【目的】为了提高背包式激光雷达估测林木胸径精度，得到在不同坡度的林分下高精度帧间匹配方法。【方法】使用Ubuntu 16.04和ROS Kinetic系统，将背包式激光雷达在不同坡度的林分下扫描数据转化成单帧点云，并采用关键帧技术选取实验点云；应用ICP算法、NDT算法、基于点云曲率特征匹配算法、基于PFH特征匹配算法、基于FPFH特征匹配算法和基于3DSC特征匹配算法对实验点云进行配准，估测匹配结果的林木胸径并计算RMSE值；接着以不同坡度下RMSE值最小算法的旋转平移矩阵为基准，计算6种算法的单帧匹配误差和匹配时间。通过对比6种算法匹配结果的RMSE值，单帧匹配时的平移误差、旋转误差、欧式适合度和匹配时间，得到在不同坡度林分下精度最高的帧间匹配算法。【结果】在坡度为1°的林分下，基于FPFH特征匹配算法的胸径估测结果 RMSE值为2.2 cm，旋转误差为0.032×10~(-6)弧度，平移误差为1.25×10~(-6) m，欧式适合度为27.7 m，单帧匹配时间为15.99 s，在6种算法中精度最高；在坡度为13°的林分下，基于FPFH特征匹配算法的胸径估测结果 RMSE值为2.81 cm，旋转误差为0.069×10~(-6)弧度，平移误差为2.41×10~(-6) m，欧式适合度为28.63 m，单帧匹配时间为16.12 s，在6种算法中精度最高；在坡度为25°的林分下，基于PFH特征匹配算法的胸径估测结果 RMSE值为4.42 cm，旋转误差为0.19×10~(-6)弧度，平移误差为5.26×10~(-6) m，欧式适合度为31.44 m，匹配时间为18.94 s，在6种算法精度最高。【结论】背包式激光雷达中的帧间匹配算法精度受森林坡度影响明显，其中ICP算法受坡度影响最小；基于FPFH特征匹配算法在坡度较小的林分下匹配效果最好，而基于PFH特征匹配算法在坡地较大的林分下匹配精度最高；高坡度地区背包式激光雷达测量精度较低，不仅与帧间匹配算法的精度下降有关，还受自身点云质量的影响。

【目的】林木参数是森林蓄积量、森林生物量估算的基础指标，传统的人工调查方式费时费力，已难以适应新形势下数字化森林资源监测技术的要求。地面激光雷达扫描技术能够获取小尺度高分辨率的林分内部结构信息，为林分环境条件下林木胸径、树高提取提供一种新的思路。【方法】以芦头实验林场杉木林样地为研究对象，针对FARO Focus 3D X330三维激光扫描仪设计了7种不同的扫描组合方式对样地进行扫描，提出象限角点云简化思路进行参数提取和精度评价，探究不同扫描组合方式对林木胸径、树高参数提取精度与效率的影响。【结果】1）当扫描分辨率为1/2、质量为4X时，胸径参数提取精度最高；当扫描分辨率为1/4、质量为4X时，树高参数提取精度最高。2）在林木参数提取结果没有显著性差异的前提下，扫描分辨率为1/4、质量为4X的扫描参数工作效率最高。3）选取同时兼顾精度和效率的1/4扫描分辨率、质量4X的扫描结果，进行象限角点云简化，简化的点云能够准确地提取出林木胸径参数。【结论】研究结果对于具有相同或相似地理条件和树种的林地选择扫描参数和点云简化方式具有重要参考价值，可以提高内业工作效率，同时也为地面激光雷达野外样地调查提供方法和技术参考。

