多回波点云高度累计百分比的分析与建模

文献综述

1. 研究目的和意义

以多回波扫描得到的三维点云分布信息为基础，设计点云高度累计百分比算法，分析单木和样地级别的点云统计分布参数——高度累计百分比Hz，并对立木测树因子和林分结构进行分析。建立一种基于点云统计分布参数的立木测树因子预测方法，为今后立木材积和林分蓄积的自动提取提供一种可能性与基础，同时也为精准林业测量提供参考。

1. 国内外研究现状

1、概况

进行森林资源调查、管理与规划时需要获取反映树木生长情况的参数^[1]。 激光扫描是一种主动遥感技术，它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3D 点云^［2］。随着遥感技术的发展, 研究人员开始研究基于机载激光雷达数据的大范围森林调查^[3]。运用激光点云数据提取单木 ^[4]和样地级别^[5-6]的森林结构信息^[7]，已成为林地调查的主流^[8]。机载激光雷达的优势在于可以快速获取大范围的数据,但其精度和可信赖度取决于从点云数据中提取参数时所采用模型的一些假设^[9]。通常情况下, 它获取的是林分的平均参数, 而不是单木参数^[9]。近几年研究人员开始探索基于地基激光雷达( Terrestrial Laser Scanning，TLS)数据的森林结构参数提取方法^[1、9-10]。地基激光雷达的出现为我们提供了一种非破坏性的高分辨率冠层三维测量手段, 可以弥补现有观测手段的不足, 实现单木几何结构参数的自动获取, 并为重建三维真实结构森林场景提供了可能^[7]。

2、多站拼接扫描

激光扫描利用激光探测和测距技术（Light Detection and Ranging，LiDAR））可以高效准确的得到物体的三维坐标信息，通过多站扫描获得的点云信息完整记录了被测物的结构信息，同时也从其点云分布的特征参数中反映了被测地物的遥感信息。地面激光雷达的扫描模式主要分为单站扫描和多站扫描模式，不同的扫描模式对样地数据参数的提取有重要影响。单站扫描仅获取被测物表面一个方向结构信息，通过对多站点布设的样地进行多站扫描能弥补单站数据缺失的问题如表1^[8] 所示，多站拼接数据的单木识别率相比单站均有提高。图1为一个多站点扫描获取点云数据的站点布设图，图2为单站点与多站点同一立木点云数据量对比。Hyyppauml; 等^[45]；Larsen 等^[46]；Kaartinen 等^[47]对机载激光雷达探测单木方法进行了对比分析和综述。激光雷达数据提取单木结构因子的方法可分为3类，第1类是由栅格化冠层高度模型(CHM)中识别单木特征^[48-54]称为CHM单木法;第2类是由离散的地形归一化点云NPC(NormalizedPoint Cloud)数据识别单木特征^[55-58]，称为NPC单木法; 第3类是将点云投影到体元空间识别单木特征^[59-61]，称为体元单木法。刘鲁霞^[17]等对比同一样地的单站与多站点云数据的胸径树高提取值并与实地测量对比，其结果表明结果表明多站拼接单木识别率高于单站扫描，且其比单站扫描更加接近于样地实测结果。由此可见多站扫描对比单站扫描，其在获取立木完整的结构信息与因子提取有独特的优势。

表1：同一样地的单站与多站点云数据拼接单木识别率 ^[8]

