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

趙穎慧，楊海城，甄 貞*

(1.東北林業(yè)大學(xué)林學(xué)院，黑龍江 哈爾濱 150040；2.東北林業(yè)大學(xué)森林生態(tài)系統(tǒng)可持續(xù)經(jīng)營教育部重點實驗室，黑龍江 哈爾濱 150040)

樹高是森林資源調(diào)查中的重要因子之一，與胸徑(DBH)和樹種等其他因子共同被廣泛用于估測無法以無損方式獲得的生物量等重要森林參數(shù)。在生物量模型構(gòu)建中加入樹高因子作為預(yù)測參數(shù)，可以顯著地提高生物量模型的估計精度[1-2]，因此，樹高因子測定的準確性至關(guān)重要。目前，樹高的實測方法通常是應(yīng)用測高儀進行實地測量，不僅費時費力，還受林況、測量者的經(jīng)驗及所使用的設(shè)備等多種因素影響[3]。

激光雷達(light detection and ranging, LiDAR)是一種主動遙感技術(shù)，其發(fā)射的激光脈沖在森林中具有很好的穿透性，高采樣密度LiDAR能夠獲取單木三維結(jié)構(gòu)特征，因此被廣泛用于林業(yè)研究[4]。無人機激光雷達數(shù)據(jù)(unmanned aerial vehicle laser scanning, ULS)是近年來新興的遙感數(shù)據(jù)，與機載激光雷達數(shù)據(jù)(airborne laser scanning, ALS)相比，具有更低的成本和更高的點云密度[5]，在森林冠層結(jié)構(gòu)估測中具有明顯的優(yōu)勢[6-7]。地基激光雷達(terrestrial laser scanning，TLS)生成的3D點云，能夠獲得高質(zhì)量的林下LiDAR影像，可準確地描述林下信息，用于精確提取林下結(jié)構(gòu)[8-10]。有學(xué)者使用TLS提取樹高并進行分析，認為TLS提取的樹高會低于實際值[11-13]。也有學(xué)者認為使用ALS提取的樹高，也會受點密度和森林結(jié)構(gòu)等影響而造成低估[14-15]。另外，Sibona等[16]測量了100株砍伐木樹高，并對砍伐木樹高與野外調(diào)查中使用測距儀獲得的樹高和使用ALS提取的樹高進行了比較，結(jié)果顯示ALS提取的樹高更接近真實值。Wang等[17]比較了ULS和TLS提取的樹高，結(jié)果表明ULS在樹高的估測方面優(yōu)于TLS。Wallace等[18]直接使用ULS點云生成冠層高度模型(canopy height model, CHM)，使用標記控制分水嶺算法單木分割提取樹高，結(jié)果表明樹高被低估了0.11 m。由此可見，基于單一數(shù)據(jù)源(ALS、ULS和TLS)提取樹高都有一定的局限性。

有學(xué)者將林分按照一定的樹木高度為分割點，分別采用不同數(shù)據(jù)源進行估測。例如，Wang等[19]分別用TLS和ALS提取的樹高與樣地實測樹高對比，結(jié)果表明：當(dāng)樹高小于15 m時，TLS提取的樹高與樣地實測樹高更接近；當(dāng)樹高大于15 m時，使用ALS提取的樹高更準確，但該樹高分割點(15 m)的選取比較主觀，僅適合應(yīng)用于芬蘭北部的松樹和樺樹混交林。另外，也有研究者認為樹高測量的誤差主要來自林冠層的遮蔽[20]。林冠層垂直結(jié)構(gòu)信息豐富，體現(xiàn)了森林植被在垂直方向上的層次性和空間配置方式，影響著樹木生長和下層植被分布[21-23]。胡文杰等[24]根據(jù)樣地調(diào)查數(shù)據(jù)，采用樹冠光競爭高度法將林分劃分為上林層、中林層和下林層。胡傳偉等[25]通過森林群落學(xué)調(diào)查的方法獲取數(shù)據(jù)，應(yīng)用聚類分析和生態(tài)位分析相結(jié)合的方法，研究了天然次生林的樹種組成與垂直結(jié)構(gòu)。對于激光雷達在林冠分層上的應(yīng)用，也有學(xué)者進行了研究[26-30]。有研究將冠層高度分布(camopy height distribution, CHD)用于對林分的冠層劃分，Maltamo等[31]使用改進的直方圖閾值法對CHD直方圖進行計算，實現(xiàn)了對冠層的分層。

