传统遥感手段不能够直接获取单木的结构参数, 特别是三维结构参数。机载激光雷达(light detection and ranging, LiDAR)是一种新兴的主动式遥感技术, 较之传统遥感方法(吴见等, 2010), 其所具有的穿透性使得人们能够获得更加准确的DEM、DSM以及树冠生长状态等, 进而可以对树木的三维信息进行提取。树冠是树木的重要组成部分, 也是树木进行光合和蒸腾作用等一系列生理活动的重要场所(高慧淋等, 2015); 然而一天中绝大部分太阳辐射照在有效冠部分, 树冠下部对光合有效辐射的吸收不足8%(刘志刚, 1993)。有效冠是指在垂直分布处于中上部的枝条和叶组成的树冠部分, 垂直分布密度最大的林冠层之下限高度以上, 并对树木生长和树干的材积生长起主要作用的树冠部分, 有效冠部分在树木上的下限高度称为有效冠高。有效冠是光合作用的主要部分, 在树木生长过程中起着重要作用(Kajihara, 2008), 对单木树冠结构参数提取以及林分有效冠的相关研究具有十分重要的意义。

目前, 基于LiDAR数据提取单木结构参数是林业遥感的研究热点。在国外, Chen等(2006)利用标记控制分水岭分割算法对美国阔叶林进行单木树冠分割, 分割准确率为64.1%。Zhong等(2017)利用地面雷达点云数据和微波着陆雷达点云数据对单木进行分割, 分割正确率分别为95.4%和93.7%。在国内, 刘清旺等(2008)利用机载LiDAR数据, 基于单木树冠特征提出了一种双正切角树冠识别算法, 并对单木树高和冠幅进行提取, 树高和冠幅R2分别为0.34和0.03, 样地平均树高和平均冠幅R2分别为0.97和0.71。刘峰等(2011)利用标记控制分水岭算法进行树冠高度模型分割, 实现单木树冠边缘勾勒, 树冠分割正确率达到78.5%。刘鲁霞等(2014)以白皮松(Pinus bungeana)为研究对象, 基于地基激光雷达TLS扫描的三维点云数据在单木垂直方向的分布特征, 利用二维凸包算法获取垂直方向分层树冠轮廓, 并计算树冠体积和冠幅; 同时获取的单木参数还有胸径和树高, 得到了较高的精度。王轶夫等(2014)基于机载激光雷达数据提取天然次生林树高, 探索影响树高提取精度的主要因素, 得出采用高采样密度的雷达点云数据、正确选择CHM生成方法和改进树顶点识别算法是提高树高提取精度的有效途径。王涛等(2010)基于机载LiDAR点云数据提取林木参数(树高、冠幅), 通过冠幅估算函数对冠幅进行估算, 对点云处理算法进行改进, 取得了较好的效果。李凤日等(1996)以样地实测数据探讨有效冠的概念及单木和林分有效冠的确定方法, 得到了单木和林分有效冠。

提取树冠三维结构参数是目前的研究前沿, 也是机载LiDAR相关研究的关键技术之一, 然而利用机载LiDAR数据提取单木三维结构参数进而得到林分平均有效冠则鲜有此方面报道。鉴于此, 本研究利用动态窗口的局部最大值法对单木树冠顶点位置进行探测, 提取树高; 以树冠顶点为标记, 利用控制分水岭分割算法提取单木冠幅; 采用高程归一化点云数据对冠长进行提取, 并对提取的单木结构参数(树高、冠幅和冠长)进行精度验证; 在此基础上, 对林分平均有效冠进行提取, 以期为进一步研究林分尺度上的有效冠结构及其动态提供依据, 以更好掌握并改进林业经营措施。

