基于無人機(jī)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(xué)地理空間信息技術(shù)國家地方聯(lián)合工程研究中心， 福州 350116；2.福州大學(xué)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(gòu)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(guān)鍵的步驟之一[1-2]。

光學(xué)影像與激光雷達(dá)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(xué)影像主要反映樹冠的二維信息，而激光雷達(dá)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(jié)構(gòu)信息，因此具有無可比擬的優(yōu)勢?；诩す恻c云的ITCD策略通常將三維點云轉(zhuǎn)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(zhuǎn)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(biāo)記分水嶺分割算法[7]等分割方案得以應(yīng)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(xué)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(jī)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(biāo)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(dá)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(jī)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(jì)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(dá)，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(dá)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(zhǔn)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(yīng)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(jìn)的種子區(qū)域生長算法，對單木進(jìn)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(jié)果；同時，嘗試提取單木的坐標(biāo)、冠幅和樹高等參數(shù)，選取冠幅的提取結(jié)果進(jìn)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(jié)構(gòu)復(fù)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(jī)在苗圃地上空60 m處進(jìn)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(dá)90%的RGB影像135張。使用計算機(jī)視覺和攝影測量軟件Pix4DMapper 2.1，對這些影像進(jìn)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(lán)色圓點和矩形代表了無人機(jī)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(yù)處理，第2部分是單木提取，第3部分是實驗結(jié)果與精度驗證。

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

預(yù)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(guān)鍵的是要準(zhǔn)確地擬合待研究區(qū)域的地形；單木提取應(yīng)用改進(jìn)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(shè)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(gòu)”單木樹冠達(dá)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(jié)果的間接驗證，也是基于手繪的樹冠輪廓進(jìn)行的。

2.1 預(yù)處理

CHM是一個表達(dá)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(jié)構(gòu)參數(shù)或森林生物量反演的關(guān)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(yīng)的地形貢獻(xiàn)，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(jié)構(gòu)，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(yù)處理步驟如下：① 在CloudCompare軟件[20]中以隨機(jī)采樣的方式，對原始點云樣本進(jìn)行抽?。徊捎镁S也納技術(shù)大學(xué)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(jìn)式形態(tài)學(xué)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(bǔ)點云 “空洞”，并生成柵格DEM。④ 將點云Z值坐標(biāo)與DEM對應(yīng)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(jìn)行“填凹”處理，采用一種先對CHM進(jìn)行局部最大值濾波，再進(jìn)行均值濾波的復(fù)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(jìn)自文獻(xiàn)[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(jìn)行重構(gòu)，進(jìn)而達(dá)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?。悍N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(yù)設(shè)的最低樹高閾值的點作為種子點。②初始區(qū)域標(biāo)記：標(biāo)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(zhǔn)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(yīng)種子點的水平距離是否小于預(yù)設(shè)的最大冠徑；判斷各鄰接點的高程是否大于預(yù)設(shè)的高差值。若鄰接點同時滿足以上條件，則被標(biāo)記為新的種子點(樹冠點)；對所有非種子點重復(fù)以上過程，直到所有非種子點被歸類完畢。④標(biāo)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(biāo)準(zhǔn)，由初始種子點生長形成的區(qū)域)內(nèi)的中心點坐標(biāo)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(gòu)單木形態(tài)，即可獲得三維的分割效果。

2.3 結(jié)果與驗證

對實驗結(jié)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(biāo)準(zhǔn)和單木點精度驗證標(biāo)準(zhǔn)。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(biāo)，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(dāng)前和今后一個時期，既是水利改革發(fā)展搶抓機(jī)遇的黃金期，也是負(fù)重前行的攻堅期。能否實現(xiàn)跨越發(fā)展，頂層設(shè)計至關(guān)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(yuǎn)發(fā)展之路成為會議焦點，強(qiáng)調(diào)“水利改革發(fā)展頂層設(shè)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(jié)講話，以利于廣大水利工作者深入學(xué)習(xí)領(lǐng)會其精髓，并付諸實踐，為推進(jìn)水利跨越發(fā)展作出更大貢獻(xiàn)。

(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(jié)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(jié)果分成4類(圖4)。

圖3 樹頂點探測結(jié)果Fig.3 Tree top dectection results

當(dāng)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(dāng)個數(shù)比大于1時被視為過檢；當(dāng)個數(shù)比為無窮大時，被視為錯檢；當(dāng)個數(shù)比為0時，被視為漏檢。

依此規(guī)則，統(tǒng)計分析結(jié)果如表1所示。

圖4 單木樹頂點檢測結(jié)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(jìn)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(jié)果見圖5。

圖5 樹冠勾繪結(jié)果Fig.5 Tree crown delineation results

F測度的計算需要對樹冠勾繪的結(jié)果進(jìn)行分類，以手繪的結(jié)果為參考，圖5中樹冠分割結(jié)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(jié)果分類Fig.6 Classification of individual tree crown delineation results

設(shè)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(jié)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(rèn)為是正確的樹冠提取結(jié)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(jié)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(jìn)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(jī)賦予不同顏色；這樣以CHM點云“重構(gòu)”CHM柵格上的單木二維樹冠，達(dá)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(jié)果，其中圖7c中不同顏色代表不同的樹。

表2 樹冠勾繪結(jié)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(jié)果Fig.7 3D segmentation results of individual tree crowns

2.3.4單木結(jié)構(gòu)參數(shù)提取

基于2.3.2節(jié)的方法，樹頂探測結(jié)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(jié)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(jié)果，主要包括樹高、冠面積、冠幅和冠周長。

基于表3的結(jié)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(jié)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(dá)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(jié)果Tab.3 Extraction results of individual tree crown parameters

圖8 單木樹冠冠幅提取結(jié)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(xì)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(fù)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(zhǔn)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(jié)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(yù)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(guān)性研究中，估測冠幅RMSE為0.444 m。本文樹冠估測結(jié)果的均方根誤差則達(dá)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(jié)果更加準(zhǔn)確，可達(dá)到0.06 m。

基于無人機(jī)獲取影像的遙感方式具有機(jī)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(zhǔn)確，其對提取結(jié)果的精度和準(zhǔn)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(jī)載或地面激光雷達(dá)掃描獲得的DEM，或?qū)崪y得到的地形圖)作為補(bǔ)充，結(jié)合無人機(jī)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(jié)束語

以某林場內(nèi)的苗圃地作為研究對象，基于無人機(jī)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(jié)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(dá)到了89%以上，對單木冠幅的提取精度達(dá)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(jìn)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(jī)械學(xué)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(xué)院學(xué)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(jī)械學(xué)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(jī)載LiDAR高差和高分影像的城市樹冠提取比較[J]. 遙感技術(shù)與應(yīng)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(jī)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(jī)高分辨率影像進(jìn)行樹木高度提取[J]. 北京林業(yè)大學(xué)學(xué)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(yù)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(guān)性研究[J]. 林業(yè)科學(xué)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)