王 娟 張 超 陳 巧 李華玉 彭 希,3白明雄 徐志揚,4 劉浩棟 陳永富

（1. 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650233；2. 中國林業(yè)科學(xué)研究院資源信息研究所，國家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點實驗室，北京 100091；3. 四川農(nóng)業(yè)大學(xué)林學(xué)院，四川 成都 611130；4. 國家林業(yè)和草原局華東調(diào)查規(guī)劃設(shè)計院，浙江 杭州 310019）

樹冠是一種多功能的生態(tài)指標，是光合作用的主要場所，樹冠面積和大小是估測樹木胸徑、生物量和蓄積量等森林參數(shù)重要的因子之一，冠幅還可以作為預(yù)測林分密度、株數(shù)密度的基準，進而可以估計林分間的競爭關(guān)系[1]。單木是構(gòu)成森林的基本單元，是森林資源調(diào)查與生態(tài)環(huán)境建模研究等所需的關(guān)鍵因子，單木冠幅信息的獲取在生物量估測及樹木長勢監(jiān)測等研究中發(fā)揮著重要的作用[2]。單木冠幅信息通常采用傳統(tǒng)地面調(diào)查和衛(wèi)星遙感影像獲取，存在調(diào)查效率低，人為誤差大和影像分辨低等問題。近年來，無人機（UAV）遙感技術(shù)作為一種新型的數(shù)據(jù)獲取手段，不僅可以彌補地面監(jiān)測與航天、衛(wèi)星遙感之間的尺度空缺，將監(jiān)測點上的結(jié)果更準確地擴展到區(qū)域尺度，供森林資源調(diào)查與監(jiān)測使用，還可獲取高空間、高時效、高光譜的光學(xué)遙感數(shù)據(jù)以及高密度的激光雷達數(shù)據(jù)，為快速、高效獲取單木尺度森林參數(shù)信息提供了更加精細的數(shù)據(jù)支撐，在森林資源調(diào)查、生態(tài)環(huán)境監(jiān)測、生物多樣性研究等領(lǐng)域應(yīng)用廣泛[3]。

國內(nèi)外對于單木冠幅信息提取的研究較多，其中，激光雷達數(shù)據(jù)和高分辨率的光學(xué)影像是單木冠幅信息提取的主要數(shù)據(jù)源?；诩す饫走_數(shù)據(jù)提取單木樹冠信息主要分為2 類，即基于點云數(shù)據(jù)構(gòu)建冠層高度模型（CHM）進行CHM 分割和基于激光雷達點云間的空間結(jié)構(gòu)關(guān)系和屬性進行聚類[4]。常見的方法有谷底跟蹤法、區(qū)域生長法、分水嶺分割法及單木點云分割等[5]。全迎等[6]對比了機載激光雷達和無人機激光雷達單木提取精度，采用標記控制分水嶺分割算法提取單木冠幅信息，研究表明無人機激光雷達提取精度高于機載激光雷達。Chen 等[7]基于標記控制分水嶺分割算法對闊葉樹進行單木分割，準確率達64.1%。李巖等[8]基于激光雷達數(shù)據(jù)構(gòu)建CHM，對比了分水嶺分割算法、區(qū)域生長法和區(qū)域的分層橫截面分析3 種方法單木冠幅提取精度，發(fā)現(xiàn)區(qū)域的分層橫截面分析精度最高。厘米級的無人機高分影像為單木冠幅信息提取提供了豐富的形狀和紋理等信息，是目前單木樹冠信息獲取最常用的數(shù)據(jù)源。目前，基于無人機高分影像提取單木樹冠的方法主要分為3 類：1）目視解譯法，此方法主要根據(jù)影像的顏色和形狀等信息進行判別，對目視者要求較高，不確定性大，且不適應(yīng)于大范圍單木樹冠獲取。2）基于像元的單木樹冠獲取，此方法首先采用局部最大值法[9]、多尺度法及模板匹配法[10]等算法先探測樹冠位置，再由像元點逐步生長至樹冠邊界，如分水嶺分割法，種子區(qū)域生長法等[11-12]。Mu 等[13]基于無人機高分影像采用自適應(yīng)閾值和標記控制分水嶺分割法來識別單株樹木，提取樹冠信息，結(jié)合目視解譯與地面調(diào)查進行精度評價，誤差較小。Kang 等[14]基于無人機高分影像，提出了一種基于數(shù)學(xué)形態(tài)學(xué)和J 閾值分割法的桉樹樹冠面積提取方法，效果較好。董新宇等[15]利用高斯馬爾可夫隨機場模型對無人機影像進行分割，并采用數(shù)學(xué)形態(tài)學(xué)算子算法提取不同樹種單木樹冠信息。3）基于面向?qū)ο蟮膯文緲涔讷@取，面向?qū)ο蟮姆椒ê芎玫睦昧藷o人機高分影像的光譜、紋理、形狀等信息，其中單木分割的準確性直接影響到樹冠提取精度，最常見的分割方法為多尺度分割算法[16]。孫釗等[17]采用多尺度分割確定單木樹冠對象，然后采用面向?qū)ο蠓ㄌ崛文緲涔诿娣e和林分郁閉度。趙勛等[18]通過對林區(qū)進行多層次多尺度分割，采用面向?qū)ο蠓ㄌ崛¤駱洌‥ucalyptus robusta）和杉木（Cunninghamia lanceolata）單木樹冠邊界，提取精度均達到85%以上。上述方法多適用于中低郁閉度林分，在高郁閉度林地林分下樹冠提取精度較低，因此，提升高郁閉度林地林分下單木樹冠提取精度是目前需要解決的重要問題之一。