研究区位于黑龙江省尚志县东北林业大学帽儿山实验林场, 127°30′—127°34′E、45°20′—45°25′N, 总面积2.649 6万hm2, 南北长30 km, 东西宽20 km, 共151个林班。地带土壤类型以暗棕壤为主。主要树种有白桦(Betula platyphylla)、水曲柳(Fraxinus mandshurica)、杨树(Populus)、紫椴(Tilia amurensis)、枫桦(Betula costata)、落叶松(Larix gmelinii)、樟子松(Pinus sylvestris var.mongolica)、红松(Pinus koraiensis)等。

本研究所用数据包括研究区外业测量的林木样地数据和单木数据、用于单木三维结构参数提取的机载LiDAR数据以及用于参考树冠冠幅提取的0.2 m分辨率航拍遥感影像。

2016年8月, 根据不同林分类型设置6块0.06 km2样地, 其中落叶松样地2块、樟子松样地2块、红松样地2块, 样地均为针叶人工林, 且样地中没有亚乔木、被压木和较高的灌木, 共测量331株单木相关数据。在每块样地中, 收集坡度、坡向等因子。外业测量时, 采用差分GPS测量样地中心点和四角点坐标, 罗盘和皮尺测量每株树木在样地中的极坐标(Hollaus et al., 2006)和树木胸径(DBH), 激光测高仪测量全树高和活枝高, 钢卷尺测量树冠东、西、南、北4个方向的冠幅。地面实测单木结构参数的基本统计量见表 1。

表 1 实测单木结构参数的基本统计量

Tab.1 Basic statistics of the individual tree structure parameters measured

机载LiDAR数据获取时间为2015年9月14—15日。数据由运-12飞机搭载传感器飞行获取, 相对航高1 200 m, 飞行速度约65 m·s1, 总覆盖范围约360 km2, 航线共计31条。激光雷达系统为LMS-Q680i, 获取的LiDAR数据单条带点密度约2 pts·m-2。考虑多回波和重复覆盖, 最大点云密度超过10 pts·m-2, 每块样地的点云密度见表 2。LiDAR数据头文件中包含每个激光点的三维坐标以及回波次数、强度、航带和姿态信息等。本研究将LiDAR数据格式储存为LAS1.2, LiDAR数据坐标系统设定为UTM-North投影, WGS-84坐标系。高分辨率遥感数据由中国林业科学研究院LiCHy(LiDAR, CCD and Hyperspectral)机载遥感系统采集提供, 影像分辨率0.2 m, 用于对LiDAR提取的冠幅进行目视解译和验证。

表 2 不同样地点云密度

Tab.2 Point cloud density of different plots

技术路线见图 1。

传感器飞行采集数据点云时, 除了传回准确的回波点外, 由于飞行误差也产生了一些孤立的点, 称为噪声点。噪声点一般是明显高于或低于周围地物的单个激光回波点, 其存在会对研究结果和精度造成影响, 故在提取树木参数前应先将噪声点剔除。本研究采用孤立点算法剔除噪声点, 即以某一点为球心、以一定距离为半径的球体空间内, 若不存在其他点云, 那么该点即为噪声点, 将其剔除; 反之则为非噪声点, 将其保留。同时辅助人工修正, 剔除不易被识别的噪声点。焦义涛等(2015)研究发现, 半径为20 m时, 去除噪声点效果较佳, 故本研究将孤立点算法的球体搜索半径设置为20 m。

CHM(canopy height model, 树冠高度模型)是表达植被距离地面高度的表面模型, 能够反映森林冠层的高度起伏变化。本研究基于Terrasoild软件平台, 对LiDAR点云数据进行滤波和分类。在多种插值方法中, 克里金(Kriging)插值方法的适用性最强, 精度最高(顾春雷等, 2011), 故本研究选用克里金插值方法对点云数据进行处理。将地面点通过克里金插值得到数字高程模型(DEM), 只将第1次回波点保留, 同样应用克里金插值得到数字表面模型(DSM), 用DSM减去DEM即得到树冠高度模型(CHM)(刘群, 2016):

插值生成的栅格单元大小是创建栅格图像时的重要参数。平均采样间隔由点云数据中第1次回波密度确定(刘峰等, 2011), 计算公式如下:

