-
森林作为人类巨大的自然资源，是陆地上分布最广、组成结构最复杂、物种资源最丰富的生态系统。因此，定期开展森林调查、及时掌握森林生长状况至关重要。传统的森林参数调查，常常耗费大量的人力、物力和时间。激光雷达(LiDAR)作为一种主动遥感技术，能够直接测量激光扫描仪与反射目标之间的距离，得到高精度的三维点云，定量估测森林参数[1-2]。其中，地基激光雷达(TLS)可以提供对林冠下层的快速、非破坏性的高分辨率三维测量，同时具有自动化处理数据的潜力，可以实现单木几何结构参数的自动化或半自动化提取，在地面森林调查中的应用越来越广泛[3]。迄今为止，国内外已有大量关于TLS反演森林参数算法的研究，由于TLS数据对树干的描述较为详细，多数研究集中于单木位置和胸径的提取[4-7]。
在相关算法方面，应用最广泛的是基于Hough变换[8-9]和随机采样一致性(RANSAC)[10]算法提取树干和胸径。刘鲁霞等[11]采用Hough变换、圆拟合方式获取单木胸径和位置，在单木位置基础上获取树干在垂直各层中的圆心位置；尚任等[12]提出一种改进的Hough变换方法来检测圆，从而提取树干位置，以及一种改进的RANSAC算法用于圆拟合以估测胸径。除此之外，聚类的方法在单木识别中也很常见[13-14]。Maas等[15]采用聚类搜寻法对单木进行识别，通过圆拟合逐步递归获得改进的单木位置和胸径；Kiraly等[16]通过对不同高度层的点云数据进行迭代聚类来确定树干位置。从点的空间分布特征方面考虑，也可以将树干从TLS点云数据中提取出来[17-18]。Liang等[19]提出一种通过计算激光点空间分布特征来识别树干的算法，其中表面法向量指向水平面的物体被认为是树干。也可将点云数据体元化，再进行单木位置的检测[20]。上述算法在精度方面均可以达到一定要求，但大多基于Leica、Faro等全方位扫描仪采集的密集点云数据提取相关参数。
目前林业中应用的地基激光雷达，大致可以分为全方位扫描和线阵(单线或多线)扫描两大类。全方位扫描仪采集的数据可以部分或全部实现水平和垂直视场的360°覆盖，以Leica ScanStation2为例，其视场角为360°×270°，角度分辨率为0.002 3°，水平和垂直视场的角分辨率极高；其对扫描目标的描述较为详尽，点云数据量较大，所需扫描时间相对较长。线阵激光雷达则指一条或多条激光束同时发射出去的扫描仪，一般来讲，一条激光束称为一个线阵，本文中“线”与“线阵”代表同一含义。每个线阵可以实现水平视场的360°扫描，角分辨率为0.1°~0.4°；但在垂直方向上，由于线阵的数量有限，只能扫描到一定垂直范围内的物体，并且各线阵之间的角分辨率较低(VLP-16垂直角分辨率为2°)，导致目标物体的点云覆盖度也较低。通过加密扫描及后续拼接处理，线阵扫描仪采集的数据也可近似实现全方位扫描仪的360°视场。目前线阵激光雷达多用于无人驾驶、移动机器人避障等领域[21-22]，在林业中的应用相对较少。Pierzchała等[23]利用无人车使得VLP-16在林分中移动扫描，对获取的点云数据基于SLAM算法进行拼接，进而提取结构参数。但是，基于单帧线阵稀疏点云数据提取林分结构参数的研究尚未发现，因此相关算法有待开发。除此之外，线阵激光雷达采集的单帧点云数据量较小，所需扫描时间很短，若可以基于线阵点云数据准确提取所需参数，对于开展TLS在林业中的应用有重要意义，因此针对线阵激光雷达数据的参数提取研究很有价值。
在数据采集方面，TLS数据主要采用单站扫描和多站拼接的方式获取。单站扫描可以获取扫描站点附近一定范围内的数据，但由于树木间遮挡问题的存在，点云有效覆盖树干程度随着到扫描站点距离的增加而降低，导致树干检测率与胸径估测精度下降[24]。多站扫描通过在样地内人为布设标靶物，将多站数据拼接起来，提高了数据的覆盖范围，并在一定程度上克服了遮挡问题[25]，但后期需要成熟的算法对数据进行拼接，比较耗时耗力，拼接效果不好反而会降低精度，因此拼接的难度和准确性又限制了多站扫描的应用[26]。为了平衡两种方法的优缺点，Liang等[27]提出了一种多个单站扫描数据拼接的方法，该方法首先基于每个单站点云提取单木位置和胸径，再根据同株木在不同单站间的相对位置关系，将周围多个单站结果分别与中心站进行拼接。该方法的优势在于不用进行多个站点间点云水平的拼接，而是基于特征(树干)水平进行拼接，且无需在样地内布设标靶物，操作简单便捷，但是该方法在线阵TLS中的可行性尚未得到验证。本文尝试采用此方法对16线地基激光雷达采集的多个单站数据进行拼接处理。
尽管多个单站扫描拼接有可能提高扫描效率，但是单站扫描仍有潜力可挖。林业上常用的角规不等概抽样思想[28]考虑了距离权重，距离越近入选胸径范围越大，因此借鉴角规抽样思想能够在一定程度上弥补TLS单站扫描的缺陷，无需拼接即可快速估算断面积参数。
基于上述分析，本研究采用多个单站扫描的方式采集数据，基于16线地基激光雷达点云数据，开展两个方法研究：基于多个单站扫描拼接的林分平均胸径估测和基于角规的无拼接林分断面积估算。其中，论文提出了一种快速的树干识别算法作为16线点云信息提取的基础。该算法利用目标单木及周围其他物体到扫描站点的距离差异区分出树干点云，并在此基础上根据随机采样一致性(RANSAC)算法提取了胸径。本文使用北京市东升八家郊野公园和奥林匹克森林公园的人工林数据对该算法进行了验证。
-
研究区位于北京市东升八家郊野公园和奥林匹克森林公园，地理坐标分别为40°01′N、116°20′E和40°00′N、116°22′E。在研究区内设置3块半径为20 m的圆形区域作为样地。图 1显示了研究区地理位置分布和样地概况。各样地实地调查结果见表 1。
图 1 研究区地理位置分布和样地概况图
Figure 1. Geographical distribution of the study area and the overview of sample plots
表 1 样地实地调查情况统计
Table 1. Statistics of field survey for sample plots
样地编号
Sample plot No.主要树种
Main tree species最小胸径
Min. DBH/cm最大胸径
Max. DBH/cm平均胸径
Mean DBH/cm株数
Plant number密度/(株·hm-2)
Plant density/ (plant·ha-1)1 毛白杨Populus tomentosa 6 26.8 15 91 724 2 国槐Sophora japonica 11.2 31.2 19.72 72 573 3 毛白杨，国槐Populus tomentosa, Sophora japonica 13.5 33.7 22 85 676 -
