劉方舟，劉浩，云挺

(南京林業(yè)大學(xué)，南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心，南京 210037)

單木結(jié)構(gòu)參數(shù)信息，如單木位置、樹(shù)高、冠幅和樹(shù)木種類(lèi)等，對(duì)于樹(shù)木生長(zhǎng)研究、森林資源調(diào)查等具有重要意義[1]。機(jī)載激光雷達(dá)(light detection and ranging，LiDAR)作為一種主動(dòng)遙感技術(shù)，能夠大范圍、高精度地獲取森林三維點(diǎn)云，刻畫(huà)森林冠層垂直結(jié)構(gòu)信息，可以大幅降低人工測(cè)量的難度且能在較高的精度下保證森林探測(cè)的空間完整性和時(shí)間一致性[2]。機(jī)載激光雷達(dá)已在森林中得到了廣泛的應(yīng)用，例如生物量估算、樹(shù)種分類(lèi)(結(jié)合多光譜數(shù)據(jù))、樹(shù)木結(jié)構(gòu)屬性的確定和單木層級(jí)信息的獲取[3-4]。

基于機(jī)載激光雷達(dá)的單木分割方法主要分為兩類(lèi)：基于冠層高度模型(canopy height model，CHM)和基于點(diǎn)云數(shù)據(jù)。在基于CHM的單木算法中，大部分方法可分為3類(lèi)：1)添加曲線(xiàn)輪廓擬合算法來(lái)檢測(cè)樹(shù)冠邊界[5]；2)將局部表面最大值作為種子點(diǎn)，以識(shí)別CHM中的樹(shù)冠邊界[6]；3)使用各種尺寸圓形和方形構(gòu)成的滑動(dòng)窗口，以提高估算樣地水平樹(shù)高度局部最大值選擇的準(zhǔn)確性[7]。其次是圖像處理中的一些方法，例如使用圖像梯度的變化、二維空間小波和圖割方法從CHM中獲取單棵樹(shù)木的各種信息。改進(jìn)的分水嶺(局部極大值算法結(jié)合形態(tài)學(xué)方法[8])和標(biāo)記控制分水嶺(局部極大值指導(dǎo)激光雷達(dá)數(shù)據(jù)的分割[9])方法也都是基于CHM分割的重要組成部分。除此之外，人工智能的算法對(duì)研究單木分割提供了一些新的方向[10-12]，例如激光點(diǎn)云被壓縮成深度圖像，并使用R-CNN(Region-CNN，基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò))模型來(lái)進(jìn)行訓(xùn)練，以學(xué)習(xí)分割單棵植物的能力[13]。

基于點(diǎn)云數(shù)據(jù)的方法則是直接對(duì)三維點(diǎn)進(jìn)行大量計(jì)算，以達(dá)到減少單木層次信息丟失的目的[14]。點(diǎn)特征，如點(diǎn)密度和點(diǎn)分布，對(duì)于原始激光雷達(dá)數(shù)據(jù)的單木分割非常重要。均值漂移算法[15]( mean shift algorithm，MSA)及其自適應(yīng)參數(shù)調(diào)節(jié)的優(yōu)化算法[16]也已應(yīng)用于同時(shí)分割樹(shù)冠的垂直和水平結(jié)構(gòu)。K-均值聚類(lèi)算法的分割精度會(huì)受到隨機(jī)選擇的種子點(diǎn)影響，但它仍已被應(yīng)用于從原始的點(diǎn)云中獲取單棵樹(shù)木的各種信息[17]。在聚類(lèi)算法基礎(chǔ)上優(yōu)化的點(diǎn)云區(qū)域增速長(zhǎng)算法也被研究并應(yīng)用于人工松樹(shù)林[18]和混合針葉林[19]等不同種類(lèi)的林地。隨著點(diǎn)云數(shù)量的增加，計(jì)算成本也逐漸增加，將點(diǎn)轉(zhuǎn)換為由點(diǎn)分布確定的體素可以有效地減少純點(diǎn)云方法的計(jì)算量[20]。

盡管人們已經(jīng)提出了許多方法來(lái)檢測(cè)樹(shù)冠頂點(diǎn)和分割樹(shù)冠，但對(duì)于高密度林分，樹(shù)冠相交嚴(yán)重，樹(shù)冠形狀和高度不同的情況，使得個(gè)體樹(shù)冠邊緣的分割出現(xiàn)一定問(wèn)題。因此，需要一種具有魯棒性、通用性和提供樹(shù)冠自動(dòng)精確分割能力的樹(shù)冠分割算法，作為未來(lái)精確林業(yè)實(shí)踐的基礎(chǔ)。

