EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 10: 1873 - 1881

DOI: https://doi.org/10.12082/dqxxkx.2021.210030

遥感科学与应用技术

结合DSM的机载LiDAR单木树高提取研究

  • 张海清 , 1, 2 ,
  • 李向新 1 ,
  • 王成 2 ,
  • 习晓环 , 2, * ,
  • 王濮 2 ,
  • 陈正宇 3
展开
  • 1.昆明理工大学国土资源工程学院,昆明 650031
  • 2.中国科学院空天信息创新研究院 中国科学院数字地球重点实验室,北京 100094
  • 3.中国能源建设集团江苏省电力设计院有限公司,南京 210000
* 习晓环（1972— ）,女,陕西乾县人,硕士,副研究员,主要从事激光雷达数据处理与应用。E-mail:

张海清（1995— ）,女,河南洛阳人,硕士生,主要从事激光雷达数据处理与林业应用研究。E-mail:

收稿日期: 2021-01-20

  要求修回日期: 2021-03-19

  网络出版日期: 2021-12-25

基金资助

广西自然科学基金—创新研究团队项目(2019GXNSFGA245001)

国家自然科学基金项目(42071405)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Individual Tree Height Extraction from Airborne LiDAR Data by Combining with DSM

  • ZHANG Haiqing , 1, 2 ,
  • LI Xiangxin 1 ,
  • WANG Cheng 2 ,
  • XI Xiaohuan , 2, * ,
  • WANG Pu 2 ,
  • CHEN Zhengyu 3
Expand
  • 1. Academy College of Land Source and Engineering, Kunming University of Science and Technology, Kunming 650031, China
  • 2. Key Lab of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 3. China Energy Engineering Group Jiangsu Power Design Institute Co, LTD, Nanjing 210000, China
* XI Xiaohuan, E-mail:

Received date: 2021-01-20

  Request revised date: 2021-03-19

  Online published: 2021-12-25

Supported by

Guangxi Natural Science Fund for Innovation Research Team(2019GXNSFGA245001)

National Natural Science Foundation of China(42071405)

Copyright

Copyright reserved © 2021
Fold

摘要

机载LiDAR在提取地形坡度较大区域的冠层高度模型（CHM）时易产生畸变,降低单木树高的提取精度,为此提出一种CHM与数字表面模型（DSM）相结合的树高估算方法。首先基于预处理后的点云生成的CHM,利用局部最大值算法和标记控制分水岭分割算法进行分割,得到单木树冠轮廓多边形;然后结合DSM,采用固定窗口的局部最大值算法探测树顶点并提取其高程,继而与使用狄洛尼三角网和高程内插得到的地面点相减获取树高;最后,以广西兴安县富江村附近地形起伏较大的针叶林为试验区,测试3种不同坡度下,在CHM、CHM结合DSM获得的树高与实测树高分别进行精度分析。结果表明,当树木分别位于平均坡度为32°、27°和15°的试验区时,CHM中提取的树高与实测数据拟合的R2分别为0.84、0.85和0.87,RMSE为1.48、1.41和1.58 m,结合DSM后R2为0.92、0.91和0.93,RMSE为0.93、1.02和1.16 m;在地形坡度较大的区域,本文方法可以有效提高单木树高的估算精度。

关键词： 机载LiDAR; 单木分; 树高; 冠层高度模型; 数字表面模型; 标记控制分水岭分割算法; 地形坡度

本文引用格式

张海清 , 李向新 , 王成 , 习晓环 , 王濮 , 陈正宇 . 结合DSM的机载LiDAR单木树高提取研究[J]. 地球信息科学学报, 2021 , 23(10) : 1873 -1881 . DOI: 10.12082/dqxxkx.2021.210030

