LiDAR based individual tree localization for sample plot inventory
-
摘要:目的 利用具有高扫描频率的线阵激光雷达辅助地面验证过程进行单木定位，快速、准确地对应样地观测结果与地面验证数据，为精准林业调查提供技术支持。方法 以中山大学珠海校区内的人工林为研究对象，在地面验证每木调查过程中，借助线阵扫描激光雷达（本文中将其定义为监测激光雷达）辅助单木定位，首先解决背包式与监测激光雷达点云配准的问题，获取样地单木位置基准底图；然后基于背景差法，利用监测激光雷达实时追踪样地动态目标，获取地面调查人员的位置信息，并结合背包式激光雷达获取的单木位置底图，间接判断地面验证人员所测单木的位置，进而实现样地观测结果与地面验证每木调查数据的对应。结果 对于两块不同条件的样地数据，背包式激光雷达与监测激光雷达点云粗配准均方根误差均小于0.2 m，远小于样地立木间最小间距，满足对应的要求；利用本研究的动态目标追踪和对应方法，以追踪到的地面调查人员位置点为种子点，通过最邻近搜索获取基准底图中与种子点最邻近的单木位置，实现样地观测数据与地面验证每木调查数据对应，对应准确率高于95%，平均每帧序列点云处理时间小于0.1 s，可以达到实时性的要求。结论 本研究提出的方法−利用激光雷达在地面验证每木调查过程中辅助单木定位，可以提高样地观测结果与地面验证数据对应的精度和效率，有助于推动精准林业调查技术的进步。Abstract:Objective The LiDAR with high scanning frequency was used to assist the ground verification process in individual tree localization, quickly and accurately corresponding to the sample plot observation results and ground verification data, aiming to provide technical support for precision forestry survey.Method Taking the planted forest in Sun Yat-sen University as the research object, with the help of laser pairs LiDAR with high scanning frequency (defined as monitor LiDAR) to assist tree localization during the ground verification of individual tree inventory, we firstly solved the problem of registration with backpack and monitoring point clouds, and obtained the base map of individual tree localization in sample plots; then, based on the method of background difference, the monitor LiDAR was used to track the dynamic target in real time and obtain its positions. Combined with the individual tree localization base map, the position of the individual tree measured by the ground investigator was judged indirectly, so as to realize the correspondence between the sample plot observation and the validation data.Result Using our method to register the backpack and monitor point clouds, RMSE of coarse registration was all less than 0.2 m, and which was less than the minimum spacing of standing trees and met the corresponding requirements; using the dynamic target tracking and corresponding method in this paper, taking the positions of investigators as seed points, the serial number of tree which was closest to the seed points in the base map was obtained through the nearest search, so as to realize the data correspondence, its accuracy was higher than 95%, the average processing time of per frame was less than 0.1 s, which met the requirements of real-time.Conclusion Our method proposed in this paper uses LiDAR to assist tree localization in the process of ground verification, which can improve the accuracy and efficiency of correspondence to sample plot observation results and verification data, and helps to promote the development of precision forestry inventory technology.