本研究旨在針對(duì)不同樹(shù)種及立地條件，采集無(wú)人機(jī)數(shù)據(jù)和有人機(jī)數(shù)據(jù)，提出一種新的精確分割樹(shù)冠邊界的方法。基于數(shù)字表面模型(digital surface model，DSM)，提出一種分層級(jí)并構(gòu)建能量函數(shù)優(yōu)化樹(shù)冠邊界分割的算法，并與經(jīng)典的分水嶺算法進(jìn)行比較。本研究將該算法和傳統(tǒng)的分水嶺算法應(yīng)用于中國(guó)南方高峰林場(chǎng)的桉樹(shù)和浙江遂昌的白皮松，在不同的種植密度和立地條件下進(jìn)行研究，通過(guò)現(xiàn)場(chǎng)測(cè)量得到數(shù)據(jù)，驗(yàn)證該算法的有效性。

1 材料與方法

1.1 研究區(qū)域概況

桉樹(shù)研究區(qū)位于廣西亞熱帶人工林南寧高峰林場(chǎng)(108°7′E，22°49′N(xiāo))，高峰林場(chǎng)位于北回歸線(xiàn)南側(cè)，屬亞熱帶濕潤(rùn)季風(fēng)氣候類(lèi)型。日照不強(qiáng)，雨量充沛，霜凍少，無(wú)雪，氣候溫和，年均氣溫21.6 ℃，年均降水量1 304 mm，海拔78～468 m。研究區(qū)面積52 km2，地形以緩坡為主，坡度20°～47°。研究區(qū)主要樹(shù)種為桉樹(shù)(Eucalyptusrobusta)。

白皮松研究區(qū)域位于中國(guó)浙江新安遂昌(118°41′E，28°13′N(xiāo))。遂昌屬于亞熱帶季風(fēng)氣候區(qū)，溫暖濕潤(rùn)，四季分明，雨量充沛，山地垂直氣候差異明顯。年均氣溫16.8 ℃，無(wú)霜期251 d，年均降水量1 510 mm，地形以陡坡為主。研究區(qū)域的主要樹(shù)種為白皮松(PinusbungeanaZucc.)。

1.2 激光雷達(dá)數(shù)據(jù)

南寧高峰林場(chǎng)信息使用Riegl LMS-Q680i激光掃描儀搭載有人機(jī)進(jìn)行數(shù)據(jù)獲取，數(shù)據(jù)采集時(shí)間為2018年2月，有人機(jī)飛行高度750 m，飛行速度為180 km/h，旁向重疊為65%。傳感器記錄了完整的激光脈沖返回波形，時(shí)間間隔為3 ns。掃描儀脈沖發(fā)射頻率為300 kHz，掃描頻率為80 Hz，發(fā)射波長(zhǎng)1 550 nm，掃描角度為±30°，視場(chǎng)角為60°。光束發(fā)散角為0.5 mrad，地面光斑大小為37.5 cm。數(shù)據(jù)平均點(diǎn)間距為0.45 m，樣地平均點(diǎn)密度約為9.58個(gè)/m2。最終提取的點(diǎn)云以L(fǎng)AS 1.2格式存儲(chǔ)(美國(guó)攝影測(cè)量與遙感學(xué)會(huì)，美國(guó)馬里蘭州貝塞斯達(dá))。

浙江遂昌信息使用Velodyne32線(xiàn)激光掃描儀搭載無(wú)人機(jī)進(jìn)行數(shù)據(jù)獲取，數(shù)據(jù)采集時(shí)間為2018年3月，無(wú)人機(jī)飛行高度為80 m，傳感器發(fā)射波長(zhǎng)為905 nm，垂直視場(chǎng)角為40°，水平視場(chǎng)角度為360°，角分辨率(水平/方位角)0.1°～0.4°，旋轉(zhuǎn)頻率5～20 Hz；距離精度小于2 cm，掃描頻率為10 Hz。為達(dá)到對(duì)比效果，對(duì)無(wú)人機(jī)數(shù)據(jù)進(jìn)行抽稀，使數(shù)據(jù)密度與南寧的數(shù)據(jù)保持一致。