Abstract

The retrieval of tree height is very important for growth status evaluation and biomass estimation. The Canopy Height Models (CHMs) are commonly used to extract the heights of individual trees. However, airborne LiDAR-derived CHMs are prone to distortion in areas with complex terrain, which significantly limits the extraction accuracy of individual tree height. Therefore, this study aimed to propose a new method, which simultaneously utilized the CHM and Digital Surface Model (DSM) to extract the heights of individual trees. Firstly, the CHM was generated from the preprocessed point clouds using Inverse Distance Weighted (IDW) interpolation algorithm. Secondly, the local maximum algorithm and Mark-Controlled Watershed Segmentation (MCWS) algorithm were adopted to segment the CHM, and thereafter obtain the individual tree crown contour polygon. Thirdly, the local maximum algorithm with a fixed window was applied to the DSM to detect the tree vertices and extract its elevation. Lastly, the tree height was obtained by subtracting the ground elevation obtained by Delaunay triangulation interpolation algorithm. Taking the coniferous forest near Fujiang Village, Xing'an County, Guangxi Province as the test area, this study analyzed the accuracy of tree heights obtained by CHM and our proposed method. For trees located at different test sites with the average terrain slopes of 32°, 25°, and 15°, the coefficients of determination (R2) values of the estimated tree heights based on CHMs are 0.84, 0.85, and 0.87, respectively, while the Root Mean Square Error (RMSE) values are 1.48, 1.41, and 1.58m, respectively. In contrast, the R 2 values of the tree height extracted from our method and the measured tree height are 0.92, 0.91, and 0.93, respectively, while the RMSE values are 0.93, 1.12, and 1.16 m, respectively. Compared with the CHM-based tree height extraction method, the R 2 of our method increased by 0.08, 0.06, and 0.06, respectively, while the RMSE values decreased by 0.55, 0.29, and 0.42m, respectively. The results indicated that, compared with the traditional method, our proposed method can significantly improve the estimation accuracy of individual tree height in areas with large terrain slopes.

Key words： LiDAR; tree segmentation; tree height; canopy height model; digital surface model; mark-controlled watered segmentation; terrain slope

1 引言

森林结构参数,如树高、冠幅、胸径和树冠体积等,不仅是评估森林生长状态、空间结构及生态功能的重要指标,也是分析全球森林生态系统碳平衡的基础。其中,树高是森林资源调查的重要参数,常常被用于立地质量与树木生长状态评价、树木材积与生物量估计[1]。因此,森林单株树木树高的精准提取具有重要意义。传统测量树高的方法常利用测高仪进行野外实测,既费时费力也不适用于大面积区域的森林资源调查。机载激光雷达（Airborne Light Detection And Ranging,LiDAR)作为一种主动遥感,能够穿透植被冠层获取植被冠层表面和林下地形信息,从而快速获取单木树高信息,为估测单木材积、地上生物量等提供支持[2]。
目前,基于激光雷达点云数据实现森林单木树高的提取主要有2种思路。① 基于激光雷达点云参数间接估测树高,将树木点云参数与林分结构参数分别进行回归分析,构建参数估测模型。Hall等[3]从激光雷达点云数据中提取了39个与森林结构参数相关的点云参数,并将它们有限的组合后作为回归模型的自变量,准确地估计了林分高度、地上总生物量和枝下高等参数。庞勇等[4]基于高度归一化的机载激光雷达点云数据,利用计算的四分位数对森林平均高度进行估测,结果表明,利用分位数可以较好地估测树高,总体平均精度为90.59%。缺点是估测模型构建需要大量数据集的支持,否则易出现过拟合现象。② 基于激光雷达点云数据直接获取树高,其中基于冠层高度模型（Canopy Height Model,CHM）提取单木树高是最常见的方法之一,利用CHM,使用图像目标检测与识别算法直接提取树木高度[5]。CHM是一种反映树木冠层表面与地面垂直距离的模型,可由数字表面模型（Digital Surface Model,DSM）与数字地形模型（Digital Elevation Model,DEM）相减得到,或通过归一化的点云插值得到。为更准确地获取单木树高,王轶夫等[6]对30个天涝池流样地,利用曲面建模平差算法更精确地生成DEM、DSM和CHM,实现了树木高度的准确提取,其单木树高数据与实测树高数据的决定系数R2为0.69。不足之处是对数据质量有一定要求,而且研究区地形坡度会导致CHM中树冠顶点发生位置偏移。王欣等[7]结合前人的研究认为,由于密集林区树冠间相互遮挡,获取点云数据会存在缺失,生成CHM时会产生一些空洞,其高度较周围点高度低而产生凹坑,导致提取的树高偏低,继而提出利用局部稳健加权回归算法对点云数据进行平滑处理,再基于平滑无凹坑的CHM提取树高。而对于地形坡度较大的区域,生成的CHM会存在畸变,导致检测的树顶位置不准确,高估或低估树高。Breidenbach等[8]发现研究区坡度较大时,冠层高度模型上的树冠位于上坡位置或下坡位置会出现“下沉”或“上升”现象,从而导致检测的树顶为伪树顶;Khosravipour等[9]根据简单理想化圆形树冠模型对苏格兰松树分析表明,对于陡峭地形,基于归一化点云生成的高度模型存在树冠畸变现象,从而使树顶产生水平和垂直位移,导致树高提取精度降低。进而建议,当树木位于坡度较大的地面时,为了最大限度地缩减归一化后树高提取的误差,从DSM上提取树高是改善结果的方法之一。Alexander等[10]对苏门答腊岛内地形复杂的热带森林研究得出,即使在平缓的斜坡上,归一化后的球形树冠也会存在水平位移导致的树高误差。
因此,为了避免在地形坡度较大区域由于CHM归一化产生畸变影响树高提取精度,本研究提出CHM与DSM相结合的方法来提取树高,并用实验验证该方法的有效性和精度。