【目的】为了精确构建树木的三维模型,基于背包激光扫描(Backpack laser scanning,BLS)系统获取的单木点云数据,提出了一种动态圆柱拟合方法提取树木真实的骨架曲线。【方法】以广西壮族自治区南宁市高峰林场为研究区。从样地点云数据中分离出单棵杉木点云,对其地面点与树叶点进行滤波处理,得到单木枝干点云。根据树木单枝近似圆柱特性,提出动态圆柱拟合算法,将单木枝干点云分割成大量单枝点云,并对单枝点云进行优化。分别对优化后单枝点云的XYZ坐标进行主成分分析,计算其特征值,最大特征值所对应的特征向量即为主方向。基于体元逐层聚类,沿主方向进行骨架点的提取,并利用3次B样条曲线对单枝骨架点进行平滑处理以获取单枝骨架曲线。利用同向向量近邻点搜索方法确定单枝骨架曲线连接点,实现骨架曲线拼接,从而实现完整单木骨架曲线的提取。【结果】对样地单株杉木进行骨架曲线提取,设置3种动态圆柱递减参数δ。递减参数为0.3 cm时,点云利用率为95.04%,处理时间为515.05 s;递减参数为0.5 cm时,点云利用率为92.70%,处理时长为369.34 s;递减参数为0.8 cm时,点云利用率79.70%,处理时长为349.35s。参数为0.3cm时,点云利用率最高,能够非常完整的提取骨架曲线;参数为0.5cm时,点云利用率可以满足骨架曲线的提取,并且算法运行时间相比于参数0.3 cm时降低了28.29%;参数为0.8 cm时,部分单枝存在缺失现象,无法满足骨架曲线提取要求。【结论】将递减参数设置为0.5 cm,利用动态圆柱拟合方法提取背包激光扫描单木点云的骨架曲线能够表征单木的几何、拓扑结构。

【目的】为了精确构建树木的三维模型，基于背包激光扫描(Backpack laser scanning,BLS)系统获取的单木点云数据，提出了一种动态圆柱拟合方法提取树木真实的骨架曲线。【方法】以广西壮族自治区南宁市高峰林场为研究区。从样地点云数据中分离出单棵杉木点云，对其地面点与树叶点进行滤波处理，得到单木枝干点云。根据树木单枝近似圆柱特性，提出动态圆柱拟合算法，将单木枝干点云分割成大量单枝点云，并对单枝点云进行优化。分别对优化后单枝点云的XYZ坐标进行主成分分析，计算其特征值，最大特征值所对应的特征向量即为主方向。基于体元逐层聚类，沿主方向进行骨架点的提取，并利用3次B样条曲线对单枝骨架点进行平滑处理以获取单枝骨架曲线。利用同向向量近邻点搜索方法确定单枝骨架曲线连接点，实现骨架曲线拼接，从而实现完整单木骨架曲线的提取。【结果】对样地单株杉木进行骨架曲线提取，设置3种动态圆柱递减参数δ。递减参数为0.3 cm时，点云利用率为95.04%，处理时间为515.05 s；递减参数为0.5 cm时，点云利用率为92.70%，处理时长为369.34 s；递减参数为0.8 cm时，点云利用率79.70%，处理时长为349.35s。参数为0.3cm时，点云利用率最高，能够非常完整的提取骨架曲线；参数为0.5cm时，点云利用率可以满足骨架曲线的提取，并且算法运行时间相比于参数0.3 cm时降低了28.29%；参数为0.8 cm时，部分单枝存在缺失现象，无法满足骨架曲线提取要求。【结论】将递减参数设置为0.5 cm，利用动态圆柱拟合方法提取背包激光扫描单木点云的骨架曲线能够表征单木的几何、拓扑结构。

【目的】探索不同树种在样地和单木尺度上无人机激光雷达点云数据的单木分割效果,选取哈尔滨城市林业示范基地阔叶林(水曲柳)和针叶林(樟子松)两块样地为研究对象,对样地内树木点云进行单木分割并评价其分割效果,为后续单木结构参数的提取提供数据支持,同时丰富森林资源信息的调查手段。【方法】通过无人机激光雷达获得样地树木点云数据,然后分别采用改进的K均值聚类算法和基于相对间距的阈值分割算法对水曲柳和樟子松样地进行单木点云数据分割。其中,水曲柳样地点云数据处理采用改进的K均值聚类算法,通过树干点云位置推算初始聚类中心,减少因树冠重叠导致的错误分割;樟子松样地点云数据处理则采用基于相对间距的阈值分割算法,通过设定多条阈值规则并利用动态最大值滤波器对树顶进行精确探测,提高算法的分割精度。最后,基于样地和单木点云完整度两个方面对点云数据分割效果进行评价。【结果】1)从样地尺度来看,水曲柳和樟子松样地单木识别率分别为0.91和0.87,相应的调和值(F)分别为0.91和0.88,结果显示单木分割的整体效果较好。水曲柳样地召回率(r)为0.87,精确率(p)为0.95,算法分割过程中产生的错误分割较少。樟子松样地算法分割的单木也多为正确分割(r=0.82、p=0.94),其分割误差主要来自于单木欠分割,过分割现象相对较少。2)从单木点云分割的完整程度来看,水曲柳样地的单木平均正确分割率为75.6%,点云平均欠分割率为24.3%,平均过分割率为18.5%,单木点云的最大错误分割率为31.8%,不同单木之间分割精度有较大差异;樟子松样地的单木分割精度较稳定,平均正确分割率达84.1%,平均欠分割和过分割率分别为16.3%和9.0%,表明单木点云不存在大量错误分割的情况。【结论】基于树木形态结构特征改进了两种优化单木点云数据分割算法,两种算法下分割的森林样地单木精度在不同评价尺度中表现均较好,对林中树木出现的树冠重叠、遮挡、偏移等现象均有一定的辨别能力,实现了森林样地树木点云数据的单木精确分割。