式中:d为脉冲回波时平均采样间隔; ρ为激光脉冲采样密度。

通过计算, 研究区内采样点云数据平均采样间隔d均在0.4 m左右, 故本研究将DEM、DSM和CHM的栅格分辨率统一设置为0.4 m。

在机载LiDAR点云数据中, 点云包含地形和地物的共同高度信息, 若要得到去除地形影响的准确地物植被高度信息, 需将所有LiDAR点云的高程与数字高程模型(DEM)做差运算, 以消除地形起伏对地物高程的影响, 该方法即为点云数据高程归一化。本研究利用高程归一化后的点云数据提取冠长。

由于LiDAR点云存在一些透过树冠的枝叶间隙, 直接打到地面上的激光返回点在CHM上会有一些空值, 仅利用CHM提取单木结构参数会对结果产生误判误差和漏判误差(Chen et al., 2006), 所以本研究为了减少误差产生, 在图像中形成密闭的冠层区域对CHM表面进行了形态学“开”运算。在CHM中, 将每个栅格单元值替换为其邻域内激光点云高度最大值, 得到树冠最大模型(canopy maxima model, CMM)(刘群, 2016)。

CMM粗糙会引起树冠顶点的误判, 通常采用高斯滤波(Gauss filter)对CMM进行处理(Wang et al., 2013)。高斯滤波是一种线性平滑滤波, 广泛应用于图像处理的减噪过程(Mallinis et al., 2013)。试验发现, 高斯模板的标准差越小, 图像越亮, 且对后续树冠提取结果影响不大, 故本研究引用Dralle等(1996)5×5(像元)的高斯矩阵(G5×5)对CMM进行平滑处理, 剔除CMM图像噪声, 得到GCMM(Gauss filter CMM)图像:

由式(4)计算得到的GCMM作为后续提取单木结构参数的基础数据, 利用GCMM提取单木树冠顶点, 可以有效减少树冠顶点的错误检测(甄贞等, 2016)。

本研究通过探测单木树冠顶点位置获取单木树高。在GCMM图像上, 采用可变大小的动态窗口局部最大值法(Zhen et al., 2014)探测单木树冠顶点位置。动态窗口中的局部高度最大值点作为树冠顶点, 树冠顶点处像元值作为单木树高, 动态窗口大小由样地实测冠幅和树高回归分析的95% (α=0.05)预测区间下限来决定(甄贞等, 2016)。李响等(2015)研究指出, 可以通过减小α来进一步减少漏判误差, 而α较小可能会产生较大的错判误差。本研究通过迭代方法, 发现α=0.05时可以有效平衡错判误差和漏判误差, 故设置α=0.05。

利用SAS统计软件对实测冠幅和树高进行非线性拟合, 指数形式的回归分析R2最高, 公式如下:

式中:Y为树冠直径; x为单木树高。

回归模型的95%预测区间下限由下式确定(Zhen et al., 2014):

式中:Yx为给定树高x的冠幅预测区间下限; s2为均方根误差; α为置信水平; t为以(n-2)为自由度的t分布函数的反函数; S为参数估计(x′x)-1s2的协方差矩阵; Y为非线性回归式(5)的冠幅大小。

分水岭分割是一种基于拓扑理论的数学形态学分割方法, 其基本思想是将图像看作测地学上的拓扑地貌, 图像中每个点像元的灰度值表示该像元的海拔, 每个局部最小值及其影响区域看成一个聚水盆, 聚水盆的边界形成分水岭。

传统的分水岭分割会产生“过度分割”现象(Johnson et al., 2011), 故本研究对分水岭算法进行改进, 采用基于标记符控制的分水岭分割算法(Guo et al., 2016), 即在原图像上找到内部标记和外部标记来引导算法进行分割, 从而防止“过度分割”现象发生。为了模拟浸没过程(图 2), 先对GCMM(图 2a)进行处理, 计算2个聚水盆的补集(图 2b)。假设每个聚水盆在其最小值处有一孔洞, 那么当不断向聚水盆中注水时, 聚水盆将被填满。该算法可以被认为, 能够自动在2个相邻的聚水盆中间建筑一道堤坝(图 2c), 该堤坝作为2个聚水盆的分水线并且被用来分割单木。