1.3 樣地實(shí)測(cè)數(shù)據(jù)

南寧研究區(qū)域內(nèi)的實(shí)測(cè)數(shù)據(jù)于2018年2月進(jìn)行測(cè)量：根據(jù)樹(shù)木密度和地形在數(shù)據(jù)采集點(diǎn)建立3個(gè)正方形樣地(邊長(zhǎng)20 m)，樣地主要樹(shù)種為桉樹(shù)(1～3號(hào)樣地)。浙江研究區(qū)域內(nèi)的實(shí)測(cè)數(shù)據(jù)于2018年3月進(jìn)行人工測(cè)量，并在數(shù)據(jù)采集點(diǎn)建立3個(gè)正方形樣地(邊長(zhǎng)20 m)，樣地主要樹(shù)種為白皮松(4～6號(hào)樣地)。

兩塊研究區(qū)域均使用Trimble GEOXH6000全球定位系統(tǒng)(GPS)(Trimble，Sunnyvale，CA，USA)對(duì)樣地中心進(jìn)行識(shí)別，并使用JSCORS接收到的高精度實(shí)時(shí)差分信號(hào)對(duì)這些點(diǎn)進(jìn)行校正，使其精度為亞米級(jí)。在本研究中，有效數(shù)據(jù)為高度超過(guò)2 m的樹(shù)木，并使用頂點(diǎn)高度測(cè)量?jī)x(Haglof, Langsele, Sweden)來(lái)測(cè)量樹(shù)冠頂點(diǎn)的高度。樹(shù)冠冠幅是從樹(shù)冠頂點(diǎn)位置沿東西、南北兩個(gè)垂直方向測(cè)量長(zhǎng)度的平均值。上述樣地可分為3類(lèi)：低密度(樣地1、4，樹(shù)木數(shù)量0～25)、中密度(樣地2、5，樹(shù)木數(shù)量25～35)和高密度(樣地3、6，樹(shù)木的數(shù)量超過(guò)35)。

1.4 單木分割算法

1.4.1 傳統(tǒng)分水嶺算法

分水嶺算法是將圖像看作地理學(xué)的拓?fù)涞孛?，可以理解為是一個(gè)三維的立體表面。圖像每一個(gè)像素的灰度值代表海拔，圖像中存在許多極小值點(diǎn)。在算法中假設(shè)每一個(gè)極小值點(diǎn)持續(xù)有水流出，并開(kāi)始逐漸浸沒(méi)附近的區(qū)域，形成一個(gè)個(gè)集水盆。隨著集水盆的水位不斷升高，直至水面開(kāi)始匯聚在一起，為了不讓水面匯聚，而直接筑起一道堤壩，也就是分水嶺算法的分割線(xiàn)。當(dāng)所有的圖像都別浸沒(méi)或者筑壩之后，算法結(jié)束，被分割出來(lái)的集水盆就是算法得出的分割區(qū)域。

1.4.2 優(yōu)化分水嶺算法

傳統(tǒng)的分水嶺算法在眾多學(xué)者的研究下進(jìn)行了各種優(yōu)化，并提出了模糊聚類(lèi)的分水嶺、標(biāo)記分水嶺、形態(tài)學(xué)分水嶺等多種優(yōu)化方式。但是對(duì)于分水嶺的筑壩，即為了防止水面匯聚筑起來(lái)的堤壩，會(huì)對(duì)分割區(qū)域的邊界產(chǎn)生一定的誤差，因?yàn)榉指罹€(xiàn)在圖像邊界上依舊會(huì)占用像素而造成在密集物體(比如密度較高的林地)使用分水嶺算法時(shí)，樹(shù)冠邊界精度的損失會(huì)顯著提升，造成分割的樹(shù)冠邊界比實(shí)際的樹(shù)冠小。針對(duì)該問(wèn)題，本研究重構(gòu)了分水嶺算法的實(shí)現(xiàn)方式并進(jìn)行優(yōu)化，采用局部最大值算法探查樹(shù)冠頂點(diǎn)，區(qū)域增長(zhǎng)算法探尋樹(shù)冠邊界，以及構(gòu)建能量函數(shù)對(duì)邊界的歸屬進(jìn)行判斷。

