基于不同點(diǎn)云密度LiDAR 數(shù)據(jù)的天山云杉單木樹高提取

中圖分類號：S791.18;S771.8 文獻(xiàn)標(biāo)志碼：A 文章編號：1001-4330（2025）04-0917-12

0 引言

【研究意義】天山云杉（Piceaschrenkianavar.tianschanica）是新疆山地天然林的單優(yōu)種群，分布面積約為 52.84×10⁴hm² ，約占新疆天然林面積的 44.9%^[1] ，主要集中在天山北坡和南坡，也有少量分布在西昆侖山北坡，在水源涵養(yǎng)以及維持生態(tài)平衡等方面發(fā)揮著重要的作用[2]。樹高是森林資源調(diào)查中不可或缺的重要因子，能夠有效反映森林空間結(jié)構(gòu)、生長健康狀況以及生態(tài)系統(tǒng)穩(wěn)定性[3]。樹高的獲取方式需要調(diào)查人員到野外實(shí)地測量，不僅工作量大、成本高，還受人為因素干擾等，導(dǎo)致測定信息在一定程度上存在誤差。

激光雷達(dá)（Lightdetectionandranging，LiDAR）的小光斑脈沖能夠高效的滲透森林冠層，具有普通光學(xué)成像所沒有的垂直空間信息，對森林內(nèi)部的空間結(jié)構(gòu)以及森林地形表現(xiàn)比較敏感，特別是對森林高度的探測能力具有其他遙感信息源無法比擬的優(yōu)勢，因此，一直以來都是森林經(jīng)理調(diào)查領(lǐng)域研究的熱點(diǎn)[4.5]。因此，測定天山云杉的樹高對于研究其群落演變、形成與維持機(jī)制、森林經(jīng)營方案編制等具有重要意義。【前人研究進(jìn)展】目前，基于機(jī)載激光雷達(dá)點(diǎn)云的樹高提取主要集中在點(diǎn)云數(shù)據(jù)源的獲取方式[6-8]利用不同分辨率冠層高度模型提取樹高9、單木樹高提取的精度分析[10，11]、基于多種數(shù)據(jù)源不同算法提取樹高[12.13]等方面，均取得不錯(cuò)的效果。【本研究切入點(diǎn)】天山云杉林在新疆山地資源占大部分比例，其存在對維系區(qū)域林區(qū)生態(tài)安全系統(tǒng)的形成和維護(hù)起著重要作用，且基于不同點(diǎn)云密度數(shù)據(jù)獲取天山云杉樹高方面的研究不多見。【擬解決的關(guān)鍵問題以新疆農(nóng)業(yè)大學(xué)實(shí)習(xí)林場為研究區(qū)，基于6種不同密度機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)的冠層高度模型（CanopyHeightModel，CHM）反演天山云杉單木樹高，檢測不同點(diǎn)云密度對單木樹高提取精度的影響，為單木樹高信息提取提供技術(shù)參考。

材料與方法

1.1 材料

1. 1. 1 研究區(qū)概況

研究區(qū)位于天山山脈中段新疆農(nóng)業(yè)大學(xué)實(shí)習(xí)林場，地處烏魯木齊市西南方位 110km（E86^°46^′ ～86^°57^′ ，M ），氣候類型屬于溫帶大陸性氣候，海拔 1700～2400m ，降雨多集中在7、8月，無霜期約為 140d ，坡度處于 5^°～40^° ，地勢起伏變化較大。天山云杉占天山林區(qū)總山地面積 90% 以上，是新疆山地森林中分布最廣、蓄積量最大的樹種[14]

1.1. 2 機(jī)載LiDAR數(shù)據(jù)采集

機(jī)載LiDAR數(shù)據(jù)范圍為新疆農(nóng)業(yè)大學(xué)實(shí)習(xí)林場西北區(qū)，2023年6月采用華測AU20多平臺激光雷達(dá)系統(tǒng)獲取，相機(jī)型號為DSC-RX1RM2-35.0，最大測距范圍為 1500m ，測距精度為5～15mm ，最大發(fā)射點(diǎn)頻率為200萬點(diǎn)每秒，回波次數(shù)為16次，采集頻率最高可達(dá) 2000kHz ，具有強(qiáng)穿透、高精度、多平臺、高效率、高性價(jià)比等特點(diǎn)。

1.1. 3 地面數(shù)據(jù)采集

2023年6＼～8月，在研究區(qū)植被生長旺盛的時(shí)期，典型選取7個(gè) 30m×30m 的天山云杉林樣方，樣方中心點(diǎn)、邊樁及每木定位使用實(shí)時(shí)載波相位差分定位技術(shù)（Real-TimeKinematicRTK）測定，精度誤差在 15mm 以內(nèi)。對樣地內(nèi)胸徑 5cm 以上的天山云杉進(jìn)行每木檢尺，利用圍尺測量樹木胸徑，使用Vertex4超聲波測高器測量樹高，使用徠卡D810激光測距儀對每木冠幅進(jìn)行測量。7個(gè)樣方共測得233株單木信息。樣地基本信息如表1。LiDAR點(diǎn)云數(shù)據(jù)與同步獲得的數(shù)字正射影像數(shù)據(jù)（DOM，Digitalorthoimage）。圖1，表1