2 研究方法

与DSM不同,在地形坡度较大的地区,CHM归一化时树顶点易产生偏移,从而造成树高估算误差。本文首先基于预处理后生成的CHM,利用局部最大值算法探测树顶点;然后,采用标记控制分水岭分割算法（Mark-Controlled Watered Segmentation,MCWS）分割单木,得到树冠轮廓多边形;最后,为最大限度地避免CHM归一化后造成的树高提取误差,采用固定窗口局部最大值算法探测DSM上树冠轮廓多边形内的树顶点,选取其局部最大值点为树顶点并提取高程信息与相应数字地形模型上的高程值,二者相减得到单木树高。为验证树高估算精度,将该方法提取的树高、基于CHM提取的树高与实测树高分别进行精度分析,方法及流程如图1所示。
图1 研究方法及总体流程

Fig. 1 Method and overall flow chart

2.1 点云数据预处理

本文首先采用基于距离统计[11]的去噪方法剔除原始数据中的噪声点,并使用多级移动曲面算法分离地面点与非地面点[12];然后,利用反距离加权插值方法（Inverse Distance Weight, IDW）生成DEM和DSM,二者相减得到CHM[13],CHM能够真实表达植被冠层表面到地面的高度,是森林关键参数提取与反演的重要模型,也是后续单木分割和树高提取的基础。IDW方法对于点云离散且分布均匀的地区适用性高,以估计值和样本间距离的幂次方在一定距离内为权重进行加权平均。最后,采用基于统计的凹坑填充法填充CHM上的凹坑[14],并使用高斯中值滤波器平滑CHM,抑制局部非极大值,一定程度上可以避免探测到与树顶相似的局部最大值。