現(xiàn)階段采用綜合遙感手段獲取森林參數(shù)信息已經(jīng)成為趨勢，采用無人機可見光和激光雷達數(shù)據(jù)結(jié)合獲取單木樹冠信息，不僅彌補了可見光數(shù)據(jù)因紋理和波段信息相近造成的欠分割現(xiàn)象，還彌補了激光雷達數(shù)據(jù)缺乏的二維圖像信息。故以江西省年珠實驗林場為研究區(qū)，采用分水嶺分割與面向?qū)ο蠓诸惤Y(jié)合的方法提取不同郁閉度下杉木單木樹冠信息，并對單木提取精度進行驗證，為利用無人機多源數(shù)據(jù)結(jié)合獲取不同郁閉度下單木樹冠信息提供參考。

1 研究區(qū)概況

研究區(qū)位于江西省新余市分宜縣境內(nèi)，隸屬于中國林業(yè)科學(xué)研究院亞熱帶林業(yè)試驗中心（114°30′～114°45′E，27°30′～27°45′N）。林場總面積1 082.79 hm2，年均氣溫16.8 ℃，年均降水量1 590 mm，集中于3—6 月無霜期252 d。年珠林場屬低山丘陵地貌，海拔高度介于220～1 092 m母巖以千枚巖為主。主要植被類型為常綠闊葉林、落葉闊葉林、混交林，其中人工種植的杉木林和毛竹林分布較多，主要樹種有杉木、馬尾松（Pinus massoniana）、柏木（Cupressus funebris）、榿木（Alnus cremastogyne）、毛竹（Phyllostachys edulis）、鵝掌楸（Liriodendron chinense）、栲樹（Castanopsis fargesii）等。

2 材料與方法

2.1 數(shù)據(jù)來源

2.1.1 樣地數(shù)據(jù)

選取林分結(jié)構(gòu)相對單一的杉木同齡純林圓形樣地10 個，林木起源為人工林，根據(jù)森林資源規(guī)劃設(shè)計調(diào)查對郁閉度進行劃分，包括5 個中郁閉度樣地（郁閉度0.40～0.69）和5 個高郁閉度樣地（郁閉度0.70 以上），樣地半徑為16 m，大小為800 m2，對各樣地進行每木檢尺調(diào)查并進行精準定位，地面調(diào)查數(shù)據(jù)樣地統(tǒng)計信息見表1。單木定位時首先選擇明顯標志物，然后再確定樣地中心點，并基于樣地中心點采用羅盤儀和皮尺分別獲取單木距樣地中心點的角度和距離來進行單木位置定位，以確保無人機數(shù)據(jù)與樣地數(shù)據(jù)的匹配。

表1 地面調(diào)查樣地數(shù)據(jù)統(tǒng)計Table 1 The statistics of ground survey in sample plot

2.1.2 無人機數(shù)據(jù)