-
Keywords:
- LiDAR /
- individual tree localization /
- data correspondence /
- point cloud registration
-
对样地观测数据质量进行地面验证是评价激光雷达森林样地观测结果有效性的重要途径[1-2]。如何对样地观测结果进行高效、精准的验证是森林调查工作面临的一个技术瓶颈。
样地每木调查是实现地面验证的主要方法，其中样地单木位置的测定则是实现激光雷达样地观测结果与每木调查数据对应的纽带。借助皮尺、罗盘仪等传统测量工具是目前地面验证中测定单木位置的主要方式[3]。皮尺调查一般通过计算树木与样地中心点或角点间相对距离得到单木相对位置，效率低且受人为主观因素影响大[4]。罗盘仪测距采用视距法，仅能满足小尺度样地测量精度要求，且不能直接测定单木位置的坐标值[5]。新观测设备全站仪可以直接测定单木位置，其精度和效率优于皮尺和罗盘仪等传统测量工具，但操作复杂且对森林通视要求较高[6-7]；全球定位系统（global positioning system，GPS）的出现使森林作业更简便，利用便携式GPS设备能直接测定位置，且成本低[8-10]，但森林遮蔽会增加卫星信号接收的不确定性，目标定位误差可达5 m或以上[11-12]，难以保证验证数据与观测结果的准确对应。Liu等[13]针对样地单木位置测量开发出了一种高度集成的智能森林测量计算器（intelligent forest survey calculator，IFSC），整合了激光测距仪、电子罗盘、陀螺仪和蓝牙等设备，能够实现角度和距离的精确测量以及三维坐标的自动计算。IFSC与传统的测量方法相比，在测量精度方面没有优势，但其测量效率要高得多。Němec[14]比较了应用新技术的森林调查方法（野外计算机、激光测距仪、电子罗盘和GPS单元组成的电子设备）与亚马孙热带雨林管理常用方法（笔、纸、罗盘和皮尺），证明了使用新技术能更快、更精确以及更全面地测量样地单木位置坐标，但是操作更加复杂，需要培训更多的专业人员进行作业。上述研究都是针对在森林样地中高效、准确地获取单木位置，虽然它们在位置获取的精度和效率上都各有优势，但应用在地面验证每木调查过程却相对复杂、实用性不强，且难以保证验证数据与观测结果的准确对应。因此，在地面验证过程中，高效、准确的单木定位方式还有待进一步研究。
激光雷达具有高效、精准定位目标的能力，但目前多用于森林样地三维结构描述和森林参数反演[15]，较少辅助地面验证。而目前用于移动测量的线阵激光雷达多具有高扫描频率特点，如Velodyne VLP-16型号激光雷达的扫描频率最高可达20 Hz，能进行扫描场景的实时监测，此类激光雷达在自动驾驶等方向已得到大量使用[16-17]，并且成本也正不断降低[18]，为此也推动了此类设备在样地调查和研究中的应用。
针对上述借助传统测量工具测定单木位置以实现样地观测结果与每木调查数据对应的方式效率低，单木定位误差大，导致不可靠的地面验证的问题；在每木调查过程，本研究将借助线阵扫描激光雷达（本项目中将其定义为监测激光雷达）辅助单木定位，发挥其高扫描频率和高精度的优势，提高样地观测结果与地面验证数据对应的精度和效率。同时将使用中山大学珠海校区的人工林数据对该算法进行验证。
1. 研究区概况及数据获取
1.1 研究区概况
研究区位于中山大学珠海校区，地处广东省珠海市香洲区北部，珠江口西岸，地理坐标位置113°34′E、22°20′N，校区占地面积为3.571 km2。在人工林研究区设置2块大小约为30 m × 30 m的方形区域作为实验样地。图1显示了研究区位置分布和样地概况。两块样地实地调查情况如表1。
![]()
图 1 研究区位置和样地概况图Figure 1. Geographical location of the study area and the overview of sample plots表 1 样地情况统计表Table 1. Statistics of field survey for sample plots样地编号
Sample plot No.主要树种
Main tree species株数
Plant number密度/ （株·hm−2）
Plant density/(plant·ha−1)1 王棕 Roystonea regia 65 689 2 王棕、木棉 Roystonea regia, Bombax ceiba 94 1 044 1.2 数据获取
Velodyne VLP-16型号激光雷达是实现本文研究方法的主要设备，本研究将其搭载在不同平台进行样地观测以及地面验证。该型激光雷达支持16个通道，360°水平视场角以及30°垂直视场角，扫描频率为5 ~ 20 Hz，每秒高达30万点，能实现扫描场景的实时观测，在研究区域分别采集以下3组数据。
1.2.1 样地背包激光雷达观测数据
本实验使用的背包式激光雷达是由研究团队利用该型号激光雷达自主设计和集成[19]，由两个Velodyne VLP-16激光雷达组成。在样地观测过程中，由作业人员穿戴该设备，在划定好的样地中按照预定的扫描路线匀速行进，进行数据采集，该过程即为利用背包激光雷达进行样地观测的过程（图2a）；借助同步定位与构图技术[20]（simultaneous localization and mapping，SLAM）实现快速精准的样地观测数据构图。
![]()
图 2 背包激光雷达（a）和 背包激光雷达样地观测数据（b）Figure 2. Backpack LiDAR (a) and the observation data of backpack LiDAR (b)1.2.2 样地背景点云数据