【目的】探索基于背负式激光雷达(BLS)和无人机机载激光雷达(ULS)技术获取林分三维点云的优势，利用Li DAR360 MLS和LiDAR360软件实现单木胸径和树高的精准测量，确定效果较优的单木分割和提取方法。【方法】以云南省富民县罗免乡6个半径为15.0 m的圆形云南松Pinus yunnanensis天然纯林样地为例，采用最近迭代点算法(ICP)融合BLS和ULS点云，利用LiDAR360 MLS和LiDAR360软件对点云数据进行去噪、点云分类、归一化和单木分割，并提取单木胸径和树高，利用线性拟合方法建立实测值与估测参数的相关关系，评价胸径和树高的估测效果。【结果】LiDAR360 MLS基于深度学习分类相较于LiDAR360基于高程信息分类，提取的株数信息更符合实际，BLS和融合点云单木提取株数一致，召回率均达到100%。ULS通过种子点进行单木分割，效果较好，准确度、召回率和F测度分别为94.59%、88.98%、91.70%，但受冠层连通性影响，仍存在一定的欠分割和过分割情况；基于BLS胸径提取的决定系数(R~2)和均方根误差(E_(RMSE))分别达0.904和2.046 cm，基于BLS树高提取的R~2和E_(RMSE)分别为0.791、1.173 m。融合点云受树干周围离散点的影响，胸径提取效果相对BLS效果较差，R~2和E_(RMSE)分别为0.881和2.284 cm，但融合点云冠层和林下信息较完整，树高的估测精度较BLS高，R~2和E_(RMSE)分别为0.933、0.812 m。【结论】由于工作原理上的差异，ULS和BLS技术分别在获取冠上和林下点云方面各具优势，融合两者可达到互补的效果，能够更加精细地反映森林空间结构，实现胸径和树高的高精度提取。图5表3参28

以山东省泰安市徂徕山林场和重庆铁山坪林场为试验区,分别于2005年5月和2006年9月获取了低密度和高密度的L iDAR点云数据,分别进行了林分平均高的反演试验。通过两个试验区的对比,分析了不同点云密度对机载L iDAR数据反演林分参数的影响。结果表明:对于两种密度的点云数据,使用分位数法都可以很好地进行林分平均高的估计,高密度点云的反演结果略好一些,但二者结果差异不大;高密度的点云可以进行更小尺度的林分高估计和单木树高的估计,从而可以减少甚至避免对实地树高测量的依赖。

随着激光雷达(Light Detection And Ranging,LiDAR)技术在近二十年的快速发展,LiDAR数据被广泛用于各个行业的3D测量、空间建模和参数反演。森林由于其地物垂直结构复杂,林木属性多变,是高分辨率遥感技术面临的一大难点。虽然林业上已使用LiDAR数据进行林区地形建模、森林树种分类、植被参数提取等研究,全波形LiDAR数据分类的基础工作仍存在若干系统性的技术问题:新型LiDAR系统的性能得到极大提升,但也引入新的数据处理模型问题;LiDAR系统光谱波段单一,目标刻画仍主要局限于点