本研究采用局部最大值算法标记树冠顶点, 将其作为控制符对GCMM进行标记控制分水岭分割, 以高空间分辨率遥感影像作为辅助数据, 得到树冠边界进而确定单木冠幅大小。

枝下高位置是单木树干与树冠之间的分割点, 枝下高到树冠顶点的高度差即为单木冠长。本研究采用垂直方向点云高程检测方法对高程归一化后的点云进行处理, 获取枝下高位置, 从而提取冠长。对匹配结果良好的单木冠幅进行矢量化, 得到矢量边界内的点云, 此时点云包括地面、树干和树冠部分, 将这些点云高程导出。按照一定厚度对点云进行分层处理, 遍历所有层, 统计每一层激光点的数量并绘制统计直方图。由于本研究不同样地间点云密度大致相同, 在提取单木冠长时, 落在单木上的激光点数量也差别不大, 故未考虑点云密度对树冠分层的影响。

在直方图中存在着3部分区域。第1部分点云数量很多, 高程变化不大, 将该区域内的点视为地面点。赵晨阳等(2015)研究发现, 机载激光雷达发射的脉冲点很难打到树干上, 打在树干上的点云数量几乎为零。第2部分点云数量几乎为零且连续, 将该区域视为单木树干部分。第3部分点云数量明显提高, 将该区域视为落在树冠的脉冲点。第2部分与第3部分之间的分界即为枝下高位置所在高程范围, 该高程范围内高程最小的点到单木树冠顶点的垂直距离即为冠长。有时, 较小枝处点云数量会有所增加, 变化幅度不大, 小于树冠部分较大枝处的变化幅度, 而且小枝很短, 数量增加后很快又回到了树干处数量水平(刘鲁霞等, 2014)。根据这一特点, 可以在利用本方法提取冠长时, 有效去除小枝对枝下高检测的影响, 减小冠长的提取误差。

本研究从3方面对LiDAR提取单木结构参数能力进行评价。一是为了验证LiDAR识别树冠的能力, 对高空间分辨率航空相片和CHM进行目视解译, 所解译出的树冠视为地面真实树冠, 通过手动勾绘出树冠边界, LiDAR探测出的树冠作为探测树冠。采用Hirschmugl等(2007)的“1-1对应关系”评价分离精度, 来评价树冠分割正确率, 公式如下:

式中:“1-1对应关系”为在单木位置建立1 m缓冲区, 如果探测到的单木树顶位于参考单木树顶位置的1 m缓冲区内, 且缓冲区内仅能探测到1株单木的树顶位置, 即被认为是“1-1对应关系”的单木; N1-1为探测到的单木树冠多边形与真实树冠多边形的单木树冠数量, 即正确分割的数量; N为样地内总株数。

二是对分离后的单木结构参数进行检验, 本研究提取参数与实测参数二者的提取精度按下式计算:

式中:n为正确分离的单木数量; Xi为分离单木结构参数; xi为与分离出的单木对应的实测单木结构参数。

三是通过线性回归分析, 对单木三维结构参数(树高、冠幅和冠长)进行相关性验证。

有效冠处于林冠层中上部, 不受林木间竞争影响, 在同一林分中有效冠高与树木大小无关, 林分平均有效冠高与平均接触高的位置大致相同(李凤日等, 1996)。林分中林木之间的接触高, 从样木东、南、西、北4个冠幅方向确定。选择相邻树冠间接触点明显的树木, 测其与相邻木树冠接触处的最低高度作为接触高, 对接触高取平均值作为有效冠高, 将林分中若干株样木有效冠高的算术平均值作为林分平均有效冠高。

