融合無人機和地基激光雷達點云數據估測單木結構參數

丁志文，邢艷秋，尹伯卿，郭振

摘要：激光雷達（Light detection and ranging， LiDAR）作為一種主動遙感技術，能夠通過發射激光能量并接收返回信息的方式獲取森林空間結構信息，然而，單獨使用時存在掃描盲區，無法獲取完整的森林樹木三維點云。為此，提出融合無人機和地基LiDAR點云估測單木結構參數的方法，采用地面特征和樹木位置關系的配準方法實現點云融合，并在融合點云數據的基礎上提出一種改進的K均值層次聚類分割算法完成單木分割，然后根據基于分割后的單木點云使用軸對齊包圍盒算法以及最小二乘擬合圓法分別提取單木樹高和胸徑，最后通過生物量異速生長方程估測單木生物量。研究結果表明，蒙古櫟樣地的樹高、胸徑和單木生物量的決定系數（R2）分別為0.84、0.93和0.91，單木結構參數的均方根誤差（RMSE）分別為0.75 m、0.96 cm和26.31 kg/株；樟子松樣地的樹高、胸徑和單木生物量的R2分別為0.92、0.96和0.95，相應的均方根誤差分別為0.43 m、1.06 cm和26.12 kg/株。融合無人機和地基LiDAR點云為快速完整地獲取林木構型信息提供可靠的數據基礎，為聯合多源激光雷達技術深入林業應用提供有力的技術支撐。

關鍵詞：無人機LiDAR；地基LiDAR；點云融合；單木分割；單木結構參數

中圖分類號：S771.8文獻標識碼：A文章編號：1006-8023（2024）01-0142-10

Fusion of UAV and TLS LiDAR Point Cloud Data for Estimating Individual Tree Structure Parameters

DING Zhiwen， XING Yanqiu*， YIN Boqing， GUO Zhen

（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：Light detection and ranging （LiDAR）， as an active remote sensing technology， is able to obtain information on the spatial structure of forests by emitting laser energy and receiving the return information， however， when used alone there is a scanning blind spot and a complete 3D point cloud of forest trees cannot be obtained. Based on this， this study proposes a method for estimating the structural parameters of a individual tree by fusing UAV and TLS LiDAR point clouds， and realizes point cloud fusion by using a registration method based on ground features and tree position relationships. Based on this， an improved K-means hierarchical clustering segmentation algorithm is proposed to complete the individual tree segmentation， and then based on the segmented individual tree point cloud， the axis-aligned bounding box algorithm and the least squares fitting circle method are used to extract the height of the individual tree and diameter at breast height respectively， and finally estimate the biomass of a individual tree through the biomass allometric growth equation. The research results show that the Coefficient of Deter mination （R2） of tree height， diameter at breast height and individual tree biomass of Quercus mongolica sample plots are 0.84， 0.93， 0.91 respectively， and the root mean square error（RMSE） of individual tree structure parameters are 0.75 m， 0.96 cm， 26.31 kg/plant respectively. The R2 of tree height， diameter at breast height and individual tree biomass in the Pinus sylvestris plot are 0.92， 0.96， and 0.95， respectively， and the corresponding root mean square errors are 0.43 m， 1.06 cm， and 26.12 kg/plant， respectively. The fusion of UAV and TLS LiDAR point cloud provides a reliable data basis for the rapid and complete acquisition of forest structure information， and provides a strong technical support for the deep forestry application of joint multi-source LiDAR technology.

Keywords：UAV LiDAR; TLS LiDAR; point cloud fusion; individual tree segmentation; individual tree structure parameters

0引言

森林由無數個單獨的樹木組成，因此樹木的生物物理參數和樹木之間的空間結構是森林資源調查的主要內容，也是森林生態研究的基礎數據[1]。單木結構參數估算是指通過使用激光雷達（Light detection and ranging， LiDAR）等遙感技術來獲取單木的各種參數，如樹高、胸徑和生物量等。隨著激光雷達技術的飛速發展，無人機LiDAR和地基LiDAR已成為獲取單木結構參數的主要手段之一。傳統的單木結構參數統計以實測數據為基礎，需要進行大量的實地調查，工作量大、周期長，且對植被造成一定的破壞[2-3]。激光雷達技術不僅可以彌補傳統調查方法的不足，而且數據獲取成本相對低廉，甚至可以在不適宜人工采集的林區進行數據采集，因此被廣泛應用于單木結構參數的研究中[4-6]。