1.2 方法

1.2.1 不同點(diǎn)云密度數(shù)據(jù)獲取

對于一個(gè)點(diǎn)云 P ，重要性 I_Pi 的值較大的點(diǎn)即為點(diǎn)云中的特征點(diǎn)，描述整個(gè)點(diǎn)云模型的細(xì)節(jié)特征、對比特征和結(jié)構(gòu)特征。但是，如果僅使用特征點(diǎn)擬合曲面，曲面中將有許多孔洞，還需要保留一些非特征點(diǎn)[15]。因此，采用八叉樹（Octree）算法稀釋原始點(diǎn)云數(shù)據(jù)，八叉樹可以在每個(gè)葉節(jié)點(diǎn)中保留一個(gè)點(diǎn)，通過把整個(gè)點(diǎn)云進(jìn)行空間分割實(shí)現(xiàn)點(diǎn)云簡化。

八叉樹[16]：首先，設(shè)置八叉樹的最大遞歸深度或最大層數(shù)，并找到整體點(diǎn)云的最大和最小空間坐標(biāo)值，構(gòu)建包圍點(diǎn)云的最小外立方體，該外立方體就是空間包圍盒；基于空間包圍盒，生成根節(jié)點(diǎn)，判斷如果未達(dá)到最大遞歸深度，則將當(dāng)前立方體平均細(xì)分為8個(gè)。再判斷子立方體中的點(diǎn)數(shù)與父立方體中的點(diǎn)數(shù)，如果相同并且數(shù)量不為零，則子立方體被停止切割。最后，重復(fù)上述遞歸過程，直到達(dá)到最大遞歸深度。八叉樹是一種用來表述空間的樹狀數(shù)據(jù)結(jié)構(gòu)。其每一個(gè)空間節(jié)點(diǎn)表示為一個(gè)正方體的體積，并且每個(gè)節(jié)點(diǎn)可以拆分為8個(gè)子節(jié)點(diǎn)，8個(gè)子節(jié)點(diǎn)的體積之和等于上個(gè)父節(jié)點(diǎn)的體積，這種樹狀空間結(jié)構(gòu)對提高壓縮點(diǎn)云數(shù)據(jù)的效率與速度具有高效性，因此八叉樹廣泛應(yīng)用于點(diǎn)云分割領(lǐng)域[17，18]。使用八叉樹對原始點(diǎn)云進(jìn)行稀疏，按八叉樹分層共獲得初始點(diǎn)云密度、14、13、12、10和9層共計(jì)6種不同密度的點(diǎn)云數(shù)據(jù)。圖2

1.2.2 機(jī)載激光雷達(dá)數(shù)據(jù)預(yù)處理

機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)，需要進(jìn)行去噪、矯正和拼接，通過PIX4D生成研究區(qū)的數(shù)字正射影像圖。圖3

1.2.3 地面點(diǎn)與非地面點(diǎn)的分離

目前，常用的地面點(diǎn)濾波算法包括基于線性表面預(yù)測濾波算法自適應(yīng)形態(tài)學(xué)濾波、漸進(jìn)加密三角網(wǎng)濾波算法（TIN）以及布料模擬濾波算法等。其中TIN算法需要大量的先驗(yàn)知識作為前提條件，要求較高。自適應(yīng)形態(tài)學(xué)濾波效率難以滿足生產(chǎn)需要，無法實(shí)現(xiàn)在短時(shí)間內(nèi)處理數(shù)據(jù)量較大的點(diǎn)云數(shù)據(jù)。采用布料模擬濾波算法對地面點(diǎn)和非地面點(diǎn)進(jìn)行分類。布料模擬濾波算法（ClothSimulationFiltering，CSF）是Zhang等提出的，原理是假設(shè)在研究區(qū)的正上方有一塊虛擬布料，如果這塊布料足夠柔軟，則這塊布料最后會在重力的作用下正好覆蓋至下方的地形表面上，布料鋪蓋在研究區(qū)的最終形狀即對應(yīng)區(qū)域的數(shù)字表面模型（DigitalSurfaceModel，DSM）。如果將點(diǎn)云倒置，該算法能夠更加貼合點(diǎn)云覆蓋區(qū)域的地形，同時(shí)布料也存在一定的剛性，重力作用下布料的最終形狀即為該地區(qū)的數(shù)字高程模型（DigitalEl-evationModel，DEM）。圖4