綜上所述，以ALS、ULS和TLS單一數(shù)據(jù)源提取樹高的研究已十分常見，但大多數(shù)只是針對某一林分直接提取樹高，而對林分以CHD進行分層，并根據(jù)不同冠層結(jié)合不同數(shù)據(jù)源提取樹高的對比研究較少。因此，本研究以ULS、TLS和野外樣地調(diào)查實測樹高為數(shù)據(jù)源，以東北林業(yè)大學(xué)帽兒山實驗林場中林施業(yè)區(qū)50 m×50 m(0.25 hm2)樣地為研究對象，基于CHD對林冠層進行分層，針對不同樹木類型(針葉樹和闊葉樹)和不同林冠層(上層和下層)的單木進行樹高估測，分析在不同林冠層中應(yīng)用不同數(shù)據(jù)源探測提取樹高的異同，探索適用于中國北方天然次生林樹高估測的方法，為更準確地估測天然次生林樹高提供依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)為東北林業(yè)大學(xué)帽兒山實驗林場中林施業(yè)區(qū)50 m×50 m(0.25 hm2)方形樣地(127°34′15″E，45°21′29″N)。林場位于黑龍江省尚志市西北部，地處張廣才嶺西坡，屬于大陸性季風(fēng)氣候，植被是典型的東北天然次生林，原始地帶性頂級群落為紅松闊葉林。由于森林屢遭破壞，原始植被發(fā)生了逆向演替，形成了目前以珍貴闊葉林、楊樺林、柞木林等為主的天然次生林與紅松(Pinuskoraiensis)、落葉松(Larixgmelinii)、樟子松(Pinussylvestrisvar.mongolica)等人工林鑲嵌分布的森林景觀。

1.2 研究數(shù)據(jù)獲取

1.2.1 ULS數(shù)據(jù)

數(shù)據(jù)獲取時間為2019年7月，使用飛馬D200旋翼平臺的一體化高精度航測無人機系統(tǒng)，配備高精度LiDAR模塊(D-lidar200)。LiDAR傳感器(RIEGL mini VUX-1UAV)波長為905 nm，最大回波數(shù)為5，最大傳感器頻率為100 Hz，點云密度為104點/m2。

1.2.2 TLS數(shù)據(jù)

數(shù)據(jù)獲取時間為2019年10月，由麥格天泓公司開發(fā)的Trimble TX6高速三維激光掃描儀獲得，在樣地(50 m × 50 m)內(nèi)采用蛇形方式布設(shè)多個測點，原則上確保每一株樹都能360°接收到激光掃描儀掃描。高速三維激光掃描儀角度精度80 μrad，掃描速度50萬點/s，最小測程0.6 m，最大測程80 m，測量誤差±2 mm。

1.2.3 野外調(diào)查樣地數(shù)據(jù)

2018年7月在帽兒山林場中林施業(yè)區(qū)內(nèi)選擇包含多個優(yōu)勢樹種的50 m×50 m方形樣地，郁閉度為0.8，并于2019年7月復(fù)測。使用RTK(real time kinematic)記錄樣地中所有樹木冠頂(樹冠最高點)在地面上的投影坐標位置(誤差小于0.1 m)。以5 cm為起測徑階進行每木檢尺，記錄包括：胸徑、樹高、冠幅和樹種等因子。使用瑞典Hagolf公司生產(chǎn)的Vertex IV超聲測高儀獲取樹高。樣地中共記錄359株樣木，其中針葉樹144株，主要為紅松；闊葉樹215株，主要為榆樹(Ulmuspumila)、胡桃楸(Juglansmandshurica)、楊樹(PopulusL.)、水曲柳(Fraxinusmandshurica)和白樺(Betulaplatyphylla)等。樣地中不同樹木類型(針葉樹和闊葉樹)的胸徑、樹高和冠幅的統(tǒng)計特征見表1。

表1 樣地樹木統(tǒng)計特征

1.3 研究方法

1.3.1 數(shù)據(jù)預(yù)處理

ULS點云數(shù)據(jù)預(yù)處理包括：去噪、分離地面點和點云歸一化處理。首先對原始的點云數(shù)據(jù)去噪，之后采用漸進加密三角網(wǎng)算法進行濾波[32]，獲得地面點和非地面點。最后，使用地面點生成的數(shù)字高程模型(DEM)對點云進行歸一化處理，得到點云的高程值，若該點為樹頂，則其高程值可視為樹高。

TLS點云數(shù)據(jù)預(yù)處理包括：去除“飛點”、抽稀、分離地面點和歸一化處理。首先去除“飛點”，即噪點；其次，對點云數(shù)據(jù)采用八叉樹方法[33]進行“抽稀”，通過多次抽稀研究發(fā)現(xiàn)，采用13級八叉樹抽稀后獲得的數(shù)據(jù)運算量小又極大地保持了數(shù)據(jù)真實性；最后，采用漸進加密三角網(wǎng)算法對點云進行地面點濾波，然后做歸一化處理。