在地面验证过程，本方法将上述激光雷达固定在三脚架上进行样地动态目标实时追踪，我们将其定义为监测激光雷达。监测激光雷达构造简单易用，由1个Velodyne VLP-16激光雷达、1个三脚架及若干连接线缆组成（图3a）。为了减少树木遮挡对激光雷达信号的影响，将监测激光雷达布设在样地中央，尽可能保证周围通视良好。在调查人员进入样地进行实测前，利用该监测激光雷达采集一帧无目标干扰的点云数据作为背景点云（图3b）。
![]()
图 3 监测激光雷达（a）和监测激光雷达背景点云数据（b）Figure 3. Monitoring LiDAR (a) and background point cloud data from monitoring LiDAR (b)1.2.3 样地调查人员作业实时序列点云数据
我们模拟调查人员在样地中进行地面真实性检验的过程，即地面调查人员对样地中的单木进行实测获取单木参数真值的过程，利用监测激光雷达采集该过程的实时序列点云， 图4b为其中一帧数据。
![]()
图 4 调查人员作业过程（a）和实时序列点云数据（b）Figure 4. Verifier operation process (a) and real time sequence point cloud data (b)2. 研究方法
本研究的技术路线如图5所示。首先，分别获取背包式和监测激光雷达观测得到的单木位置点，将监测激光雷达点云与背包式激光雷达点云配准到同一坐标系下，得到样地单木位置分布基准底图；然后采用背景差法从监测激光雷达序列点云中实时追踪样地动态目标，获取地面调查人员的位置信息，并结合背包式激光雷达获取的单木位置基准底图，间接判断地面调查人员所测单木的位置，进而实现样地观测结果与每木调查数据的对应。最后，利用样地单木位置和序号等信息对样地观测结果与每木调查数据对应结果的正确性进行评价。
2.1 背包式激光雷达定位单木
通过单木分割确定单木位置的方式效率较低。为了提高单木定位效率，本研究通过直接从背包激光雷达样地构图点云中提取树干骨架中心点的方式获得单木位置。
根据背包激光雷达样地重建点云的特点，采用布料模拟点云地面滤波[21]（cloth simulation filter, CSF）算法将点云分为地面点和非地面点。然后，利用最小二乘法拟合地面点所在平面，按所拟平面方向对植被点进行分割，截取胸径高度处的植被（图6）；利用连通成分分析[22]对植被点进行聚类分析。最后，对聚集类别进行圆拟合，计算拟合圆直径和中心点坐标，去除直径大小和中心点位置异常的类别，将满足要求的类别中心点投影到二维平面，生成树干位置分布图，作为背包激光雷达立木平面位置点。
2.2 监测激光雷达定位单木
借助传统测量工具测定单木位置的方式效率低，且定位精度难以得到保证。本研究将监测激光雷达置于样地中进行定点扫描，监测每木调查人员的位置变化，并结合背包式激光雷达获取的单木位置信息，间接测定每木调查人员所测单木的位置，进而实现样地观测与每木调查过程的对应。涉及背包式激光雷达和监测激光雷达点云配准、样地动态目标追踪以及单木位置测定等内容。
2.2.1 激光雷达点云配准
背包式激光雷达与监测激光雷达点云配准是本研究在地面验证过程获取单木位置的基础和关键。由于所使用的监测激光雷达垂直视场角和分辨率较低，站点邻近范围内的立木通常只有树干部分被覆盖，为此利用样地立木间的空间位置关系实现两组数据的配准。
首先，根据监测激光雷达点云特点，采用邻域点间角度关系进行点云分割，提取立木骨架最终获得监测激光雷达立木平面位置点。具体地，为了方便组织点云数据，本方法将点云投影到深度图；利用线阵激光雷达激光束的先验知识[23]去除地面点。对非地面点进行分割：在深度图上使用了广度优先遍历（breadth first search，BFS）来进行邻域点搜索，以提高分割效率。根据BFS算法，从任一未标记点（未分割点）开始搜索，判断搜索点与其上下左右4个邻域点的角度关系β（图7），并与角度阈值（本实验设置为60°）对比，若大于阈值，则进行标记，表示该点与邻域点是同簇点[24]，依次将4个点的邻域点进队，执行判断；然后出队列，直到队列为空，也就是不再有点的4邻域点属于该簇点，则搜索结束进入下一个未被标记的待搜索点。然后，对分割结果进一步判别：对于样地场景而言，立木的水平点分布少，但线阵激光雷达水平分辨率较高；竖直方向点分布较多，但线阵激光雷达垂直分辨率低，因此，若上一步分割得到的各簇点云点数大于30，则标记为立木点；若点数小于等于30且满足最少点要求，则进行额外判别，若该簇点云在竖直方向跨过至少3条扫描线，则也标记为立木点。最终，获得监测激光雷达立木骨架点。
![]()
图 7 邻域点角度关系判断示意图β 代表搜索点与邻域点的夹角（°）；α 代表雷达水平或垂直分辨率（°）；d1 代表搜索点到雷达的距离（m）；d2 代表该邻域点到雷达的距离（m）；pup、pdown、pleft和pright分别代表上下左右4个邻域点。β represents the angle between the search point and the neighborhood point (°); α represents the horizontal or vertical resolution of the LiDAR (°); d1 represents the distance from the search point to the LiDAR (m); pup, pdown, pleft and pright represent four neighborhood points, respectively.Figure 7. Angle relationship of neighborhood points然后，将得到的立木骨架中心点投影到地面点所拟合的平面上，并取骨架中心作为该立木的平面位置点，得到监测激光雷达立木平面位置点。
β=arctand2sinαd1−d2cosα (1) 式中：β代表搜索点与邻域点的夹角（°）；α代表雷达水平或垂直分辨率（°）；d1 代表搜索点到雷达的距离（m）；d2代表该邻域点到雷达的距离（m）。