图1：多站点扫描获取点云数据的站点布设图 图2：单站点与多站点同一立木点云数据量对比

3、多回波数据的特征参数分析

根据扫描激光束回收方式可以将激光雷达分为单回波和多回波两类（图三）。激光雷达中脉冲激光测距技术主要基于飞行时间法(TimeofFlight,TOF),通过记录发射和接收激光脉冲之间的时间差来计算目标距离,从而计算出物体的三维坐标^[14-16]。近来，Riegl VZ系列设备采用独创的回波数字化、实时波形处理及多波束收发处理技术，实现多目标探测能力，可以接收无穷次回波。地基 多回波技术利用了光斑大小进行分波，图三为多次回波的示意图，其中激光第一次遇到物体后回波的数据称为单目标回波(single targets)，而激光在物体边缘分波时回波的数据称为首次回波(first targets)，其余的回波包括了分波后再遇到物体返回的数据(other targets)以及激光所遇到的最后物体回波的数据(last targets)。王佳等^[27]研究表明利用地基激光雷达获取的点云数据除了可以提取常规测树因子，如树高、冠高、第一枝下高、胸径等，还可以用于提取较为复杂的树冠体积、树冠表面积、冠层孔隙率等冠层结构因子。Li^[12]等研究表明利用多回波分波的穿透力可以更好的测定树冠空隙。Pirotti等^[13]对比了多回波与单回波扫描仪在植被茂密山区中的差异，其结果证明具有多目标（回波）能力的TLS可以在植被密集的情况下提供更详细的数字地形模型（DTM）

图三TLS多回波点云数据图像

激光扫描获取的点云数据提供了立木的三维坐标以及其结构分布状况，利用几何统计方法对点云信息进行量化得到的特征参数进行立木材积估计具有很好的可行性^[1、17]。 Huang等^[44]利用ICP算法实现了地面点云数据的地面与植被分离，用Hough变换的圆拟合算法反演立木胸径，采用最小和最大Z值之间的高度差作为立木树高，测得树高和胸径的精度分别为0.76m和3.4cm，其结果进一步证明地面激光雷达可以提供无损、高分辨率和自动确定森林调查所需的参数。在机载激光雷达中已有很多，利用点云分布信息的分布特征参数进行林木结构的研究如：Means等^[18]利用特征参数对俄勒冈西部花旗松森林的森林结构参数(蓄积量、平均树高和胸高断面积)进行了估算，结果表明高度百分位数特征参数可以有效估算树高(R2为0.93-0.98)，冠层密度特征变量对胸高断面积(R2=0.94-0.95) 和蓄积预测精度较好(R2=0.95-0.97)。Nesset^[19]利用高度百分位数和密度特征参数，对挪威南部的云杉和赤松为主的北寒带森林的不同龄组结构参数进行了反演预估，结果表明90百分位数很好地预测大多数森林结构参数。Silva等^[20]利用特征参数对巴西圣保罗东南部地区热带按树人工林的林分蓄积进行了估算，其结果表明高度变异系数和99%高度百分位数对桉树人工林畜积量的预测效果较好(Adj-R2=0.84)。倪文俭[1]等通过对点云做圆回归进行单木参数(胸径、树高、材积等)提取。刘浩等^[23]以北亚热带沿海平原人工林为研究对象，基于点云提取了高度变量(HR)和冠层密度变量(DR)结合地面实测数据和2组特征变量构建了多元回归模型用于预测各林分特征，对各林分特征预测的结果中，Loreyrsquo;s树高(Adjusted R2=0.85, rRMSE=7.66%)和蓄积量(Adjusted R2=0.84,rRMSE=14.27%)的预测精度最高。基于地面激光雷达点云的特征参数的研究也已展开：步国超等^[11]，基于点云切片的圆形-椭圆自适应胸径(DBH)估计方法从地面激光雷达(TLS)数据中提取一定范围内的树木胸径。Srinivasan等^[21]，利用地面激光雷达获取多时相的火炬松点云信息，分别提取各时相的点云特征参数并分析其与生物量（AGB）的相关性，并利用高度百分位数反演立木的生物量（AGB）模型，同时基于不同时相的特征参数建立了AGB的动态预测模型。以上机载激光雷达已有的研究中可以看出点云分布参数（高度、密度或垂直剖面的参数）在森林结构参数反演中的适用性，而利用地面激光雷达进行相关的研究较少。地面激光扫描获取的数据具有高密度点云的特性，可以获取完整的立木信息，实现立木的高精度测量，例如在地面激光点云建立的削度模型的研究中，较高精度的结果表明地面激光点云在反映林下和冠层内部特征具有一定的优势^[22]，因此探寻适宜于地面激光点云的特征参数，利用特征参数进行立木材积反演对模型预测精度的提高有所帮助。为了寻找合适的参数进行材积建模，本文选用线性方程如下公式（1）和非线性方程如下公式（2-3）进行分析，利用回归分析来确定取得特征参数中两种或两种以上参数建模的精度。公式中为建模所用的参数，根据选用的参数个数，公式1扩展为一元模型、二元模型等多元线性模型^[43]。本文将提取的高度累计百分比与其它特征参数作为一组变量，同时为了解特征参数与常用胸径参数建模的精度变化，将胸径与特征参数共同作为另一组变量。计算两组变量中的参数和材积（V）的Pearsonrsquo;s相关性（P）。选择P值大于0.6的参数作为建模候选变量与材积建模。通过SPSS19软件的多元逐步回归进行模型的参数计算，设定进入模型参数的显著性水平为0.05，并通过方差通货膨胀因子（VIF），剔除含有较高共线性（即VIFgt;10）变量的方程。