1.3.2 基于CHD的林冠分層

1.3.3 單木樹高的提取

本研究目的是探討不同林冠層中應(yīng)用不同數(shù)據(jù)源提取樹高的異同，為排除單木樹冠提取算法對結(jié)果的影響，本研究對ULS和TLS數(shù)據(jù)進行人工目視解譯，分離出單株樹并手動量取樹高[19]。當(dāng)使用ULS提取樹高時，有樹高交叉重疊現(xiàn)象：①如果交叉重疊不嚴重，本研究結(jié)合樣地調(diào)查的單木位置，直接提取樹高，計算誤差。②如果交叉重疊嚴重，頂層的點云數(shù)據(jù)是根據(jù)點云位置的最高點與實測樹高的位置匹配，提取樹高；下層的點云則根據(jù)單木冠型來判斷其樹頂點提取樹高，如果冠型難以識別，則記為識別失敗。

1.3.4 樹高離群值的剔除和比較評價

在對ULS和TLS數(shù)據(jù)探測提取的樹高與實測樹高進行比較之前，首先要剔除離群值。離群值表明如果3種數(shù)據(jù)源(ULS、TLS及ULS和TLS的交集)提取的樹高之間存在明顯差異，則存在測量錯誤，因此進行比較評價之前要對離群值進行分析[19]。由于樹高交叉重疊現(xiàn)象，在單木樹高提取中被錯誤識別的樹高也會因判定為離群值而被剔除。離群值的判斷方法如下：

(1)

(2)

剔除離群值后，將林冠層分上、下層，分別將ULS和TLS探測提取的單木樹高與樣地實測的單木樹高進行比較，評價指標包括均方根誤差[RMSE，式中記為σ(RMSE)]，相對均方根誤差[rRMSE，式中記為σ(rRMSE)]、偏離率[Bias，式中記為σ(Bias)]和相對偏離率[rBias，式中記為σ(rBias)][36]，計算公式分別為：

(3)

(4)

(5)

(6)

2 結(jié)果與分析

2.1 基于CHD曲線的林冠分層

對ULS點云切片后，以點云百分比為橫坐標，點云高度為縱坐標，繪制CHD曲線如圖1A所示。由Lloyd算法計算出的林冠上、下層之間的高度閾值為8.5 m。在CHD中，冠層的相對分布密度被描述為高度的函數(shù)[37]。結(jié)合由圖1B中的點云側(cè)視圖可以看出，在高度為0 m的位置存在少量點云，該區(qū)域可視為地面部分。在8 m以下的高度，點云百分比始終維持在較低的范圍，主要由于樣地中雖然存在大量低矮樹木，但也受到冠層的遮蔽，難以接收到ULS的掃描。隨著高度的增加，點云百分比逐漸增加，當(dāng)高度到達8.5 m時，點云數(shù)量急劇增大，說明此時樹木冠層更加密集，能接收到的點云數(shù)量增加。在9～12 m處為點云百分比較大的位置，結(jié)合ULS的掃描特點，可以認為大部分樹木的枝葉部分都集中在這個高度上，所以能夠獲得大量的點云回波，相應(yīng)地也會對該高度以下的位置有較強的遮蔽作用，在12 m以上，點云百分比逐漸減小，可以認為隨著冠層高度增加樹木逐漸稀疏，很少受到遮擋或不受其他樹木遮擋。

圖1 CHD曲線(A)和點云視圖(B)

2.2 離群值的剔除

按公式(1)、(2)對ULS和TLS探測提取的樹高離群值進行了剔除和比較，結(jié)果如表2所示。

表2 3種數(shù)據(jù)源的離群值統(tǒng)計

基于ULS數(shù)據(jù)的離群值共有30個，其中林冠上層有20個，林冠下層有10個。從樹木類型來看，產(chǎn)生離群值的有19株闊葉樹、11株針葉樹。

基于TLS數(shù)據(jù)的離群值共有11個，主要出現(xiàn)在林冠上層，在林冠下層僅有2株單木被判定為離群值。從樹木類型來看，產(chǎn)生離群值的主要是闊葉樹，針葉樹的離群值共有2個。與實測數(shù)據(jù)對比發(fā)現(xiàn)，在11個離群值中，有6個離群值出現(xiàn)在9～14 m的高度上，由圖1的CHD曲線圖可以發(fā)現(xiàn)，在這個高度上是點云百分比較大的位置，林冠層枝葉密集，容易產(chǎn)生誤判。此外，TLS數(shù)據(jù)對2株單木的樹高產(chǎn)生了高估，這2株單木都是闊葉樹，高度位于9～12 m的枝葉密度較大的林冠層中。

ULS數(shù)據(jù)與TLS數(shù)據(jù)產(chǎn)生的離群值交集共有3個，都是9～11 m林冠層的闊葉樹。

2.3 基于不同數(shù)據(jù)源的樹高比較

2.3.1 基于ULS的估測樹高與實測樹高比較

去掉ULS數(shù)據(jù)探測提取樹高的離群值后，共有245株單木，其中林冠上、下層分別有單木230、15株，與樣地實測樹高比較結(jié)果見表3。在ULS探測的單木中，林冠下層僅有1株針葉樹，所以并未對其指標進行計算。