1.2.4CHM生成及圖像預(yù)處理

完成地面點(diǎn)與非地面點(diǎn)的分類后，基于地面點(diǎn)生成高密度（138.53個(gè) /m² ）、較高密度（100.57個(gè) /m² ）、中密度（57.66個(gè) /m² ）、較低密度（23.82個(gè) /m² ）、低密度（2.76個(gè) /m² ）和極低密度（1.60個(gè) /m² ）6 種點(diǎn)云密度的數(shù)字高程模型（DEM），基于非地面點(diǎn)生成6種點(diǎn)云密度的數(shù)字表面模型（DSM），基于以上6種不同點(diǎn)云密度的DSM和DEM分別生成冠層高度模型（CHM），并對不同點(diǎn)云密度的CHM進(jìn)行圖像預(yù)處理。圖5

CHM生成時(shí)會因?yàn)楦叱讨诞a(chǎn)生突變或在轉(zhuǎn)換過程中使圖像產(chǎn)生一定的噪點(diǎn)，導(dǎo)致機(jī)器在判別樹冠頂點(diǎn)時(shí)產(chǎn)生誤判，研究利用Gauss濾波對CHM圖像進(jìn)行減噪處理。圖6

在生成CHM圖像時(shí)，柵格單元中會產(chǎn)生一些空洞，針對這些空洞進(jìn)行反距離權(quán)重插值（InverseDistanceWeight，IDW），避免出現(xiàn)提取空值。操作完成后，對CHM圖像進(jìn)行圖像增強(qiáng)處理，提高對比度，分離不同的單株樹冠。圖像增強(qiáng)技術(shù)是先統(tǒng)計(jì)每一個(gè)像素值在當(dāng)前所有像素中所占比例，以小于當(dāng)前像素值的其他像素所占比例作為增益系數(shù)，對當(dāng)前像素進(jìn)行增強(qiáng)。

式（2）中， V_e 為增強(qiáng)后像素值； V_c 為當(dāng)前像素值； V_i 為小于當(dāng)前像素值的像素值； P_i 為像素值所占比例； V_max 為圖像中最大像素值。通過將圖像增強(qiáng)技術(shù)，可以明顯提高樹冠間隙像素與樹冠內(nèi)部像素之間的對比度，有利于區(qū)分距離較近的不同樹冠。

1. 2.5 單木樹冠提取

目前，對單木樹冠提取的探測方法主要有兩大類：一類是根據(jù)樹冠形狀確定分割算法，例如U-net卷積神經(jīng)網(wǎng)絡(luò)模型、分水嶺算法及谷底跟蹤法，該類方法適用于對多數(shù)針葉樹種和闊葉樹種，但是對于密度較大的林分提取效果不佳；另一類是基于局部最大值算法，假設(shè)樹冠頂點(diǎn)接收的光照強(qiáng)度比樹冠邊緣接收的光照強(qiáng)度大，故而在影像中灰度值更大。因此，可以通過確定樹冠內(nèi)灰度值最大的地方即為樹冠頂點(diǎn)位置[20，21]。而針葉林的樹梢頂點(diǎn)相較于其他闊葉林更明顯，故此局部最大值算法在針葉林當(dāng)中更為適用[22]

局部最大值法分為固定窗口局部最大值和動態(tài)窗口局部最大值，固定窗口的優(yōu)勢是速度快，方法簡單易用，但是彈性不足，對樹冠差異較大的林分不具自適應(yīng)性。動態(tài)窗口局部最大值法由于探測窗口無固定性，可針對不同情況對窗口大小進(jìn)行調(diào)整。因此，動態(tài)窗口更能適應(yīng)具有異質(zhì)性的天然林

式中， γ（h） 為半方差； N（h） 為像元對個(gè)數(shù)；Z（X_i）-Z（Xi+h） 為任意像元對的光譜值之差， h 為2個(gè)像元對之間的距離。

研究區(qū)主要以天山云杉純林為主，且天山云杉屬于針葉樹種，在形態(tài)學(xué)上為圓錐形狀便于捕捉樹冠的最頂點(diǎn)，利用動態(tài)窗口局部最大值法能夠提高對單木識別的精度。此外，樣地實(shí)測時(shí)使用RTK進(jìn)行每木定位，可有效提高單株樹木位置及樹高信息估測的一致性。

1.2.6 精度評價(jià)

對研究區(qū)內(nèi)7個(gè)樣地233株天山云杉進(jìn)行每木檢尺，獲得實(shí)測樹高信息，與LiDAR點(diǎn)云數(shù)據(jù)估測樹高進(jìn)行線性回歸分析，采用 F，RMSE，MAE 和 RE 精度評價(jià)。其中， F 是置信橢圓檢驗(yàn)，表示當(dāng)預(yù)測值和實(shí)測值接近時(shí)，兩者之間存在近于過原點(diǎn)且斜率近似為1的直線，以此采用該橢圓。該方法在評價(jià)預(yù)測值和實(shí)測值之間是否具有一致性具有一定的可靠性[2]

式中， n 為預(yù)測樣本數(shù)； X_i 為預(yù)測集樣本估測值； a 為預(yù)測值與實(shí)測值擬合回歸直線截距； b 為預(yù)測值與實(shí)測值擬合回歸直線斜率。