本研究使用的数据采集设备为VLP-16。它是一款质量较轻(830 g)、易于携带的激光雷达扫描仪(图 2)。该仪器采用16线红外激光束快速扫描机制，可实时获取三维数据，其主要技术参数见表 2。
图 2 VLP-16激光扫描仪
Figure 2. VLP-16 laser scanner
表 2 VLP-16技术参数
Table 2. Technical parameters of VLP-16
参数类型Parameter type 参数值
Parameter value激光波长Laser wavelength/nm 903 扫描距离Scanning range/m 100 水平视场角Field of horizontal view/(°) 360 垂直视场角Field of vertical view/(°) 30(-15~15) 水平角分辨率Horizontal regular resolution/(°) 0.1~0.4 垂直角分辨率Vertical regular resolution/(°) 2 激光发射频率/(点·秒-1) Frequency of laser generated/(point·second-1) 300 000 TLS数据采集时间为2017年11月，采用多个单站扫描的方式对样地进行扫描，共获取3个样地15站数据。每个样地扫描5站，样地中心设置1个站点，靠近样地边缘均匀设置4个站点，每个站点扫描时间为1~2 min。由于多线激光雷达的垂直视场角有限，扫描仪距离地面高度控制在1.3 m左右，确保可以扫描到树干胸高位置处。图 3为样地扫描站点分布示意图，其中一个单站点云数据如图 4所示。在获取TLS数据的同时，对样地内所有乔木进行了实地测量。单木位置由罗盘仪、三脚架和皮尺采用极坐标法确定[29]，胸径(DBH)由围尺测量并记录，树种信息也在实地调查中进行了统计。
图 3 一个样地的扫描站点分布
Figure 3. Distribution of scanning stations in one sample plot
图 4 单站原始点云示意图
Figure 4. Schematic of raw point clouds of single station
-
单木位置提取是其他单木参数提取的基础，获取准确的单木位置后，可以在其基础上进一步提取胸径、林分平均断面积等参数。本文采用基于距离和树干特征的算法识别林分中的单木，提取出单木树干骨架点和树干点云，结合随机采样一致性(RANSAC)算法拟合圆，并判断由不同扫描线阵点云拟合的圆是否属于同一株树，最终获取每株木的位置和胸径。具体算法如下：
(1) 数据预处理。利用布料仿真滤波(CSF)算法[30]对各单站点云数据进行滤波，根据分离出的地面点生成DEM；将所有点云数据的高度减去对应的DEM高度，完成点云高度的归一化处理。对于每个单站扫描采集的单帧16线点云数据，根据强度阈值去除强度较弱的噪点；考虑到树木分枝处高度，根据高度阈值去除树冠部分及空中的噪点，完成点云预处理。
(2) 树干骨架提取。提取树干骨架的前提是从每个扫描线阵中提取表示树干的点云。本文基于单株木树干与周围其他物体到扫描站点的距离关系提取树干点云。以所有点云到扫描站点距离的负值(负向距离)为纵轴绘制二维图，由于同一株木树干上的点云到扫描站点的距离大致相同，而透过不同树干间空隙扫描到的其他物体到扫描站点的距离相差较大，并且树干上的点云相对于周围其他物体距离扫描站点更近，因此树干上的点云在二维图上呈现为几段近似弧形曲线的高峰，整个图形类似于数字表面模型(DSM)剖面轮廓线。图 5显示了以某一线阵点云的负向距离值为变量绘制的二维图形。
图 5 按单一线阵点云距离值绘制的二维图
Figure 5. Two-dimensional graphics drawn by distance value of a single linear array point cloud
选择1×3的窗口大小，采用模版[1,-2,1]进行滤波处理后，表示树干的弧形曲线和表示其他物体的不规则折线可利用一定规则区分开。图 6显示了滤波前后按负向距离值绘制的图形变化情况。若相邻两点间的距离差值大于2，则认为该点可能是树干与周围物体的分界处；再根据滤波后树干上点的特征，确定每个树干曲线的起始点和终止点位置，进而提取出树干曲线中点的相对坐标。树干曲线中点即树干上每个线阵中距离扫描站点最近的点，按该点坐标选取的点云设为树干骨架点。设定水平距离和高度阈值，去除距离树干较远的离散点和靠近树冠或树干分枝的点，筛选后的骨架点用于树干骨架的提取。以任一树干骨架点为中心，搜索距离该点在一定阈值范围内的骨架点，满足条件的点组合起来即为一株木的树干骨架。
图 6 滤波前后图形对比
Figure 6. Graphic comparison before and after filtering
(3) 分层拟合圆。计算所有树干点云相对位置坐标(x，y)的标准差，去除极度不规则树干的点云；以提取的骨架点和树干点云为基础，通过树干拟合算法对不同扫描线阵的树干点云进行圆拟合。考虑到树干倾斜生长情况，根据骨架点计算出树干倾斜方向，即天顶角和方位角，通过计算的天顶角和方位角确定旋转矩阵，将所有树干点云按照旋转矩阵旋转到垂直方向，便于圆拟合。旋转矩阵如下：
$$ {\mathit{\boldsymbol{T}}_y} = \left[ {\begin{array}{*{20}{c}} {\cos (\alpha )}&0&{\sin (\alpha )}\\ 0&1&0\\ { - \sin (\alpha )}&0&{\cos (\alpha )} \end{array}} \right] $$ (1) $$ {\mathit{\boldsymbol{T}}_\mathit{z}} = \left[ {\begin{array}{*{20}{c}} {\cos (\beta )}&{ - \sin (\beta )}&0\\ {\sin (\beta )}&{\cos (\beta )}&0\\ 0&0&1 \end{array}} \right] $$ (2) 式中：Ty为绕y轴旋转的旋转矩阵，Tz为绕z轴旋转的旋转矩阵，α为天顶角，β为方位角。
树干点云按扫描线阵编号分类，同一线阵的树干点云采用随机采样一致性(RANSAC)算法拟合圆，统计每个树干拟合圆的个数，通过连续拟合的圆生成树干。圆拟合后的树干按相应的旋转矩阵和平移公式，旋转平移到原方位，进而提取树干位置和胸径。