表3 基于ULS的估測樹高和樣地實測樹高的比較

總體來看，應(yīng)用ULS數(shù)據(jù)提取的單木樹高和應(yīng)用超聲測高儀實測單木樹高之間的相關(guān)性很強，相關(guān)系數(shù)為0.97。應(yīng)用ULS數(shù)據(jù)提取的單木樹高存在低估現(xiàn)象，特別是闊葉樹被明顯低估了，rBias為-2.45%；針葉樹也存在略微的低估現(xiàn)象，rBias為-0.57%。從估測效果來看，針葉樹要比闊葉樹估測結(jié)果更接近實測樹高，針葉樹RMSE僅為0.41 m，闊葉樹為0.77 m；針葉樹rRMSE為3.44%，闊葉樹為6.23%。

由表3可知，在不同的林冠層中，不同樹木類型樹高的提取精度有所不同。在林冠上層，針葉樹和闊葉樹的相關(guān)系數(shù)都為0.97，應(yīng)用ULS提取的樹高都被低估了，總體rBias為-1.78%，其中闊葉樹樹高比針葉樹樹高低估得更嚴重一些，針葉樹的rBias為-0.57%，闊葉樹的rBias為-2.73%，在樹高的估測誤差(rRMSE)上，針葉樹要比闊葉樹的估測誤差小2.68%。在林冠下層，估測的闊葉樹樹高存在很大誤差，其RMSE為0.80 m，rRMSE為10.14%，比林冠上層闊葉樹的rRMSE約高出4%。在林冠下層，基于ULS提取的樹高和樣地實測樹高的相關(guān)性比林冠上層的相關(guān)性略低，但仍具有很強的相關(guān)性(R=0.90)。

應(yīng)用ULS數(shù)據(jù)估測的樹高與實測樹高比較得到的rRMSE隨冠層高度的變化見圖2。對于所有樹木來說，基于ULS提取的樹高誤差(rRMSE)在>9～11 m冠層范圍比≤9 m的范圍有了明顯的減小，rRMSE由10.46%減小到8.49%；在>11～13 m冠層范圍，估測樹高的rRMSE最小，僅為3.78%，這是由于在>11～13 m的冠層范圍，ULS點云和樣地實測均容易發(fā)現(xiàn)樹頂并測量樹高，因此具有較小的誤差；在13 m以上，隨著冠層高度升高，rRMSE略有升高，增加了約1.7%，上升的趨勢要遠小于林冠下層?；赨LS估測的闊葉樹誤差具有相同的變化規(guī)律，說明闊葉樹的誤差變化規(guī)律起主導(dǎo)作用。

圖2 基于ULS的估測樹高和樣地實測樹高的rRMSE隨冠層高度的變化

2.3.2 基于TLS的估測樹高與實測樹高比較

去掉TLS探測樹高的離群值后，共有單木280株，其中林冠上、下層分別有單木227、53株，與樣地實測樹高比較結(jié)果見表4。TLS對林冠下層探測提取的單木樹高的rRMSE要遠遠小于林冠上層樹高，相同林冠層中，針葉樹的rRMSE也要小于闊葉樹。

表4 基于TLS估測樹高和樣地實測樹高的比較

總體來看，TLS探測提取的樹高和樣地實測樹高之間的相關(guān)性很強，相關(guān)系數(shù)為0.98，針葉樹和闊葉樹均存在低估現(xiàn)象，特別是闊葉樹，其rBias為-4.07%，被明顯低估了，針葉樹也存在一定的低估現(xiàn)象，rBias為-2.51%。從估測效果來看，針葉樹要比闊葉樹的樹高估測更準確，針葉樹RMSE為0.60 m，闊葉樹為0.95 m；針葉樹rRMSE為5.62%，闊葉樹為8.30%。

由表4可知，在不同的林冠層中，不同樹木類型的樹高誤差也有所不同。在林冠上層，闊葉樹被低估的程度比針葉樹更明顯，闊葉樹的rBias為-4.70%，針葉樹的rBias為-3.23%。在估測誤差(rRMSE)上，闊葉樹比針葉樹誤差更大，rRMSE比針葉樹高2.69%；在林冠下層，TLS探測提取的針葉樹樹高誤差略小于闊葉樹，rRMSE比闊葉樹低1.16%，針葉樹和闊葉樹的rBias分別為2.00%和2.22%，存在高估現(xiàn)象。