無人機（UAV）數(shù)據(jù)使用大疆M600 pro 六旋翼無人機獲取，傳感器包括高分相機和激光雷達掃描儀2 種類型，數(shù)據(jù)采集時間為2019 年7 月，天氣晴朗無風(fēng)，飛行速度為6 m/s，飛行高度為160 m，平均航向重疊率為83.21%?？梢姽鈧鞲衅鳛镾ony ILCE–6000，總像素為2 470 萬像素，色彩空間為sRGB，LiDAR 傳感器為RIEGL VUX–1LR，視場角330°，激光脈沖發(fā)射頻率高達820 kHz，可識別多目標回波，精度為15 mm。

2.2 數(shù)據(jù)預(yù)處理

2.2.1 可見光遙感數(shù)據(jù)處理

使用無人機數(shù)據(jù)處理軟件LiMapper 進行可見光影像處理，主要流程為特征點提取匹配、區(qū)域網(wǎng)平差、相機自檢校、密集點云重建、數(shù)字高程模型（DEM）和數(shù)字表面模型（DSM）生成、正射影像（DOM）智能鑲嵌、以及數(shù)據(jù)可視化分析等。在ENVI 5.3 中進行正射影像的校正、裁剪等預(yù)處理獲得研究區(qū)樣地正射影像，分辨率大小為0.05 m。

2.2.2 激光雷達數(shù)據(jù)處理

使用軟件LiDAR360 進行無人機激光雷達數(shù)據(jù)的處理，主要流程包括：航帶拼接、質(zhì)量檢測、投影轉(zhuǎn)換、點云去噪、噪聲濾波、地面點分類等。

2.3 樹冠區(qū)域提取

利用eCognition 軟件中多尺度分割算法結(jié)合面向?qū)ο蠓诸愄崛涔趨^(qū)域信息，以去除林下灌木和裸地等信息對樹冠提取造成的干擾。多尺度分割算法利用影像的光譜、形狀和紋理等信息，根據(jù)同質(zhì)性標準至下而上分割出對象內(nèi)具有同質(zhì)性最大，異質(zhì)性最小的不同斑塊，是面向?qū)ο蠓ㄟM行分類解譯的基礎(chǔ)[19]。其中，分割尺度、形狀指數(shù)和緊致度是進行多尺度分割時的重要參數(shù)。

首先將樣地分為樹冠與非樹冠兩部分，以樹冠區(qū)域為掩膜，剔除非樹冠信息。主要步驟如下：1）采用多尺度分割算法將各樣地樹冠與非樹冠區(qū)域分割為不同對象。2）建立分類體系，因為樣地內(nèi)沒有建筑、河流等地類干擾，因此只需要構(gòu)建樹冠和非樹冠2 個類別?；诜诸愺w系選擇具備代表性的訓(xùn)練樣本，并對R、G、B 3 個波段均值（Rmean、Gmean、Bmean）、對象亮度值（Bri）、對象的最大化差異度量（Dmax）、長寬比（L/W）、形狀指數(shù)（SI）、灰度共生矩陣的相異性（DI）、相關(guān)性（CO）和紋理均值（ME）共10 個特征進行特征優(yōu)化，以選取最優(yōu)特征。3）選擇優(yōu)化后特征采用最近鄰分類法進行面向?qū)ο蠓诸?，將樹冠和非樹冠區(qū)域分為不同的對象。4）在ENVI 5.3中以樹冠區(qū)域為掩膜，剔除非樹冠區(qū)域信息，獲取樹冠分布范圍。

2.4 分水嶺分割算法

分水嶺分割算法是Vincent 提出的一種基于拓撲理論的數(shù)學(xué)形態(tài)學(xué)的分割方法，是根據(jù)分水嶺的構(gòu)成來考慮圖像的分割，對微弱邊緣具有良好的響應(yīng)，是最常見的分割方法之一[7]。本研究采用LiDAR360 進行CHM 分割即分水嶺分割，首先對地面點分類后的點云采用不規(guī)則三角網(wǎng)（TIN）插值生成數(shù)字高程模型（DEM）；以激光雷達反射的第1 回波激光點為數(shù)據(jù)源采用克里金插值法生成數(shù)字表面模型（DSM），并通過對臨近柵格的分析，采用上述插值方法對DEM 和DSM 進行空洞補充去除無效值；然后由DSM 與DEM 相減得到CHM，CHM 分辨率大小為0.5 m，并采用平滑濾波法對CHM 進行平滑濾波去除空洞和不連續(xù)現(xiàn)象。