(4) 单木位置及胸径提取。提取所有树干1.3 m高度下的拟合圆水平位置坐标，计算其均值作为单木位置坐标。拟合圆个数超过2个的树干，将拟合圆的直径与树干高度进行稳健回归，提取1.3 m高度处的直径作为该株树的胸径；拟合圆个数不足3个的树干，在单木位置的基础上提取拟合圆的直径，计算平均值作为该株树的胸径。
(5) 基于多个单站扫描的单木位置及胸径提取。由于单站扫描采集的数据无法覆盖样地内的所有树木，为了统计样地内的单木识别率和胸径估测值，将多个单站扫描结果拼接起来。本文在拼接时参考了文献[27]中多个单站扫描数据拼接的思想，拼接的关键是确定不同站点间的旋转和平移矩阵。平移矩阵通过实地测量时记录的周围站点与中心站点间距离和偏转角度计算得到，旋转矩阵则根据同株木在不同站点中的位置关系得到。若树干只被一个单站扫描检测到，单木位置和胸径与单站扫描提取的结果相同；若同一株木被多个单站扫描检测到，单木位置和胸径则为多个单站扫描提取的平均值。
-
奥地利林学家毕特利希在1947年首先创立了用角规测定林分单位面积胸高断面积的理论和方法(以下简称PPS)，多年来已在各国广泛应用[31]。常规圆形样地(或标准地)的面积和半径是固定的，因而在一个样地内包含了直径大小不同的树木，而PPS抽样无固定边界，样木被抽中的概率不等，直径越大，抽中的概率越大，效率显著高于等概抽样方法。任意给定一个距离R，如某树干在这个距离被扫描到，其胸径为d。定义一个角规常数Fg，也叫做断面积系数(basal area factor，缩写为BAF)：
$$ {F_{\rm{g}}} = {\left( {\frac{{50d}}{R}} \right)^2} $$ (3) 常用的Fg值有0.5、1、2、4等，本文依据样地林分胸径范围及实验对比后取Fg=1。
以编号第j棵树的胸径dj与树干拟合圆心点到扫描站点(原点)距离Rj的关系来判断是否计数，当第j棵树dj/Rj < 1/50时，计数1；dj/Rj=1/50时计数0.5；dj/Rj>1/50时计数0。所有计数求和得到单个扫描站点总计数量Zi，统计所有站点计数值后可以得到样地林分每公顷平均断面积估计值G(m2/hm)：
$$ G = \frac{1}{n}\sum\limits_{i = 1}^n {{G_i}} = \frac{{{F_{\rm{g}}}}}{n}\sum\limits_{i = 1}^n {{Z_i}} = {F_{\rm{g}}}\bar Z $$ (4) 式中：Gi为第i个扫描站点的林分每公顷断面积估计值，Z为所有扫描站点的总计量数均值。
-
由于单木实测位置存在一定误差，因此以实测单木位置为中心，在误差范围(直径0.3 m)内寻找是否存在估测单木。本研究中以漏检误差、过检误差和检测率为评价指标，来评估新算法对单木识别的能力。
表 3为多个单站扫描方式下各样地的单木识别结果，表中统计了样地内的实测单木株数、经树干识别算法检测到的单木株数、不同胸径范围的实测单木数和对应的检测单木数、漏检单木株数、过检单木株数和单木检测率。从表 3可以看出，3块样地均存在不同程度的过检误差和漏检误差，单木检测率均在80%以上，株数密度最小的2号样地单木检测率可达到95%左右。其中检测率最低的1号样地，存在胸径小于10 cm的单木且大多被漏检，造成了样地整体检测率较低的结果。通过分析这些漏检单木的位置可以看出，漏检单木大多分布在样地边缘，并且由于胸径较小导致树干上的点云覆盖较少，在算法识别过程中被当作异常值去除，因此未被识别。综合3个样地的单木识别结果，对于胸径大于10 cm的单木，该算法的识别能力很强。
表 3 各样地单木识别结果
Table 3. Individual tree detection results in each sample plot
项目Item 样地编号Sample plot No. 1 2 3 实测株数Measured tree number 91 72 85 检测株数Detected tree number 83 72 78 漏检误差Type Ⅰ error 11 3 9 过检误差Type Ⅱ error 3 3 2 胸径5~10 cm的识别结果Detection results of trees with DBH of 5-10 cm 2/7 0/0 0/0 胸径10~15 cm的识别结果Detection results of trees with DBH of 10-15 cm 46/49 13/14 5/6 胸径15~20 cm的识别结果Detection results of trees with DBH of 15-20 cm 29/31 28/28 22/25 胸径20~25 cm的识别结果Detection results of trees with DBH of 20-25 cm 2/3 19/21 34/38 胸径25~30 cm的识别结果Detection results of trees with DBH of 25-30 cm 1/1 7/7 11/12 胸径30~35 cm的识别结果Detection results of trees with DBH of 30-35 cm 0/0 2/2 4/4 检测率Detection rate/% 82.5 95.83 89.41 注：斜线(/)左、右侧数值分别为对应胸径范围内的正确检测株数和实测株数。Note:The left and right values of the slash(/) represent the correct number of detected trees and the number of measured trees in the corresponding DBH rang. 本研究在统计各样地多个单站TLS数据单木识别结果的同时，对每个单站TLS数据的单木识别结果也进行了统计。将每站TLS数据按半径10 m和15 m的扫描范围分别识别单木，与样地实测结果相比较，并计算各样地相同半径范围内的单站识别结果平均值，来评价单站TLS数据在不同范围内对单木识别的精度。表 4给出了各样地单站在不同扫描范围内的单木平均识别结果。
表 4 各样地单站不同扫描范围内单木平均检测率
Table 4. Average detection rate of individual trees within different scanning range at single station of each sample plot
样地编号
Sample plot No.距离
Distance/m检测率