均方根誤差（RMSE）、平均絕對誤差 （MAE） 二者數(shù)字越小代表預(yù)測值越可靠；相對誤差 （RE） 與預(yù)測精度 （EA） 能夠較好的反映預(yù)測值的可信程度。

式中， y_i 為實(shí)測值; 為預(yù)測值; y 為實(shí)測平均值； n 為樣本數(shù)。

2 結(jié)果與分析

2.1 單木識別結(jié)果

研究表明，隨著點(diǎn)云數(shù)據(jù)密度的不斷升高，對于單木的識別率也在不斷上升，點(diǎn)云密度從高密度到較低密度時(shí)，對單株樹木的識別率均達(dá)到了90% 以上，點(diǎn)云密度在 138.53～2.76 個(gè) 時(shí)激光點(diǎn)能夠有效落在樹冠范圍當(dāng)中，但是仍然存在單木漏測的現(xiàn)象，當(dāng)樣地坡度較大、地形起伏變化較劇烈時(shí)，會導(dǎo)致激光點(diǎn)被體型較大的樹木遮蔽，一些相對矮小的樹木不能被有效檢測。當(dāng)點(diǎn)云密度極低時(shí) （1.60↑↑/m² ），激光雷達(dá)的單木識別率僅有 70.8% ，不同點(diǎn)云密度下對漏測單木的胸徑分布范圍在 6.1～38.5cm ，對于漏測單木的樹高分布范圍在 5.9～30m ，不同點(diǎn)云密度下的CHM對于漏測單木胸徑樹高的敏感性差異不大，并且隨著點(diǎn)云密度的增加，漏測單木可以被越來越多的檢測出來，點(diǎn)云密度越大，對于單木的檢測會越來越準(zhǔn)確。

單株樹木漏測的共同之處是這些小樹樹梢埋在附近相對較大樹木的冠層中，兩者冠層重疊率較大，因此未能夠識別到漏檢單木。表2＼～3

2.2 激光雷達(dá)點(diǎn)云數(shù)據(jù)樹高提取

研究表明，使用點(diǎn)云數(shù)據(jù)對樣地單木樹高的估測值較實(shí)地測量的真實(shí)值有高有低，但普遍偏低，伴隨著點(diǎn)云密度逐漸增加，單木樹高提取的精度也在不斷增加，然而在密度增加到約57個(gè) 'm² 點(diǎn)云數(shù)據(jù)時(shí)，對樹高的估測精度達(dá)到最高，隨后先減小再增大。通過不同點(diǎn)云密度生成的CHM對研究區(qū)7個(gè)樣地提取單木樹高，由于天山云杉是研究區(qū)內(nèi)的優(yōu)勢樹種，且樣地選擇均為天山云杉純林，因此使用局部最大值動態(tài)窗口對天山云杉單木樹高提取的單木數(shù)量即為樣地內(nèi)天山云杉株樹，將樣地實(shí)測樹高與激光雷達(dá)點(diǎn)云數(shù)據(jù)估測樹高建立回歸關(guān)系，并使用R繪制激光雷達(dá)點(diǎn)云數(shù)據(jù)對樹高估測值的置信橢圓區(qū)間。

用置信橢圓檢驗(yàn) （F） 、擬合度（ R² ）、平均絕對誤差（MAE）、均方根誤差（RMSE）、相對誤差（RE） 對試驗(yàn)中233棵單木樹高提取結(jié)果進(jìn)行可靠性評價(jià)。

不同密度的點(diǎn)云數(shù)據(jù)對樣地實(shí)測樹高均呈線性關(guān)系，高密度、較高密度、中密度、低密度、較低密度和極低密度的斜率分別為 0.996，0.951 ！0.977、0.987、0.968 和0.858均接近于1，不同點(diǎn)云密度的激光雷達(dá)對樹高提取的平均精度分別為93.00% ） 92.21% ！ 93.28% ） 92.09% 、 92.48% 和89.00% ；均方根誤差（RMSE）分別為1.54、1.7、1.53，1.77，1.7 和 2.51m ；平均絕對誤差（ MAE ）分別為 $1 . 0 8 ＼ 、 1 . 1 5 ＼_ 1 . 1 7 ＼_ 1 . 3 3 ＼_ 1 . 3 3$ 和 2.47m ；相對誤差 （RE） 分別為 4.88%5.32%5.11%6% 、6.21% 和 12.13% ；置信橢圓檢驗(yàn) F 值分別為1.15 小于 F_0.05（2，228）=3.035，1.1 小于 F_0.05 （2，227）=3.036，1.09 小于 F_0.05 （2，218）=3.037、1.08小于 F_0.05（2，223）=3.036，2.76 小于F_0.05（2，221）=3.037，0.98 小于 F_0.05（2，163）= 3.051，F(xiàn) 檢驗(yàn)的臨界值表示了在給定顯著性水平下，拒絕原假設(shè)的界限。表4，圖7＼～8