應(yīng)用TLS數(shù)據(jù)估測的樹高與實測樹高比較得到的rRMSE隨冠層高度的變化見圖3?？傮w來看，隨著冠層高度的增加，基于TLS估測樹高誤差(rRMSE)也在不斷增加，在9 m冠層高度以上， rRMSE迅速增大，在>9～17 m的冠層高度上，rRMSE增加了約5.9%?；赥LS估測的闊葉樹和針葉樹樹高的誤差具有同樣的變化規(guī)律，闊葉樹樹高的rRMSE仍然主導(dǎo)著總體變化規(guī)律，而對于針葉樹來說，rRMSE變化更穩(wěn)定一些，rRMSE最小值出現(xiàn)在>7～9 m冠層范圍(3.23%)，最大值出現(xiàn)在>13 m冠層(5.52%)，變化幅度僅為2.29%，而闊葉樹樹高的誤差變化幅度高達6.71%。

圖3 基于TLS的估測樹高和樣地實測樹高的rRMSE隨冠層高度的變化

2.3.3 基于ULS和TLS估測樹高的比較

基于ULS估測樹高和基于TLS估測樹高的比較如表5所示。由于在林冠下層，應(yīng)用ULS僅探測到1株針葉樹，因此并未對其指標進行計算。

表5 基于ULS和TLS估測樹高的比較

由表5可知，分別基于ULS和TLS估測的樹高具有很好的相關(guān)性(總體相關(guān)系數(shù)為0.95)?？傮w而言，基于TLS估測的樹高要比基于ULS估測的樹高偏低，rBias為-3.56%，TLS和ULS探測提取的針葉樹和闊葉樹樹高相差不大，rRMSE僅相差0.18%。

由表5可知，在林冠上層，基于TLS估測的樹高要比基于ULS估測的樹高偏低，rBias為-3.60%，而在冠下層，基于TLS估測的樹高要比基于ULS估測的樹高偏高，rBias為0.69%。這是由于TLS和ULS均受到冠層遮蔽的影響，在林冠上層，TLS不能對樹頂進行完整掃描，因此TLS估測的樹高要比ULS估測的樹高偏低；在林冠下層，ULS對樹木掃描不充分，因此ULS估測的樹高要比TLS估測的樹高偏低。

分別應(yīng)用ULS和TLS數(shù)據(jù)估測樹高得到的rRMSE隨冠層高度的變化見圖4。由圖4可知，rRMSE變化范圍為5%～8%，在>9～13m冠層范圍的rRMSE最小(約為5%)，隨著冠層高度的增加或減小，rRMSE也逐漸增加。闊葉樹的rRMSE具有相同的變化規(guī)律，說明闊葉樹的誤差變化起主導(dǎo)作用。

圖4 基于ULS和TLS估測樹高的rRMSE隨高度的變化

3 討 論

3.1 基于CHD的林冠分層優(yōu)勢

傳統(tǒng)的林層劃分方法需以實測數(shù)據(jù)，并綜合考慮各林層每公頃蓄積量、相鄰林層間林木平均高、各林層平均胸徑以及主林層和其他林層的郁閉度人為地劃分[38]，容易受外部環(huán)境及人為主觀因素的影響，分層依據(jù)的數(shù)據(jù)為外業(yè)實測獲得，費時費力，不利于大面積推廣?；赨LS獲取的點云數(shù)據(jù)受外部環(huán)境干擾小，能客觀地描述林分冠層結(jié)構(gòu)。由ULS點云計算得到的CHD可以用來描述冠層元素的垂直分布情況，體現(xiàn)了森林植被在垂直方向上的層次性和空間配置方式[34]，本研究使用Lloyd算法計算CHD對林冠層進行分層也獲得了較好的研究結(jié)果，這與Maltamo等[31]的研究結(jié)果一致，因此，基于CHD對林冠層進行劃分能夠較好地反映不同數(shù)據(jù)源(ULS和TLS)估測樹高的適用范圍，而且計算簡便，可以應(yīng)用于大面積的估測，具有一定的推廣意義。

3.2 離群值產(chǎn)生的原因分析

ULS產(chǎn)生的離群值主要在林冠下層，是由于冠層的遮蔽對單木冠頂產(chǎn)生了誤判；而在林冠上層，對于部分樹冠相互交叉重疊的樹木，在人工解譯過程中難以正確判斷冠頂?shù)奈恢枚a(chǎn)生離群值。TLS產(chǎn)生的離群值大部分出現(xiàn)在林冠上層，與林冠層枝葉的密集程度密切相關(guān)，枝葉越密集，在TLS點云上越容易產(chǎn)生樹頂?shù)恼`判。特別是與周圍樹冠的相互交叉給TLS的樹高提取帶來了困難，由此產(chǎn)生了離群值。實測樹高的誤差也有可能產(chǎn)生離群值，比如具有偏冠、歪斜的單木，有可能在野外調(diào)查中冠頂定位發(fā)生了偏移，從而產(chǎn)生了離群值。與LiDAR系統(tǒng)相比，野外樣地調(diào)查中受多種條件的影響，包括樹種、冠層密集程度和樹冠的形狀等，這些因素都會對單木樹高的精度產(chǎn)生影響[3]。本研究的結(jié)果與Wang等[19]的研究結(jié)果相似：ULS提取樹高的離群值主要是由樹冠部分被覆蓋的單木引起，TLS提取樹高的離群值出現(xiàn)在高林分密度(2 000株/hm2)的優(yōu)勢木中，由于TLS視角的原因，容易產(chǎn)生系統(tǒng)性低估。

