城市綠植養護數字化管護平臺的資源統計方法

江蘇省產業技術研究院 丁軍軍

針對城市綠植養護數字化管理平臺中采用傳統手段對資源數據統計效率低誤差大的問題，本文提出一種通過激光雷達和無人機攝影相結合的綠化資源統計方法，對城市綠化信息進行自動化獲取和智能化評估，輔助城市綠化日常養護工作以及城市規劃設計決策。通過多次實地測試對比，本文提出的快速資源統計方法在城市復雜環境中的林業信息獲取以及林業數據智能分析任務中表現出色。

園林綠化是城市組成中一個不可缺少的要素，“數字園林”也是“數字城市”的一個重要組成部分。2021年04月09日，住房和城鄉建設部發布國家標準《園林綠化工程項目規范》，自2022年1月1日起實施，對項目和技術規范以及對應的要素指標規范實施做出了強制規定標準。2021年05月20日，蘇州市召開城市綠化工作推進會，會中回顧“十三五”市城市綠化工作取得的成績的同時，明確了“十四五”的目標任務：以服務人民為初心，加快城市綠化提檔升級；以提升質量為中心，加快提升公園建設水平；以行業監管為重心，加快轉變面上管理模式；以打造品牌為核心，加快提升城市形象品質。2021年06月02日，國辦發布〔2021〕19號文件，指出要立足新發展階段、貫徹新發展理念、構建新發展格局。對地方政府提出要科學編制綠化相關規劃，加強對綠化相關規劃實施的檢查和督促落實。合理安排綠化用地科學劃定綠化用地，實行精準化管理。可見，隨著城市建設步伐的加快，經濟的迅猛發展和人民生活質量的日益提高，城市化水平也逐漸提高，城市綠化管理成為一個城市市容、市貌的重要衡量標準，同時對風景名勝區、古樹古木的管理水平的高要求、高標準也提上了日程。園林綠化的綜合管理正逐漸受到人們的重視。

1 存在的問題及解決思路

在城市綠化建設快速發展的同時，對日常維護管理工作也提出了更大的挑戰，目前我國園林綠化管護平臺建設中普遍存在的問題包括：(1)數據庫片面缺失，城市發展進程較快，數據資料以紙質資料為主且難以及時更新；(2)樹木清點手段粗放，傳統采集方式以人工清點為主，難以準確統計綠化樹木信息且誤差較大；(3)養護處理依賴人員經驗，整體養護規劃性有待提升；(4)工單下發后監管人員的巡查過程不可控，監督管理有待深化；(5)信息反饋滯后，園林養護信息主要依靠巡檢人員口述記錄，工作環節增多時效率低下；(6)對于綠地系統的格局缺乏系統考慮，“建筑優先，綠地填空”現象嚴重；(7)園林綠化規劃、建設、管理，各自為政，自成體系，缺乏全局性、系統性、規范性的管理體系；(8)城市園林綠化意識普遍不高，存在“政府熱，公民冷”的現象。

大數據、云計算興起，物聯網持續發力，區塊鏈備受推崇，人工智能的火熱登場，掀起新一輪技術革命熱潮，相對于傳統人工采集方式，費時費力，效率低下，激光雷達設備采集系統因其高效、便捷、精準和實用被業內所推崇，可以說，新技術的應用是行業發展的必然趨勢。對比目前各個管理系統中采用的商用地圖，實景三維展示平臺因其建模精度高、紋理清晰，數據精準能呈現真實比例的三維場景，成為了新寵。因此，可以說“數字孿生”是數字化浪潮的必然產物。因此，運用先進的數據采集手段、“互聯網+”思維和物聯網、大數據云計算、移動互聯網、信息智能終端等新一代信息技術，與現代生態園林相融合，建立智慧園林資源精準數據庫是智慧園林綠化養護管理的基礎；統籌項目管養、有效實施管養計劃和提高城市園林綠化的管理水平，是提高日常工作效率和質量，提升市政園林綜合監管服務水平必要手段。