空中平臺點云可直接提取的單木結構參數是樹高，提取參數的前提在于樹木點云的單木分割。因此，基于無人機點云提取單木結構參數的方法可分為基于冠層高度模型（Canopy Height Model，CHM）和基于點云2類。耿林等[7]利用可變大小的動態窗口在冠層高度模型上搜索局部最大值作為樹冠頂點，并以樹冠頂點作為標記采用標記控制分水嶺算法勾勒樹冠邊界，并進一步提取樹高等參數，結果表明，其樹冠正確分割率達到88.5%，樹高的提取精度達到90.34%。Peng等[8]利用點云重采樣技術獲取了不同密度的點云，并生成CHM用于提取樹高，研究發現，隨著點云密度的增加，CHM提取樹高的精度也隨之提高。基于點云分割相較于CHM，避免了因插值損失的精度，單木信息提取更加準確。霍朗寧等[9]提出了一種分層聚類的三維點云單木分割方法，結果表明，其單木樹高的提取精度在90%以上。基于生物量異速生長方程可間接估算生物量，Gleason等[10]使用了支持向量回歸、隨機森林算法等多種方法建立了單木尺度和樣地尺度上的生物量模型，結果表明，在單木水平上，不同方法得到的生物量模型效果差別不大。而在樣地水平，采用支持向量回歸方法的生物量模型效果最優。針對地面平臺點云提取單木結構參數。郭沈凡等[11]利用格網化擬合圓柱法和最小二乘擬合圓法分別從地基點云中提取樹高和胸徑參數，并與實測值回歸分析，其樹高和胸徑的決定系數分別為0.60和0.91。劉魯霞等[12]對比了地基LiDAR多站與單站提取樹高和胸徑的精度，結果表明，不論是天然林樣地還是人工林樣地，多站點云提取的單木參數要比單站點云提取的參數更加接近實測值。李丹等[13]使用二維Hough變換和橢圓擬合方法來識別單棵樹木并獲取其單木位置和胸徑，然后在此基礎上進行圓柱體擬合來提取樹高，該方法的單木識別精度達到了70%以上，且估測的樹高和胸徑與實測值具有較高的一致性。Dassot等[14]利用地基點云數據進行三維重建以擬合樹木的幾何形狀，并進一步提取樹木結構參數，通過材積轉換法估算出單木生物量。陳世林等[15]利用優化的QSM算法從單木點云中重建三維結構模型，并用模型體積和特定樹種的木材密度估算出單木生物量，與異速生長模型得出的單木生物量參考值進行對比，結果顯示二者具有較好的一致性。

綜上所述，無人機或地基LiDAR技術均可提取單木結構參數，但各自都存在局限性。無人機LiDAR可以提供高分辨率、高密度的樹冠中上層信息，但通常無法獲取樹干、胸徑等更加詳細的林下信息。地基LiDAR可以提供詳細的林下樹木信息，包括樹干、胸徑等參數，但是只能獲取有限高度范圍內的樹木信息。單一平臺的LiDAR點云無法描繪完整森林樹木信息。因此，為了估測更加完整的單木結構參數，需要將無人機LiDAR和地基LiDAR技術聯合使用。本研究基于地面點云特征和樹木位置關系實現了無人機和地基點云的深度融合，并在此基礎上提取單木結構參數與實測數據進行對比分析，以探究融合點云數據在估測單木結構參數中的應用潛力。

1研究區概況與數據獲取

1.1研究區概況

研究區位于哈爾濱城市林業示范基地（45°43′5″ N～45°43′15″ N，126°37′15″ E ～ 126°37′35″ E），占地面積約為44 hm2，海拔為136～140 m，屬中溫帶大陸性季風氣候。該林場主要為人工林，優勢樹種有樟子松（Pinus sylvestris var. mongolica）、黑皮油松（Pinus tabuliformis）、蒙古櫟（Quercus mongolica）、水曲柳（Fraxinus mandshurica）和白樺林（Betula platyphylla）等。本研究選取蒙古櫟和樟子松林作為研究對象，在其內部布置20 m×20 m的樣地進行試驗。

1.2激光雷達點云數據獲取

1.2.1無人機激光雷達點云數據獲取

無人機LiDAR點云數據采集于2021年4月，在數據采集時，天氣晴朗少云，沒有對激光雷達數據采集造成影響。本次飛行試驗設備采用大疆M300 RTK四旋翼無人機搭載禪思L1激光雷達系統，數據采集時間持續2.5 h，掃描頻率為160 Hz，無人機飛行高度約為50 m，飛行速度為4 m/s，激光雷達數據預處理使用大疆智圖軟件，三維重建后生成的點云平均點密度為504點/m2，采用CGCS2000坐標系和UTM投影方式。