最后，借助4点全等匹配[25]（4-points congruent sets，4PCS）算法原理，从以上两组立木平面位置点集中获取一组对应立木的位置点对，实现两组数据的水平匹配（图8）。同时基于两组数据中地面点的法向量和高程信息实现垂直方向上的配准。
2.2.2 样地动态目标追踪
样地动态目标追踪是本研究对应方法在地面验证过程测定单木位置的前提，其目的是通过获取样地中地面调查人员的位置，间接测定所调查单木的位置。为了保证森林样地中目标追踪的效率，我们采用背景差法从监测激光雷达实时点云中检测地面调查人员。首先，利用架设在样地中央的监测激光雷达采集无目标干扰下的样地点云，并作为背景点云。然后，利用前述步骤介绍的分割思路，去除离散分布点和连续分布的地面点，不仅可以减小数据处理量，提高追踪速度，还可以避免细小枝叶及低矮植被对目标追踪的干扰；并以分割结果点集为检测单元，计算各单元与背景点云中对应位置点的深度差，根据设定的深度差阈值，判断满足要求的点，将多数点都符合要求的单元作为样地中的动态单元（即地面调查人员），并计算目标的中心点，获取地面调查人员在序列点云中的位置信息。
2.3 样地观测与每木调查对应
在进行地面验证时，本研究以背包式激光雷达获取的样地单木位置分布图作为基准底图，并结合地面调查人员自身的位置信息，寻找相应的单木进行每木调查；实施每木调查时，以检测到的地面调查人员位置点为种子点，通过最邻近搜索，获取基准底图中与种子点最邻近的单木，并将该单木位置信息连同每木调查的单木属性信息进行记录保存，从而实现样地观测结果和样地每木调查数据的对应。
3. 结果与分析
3.1 立木平面位置点提取
3.1.1 背包式激光雷达立木平面位置点提取结果
经过上述步骤的地面滤波、平面拟合、胸径高度处切片、聚类分析、圆拟合及投影后，得到背包激光雷达样地构图立木位置点分布图，即基准底图（图9）。
![]()
图 9 背包激光雷达立木平面位置点提取结果a 样地1立木平面位置点提取俯视图 Top view of extracted positions in sample plot 1；b 样地1立木平面位置分布图 X-Y position distribution of trees in sample plot 1；c 样地2立木平面位置点提取俯视图 Top view of extracted positions in sample plot 2；d 样地2立木平面位置分布图 X-Y position distribution of trees in sample plot 2Figure 9. Result of X-Y tree position extracted from backpack LiDAR从图9可知：两组实验数据中的立木位置基本都被投影到了平面上，并剔除了一些非树干目标映射的位置点。据表2数据，样地1背包激光雷达立木平面位置点提取完整度为95.38%，正确率为93.94%，总体精度为89.86%；样地2提取完整度为92.55%，正确率为90.63%，总体精度为84.47%。未被提取的点主要是由于样地边缘点较稀疏。结果表明该方法可以为后续配准和对应提供立木平面位置点基准底图。
表 2 背包激光雷达立木平面位置点提取统计Table 2. Extraction statistical table of X-Y position of trees from backpack LiDAR样地编号
Sample plot No.实测树干数量
Number of measured stem正确提取数
Number of correct extraction (TP)未被提取数
Number not extracted (FN)错误提取数
Number of incorrect extraction (FP)1 65 62 3 4 2 94 87 7 9 3.1.2 监测激光雷达立木平面位置点提取结果
利用前述步骤介绍的点云分割方法从监测激光雷达点云中提取各立木骨架点，并将骨架点投影到地面点所拟合的平面，并取骨架中心作为该立木的平面位置点，样地2的提取结果如图10。
![]()
图 10 样地2监测激光雷达立木位置点提取结果Figure 10. Results of X-Y positions extracted from monitoring LiDAR in sample plot 2本研究采用的线阵激光雷达固定扫描获取的点云会呈现出近密远疏的特性。因此对于本方法来说，立木点的提取精度会受到目标与扫描站点（监测激光雷达处）的距离影响。根据样地监测激光雷达立木提取精度与站点距离统计，绘制了曲线（图11）。
![]()
图 11 立木位置点提取累计精度与扫描站点距离的关系Figure 11. Relationship between cumulative accuracy of tree extraction and scanning station distance从该曲线可知：在距离监测激光雷达10 m范围内的样地立木基本上可以被检测出（≥ 95%），距离大于14 m后，立木的提取精度有一定的下降；距离监测激光雷达扫描中心越远，精度越低，这主要是由于点稀疏和遮挡的影响。在30 m范围内，总体的检测精度为87.89%。为了保证配准的精度和效率，我们只选取距离扫描站点15 m范围内的监测激光雷达立木位置点用于配准。
3.2 背包式激光雷达与监测激光雷达点云配准
利用样地每木的空间位置关系实现了两组数据的自动配准，两块实验样地的配准结果如图12。从图12可知：两组点云尽管在密度等方面有很大的不同，但已基本拼接正确，对应在一起。我们对配准精度进行量化：针对样地1，采用本方法进行粗配准，均方根误差（root mean squared error，RMSE）为0.16 m。X方向上均方根误差0.06 m；Y方向上均方根误差0.06 m；Z方向上均方根误差0.12 m。针对样地2，配准均方根误差为0.19 m。X方向上均方根误差0.08 m；Y方向上均方根误差0.07 m；Z方向上均方根误差0.17 m。对于一般的样地，一般情况下各立木间的距离大于1 m，因此保证配准精度小于样地各立木间最小距离就能保证对应关系基本正确。针对我们的粗配准精度而言，该方法实现的配准结果已经远远小于立木间最小距离，能够满足对应的要求。