本研究首先测量GCMM图像上所有能够正确分割出的单木接触高, 对所有单木接触高取算术平均值作为该林分的平均接触高即林分有效冠高, 然后在GCMM图像上提取所有高度在林分有效冠高之上的像元即为林分有效冠, 最后利用计算机语言编译将所提取的林分有效冠绘成直观的三维图像。

在GCMM图像上, 基于动态窗口搜索局部最大值算法得到树冠顶点, 顶点处像元值即为该单木树高, 但并不是所有提取的单木都在封闭的树冠内与样地数据相对应。为了验证单木分割结果与地面实测数据的正确性, 通过人工比对, 一些明显不匹配单木被剔除。剔除不匹配单木后, 共剩下293株单木参与验证, 分割正确率为88.5%。表 3所示为不同样地的地面实测株数、算法分割株数与参与验证株数比较, 可以看出, 除样地3外, 其他样地均存在过度探测。通过查验样地数据发现, 样地3内存在一些未匹配的小树冠遮挡的情况, 造成算法分割株数少于地面实测株数。利用本研究方法探测单木位置分割正确率较高, 可以在此基础上进行单木树冠的提取。

表 3 不同样地单木数量对比

Tab.3 Comparison of individual tree numbers in different plots

表 4所示为算法分离出的单木树高与样地现地调查对应的单木树高的回归关系, 可以看出LiDAR提取树高x与地面实测树高y有着较好的线性关系, 相关系数R2均在0.800 0左右。图 3所示为所有样地提取树高与实测树高的回归关系, 得到线性回归方程为y=0.959 5x+1.323 3, R2=0.886 2, 提取树高与实测树高的精度为90.34%。结果说明, 利用本研究算法结合机载LiDAR数据对单木树高进行提取, 可以获得相关性较好且精度较高的单木树高。当截距设置为0时, 提取树高与地面实测树高呈良好的线性关系, 回归方程为y=1.036 7x, R2=0.880 1, 结果具有一定可靠性。

表 4 不同样地内提取树高与实测树高的回归关系

Tab.4 Tree height regression equations in different plots

表 5所示为正确分割的单木冠幅与样地现地调查对应的单木冠幅的回归关系, 可以看出LiDAR提取冠幅x与地面实测冠幅y有着较好的线性关系, 相关系数R2均在0.750 0左右。图 4所示为所有样地提取冠幅与实测冠幅的回归关系, 得到线性回归方程为y=0.798 7x+0.335 0, R2=0.786 4, 提取冠幅与实测冠幅的精度为86.80%。结果说明, 激光雷达提取的单木冠幅可以有效反映样地内冠幅分布和大小。

表 5 不同样地内提取冠幅与实测冠幅的回归关系

Tab.5 Crown regression equations of the different plots

从结果上看, 被分割的单木冠幅与地面实测冠幅相比偏小, 可能有4个原因:一是相邻树木之间存在树冠偏冠性, 造成冠幅提取精度较低; 二是树冠存在重叠遮挡现象, 实地调查时调查人员可以通过目视判读出冠幅边界, 但在图像上很难识别出被遮挡的树冠, 得到的往往是上层树冠; 三是在实地调查时通常只调查4个方向的冠幅, 而冠幅并非规则形状, 对提取结果与实测结果会造成影响; 四是在实地调查时往往会加以人为判断与地形等因素限制, 对实测数据造成误差。

在林区中, 机载激光雷达大部分脉冲点打在树冠上, 再通过树冠打在树冠下的地面上; 另外还有一小部分脉冲点透过树冠与树冠、树叶与树叶之间的空隙直接打在地面上, 很难打到树干上。本研究样地均为人工针叶林, 林下几乎没有灌木, 所以假设在地面点与树冠点之间不存在脉冲点。

以实地调查区域中1株样木点云为例, 将该单木点云每个点的高程由高到低分层, 每层厚度为1 m, 统计每层对应脉冲点的数量, 绘制高程折线直方图(图 5)。由图 5a可知, 第1部分高程在0~1.64 m之间, 点云数量很多且高程变化幅度不大, 此段区域可视为地表; 第2部分高程在1.64~6.64 m之间, 点云数量几乎为0, 此段区域即可视为树干部分; 第3部分高程在6.64~15.64 m之间, 点云数量增加, 此段区域可视为树冠上的点。

