences, 2004, 30(7):683-691.

26 ZHEN Z, QUACKENBUSH L J, STEHMAN S V, et al. Agent-based region growing for individual tree crown delineation from airborne laser scanning ALS data [J]. International Journal of Remote Sensing, 2015, 36(7):1965-1993.

27 張樹森,賈煒瑋,王玉霞，等. 大興安嶺地區(qū)天然興安落葉松疏開木冠幅預測模型[J]. 森林工程, 2017, 33(3): 33-38.

ZHANG Shusen，JIA Weiwei, WANG Yuxia, et al. Modeling crown width for the opening-grown trees of naturalLarixgmeliniplantation in Daxing’an Mountains [J]. Forest Engineering, 2017,33(3): 33-38. (in Chinese)

28 李赟,溫小榮,佘光輝，等. 基于UAV高分影像的楊樹冠幅提取及相關性研究[J]. 林業(yè)科學研究,2017,30(4):653-658.

LI Yun, WEN Xiaorong, SHE Guanghui, et al. Study on poplar crown extraction and correlation based on UAV high resolution image [J]. Forest Research, 2017, 30(4): 653-658. (in Chinese)