对激光雷达沙尘天气监测技术进行了研究,详细分析了Mie散射激光雷达气溶胶和沙尘参数计算方法。分析、设计并用C#语言开发了用于处理和分析激光雷达回波信号的大气和沙尘参数反演软件系统。利用后向散射激光雷达(LB-D200)对北京市2006年春季沙尘天气进行监测试验,通过软件计算气溶胶参数,计算结果与其他监测结果相符。结果表明:通过退偏振系数可以计算出大气气溶胶中沙尘含量,后向散射激光雷达在沙尘天气沙尘的垂直分布探测中具有优势。

基于Web of science数据库检索平台,应用科学引文分析方法对检索到的1355篇2000年以来激光雷达技术在林学上的应用的文章进行了全面分析,主要涉及发表年份、国家分布、作者排行、期刊分布、作者单位分布、提取参数等,对该领域所涉及到的主要国际国内会议进行了总结。分析了激光雷达的主要传感器类型和2种数据结构(波形和点云),系统总结了主要森林参数的提取方法,包括波形分析、点云分析、参数预测和数据融合。分析认为:激光雷达技术的林学应用研究的深度和广度均呈现快速上升趋势,研究方法渐成体系,有系统化的国际会议;但研究水平的地域差异较大,参数提取的机理性、实用性不足,尚未达到成熟,还有很大的提升空...

【目的】基于机载激光雷达点云数据提取的森林高度参数和郁闭度,结合分层地面样地调查数据,采用随机森林算法构建森林蓄积量估测模型,分析机载激光雷达点云数据在森林蓄积量反演方面的潜力,为森林蓄积量高效准确估测提供方法依据。【方法】以直径30 m的地面样圆离散点云数据为数据源,经数据校准等预处理后,利用Li DAR360软件提取森林高度参数(最大高、平均高等)和郁闭度,并将数据随机分成训练数据(70%)和验证数据(30%)。采用随机森林算法构建森林蓄积量估测模型,对仅用高度参数建模以及联合高度参数和郁闭度建模结果进行比较;同时运用R软件VSURF工具包筛选建模变量,对筛选后变量的建模结果进行分析。【结果】仅用高度参数建模的估测精度为R~2=0.75、RMSE=40.07 m~3·hm~(-2)、MAE=29.21 m~3·hm~(-2)、MRE=49.40%,联合高度参数和郁闭度建模的估测精度为R~2=0.79、RMSE=36.23 m~3·hm~(-2)、MAE=26.16 m~3·hm~(-2)、MRE=38.35%。通过变量筛选,建模参数从24个减少至7个,可极大提高运算效率,同时R~2未变化,RMSE从36.23 m~3·hm~(-2)升至36.50 m~3·hm~(-2),rRMSE从31.92%升至32.97%,MAE从26.16 m~3·hm~(-2)降至26.08 m~3·hm~(-2),MRE从38.35%降至38.05%。【结论】机载激光雷达点云数据可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度),具备三维结构参数提取能力。采用随机森林算法,增加林分郁闭度信息可显著提高森林蓄积量估测精度。通过变量筛选,虽然能够降低参数数量,但对模型精度具有一定影响,在建模精度要求较高的情况下,建议使用全变量进行蓄积量估测;而在数据量较大的情况下,建议使用筛选变量进行蓄积量估测。基于机载激光雷达点云数据估测森林蓄积量显著优于光学遥感数据,可为森林蓄积量高效准确估测提供方法依据,能够满足大范围森林蓄积量快速反演需求。