2 基于LiDAR的綠化資源統計方法

針對目前城市綠化智能管護平臺存在的問題，其中通過對綠化資源快速準確的統計建立精準的數據庫才是平臺建設的重中之重，也是平臺能夠高效運行的基本保證。

2.1 資源統計現狀

樹木結構參數的提取如群落三維結構、層片結構、樹高、胸徑、冠幅等，是定量化樹木生態系統結構、格局與功能的重要前提，在樹木碳源匯估算、樹木管理與經營、生物多樣性研究與保護等方面有著重要作用，是完成樹木資源調查任務的基礎工作。以胸徑、清點和樹冠普查為例：

胸徑是表達樹木生長狀況的重要的因子之一。傳統方式以胸徑尺、輪尺等接觸式測量為主，外業工作量巨大。完成整體數據采集需要花費大量的人力及時間。苗圃清點工作的現狀非常依賴于人工，需要對每顆樹木進行標記等工作，且苗圃種類繁雜，工作量大且工作方式單一，所以傳統的清點方式會耗費大量的人力和時間，而且人為主觀因素容易對結果造成影響，容易出現錯測、漏測等問題。樹冠作為樹木完成光合作用，為樹木提供養分，對苗圃的調查結果有重要的意義。傳統的樹冠測量方式也是以人工為主，工作強度大、效率低、危險性高，而且樹冠也較難分辨，所以樹冠的測量一直都難以解決。

2.2 信息采集設備

采集設備采用無人機載加背包式激光雷達。一方面，可以通過不同的遙感手段，對苗圃內部的詳細信息進行及時的掌握，全面、準確、客觀的對苗圃的分布狀況進行有效的掌握；另一方面，利用激光雷達技術獲取的高精度遙感數據，能夠進一步分析處理得到林區的生物量、蓄積量、冠層高度、冠層覆蓋度、郁閉度/間隙率、林窗參數、樹密度、甚至林區單木的位置、高度，可以減少人工調查工作量，提高林業資源調查的效率和準確度。特別是在人員難以到達的地區，可以大大提高調查效率。

無人機載+背負式移動激光雷達技術主要技術優勢在于：數據精度高，背負式移動視覺可以達到8mm的精度，機載激光雷達可以達到0.3m左右的精度；主動遙感，以主動測量方式采用激光測距方法，不依賴自然光，其獲取數據的精度完全不受影響；植被穿透能力強，由于激光雷達具有多次回波特性，激光脈沖在穿越植被空隙時，可返回樹冠、樹枝、地面等多個高程數據，有效克服植被影響，更精確探測地面真實地形；數據獲取高效快速，通過無人機載+背包式的方式可以快速高效的獲取三維立體點云，該數據可用于森林資源調查，進行單木分割，提取每棵樹的位置、樹高、胸徑、冠幅等信息；數據完整，由于林區樹木植被茂密，且地形地貌復雜，用一種設備很難獲取完整數據，頂部區域使用無人機載，地面使用背包式的方式即可解決數據完整性問題，兩者相互結合，即可獲取完整的空地一體化的高精度數據。

2.3 內業處理

完成外業數據采集工作后，將生成的激光雷達點云數據導入計算機進行數據處理。使用專業點云數據處理軟件，按照數據處理流程依次操作，完成單木分割操作后，即可提取到每一株樹木的編號、坐標、樹高、胸徑、冠徑等林業數據。

內業數據處理的流程大致分為七個步驟：(1)去除空中噪點提高數據質量；(2)從點云數據中分離地面點；(3)對地面點數據細分類，提高分類精度；(4)對點云進行歸一化，去除地形影響；(5)選擇離地面1.2m處（默認：1.1-1.3m）的點云數據，采用擬合圓的方式量提取樹木胸徑（DBH），獲取樹木ID、胸徑和株數。如果樹木事傾斜生長，需采用擬合圓柱方法；如果樹干為橢圓，則使用點云數據的平面坐標利用最小二乘擬合二維橢圓；(6)通過單木篩選工具對擬合結果進行檢查與編輯，根據篩選范圍可對DBH擬合結果進行顯示、隱藏、刪除與提取操作。篩選操作包括：按置信度篩選、按樹ID篩選、按DBH篩選以及按樹高篩選。(7)DBH擬合結果可以保存為CSV文件，其中包含樹ID、樹的位置和DBH。

