王小玲 宋 坤,2,3 王子斐 達(dá)良俊,2,3 Martin Mokro?

（1. 華東師范大學(xué)生態(tài)與環(huán)境科學(xué)學(xué)院，浙江天童森林生態(tài)系統(tǒng)國(guó)家野外科學(xué)觀測(cè)研究站，上海 200241；2. 上海市城市化生態(tài)過(guò)程與生態(tài)恢復(fù)重點(diǎn)實(shí)驗(yàn)室，上海 200241；3. 崇明生態(tài)研究院，上海 200062；4. 捷克布拉格生命科學(xué)大學(xué)林業(yè)和木材科學(xué)學(xué)院，捷克 布拉格 16500；5. 茲沃倫技術(shù)大學(xué)林學(xué)院，斯洛伐克 茲沃倫 96001）

城市森林為居民提供了多重生態(tài)系統(tǒng)服務(wù)，包括降溫增濕、凈化空氣和游憩休閑等，評(píng)估城市森林資源的時(shí)空變化對(duì)理解多重生態(tài)系統(tǒng)服務(wù)和森林資源管理至關(guān)重要[1-2]。在城市森林資源調(diào)查中，樹干胸徑（DBH）可與樹高、材積和生物量等相關(guān)聯(lián)，對(duì)于經(jīng)濟(jì)效益建模[3]、空氣污染凈化[4-5]和緩解城市熱島效應(yīng)都具有一定影響，因此DBH是城市森林調(diào)查中重要的樹木參數(shù)。傳統(tǒng)野外調(diào)查依賴于人工，費(fèi)時(shí)費(fèi)力，主觀性強(qiáng)，且無(wú)法得到樹木三維信息。遙感技術(shù)的出現(xiàn)，使森林資源調(diào)查技術(shù)具有更多選擇[6-7]。在基于遙感技術(shù)的森林資源調(diào)查中，地基激光雷達(dá)技術(shù)能夠以點(diǎn)云的形式較準(zhǔn)確地估算出DBH，樹高和生物量等[8]，被認(rèn)為是最精確的地面遙感技術(shù)之一。在我國(guó)，激光雷達(dá)掃描技術(shù)在森林調(diào)查中已備受關(guān)注，龐勇等[8]和郭慶華等[9]分別進(jìn)行了激光雷達(dá)技術(shù)在森林資源調(diào)查中適用性的綜述研究。然而，地基激光雷達(dá)技術(shù)的花費(fèi)仍然較昂貴，在森林調(diào)查中需要具備專業(yè)知識(shí)的技術(shù)人員，且模型結(jié)果無(wú)法體現(xiàn)樹木紋理。因此，其他遙感技術(shù)如移動(dòng)激光雷達(dá)（MLS）[10]和近景攝影測(cè)量技術(shù)（CRP）[11]獲得越來(lái)越多的關(guān)注。