前5種密度的點(diǎn)云數(shù)據(jù)對于單木樹高的提取精度無本質(zhì)性差異，平均精度均在 90% 以上，對于中密度即點(diǎn)云密度為57.66個(gè) /m² 時(shí)，均方根誤差和平均精度最佳，說明在該點(diǎn)云密度下提取的樹高值與實(shí)測樹高差異較小，擬合程度最高，到點(diǎn)云密度為1.60個(gè) ?/m² 時(shí)對樹高提取效果最差，RMSE僅有 2.51m 。在點(diǎn)云密度為初始密度時(shí)，激光雷達(dá)提取樹高的平均絕對誤差和相對誤差最小， MAE 的優(yōu)點(diǎn)是其對異常值的影響較小。綜合6種點(diǎn)云密度對估測單木樹高的優(yōu)劣程度進(jìn)行比較，最終得出除極低點(diǎn)云密度時(shí)估測值與實(shí)測樹高的擬合值 （R²） 均大于0.93，平均預(yù)測精度均達(dá)到了 92.01% 以上，但是在極低的點(diǎn)云密度下對樹高的估測值效果欠佳，擬合度僅有0.7546，單木識別率也僅有 70.8% 。

3討論

3.1試驗(yàn)研究表明，前5種密度的點(diǎn)云數(shù)據(jù)的單木識別率均在 90% 以上，其中識別率最高的為高密度點(diǎn)云，識別率為 98.7% ，與許天一等的研究結(jié)果相似，單木分割效果最差的為極低密度，識別率僅有 70% 。結(jié)合實(shí)地調(diào)查認(rèn)為，一是天山云杉作為天山山脈的建群種，樣地內(nèi)多為天山云杉純林，且其獨(dú)特的塔形樹冠相較于喬木不規(guī)則的樹冠更易識別，二是研究采用了慣導(dǎo)RTK每木定位，RTK能夠提供實(shí)時(shí)、高精度的定位信息，其每木定位的平均點(diǎn)位誤差為 0.143m ，可滿足每木定位的需要[23]，因此研究對單木分割的精度較高。通過天山云杉二元立木材積公式計(jì)算漏檢樹木材積得，最大漏檢胸徑為 38cm ，最大漏檢樹高為 30m ，最大材積為 0.135m³ ，占樣地水平蓄積比例較小，研究中的單木測定可以滿足蓄積估測。

3.2研究中對于提取研究區(qū)內(nèi)天山云杉樹高的最低點(diǎn)云密度為2.76個(gè) χ_m^′ 。許天一等基于UAV-LiDAR點(diǎn)云單木探測提取樹高的相對均方根誤差（rRMSE）在 3.14%～5.14% ，提取精度較高，較符合樣地實(shí)際樹高，趙朝賀等[24]利用機(jī)載LiDAR數(shù)據(jù)對淮安市堤防沿線的人工種植楊樹進(jìn)行了樹高提取，發(fā)現(xiàn)樣地平均高與野外實(shí)測值誤差在 1m 左右。董巍等[25基于機(jī)載激光雷達(dá)影像對新疆農(nóng)業(yè)大學(xué)實(shí)習(xí)林場的天山云杉利用基于點(diǎn)云、CHM和種子點(diǎn)分割3種算法進(jìn)行單木樹高信息提取，均方根誤差分別為0.825、1.568和1.548，均取得了較佳結(jié)果。經(jīng)統(tǒng)計(jì)分析發(fā)現(xiàn)，激光雷達(dá)點(diǎn)云數(shù)據(jù)在對林木樹高進(jìn)行提取時(shí)對于樹高在 10m 以下樹冠頂點(diǎn)表現(xiàn)的不敏感，此外樹木生長的越高，單木之間樹冠頂點(diǎn)遮擋的情況就越少，也就是使用無人機(jī)對林地內(nèi)單木提取的最佳范圍在 10m 以上。研究中，基于各點(diǎn)云密度生成的DSM和DEM的分辨率均設(shè)置為默認(rèn)值即0.4m ，因此基于DSM和DEM生成的CHM分辨率也為 0.4m 。

3.3試驗(yàn)研究通過RTK技術(shù)對樣地內(nèi)每木定位并記錄編號，RTK每木定位的平均水平和垂直誤差為 0.1m ，且受地形因素影響小，能夠準(zhǔn)確的對樣地內(nèi)樹木精確的每木定位，避免了提取樹高與實(shí)測樹高對應(yīng)不準(zhǔn)確的問題，有效減小了樹高提取誤差。使用小面積激光雷達(dá)系統(tǒng)會導(dǎo)致低估樹木高度[26]，DEM 的精度將直接影響CHM的精度，最終影響到對樹高提取的精度，除了由傳感器和所使用的方法與算法引起的誤差之外，由點(diǎn)云數(shù)據(jù)衍生的DEM的質(zhì)量受到數(shù)據(jù)特征的影響，如點(diǎn)密度、第一個(gè)或最后一個(gè)脈沖點(diǎn)、飛行高度和掃描角度，以及由于目標(biāo)復(fù)雜性特征引起的誤差，其中包括樣地類型、樣地平坦度、林分密度或林下植被的數(shù)量和高度等，點(diǎn)云密度可以被認(rèn)為是影響最大的因素[26] 。