2.2 基于CHM的树冠分割

2.2.1 探测树顶点
树顶探测的目的是找到每一个树冠所在位置,也是后续基于标记控制分水岭法分割单木的基础。通常来说,树冠形状大多四周低中间高,如阔叶林为圆拱形、针叶林则呈尖塔圆锥形等,因此可以使用局部最大值法探测树顶,尤其是对具有明显最高点的针叶林,本文采用与树冠轮廓更为相像的圆形固定窗口的局部最大值（Local Maximum）滤波器识别树顶[15]。
2.2.2 基于标记控制分水岭的单木分割
分水岭算法可以识别图像灰度的细微变化。首先颠倒各像元的灰度值,使局部最大值变为局部最小值,然后根据图像灰度的变化对目标物周围筑起堤坝即分割线,生成一个个集水盆,最后以浸没模拟思想从局部最小值开始注水,集水盆逐渐被淹没的一种图像分割方法。标记控制分水岭法是对分水岭方法的改进,即根据已经标记的位置执行分水岭分割。该方法将分水岭中自动探测的局部极小值变换为固定值,再进行分水岭变换,去除伪树冠点,减少过度分割,从而更准确地分割单木[16]。
本文在识别树顶点后,结合标记控制分水岭分割算法分割树冠。首先,CHM图像树冠边缘梯度值较大、树冠中心区域较小,采用形态学梯度运算达到增强树冠边缘的目的;然后,运用形态学开闭运算对形态学梯度CHM进行重构、去除噪声并修正区域极大值与极小值;最后,对CHM进行标记提取,即分水岭变换。分水岭变换从研究区域的局部极小值点开始,每个极小值小于或等于 d的集水盆都被分配唯一标记,假设当前值为 d + 1,如果 d + 1的邻域已有标记像元点,则将 d + 1与此标记点分为一类标记;如果其邻域内没有一个像元被标记,则记作一个新标记点,定为一个新的集水盆。如此反复,直到研究区的每一个像元都被标记,则分水岭变换完成[17]。通过变换,可形成围绕树顶点四周的封闭连贯树冠轮廓多边形。

2.3 基于DSM精确提取树高

2.3.1 基于DSM提取树顶点
Nie等[18]研究认为在CHM中,当地面坡度角小于树冠角时,圆锥形树冠的树顶位置不会发生位移;当地面坡度角大于树冠角时,会使CHM中的树顶点产生偏差,从而产生树高误差。图2为坡度角与树冠角的关系示意图, λ是地面坡度角, σ是树冠角。图2（a）和图2（b）为当 σ > λ时,真实树高 H 1在原始数据与CHM中不产生垂直位移;图2（c）和图2（d）为当 σ < λ时,真实树高 H 2与CHM上树高 H 2 ',产生的垂直位移 ∆ H。
图2 坡度角与树冠角的关系示意

Fig. 2 Schematic diagram of the relationship between slope angle and canopy angle

与CHM相比,DSM未经高程归一化处理。本研究以分割树冠轮廓多边形为先验知识,在DSM上运用局部最大值算法识别树冠轮廓多边形内的树顶点。首先,为去除噪声,运用5×5 m的高斯中值滤波器平滑DSM;其次,将标记控制分水岭算法分割得到的树冠轮廓多边形记作标记区域,然后比较每一个像素点与其邻域,选取此区域内最大像素值点为树顶点。该方法既可以避免因树冠缺乏一致性产生冗余树顶点,也可以精确得到DSM上树冠的树顶点。
2.3.2 树高提取
树高被定义为树顶点与地面的垂直距离,本文基于DSM上探测的树顶点,结合狄洛尼三角网（Delaunay）和高程内插生成的DEM相应位置提取树高。不规则三角网是表示数字地形模型的一种重要表达形式,能够更简单地处理不规则分布的离散特征点数据[19]。假定树顶点所在三角形坐标为 D 1 ( x 1 , y 1 , z 1 )、 D 2 ( x 2 , y 2 , z 2 )、 D 3 ( x 3 , y 3 , z 3 )构成三角网平面方程（式（1））,通过内插公式（式（2））求得此树顶点对应的地面点高程,树顶点与对应地面点高程值做差求取树高（式（3））。
x i y i x 1 y 1 z 1 z 1 1 x 2 y 2 x 3 y 3 z 2 1 z 3 1
z G = z 1 - x i - x 1 y 21 z 31 - y 31 z 21 + ( y i - y 1 ) ( z 21 x 31 - z 31 x 21 ) x 21 y 31 - x 31 y 21
H = z i - z G
式中：（ x i, y i, z i）表示树顶点坐标; z D为树顶点对应的地面点高程; x j 1、 y j 1、 z j 1分别为 x j - x 1、 y j - y 1、 z j - z 1, j =2,3; H为树木高度。