1.5 精度評(píng)估

使用優(yōu)化算法的計(jì)算結(jié)果與現(xiàn)場(chǎng)測(cè)量數(shù)據(jù)進(jìn)行比較，以驗(yàn)證優(yōu)化分水嶺算法的準(zhǔn)確性。通過(guò)以下方程對(duì)研究區(qū)域內(nèi)探測(cè)到的樹(shù)冠頂點(diǎn)與觀(guān)察到的樹(shù)冠頂點(diǎn)的準(zhǔn)確度進(jìn)行評(píng)估。

(1)

(2)

(3)

式中：r為樹(shù)冠探測(cè)率；p為樹(shù)冠準(zhǔn)確率；f為被探測(cè)出樹(shù)的總體準(zhǔn)確度；T為被正確探測(cè)到樹(shù)的數(shù)量；N為未探測(cè)到樹(shù)的數(shù)量(漏分錯(cuò)誤)；P為由算法識(shí)別但樣地中不存在的樹(shù)。

為檢測(cè)單個(gè)樹(shù)冠輪廓與人工測(cè)量樹(shù)冠的匹配程度，將實(shí)測(cè)樹(shù)冠半徑和優(yōu)化分水嶺算法檢測(cè)的樹(shù)冠半徑進(jìn)行比較，以驗(yàn)證樹(shù)冠邊界輪廓結(jié)果的準(zhǔn)確性。本研究選擇了正確探測(cè)到的樹(shù)木來(lái)比較樹(shù)冠半徑，利用R2、均方根誤差(RMSE)和相對(duì)均方根誤差(RRMSE)評(píng)估樹(shù)冠冠幅的準(zhǔn)確性。

2 優(yōu)化算法的構(gòu)建

優(yōu)化算法的流程圖見(jiàn)圖1。

圖1 本研究算法流程圖Fig. 1 The flow chart of the proposed method

2.1 DSM生成和樹(shù)冠頂點(diǎn)探測(cè)

首先，研究使用漸進(jìn)的形態(tài)濾波分類(lèi)器將采集的點(diǎn)云數(shù)據(jù)分為地面點(diǎn)云和地上點(diǎn)云(樹(shù)木點(diǎn)云數(shù)據(jù))[21]。然后，將地上點(diǎn)云使用柵格化的方法生成對(duì)應(yīng)的DSM，每個(gè)柵格(像素)的數(shù)值為當(dāng)前柵格內(nèi)點(diǎn)云的高度最大值(h)，每個(gè)柵格的單元大小為d。不包含數(shù)據(jù)的柵格由鄰近的單元進(jìn)行最近鄰插入填充，其中i、j表示生成柵格集C(即DSM)中的第i行和第j列。

采用具有可變尺寸和參數(shù)的高斯核平滑濾波器[22]對(duì)生成的DSM進(jìn)行平滑，為后續(xù)探測(cè)樹(shù)冠頂點(diǎn)做準(zhǔn)備。在DSM平滑之后，本研究使用可變半徑(R)的動(dòng)窗口來(lái)探測(cè)平滑之后DSM中每個(gè)樹(shù)冠頂點(diǎn)的位置。公式如下：

(4)

式中：R為滑動(dòng)窗口的半徑；h為中心滑動(dòng)窗口處的高度值。探測(cè)得出的局部極大值被認(rèn)為是探測(cè)所得出的樹(shù)冠頂點(diǎn)，并作為區(qū)域增長(zhǎng)算法的種子點(diǎn)。

2.2 分層的區(qū)域增長(zhǎng)算法

為了準(zhǔn)確提取樹(shù)木的各項(xiàng)參數(shù)，研究了分層的區(qū)域增長(zhǎng)算法以達(dá)到從DSM中獲取樹(shù)冠輪廓。將樣地分成L1至L5共5層，每一個(gè)紅色點(diǎn)代表探測(cè)出來(lái)的樹(shù)冠頂點(diǎn)，也是區(qū)域增長(zhǎng)算法中的種子點(diǎn)(圖2)。算法按照樹(shù)冠頂點(diǎn)的高度來(lái)決定區(qū)域增長(zhǎng)的順序，每一次的區(qū)域增長(zhǎng)只會(huì)在當(dāng)前分的層級(jí)中，在當(dāng)前層數(shù)未被搜索完成時(shí)，不會(huì)進(jìn)入下一級(jí)進(jìn)行搜索。