![]()
图 12 实验样地粗配准结果a样地1全局效果图 Global view in sample plot 1； b样地1局部效果图 Local view in sample plot 1；c样地2全局效果图 Global view in sample plot 2；d样地2局部效果图 Local view in sample plot 2Figure 12. Rough registration results of experimental sample plots3.3 样地观测结果与每木调查对应
图13a显示：白色的点表示样地中追踪到的地面调查人员的位置，左下角的Serial number数字表示以该人员的位置为种子点，半径1 m范围内最临近的立木编号；红色的点表示背包式激光雷达获取的单木位置底图。基准底图中立木编号为系统随机生成，或者人工设置，如图13b所示。
![]()
图 13 调查人员在单木位置底图中对应关系（a）和样地底图中立木编号设置（b）Figure 13. Corresponding relationship of the investigators in tree position base map (a) and individual tree serial No. in sample plot base map (b)在样地1中，我们利用监测激光雷达采集了1 160 帧调查人员作业的序列点云，利用本研究的动态目标追踪和对应方法，追踪序列点云中每帧调查人员实时位置，根据该位置信息，搜索最临近的树木编号，对比背包式激光雷达单木位置分布基准底图中的编号。我们设置的搜索距离为1 m，在1 160帧中，其中1 107帧都能正确对应，对应正确率高于95.43%。在样地2中，采集了1 203帧调查人员作业的序列点云，利用同样的方法，其中1 161帧都能正确对应，对应正确率高于96.50%。在实时性方面，本算法处理一帧序列点云平均时间小于0.1 s，因此基本可以达到实时性的要求。
未能正确对应的帧主是因为调查人员被树干遮挡住，监测激光雷达无法扫描到调查人员，导致追踪到了其他扰动目标或者无动态目标回到了原点；两组实验样地调查人员轨迹如图14，除了连续的行进轨迹外，有几个离散的白色点，表示错误追踪的调查人员位置，进而导致了错误的对应。
4. 结论与讨论
样地每木调查是评价激光雷达样地观测结果有效性的基本方式，但借助传统测量工具测定单木位置以实现样地观测结果与每木调查数据对应的方式效率低，单木定位误差大，易导致不可靠的地面验证。本研究以中山大学珠海校区内王棕（Roystonea regia）人工林为研究对象，提出一种基于激光雷达的样地动态目标追踪方法，探寻地面验证人员每木调查时的位置；并结合前述研究获取的样地点云数据，提出基于激光雷达的样地观测结果与每木调查数据高效、精准对应的方法。主要结论如下：（1）利用样地立木间的空间位置关系可以实现背包激光雷达和多线阵激光雷达数据的自动匹配，本研究以单木位置为核心，提出了一种基于4PCS算法原理的立木位置点水平方向配准以及基于地面点法线及高程差异的垂直方向配准的策略，可以实现两组点云数据的粗配准； （2）本研究将多用于自动驾驶领域的线阵激光雷达用于森林样地调查地面验证过程，发展样地观测与地面验证高效、精准对应的新调查技术，以背包式激光雷达获取的样地树木位置图为基准底图，通过激光雷达追踪地面调查人员的方式进行单木定位，可以提高森林样地观测数据与样地每木调查数据对应的效率和准确性。
本研究提出的方法有助于促进林业调查水平的提高。但是为了能够推广与普及，还有一些地方需要进一步改进和完善：（1）本文研究对象为人工林，开展实验的样地类型相对单一，未来应该在其他类型样地开展实验，进一步提高该方法的适用性；（2）从动态目标追踪和对应的结果看，由于激光雷达的特性，调查人员若被树干遮挡，监测激光雷达无法追踪到动态目标，这是导致对应正确率未达到100%的主要原因，针对该问题，在地面验证过程，尽量将监测激光雷达布设在样地中间，以减小树木遮挡影响；当样地树木密集时，可考虑将多套该设备布设在样地中间和四周，以实现完整样地的监测。
-
![]()
图 1 研究区位置和样地概况图
Figure 1. Geographical location of the study area and the overview of sample plots
![]()
图 2 背包激光雷达（a）和 背包激光雷达样地观测数据（b）
Figure 2. Backpack LiDAR (a) and the observation data of backpack LiDAR (b)
![]()
图 3 监测激光雷达（a）和监测激光雷达背景点云数据（b）
Figure 3. Monitoring LiDAR (a) and background point cloud data from monitoring LiDAR (b)
![]()
图 4 调查人员作业过程（a）和实时序列点云数据（b）
Figure 4. Verifier operation process (a) and real time sequence point cloud data (b)
![]()
图 7 邻域点角度关系判断示意图
β 代表搜索点与邻域点的夹角（°）；α 代表雷达水平或垂直分辨率（°）；d1 代表搜索点到雷达的距离（m）；d2 代表该邻域点到雷达的距离（m）；pup、pdown、pleft和pright分别代表上下左右4个邻域点。β represents the angle between the search point and the neighborhood point (°); α represents the horizontal or vertical resolution of the LiDAR (°); d1 represents the distance from the search point to the LiDAR (m); pup, pdown, pleft and pright represent four neighborhood points, respectively.