3 实验及结果分析

3.1 实验数据

3.1.1 机载LiDAR数据
试验区位于广西壮族自治区桂林市兴安县富江村附近地形起伏较大的林区,采用六旋翼无人机搭载RIEGL VUX-1激光扫描系统于2020年10月下旬采集林区点云数据。无人机飞行速度8 m/s、航高200 m,扫描频率380 kHz,扫描角度59°,航带旁向重叠率为65%。
3.1.2 地面实测数据
地面实测数据与机载LiDAR数据同步开展,树高由勃鲁莱测高器测量,用罗盘仪测量坡度。利用GPS测量样地单木位置,并由遥感数据与人工检查共同标记。根据不同地形坡度选取3块试验区,试验区1共有树木45棵,主要为杉树和桉树,平均坡度约为32°,平均树高约为26.5 m;试验区2共有树木78棵,主要为松树,平均坡度约25°,平均树高约为23.5 m;试验区3共有树木33棵,主要为杉树,平均坡度约为15°,平均树高约为26.9 m,试验区中树高小于3 m的不参与分析。

3.2 实验结果与分析

3.2.1 预处理结果
本文首先对原始点云进行去噪,利用多级移动曲面算法分离地面点云与非地面点云;其次,根据文献[13]设置图像网格分辨率为1 m,插值半径为 3 m,权重为2,最少插值点数为20个,反距离加权插值生成DEM、DSM,二者相减生成CHM;最后,利用基于统计的凹坑填充法,目视确定最佳阈值,填充凹坑,并用5×5高斯中值滤波器平滑CHM,研究区点云数据生成CHM如图3所示。
图3 研究区点云数据生成CHM

Fig. 3 Generation of CHM from point cloud data in the study area

3.2.2 树顶识别与单木分割
基于CHM,利用固定窗口局部最大值探测树顶点。为减少树顶探测误差,通过比较不同窗口大小试验结果,本文采用最佳效果3 m直径的圆形窗口,以0.5 m步长来移动窗口,遍历整个试验区。依据探测到的树顶点,使用标记控制分水岭方法分割单木,勾绘树冠轮廓,单木分割与树冠轮廓提取见图4,单木点云提取结果见图5。
图4 单木分割与树冠轮廓提取

Fig. 4 Single tree segmentation and tree crown outline extraction

图5 单木点云提取结果

Fig. 5 Extraction result of single tree cloud point

将基于标记控制分水岭分割方法分割出的3块样地树木,与实测数据比较来进行精度评价,具体以分割准确率（Accuracy Rate,AR）、过分割误差（Commission Error,CE）、欠分割误差（Omission Error,OE）来总体评价树冠分割精度[20] ,计算公式见式（4）—式（6）,精度分析结果见表1。
AR = T P Z × 100 %
CE = F N Z × 100 %
OE = F P Z × 100 %
表1 基于标记控制分水岭分割的单木分割精度

Tab. 1 Accuracy of single tree segmentation based on Mark-Controlled Watered Segmentation

样地 总数 正确分割树木 过分割树木 漏分割树木 AR/% CE/% OE/%
试验区1 75 68 4 3 90.67 5.33 4.00
试验区2 78 67 3 8 85.90 3.85 10.25
试验区3 33 27 1 5 81.82 3.03 15.15
全部样区 186 162 8 16 87.10 4.30 8.60
式中： T P表示正确分割树木数量; F N表示过分割树木数量; F P表示漏分割树木数量; Z表示试验区总树木数量。
可以看出,本文方法正确分割树木、过分割树木与漏分割数量较少,各试验区分割准确率均超过80%,过分割误差均低于6%;所有试验区整体树冠分割准确率较高,超过87%,过分割与漏分割误差均低于10%。
3.2.3 树高提取
基于平滑后的DSM,使用3 m直径的圆形窗口局部最大值法提取树冠轮廓内的树冠顶点,得到顶点高程值并与DEM相应高程值做差获得树高。同时,为比较结合DSM提取树高方法与基于CHM提取树高方法的差异,结合3.2.2节中的树顶点与CHM实现了树高的提取。为了检验本方法中各研究区每棵树的树高提取精度,利用实测树高值（ H）与提取树高值（ H '）两组数据进行精度分析,分别计算各试验区实测与提取树高平均值及单株树木树高提取精度（ Φ）（式（7））,结果如表2所示。其中,3个试验区分别有68,67和27棵树被检测到,使用结合CHM与DSM的方法来提取树高,其单株立木的实测和提取树高均值分别相差0.34,0.05和0.84 m,相比直接基于CHM提取树高的方法,其树高均值差值分别缩小了60.92%,90.91%和26.32%;使用结合CHM与DSM提取树高的方法,各试验区单木树高平均精度都高于95.99%,中值精度都高于96.44%;相比直接基于CHM提取树高的方法,其单木树高提取平均精度分别提高了2.23%,1.47%和1.69%。结果表明,在地形坡度较大林区,结合CHM与DSM方法能更准确地获取单株立木树高。
Φ = 1 - H - H ' H × 100 %
表2 基于CHM、结合DSM与CHM 2种方法树高提取精度