注：a1、b1、c1、d1和f1為激光雷達(dá)數(shù)據(jù)側(cè)視圖，顯示從最高層到最低層同步向每個(gè)樹(shù)冠增長(zhǎng)。a2、b2、c2、d2和 f2分別對(duì)應(yīng)于a1、b1、c1、d1和f1所示運(yùn)行過(guò)程中的DSM。對(duì)于LiDAR數(shù)據(jù)的側(cè)視圖和DSM， 擴(kuò)展過(guò)程中采用相同的顏色來(lái)表示。黑色線(xiàn)段代表算法每一步中填充的樹(shù)冠邊界。圖2 區(qū)域增長(zhǎng)算法提取樹(shù)冠邊緣Fig. 2 Regional growing algorithm for tree crown boundary delineation

2.3 構(gòu)建能量函數(shù)

a. DSM梯度方向計(jì)算圖；b. 圖a中紅色矩形的放大顯示；c. 樹(shù)邊界像素與兩個(gè)最近的樹(shù)冠之間的高度差；d. 使用最近鄰原則判斷邊界 像素兩個(gè)最近樹(shù)冠頂點(diǎn)，綠色線(xiàn)段表示歐幾里得距離，淡藍(lán)色表示某一次計(jì)算時(shí)最外圈的像素。圖3 樹(shù)冠邊界歸屬判定準(zhǔn)則說(shuō)明示意圖Fig. 3 Schematic representation of the criteria of the proposed method for canopy boundary determination

用計(jì)算機(jī)程序不能實(shí)現(xiàn)各樹(shù)冠區(qū)域增長(zhǎng)完全同步。在同一高度間隔內(nèi)，計(jì)算機(jī)只能以隨機(jī)順序處理每個(gè)樹(shù)冠的邊界歸屬問(wèn)題，這種不確定性可能導(dǎo)致相鄰樹(shù)木在相同高度上與樹(shù)冠相交時(shí)出現(xiàn)不準(zhǔn)確的樹(shù)冠分割。因此，需要一個(gè)標(biāo)準(zhǔn)來(lái)控制每棵樹(shù)冠隨著分層區(qū)域增長(zhǎng)過(guò)程中產(chǎn)生的邊界分割問(wèn)題。本研究提出了一種結(jié)合DSM中各像素的梯度方向和高度差信息，構(gòu)建一個(gè)能量函數(shù)以?xún)?yōu)化計(jì)算過(guò)程中各樹(shù)冠的邊界分割問(wèn)題(圖3)，具體描述如下：

(5)

(6)

(7)

利用高度差來(lái)實(shí)現(xiàn)樹(shù)冠的最優(yōu)分割結(jié)果是能量函數(shù)的第2部分。兩棵相鄰的樹(shù)之間必然存在一個(gè)鞍點(diǎn)(最低點(diǎn))到兩棵樹(shù)冠頂點(diǎn)之間直線(xiàn)上點(diǎn)的高度差一定是最大的。因此，隨著區(qū)域增長(zhǎng)的不斷進(jìn)行，當(dāng)前搜索的樹(shù)冠邊界上的像素與最近的兩個(gè)相鄰樹(shù)冠頂點(diǎn)之間的高度差也隨之增大。在當(dāng)前計(jì)算的像素高度差達(dá)到最大值時(shí)，表明該像素很大概率是真實(shí)的樹(shù)冠邊界像素。

綜上所述，在尋找每個(gè)樹(shù)冠真實(shí)邊界的搜索過(guò)程中，每次迭代計(jì)算出的樹(shù)冠輪廓公式(4)的值會(huì)保持下降的趨勢(shì)，直到達(dá)到最小值，這表明程序的搜索達(dá)到了樹(shù)冠的真實(shí)邊界。反之，如果公式(4)的值在運(yùn)行過(guò)程中出現(xiàn)上升，則代表相交樹(shù)冠區(qū)域會(huì)出現(xiàn)錯(cuò)誤分割，需要進(jìn)行回滾(roll back，RB)來(lái)調(diào)整所有樹(shù)冠的增長(zhǎng)順序。回滾操作代表當(dāng)判定現(xiàn)在擴(kuò)張的樹(shù)冠是錯(cuò)誤的時(shí)候，會(huì)回到上一次擴(kuò)張的區(qū)域并更換搜索像素開(kāi)始重新計(jì)算。樹(shù)冠邊界歸屬判定準(zhǔn)則說(shuō)明見(jiàn)圖3。

圖4 桉樹(shù)和白皮松分割效果Fig. 4 The segmentation results of pure Eucalyptus tree and Pinus bungeana Zucc. plots