3.4趙朝賀等[27]使用4種點(diǎn)云密度對樣地平均高進(jìn)行提取，模型結(jié)構(gòu)均相對較高。在實(shí)地?cái)?shù)據(jù)采集時(shí)，采集人員發(fā)現(xiàn)樣地內(nèi)會存在單株天山云杉在胸徑或胸徑以下發(fā)生分叉現(xiàn)象，且二者一般表現(xiàn)為一邊生長的迅速，胸徑樹高都很大，另一邊則較為細(xì)矮，隱藏在較大一側(cè)的樹冠內(nèi)部，導(dǎo)致距離較近的樹木發(fā)生樹冠重疊，或是存在一些林木格局為聚集型的樣地，樹冠間有明顯的相互遮擋。不同點(diǎn)云密度對模型擬合相關(guān)性及精度的影響差異不大。在一定時(shí)間內(nèi)使用各種激光雷達(dá)飛行配置（特別是不同的飛行高度和掃描角度）提取相同區(qū)域的實(shí)測樹高將是可取的，雖然這種方法不能完全模擬不同飛行所獲得的實(shí)際低估值，但是可以對不同的CHM中最重要的因素進(jìn)一步探究。更低的點(diǎn)云密度意味著點(diǎn)云數(shù)據(jù)獲取的成本更低，可以有效節(jié)約無人機(jī)在山地中的飛行時(shí)間，在一定的成本中獲得更大范圍的林地LiDAR點(diǎn)云數(shù)據(jù)，還可以縮短對原始點(diǎn)云數(shù)據(jù)的處理時(shí)間。此外，考慮到樹高提取結(jié)果對地面點(diǎn)的提取具有強(qiáng)烈的依賴性，并且地面點(diǎn)的準(zhǔn)確提取取決于樣地地形的復(fù)雜程度[28]

由于各樣地光照、地形以及林分密度等不同，導(dǎo)致無人機(jī)LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行單木分割及單木樹高提取的誤差也不同，因此在后續(xù)研究中應(yīng)考慮在不同點(diǎn)云密度下不同分辨率的CHM對單木識別及單木樹高提取精度的影響。

4結(jié)論

使用CHM影像對天山云杉林進(jìn)行單木識別是可行的，并隨著點(diǎn)云密度的增加，天山云杉天然針葉林單木識別率就越高。利用動態(tài)窗口的局部最大值法提出天山云杉樹冠頂點(diǎn)的效果最佳，在點(diǎn)云密度逐漸增加的過程中，對于樹高的提取精度表現(xiàn)出一種先上升再下降的過程，但是總體差別不大，平均提取樹高的精度達(dá)到了 92.01% ，最高精度可達(dá) 93.28% ，最低精度為 89.00% 。獲得高精度的冠層高度模型，最終得到受其他因素影響較小的單木樹高。當(dāng)點(diǎn)云數(shù)據(jù)為57.66個(gè) 'm² 時(shí)，LiDAR點(diǎn)云數(shù)據(jù)對單木樹高提取的精度最佳，到點(diǎn)云密度僅為1.6個(gè) '_m² 時(shí)，單木樹高提取的精度最差，對天山云杉單木樹高提取的最低點(diǎn)云密度為2.76個(gè)/ 左右。以最優(yōu)的組合（點(diǎn)云密度，CHM分辨率）最大限度的減小單木分割及單木樹高提取的誤差。以評估在大面積上盡可能以高的飛行高度和大的入射角度獲得低密度點(diǎn)云數(shù)據(jù)的可能。

參考文獻(xiàn)（References）

[1]王燕，趙士洞．天山云杉林生物生產(chǎn)力的地理分布[J]．植物 生態(tài)學(xué)報(bào)，2000，24（2）：186-190. WANG Yan，ZHAO Shidong.Productivity pattern ofPicea schrenkiana var. tianschanica forest[J]. Acta Phytoecologica Sinica，2000，24（2）：186-190.

[2］陳華豪.用 F=（1/2[n（a-A）-2+2（a-A）（b-B） sum from 1 from 檢驗(yàn)材積表適用性的推導(dǎo)［J].林 業(yè)資源管理，1980，（1）：18-24. CHEN Huahao. F=（1/2[n（a-A）-2+2（a-A）（b-B） （204號 sum from 1 from i=1ton[y_-l-（a+bx_-1）]～2） ofDerivationof suitability for testing volume tables[J]. Forestry resource management，1980， （1）：18-24.

[3］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. HAOHongke.Inversionofforest parametersbased on airborneLiDAR[D].Yangling：Northwest Aamp;FUniversity，2019.

[4]趙穎慧，楊海城，甄貞．基于ULS、TLS和超聲測高儀的天然 次生林中不同林冠層樹高估測[J].南京林業(yè)大學(xué)學(xué)報(bào)（自然 科學(xué)版），2021，45（4）：23-32. ZHAO Yinghui，YANG Haicheng， ZHEN Zhen. Tree height estimationsfordifferent forest canopiesinnatural secondary forests based on ULS，TLS and ultrasonic altimeter systems[J].Journal ofNanjing Forestry University（Natural SciencesEdition），2021， 45（4）：23-32.