Tab. 2 Accuracy of tree height extraction with basing on CHM and combining CHM and DSM

样地 树高获取 单木数量/棵 平均树高/m 最小精度/% 平均精度/% 中值精度/%
试验区1 实测值 68 26.53
基于CHM 27.40 82.68 94.71 95.22
结合CHM与DSM 26.19 89.88 96.94 97.56
试验区2 实测值 67 23.52
基于CHM 24.07 84.91 94.91 95.44
结合CHM与DSM 23.57 87.38 96.38 97.22
试验区3 实测值 27 26.92
基于CHM 28.06 84.54 94.30 95.15
结合CHM与DSM 26.08 88.10 95.99 96.44
对比实测数据,本研究还采用线性拟合的方法[21]来评估提取树高与实测树高的关系,其线性表达式见表3。同时使用决定系数（R2）、均方根误差（RMSE）、归一化均方根误差（NRMSE）进行精度分析,结果如表3,根据文献[22]研究论证可知,NRMSE低于10%说明提取数据与实测数据的一致性为极好。
表3 提取树高和实测树高的线性拟合结果

Tab. 3 Linear fitting results of extracted tree height and measured tree height

样地 方法 线性关系 R2 RMSE/m NRMSE/%
试验区1 基于CHM Y=0.942x-0.723 0.84 1.48 5.58
结合CHM与DSM Y=0.984x-0.741 0.92 0.93 3.51
试验区2 基于CHM Y=0.857x+2.874 0.85 1.41 5.98
结合CHM与DSM Y=0.887x+2.620 0.91 1.02 4.33
试验区3 基于CHM Y=0.980x-0.587 0.87 1.58 5.88
结合CHM与DSM Y=0.972x+1.561 0.93 1.16 4.31
分析可得,结合DSM提取的树高与实测数据的R2均高于0.90,RMSE均低于1.2 m,NRMSE均低于5%;而基于CHM提取的树高与实测数据的R2均低于0.90,RMSE均高于1.4 m,NRMSE均高于5%。综上,当树木在坡度较大的区域时,结合DSM与CHM的提取树高方法精度高于基于CHM提取树高。同时,3个试验区的坡度有着明显差异,基于CHM提取的树高数据集与实测数据集的R2随着坡度的增加而降低,说明基于CHM的树高提取方法确实会受到地形坡度的影响,这与Khosravipour 等[9]的研究结果一致。通过计算各试验区树木高度均值、平均精度和线性拟合结果分析得出：结合DSM对单木树高提取精度明显优于传统基于CHM提取结果。