j=1...m （1）

V=a₀ x₁^a1x₂^a2x₃^a3hellip;hellip;x_i^ai (2)

V=lna₀ a₁lnx₁ a₂lnx₂ hellip;hellip; a_jlnx_j （3）

式中V为材积值，a_i为系数，x_i为方程自变量

接着本研究选用二元材积方程^[44]作为参照模型，如下公式（4），该模型根据材积与胸径、树高两个因子的回归关系建立材积模型，同时模型反映了一定的干形特征具有较广的地域适用性。利用DPS 17.1软件进行建模求参，作为特征参数反演模型效果的参照。

（4）

4、栽培模式和材积建模

栽培配置是指一定密度的植株在造林地上间距及其排列方式^［24］，一定造林密度可以由不同的配置方式来体现^[25], 密度不等同最后株行距，但株行距能决定密度^［26］, 合理的株行距配置具有重要的生物学意义和经济意义^[25]。对于不同密度下胸径、材积、树高等因子的差异性研究已经开展。秦柱南等^[25]对不同株行距配置试验人工杨树林( 6 年生) 进行进行每木检尺研究，以3 m times; 8 m 配置为标准，与4 m times; 6 m、5 m times; 5 m 配置的调查数据进行对比分析，结果表明，不同株行距配置间除树高和冠幅( P ＞ 0. 05) 外，其他的的各生长因子均存在较大的差异( P ＜ 0. 05)乌吉斯古楞等^[28], 以大青山阴坡30a油松人工林为研究对象，测定研究了不同密度油松人工林胸径、生物量、叶面积指数等，研究结果表明：蓄积量、木材密度、高径比、枝下高与林分密度呈正相关；单株材积和平均胸径在2200株/hm2～3300株/hm2密度范围变化较大，与林分密度呈负相关。他们通过对样地内树木进行每木检尺进行研究，这种方法具有效率 低、数据更新缓慢等弊端, 难以满足现代林的需求^[42]。TLS可以有效避免上述弊端。因此，不同密度配置的地面激光雷达点云的特征参数的研究是必要的。