近年來(lái)，隨著圖像匹配算法和計(jì)算機(jī)硬件的發(fā)展，基于運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)（SfM）算法的近景攝影測(cè)量技術(shù)成為一種地面遙感技術(shù)新方法。該方法與激光雷達(dá)昂貴的硬件設(shè)備相比，僅需要消費(fèi)級(jí)相機(jī)，且基于該方法的DBH評(píng)估值在森林資源調(diào)查允許誤差范圍內(nèi)（RMSE=0.91～6.79 cm）[11-15]。在SfM算法還沒出現(xiàn)以前，國(guó)內(nèi)對(duì)數(shù)字近景攝影測(cè)量技術(shù)在森林調(diào)查上的應(yīng)用已有一定研究[16-19]，馮仲科等[19]將精準(zhǔn)測(cè)量?jī)x器應(yīng)用于林業(yè)調(diào)查，最早提出“精準(zhǔn)林業(yè)”的概念并強(qiáng)調(diào)用普通相機(jī)進(jìn)行攝影測(cè)量意義重大；王秀美等[16]基于數(shù)字?jǐn)z影測(cè)量技術(shù)，建立了森林照片處理系統(tǒng)；劉金成等[20]通過(guò)CCD鏡頭結(jié)合高精度定位模塊建立三維點(diǎn)云測(cè)量了北京香山公園人工林樹木位置、胸徑和樹高。然而，以往的數(shù)字近景攝影測(cè)量技術(shù)需要繁瑣的控制測(cè)量和相機(jī)參數(shù)獲取步驟。SfM算法中場(chǎng)景幾何形狀、攝像機(jī)位置和方向均可自動(dòng)處理。SfM算法以其高精度和低廉的價(jià)格正受到國(guó)外林業(yè)學(xué)者的重視[21]，國(guó)內(nèi)對(duì)SfM算法在森林調(diào)查上的應(yīng)用關(guān)注較少。SfM算法起源于20世紀(jì)90年代的計(jì)算機(jī)視覺領(lǐng)域[22]。在21世紀(jì)初，基于該算法的三維場(chǎng)景重建技術(shù)得到迅速發(fā)展[23]。Westoby等[24]基于SfM算法進(jìn)行礦山三維場(chǎng)景重建并進(jìn)行攝影測(cè)量實(shí)踐，獲得了精度較高的數(shù)字高程模型，SfM算法在各個(gè)領(lǐng)域的應(yīng)用由此展開[24-26]，涉及航空和地面攝影測(cè)量。Liang等[12]首次在林業(yè)調(diào)查中應(yīng)用SfM算法并提取樹干位置和胸徑。隨后，捷克和斯洛伐克[11,14]、澳大利亞[27]、美國(guó)[28]等地的學(xué)者陸續(xù)在林業(yè)調(diào)查中應(yīng)用SfM算法提取樹木參數(shù)。研究發(fā)現(xiàn)，SfM算法在人工林[29]或天然林[14]中對(duì)單株樹木有很好的三維重建效果，在天然林的樣地尺度上能夠提取胸徑和樹干位置等參數(shù)[11-12,15]。由于天然林中光照條件差、樹木密度高且有樹枝和灌木遮擋，其成像條件將不如人工林。在城市森林調(diào)查中，消費(fèi)級(jí)相機(jī)的靈活性更高，SfM算法能夠增加森林調(diào)查的頻率，從而拓寬了城市森林生態(tài)學(xué)研究的范圍，如物候的改變[30]等。同時(shí)，SfM算法提供的光譜信息可用于樹種的識(shí)別[31-32]和森林健康[32]的研究。目前，SfM算法還未曾出現(xiàn)在城市森林的調(diào)查中。

有鑒于此，為了評(píng)估SfM算法在城市森林調(diào)查和管理中應(yīng)用的可行性。本研究以華東師范大學(xué)內(nèi)的人工林為研究對(duì)象，探究SfM算法在城市森林調(diào)查中重建樹干三維模型并提取樹干胸徑一般步驟。將SfM算法得到樹木胸徑與移動(dòng)激光雷達(dá)（手持式）結(jié)果作對(duì)比，對(duì)SfM算法在城市森林調(diào)查中應(yīng)用的可行性進(jìn)行分析并對(duì)未來(lái)研究方向提出建議。

1 材料與方法

1.1 研究區(qū)選擇

研究區(qū)位于華東師范大學(xué)閔行校區(qū)內(nèi)（31°1′58.33″N，121°26′55.28″E），樣地為半徑6 m的圓形樣地，坡度為5°，樣地內(nèi)有水杉（Metasequoia glyptostroboides）19株，胸徑為 (15.16±4.34) cm。林下無(wú)其他灌木，地面以裸露土壤和草本為主。

1.2 樣地設(shè)置與調(diào)查

本研究使用5個(gè)均勻分布在樣地的人工標(biāo)記物和1個(gè)花桿（圖1）進(jìn)行點(diǎn)云的定位和縮放。采用胸徑尺測(cè)量每個(gè)樹干的胸徑作為參考值，使用華測(cè)導(dǎo)航X12慣導(dǎo)RTK（上海華測(cè)導(dǎo)航技術(shù)股份有限公司，中國(guó)）記錄樹干1.3 m高度及人工標(biāo)記物的地理坐標(biāo)，樹干位置用于后期匹配參考胸徑進(jìn)行精度分析，人工標(biāo)記物位置用于點(diǎn)云的相對(duì)定位。