【目的】为提高森林单木生物量估测精度和效率,本研究基于无人机激光雷达技术对哈尔滨城市林业示范基地的水曲柳、樟子松样地进行点云数据获取及单木生物量估测。【方法】通过优化算法对获取的点云数据进行树高、冠幅等单木结构参数的提取;然后基于改进的凸包算法获取树冠体积、树冠投影面积等树冠因子。最后将上述获得的单木结构参数引入传统CAR生物量模型中,建立基于无人机激光雷达点云数据的单木生物量模型。【结果】1)基于点云数据提取的单木结构参数与实测数值间的相关性较好。其中水曲柳样地平均冠幅和树高值的决定系数R2分别为0.82和0.86,而樟子松样地平均冠幅和树高的决定系数R2分别为0.80和0.84。2)通过与国家林业局颁布的水曲柳、樟子松生物量异速生长方程进行对比得出,当引入树高、冠幅、树冠投影面积和树冠体积作为CAR模型参数时构建的生物量模型拟合效果最优,R2分别为0.83、0.79,相应的均方根误差RMSE分别为18.912和8.120 kg/株。通过最优生物量模型评价指标可以看出,两块样地生物量模型的总相对误差SRE分别为-0.541%和0.311%,平均相对误差MRE分别为0.014%和0.020%以内,而平均相对误差绝对值MARE分别为9.19%和6.95%。3)当引入树冠体积作为变量时,生物量模型的精度明显提高。相比于树高、冠幅作为变量的模型,树冠体积的引入使得水曲柳、樟子松生物量模型的R2分别提高了0.076和0.060,RMSE分别下降6.759和1.386 kg/株。【结论】本研究说明无人机激光雷达点云数据能够通过结合其提取的单木结构参数对森林单木生物量进行估测研究,并能取得较好的拟合优度和较高的预测精度。

为了更好地建立单木三维彩色模型，获得准确表型参数，提出了一种基于Kinect v2相机和激光雷达的单木点云信息融合检测方法。首先由激光雷达采集樱树单木所在区域的完整环境点云，生成点云地图；由Kinect相机采集樱树单木多视角点云得到完整的三维彩色点云；然后以激光雷达点云位置为基准，通过选取对应同名点的方式对2种点云进行初始配准，使点云之间具有良好的初始位置关系，再使用最近点迭代（iterative closest point, ICP）算法对点云进行精配准；最后使用彩色点云对雷达点云进行点云着色融合处理，实现樱树单木的三维重建。结果显示：与只使用Kinect v2相机生成的樱树单木表型参数对比，融合后的樱树单木的株高、冠幅和胸径的平均相对误差分别降低了1.52、6.46和18.17个百分点。研究结果表明，Kinect v2深度彩色相机和激光雷达在单木三维重建上能实现优势互补，提升点云配准精度，同时，既能降低光照气候条件的影响，又能增加测量距离，单木表型参数更准确。

[目的 ]点云密度是影响无人机激光雷达数据获取和预处理成本和效率的关键因素，探明点云密度对林分尺度无人机激光雷达森林参数估测精度的影响，有助于优化无人机激光雷达森林应用技术方案。[方法]以马尾松、桉树人工林为研究对象，采用百分比重采样方法，对密度为247点·m~(-2)的原始点云按40%、20%、8%、4%和2%的比例降低点云密度，得到1个全密度原始点云数据集和5个稀疏密度点云数据集；每个数据集独立进行点云分类、地面点滤波和数字高程模型生成、点云高度归一化等预处理并提取激光雷达变量；对于同一森林类型的同一个森林参数(林分蓄积量、断面积、平均高和平均直径)的估测，各个数据集都采用相同的乘幂模型结构式进行模型拟合，然后比较分析模型优度统计指标的差异，包括：决定系数(R~2)，相对根方根误差(rRMSE)和平均预报误差(MPE)；采用配对样本t检验方法对各个数据集的森林参数估测结果和激光变量的差异进行统计分析。[结果]当点云密度分别稀疏至100、50、…、5点·m~(-2)时，各个森林参数估测模型的精度保持基本一致；各个稀疏密度点云数据集的森林参数估测值的均值与原始点云数据集的估测值的均值不存在显著性差异(p≥0.05)；各个稀疏密度点云数据集激光变量的均值和原始点云数据集激光变量的均值基本上不存在显著性差异(p>0.05)。[结论]在无人机激光雷达森林资源调查监测应用中，点云密度可低至5点·m~(-2)。然而，本试验结果仍需通过不同飞行高度获取不同密度点云数据予以验证。

对利用野外树木激光扫描获取的海量点云数据来提取树木几何与拓扑特征并以此来构建树木三维模型的方法进行综述。在总结基于激光点云的树木建模基本原理和步骤的基础上,围绕单树点云数据的分割、树枝骨架的提取与优化、单木模型的表面重建等主要过程,对各种具体实现技术或方法进行分类、分析和评价,最后对生成的树木模型的精度和未来的技术发展趋势进行简要分析。