同时研究不同密度下树干干形的变化的研究也已经开展，蔡坚等^[29]以胸高形数、高径比和正形率系列为干形指标，不同密度与不同间伐强度下的湿地松干形指标的差异，其结果表明不同密度下的胸高形数差异不显著,但高径比则存在显著差异。而间伐强度对胸高形数和胸高形率的影响不显著，以中度间伐(伐去株数35.7%)林木干形相对较为饱满。目前，国内外主要采用削度方程来描述树干干形的变化。但任何一个削度方程都不可能精确地描述所有树种的树干形状的变化，也不会完全适应某一树种的所有林分。因此，为了适应各种情况，国内外提出了上百种不同形式的削度方程， 最早为1873年孔兹提出的干曲线方程，但是该方程只能近似地表达某一段干形，在整株树的干形表达受到限制。于1903年Hojer提出了表示树干平均形状的削度方程。同年，日本的寺崎渡也提出了指数函数削度方程，随后于1923年Behre提出了双曲线方程，并在北美得到了广泛的应用，此外，日本林学家吉田正男和大隅真一分别于1930年和1951年利用三次抛物线拟合了日本柳杉的相对树干曲线，等等。从60年代开始，随着计算机先进计算技术在林业研究中的应用，各种各样的方法和模型不断涌现。其中具有代表性的有:德国著名的森林经理学家普罗丹于1965年用四次多项式研究了云杉的干形;佛莱期(1965)用主分量分析方法研究了瑞典等地白桦与松树的干形;布鲁斯(1968)等人采用六次项式回归模型建立了红桤木的削度与材积表系统; Demearchalk (1971, 1972)提出了一致性削度方程与非一致性削度方程的概念以及由常用材积方程椎导出一致性削度方程的方法:Ormerod （1971)创立了非线性回归削度方程;1977年Demearchalk和Korzark提出了全树干系统的削度方程，等等。

我国对于削度方程的研究起步较晚，在生产中也较少应用。林昌庚、蒋伊伊等人曾从事过干形的研究，孟宪宇^[38]于1982年发表了“削度方程和出材率表的研究”，是我国较早的有关研究。到了90年代，对于削度方程的研究有了较大的进展，1993年蒋伊伊、陈雪峰发表了“应用一致性削度/材积预估系统编制材种出材率表初探”^[36]。张铁砚等^[37]于1992年在研究商品出材率预测方法过程中，也对削度方程进行了认真的探索，并提出了几个新的削度方程。李梦、李长胜、黄道年分别对天山云杉、日本落叶松、细叶云南松建立了削度方程并编制了材种出材率表^[39]。曾伟生和廖志云于1997年提出了可变参数削度方程^[40];李悦黎于1998年提出了四参数的油松干曲线^[41]，等等。

在实际工作中，可以根据不同树种、林分状况和应用目的，选择使用这些削度方程。按削度方程的发展阶段，可以大致分为三类：简单削度方程，分段削度方程和可变参数削度方程从国内外发展趋势来看，削度方程的选择是从简单的削度方程到分段拟合再转向建立可变参数削度方程。计算机技术高速发展的今天，可以选用拟合效果最好的可变参数削度方程来描述干形。我国学者在利用削度方程编制材种出材率表方面做了大量的研究，对削度方程、材积比方程的蹄选、确定、拟合、评价、理论造材、制表等方面提出了各自的理论、技术、方法和观点。

注：h为干径距离地面高度；d为树干高度处的直径；D为胸径；H为树高；a₀、a₁、a₂、a₃、a₄为待定参数。

因此，研究选用多站扫描的方式，利用多回波技术获取完整的立木直径、树高以及树冠垂直分布状况等信息。设计地面激光点云特征参数的提取算法，并与立木测树特征相对应，建立基于特征参数的材积模型，利用两期不同密度人工杨树林数据建模，为TLS用于森林动态变化监测提供参考。