2.5 林冠層單木分割

為了更好的描述不同郁閉度下的杉木單木樹冠信息，基于林冠層對單木進行分割，主要思路為：以分水嶺分割得到的單木樹冠邊界為第1 層分割結(jié)果，利用eCognition 軟件，在第1 層的基礎(chǔ)上對掩膜后的樹冠區(qū)域進行再次分割（多尺度分割），并對第2 次分割的結(jié)果進行面向?qū)ο蠓诸愄崛文緲涔谶吔缧畔ⅰ?/p>

2.6 精度驗證

為了定量分析無人機高分影像與無人機激光雷數(shù)據(jù)結(jié)合提取樹冠信息的有效性，以實地調(diào)查的樣地每木數(shù)量和位置為基準，結(jié)合目視解譯結(jié)果作為參考圖進行精度驗證，并認為參考圖的結(jié)果是準確的。由于部分樣木位于樣地邊界，因此精度驗證時去除了位于邊界的樣木。

2.6.1 單木樹冠驗證

國內(nèi)外對于單木冠幅的評價和驗證有很多種方法，為了準確和有效的體現(xiàn)無人機可見光與激光雷達數(shù)據(jù)結(jié)合提取樹冠的精度，于ArcGIS 10.4.1中對分割樹冠和參考樹冠進行空間統(tǒng)計分析，驗證單木樹冠分割情況。綜合鄭鑫等[20]和曾霞輝等[21]的研究，將單木樹冠分割結(jié)果分為5 類包括：匹配、接近匹配、漏分、錯分以及合并。匹配指分割樹冠與參考樹冠的重疊面積同時占各自面積的50%以上；接近匹配指分割樹冠與參考樹冠重疊面積占其中一方的50%以上，漏分指參考樹冠的50%面積內(nèi)無分割樹冠；合并指多個參考樹冠被一個分割樹冠代替；錯分指分割樹冠中不存在對應(yīng)的參考樹冠。其中匹配和接近匹配被認為是正確分割的結(jié)果，漏分和合并被認為是漏分誤差，錯分屬于錯分誤差，分割的準確率（Pd）、召回率（Pr）和F測度分別由如下公式確定：

式中：Nc為分割正確的樹冠數(shù)目，Nr為目視解譯樹冠總數(shù)，Nd為分割出來的樹冠總數(shù)，Pd表示正確分割的樹冠占分割樹冠總數(shù)的比例，Pr表示正確分割的樹冠占目視解譯樹冠的比例，F(xiàn)測度是對準確率和召回率的綜合描述，F(xiàn)值越高表示單木分割效果越好。

2.6.2 樹冠面積和冠幅精度驗證

本研究采用決定系數(shù)（R2）和均方根誤差（RMSE）對實測和提取樹冠面積與冠幅進行精度評價。其中因為樹冠大小不規(guī)則但近似于圓形，所以采用公式（4）計算提取冠幅和實測冠幅面積。

式中：CW 表示冠幅，S表示樹冠面積。

3 結(jié)果與分析

3.1 樹冠區(qū)域提取結(jié)果

當分割尺度為25、形狀指數(shù)為0.2、緊致度為0.5 時中郁閉度和高郁閉度林分樹冠與非樹冠區(qū)域都能較好的被分割。在該分割參數(shù)下采用樣本模式的分類方法進行空間特征優(yōu)化以減少特征數(shù)量大造成的運算量增大和冗余現(xiàn)象。由圖1 可知，當特征數(shù)量為7 維時，最低分離程度最佳，最佳的特征組合為：Rmean、Gmean、Bmean、Bri、Dmax、SI 和ME。根據(jù)優(yōu)化后的特征提取樹冠與非樹冠區(qū)域，以樹冠區(qū)域為掩膜的結(jié)果見圖2，由圖可以看出林下裸地等非樹冠信息較好的被剔除，減少了非樹冠信息對單木樹冠信息提取的干擾。

圖1 分割維數(shù)與分割距離關(guān)系Fig. 1 Relation between dimension and separation distance