1.2.2地基激光雷達點云數據獲取

本次地基LiDAR點云數據采集試驗于2022年5月進行，使用的設備是FARO Focus3D X330地面三維激光掃描儀。本次試驗采用多站掃描模式，樣地中心及樣地角點附近架設測站，并在樣地內均勻放置靶球，確保各站掃描的靶球有重合。本次采集的數據包括多站LiDAR點云和現場同步拍攝的光學影像，所有數據均同步儲存在閃存卡中，使用FARO設備配套的處理軟件SCENE進行多站點云配準及數據導出。

1.2.3地面實測數據獲取

為了保證地面實測數據與采集的激光雷達點云數據盡可能保持時間的一致性，本研究于2022年5月在基地內進行人工實地調查，樣地地面實測的信息包括樹高、胸徑、冠幅和樹種等信息，使用Postex林地調查儀對樣地內所有已編號單木進行定位，單木胸徑使用圍尺測量，樹高信息采用超聲波測高儀Vertex V測量，樹木的冠幅信息通過皮尺測量，具體樣地信息見表1。

2研究方法

本研究將無人機LiDAR點云和地基LiDAR點云融合，利用改進的K均值層次聚類分割算法分割單木點云，進而估測單木樹高和胸徑參數，并基于生物量異速生長方程估算單木生物量，最后將估算的單木結構參數與真實參考值進行線性回歸分析，以驗證基于融合點云數據估測單木結構參數的精度。

2.1數據預處理

激光雷達數據采集時由于樣地環境、儀器設備以及異物遮擋等不可抗力因素影響，所獲取的龐大點云數據中通常含有大量的噪聲點。本研究利用基于統計學的離群點去噪算法[16]進行剔除，其核心思想是計算激光點云中各點到其鄰域內所有點的平均距離，并以此建立高斯分布，確定其均值（μ）和標準差（σ），設定標準差倍數（Standard Deviation，std，式中記std），將鄰域平均距離處于（μ－std·σ，μ+std·σ）以外的點標記離群點。

本研究使用改進的漸進加密三角網算法[17]（Improved Progressive TIN Densification，IPTD）進行地面點分類。IPTD算法的基本步驟是使用形態學開運算從原始點云中獲取潛在的地面種子點，并利用平移平面擬合法剔除其中的非地面點；然后對PTD算法進行兩處優化。 一是基于地面種子點構造初始三角網時設置緩沖區，并沿其邊界均勻放置模擬地面種子點，用以消除初始三角網的邊緣效應并提高三角網的質量；二是在迭代向上加密三角網前先向下加密三角網，可以使初始三角網更接近于真實地形，從而提高地面點分類的效果。最后通過預設的角度和距離閾值，對潛在的地面種子點迭代判斷，將滿足條件的點加入三角網中完成地面點分類。

2.2點云融合

利用IPTD算法提取地面點云后，首先進行下采樣并計算關鍵點的表面法線，然后提取地面點云的快速點特征直方圖[18]（Fast Point Feature Histograms，FPFH），基于無人機和地基地面點云中相似的FPFH特征使用隨機采樣一致性算法（Sample Consensus Initial Alignment，SAC-IA）[19]得到初始配準參數，旋轉平移無人機點云完成初始配準。FPFH特征描述子的理論基礎如下。

快速點特征直方圖其核心思想是對每個查詢點Aq，先計算其與鄰域中所有點之間的簡化點特征直方圖（Simple Point Feature Histograms，SPFH），再以其鄰域點Ak作為新的查詢點計算其對應的SPFH，最后加權得到Aq的FPFH特征值。圖1為查詢點Aq的FPFH鄰域影響圖。以r為半徑搜索Aq的鄰域（圖1中的虛線圓）內的k個鄰域點形成星形圖關系（圖1中的紅線），根據星形圖中邊的關系計算其SPFH，再從每個鄰域點出發重新確定各自的鄰域并計算其SPFH值，最后加權得到Aq的FPFH值。

無人機和地基點云大致重合后，利用樹木位置關系進行精細配準。首先對初始配準后的無人機和地基點云進行高程歸一化處理。通過提取兩者相同高度處的樹木位置點作為配準基元構建Delaunay三角網，并基于三角形的角度相似性原理[20]計算2個三角網中三角形對的相似度值，將得到的相似度值記錄到M×N（M、N為2個三角網中的三角形個數）的矩陣中，該矩陣稱為相似度矩陣。從矩陣中搜索相似度值大于0.85的三角形對作為同名三角形對，最后使用奇異值分解法得到變換矩陣，旋轉平移無人機點云即可得到融合點云。