2.4 兩種算法應(yīng)用效果比較

本研究將分水嶺算法和優(yōu)化分水嶺算法應(yīng)用于白皮松、桉樹(shù)共計(jì)6個(gè)邊長(zhǎng)為20 m×20 m的樣地。為了驗(yàn)證算法的準(zhǔn)確性，本研究展示了密度從小到大的桉樹(shù)地(1～3號(hào)樣地)和白皮松樣地(4～6號(hào)樣地)(圖4)。圖4中，桉樹(shù)樣地的密度(棵/m2)從低到高為0.06(1號(hào)樣地)、0.09(2號(hào)樣地)、0.17(3號(hào)樣地)。白皮松樣地的密度(棵/m2)，從低到高分別為0.03(4號(hào)樣地)、0.07(5號(hào)樣地)、0.14(6號(hào)樣地)。優(yōu)化的分水嶺算法平均檢測(cè)率(r)為0.91，并且6個(gè)圖的最高精度(f)為0.92。在桉樹(shù)群(1～3樣地)中，2號(hào)樣地的r值最大(0.97)，3號(hào)樣地的p值最大(0.89)，f值最大(0.92)。在白皮松(4～6樣地)中，5號(hào)樣地的r值最大(0.90)，f值最大0.88，4號(hào)樣地p最大值(0.91)。總體的f分?jǐn)?shù)優(yōu)化的分水嶺算法勝于傳統(tǒng)的分水嶺算法。

在優(yōu)化的分水嶺算法中，桉樹(shù)冠幅的RMSE范圍為0.13～0.23 m，平均值為0.18 m，冠幅的RRMSE為10.83%～13.29%，樣地均值為12.04%(表1)。3號(hào)樣地(RMSE=0.13 m，密度=0.17棵/m2，f=0.92)樹(shù)冠半徑的RRMSE最低(10.83%)。白皮松樣地冠幅的RMSE為0.15～0.34 m，平均值為0.26 m，樹(shù)冠冠幅RRMSE為9.51%～14.05%，平均為12.03%。6號(hào)樣地(RMSE=0.15 m，樣地密度=0.14棵/m2，f=0.87)樹(shù)冠半徑的RRMSE最低(9.51%)。在所有樣地中，最高RMSE和RRMSE分別小于0.34 m和14.05%。結(jié)果表明，優(yōu)化的分水嶺算法在分割樹(shù)冠信息方面具有很大的優(yōu)勢(shì)。

表1 兩種算法分割結(jié)果比較Table 1 The comparison of segmentation results

3 結(jié)論與討論

本研究分析了研究區(qū)域的樹(shù)冠頂點(diǎn)檢測(cè)率。根據(jù)樣地密度將選擇的6個(gè)樣地分為3類(lèi)，包括低密度(樣地1和4)、中密度(樣地2和5)和高密度(樣地3和6)，在桉樹(shù)中，當(dāng)樣地密度較高(0.17棵/m2)時(shí)，探測(cè)樹(shù)冠頂點(diǎn)(f)的總體準(zhǔn)確度最高，這是由于桉樹(shù)的種植均勻且有規(guī)律。傳統(tǒng)分水嶺算法在桉樹(shù)的樹(shù)冠頂點(diǎn)探測(cè)中，密度的改變并未呈現(xiàn)出明顯的規(guī)律，但樣地的總體準(zhǔn)確度均低于優(yōu)化分水嶺算法得出的結(jié)果。在優(yōu)化分水嶺算法中，白皮松樣地密度的增加，被探測(cè)的樹(shù)冠準(zhǔn)確率維持一個(gè)平穩(wěn)的趨勢(shì)，密度對(duì)于樹(shù)冠頂點(diǎn)的探測(cè)并沒(méi)有過(guò)大的影響。傳統(tǒng)分水嶺算法在白皮松樣地的探測(cè)率也均低于優(yōu)化分水嶺算法的結(jié)果。在高密度樣地下，白皮松的精度低于桉樹(shù)，這是由于不同的特性和影響這兩個(gè)樹(shù)種的人為因素造成的。桉樹(shù)是一種速生的經(jīng)濟(jì)樹(shù)種，對(duì)土壤肥力具有很強(qiáng)的競(jìng)爭(zhēng)力，種植密度較高，林下幾乎沒(méi)有其他植物。而白皮松生長(zhǎng)環(huán)境中不存在過(guò)多的人為干預(yù)，所以在高密度情況下對(duì)桉樹(shù)的探測(cè)率略高于白皮松。中低密度則相反，桉樹(shù)生產(chǎn)的區(qū)域?yàn)榉墙?jīng)濟(jì)區(qū)域，較少存在人為干預(yù)，而白皮松卻是典型的針葉林，在局部最大值算法中，比較易于探測(cè)樹(shù)冠頂點(diǎn)。由此可以得出：在優(yōu)化的分水嶺算法下，白皮松樹(shù)冠頂點(diǎn)探測(cè)的準(zhǔn)確度對(duì)樣地密度的敏感性較弱；對(duì)于桉樹(shù)樹(shù)冠頂點(diǎn)探測(cè)的準(zhǔn)確度會(huì)隨著樣地密度的增加而上升；高密度下，白皮松樹(shù)冠頂點(diǎn)探測(cè)的準(zhǔn)確度低于桉樹(shù)，中低密度則相反。