4 结论

本研究在充分考虑了点云生成CHM时地形坡度易导致树冠形变的基础上,提出了一种CHM与DSM相结合的树高估算方法。首先,本研究基于CHM利用局部最大值算法和标记控制分水岭分割算法实现森林单木分割,并提取出单木轮廓多边形;然后,结合单木轮廓多边形与DSM,探测出树顶点并提取其高程;最后,与使用狄洛尼三角网和高程内插得到的地面点相减获取较为准确的树高。为了验证本研究树高提取方法的有效性,分别对坡度为32°、25°和15°的研究区数据进行实验,实验结论如下：
（1）利用局部最大值算法和标记控制分水岭分割算法可以有效分割单木,试验区树冠分割准确率超过87%,过分割、漏分割误差均低于10%。
（2）相比直接基于CHM提取树高,本研究树高提取方法试验精度R2分别提高0.08、0.06和0.06,RMSE分别降低0.55、0.39和0.42 m。
结果表明,相比直接基于CHM提取树高,本方法可以有效提高地形坡度较大区域单木树高的估算精度,对提升森林资源调查的准确性有重要意义。尽管如此,本研究并未消除点云生成CHM时地形坡度对树冠形变的影响,为了能更加准确地获取树顶与树冠,后续将研究基于DSM探测树顶、分割单木;此外,本研究只分析了针叶林数据,相比于针叶林,阔叶林冠层更加密集,树顶探测与树冠分割的难度更大,后续将深入研究如何提升阔叶林单木树高估算精度,进一步提升本研究方法的普适性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
夏永杰, 庞勇, 刘鲁霞, 等. 高精度DEM支持下的多时期航片杉木人工林树高生长监测[J]. 林业科学, 2019, 55(4):108-121.

[ Xia Y J, Pang Y, Liu L X, et al. Forest height growth monitoring of cunninghamia lanceolata plantation using multi-temporal aerial photography with the support of high accuracy DEM[J]. Scientia Silvae Sinicae, 2019, 55(4):108-121. ]

[2]
焦义涛, 邢艳秋, 霍达, 等. 基于机载LiDAR点云估测林分的平均树高[J]. 西北林学院学报, 2015, 30(3):170-174.

[ Jiao Y T, Xing Y Q, Huo D, et al. Study on mean canopy height estimation from airborne LiDAR point cloud data[J]. Journal of Northwest Forestry University, 2015, 30(3):170-174. ]

[3]
Hall S A, Burke I C, Box D O, et al. Estimating stand structure using discrete-return lidar: An example from low density, fire prone ponderosa pine forests[J]. Forest Ecology and Management, 2005, 208(1-3):189-209.

DOI

[4]
庞勇, 赵峰, 李增元, 等. 机载激光雷达平均树高提取研究[J]. 遥感学报, 2008, 12(1):152-158.

[ Pang Y, Zhao F, Li Z Y, et al. Forest height inversion using airborne lidar technology[J]. Journal of Remote Sensing, 2008, 12(1):152-158. ]

[5]
鲁林, 周小成, 余治忠, 等. 随机森林算法在机载LiDAR数据林分平均树高估算中的应用研究[J]. 地球信息科学学报, 2016, 18(8):1133-1140.

DOI

[ Lu L, Zhou X C, Yu Z Z, et al. Plot-level forest height inversion using airborne LiDAR data based on the random forest[J]. Journal of Geo-Information Science, 2016, 18(8):1133-1140. ]

[6]
王轶夫, 岳天祥, 赵明伟, 等. 机载LIDAR数据的树高识别算法与应用分析[J]. 地球信息科学学报, 2014, 16(6):958-964.

DOI

[ Wang Y F, Yue T X, Zhao M W, et al. Study of factors impacting the tree height extraction based on airborne LIDAR data[J]. Journal of Geo-information Science, 2014, 16(6):958-964. ]

[7]
王欣, 陈传法. LiDAR森林冠层高度模型凹坑去除方法[J]. 测绘科学, 2016, 41(12):157-161.

[ Wang X, Chen C F. Method for removing pits of canopy height model from airborne LiDAR data[J]. Science of Surveying and Mapping, 2016, 41(12):157-161. ]

[8]
Breidenbach J, Koch B, Kändler G, et al. Quantifying the influence of slope, aspect, crown shape and stem density on the estimation of tree height at plot level using lidar and InSAR data[J]. International Journal of Remote Sensing, 2008, 29(5):1511-1536.