2.3單木分割

本研究基于無人機和地基融合點云提出了一種改進的K均值層次聚類分割算法進行單木分割，K-means算法[21]的基本流程是根據預設的k值，在數據集內隨機選定k個數據樣本作為初始聚類中心，然后計算剩余數據點與k個聚類中心點之間的歐式距離，按照就近原則將數據點分配到歐式距離最短的聚類中心所代表的聚類簇中。若首輪分配過程中存在未包含數據點的聚類簇，為避免初始聚類中心為孤立點或噪聲點引起的聚類局部最優情況發生，需要生成新的聚類中心并重新分配數據點，直至每個簇中均包含數據點為止。在每輪分配完數據點后，均需計算平均誤差。該平均誤差采用誤差平方和的形式表示并用來評價聚類性能，其計算公式如下。

E=∑ki=1∑p∈Xi‖p－mi‖2。（1）

式中：E為誤差平方和準則函數；k為聚類簇的個數；Xi與mi分別代表了某輪分配完剩余數據點的第i個聚類簇及其對應的聚類中心；p為聚類簇Xi中的數據點。

當某輪更新聚類中心后，其對應誤差平方和與上一輪的誤差平方和相同或變化范圍在預設閾值范圍內，可判定聚類過程結束。若不滿足條件，則繼續迭代運算，直至滿足條件退出循環或達到預設最大迭代次數。

K均值層次聚類分割算法的核心思想是按點云分層建立簇，形成一棵棵以簇為節點的樹，并按自底向上的方向逐層進行凝聚聚類。由于K-means聚類算法需要預先確定初始聚類中心的數量，初始聚類中心的數量K決定單木分割后提取的樣地樹木的株數。不同的K會得到不同的聚類簇，使得聚類結果不穩定且容易陷入局部最優解的情況。為此，本研究將提取的樹干種子點的數量作為初始K，樹干種子點的位置作為初始聚類中心位置。首先利用直通濾波算法獲取1.3? ～1.5 m處的樹干點云，并投影到二維水平面上構成胸徑點云切片，利用歐式聚類算法提取胸徑點云并計算其中心位置坐標作為樹干種子點。從距地面0.5 m的樹干位置處以1 m為間隔進行豎直方向上的分層直至到達樹冠頂點，然后將樹干種子點作為底層點云的初始聚類中心，在每一層內使用K均值聚類算法時，將當前層的點云劃分到離其最近的聚類中心后，重新計算當前點云層的聚類中心，再劃分所有點云到離其最近的聚類中心上，一直迭代重復此過程，直到本層聚類中心位置不再變換，最后將當前層的最終聚類中心向上層傳遞并作為上一層的初始聚類中心進行聚類，直到樹冠頂層點云聚類結束后，最后將屬于同棵樹的點云簇縱向融合完成單木分割。

為避免點云過分割或欠分割現象對單木結構參數提取的影響，本研究在單木分割結果的基礎上使用CloudCompare軟件進行人工編輯和調整，剔除錯誤分割的點云，并手動分割欠分割的單木點云。另外，為提取單木胸徑參數，本研究使用直通濾波算法保留了1.2 ～1.4 m高度范圍內的樹干點云。圖2為融合點云的單木分割結果圖，其中黑色部分（樹干下面黑色小點）為0.2 m厚度的樹干點云。

2.4單木結構參數估測方法

單木結構參數是指描述樹木形態和結構的數值指標，可用于評估樹木生長狀態，常見的單木結構參數包括樹高、胸徑和單木生物量等。本研究通過估測單木點云中的上述參數，并與人工實地調查數據進行回歸分析，以評估其精度。

1）單木樹高

樹高是指在單個樹木的點云范圍內，高程值最高點和最低點之間的垂直距離差，即該樹木的高度。本研究利用軸對齊包圍盒[22]（Axis Aligned Bounding Box， AABB）對單個樹木的點云進行建模，從而提取樹高參數。包圍盒是計算機圖形學中一種常用的數據結構，可以用來求解離散點的最優包圍空間。其基本思想是用體積稍大且特征簡單的立方體或來近似代替復雜的三維模型。軸對齊包圍盒的特點是包圍盒的邊與坐標軸平行，即6個面都是平行于坐標軸的矩形面。圖3表示建模后的樹木包圍盒的示意圖，將單木點云的軸對齊包圍盒的高度視為樹高。

2）胸徑

胸徑是指林木位于距地面1.3 m處的樹干直徑。本研究采用最小二乘法[23]對胸徑點云切片進行二維圓擬合并提取胸徑值，如圖4所示，該方法是一種基于最小二乘原理的圓擬合方法，通過最小化所有數據點到圓周距離之和的平方誤差，找到最佳的圓心和半徑，其原理如下。