Figure 7. Angle relationship of neighborhood points
![]()
图 9 背包激光雷达立木平面位置点提取结果
a 样地1立木平面位置点提取俯视图 Top view of extracted positions in sample plot 1；b 样地1立木平面位置分布图 X-Y position distribution of trees in sample plot 1；c 样地2立木平面位置点提取俯视图 Top view of extracted positions in sample plot 2；d 样地2立木平面位置分布图 X-Y position distribution of trees in sample plot 2
Figure 9. Result of X-Y tree position extracted from backpack LiDAR
![]()
图 10 样地2监测激光雷达立木位置点提取结果
Figure 10. Results of X-Y positions extracted from monitoring LiDAR in sample plot 2
![]()
图 11 立木位置点提取累计精度与扫描站点距离的关系
Figure 11. Relationship between cumulative accuracy of tree extraction and scanning station distance
![]()
图 12 实验样地粗配准结果
a样地1全局效果图 Global view in sample plot 1； b样地1局部效果图 Local view in sample plot 1；c样地2全局效果图 Global view in sample plot 2；d样地2局部效果图 Local view in sample plot 2
Figure 12. Rough registration results of experimental sample plots
![]()
图 13 调查人员在单木位置底图中对应关系（a）和样地底图中立木编号设置（b）
Figure 13. Corresponding relationship of the investigators in tree position base map (a) and individual tree serial No. in sample plot base map (b)
表 1 样地情况统计表
Table 1 Statistics of field survey for sample plots
样地编号
Sample plot No.主要树种
Main tree species株数
Plant number密度/ （株·hm−2）
Plant density/(plant·ha−1)1 王棕 Roystonea regia 65 689 2 王棕、木棉 Roystonea regia, Bombax ceiba 94 1 044 
下载: 导出CSV
表 2 背包激光雷达立木平面位置点提取统计
Table 2 Extraction statistical table of X-Y position of trees from backpack LiDAR
样地编号
Sample plot No.实测树干数量
Number of measured stem正确提取数
Number of correct extraction (TP)未被提取数
Number not extracted (FN)错误提取数
Number of incorrect extraction (FP)1 65 62 3 4 2 94 87 7 9
下载: 导出CSV
-
[1] 吴小丹, 闻建光, 肖青, 等. 关键陆表参数遥感产品真实性检验方法研究进展[J]. 遥感学报, 2015, 19(1): 75−92. doi: 10.11834/jrs.20154009 Wu X D, Wen J G, Xiao Q, et al. Advances in validation methods for remote sensing products of land surface parameters[J]. Journal of Remote Sensing, 2015, 19(1): 75−92. doi: 10.11834/jrs.20154009
[2] 方红亮. 我国叶面积指数卫星遥感产品生产及验证[J]. 遥感技术与应用, 2020, 35(5): 990−1003. Fang H L. Development and validation of satellite leaf area index (LAI) production in China[J]. Remote Sensing Technology and Application, 2020, 35(5): 990−1003.
[3] Hédl R, Svátek M, Dančák M, et al. A new technique for inventory of permanent plots in tropical forests: a case study from lowland dipterocarp forest in Kuala Belalong, Brunei Darussalam[J]. Blumea-Biodiversity, Evolution and Biogeography of Plants, 2009, 54: 124−130.