本研究還分析了樹(shù)木冠幅結(jié)果的準(zhǔn)確性。優(yōu)化分水嶺算法檢測(cè)的樹(shù)冠冠幅精度隨著兩種植物樣地密度的增加而提高。在桉樹(shù)和白皮松中，高密度樣地和低密度樣地之間的RRMSE之差分別為2.46%(1號(hào)和3號(hào)樣地)和4.54%(4號(hào)和6號(hào)樣地)。這一發(fā)現(xiàn)表明，在優(yōu)化的分水嶺算法下，樣地密度的增加會(huì)影響樹(shù)木冠幅的正確率。這主要是由于高密度情況下出現(xiàn)極多的樹(shù)冠相鄰的情況，而本研究提出的優(yōu)化分水嶺算法利用分級(jí)的區(qū)域增長(zhǎng)算法保證樹(shù)冠在同一高度下的探測(cè)同步，采用能量函數(shù)來(lái)進(jìn)一步保證邊界分割時(shí)的正確率。在2、5號(hào)樣地中，兩個(gè)樣地的密度相似，桉樹(shù)冠幅的RRMSE比白皮松低0.52%。結(jié)果表明：在優(yōu)化的分水嶺算法下，樣地樹(shù)木冠幅的探測(cè)準(zhǔn)確率會(huì)隨著密度的上升而上升；在密度相同的情況下，桉樹(shù)樹(shù)冠冠幅的探測(cè)準(zhǔn)確率會(huì)低于白皮松。

在無(wú)人機(jī)與有人機(jī)數(shù)據(jù)樣本中，無(wú)人機(jī)原始點(diǎn)云密度比有人機(jī)高。高密度的點(diǎn)云會(huì)使本研究的算法在生成的DSM有更高的分辨率。分辨率的提高會(huì)更加精細(xì)單個(gè)像素所包含的信息，而本研究提出的優(yōu)化分水嶺算法就是以像素為基本單位進(jìn)行搜索。研究結(jié)果表明，在無(wú)人機(jī)高密度點(diǎn)云的情況下，對(duì)于樹(shù)冠的分割會(huì)將誤差控制在更小的單位中進(jìn)而提高單木分割的效率。

本研究提出的優(yōu)化分水嶺算法使用了分層的區(qū)域增長(zhǎng)算法、由梯度信息和高度差構(gòu)建的能量函數(shù)作為邊界的判定標(biāo)準(zhǔn)來(lái)完成單木分割。分層的區(qū)域增長(zhǎng)算法使每一次搜索像素的過(guò)程更加精細(xì)，防止數(shù)據(jù)出現(xiàn)從樹(shù)木的一面全部搜索完成的情況，并且每一層的搜索會(huì)呈現(xiàn)同步的狀態(tài)，保證了樹(shù)冠在分割過(guò)程中的一致性。構(gòu)建的能量函數(shù)作為每一次邊界函數(shù)的判斷標(biāo)準(zhǔn)，極大地提高了高密度樣地樹(shù)冠與樹(shù)冠貼合緊密狀態(tài)下邊界像素的歸屬問(wèn)題，提高了樹(shù)木冠幅的分割準(zhǔn)確率。本研究的優(yōu)化分水嶺算法可應(yīng)用于大面積野生自然林以及復(fù)雜山地的林業(yè)資源調(diào)查中。