樹木胸徑點云的幾何形狀近似二維圓，通過圓的方程可以近似表達如式（2）所示。

（x－a）2+（y－b）2=r2。（2）

式中：（x，y）為胸徑點云中的點坐標；（a，b）和r分別為胸徑擬合圓的圓心及半徑，則胸徑D=2r，cm。

3）單木生物量

單木生物量可通過直接測量和間接估算2種方式計算而來，但前者對林區樹木具有破壞性且費時費力，后者一般利用生物量模型（相對生長模型，CAR）進行估算。其中以二元相對生長模型最為常用，如式（3）所示。

W=a（D2H）b。（3）

式中：W為整株或單木某器官的生物量，kg；D為胸徑，cm；H為樹高，m；a與樹木密度相關的系數；b為與生長環境相關的系數。

本研究使用黑龍江省相應樹種的生物量異速生長方程來分別估算蒙古櫟樣地和樟子松樣地的單木生物量，其中生物量依據《中國森林生態系統碳儲量——生物量方程》[24]中的“黑龍江省主要優勢樹種生物量方程”，見表2，不同樹種的單木生物量等于其樹干、枝和葉等器官生物量的總和，利用樹高、胸徑參數結合不同器官的異速生長方程可分別計算出單株樹木的干、枝、葉和根4部分的分器官生物量，并以分器官生物量累加之和作為單木生物量。

2.5模型評價指標

為了評價基于融合點云估測單木結構參數的精度，本研究基于單木點云提取樹高、胸徑參數，并借助生物量異速生長模型分別獲取蒙古櫟和樟子松樣地的單木生物量估測值，并對估測值和實測值進行建模回歸分析。在建模過程中，對模型進行評價是一項核心任務，通過模型檢驗來確定模型的擬合效果。本研究通過計算模型的決定系數（Coefficient of Determination，R2）和均方根誤差（Root Mean Square Error， RMSE）對回歸模型的擬合結果進行評價。

1）R2用來表示估測值和實測值之間的擬合程度，R2在取值范圍在0～1，數值越接近1表示模型的擬合效果越好，計算如式（4）所示。

2）RMSE（式中記為RMSE）用于衡量模型預測值與真實值之間的偏差，反映了預測值與真實值之間的平均誤差。RMSE越小，說明模型對數據的擬合程度越好；反之，RMSE越大，說明模型對數據的擬合程度越差。其計算如式（5）所示。

R2=1－∑ni=1（yi－yi^）2∑ni=1（yi－yi）2。（4）

RMSE=∑ni=1（yi－yi^）2n。（5）

式中：yi為實際觀測值；yi^為模型估測值；yi為樣本平均值；n為樣本數。

3結果與分析

3.1樹高提取精度

將樹高提取值與實測值進行對比，結果如圖5所示，樟子松樣地和蒙古櫟樣地的樹高提取值的R2分別為0.92和0.84，2塊樣地樹高的R2均達到了0.80以上，表明融合點云樹高提取值和實測值擬合精度較高。樟子松樣地和蒙古櫟樣地的樹高提取值的RMSE分別為0.43 m和0.75 m。蒙古櫟樣地樹高提取值的RMSE略高，由于蒙古櫟為闊葉樹種，樹冠枝葉的遮擋會造成人工測量樹高時難以確定單木最高點，使得實測樹高偏小。相比之下，通過單木點云估測樹高時，采用的是幾何量測的方式，計算樹冠頂部最高的枝杈點到地面的垂直高度，因此能夠更準確地估測樹高。

3.2單木胸徑

本研究使用最小二乘法從單木點云中提取胸徑參數，并與胸徑實測值進行回歸分析，結果如圖6所示。樟子松樣地和蒙古櫟樣地的胸徑提取值的R2分別為0.96和0.93，RMSE分別為1.06 cm和0.96 cm。2塊樣地胸徑提取值的R2均達到了0.90以上，樟子松樣地和蒙古櫟樣地的胸徑提取值和實測值表現出良好的相關性。機載LiDAR點云數據通常無法直接估測胸徑值，需要通過樹高與胸徑之間的方程進行間接估算，然而這種方法計算出的胸徑誤差較大，新興的融合點云形態的出現彌補了機載LiDAR點云在估測單木胸徑方面的劣勢。