Detection rate/%1 10 88.82 15 60.3 2 10 92.45 15 75.78 3 10 87.09 15 67.49 各样地单站的单木平均检测率均随着扫描半径的增加而下降。导致该结果的原因主要有两个方面：(1)由于树木间遮挡问题的存在，较远处的树木会被前方树木遮挡，尤其是某些距离扫描站点很近的单木，对其后方的树木造成了很大的遮挡面积，导致较远处大部分树木未被TLS扫描到；(2)激光点间的距离会随着扫描半径的增加而增大，距离扫描站点较远的单木树干上点云数量较少，低于树干识别算法设定的阈值范围，未被检测为单木。根据实验结果，本研究提出的算法在10 m左右范围内可以达到较高的检测率，为以后的应用提供了实验依据。
-
根据各样地多个单站扫描的单木识别结果，以样地中被正确检测到的单木胸径估测值与实测值建立回归方程，各样地参与回归的单木株数分别为80、69、76。计算回归方程的决定系数(R2)和均方根误差(RMSE)，评估单木水平的胸径估测精度。图 7显示了各样地内检测到的所有单木胸径线性回归结果。
图 7 各样地单木胸径估测结果
Figure 7. Estimated DBH of individual trees in each sample plot
3块样地单木胸径估测值与实测值的决定系数R2在0.72~0.82之间，估测结果存在不同程度的高估与低估。造成这种结果的主要原因是在单站扫描方式下，仅能获取树干在某一方向的点云数据，利用RANSAC算法估测胸径时，只能根据部分树干点而非完整的树干点进行圆拟合，因此拟合结果与实测值存在一定差异。另外，一些在树干外未被去除的噪点，也会被RANSAC算法当作树干点进行圆拟合，造成胸径值的高估。
为评估样地水平的胸径估测精度，计算了各样地单木胸径实测值与估测值的平方平均数，结果如表 5所示。3个样地的林分平均胸径估测精度均在90%以上，最高可达到99%的精度，有较好的估测效果。以上结果表明，基于多个单站的16线阵扫描数据，该算法在样地水平上对胸径拟合有很高的精度，拟合结果近似于实地测量值，可以应用于林分平均胸径调查。
表 5 各样地林分平均胸径结果
Table 5. Stand average DBH results in each sample plot
样地编号
Sample plot No.林分平均胸径
Stand average DBH/cm估测平均胸径
Estimated average DBH/cm相对误差
Relative error/%1 15.26 16.31 6.88 2 20.24 20.32 0.40 3 22.43 22.30 0.58 -
在样地布设的5个扫描站点处分别进行角规绕测，计算林分平均断面积实测值，由TLS提取的胸径值结合角规绕测原理计算林分平均断面积估测值。林分每公顷平均断面积结果如表 6所示。
表 6 林分每公顷平均断面积结果
Table 6. Results of average stand basal area per hectare
样地编号
Sample plot No.站点数
Number of station实测值/(m2·hm-2)
Measured value/(m2·ha-1)估测值/(m2·hm-2)
Estimated value/(m2·ha-1)相对误差
Relative error/%1 5 19.19 17.88 6.83 2 5 23.38 20.38 12.83 3 5 27.13 25.25 6.93 角规观测点数对林分断面积估测十分关键。根据原林业部国有林调查设计规程，林分面积从1 hm2到16 hm2以上，分别需要选取5~18个角规观测点[31]。从林分断面积估测效果来看，对于半径为20 m(约0.13 hm2)的样圆，利用5个典型站点估测的林分平均断面积精度可以达到90%左右，即能获取较高的样地调查精度。
-
与实地测量相比，利用TLS测量在时间成本和人工成本上均有一定优势。在本研究中，需要获取单木位置、胸径和林分平均断面积这3个参数。对于一个半径为20 m的圆形样地，实地调查大约耗费4 h。利用TLS进行外业测量时，包括仪器组装和在不同站点间转移的时间，需耗费20 min左右。内业数据处理时，利用相关算法提取参数耗时几分钟即可完成，因此测量并提取一个样地的所有参数共需25 min。从人力方面考虑，实地调查需两个人同时进行，而TLS外业测量与数据处理只需一个人就可以完成。目前，一个工人一天的雇佣费用约为200元，因此调查所需人力越多时间越长，人工费用越高。相对于常规测量仪器，地基激光扫描仪价格很高，但其使用寿命较长，测量速度快，单次使用时间较短，按租用方式计算，一个样地调查所需费用也相对较低。常规测量仪器租用一天费用为100元，根据常规测量仪器与地基激光扫描仪的价格比较，地基激光雷达扫描仪一天的租用费用约为1 600元，一天的使用时间均按8 h计算。表 7显示了在调查一个样地时两种测量方式的成本对比。若样地范围及工作量增大，测量时间与所需人力会大幅增加，TLS在成本方面的优势性会更加明显。
表 7 TLS测量与实地调查成本对比
Table 7. Comparison of TLS measurement cost against field survey
测量方式
Measurement method所需人力/人
Manpower required/person耗时/h
Time required/hour仪器费用/元
Cost of instrument/￥人工费用/元
Cost of manpower/￥总费用/元
Total cost/￥实地调查 Field measurement 2 4 50 200 250 TLS测量 TLS measurement 1 0.4 80 10 90 -
本文以北京市森林公园内毛白杨(Populus tomentosa)和国槐(Sophora japonica)人工林为研究对象，采用新提出的树干识别算法从获取的16线TLS数据中提取单木位置。与其他同类算法相比，该算法基于线阵扫描仪采集的单帧点云数据即可提取单木位置，所需数据量较小，其他树干识别算法则需基于全方位激光雷达采集的点云数据，或者拼接后的线阵激光雷达数据进行树干提取。在单木位置基础上利用随机采样一致性(RANSAC)算法获取胸径，并结合角规抽样原理，进一步估测林分平均断面积。主要结论如下：(1)本研究基于单帧16线TLS扫描数据即可提取各站点单木参数，所需点云数据量较小，数据采集的时间和人工成本以及算法运行的时间成本都很低，而且样地水平估测精度较高，可实现株数密度、林分平均胸径等参数的快速高效估计。(2)角规估测林分断面积的方法在林业调查中广泛应用，但是实际调查中人眼观测产生的人为误差难以避免，会造成一定的估测偏差。TLS扫描获取的高精度点云数据能够很好地避免这类人为观测偏差，估测结果优于人眼观测。(3)地基激光雷达设备小型化和成本低廉化是今后的发展趋势，为利用TLS在林业中进行快速高效的样地调查提供了更多优势与便利。本研究使用的激光扫描仪VLP-16质量较轻，便于携带，是一种低成本的理想型测量设备，适用于在林区中开展林业调查。