1. 倪文俭;过志峰;孙国清;黄华兵;基于地基激光雷达数据的单木结构参数提取研究[J];高技术通讯;2010年02期
2. Heritage G , Charlton M , Large A . Laser scanning for the environmental sciences[M]. 2009.
3. Schardt M , Ziegler M , Wimmer A , et al. Assessment of forest parameters by means of laser scanning[J]. Proceedings of the IRPRS Commun part 3A, Graz, Austria, September 9-13, 2002, 2002.
4. Pfeifer N. 2004. Automatic reconstruction of single trees from terrestrial laser scanner data. Int. Arch. Photogramm. Rem. Sens. 35, 114-119
5. Donoghue D N M, Watt P J,. Cox N J and Wilson J. 2007. Remote sensing of species mixtures in conifer plantations using LiDAR height and intensity data. Remote Sensing of Environment, 110(4):509-522 [DOI: 10.1016/j.rse.2007.02.032]
6. Liang X L, Kankare V, Hyyppauml; J, Wang Y S, Kukko A, Haggreacute;n H Yu X W, Kaartinen H, Jaakkola A, Guan F Y, Jaakkola M and Vastaranta M. 2016. Terrestrial laser scanning in forest inventories. Isprs Journal of Photogrammetry amp; Remote Sensing, 115(5):63-77 [DOI: 10.1016/j.isprsjprs.2016.01.006]
7. Simonse M, Aschoff T, Spiecker H and Michael T. 2003. Automatic determination of forest inventory parameters using terrestrial laser scanning. Proceedings of the Scandlaser Scientific Workshop on Airborne Laser Scanning of Forests..
8. Liang X L, Hyyppauml; J, Harri K, Matti L, Jiri P, Norbert P, Markus H, Gaacute;bor B and Pirotti F, Jan He. 2018. International benchmarking of terrestrial laser scanning approaches for forest inventories. Isprs Journal of Photogrammetry amp; Remote Sensing, 144(10):137-179[DOI: 10.1016/j.isprsjprs.2018.06.021]
9. H.‐G.Maas, 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):15.
10. Meouche R E , Rezoug M , Hijazi I , et al. Automatic Reconstruction of 3D Building Models from Terrestrial Laser Scanner Data[J]. 2013.
11. 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, 53(8).
12. Li Y, Guo Q, Su Y, Tao S, Zhao K, Xu G. Retrieving the gap fraction, element clumping index, and leaf area index of individual trees using single-scan data from a terrestrial laser scanner[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130:308-316. [DOI: 10.1016/j.isprsjprs.2017.06.006]
13. Pirotti F, Guarnieri A, Vettore A. Vegetation filtering of waveform terrestrial laser scanner data for DTM production[J]. Applied Geomatics, 2013, 5(4):311-322. [DOI: 10.1007/s12518-013-0119-3]
14. Yang, Chengwei. Time-of-flight measurement in self-triggering pulsed laser ranging[J]. Optical Engineering, 2005, 44(3):034201.
15. Kostamovaara J , Huikari J , Hallman L , et al. On Laser Ranging Based on High-Speed/Energy Laser Diode Pulses and Single-Photon Detection Techniques[J]. IEEE Photonics Journal, 2015, 7(2):1-15.
16. 黄民双, 刘晓晨, 马鹏. 脉冲飞行时间激光测距系统中周期误差补偿[J]. 红外与激光工程, 2018.
17. Liu L X, Pang Y, Li Z Y. 2016. Individual Tree DBH and Height Estimation Using Terrestrial Laser Scanning (TLS) in A Subtropical Forest. Scientia Silvae Sinicae, 52(2):26-37（刘鲁霞, 庞勇, 李增元. 2016. 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, 52(2):26-37） [doi:10．11707 / j．1001-7488．20160204]
18. Means J E, Acker S A, Harding D J, et al. Use of large-footprint scanning airborne lidar to estimate forest stand characteristics in the western Cascades of Oregon[J]. Remote Sensing of Environment, 1999, 67(3):298-308.