3.3單木生物量

基于單木點云提取的樹高和胸徑值，利用生物量異速生長方程估算單木生物量，將LiDAR點云估測的單木生物量與生物量參考值進行線性回歸分析，結果如圖7所示。2個樣地的單木生物量估算值和參考值呈良好的線性關系，R2都在0.90以上，RMSE分別為26.12 kg/株和26.31 kg/株。蒙古櫟樣地的單木生物量R2為0.91，相較于樟子松樣地略低。經分析，這是由于樟子松樣地的單木分割精度優于蒙古櫟樣地，蒙古櫟由于是闊葉樹種，其過分割和欠分割數量要多于針葉林的樟子松樣地。另一方面，參與單木生物量方程計算的變量為樹高和胸徑參數，尤其是樹高值，樟子松樣地樹高估測值與實測值之間的誤差要小于蒙古櫟樣地。從整體上看，基于融合點云估算的單木生物量與真實參考值之間的擬合精度較高，且RMSE較小，這表明融合無人機和地基LiDAR點云在估算單木生物量方面具有很大的應用潛力。

4討論

目前大多數研究多使用單一數據源點云進行單木結構參數提取，Dalla等[25]利用高密度無人機點云分別提取了樹高和胸徑參數，并與實測值進行回歸分析，其決定系數分別為0.91和0.77，其均方根誤差分別為1.51 m和3.46 cm。劉浩然等[26]利用無人機點云提取了樹高參數，其R2為0.86，估測精度均低于本研究。地基LiDAR可獲取完整的林下詳細信息，但上層樹冠信息容易受到中下層樹冠枝葉的遮擋，從地基點云中估測出的樹高通常較實測值更低[27]。Liu等[28]采用地基LiDAR技術獲取了地形復雜區域的樹木點云數據，并利用八叉樹分割、連通性標記和霍夫變換等方法對樹干進行識別和胸徑提取，并根據樹木自然生長方向提取了樹高參數，試驗結果表明，樹木胸徑的均方根誤差在1.17～1.22 cm，樹高的均方根誤差在0.54～1.23 m。與本研究相比，胸徑的估測精度相差不大，但樹高估測精度低于本研究，表明通過融合點云提取樹高的方法可有效提高單木結構參數的估測精度。此外，由于無人機LiDAR和地基LiDAR數據采集時間不同，可能會對單木結構參數的估測精度產生一定的影響。在未來的研究中，將選擇在相近的時間范圍內采集不同平臺的點云數據，以減少LiDAR數據采集時間差異對估測精度的影響，從而提高單木結構參數估測的準確性。

在融合點云估測單木結構參數方面，張信杰等[29]基于機載和背包融合點云數據估測了桉樹的單木因子，估測值與實測值對比結果表明，樹高估測值的R2為0.90，RMSE為2.0 m;胸徑估測值的R2為0.98，RMSE為0.87 cm。朱俊峰等[30]利用地基和無人機融合點云估測了單木樹高、胸徑參數，其單木樹高的決定系數在0.73～0.89，均方根誤差在1.96～3.47 m；單木胸徑的決定系數在0.96～0.99，均方根誤差在1.35～1.49 cm。與本研究試驗結果相比，胸徑的估測精度相差不大，但單木樹高的估測精度低于本研究。究其原因，本研究點云融合時所使用的無人機點云密度較高，樹冠上部點云信息完整，整體點云融合效果較好。

5結論

無人機和地基LiDAR采用不同的掃描方式來獲取森林樹木的空間結構信息，但單獨使用時均無法獲取完整的樹木點云信息。本研究基于地面特征和樹木位置關系，分兩步由粗到細實現了無人機和地基點云的深度融合，并提出了一種改進的K均值層次聚類算法進行單木分割，從單木尺度上分析了新興的融合點云形態對單木結構參數估測精度的影響，通過比較分析單木結構參數估測值和實測值，得出以下結論。

1）對于樟子松樣地，其單木樹高、胸徑和單木生物量的決定系數R2分別為0.92、0.96和0.95，單木樹高的均方根誤差為0.43 m，胸徑和單木生物量的均方根誤差分別為1.06 cm和26.12 kg/株。

2）對于蒙古櫟樣地，其單木結構參數的決定系數R2分別為0.84、0.93和0.91，單木樹高、胸徑和單木生物量的均方根誤差RMSE分別為0.75 m、0.96 cm和26.31 kg/株。

本研究基于融合點云估測的單木結構參數與真實參考值具有較高的擬合精度，證實了聯合無人機和地基LiDAR技術可以實現對單木結構參數的準確提取。新興的融合點云形態彌補了傳統機載LiDAR點云在估測單木胸徑以及地基點云在估測單木樹高參數方面的劣勢。相比于單一平臺獲取的點云，融合點云更加完整詳細描述了單木尺度上的結構參數，有利于提高森林參數信息的反演精度。聯合無人機和地基LiDAR技術可以更好地應用于森林資源調查和動態監測，將進一步促進森林資源的精確監測并成為林業遙感的有力工具。

【參考文獻】

[1]郝紅科.基于機載激光雷達的森林參數反演研究[D].楊凌：西北農林科技大學，2019.