本研究提出的算法理论依据明了易懂，实际操作简单易行，为开展TLS在林业中的广泛应用提供了新思路，并为林业调查提供了一种新方法。但是，本文研究对象为人工林，对于林下条件复杂、地势起伏较大的天然林，树干识别算法是否适用有待研究，算法的精度需要进一步验证。(1)考虑到天然林中灌木及树木间的遮挡更为严重，枝、叶等非树干点对树干识别精度的影响增大，算法的去噪效果需要加强；此外，在仪器架设时可以将扫描仪上升到一定高度，并根据林分实际条件布设扫描站点，适当增加扫描的数量。(2)在胸径拟合方面，需要对胸径拟合算法进行改进，使其适用于天然林中不规则形状树干的拟合，提高胸径估测精度。在未来实地应用于天然林结构参数提取研究中，这些方面均需要不断改进。
Individual tree detection and stand basal area estimation based on 16 linear array TLS data
-
摘要:
目的地基激光雷达(TLS)可以对林冠下层进行快速、非破坏性的三维测量，与传统森林参数调查相比，节省了大量人力、物力和时间，在林业调查中有广泛应用。目前的研究集中在基于全方位TLS数据的参数提取，全方位扫描获取的点云数据量庞大，所需扫描时间较长，而针对快速扫描的多线阵点云数据的研究较少，相关算法有待提出，多线阵激光雷达数据的应用能力也有待验证。 方法以北京市东升八家郊野公园和奥林匹克森林公园内的人工林为研究对象，基于多个单站扫描采集的16线阵TLS点云数据，提出了一种新的树干识别算法。该算法利用点云到达目标单木及周围其他物体距离的差异，检测出树干表面点云，并结合随机采样一致性(RANSAC)算法拟合圆，提取单木胸径；在此基础上引用角规抽样技术，进行林分平均胸高断面积的估测。 结果对于多个单站扫描数据，单木检测率均在80%以上，株数密度最小的样地单木检测率可高达95%；对于单站数据，单木平均检测率随着扫描半径的增加而下降，在10 m左右范围内可以达到较高的检测率。以样地中被正确检测到的单木胸径估测值与实测值建立回归方程，单木胸径估测的决定系数R2在0.72~0.82之间；计算各样地单木胸径实测值与估测值的平方平均数，林分平均胸径估测精度均在90%以上，最高可达到99%，表明在样地水平上有较好的胸径估测效果。由TLS提取的胸径值结合角规抽样原理计算林分平均断面积估测值，与实测值相比，林分平均断面积估测精度可以达到90%左右。 结论本文提出的算法能够基于单帧16线TLS数据提取单木参数，实现林分平均胸径及单位断面积的快速高效估算，为林业调查提供了一种新方法。 Abstract:ObjectiveTerrestrial laser scanning (TLS) can be used for fast and non-destructive 3D measurement of forest canopy with less manpower, material resources and time consumption than traditional methods, and it has been widely used in forestry inventory. Most current studies use 360 degrees of scanning to conduct parameter extraction, which requires relatively long time to scan forest trees and process the big data. Fewer study has been found on the faster multi-linear array scanning; and corresponding algorithms on processing the sparse point cloud data have not yet developed. As a first trial, the application capability of multi-linear array TLS on forest parameter extraction needs to be verified. MethodA new stem detection algorithm was proposed based on the 16 linear array TLS data from a single-station scanning. The key to the algorithm is using the distance difference to the scanning station to differ tree stems from other objects around them. The random sample consensus (RANSAC) algorithm for circle was used to fit the stem point cloud at breast height and extract DBH. After detection of all stems, the angle gauge method was introduced to estimate the basal area of the forest. A case study was performed in two places: the Dongsheng Country Park and the Olympic Forest Park in Beijing. ResultThe detection rate of individual trees was above 80% if averaging multiple single-scanning TLS data; the detection rate in the sparse plot was about 95%; the