圖1 研究區(qū)Fig. 1 Research area

1.3 數(shù)據(jù)采集

1.3.1 SfM照片采集

相機(jī)參數(shù)設(shè)置會(huì)影響照片質(zhì)量，從而對(duì)SfM建模的結(jié)果造成影響；照片質(zhì)量的差異會(huì)影響圖片匹配，因此需要確定并固定最優(yōu)相機(jī)參數(shù)。相機(jī)參數(shù)主要包括光圈大小、快門速度、感光度（ISO）和對(duì)焦設(shè)置[16,33]。在距離樹干3～4 m的位置進(jìn)行相機(jī)自動(dòng)對(duì)焦，隨后調(diào)整成手動(dòng)模式，并在接下來(lái)的拍攝過(guò)程中保持對(duì)焦不變?？扉T速度決定于是否使用三腳架（使用三腳架時(shí)快門速度應(yīng)較低，如1/30）以及是否移動(dòng)拍攝（移動(dòng)拍攝時(shí)快門速度應(yīng)較高，如1/250），較大的快門速度能夠減少圖像模糊，但會(huì)減少進(jìn)光從而使圖像變暗。因此快門速度需要與ISO和光圈相互調(diào)節(jié)，最佳ISO為100，因?yàn)檩^高的ISO會(huì)使照片有更多噪點(diǎn)，但當(dāng)照片欠曝光時(shí)，需要調(diào)大ISO但不能高于800；光圈越大景深越大，最佳光圈大小為7.1，但當(dāng)照片曝光過(guò)度時(shí)需要調(diào)大光圈直到正常。本研究在調(diào)試過(guò)后，相機(jī)參數(shù)設(shè)置如下：ISO為100，快門速度為1/30，光圈為7.1，手動(dòng)對(duì)焦模式下保持焦距不變。

本研究選取的消費(fèi)級(jí)相機(jī)為Sony α9單反相機(jī)（索尼公司，日本），鏡頭為Sony FE 24～70 mm F2.8 GM，同時(shí)使用三腳架防止抖動(dòng)影響照片質(zhì)量。照片采集時(shí)間在2020年6月6日下午14：00左右，天氣為陰天。采集路徑為距離圓形樣地邊界1～2 m的圓形路徑（圖1b），使相機(jī)位于1.3 m高度處且鏡頭垂直與樣地圓心（圖1a）。采用走走停停的方式采集照片，保證相鄰照片影像重疊度在70%～80%左右，最終共采集99張照片，耗時(shí)16 min。

1.3.2 手持激光雷達(dá)數(shù)據(jù)采集

同步定位與建圖（SLAM）技術(shù)可以讓設(shè)備（相機(jī)或激光雷達(dá)）在沒有GNSS信號(hào)的情況下進(jìn)行實(shí)時(shí)相對(duì)定位[34-35]。已有研究將SLAM、激光雷達(dá)、GPS和慣性測(cè)量單元（IMU）集成為移動(dòng)激光雷達(dá)掃描系統(tǒng)，并將該掃描系統(tǒng)應(yīng)用在自然林的調(diào)查中[36-37]。手持激光雷達(dá)ZEB-Horizon（GeoSLAM，英國(guó)）（圖2b）是基于SLAM技術(shù)的輕型激光雷達(dá)掃描儀，其將Velodyne VLP?16激光雷達(dá)搭載在可旋轉(zhuǎn)手柄上，是已集成的商業(yè)手持式激光雷達(dá)。整套裝置重1.5 kg，激光最遠(yuǎn)射程為100 m，采集速度30萬(wàn)點(diǎn)/s，非常適合戶外林業(yè)調(diào)查使用。依據(jù)需要獲得樹木參數(shù)的不同，可選擇不同掃描方式，如需獲得冠幅參數(shù)可在移動(dòng)過(guò)程中將手持激光雷達(dá)上下掃描（圖2a）。

圖2 手持式激光雷達(dá)Fig. 2 The hand-held ZEB-Horizon laser scanner

本研究選取手持式激光雷達(dá)ZEB-Horizon沿著樣地外圍圓形路徑（圖1b）進(jìn)行掃描，并保證路線閉合，使SLAM算法檢測(cè)到相對(duì)位置。使手持式激光雷達(dá)位于1.3 m高度處，并將掃描儀始終垂直于樣地圓心。采用連續(xù)掃描的方式，共耗時(shí)5 min。