HAO H K. Inversion of forest parameters using airborne LiDAR[D]. Yangling： Northwest A&F University， 2019.

[2]湯旭光，劉殿偉，王宗明，等.森林地上生物量遙感估算研究進展[J].生態學雜志，2012，31（5）：1311-1318.

TANG X G， LIU D W， WANG Z M， et al. Estimation of forest aboveground biomass based on remote sensing data： A review[J]. Chinese Journal of Ecology， 2012， 31（5）：1311-1318.

[3]全迎.無人機激光雷達提取長白落葉松單木樹冠三維結構的研究[D].哈爾濱：東北林業大學，2019.

QUAN Y. Extraction of three-dimensional crown structure of Larix olgensis by UAV-borne LiDAR[D]. Harbin： Northeast Forestry University， 2019.

[4]尤號田，邢艷秋，王萌，等.小光斑激光雷達數據估測森林生物量研究進展[J].森林工程，2014，30（3）：39-42.

YOU H T， XING Y Q， WANG M， et al. The progress on estimating forest biomass using small footprint LiDAR data[J]. Forest Engineering， 2014， 30（3）： 39-42.

[5]李增元，劉清旺，龐勇.激光雷達森林參數反演研究進展[J].遙感學報，2016，20（5）：1138-1150.

LI Z Y， LIU Q W， PANG Y. Review on forest parameters inversion using LiDAR[J]. Journal of Remote Sensing， 2016， 20（5）： 1138-1150.

[6]蘇練.基于機載激光雷達數據的森林參數反演與程序設計[D].成都：電子科技大學，2017.

SU L. Forest parameter inversion and program design based on airborne Lidar data[D]. Chengdu： University of Electronic Science and Technology of China， 2017.

[7]耿林，李明澤，范文義，等.基于機載LiDAR的單木結構參數及林分有效冠的提取[J].林業科學，2018，54（7）：62-72.

GENG L， LI M Z， FAN W Y， et al. Individual tree structure parameters and effective crown of the stand extraction base on airborn LiDAR data[J]. Scientia Silvae Sinicae， 2018， 54（7）： 62-72.

[8]PENG X， ZHAO A， CHEN Y， et al. Tree height measurements in degraded tropical forests based on UAV-LiDAR data of different point cloud densities： A case study on Dacrydium pierrei in China[J]. Forests， 2021， 12（3）： 1-17.

[9]霍朗寧，張曉麗.基于機載LiDAR點云多層聚類的單木信息提取及其精度評價[J].林業科學，2021，57（1）：85-94.

HUO L N， ZHANG X L. Individual tree information extraction and accuracy evaluation based on airborne LiDAR point cloud by multilayer clustering method[J]. Scientia Silvae Sinicae， 2021， 57（1）： 85-94.

[10]GLEASON C J， IM J. Forest biomass estimation from airborne LiDAR data using machine learning approaches[J]. Remote Sensing of Environment， 2012， 125： 80-91.

[11]郭沈凡，顧波，奚冠凡，等.地基LiDAR點云數據提取單木樹高和胸徑方法研究[J].現代測繪，2019（2）：22-25.

GUO S F， GU B， XI G F. et al. Extracting of individual tree characteristics from ground based LiDAR point cloud[J]. Modern Surveying and Mapping， 2019（2）： 22-25.

[12]劉魯霞，龐勇，李增元.基于地基激光雷達的亞熱帶森林單木胸徑與樹高提取[J].林業科學，2016，52（2）：26-37.

LIU L X， PANG Y， LI Z Y. Individual tree DBH and height estimation using terrestrial laser scanning（TLS） in a subtropical forest[J]. Scientia Silvae Sinicae， 2016， 52（2）： 26-37.

[13]李丹，龐勇，岳彩榮，等.基于TLS數據的單木胸徑和樹高提取研究[J].北京林業大學學報，2012，34（4）：79-86.

LI D， PANG Y， YUE C R， et al. extraction of individual tree DBH and height based on terrestrial laser scanner data[J]. Journal of Beijing Forestry University， 2012， 34（4）：79-86.

[14]DASSOT M， BARBACCI A， COLIN A， et al. Tree architecture and biomass assessment from terrestrial LiDAR measurements： a case study for some beech trees （Fagus sylvatica）[J]. Silvilaser， Freiburg， 2010： 206-215.