3.3 不同數(shù)據(jù)源對樹高估測精度的影響

無論在林冠上層還是林冠下層，針葉樹和闊葉樹樹高的所有評價指標(RMSE、rRMSE、Bias、rBias和Pearson相關(guān)系數(shù))均大體相同，說明對于不同樹木種類(針葉樹和闊葉樹)，基于ULS估測的樹高與TLS相比，誤差沒有明顯波動；隨著冠層高度的增加，rRMSE均逐漸增加。這主要是由于樹木越高，TLS越不容易掃描到樹頂，與ULS的一致性逐漸減??；而樹高越低，ULS越不容易掃描到樹頂，與TLS的一致性也減小。這種一致性的變化規(guī)律表明：當(dāng)TLS和ULS均能對單木進行準確的掃描時，均具有準確提取樹高的能力[19]。

在不同的林冠層中，ULS和TLS提取的不同樹木類型的樹高精度有所不同。由表3和表4中對于ULS和TLS在林冠上層提取的樹高精度進行交叉比較發(fā)現(xiàn)，在林冠上層，ULS比TLS估測的樹高更接近實測樹高，rRMSE相差2.56%，且ULS和TLS提取的針葉樹樹高要比闊葉樹樹高更接近實測樹高。由于冠層的遮擋，TLS并不能很好地對冠層上部特別是樹頂進行掃描，在本研究中的rBias約為-6.50%，存在低估現(xiàn)象，這與文獻[11-12]的研究結(jié)果一致。在>9～17 m的冠層高度上，rRMSE持續(xù)增大，增加了約5.9%，說明高度越高，TLS點云數(shù)字化能力越弱，提取的樹高誤差越大。這種現(xiàn)象在闊葉樹中的表現(xiàn)非常明顯，而林冠上層的針葉樹情況稍好，但是在點云中也存在樹頂數(shù)字化不完全的情況。本研究中，ULS估測的rRMSE在林冠上層增加了約1.7%，有逐漸增大的趨勢，推測有兩點原因：一方面，林冠上層的樹冠有交叉重疊的現(xiàn)象，影響了ULS對冠頂點的識別；另一方面，有可能是切線法測樹高的缺陷造成的，即超聲測高儀很難正確瞄準高大闊葉樹的頂點而造成估測結(jié)果偏高，且冠層越高趨勢越明顯[3]。在林冠下層，由于林冠層的遮擋，ULS對下層大部分樹木掃描不充分，探測到的數(shù)量比較少，而且難以確定冠頂點的位置，rRMSE達到了10.14%，與實測的樹高相比誤差較大。對表3和表4中ULS和TLS在林冠下層提取的樹高精度進行交叉比較發(fā)現(xiàn)，ULS與TLS探測提取的樹高相比，rRMSE高6.31%。對于TLS來說，林冠下層無論針葉樹還是闊葉樹的rRMSE均穩(wěn)定在3%～5%，說明TLS在林冠下層能比較穩(wěn)定地估測樹高，且針葉樹樹高的rRMSE比闊葉樹減少了約1.2%。在林冠下層樹木枝葉密集，對于部分樹冠相互交叉的樹木，在ULS和TLS點云上很難正確發(fā)現(xiàn)樹頂點，這種現(xiàn)象在闊葉樹表現(xiàn)得更加明顯，因為闊葉樹的樹冠更容易相互交叉，而大部分針葉樹有規(guī)則的冠型，樹頂更容易被識別。

參考文獻（reference）：

[1]ZHAO D H, KANE M, MARKEWITZ D, et al. Additive tree biomass equations for midrotation loblolly pine plantations[J]. For Sci, 2015, 61(4): 613-623. DOI:10.5849/forsci.14-193.

[2]ZOU W T, ZENG W S, ZHANG L J, et al. Modeling crown biomass for four pine species in China[J]. Forests, 2015, 6(12): 433-449. DOI:10.3390/f6020433.

[3]LARJAVAARA M, MULLER-LANDAU H C, METCALF J. Measuring tree height: a quantitative comparison of two common field methods in a moist tropical forest[J]. Methods Ecol Evol, 2013, 4(9): 793-801. DOI:10.1111/2041-210x.12071.

[4]ZHEN Z, QUACKENBUSH L J, ZHANG L J. Trends in automatic individual tree crown detection and delineation: evolution of LiDAR data[J]. Remote Sens, 2016, 8(4): 333. DOI:10.3390/rs8040333.

[5]ANDERSON K, GASTON K J. Lightweight unmanned aerial vehicles will revolutionize spatial ecology[J]. Front Ecol Environ, 2013, 11(3): 138-146. DOI: 10.1890/120150.