1.4 樹木參數(shù)提取方法

1.4.1 基于SfM的胸徑提取

1）點(diǎn)云的生成。點(diǎn)云的生成即基于SfM算法通過(guò)照片構(gòu)建三維點(diǎn)云的過(guò)程?；炯僭O(shè)：圖像中包含物體不同角度的二維投影，對(duì)物體特征點(diǎn)進(jìn)行三角測(cè)量能夠計(jì)算出物體的三維幾何形狀[15]。關(guān)鍵在于識(shí)別圖像中的物體特征點(diǎn)的過(guò)程，確定不同圖像的特征點(diǎn)可以獲得點(diǎn)的三維位置和圖像對(duì)應(yīng)的相機(jī)位置。能夠?qū)崿F(xiàn)SfM算法三維點(diǎn)云重建的專業(yè)軟件有很多，包括商業(yè)軟件Agisoft Metashape，Reality Capture以及開源軟件Visual SfM和Mic Mac等[38-39]。依據(jù)各軟件的可操作性、處理速度和受眾等，對(duì)軟件的各項(xiàng)性能進(jìn)行評(píng)估（表1），其中結(jié)果準(zhǔn)確性受軟件參數(shù)設(shè)置的影響[38]。結(jié)果表明，Agisoft Metashape除處理速度欠佳外，其他性能均為優(yōu)秀，綜合表現(xiàn)最佳。本研究選取Agisoft Metashape生成點(diǎn)云，耗時(shí)102 min。

表1 基于SfM算法重建三維點(diǎn)云的不同軟件對(duì)比Table 1 Comparison of different software which can reconstruct 3D point clouds by SfM photogrammetry

2）點(diǎn)云的定位與縮放。由照片生成的點(diǎn)云位于計(jì)算機(jī)定義的相機(jī)空間內(nèi)，而相機(jī)空間與真實(shí)空間不同。因此點(diǎn)云需要經(jīng)過(guò)定位和縮放以接近真實(shí)值。定位和縮放的方式有多種，包括通過(guò)GNSS，記錄相機(jī)的位置或通過(guò)GNSS記錄地面控制點(diǎn)位置來(lái)定位和縮放。例如，F(xiàn)orsman等[13]基于多相機(jī)平臺(tái)，對(duì)相機(jī)和平臺(tái)進(jìn)行標(biāo)定，標(biāo)定過(guò)程中獲得的相機(jī)基線使點(diǎn)云能夠自動(dòng)縮放；Liu等[20]將CCD鏡頭綁定在RTK上以記錄相機(jī)位置。但SfM算法主要還是通過(guò)提前用GNSS記錄野外參照物或人工標(biāo)記物的地理位置，以此作為地面控制點(diǎn)來(lái)進(jìn)行定位和縮放，如Liang等[12]和Mokro?等[11]以測(cè)繪花桿和人工標(biāo)記物作為參照進(jìn)行垂直定向和比例縮放。本研究通過(guò)人工標(biāo)記物和花桿進(jìn)行定位與縮放（圖1a）。

3）點(diǎn)云單木分割與樹木參數(shù)提取。本研究選取Li等[40]開發(fā)出的一種對(duì)點(diǎn)云進(jìn)行單木分割的算法，算法原理見圖3。該算法從種子點(diǎn)A開始，根據(jù)間距臨界值和最小間距對(duì)更低點(diǎn)進(jìn)行估算，將種子點(diǎn)A發(fā)展為1號(hào)樹木的聚類。當(dāng)間距dAB大于設(shè)定的臨界值時(shí)，點(diǎn)B被分類為2號(hào)樹木的聚類；同理，dAC小于臨界值，且dAC小于dBC，點(diǎn)C屬于1號(hào)樹木；通過(guò)點(diǎn)B與點(diǎn)C的比較，點(diǎn)D被分類為2號(hào)樹木；通過(guò)點(diǎn)C與點(diǎn)D的比較，點(diǎn)E被分類為2號(hào)樹木，以此類推，得到單木分割點(diǎn)云。臨界值的設(shè)定應(yīng)避免過(guò)大或過(guò)小，一般與冠層半徑相等。

圖3 單木分割算法[40]Fig. 3 Individual tree segmentation [40]

樹木參數(shù)可通過(guò)直接的線性測(cè)量得到[41]，或通過(guò)計(jì)算機(jī)算法得到[12]，后者通常更準(zhǔn)確。目前研究中，通過(guò)計(jì)算機(jī)算法得到的樹木參數(shù)包括樹干位置、胸徑、體積、樹干曲線和增長(zhǎng)量等。如樹干位置和胸徑估算可通過(guò)基于三維點(diǎn)云投影的圓（柱）擬合算法[12-13]或凸包算法[28,42]得到，其中樹干位置即擬合圓柱的圓心。樹木枝條或根系體積可通過(guò)watertight模型對(duì)三維模型進(jìn)行封閉估算得到[41,43]，樹干體積或增長(zhǎng)量可通過(guò)異速生長(zhǎng)方程結(jié)合胸徑估算得到[41]。商業(yè)軟件LiDAR360[44]和開源軟件DendroCloud[45]均能夠通過(guò)計(jì)算機(jī)算法提取樹木參數(shù)。另外，軟件FAIT也在已有研究中出現(xiàn)過(guò)[46]。本研究在DendroCloud中通過(guò)圓擬合算法實(shí)現(xiàn)胸徑的提取。