2.4 單木分割

面對林地和綠植密集區域，單木分割技術的準確性是內業處理效率的關鍵。單木分割的主要思想是采用K均值聚類算法，依據激光雷達掃描的環境點云信息進行單木分割，具體包括4個步驟：(1)結合地面高度信息對點云進行同一高度分層處理，提取分層面中的點云局部最大值；(2)將提取的點云局部最大值進行聚類算法處理，獲取聚類中心點，計算點云到聚類中心點的距離，根據所設定閾值結合點云距中心點的距離進行分類，再次計算新生成類的中心點，如此循環迭代，最終中心點位置偏差小于設定閾值則結束聚類；(3)設定不同分層聚類中心點最小距離閾值，對多層點云聚類中心點進行篩選，將符合閾值條件的中心點進行融合，其聚類的點云即為單木分割數據；(4)依據分割后的單木點云信息，計算單木點云最大橫截面積，作為單木冠幅，將離地同等高度樹干點云中心作為單木位置坐標，該類點云的最高點作為單木的樹高。如圖1所示，為常熟某地塊苗圃單木分割效果。與人工清點結果完全吻合。胸徑誤差均值為1.5cm。軟件中對苗木提取的結果以三維模型形式直觀顯示，每株苗木會用不同的顏色區分出來。利用模型可以快速定位到某一棵樹，并顯示出位置、樹高、胸徑等屬性信息。

圖1 單木分割效果圖Fig.1 Single wood segmentation effect diagram

3.2 昆山城市公園綠植數據統計驗證

昆山城市公園總面積約為135畝，即90000m。單人外業采集共計用時2.5小時，內業數據處理用時5小時。本次采集的實物地物類型主要為植物要素，植物要素為喬木、灌木、竹林等。系統快速掃描城市綠化資產，可以實時快速查詢到每一株樹的位置信息和植株基本信息。激光點云采集效果如圖2所示。本次測試采集了昆山市城市公園內全部綠植信息，喬木數量、灌木竹林面積準確，喬木胸徑誤差均值為1.1cm。

圖2 城市公園部分樹木激光點云效果圖Fig.2 Laser point cloud effect diagram of some trees in a city park

3 資源統計驗證分析

3.1 常熟苗圃數據統計驗證

采用無人機載結合背包式設備針對常熟苗圃地塊進行了資源統計。在實測過程中，總計面積約17畝的苗木信息，采集用時25分鐘，其中包括了苗木數量、位置、樹高、胸徑等信息。設備獲取的苗木高精度點云數據，在軟件中進行準確地提取。其中，一號地塊278株，樹高平均6.528m，最高9.762m、最矮3.045m；胸徑平均0.116m，最大0.244m、最小0.082m；冠徑平均4.451m，最大16.793m、最小0.756m。二號地塊567株，樹高平均8.643m，最高16.868m、最矮2.862m；胸徑平均0.17m，最大0.529m、最小0.06m；冠徑平均4.764m，最大20.317m、最小0.511m。從實測結果來看

為驗證數據的精度，在城市公園采用現場實測針對設備測試生成的數據進行了驗證，隨機測量了10棵樹的胸徑，并與處理后的點云數據成果進行比對，比對結果如表1所示：

表1 數據驗證結果Tab.1 Data verification results

由以上多次實地測試可以看出，基于LiDAR的綠化資源統計方法能夠極大地減少綠化信息獲取工作量，提高數據精度。同時，系統提供的數據處理分析算法，為城市綠化管理工作提供林業資產數據和動態管理方法，用高新技術手段輔助城市綠化規劃設計，解決林業信息化過程中產生的困難。

4 結語

當下城市綠化建設過程中，傳統綠化管理方式向新技術手段的綠化信息化管理方式過渡，期間暴露出越來越多的問題亟待解決。因此本文提出一種城市綠化智能管護系統，通過激光雷達和無人機攝影等高新技術，對城市綠化信息進行自動化獲取和智能化評估，輔助城市綠化日常養護工作以及城市規劃設計決策。然后在常熟市和昆山市苗圃和城市綠地中展開了多次實地測試，測試結果表明，系統可以滿足城市綠化復雜環境下的高效率林業數據采集，數據精度高，數據智能分析結果具有很大的應用價值。在未來的城市綠化建設中將發揮極大的作用。