[7]WALLACE L, LUCIEER A, WATSON C, et al. Development of a UAV-LiDAR system with application to forest inventory[J]. Remote Sens, 2012, 4(6): 1519-1543. DOI: 10.3390/rs4061519.

[8]HOPKINSON C, CHASMER L, YOUNG-POW C, et al. Assessing forest metrics with a ground-based scanning lidar[J]. Can J For Res, 2004, 34(3): 573-583. DOI: 10.1139/x03-225.

[9]PFEIFER N, WNTERHALDER D. Modelling of tree cross sections from terrestrial laser scanning data with free-form curves[J]. Pro of Isp Wor Las Sca for For and Lan Ass, 2004, 36(8): 76-81. DOI: 10.1109/TEST.2004.1387399.

[10]熊妮娜, 王佳. 基于地基激光雷達的活立木材積提取算法[J]. 林業(yè)工程學(xué)報， 2020， 5(6)： 143-148. XIONG N N, WANG J. Extratction algorithm for stand volume using ground-based laser scanner[J]. J For Eng, 2020, 5(6): 143-148. DOI:10.13360/j.issn.2096-1359.202001035.

[11]BREDE B, LAU A, BARTHOLOMEUS H, et al. Comparing Riegl Ricopter UAV LiDAR derived canopy height and DBH with terrestrial LiDAR[J]. Sensors, 2017, 17(10): 2371. DOI: 10.3390/s17102371.

[12]李丹, 龐勇, 岳彩榮, 等. 基于TLS數(shù)據(jù)的單木胸徑和樹高提取研究[J]. 北京林業(yè)大學(xué)學(xué)報, 2012, 34: 79-86. LI D, PANG Y, YUE C R, et al. Extraction of DBH and height of single tree based on TLS data[J]. Journal of Beijing Forestry University, 2012, 34: 79-86. DOI:10.13332/j.1000-1522.2012.04.027.

[13]BEYENE S M, HUSSIN Y A, KLOOSTERMAN H E, et al. Fo-rest inventory and aboveground biomass estimation with terrestrial LiDAR in the tropical forest of Malaysia[J]. Can J Remote Sens, 2020, 46(2): 130-145. DOI:10.1080/07038992.2020.1759036.

[14]GOODWIN N R, COOPS N C, CULVENOR D S. Assessment of forest structure with airborne LiDAR and the effects of platform altitude[J]. Remote Sens Environ, 2006, 103(2): 140-152. DOI:10.1016/j.rse.2006.03.003.

[15]ANDERSEN H E, REUTEBUCH S E, MCGAUGHEY R J. A rigorous assessment of tree height measurements obtained using airborne lidar and conventional field methods[J]. Can J Remote Sens, 2006, 32(5): 355-366. DOI: 10.5589/m06-030.

[16]SIBONA E, VITALI A, MELONI F, et al. Direct measurement of tree height provides different results on the assessment of LiDAR accuracy[J]. Forests, 2016, 8(1): 7. DOI: 10.3390/f8010007.

[18]WALLACE L, MUSK R, LUCIEER A. An assessment of the repeatability of automatic forest inventory metrics derived from UAV-borne laser scanning data[J]. IEEE Trans Geosci Remote Sens, 2014, 52(11): 7160-7169. DOI:10.1109/TGRS.2014.2308208.

[20]VAGLIO LAURIN G, DING J Q, DISNEY M, et al. Tree height in tropical forest as measured by different ground, proximal, and remote sensing instruments, and impacts on above ground biomass estimates[J]. Int J Appl Earth Obs Geoinformation, 2019, 82: 101899. DOI:10.1016/j.jag.2019.101899.

[21]TANABE S I, TODA M J, VINOKUROVA A V. Tree shape, fo-rest structure and diversity of drosophilid community: comparison between boreal and temperate birch forests[J]. Ecol Res, 2001, 16(3): 369-385. DOI: 10.1046/j.1440-1703.2001.00402.x.

[22]MIURA N, JONES S D. Characterizing forest ecological structure using pulse types and heights of airborne laser scanning[J]. Remote Sens Environ, 2010, 114(5): 1069-1076. DOI: 10.1016/j.rse.2009.12.017.

[23]郎春博, 賈鶴鳴, 邢致愷, 等 . 基于改進粒子群算法的植物冠層圖像分割[J]. 森林工程,2019,35(1):47-52. LANG C B, JIA H M, XING Z K，et al. Multi threshold segmentation of plant canopy image based on improved particle swarm optimization[J]. Forest Engineering,2019,35(1):47-52.

[24]胡文杰, 崔鴻俠, 王曉榮, 等. 三峽庫區(qū)馬尾松次生林林分結(jié)構(gòu)特征分析[J]. 南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版), 2019, 43(3): 67-76. HU W J, CUI H X, WANG X R, et al. Structure characteristics ofPinusmassonianasecondary forest in the Three Reservoir Area[J]. J Nanjing For Univ (Nat Sci Ed), 2019, 43(3): 67-76. DOI:10.3969/j.issn.1000-2006.201805075.