[4] 梁晓军, 庞勇, 陈博伟. 基于地基激光雷达胸径提取的单木位置精确测量[J]. 林业科学研究, 2020, 33(4): 67−74. doi: 10.13275/j.cnki.lykxyj.2020.04.009 Liang X J, Pang Y, Chen B W. Accurate measurement of individual tree position based on DBH extraction of terrestrial laser scanning[J]. Forest Research, 2020, 33(4): 67−74. doi: 10.13275/j.cnki.lykxyj.2020.04.009
[5] 张民侠, 赵浩彦, 张洁. 涉案林地面积测算方法比较研究[J]. 西南林业大学学报, 2016, 36(4): 138−144. Zhang M X, Zhao H Y, Zhang J. Comparative study on methods of estimating forest land area[J]. Journal of Southwest Forestry University, 2016, 36(4): 138−144.
[6] 熊妮娜, 王佳. 基于地基激光雷达的活立木材积提取算法[J]. 林业工程学报, 2020, 5(6): 143−148. Xiong N N, Wang J. Extraction algorithm for stand volume using ground-based laser scanner[J]. Journal of Forestry Engineering, 2020, 5(6): 143−148.
[7] 林观土, 王长委, 韩锡君, 等. 全站仪在森林生态系统大样地定位中的应用[J]. 测绘科学, 2011, 36(4): 242−243. doi: 10.16251/j.cnki.1009-2307.2011.04.091 Lin G T, Wang C W, Han X J, et al. Application of total station in the positioning of large-scale plot sampling in forest ecosystem[J]. Science of Surveying and Mapping, 2011, 36(4): 242−243. doi: 10.16251/j.cnki.1009-2307.2011.04.091
[8] Liu J, Hyyppä J, Yu X, et al. A novel GNSS technique for predicting boreal forest attributes at low cost[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(9): 4855−4867. doi: 10.1109/TGRS.2017.2650944
[9] Bakula M, Przestrzelski P, Kazmierczak R. Reliable technology of centimeter GPS/GLONASS surveying in forest environments[J]. IEEE Transactions on Geoscience & Remote Sensing, 2015, 53(2): 1029−1038.
[10] 冯仲科, 游先祥. 普通手持式GPS接收机用于林区近实时差分定位的研究[J]. 林业科学, 2000, 36(6): 116−118. doi: 10.3321/j.issn:1001-7488.2000.06.020 Feng Z K, You X X. Study on forestry near-real time differential positioning portable GPS receiver[J]. Scientia Silvae Sinicae, 2000, 36(6): 116−118. doi: 10.3321/j.issn:1001-7488.2000.06.020
[11] 李永宁, 刘利民, 崔立艳, 等. 林冠开阔度对GNSS RTK在森林中定位可用性及初始化时间的影响[J]. 林业科学, 2014, 50(2): 78−84. Li Y N, Liu L M, Cui L Y, et al. Effects of canopy openness on positioning availability and initialization time of GNSS RTK in forests[J]. Scientia Silvae Sinicae, 2014, 50(2): 78−84.
[12] 武红敢, 罗鹏, 杨云风, 等. 森林环境中民用与专业级设备多模态定位精度比较研究[J]. 林业科学研究, 2020, 33(5): 170−176. doi: 10.13275/j.cnki.lykxyj.2020.05.021 Wu H G, Luo P, Yang Y F, et al. Comparison on multimodal positioning accuracy of commercial and professional receiver in forest environment[J]. Forest Research, 2020, 33(5): 170−176. doi: 10.13275/j.cnki.lykxyj.2020.05.021
[13] Liu J, Feng Z, Mannan A, et al. Positioning of coordinates and precision analysis of sample trees using the intelligent forest survey calculator[J]. Computers and Electronics in Agriculture, 2019, 159: 157−164. doi: 10.1016/j.compag.2019.03.003
[14] Němec P. Comparison of modern forest inventory method with the common method for management of tropical rainforest in the Peruvian Amazon[J]. Journal of Tropical Forest Science, 2015, 27(1): 80−91.
[15] Saarinen N, Kankare V, Yrttimaa T, et al. Assessing the effects of stand dynamics on stem growth allocation of individual scots pine trees[J]. Forest Ecology and Management, 2020, 474: 118344. doi: 10.1016/j.foreco.2020.118344
[16] Yurtsever E, Lambert J, Carballo A, et al. A survey of autonomous driving: common practices and emerging technologies[J]. IEEE Access, 2020(8): 58443−58469.