[15]陳世林.激光雷達單木參數提取與生物量估算研究[D].北京：北京林業大學，2020.

CHEN S L. Research on extraction of single tree parameters and biomass estimation based on LiDAR[D]. Beijing： Beijing Forestry University， 2020.

[16]王子建，吳晶華.一種無人機激光雷達系統的點云去噪方法[J].新技術新工藝，2019（4）：35-38.

WANG Z J， WU J H. Method of a point cloud denoising of drone LiDAR system[J]. New Technology & New Process， 2019（4）：35-38.

[17]ZHAO X， GUO Q， SU Y， et al. Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2016， 117： 79-91.

[18]林榆森，李秋潔，陳婷.基于快速點特征直方圖的樹木點云配準[J].中國農機化學報，2022，43（2）：155-162.

LIN Y S， LI Q J， CHEN T. Point cloud registration of tree based on FPFH[J]. Journal of Chinese Agricultural Mechanization， 2022， 43（2）：155-162.

[19]荊路，武斌，李先帥.基于SAC-IA和NDT融合的點云配準方法[J].大地測量與地球動力學，2021，41（4）：378-381.

JING L， WU B， LI X S. Point cloud registration method based on SAC-IA and NDT fusion[J]. Journal of Geodesy and Geodynamics， 2021， 41（4）：378-381.

[20]李贛華，周東祥，董黎，等.基于Delaunay三角化的有效角點匹配算法[J].信號處理，2007，23（5）：695-698.

LI G H， ZHOU D X， DONG L， et al. Effective corner matching based on delaunay triangulation[J]. Journal of Signal Processing， 2007， 23（5）： 695-698.

[21]SHI B Q， LIANG J， LIU Q. Adaptive simplification of point cloud using k-means clustering[J]. Computer-Aided Design， 2011， 43（8）： 910-922.

[22]ULAIMAN H A， OTHMAN M A， ISMAIL M M， et al. Distance computation using axis aligned bounding box （AABB） parallel distribution of dynamic origin point[C]//2013 Annual International Conference on Emerging Research Areas and 2013 International Conference on Microelectronics， Communications and Renewable Energy. IEEE， 2013： 1-6.

[23]LIU C， XING Y， DUANMU J， et al. Evaluating different methods for estimating diameter at breast height from terrestrial laser scanning[J]. Remote Sensing， 2018， 10（4）： 513.

[24]周國逸，尹光彩，唐旭利，等.中國森林生態系統碳儲量——生物量方程[J].北京：科學出版社，2018.

ZHOU G Y， YIN G C， TANG X L， et al. Carbon storage in forest ecosystems in China - biomass equation[J]. Beijing： Science Press， 2018.

[25]DALLA CORTE A P， REX F E， ALMEIDA D R A， et al. Measuring individual tree diameter and height using GatorEye high-density UAV-Lidar in an integrated crop-livestock-forest system[J]. Remote Sensing， 2020， 12（5）： 863.

[26]劉浩然，范偉偉，徐永勝，等.基于無人機激光雷達點云的單木生物量估測[J].中南林業科技大學學報，2021，41（8）：92-99.

LIU H R， FAN W W， XU Y S， et al. Single tree biomass estimation based on UAV LiDAR point cloud[J]. Journal of Central South University of Forestry & Technology， 2021， 41（8）： 92-99.

[27]HOPKINSON C， CHASMER L， YOUNG-POW C， et al. Assessing forest metrics with a ground-based scanning LiDAR[J]. Canadian Journal of Forest Research， 2004， 34（3）： 573-583.

[28]LIU G， WANG J， DONG P， et al. Estimating individual tree height and diameter at breast height （DBH） from terrestrial laser scanning （TLS） data at plot level[J]. Forests， 2018， 9（7）： 1-19.

[29]張信杰，鄭焰鋒，溫坤劍，等.融合機載和背包激光雷達的桉樹單木因子估測[J].林業資源管理，2022（6）：131-137.

ZHANG X J， ZHEN Y F， WEN K J， et al. Estimation of single tree factor of eucalyptus by merging airborne and backpack LiDAR[J]. Forest Resources Management， 2022（6）： 131-137.

[30]朱俊峰，劉清旺，崔希民，等.地基與無人機激光雷達結合提取單木參數[J].農業工程學報，2022，38（14）：51-58.

ZHU J F， LIU Q W， CUI X M， et al. Extraction of individual tree parameters by combining terrestrial and UAV LiDAR[J]. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（14）：51-58.