[5］龐勇，李增元，陳爾學(xué)，等.激光雷達(dá)技術(shù)及其在林業(yè)上的 應(yīng)用[J]．林業(yè)科學(xué)，2005，41（3）：129-136. PANG Yong，LI Zengyuan，CHEN Erxue，et al. Lidar remote sensing technology and its application in forestry[J].Scientia Silvae Sinicae，2005，41（3）：129-136.

[6]許天一，甄貞，趙穎慧．基于UAV-LiDAR和誤差變量回歸 的落葉松人工林單木參數(shù)估測[J]．中南林業(yè)科技大學(xué)學(xué)報(bào)， 2023，43（7）：52-64. XU Tianyi，ZHEN Zhen，ZHAO Yinghui.Estimationof individual tree parameters of larch plantations based on UAV - LiDAR and error-in-variable regression[J]. Journal of Central South University of Forestry amp; Technology，2023，43（7） ： 52-64.

[7］代婷婷．基于UAV 和TLS的林木參數(shù)提取［D]．南京：南京 林業(yè)大學(xué)，2019. DAI Tingting. Extractionof tree parameters based on UAV and TLS[D].Nanjing：Nanjing Forestry University，2019.

[8］周燁，劉云波，鄭麗波，等．多平臺點(diǎn)云數(shù)據(jù)的單木參數(shù)提 取精度分析[J]．測繪通報(bào)，2022，（7）：168-172. ZHOU Ye，LIU Yunbo， ZHENG Libo，et al.Precision analysis of single tree parameter extraction for multi- platform point cloud data[J]. Bulltin of Surveying and Mapping，222，（7）：168- 172.

[9］王鑫運(yùn)，黃楊，邢艷秋，等．基于無人機(jī)高密度LiDAR 點(diǎn)云 的人工針葉林單木分割算法［J]．中南林業(yè)科技大學(xué)學(xué)報(bào)， 2022， 42（8）：66-77 WANG Xinyun，HUANG Yang， XING Yanqiu， et al. The single tree segmentation of UAV high-density LiDAR point cloud data based onconiferous plantations[J].Journal of Central South University of Forestryamp; Technology，2022，42（8）： 66-77.

[10］張翔，劉洋，玉山，等．基于無人機(jī)激光雷達(dá)和多光譜數(shù)據(jù) 的森林樹高提取方法研究[J]．森林工程，2023，39（1）：29 -36. ZHANG Xiang，LIU Yang，YU Shan， et al. Research on extractionmethod of forest tree height based onunmanned aerial vehicle LiDAR and multispectral data[J].Forest Enginering，2023，39 （1）：29 -36.

[11］胡天祺，王振錫，郝康迪，等．基于WorldView-3遙感影 像與機(jī)載LiDAR 的單木樹高提取[J]．干旱區(qū)資源與環(huán)境， 2022，36（10）：166-175. HU Tianqi，WANG Zhenxi，HAO Kangdi，et al.Extraction of individual tree height using WorldView-3 remote sensing images and airborne LiDAR[J]. Journal of Arid Land Resources and Environment，2022，36（10）：166-175.

[12］郭陽光，夏凱，楊垠輝，等．基于無人機(jī)影像的山核桃單木 檢測及冠幅與樹高的提取[J]．林業(yè)工程學(xué)報(bào)，2023，8（4）： 159 -166. GUO Yangguang， XIA Kai， YANG Yinhui， et al. Research on single tree detection and crown diameter and tree height extraction of pecan forestbased on UAV images[J]. Journal of Forestry Engineering，2023，8（4）： 159-166.

[13]余鑄.基于垂直結(jié)構(gòu)分類的機(jī)載激光雷達(dá)亞熱帶森林參數(shù)估 測和相容性模型[D]南寧：廣西大學(xué)，2022. YU Z. Estimation and compatibility model of airborne LiDAR subtropical forest parameters based on vertical structure classification [D].Nanning：Guangxi University，2022.

[14］潘存德．新疆山地天然林及其群落演替與更新[J]．新疆林 業(yè)，2020，（5）：8-14. PAN Cunde. Natural forests and their community succession and renewal in mountainous areas of Xinjiang[J].Forestry of Xinjiang，2020，（5） ： 8-14.

［15］趙夫群，李映萱．基于點(diǎn)重要性判斷的點(diǎn)云簡化[J]．計(jì)算 機(jī)系統(tǒng)應(yīng)用，2023，32（9）：197-202. ZHAO Fuqun，LI Yingxuan.Point cloud simplification based on point importance judgment[J]. Computer Systems and Applications，2023，32（9）：197-202.

[16]HuangF，Peng SY，Chen SY，et al. VO-LVV—a novel urbanregional living vegetation volume quantitative estimation model based on the voxel measurement method and an octree data structure[J].Remote Sensing，2022，14（4）：855.