在图 5a中, 高程4.64~6.64 m之间存在着少量点云, 6.64~7.64 m之间点云数量变化幅度增大, 将4.64~7.64 m之间点云按0.2 m间隔分层, 统计每层点云数量, 如图 5b所示。可以看出, 4.64~6.64 m之间点云变化幅度不大, 且点云数量很快又回到树干处数量水平, 依据前文介绍的小枝判定方法, 认为该范围内点云为树干上的小枝部分。变化幅度较大的6.64~7.64 m是第3部分点云, 即树冠上的点, 该部分8个脉冲点中, 最小高程为7.4 m, 与全树高差值为该单木冠长, 即8.24 m。

选取匹配良好的50株单木进行冠长相关性检验, 提取冠长与实测冠长的相关关系为y=0.971 5x+0.195 4, R2=0.800 0, 精度为89.90%。从总体上看, 冠长的估测精度较高, 实测冠长和提取冠长呈很好的线性关系。提取冠长比实测冠长小, 主要是因为机载LiDAR从空中对树木进行扫描, 打到树冠底部区域的脉冲点数量较少, 结果造成确定的枝下高位置偏高, 故提取冠长偏小。

李露(2013)通过对解析木的研究, 确定了有效冠高, 其样木选取原则为统计样地每木检尺结果, 按胸径分组, 以径级由小到大将林木分为5级; 找到胸径最接近径级大小的单木, 选取1株平均木作为研究有效冠的样木。

为了比较不同样本数量对提取接触高的变异性, 本研究分别在每块样地中结合上述分级方法将径级由小到大分为5级, 在每个径级内分别选取1~6株样本, 即每块样地选取5~30株样本。不同样本数量的样地接触高见表 6。可以看出, 每块样地中选取不同的样本数量, 提取的平均接触高基本保持不变, 说明不同样本数量对提取样地内的接触高变异性影响不大。

表 6 不同样本数量的样地接触高

Tab.6 The individual tree contact height of the plot for different sampling sizes

本研究结合相关研究对有效冠的测量方法, 选择3种有效冠提取方法进行对比:一是结合李露(2013)方法, 按照径级大小排序, 在GCMM图像上所有正确分割的单木中选取30株样木, 分别提取接触高, 然后求算术平均值, 得到林分平均接触高作为林分有效冠高; 二是测得所有正确分割单木接触高的算术平均值作为该林分平均接触高, 即林分有效冠高, 在GCMM图像上提取所有高度在林分有效冠高之上的像元即为林分有效冠; 三是由机载LiDAR获取的点云数据及提取的CHM和GCMM图像最直观地反映冠幅大小。对样地冠幅按由小到大分为6等级, 取每个等级中冠幅大小接近冠幅分级的5株单木, 将这些单木接触高取算术平均值, 作为利用冠幅分级提取的林分有效冠高。3种不同方法提取的林分有效冠高见表 7。表 8为利用上述第1种有效冠提取方法, 在样地中选取30株样木, 对有效冠高进行提取时不同样地单木接触高统计值。可以看出, 在同一林分类型下, 单木接触高的变异性不大, 样地内的接触高相对比较稳定。与张少昂(1989)研究结果一致。

表 7 3种方法提取林分有效冠高

Tab.7 Three methods to extract effective canopy height

表 8 不同样地单株木接触高统计

Tab.8 Statistical values of the individual tree contact height of the different plots

利用3种方法对提取的林分有效冠高进行单因素方差分析, P均大于0.05, 无显著差异, 说明3种方法均可对林分有效冠高进行提取。利用MATLAB进行计算机语言编译, 在GCMM上提取出林分有效冠高以上的部分, 对研究区内6块样地进行林分尺度的有效冠三维表面制图, 如图 6所示。在今后的研究中, 可对林分有效冠的表面积、体积等参数进行提取, 以期与一些其他森林参数建立关系, 亦可代替部分人工的森林资源调查。