19. Naelig;sset E. Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data[J]. Remote Sensing of Environment, 2002, 80(1):88-99.
20. Silva C A, Klauberg C, Hudak A T, et al. A principal component approach for predicting the stem volume in Eucalyptus plantations in Brazil using airborne LiDAR data[J]. Forestry, 2016, 89(4):cpw016.
21. Srinivasan S , Popescu S C , Eriksson M , et al. Multi-temporal terrestrial laser scanning for modeling tree biomass change[J]. Forest Ecology and Management, 2014, 318:304-317.
22. 曾伟生, 廖志云. 削度方程的研究[J]. 林业科学, 1997, 33(2):127-132.
23. 刘浩, 张峥男, 曹林. 机载激光雷达森林垂直结构剖面参数的沿海平原人工林林分特征反演[J]. 遥感学报, 2017, 22(5).
24. 沈国舫． 森林培育学［M］． 北京: 中国林业出版社，2011．
25. 秦柱南, 孙超, 韩义, et al. 株行距配置对杨树生长及光合特性的影响[J]. 山东大学学报(理学版), 2014, 49(7):1-6.
26. 陈烨丽, 李丽, 白善军, et al. 株行距对竹柳胸径影响的研究[J]. 农业科技通讯, 2011(2):74-75.
27. 王佳，地基激光雷达提取单木冠层结构因子研究[A],农业机械学报[doi:10.604/j.issn.1000-1298.2018.02.026]
28. 乌吉斯古楞. 大青山油松人工林密度对林木生长影响的研究[D]. 内蒙古农业大学, 2006.
29. 蔡坚.林分密度对湿地松林木干形影响的研究[S].广东林业科技2006年第02期[ISSN：1006-4427]
30. 严若海, 吴富桢. 关于商品材积变型估测系统的研究[J]. 南京林业大学学报(自然科学版), 1992(3):31-37.
31. Kozak A，Smith J H G. critical analysis of multivariate techniques for estimating tree taper suggests that simpler methods are best[I]. Articleensp;inensp;Forestry Chronicle 42(4):458-463 · December 1966ensp;withensp;8 ReadsDOI: 10.5558/tfc42458-4
32. Nagashima I , Yamamoto M , Sweda T . A theoretical stem taper curve (I).[J]. Journal of the Japanese Forestry Society, 1980, 62(6):217-226.
33. 曾伟生. 关于材种出材率表的编制方法[J]. 中南林业调查规划, 1995(4):1-6.
34. Ormerod D W . A simple bole model. The Forestry Chronicle, 1973, 49(3): 136-138, https://doi.org/10.5558/tfc49136-3
35. Muukkonen P . Forest inventory-based large-scale forest biomass and carbon budget assessment: new enhanced methods and use of remote sensing for verification[D]. October 2006ensp;withensp;244 ReadsDOI: 10.14214/df.30
36. 蒋伊尹, 陈雪峰. 应用一致性削度/材积预估系统编制材种出材率表初探[J]. 林业资源管理, 1991(6):55-57.
37. 张铁砚, 胡晓龙, 常昆. 商品材出材率预测方法的研究[J]. 林业资源管理, 1992(3).
38. 孟宪宇. 削度方程和出材率表的研究[J]. 南京林业大学学报(自然科学版), 1982, 6(01):122-133.
39. 李梦，李长胜，张怡春，张忠山，潘建中，姚景岐;长白落叶松人工林林分材种出材率的研究[J];东北林业大学学报;1994年04期
40. 曾伟生, 廖志云. 削度方程的研究[J]. 林业科学, 1997, 33(2):127-132.
41. 李悦黎;油松干曲线式[J];陕西林业科技;1996年01期
42. 何艺, 周小成, 黄洪宇, et al. 基于无人机遥感的亚热带森林林分株数提取[J]. 遥感技术与应用, 2018.
43. Tang S Z, Li Y, Fu L Y. 2006. Statistical foundation for biomathematical models. Higher Education Press（唐守正，李勇，符利勇．2015. 生物数学模型的统计基础第2版[M]. 高等教育出版社)
44. Meng X Y. 2006. Forest measuration. Beijing :China Forestry Publishing House（孟宪宇. 2006. 测树学[M]. 北京:中国林业出版社）
45. Hyyppauml; J, Hyyppauml; H, Leckie D, Gougeon F, Yu X and Maltamo M.2008. Review of methods of small-footprint airborne laser scanningfor extracting forest inventory data in boreal forests. International Journal of Remote Sensing, 29(5): 1339–1366 [DOI:10.1080/01431160701736489]
46. Larsen M, Eriksson M, Descombes X, Perrin G, Brandtberg T and Gougeon F A. 2011. Comparison of six individual tree crown detection algorithms evaluated under varying forest conditions. InternationalJournal of Remote Sensing, 32(20): 5827–5852 [DOI:10.1080/01431161.2010.507790]
47. Kaartinen H, Hyyppauml; J, Yu X W, Vastaranta M, Hyyppauml; H, Kukko A, Holopainen M, Heipke C, Hirschmugl M, Morsdorf F, Naelig;sset E, Pitkauml;nen J, Popescu S, Solberg S, Wolf B M and Wu J C. 2012. An international comparison of individual tree detection and extraction using airborne laser scanning. Remote Sensing, 4(4):950–974 [DOI: 10.3390/rs4040950]