[17]Huang Z， Yang X， Min J，et al. Colision detection algorithm on abrasive belt grinding blisk based on improved octree segmentation[J].The International Journal of Advanced Manufacturing Technology，2022，118（11）：4105-4121.

［18］劉瑋，李巖，賈科，等．非結(jié)構(gòu)環(huán)境下一種改進(jìn)的區(qū)域生長 點(diǎn)云分割方法[J]．科學(xué)技術(shù)與工程，2021，21（27）：11650 -11655. LIU Wei，LI Yan，JIA Ke，et al. An improved segmentation method of regional growth point cloud in unstructured environment [J]．Science Technology and Engineering，2021，21（27）： 11650 -11655.

[19]Zhang WM， QiJB，Wan P，et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J].Remote Sensing，2016，8（6） ： 501.

[20]Xu X J， Zhou Z S， Tang Y，et al. Individual tree crown detection from high spatial resolution imagery using arevised local maximum filtering[J].Remote Sensing of Environment，2021，258： 112397.

[21]Dralle K，Rudemo M.Automatic estimation of individual tree positions from aerial photos[J]．Canadian Journal of Forest Research，1997，27（11） ：1728-1736.

[22］張凝，張曉麗，葉栗．基于改進(jìn)爬峰法高分辨率遙感影像 分割的樹冠提取[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（12）：294- 300. ZHANG Ning，ZHANG Xiaoli，YE Li． Tree crown extraction based on segmentation of high -resolution remote sensing image improved peak-climbing algorithm[J].Transactionsof the ChineseSociety for Agricultural Machinery，2014，45（12）：294- 300.

[23]Hypp? J，Hypp? H，Leckie D，et al．Review of methods of small-footprint airborne laser scanningfor extracting forest inventorydata inboreal forests[J].International Journal ofRemote Sensing，2008，29（5）：1339-1366.

[24]LA Gaveau D，Hill RA.Quantifying canopy height underestimation by laser pulse penetration insmall-footprint airbome laser scanning data[J]. Canadian Journal of Remote Sensing，2003， 29（5） ： 650 -657.

[25]Gongalves - Seco，Gonzalez-Ferreiro，Dieguez- Aranda，et al.Assessing the attributes of high-density Eucalyptus globulus stands using airborne laser scanner data[J]. International Journal of Remote Sensing，2011，32（24）： 9821-9841.

[26]Goodwin NR， Coops NC，Culvenor D S.Assessment of forest

structurewithairborneLiDARandtheeffectsofplatformaltitude [J].RemoteSensingofEnvironment，2006，103（2）：140- 152.

[27］趙朝賀，王玉軍，楊禮平，等.基于機(jī)載LiDAR數(shù)據(jù)的株數(shù)及樹高提取[J].林業(yè)科技通訊，2023，（1）：78-80.ZHAOChaohe，WANGYujun，YANGLiping，etal.Tree num-berandheightextractionbasedonairborneLiDARdata[J].For-estScience and Technology，2023，（1）：78-80.

[28]董巍，王振錫，陳哲，等.基于機(jī)載激光雷達(dá)影像的天山云 杉林樹高提取算法研究[J]．新疆農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，44 （6）：455-9. DONGWei，WANGZhenxi，CHEN Ze，etal.Research ontree heightextractionalgorithmofSpruceforestin TianshanMountains basedonairborneLidarimages[J].JournalofXinjiang Agricultural University，2021，44（6）：455-9.

Abstract：【Objective】 Based on LiDAR point data of Tianshan sprucewith diffrent densities， canopy height model is used to extract individual tree height of spruce in Tianshan Mountains，and the extraction accuracy of ndividual tre height from LiDAR point data with diferent densities was compared and analyzed in the hope of providing a theoretical basis for the extraction of individual tree height in Xinjiang mountain natural forests.【Methods】 Basedon the practice forest farm of Xinjiang Agricultural University，Tianshan spruce was selectedas the research object.Combined with the measuring scale of each tree in the sample plot and the positioning of each tree in the sample plot by RTK，the digital surface model（DSM）and digital elevation model （DEM）were extracted by cloth analog filtering algorithm，and the canopy height model （CHM）was obtained bydiffrence between the two.Finally，the single tree heightof Tianshan spruce was obtained bythe above model.【Results】 The extracted Tianshan spruce density was ， the average accuracy was 93.28% ，the extraction effect was ，the fit degree was only O.754，6，the cloud density of single wood was ，the recognition rate was 98.7% ，the cloud density was 1.6 number/m2， and the recognition rate was 70.8% .【Conclusion】 DSM and DEM are extracted by cloth simulation filtering algorithm，and CHM has been calculated.If the point cloud density is about 2.76 number/m2，itcan be ffectively used as the single tree height extraction point cloud density with large investigation scope and limited cost，and the relevant technical requirements of forestry resource investigation are met.

Key words ：point cloud density； single tree height；cloth simulation filtering；RTK； single tree identifi-cation