[17] Agarwal S, Vora A, Pandey G, et al. Ford multi-av seasonal dataset[J]. The International Journal of Robotics Research, 2020, 39(12): 1367−1376. doi: 10.1177/0278364920961451
[18] Bula J, Derron M, Mariéthoz G. Dense point cloud acquisition with a low-cost Velodyne VLP-16[J]. Geoscientific Instrumentation, Methods and Data Systems, 2020, 9(2): 385−396. doi: 10.5194/gi-9-385-2020
[19] Shao J, Zhang W, Mellado N, et al. Slam-aided forest plot mapping combining terrestrial and mobile laser scanning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163: 214−230. doi: 10.1016/j.isprsjprs.2020.03.008
[20] Shao J, Zhang W, Luo L, et al. Slam-based backpack laser scanning for forest plot mapping[J]. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020(2): 267−271.
[21] Zhang W, Qi J, Peng W, et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016(8): 501.
[22] He L, Chao Y, Suzuki K, et al. Fast connected-component labeling[J]. Pattern Recognition, 2009, 42(9): 1977−1987. doi: 10.1016/j.patcog.2008.10.013
[23] Himmelsbach M, Hundelshausen F V, Wuensche H J. Fast segmentation of 3D point clouds for ground vehicles[C]//Intelligent Vehicles Symposium. California: IEEE, 2010: 560−565.
[24] Bogoslavskyi I, Stachniss C. Fast range image-based segmentation of sparse 3D laser scans for online operation[C]//RSJ International Conference on Intelligent Robots and Systems (IROS). Daejeon: IEEE, 2016: 163−169.
[25] Aiger D, Mitra N J, Cohen-Or D. 4-points congruent sets for robust pairwise surface registration[J]. ACM Transactions on Graphics, 2008, 27(3): 1−10.
-
期刊类型引用(17)
1. 高杰. 天然林保护对生态系统服务功能的影响. 农业灾害研究. 2024(02): 232-234 . 
百度学术
2. 力佳琪，麦强盛，王俊超. 玉白顶自然保护区森林生态价值评估. 农业与技术. 2024(18): 67-71 . 百度学术
3. 潘丰十，牛香，郭珂. 呼伦贝尔市典型生态产品禀赋与价值化实现路径优化. 林业科学. 2024(12): 146-157 . 百度学术
4. 严雨桐，陈花丹，游巍斌，刘进山，蔡昌棠，何东进. 基于能值分析的天宝岩泥炭沼泽生态系统服务价值评估. 生态与农村环境学报. 2023(03): 335-343 . 百度学术
5. 李保杰，褚帅，顾和和. 淮海经济区生态系统服务价值时空分异特征研究. 地域研究与开发. 2023(02): 167-172 . 百度学术
6. 魏媛，吴长勇，洪林. 碳中和导向下贵州省森林资源生态价值评估及生态补偿研究. 自然资源情报. 2023(04): 44-50 . 百度学术
7. 赵玉堂. 普达措国家公园森林生态系统服务价值评估与分析. 林业调查规划. 2023(03): 208-213 . 百度学术
8. 邓紫君，刘鑫，祖浩然，苏闪闪，陈颖，罗俊毅，闫文德，张翔，王明旭. 湖南省森林型国家级自然保护区森林生态系统服务功能价值评估. 湖南林业科技. 2023(04): 72-80 . 百度学术
9. 李连强，杨会侠，丁国泉，李虹谕，白荣芬，王品. 辽宁仙人洞国家级自然保护区森林生态服务物质量评估及权衡与协同. 北京林业大学学报. 2023(09): 83-94 . 本站查看
10. 白晓航，施佳颖. 黑龙江丰林国家级自然保护区红松+紫椴+硕桦群系优势树种生态位特征与种间联结分析. 园林. 2023(10): 14-21 . 百度学术
11. 李超，谢飞，苏学威，罗传文. 凉水国家级自然保护区森林生态系统服务功能评估. 中国林副特产. 2023(06): 17-18 . 百度学术
12. 党俊. 移植栽培技术在自然保护区天然林保护工程生态修复中的应用. 环境保护与循环经济. 2023(12): 68-71 . 百度学术
13. 张颖，刘平辉，朱传民，张林颖. 基于NPP的抚州市生态系统服务功能重要性评价. 贵州农业科学. 2022(02): 133-140 . 百度学术
14. 胡建忠. 对我国系统种植开发沙棘的回顾与建议. 防护林科技. 2022(04): 75-77 . 百度学术
15. 王晓康. 山西省关帝山国有林区森林生态系统服务功能价值估算研究. 中国农学通报. 2022(23): 49-55 . 百度学术
16. 任志华，秦磊. 黑龙江省乡村振兴战略实施下的乡村发展策略. 规划师. 2022(09): 139-144 . 百度学术
17. 张卫民. 中国自然保护地生态资产核算框架研究. 自然保护地. 2021(02): 22-30 . 百度学术
其他类型引用(15)
计量
- 文章访问数: 1011
- HTML全文浏览量: 239
- PDF下载量: 123
- 被引次数: 32