圖2 樹冠區(qū)域提取結(jié)果Fig. 2 The extraction of results of crown area

3.2 分水嶺分割結(jié)果

基于激光雷達點云數(shù)據(jù)生成DEM、DSM 并構(gòu)建CHM 進行分水嶺分割。高斯平滑因子是分水嶺分割的主要因素，當高斯平滑因子過大時，會出現(xiàn)欠分割現(xiàn)象，導(dǎo)致多棵樹被識別成一棵，當高斯平滑因子過小時，則會導(dǎo)致過分割出現(xiàn)漏分現(xiàn)象。當高斯平滑因子為0.5，窗口大小為5 時，CHM 分割效果最好?；贑HM 進行分水嶺分割結(jié)果見圖3。由圖3 可知，單木較好的被分割為不同的對象，但是對單木樹冠邊界的描述效果較差，分割出的單木對象中亦包含草本，陰影、裸地等非樹冠信息，因此仍需要對分割結(jié)果進行優(yōu)化以去除非樹冠信息的干擾。

圖3 CHM 分割結(jié)果Fig. 3 The result of CHM segmentation

3.3 單木樹冠信息提取

3.3.1 最佳分割參數(shù)確定

為了優(yōu)化單木樹冠分割結(jié)果，基于分水嶺分割得到的單木樹冠邊界對樹冠層進行再次多尺度分割，采用目視解譯法對單木樹冠邊界分割結(jié)果進行分析得到的最佳分割參數(shù)見表2。由于掩膜后非樹冠區(qū)域信息值為0，因此以亮度值為特征，對第2 次分割結(jié)果進行面向?qū)ο蠓诸愄崛文緲涔谶吔缧畔?，并將單木樹冠邊界?dǎo)入ArcGIS 10.4.1 中與正射影像疊加顯示，結(jié)果見圖4，由圖可以看出單木樹冠分割效果較好，分割得到的單木樹冠邊界與目視解譯勾繪的單木樹冠差異不大，表明基于面向?qū)ο蠛头炙畮X分割結(jié)合的方法能夠較好的描述單木樹冠邊界信息。

圖4 目視解譯和單木樹冠提取結(jié)果Fig. 4 The result of visual interpretation and crown extraction

表2 不同郁閉度下多尺度分割參數(shù)Table 2 Multi-scale segmentation parameter selection

3.3.2 單木精度驗證

各樣地單木樹冠精度驗證統(tǒng)計結(jié)果見表3 所示。由表3 可知，F(xiàn)測度超過80%以上的樣地有9塊；其中，中郁閉度樣地F測度在88.07%～95.08%，高郁閉度樣地F測度在78.57%～88.29%。從樹冠提取個數(shù)和準確率來看，大部分樹冠都被正確分割，但仍有漏分誤差和錯分誤差現(xiàn)象出現(xiàn)。漏分誤差現(xiàn)象主要是因為樹冠間相互連接和遮擋導(dǎo)致部分單木未被識別；錯分誤差主要是由于無人機可見光或LiDAR 數(shù)據(jù)中存在陰影或噪聲的影響，導(dǎo)致偽單木被識別為單木或單木冠幅較大導(dǎo)致分水嶺分割時單株木被識別為多株木。根據(jù)中郁閉度和高郁閉度樣地單木樹冠提取的準確率、召回率和F測度可知多源無人機數(shù)據(jù)結(jié)合提取杉木單木冠幅信息是可行的。

表3 單木樹冠精度驗證Table 3 Accuracy verification of single tree crown

3.4 單木樹冠面積和冠幅精度驗證

將提取樹冠與實測樹冠建立線性回歸方程，結(jié)果見圖5。其中，中郁閉度和高郁閉度林分中提取的樹冠面積與實測面積R2分別為0.859 1 和0.736 7，RMSE 分別為2.49 m2和3.29 m2，提取單木冠幅與實測冠幅R2分別為0.830 6 和0.724 6，RMSE 分別為0.46 m 和0.57 m，提取精度均較高，說明不論是在中郁閉度還是高郁閉度林分下提取的單木樹冠面積和冠幅都能夠滿足森林資源調(diào)查的要求。

圖5 提取樹冠面積、冠幅與實測樹冠散點圖Fig. 5 Scatter plots of area and crown width between extraction crown and actual crown

4 結(jié)論與討論

本研究基于無人機可見光和激光雷達數(shù)據(jù)，以年珠試驗林場為研究區(qū)，利用分水嶺分割算法和多尺度分割面向?qū)ο蠓诸惙ㄏ嘟Y(jié)合提取杉木冠幅信息，并進行精度分析，結(jié)論如下：