1.4.2 基于手持激光雷達(dá)數(shù)據(jù)的胸徑提取

本研究選取的手持式激光雷達(dá)ZEB-Horizon是已經(jīng)集成SLAM的商業(yè)設(shè)備，點(diǎn)云數(shù)據(jù)在設(shè)備中產(chǎn)生時(shí)已經(jīng)過(guò)定位與縮放，導(dǎo)出數(shù)據(jù)并剪裁耗時(shí)10 min。為保證與SfM算法具有可比性，單木分割以及胸徑提取的過(guò)程與SfM保持一致。

1.5 精度分析

結(jié)果的準(zhǔn)確性通過(guò)偏差（Bias），相對(duì)偏差（rBias），均方根誤差（RMSE）和相對(duì)均方根誤差（rRMSE）來(lái)表示，詳見公式（1）～（4）。通過(guò)線性回歸模型分別比較SfM算法和手持式激光雷達(dá)胸徑估算值與野外實(shí)地測(cè)量值的關(guān)系。上述計(jì)算在R 3.5.3的集成開發(fā)環(huán)境R-Studio中完成。

式 中：yi表 示 第i個(gè) 估 測(cè) 值，yri表 示 第i個(gè) 參 考 值，yr表示參考值均值，n表示估測(cè)值個(gè)數(shù)。

2 結(jié)果與分析

2.1 基于SfM的城市樹木胸徑估算結(jié)果

基于SfM算法創(chuàng)建樣地三維模型，樹木檢出率為100%（圖4）。SfM算法得到胸徑的Bias為0.42 cm，RMSE為0.82 cm，rRMSE為5.38%，rBias為 2.74%（表2）。SfM估測(cè)得到的胸徑大小為 (15.57±4.39) cm，與野外參考值(15.16±4.34) cm無(wú)顯著性差異（圖5）。SfM算法得到胸徑與野外實(shí)地測(cè)量值高度正相關(guān)，線性回歸模型的決定系數(shù)（R2）為0.971 4（圖6）。

圖4 樣地三維模型與點(diǎn)云胸高截面示意圖Fig. 4 The 3D views of the forest plot and cross-section of a trunk at breast height

圖6 SfM算法與手持式激光雷達(dá)估算胸徑與野外實(shí)地測(cè)量值的線性回歸Fig. 6 The regression of field data and trunk DBH calculated from SfM photogrammetry and hand-held laser scanning respectively

表2 SfM算法與手持式激光雷達(dá)估算胸徑結(jié)果Table 2 The results of SfM photogrammetry and hand-held laser scanning for DBH estimation

圖5 不同方法得到胸徑箱線圖。Fig. 5 Comparison of DBH estimations from different methods

2.2 基于激光雷達(dá)的城市樹木胸徑估算結(jié)果

基于手持式激光雷達(dá)得到樣地點(diǎn)云數(shù)據(jù)如圖4b所示，樹木檢出率為100%。手持式激光雷達(dá)得到胸徑的Bias為0.16 cm，RMSE為0.51 cm，rRMSE為3.35%，rBias為 1.04%（表3）。激光雷達(dá)估測(cè)得到的胸徑大小為 (15.32±3.96) cm，與野外參考值無(wú)顯著性差異（圖5）。同時(shí)，SfM算法得到胸徑與手持式激光雷達(dá)得到胸徑也無(wú)顯著性差異。手持式激光雷達(dá)與野外實(shí)地測(cè)量值高度正相關(guān)，線性回歸模型的R2為0.993 7（圖6）。

表3 SfM算法與手持式激光雷達(dá)方法對(duì)比Table 3 Comparison of SfM photogrammetry and hand-held laser scanning