48. Brandtberg T, Warner T A, Landenberger R E and McGraw J B. 2003.Detection and analysis of individual leaf-off tree crowns in small footprint, high sampling density lidar data from the eastern deciduous forest in North America. Remote Sensing of Environment,85(3): 290–303 [DOI: 10.1016/S0034-4257(03)00008-7]
49. Brandtberg T. 2007. Classifying individual tree species under leaf-off and leaf-on conditions using airborne lidar. ISPRS Journal of Photogrammetry and Remote Sensing, 61(5): 325–340 [DOI:10.1016/j.isprsjprs.2006.10.006]
50. Koch B, Heyder U and Weinacker H. 2006. Detection of individual tree crowns in airborne lidar data. Photogrammetric Engineering and Remote Sensing, 72(4): 357–363 [DOI: 10.14358/PERS.72.4.357] Lauml;hivaara T, Seppauml;nen A, Kaipio J P, Vauhkonen J, Korhonen L,
51. Popescu S C. 2007. Estimating biomass of individual pine trees using airborne lidar. Biomass and Bioenergy, 31(9): 646–655 [DOI:10.1016/j.biombioe.2007.06.022]
52. Yu X W, Hyyppauml; J, Vastaranta M, Holopainen M and Viitala R. 2011.Predicting individual tree attributes from airborne laser point clouds based on the random forests technique. ISPRS Journal of Photogrammetry and Remote Sensing, 66(1): 28–37 [DOI:10.1016/j.isprsjprs.2010.08.003]
53. Liu Q W, Li Z Y, Chen E X, Pang Y, Tian X and Cao C X. 2010. Estimating biomass of individual trees using point cloud data of airborne LIDAR. Chinese High Technology Letters, 20(7): 765–770(刘清旺, 李增元, 陈尔学, 庞勇, 田昕, 曹春香. 2010. LIDAR点云数据估测单株木生物量. 高技术通讯, 20(7): 765–770)[DOI: 10.3772/j.issn.1002-0470.2010.07.019]
54. Liu Q W, Li Z Y, Chen E X, Pang Y and Wu H G. 2008. Extracting height and crown of individual tree using airborne LIDAR data.Journal of Beijing Forestry University, 30(6): 83–89 (刘清旺, 李增元, 陈尔学, 庞勇, 武红敢. 2008. 利用机载激光雷达数据提取单株木树高和树冠. 北京林业大学学报, 30(6): 83–89)
55. CiciAlexander. Delineating tree crowns from airborne laser scanning point cloud data using Delaunay triangulation[J]. International Journal of Remote Sensing, 2009, 30(14):6.
56. Reitberger J , Schn?Rr C , Krzystek P , et al. 3D segmentation of single trees exploiting full waveform LIDAR data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(6):561-574.
57. Lahivaara T , Seppanen A , Kaipio J P , et al. Bayesian approach to tree detection with airborne laser scanning[C]// IEEE International Geoscience amp; Remote Sensing Symposium. IEEE, 2012.
58. Li W , Guo Q , Jakubowski M K , et al. A New Method for Segmenting Individual Trees from the Lidar Point Cloud[J]. Photogrammetric Engineering and Remote Sensing, 2012, 78(1):75-84.
59. Morsdorf F , Meier E , Koetz B , et al. The potential of high resolution airborne laser scanning for deriving geometric properties of single trees[J]. EGS - AGU - EUG Joint Assembly, 2003.
60. Wang Y, Weinacker H, Koch B. A Lidar Point Cloud Based Procedure for Vertical Canopy Structure Analysis And 3D Single Tree Modelling in Forest[J]. Sensors, 2008, 8(6):3938-3951.
61. Vaughn N R, Moskal L M and Turnblom E C. 2012. Tree species detection accuracies using discrete point lidar and airborne waveform lidar. Remote Sensing, 4(2): 377–403 [DOI: 10.3390/rs4020377]