[25]胡傳偉, 孫冰, 莊梅梅, 等. 深圳羊臺山近自然風(fēng)景林樹種組成與垂直結(jié)構(gòu)[J]. 南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版), 2010, 34(4): 112-116. HU C W, SUN B, ZHUANG M M, et al. Study on species composition and vertical structure of near-nature scenic forest in Mt.Yangtai, Shenzhen[J]. J Nanjing For Univ (Nat Sci Ed), 2010, 34(4): 112-116. DOI: 10.3969/j.issn.1000-2006.2010.04.025.

[26]ZIMBLE D A, EVANS D L, CARLSON G C, et al. Characterizing vertical forest structure using small-footprint airborne LiDAR[J]. Remote Sens Environ, 2003, 87(2/3): 171-182. DOI: 10.1016/S0034-4257(03)00139-1.

[27]趙靜, 李靜, 柳欽火. 森林垂直結(jié)構(gòu)參數(shù)遙感反演綜述[J]. 遙感學(xué)報, 2013, 17(4): 697-716. ZHAO J, LI J, LIU Q H. Review of forest vertical structure parameter inversion based on remote sensing technology[J]. J Remote Sens, 2013, 17(4): 697-716. DOI:10.11834/jrs.20132183.

[28]ZHAO K G, POPESCU S, NELSON R. Lidar remote sensing of forest biomass: a scale-invariant estimation approach using airborne lasers[J]. Remote Sens Environ, 2009, 113(1): 182-196. DOI:10.1016/j.rse.2008.09.009.

[29]QIN H M, WANG C, XI X H, et al. Simulating the effects of the airborne lidar scanning angle, flying altitude, and pulse density for forest foliage profile retrieval[J]. Appl Sci, 2017, 7(7): 712. DOI:10.3390/app7070712.

[30]LEFSKY M A, COHEN W B, ACKER S A, et al. Lidar remote sensing of the canopy structure and biophysical properties of Douglas-fir western hemlock forests[J]. Remote Sens Environ, 1999, 70(3): 339-361. DOI: 10.1016/S0034-4257(99)00052-8.

[31]MALTAMO M, PACKALéN P, YU X, et al. Identifying and quantifying structural characteristics of heterogeneous boreal forests using laser scanner data[J]. For Ecol Manag, 2005, 216(1/2/3): 41-50. DOI:10.1016/j.foreco.2005.05.034.

[32]ZHAO X Q, GUO Q H, SU Y J, et al. Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas[J]. ISPRS J Photogramm Remote Sens, 2016, 117: 79-91. DOI:10.1016/j.isprsjprs.2016.03.016.

[33]SCHNABEL R, KLEIN R. Octree-based point-cloud compression[C]//Eur Sym Point-Based Gra, 2006: 111-120. DOI: 10.2312/SPBG/SPBG06/111-120.

[34]劉浩, 張崢男, 曹林. 機載激光雷達森林垂直結(jié)構(gòu)剖面參數(shù)的沿海平原人工林林分特征反演[J]. 遙感學(xué)報, 2018, 22(5): 872-888. LIU H, ZHANG Z N, CAO L. Estimating forest stand characteristics in a coastal plain forest plantation based on vertical structure profile parameters derived from ALS data[J]. J Remote Sens, 2018, 22(5): 872-888. DOI:10.11834/jrs.20187465.

[35]LLOYD S. Least squares quantization in PCM[J]. IEEE Trans Inf Theory, 1982, 28(2): 129-137. DOI:10.1109/TIT.1982.1056489.

[36]BAZEZEW M N, HUSSIN Y A, KLOOSTERMAN E H. Integrating airborne LiDAR and terrestrial laser scanner forest parameters for accurate above-ground biomass/carbon estimation in Ayer Hitam tropical forest, Malaysia[J]. Int J Appl Earth Obs Geoinformation, 2018, 73: 638-652. DOI:10.1016/j.jag.2018.07.026.

[37]LEFSKY M A, COHEN W B, ACKER S A, et al. Lidar remote sensing of forest canopy structure and related biophysical parameters at H. J. Andrews Experimental Forest, Oregon, USA[C]//IGARSS ’98. Sensing and Managing the Environment. 1998 IEEE International Geoscience and Remote Sensing. Symposium Proceedings. (Cat. No. 98CH36174). July 6-10, 1998, Seattle, WA, USA. IEEE, 1998: 1252-1254. DOI:10.1109/IGARSS.1998.691367.

[38]李鳳日. 測樹學(xué)[M]. 4版. 北京: 中國林業(yè)出版社, 2019:64. LI F R．Forest mensuration[M]．4th ed. Beijing：China Forestry Publishing House，2019: 64．