2.3 SfM的可行性分析

SfM算法與手持式激光雷達(dá)2種技術(shù)的數(shù)據(jù)采集、三維點(diǎn)云重建與胸徑提取過(guò)程的比較見表3。對(duì)于設(shè)備費(fèi)用而言，SfM算法遠(yuǎn)低于手持式激光雷達(dá)，SfM算法所需攝影器材總價(jià)約3.8萬(wàn)元，而GeoSLAM ZEB HORIZON手持式激光雷達(dá)總價(jià)約60萬(wàn)元。然而，SfM算法在三維點(diǎn)云重建上所需的時(shí)間遠(yuǎn)多于手持式激光雷達(dá)，SfM算法需要約102 min通過(guò)照片進(jìn)行三維建模，由于手持式激光雷達(dá)在數(shù)據(jù)采集的過(guò)程中已進(jìn)行三維建模，因此僅需10 min導(dǎo)出點(diǎn)云數(shù)據(jù)。在樹干胸徑提取上，SfM算法與手持式激光雷達(dá)均能夠依據(jù)圓擬合算法成功提取樹干胸徑。

2.3.1 精度

SfM算法構(gòu)建三維點(diǎn)云受許多因素影響包括：相機(jī)和鏡頭參數(shù)[42]，照片采集方法如相機(jī)數(shù)量、采集路徑等[11,15]和照片質(zhì)量如需避免過(guò)度曝光或欠曝光等[15,42]。結(jié)果表明，SfM算法結(jié)果（rRMSE=5.38%，rBias=2.74%）。雖然較手持式激光雷達(dá)測(cè)量結(jié)果（rRMSE=3.35%，rBias=1.04%）差一些，但其與野外實(shí)地測(cè)量值高度正相關(guān)，線性回歸模型的R2大于0.97，胸徑估測(cè)值在森林資源調(diào)查允許誤差范圍內(nèi)。

2.3.2 效率

SfM算法在在林業(yè)調(diào)查中主要分為樣地三維點(diǎn)云重建和樣地樹木參數(shù)提取過(guò)程，樣地三維點(diǎn)云重建過(guò)程又包括野外攝影和室內(nèi)點(diǎn)云生成過(guò)程，具體步驟見圖7。運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)算法與數(shù)字近景攝影測(cè)量的基本原理是一致的，即從一系列重疊的偏移影像中分辨出立體結(jié)構(gòu)，但SfM算法不需要控制測(cè)量和相機(jī)外參獲取步驟[24]，因此與以往近景攝影測(cè)量技術(shù)相比效率更高。然而，SfM算法在本試驗(yàn)中總共耗時(shí)118 min（照片采集耗時(shí)16 min，數(shù)據(jù)分析耗時(shí)102 min），相比野外實(shí)地測(cè)量和手持激光雷達(dá)耗時(shí)更長(zhǎng)。激光雷達(dá)設(shè)備在掃描樣地階段自動(dòng)合成點(diǎn)云，而SfM算法需要在室內(nèi)通過(guò)照片生成點(diǎn)云，因此需要額外的處理時(shí)間。

圖7 SfM算法在林地樹木測(cè)量中的一般步驟Fig. 7 General processes of SfM photogrammetry applications in forest inventory

2.3.3 成本

SfM算法僅需要一臺(tái)消費(fèi)級(jí)相機(jī)（3.8萬(wàn)元），其成本遠(yuǎn)低于手持式激光雷達(dá)（60萬(wàn)元）。SfM算法能夠節(jié)省野外勞動(dòng)力，并且能夠獲得傳統(tǒng)野外調(diào)查難以獲取的樹木參數(shù)如樹干曲線[46]、樹墩體積[27]等。地基激光雷達(dá)（TLS）同樣能夠在樣方水平獲得單株樹干體積和樹干、細(xì)枝、葉片等調(diào)查數(shù)據(jù)，但SfM算法在采集和處理數(shù)據(jù)的成本、設(shè)備的靈活性和對(duì)專業(yè)知識(shí)的需求上都更具優(yōu)勢(shì)。