detection rate decreased with the increasing distance from the scanning station, where 10 m was the maximum to achieve a relatively high detection rate. The determination coefficient of estimated DBH of individual trees calculated by the regression equation ranged in 0.72-0.82. The accuracy of stand average DBH was higher than 90%, which was good at the plot level. The forest plot basal area was estimated based on the DBH extracted from TLS using the angle gauge method. Compared with the field measurement, the relative accuracy of basal area was about 90%. Conclusion This method can accurately acquire single tree DBH and stand average DBH as well as basal area based on the 16 linear array TLS data with high efficiency, which provides a new choice for forestry survey. -
Key words:
- 16 linear array terrestrial laser scanning /
- individual tree detection /
- DBH /
- angle gauge /
- basal area
-
图 1 研究区地理位置分布和样地概况图
Figure 1. Geographical distribution of the study area and the overview of sample plots
图 5 按单一线阵点云距离值绘制的二维图
Figure 5. Two-dimensional graphics drawn by distance value of a single linear array point cloud
表 1 样地实地调查情况统计
Table 1. Statistics of field survey for sample plots
样地编号
Sample plot No.主要树种
Main tree species最小胸径
Min. DBH/cm最大胸径
Max. DBH/cm平均胸径
Mean DBH/cm株数
Plant number密度/(株·hm-2)
Plant density/ (plant·ha-1)1 毛白杨Populus tomentosa 6 26.8 15 91 724 2 国槐Sophora japonica 11.2 31.2 19.72 72 573 3 毛白杨，国槐Populus tomentosa, Sophora japonica 13.5 33.7 22 85 676 
下载: 导出CSV
表 2 VLP-16技术参数
Table 2. Technical parameters of VLP-16
参数类型Parameter type 参数值
Parameter value激光波长Laser wavelength/nm 903 扫描距离Scanning range/m 100 水平视场角Field of horizontal view/(°) 360 垂直视场角Field of vertical view/(°) 30(-15~15) 水平角分辨率Horizontal regular resolution/(°) 0.1~0.4 垂直角分辨率Vertical regular resolution/(°) 2 激光发射频率/(点·秒-1) Frequency of laser generated/(point·second-1) 300 000
下载: 导出CSV
表 3 各样地单木识别结果
Table 3. Individual tree detection results in each sample plot
项目Item 样地编号Sample plot No. 1 2 3 实测株数Measured tree number 91 72 85 检测株数Detected tree number 83 72 78 漏检误差Type Ⅰ error 11 3 9 过检误差Type Ⅱ error 3 3 2 胸径5~10 cm的识别结果Detection results of trees with DBH of 5-10 cm 2/7 0/0 0/0 胸径10~15 cm的识别结果Detection results of trees with DBH of 10-15 cm 46/49 13/14 5/6 胸径15~20 cm的识别结果Detection results of trees with DBH of 15-20 cm 29/31 28/28 22/25 胸径20~25 cm的识别结果Detection results of trees with DBH of 20-25 cm 2/3 19/21 34/38 胸径25~30 cm的识别结果Detection results of trees with DBH of 25-30 cm 1/1 7/7 11/12 胸径30~35 cm的识别结果Detection results of trees with DBH of 30-35 cm 0/0 2/2 4/4 检测率Detection rate/% 82.5 95.83 89.41 注：斜线(/)左、右侧数值分别为对应胸径范围内的正确检测株数和实测株数。Note:The left and right values of the slash(/) represent the correct number of detected trees and the number of measured trees in the corresponding DBH rang.