刘峰等(2011)利用标记控制分水岭算法对CHM进行分割, 基于分割结果提取单木树冠边界, 单木树冠的分割正确率为78.5%, 而本研究分割正确率为88.5%。分析其原因, 主要是因为刘峰等(2011)只对CHM进行了标记分水岭分割; 而本研究对CHM进行滤波以及形态学运算得到了GCMM, 该过程减少了CHM图像噪声, 将GCMM作为分割算法的基础数据, 并将高空间分辨率影像作为辅助数据进行冠幅提取, 故精度较高。这说明对CHM进行滤波及形态学运算处理后再对其进行树冠顶点标记控制的分水岭算法, 结合多源遥感数据可提高冠幅分割正确率。

赵晨阳等(2015)基于机载LIDAR数据, 以单木树冠顶点为聚类中心, 经过4次迭代估测出单木树高和单木冠幅, 提取树高和提取冠幅的精度分别为94.06%和82.21%, 树高提取精度稍高于本研究, 但是本研究冠幅提取精度更高。其原因可能为:在样地面积大致相同的情况下, 赵晨阳等(2015)研究中每块样地内株数为25株, 株数密度较本研究稀疏, 对树冠顶点的探测更准, 故树高提取精度更高; 而本研究冠幅提取精度更高, 原因是赵晨阳等(2015)研究中采用的分割算法为统计学方法, 分割结果的精度取决于初始聚类中心和聚类个数, 分割结果稳定性较差。因此, 本研究对于单木三维结构参数提取更具有可行性。

点云分类以及DEM、DSM的生成, 会对研究结果产生影响, 选择更合适的数据处理方法会提高最终结果的精度。同时, 利用单木分割结果, 可以进一步应用到提取其他森林参数, 如生物量、叶面积指数、郁闭度和蓄积量等。此外, 多数据源融合, 可以获得更精细更丰富的信息, 将多源遥感数据应用于对单木参数以及林分参数的提取, 也是重要的研究方向。

本研究对象为针叶树种, 其树冠形状较为规则, 在今后的研究中可以对阔叶树种进行研究。算法探测出了大部分单木, 但仍存在少量过分割和欠分割现象, 这些虽然不会影响树高的提取, 但会对冠幅的提取产生影响。“过”“欠”分割现象也是国内外研究学者们极力避免的, 但是只能在一定程度上减少过分割和欠分割现象的发生。在今后研究中可以加入更多的控制标记符, 以提高冠幅的提取精度。

1) 样地内共有331株单木, 293株被正确探测出来, 分割正确率为88.5%, 说明利用现地实测树高-冠幅的95%预测下限确定的动态窗口对GCMM的局部最大值算法可以有效探测出单木。单木树冠顶点位置确定后, 确定单木的分水岭边界, 每个分水岭水槽内为1株独立的单木, 可以利用树梢点标记控制分水岭分割, 实现单木树冠边缘提取, 该算法适合冠幅提取。

2) 本研究方法对单木结构参数(树高、冠幅、冠长)可以进行有效提取。树高的提取精度为90.34%, 冠幅的提取精度为86.80%, 冠长的提取精度为89.90%。提取出的单木结构参数相关性显著, 其中树高的R2为0.886 2, 冠长的R2为0.800 0, 冠幅的R2为0.786 4。本研究区域机载LiDAR数据具有良好的单木树冠三维结构参数提取能力。

3) 可以采用垂直方向点云高程检测方法获取单木枝下高, 将单木树高与枝下高做差即得到冠长, 该方法对研究区内冠长的提取精度较高。

4) 林分有效冠的3种不同提取方法提取结果无显著性差异, 不同样本数量对提取接触高的变异性影响不大, 在同一林分内单木接触高的高度变化不大。