资料编号：[84364]

多回波点云高度累计百分比的分析与建模

文献综述

1. 研究目的和意义

以多回波扫描得到的三维点云分布信息为基础，设计点云高度累计百分比算法，分析单木和样地级别的点云统计分布参数——高度累计百分比Hz，并对立木测树因子和林分结构进行分析。建立一种基于点云统计分布参数的立木测树因子预测方法，为今后立木材积和林分蓄积的自动提取提供一种可能性与基础，同时也为精准林业测量提供参考。

1. 国内外研究现状

1、概况

进行森林资源调查、管理与规划时需要获取反映树木生长情况的参数^[1]。 激光扫描是一种主动遥感技术，它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3D 点云^［2］。随着遥感技术的发展, 研究人员开始研究基于机载激光雷达数据的大范围森林调查^[3]。运用激光点云数据提取单木 ^[4]和样地级别^[5-6]的森林结构信息^[7]，已成为林地调查的主流^[8]。机载激光雷达的优势在于可以快速获取大范围的数据,但其精度和可信赖度取决于从点云数据中提取参数时所采用模型的一些假设^[9]。通常情况下, 它获取的是林分的平均参数, 而不是单木参数^[9]。近几年研究人员开始探索基于地基激光雷达( Terrestrial Laser Scanning，TLS)数据的森林结构参数提取方法^[1、9-10]。地基激光雷达的出现为我们提供了一种非破坏性的高分辨率冠层三维测量手段, 可以弥补现有观测手段的不足, 实现单木几何结构参数的自动获取, 并为重建三维真实结构森林场景提供了可能^[7]。

2、多站拼接扫描

激光扫描利用激光探测和测距技术（Light Detection and Ranging，LiDAR））可以高效准确的得到物体的三维坐标信息，通过多站扫描获得的点云信息完整记录了被测物的结构信息，同时也从其点云分布的特征参数中反映了被测地物的遥感信息。地面激光雷达的扫描模式主要分为单站扫描和多站扫描模式，不同的扫描模式对样地数据参数的提取有重要影响。单站扫描仅获取被测物表面一个方向结构信息，通过对多站点布设的样地进行多站扫描能弥补单站数据缺失的问题如表1^[8] 所示，多站拼接数据的单木识别率相比单站均有提高。图1为一个多站点扫描获取点云数据的站点布设图，图2为单站点与多站点同一立木点云数据量对比。Hyyppauml; 等^[45]；Larsen 等^[46]；Kaartinen 等^[47]对机载激光雷达探测单木方法进行了对比分析和综述。激光雷达数据提取单木结构因子的方法可分为3类，第1类是由栅格化冠层高度模型(CHM)中识别单木特征^[48-54]称为CHM单木法;第2类是由离散的地形归一化点云NPC(NormalizedPoint Cloud)数据识别单木特征^[55-58]，称为NPC单木法; 第3类是将点云投影到体元空间识别单木特征^[59-61]，称为体元单木法。刘鲁霞^[17]等对比同一样地的单站与多站点云数据的胸径树高提取值并与实地测量对比，其结果表明结果表明多站拼接单木识别率高于单站扫描，且其比单站扫描更加接近于样地实测结果。由此可见多站扫描对比单站扫描，其在获取立木完整的结构信息与因子提取有独特的优势。