DOI

[9]
Khosravipour A, Skidmore A K, Wang T J, et al. Effect of slope on treetop detection using a LiDAR Canopy Height Model[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 104:44-52.

DOI

[10]
Alexander C, Korstjens A H, Hill R A. Influence of micro-topography and crown characteristics on tree height estimations in tropical forests based on LiDAR canopy height models[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 65:105-113.

DOI

[11]
杨雨薇, 李幸刚, 张亚萍. 基于图像的重建点云离群点检测算法[J]. 数据采集与处理, 2018, 33(5):928-935.

[ Yang Y W, Li X G, Zhang Y P. Image based outlier detection algorithm for point cloud reconstruction[J]. Journal of Data Acquisition and Processing, 2018, 33(5):928-935. ]

[12]
朱笑笑, 王成, 习晓环, 等. 多级移动曲面拟合的自适应阈值点云滤波方法[J]. 测绘学报, 2018, 47(2):153-160.

[ Zhu X X, Wang C, Xi X H, et al. Hierarchical threshold adaptive for point cloud filter algorithm of moving surface fitting[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(2):153-160. ]

[13]
张锦明, 郭丽萍, 张小丹. 反距离加权插值算法中插值参数对DEM插值误差的影响[J]. 测绘科学技术学报, 2012, 29(1):51-56.

[ Zhang J M, Guo L P, Zhang X D. Effects of interpolation parameters in inverse distance weighted method on DEM accuracy[J]. Journal of Geomatics Science and Technology, 2012, 29(1):51-56. ]

[14]
Ben-Arie J R, Hay G J, Powers R P, et al. Development of a pit filling algorithm for LiDAR canopy height models[J]. Computers & Geosciences, 2009, 35(9):1940-1949.

DOI

[15]
Zörner J, Dymond J, Shepherd J, et al. LiDAR-based regional inventory of tall trees-Wellington, new Zealand[J]. Forests, 2018, 9(11):702.

DOI

[16]
Chen Q, Baldocchi D, Gong P, et al. Isolating individual trees in a savanna woodland using small footprint lidar data[J]. Photogrammetric Engineering & Remote Sensing, 2006, 72(8):923-932.

[17]
郭昱杉, 刘庆生, 刘高焕, 等. 基于标记控制分水岭分割方法的高分辨率遥感影像单木树冠提取[J]. 地球信息科学学报, 2016, 18(9):1259-1266.

DOI

[ Guo Y S, Liu Q S, Liu G H, et al. Individual tree crown extraction of high resolution image based on marker-controlled watershed segmentation method[J]. Journal of Geo-information Science, 2016, 18(9):1259-1266. ]

[18]
Nie S, Wang C, Xi X H, et al. Assessing the impacts of various factors on treetop detection using LiDAR-derived canopy height models[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(12):10099-10115.

DOI

[19]
李祥, 吴金卓, 林文树, 等. 一种高郁闭度林分树高的估测方法[J]. 测绘科学, 2019, 44(7):128-134.

[ Li X, Wu J Z, Lin W S, et al. A tree height estimation method with high canopy density[J]. Science of Surveying and Mapping, 2019, 44(7):128-134. ]

[20]
Jing L H, Hu B X, Li J L, et al. Automated delineation of individual tree crowns from lidar data by multi-scale analysis and segmentation[J]. Photogrammetric Engineering & Remote Sensing, 2012, 78(12):1275-1284.

[21]
陈日强, 李长春, 杨贵军, 等. 无人机机载激光雷达提取果树单木树冠信息[J]. 农业工程学报, 2020, 36(22):50-59.

[ Chen R Q, Li C C, Yang G J, et al. Extraction of crown information from individual fruit tree by UAV LiDAR[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(22):50-59. ]

[22]
陶惠林, 徐良骥, 冯海宽, 等. 基于无人机数码影像的冬小麦株高和生物量估算[J]. 农业工程学报, 2019, 35(19):107-116.

[ Tao H L, Xu L J, Feng H K, et al. Estimation of plant height and biomass of winter wheat based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(19):107-116. ]

Options
文章导航

/

〈 〉