下载: 导出CSV
表 4 各样地单站不同扫描范围内单木平均检测率
Table 4. Average detection rate of individual trees within different scanning range at single station of each sample plot
样地编号
Sample plot No.距离
Distance/m检测率
Detection rate/%1 10 88.82 15 60.3 2 10 92.45 15 75.78 3 10 87.09 15 67.49
下载: 导出CSV
表 5 各样地林分平均胸径结果
Table 5. Stand average DBH results in each sample plot
样地编号
Sample plot No.林分平均胸径
Stand average DBH/cm估测平均胸径
Estimated average DBH/cm相对误差
Relative error/%1 15.26 16.31 6.88 2 20.24 20.32 0.40 3 22.43 22.30 0.58
下载: 导出CSV
表 6 林分每公顷平均断面积结果
Table 6. Results of average stand basal area per hectare
样地编号
Sample plot No.站点数
Number of station实测值/(m2·hm-2)
Measured value/(m2·ha-1)估测值/(m2·hm-2)
Estimated value/(m2·ha-1)相对误差
Relative error/%1 5 19.19 17.88 6.83 2 5 23.38 20.38 12.83 3 5 27.13 25.25 6.93
下载: 导出CSV
表 7 TLS测量与实地调查成本对比
Table 7. Comparison of TLS measurement cost against field survey
测量方式
Measurement method所需人力/人
Manpower required/person耗时/h
Time required/hour仪器费用/元
Cost of instrument/￥人工费用/元
Cost of manpower/￥总费用/元
Total cost/￥实地调查 Field measurement 2 4 50 200 250 TLS测量 TLS measurement 1 0.4 80 10 90
下载: 导出CSV
-
[1] 李丹, 庞勇, 岳彩荣.地基激光雷达在森林参数反演中的应用[J].世界林业研究, 2012, 25(6): 34-39. http://d.old.wanfangdata.com.cn/Periodical/sjlyyj201206006 Li D, Pang Y, Yue C R. A review of TLS application in forest parameters retrieving[J]. World Forestry Research, 2012, 25(6): 34-39. http://d.old.wanfangdata.com.cn/Periodical/sjlyyj201206006 [2] 黄华国.激光雷达技术在林业科学研究中的进展分析[J].北京林业大学学报, 2013, 35(4): 134-143. http://j.bjfu.edu.cn/article/id/9915 Huang H G. Progress analysis of LiDAR research on forestry science studies[J]. Journal of Beijing Forestry University, 2013, 35 (4): 134-143. http://j.bjfu.edu.cn/article/id/9915 [3] 刘鲁霞.机载和地基激光雷达森林垂直结构参数提取研究[D].北京: 中国林业科学研究院, 2014. http://cdmd.cnki.com.cn/Article/CDMD-82201-1014331860.htm Liu L X. Retrieving vertical structural parameters of forest using terrestrial and airborne laser scanning data[D]. Beijing: Chinese Academy of Forestry, 2014. http://cdmd.cnki.com.cn/Article/CDMD-82201-1014331860.htm [4] Koreň M, Mokroš M, Bucha T. Accuracy of tree diameter estimation from terrestrial laser scanning by circle-fitting methods[J]. International Journal of Applied Earth Observation & Geoinformation, 2017, 63:122-128. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=2691093fee2127c114b11082818a8118 [5] Wang D, Hollaus M, Puttonen E, et al. Automatic and self-adaptive stem reconstruction in landslide-affected forests[J]. Remote Sensing, 2016, 8(12): 974-996. doi: 10.3390/rs8120974 [6] Yang B, Dai W, Dong Z, et al. Automatic forest mapping at individual tree levels from terrestrial laser scanning point clouds with a hierarchical minimum cut method[J]. Remote Sensing, 2016, 8(5): 372-389. doi: 10.3390/rs8050372 [7] Pueschel P, Newnham G, Rock G, et al. The influence of scan mode and circle fitting on tree stem detection, stem diameter and volume extraction from terrestrial laser scans[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 77(3): 44-56. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=932c1f2b449e65ea01fb286bbfa450c4 [8] 李丹, 庞勇, 岳彩荣, 等.基于TLS数据的单木胸径和树高提取研究[J].北京林业大学学报, 2012, 34(4): 79-86. http://d.old.wanfangdata.com.cn/Periodical/bjlydxxb201204015 Li D, Pang Y, Yue C R, et al. Extraction of individual tree DBH and height based on terrestrial laser scanner data[J]. Journal of Beijing Forestry University, 2012, 34(4): 79-86. http://d.old.wanfangdata.com.cn/Periodical/bjlydxxb201204015 [9] 刘鲁霞, 庞勇, 李增元.基于地基激光雷达的亚热带森林单木胸径与树高提取[J].林业科学, 2016, 52(2): 26-37. http://d.old.wanfangdata.com.cn/Periodical/lykx201602004 Liu L X, Pang Y, Li Z Y. Individual tree DBH and height estimation using terrestrial laser scanning (TLS) in a subtropical forest[J]. Scientia Silvae Sinicae, 2016, 52(2): 26-37. http://d.old.wanfangdata.com.cn/Periodical/lykx201602004 [10] Olofsson K, Holmgren J, Olsson H. Tree stem and height measurements using terrestrial laser scanning and the RANSAC algorithm[J]. Remote Sensing, 2014, 6(5): 4323-4344. doi: 10.3390/rs6054323 [11] 刘鲁霞, 庞勇, 李增元, 等.用地基激光雷达提取单木结构参数:以白皮松为例[J].遥感学报, 2014, 18(2): 371-377. http://d.old.wanfangdata.com.cn/Periodical/gjstx98201002015 Liu L X, Pang Y, Li Z Y, et al. Retrieving structural parameters of individual tree through terrestrial laser scanning data[J]. Journal of Remote Sensing, 2014, 18(2): 371-377. http://d.old.wanfangdata.com.cn/Periodical/gjstx98201002015 [12] 尚任, 习晓环, 王成, 等.利用地面激光扫描数据提取单木结构参数[J].测绘科学, 2015, 40(9): 78-81. http://d.old.wanfangdata.com.cn/Periodical/chkx201509016 Shang R, Xi X H, Wang C, et al. Retrieval of individual tree parameters using terrestrial laser scanning data[J]. Science of Surveying and Mapping, 2015, 40(9): 78-81. http://d.old.wanfangdata.com.cn/Periodical/chkx201509016 [13] Bienert A, Scheller S, Keane E, et al. Application of terrestrial laser scanners for the determination of forest inventory parameters[J/OL]. [2017-08-01]. http://www.isprs.org/proceedings/XXXVI/part5/paper/1270_Dresden06.pdf. [14] 步国超, 汪沛.