3 結(jié)論與討論

基于本研究對(duì)SfM算法在城市森林調(diào)查中的應(yīng)用實(shí)踐，可以看出SfM算法在城市森林資源調(diào)查中具有一定應(yīng)用價(jià)值?；赟fM算法的三維點(diǎn)云重建僅限于物體可見的表面，城市人工林相比于天然林結(jié)構(gòu)簡(jiǎn)單，具有光照條件好、樹木密度低、樹枝和灌木遮擋少的優(yōu)勢(shì)，有利于SfM算法的應(yīng)用。本試驗(yàn)中SfM算法估算胸徑與野外測(cè)量胸徑相比rRMSE為5.38%，在森林資源調(diào)查允許誤差范圍內(nèi)，除了胸徑以外的其他樹木參數(shù)值得進(jìn)一步研究。同時(shí)，SfM算法胸徑估算結(jié)果與手持式激光雷達(dá)相差不大，但手持式激光雷達(dá)所需設(shè)備費(fèi)用昂貴，本試驗(yàn)中使用的手持式激光雷達(dá)設(shè)備費(fèi)用是相機(jī)的近15倍。城市森林資源調(diào)查范圍廣，需要不同行政單位分小班調(diào)查，SfM算法所需設(shè)備僅為消費(fèi)級(jí)相機(jī)，有利于林業(yè)資源調(diào)查技術(shù)的統(tǒng)一。

SfM算法在城市森林資源調(diào)查中也存在一些限制。SfM算法的野外照片采集和室內(nèi)三維點(diǎn)云重建時(shí)間較長(zhǎng)。本研究結(jié)果準(zhǔn)確性是較高的，可能是由于樣地面積小。在本研究中，樣地面積為113.1 m2（19棵樹），樹木檢出率為100%，估算胸徑與野外實(shí)地測(cè)量胸徑相比RMSE為0.82 cm；在Liang等[12]的研究中，SfM算法在900 m2矩形樣地（25棵樹）的樹木檢出率為88%，胸徑RMSE為2.39 cm；Mokro? 等[11]在1 225 m2矩形樣地（74棵樹）的樹木檢出率為49%，樹木胸徑RMSE為4.41 cm；Forsman 等[13]在1 314.2 m2圓形樣地（12棵樹）的使用SfM算法得到的樹木檢出率為83%，胸徑RMSE為6.7 cm。因此，隨著樣地面積的增加，樹干胸徑估算結(jié)果的準(zhǔn)確性或有降低。

為了彌補(bǔ)SfM算法的不足之處，推動(dòng)該技術(shù)在城市樹木測(cè)量領(lǐng)域的應(yīng)用，尚需要在以下幾個(gè)方面開展深入研究和技術(shù)探索：1）多相機(jī)系統(tǒng)的開發(fā)：針對(duì)大面積樣地估算結(jié)果準(zhǔn)確性降低問(wèn)題，通過(guò)綜合考慮多相機(jī)系統(tǒng)[13,47]、增大采集路徑密度[11]和設(shè)置計(jì)算機(jī)自動(dòng)識(shí)別標(biāo)記物如編碼標(biāo)記物[11,42]，從而提高SfM算法在樹木參數(shù)估算結(jié)果準(zhǔn)確性。2）計(jì)算機(jī)語(yǔ)言的開發(fā)：針對(duì)SfM算法耗時(shí)問(wèn)題，一方面在野外照片采集時(shí)，綜合考慮多人協(xié)同作業(yè)或照片數(shù)量最優(yōu)化從而有效減少耗時(shí)；另一方面在室內(nèi)三維點(diǎn)云重建上，需要進(jìn)一步開發(fā)算法，并在開源計(jì)算機(jī)語(yǔ)言（R語(yǔ)言或Python）平臺(tái)上開發(fā)應(yīng)用軟件。3）應(yīng)用智能手機(jī)進(jìn)行攝影：2020年最新ipad Pro具有特制激光雷達(dá)掃描儀，但其點(diǎn)云質(zhì)量是否滿足準(zhǔn)確提取樹木參數(shù)的要求存疑。SfM算法已經(jīng)證明具有應(yīng)用智能手機(jī)采像并提取樹木參數(shù)的能力[48]，今后有必要針對(duì)能夠滿足樹木參數(shù)提取精度要求的且更平民化的拍照工具展開研究。4）航空與地面攝影的結(jié)合：城市綠地林冠郁閉度低，無(wú)人機(jī)可以拍攝到地面控制點(diǎn)，有助于航空和地面攝影測(cè)量點(diǎn)云的匹配。因此可以進(jìn)一步探索航空和地面SfM算法的結(jié)合，更準(zhǔn)確且全面地重建樣地空間三維結(jié)構(gòu)，有助于準(zhǔn)確測(cè)量更多的城市樹木參數(shù)，如樹高和樹冠參數(shù)等。