1）通過激光雷達數(shù)據(jù)與可見光光譜、紋理等信息的結(jié)合，提取單木精度較高，表明激光雷達與可見光數(shù)據(jù)結(jié)合提取單木樹冠信息是可行的。

2）中郁閉度和高郁閉度林分單木樹冠提取F測度分別為88.07%～95.08%和78.57%～88.29%，中郁閉度和高郁閉度林分中提取的樹冠面積與實測面積R2分別為0.859 1 和0.736 7，RMSE 分別為2.49 m2和3.29 m2；提取單木冠幅與實測冠幅R2分別為0.830 6 和0.724 6，RMSE 分別為0.46 m和0.57 m，表明無人機可見光和激光雷達數(shù)據(jù)結(jié)合的方法能夠滿足不同郁閉度林分單木冠幅信息的提取，其中，中郁閉度林分提取精度高于高郁閉度林分。

3）利用無人機可見光和激光雷達數(shù)據(jù)結(jié)合提取林木冠幅信息，既可以獲取單木位置和結(jié)構(gòu)信息，構(gòu)建精確的林下地形信息，又可以利用無人機高分影像提供的光譜、紋理等信息剔除非林地區(qū)域的干擾，為利用無人機進行林木冠幅信息提供了技術(shù)支撐。

無人機因其成本低、效率高及能夠?qū)崟r更新彌補了航天航空數(shù)據(jù)更新周期長、影像分辨率低等弊端，逐漸成為了森林資源調(diào)查重要的技術(shù)手段之一。無人機可見光和激光雷達數(shù)據(jù)的結(jié)合為基于多源無人機數(shù)據(jù)提取森林參數(shù)提供技術(shù)支撐，減少了航空航天數(shù)據(jù)融合時多源傳感器匹配困難的問題，有效提升了多源無人機數(shù)據(jù)在森林參數(shù)提取中的實用性和可靠性。相對于星載和機載平臺數(shù)據(jù)或單一無人機數(shù)據(jù)，多源無人機數(shù)據(jù)結(jié)合提取的單木樹冠信息精度更高。郭昱杉等[22]基于高分影像采用面向?qū)ο蠛蜆擞浛刂品炙畮X結(jié)合提取不同郁閉度林分單木樹冠信息，其中低郁閉度林分F測度達到87.8%，高郁閉度林分F測度達到65.5%；楊立巖[23]采用無人機激光雷達數(shù)據(jù)提取不同郁閉度不同林分單木株數(shù)并進行單木冠幅精度評價，將基于CHM 提取的單木冠幅與實測單木冠幅建立回歸方程，R2為0.334，研究表明冠幅提取效果不佳。對比發(fā)現(xiàn)本研究中采用無人機可見光和激光雷達數(shù)據(jù)結(jié)合提取單木冠幅有效提升了樹冠的提取精度，減少了過分割和欠分割現(xiàn)象發(fā)生表明使用無人機可見光和激光雷達數(shù)據(jù)結(jié)合的方法提取不同郁閉度下單木杉木樹冠信息的研究是適用的。

盡管本研究方法在不同郁閉度下進行單木樹冠信息提取的精度能夠滿足林業(yè)生產(chǎn)的要求，但仍然存在以下問題：1）本研究多源無人機數(shù)據(jù)結(jié)合提取冠幅的方法主要針對杉木純林、林分結(jié)構(gòu)主要為單層林，對于闊葉樹或者混交林及復(fù)層林林分是否適用還有待進一步研究。2）光照產(chǎn)生的陰影在樹冠分割時容易導(dǎo)致非樹冠區(qū)域被識別為樹冠對象，導(dǎo)致樹冠提取精度降低，如何消除因光照產(chǎn)生的陰影也是需要解決的主要問題之一。3）無人機激光雷達系統(tǒng)雖然能夠提供高精度的單木位置及結(jié)構(gòu)信息，構(gòu)建精細林下地形，但相對于無人機光學(xué)傳感器價格昂貴。近年來，計算機視覺圖像發(fā)展迅速，基于無人機攝影測量系統(tǒng)進行數(shù)字圖像三維重建來獲取三維點云和植被表面高度信息成為了一種低成本的森林參數(shù)信息獲取方式，在單木樹冠提取方面，無人機攝影測量系統(tǒng)是否能夠與無人機激光雷達系統(tǒng)一樣獲取不同郁閉度下高精度的單木樹冠信息還有待進一步比較研究。