基于单站地面激光雷达数据的自适应胸径估计方法[J].激光与光电子学进展, 2016(8): 278-286. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jgygdzxjz201608038 Bu G C, Wang P. Adaptive estimation method for diameter at breast height based on terrestrial laser scanning[J]. Laser & Optoelectronics Progress, 2016(8): 278-286. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jgygdzxjz201608038 [15] Maas H G, Bienert A, Scheller S, et al. Automatic forest inventory parameter determination from terrestrial laser scanner data[J]. International Journal of Remote Sensing, 2008, 29(5): 1579-1593. doi: 10.1080/01431160701736406 [16] Kiraly G, Brolly Y G. Tree height estimation methods for terrestrial laser scanning in a forest reserve[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2007, 36: 211-215. http://cn.bing.com/academic/profile?id=b14b776db2290b9cffacd40e1684abf3&encoded=0&v=paper_preview&mkt=zh-cn [17] Xia S, Wang C, Pan F, et al. Detecting stems in dense and homogeneous forest using single-scan TLS[J]. Forests, 2015, 6: 3923-3945. doi: 10.3390/f6113923 [18] Rutzinger M, Pratihast A K, Elberink S O, et al. Detection and modelling of 3D trees from mobile laser scanning data[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2010, 38: 520-525. http://cn.bing.com/academic/profile?id=2772bdd5334282c31da3cc77c07e218e&encoded=0&v=paper_preview&mkt=zh-cn [19] Liang X, Litkey P, Hyyppä J, et al. Automatic stem mapping using single-scan terrestrial laser scanning[J]. IEEE Transactions on Geoscience of Remote Sensing, 2012, 50:661-670. doi: 10.1109/TGRS.2011.2161613 [20] Vonderach C, Voegtle T, Adler P. Voxel-based approach for estimating urban tree volume from terrestrial laser scanning data[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2012, 39: 451-456. http://cn.bing.com/academic/profile?id=ac7cc4bd3785fcd384a068a94ac9eac2&encoded=0&v=paper_preview&mkt=zh-cn [21] 黄武陵.激光雷达在无人驾驶环境感知中的应用[J].单片机与嵌入式系统应用, 2016, 16(10):3-7. http://d.old.wanfangdata.com.cn/Periodical/dpjyqrsxtyy201610002 Huang W L. Application of Lidar in perception of autonomous driving environment[J]. Microcontrollers & Embedded Systems, 2016, 16 (10):3-7. http://d.old.wanfangdata.com.cn/Periodical/dpjyqrsxtyy201610002 [22] 于金霞, 蔡自兴, 邹小兵, 等.基于激光雷达的移动机器人障碍测距研究[J].传感器与微系统, 2006, 25(5):31-33. doi: 10.3969/j.issn.1000-9787.2006.05.010 Yu J X, Cai Z X, Zou X B, et al. Study on obstacles detection of mobile robot based on laser scanner[J]. Transducer and Microsystem Technologies, 2006, 25(5):31-33. doi: 10.3969/j.issn.1000-9787.2006.05.010 [23] Pierzchała M, Giguère P, Astrup R. Mapping forests using an unmanned ground vehicle with 3D LiDAR and graph-SLAM[J]. Computers & Electronics in Agriculture, 2018, 145:217-225. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=a01b851ad6210844d1b1597674a465c6 [24] Liang X, Kankare V, Hyyppä J, et al. Terrestrial laser scanning in forest inventories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 115:63-77. doi: 10.1016/j.isprsjprs.2016.01.006 [25] Huang H, Li Z, Gong P, et al. Automated methods for measuring DBH and tree heights with a commercial scanning Lidar[J]. Photogrammetric Engineering & Remote Sensing, 2011, 77(3):219-227. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=4065c284751b824eb09cf6718e8f7237 [26] Zhang W, Chen Y, Wang H, et al. Efficient registration of terrestrial LiDAR scans using a coarse-to-fine strategy for forestry applications[J]. Agricultural and Forest Meteorology, 2016, 225:8-23. doi: 10.1016/j.agrformet.2016.05.005 [27] Liang X, Hyyppä J. Automatic stem mapping by merging several terrestrial laser scans at the feature and decision levels[J]. Sensors, 2013, 13(2):1614-1634. http://d.old.wanfangdata.com.cn/OAPaper/oai_doaj-articles_ce162da7876f0b25edeb7c034e1ebbd5 [28] Roesch F A, Deusen P C V. Anomalous diameter distribution shifts estimated from FIA inventories through time[J]. Forestry, 2010, 83(83):269-276. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0217088495/ [29] 惠刚盈, von Gadow K.结构化森林经营原理[M].北京:中国林业出版社, 2016. Hui G Y, von Gadow K. Principles of structure-based forest management[M]. Beijing: China Forestry Publishing House, 2016. [30] Zhang W, Qi J, Wan P, et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016, 8(6):501-522. doi: 10.3390/rs8060501 [31] 孟宪宇.测树学[M].北京:中国林业出版社, 2006. Meng X Y. Forest measurements[M]. Beijing: China Forestry Publishing House, 2006. -
点击查看大图
图(7) / 表 (7)
计量
- 文章访问数: 682
- HTML全文浏览量: 245
- PDF下载量: 41
- 被引次数: 0
