陳日強(qiáng)，李長春，楊貴軍，楊 浩※，徐 波，楊小冬，朱耀輝,3，雷 蕾,4，張成健,4，董 震,5

（1.河南理工大學(xué)測繪與國土信息工程學(xué)院，焦作 454000；2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機(jī)理與定量遙感重點實驗室，北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097；3.北京林業(yè)大學(xué)信息學(xué)院，北京 100083；4.西安科技大學(xué)測繪科學(xué)與技術(shù)學(xué)院，西安 710054；5.山東科技大學(xué)測繪科學(xué)與工程學(xué)院，青島 266590）

0 引 言

果樹樹冠結(jié)構(gòu)信息（如冠幅、樹冠面積和樹冠體積等）不僅反映著果樹的生長狀況和產(chǎn)量潛力，也是果園精準(zhǔn)管理的重要依據(jù)，包括土壤灌溉施肥、枝條修剪、開花管理及病蟲防治等[1-4]。定株管理是未來果園精準(zhǔn)生產(chǎn)管理的趨勢，而果樹單木樹冠信息的提取是果園定株管理的基礎(chǔ)。因此，果園單木樹冠結(jié)構(gòu)信息的提取研究具有重大意義，將有利于果園的精準(zhǔn)管理。

果園冠層結(jié)構(gòu)信息提取是在果園單木水平上進(jìn)行，所以單木樹冠檢測與提取是果園冠層結(jié)構(gòu)信息提取的基礎(chǔ)。從遙感圖像中檢測和提取單個樹冠的半自動與自動算法，在及時、準(zhǔn)確和高效率地提取樹冠信息方面，發(fā)揮著重要作用。目前，基于遙感數(shù)據(jù)，實現(xiàn)單木樹冠檢測與提取主要有2種思路，1）二維圖像分割：基于二維圖像所包含的形態(tài)、光譜、紋理等特征，依據(jù)計算機(jī)圖像處理技術(shù)對二維圖像進(jìn)行區(qū)域分割。常用的圖像分割算法有控制分水嶺分割算法（Controlled Watershed Segmentation，CWS）[5-6]、反流域分割算法[7]、基于目標(biāo)對象的圖像分析[8-9]等。基于數(shù)字表面模型（Digital Surface Model，DSM）或冠層高度模型（Canopy Height Model，CHM）進(jìn)行單木分割是比較常見的方法[7,10]。Mu等[11]基于運(yùn)動恢復(fù)結(jié)構(gòu)算法（Structure From Motion，SFM）和多視角立體視覺技術(shù)（Multi-View Stereo，MVS）生成數(shù)字表面模型，利用自適應(yīng)閾值控制的分水嶺分割方法成功識別桃樹個體。Yurtseven等[12]采用SFM技術(shù)對無人機(jī)圖像進(jìn)行攝影測量處理，生成點云和DSM，結(jié)合基于對象的圖像分析技術(shù)，成功提取樹冠。Panagiotidis等[13]使用二維圖像成功構(gòu)建樹林的三維結(jié)構(gòu)，利用點云數(shù)據(jù)生成的冠層高度模型，結(jié)合反流域分割算法成功實現(xiàn)單木的檢測與分割。光譜和紋理等圖像特征往往不能真正地實現(xiàn)單木的檢測與分割，而是僅僅利用樹木樹冠與非樹冠的光譜、紋理等差異實現(xiàn)樹冠和非樹冠的二分類，所以光譜、紋理等信息常常用于樹木覆蓋度的計算[14-15]。Chen等[14]利用圖像顏色、紋理特征，建立支持向量機(jī)分類模型，實現(xiàn)孤立柑橘樹的精確檢測與分割。Tu等[15]利用無人機(jī)多光譜圖像的光譜、紋理信息測量了鱷梨園的樹木覆蓋度。2）三維點云分割：基于三維點云數(shù)據(jù)具有的空間結(jié)構(gòu)關(guān)系，以及樹木所具有的真實三維特征，制定多種空間點云分類規(guī)則，直接針對點云數(shù)據(jù)進(jìn)行單木檢測及樹冠分割。點云數(shù)據(jù)的獲取途徑有 2種：基于激光雷達(dá)技術(shù)直接獲取三維點云數(shù)據(jù)和基于重疊二維圖像的特征匹配，采用SFM實現(xiàn)三維結(jié)構(gòu)的重建[16-17]。點云分割算法的核心就是點云的聚類問題，常用的分割算法有均值漂移算法[18-19]、區(qū)域生長法[20]、歸一化分割算法[21]等。Xiao等[18]詳細(xì)評價了均值漂移算法在針葉林和落葉林機(jī)載雷達(dá)數(shù)據(jù)分割中的應(yīng)用，以及單木樹冠檢測對于分割的影響，認(rèn)為均值漂移算法在樹木單層數(shù)據(jù)處理上是有效的。Sun等[22]利用無人機(jī)成像系統(tǒng)建立了果園三維點云模型，基于蘋果樹點云數(shù)據(jù)的概率密度實現(xiàn)果樹的快速檢測與分割。

三維點云最廣泛的數(shù)據(jù)來源是激光雷達(dá)數(shù)據(jù)，具有高分辨率的三維激光雷達(dá)數(shù)據(jù)有助于獲得大量難以從二維圖像提取的結(jié)構(gòu)特征信息，如樹高、樹冠體積、枝條長度及分枝角度等[23-24]。在前人的研究中，使用激光雷達(dá)點云進(jìn)行單木樹冠檢測與提取的研究對象多為針葉林或落葉松等[18,20-21]，應(yīng)用于果樹林的研究不多，基于激光點云提取果樹樹冠信息的可能性是未知的。盡管直接基于樹點云的單木檢測與分割算法有很多，但均存在點云數(shù)據(jù)量大，計算難度大，硬件要求高等問題，而且多種點云分割算法均存在問題，均值漂移算法的核形狀和權(quán)重參數(shù)針對不同的數(shù)據(jù)集有顯著差異[18]；基于樹間距的區(qū)域增長法針對相似結(jié)構(gòu)的混合針葉林個體樹分割具有良好的潛力，而對于其他森林類型個體樹點云分割具有不確定性[20]?；贑HM或DSM的圖像分析已經(jīng)被證明在單木樹冠檢測與分割上有很好的應(yīng)用潛力，但基于二維圖像，使用SFM和MVS生成的三維點云及通過插值生成的數(shù)字高度柵格模型本身就不能很好地重建樹木三維結(jié)構(gòu)和反映樹冠表面形態(tài)，尤其對于樹冠互相遮擋嚴(yán)重的樹木，三維點云和數(shù)字高度柵格模型往往均存在一定的誤差[5,25]，而且分割精度還受到插值采樣間隔（即空間分辨率）的影響，Picos等[25]基于冠層高度模型提取桉樹高度，證明了不同空間分辨率下的樹高估計結(jié)果具有明顯差異，相比2 m分辨率，更高分辨率0.5 m有著更準(zhǔn)確的高度估計。Yin等[26]使用無人機(jī)激光雷達(dá)數(shù)據(jù)對紅樹林進(jìn)行單木檢測與提取，結(jié)果證明冠層高度模型分辨率的提高會導(dǎo)致單木檢測與提取的精度呈上升趨勢，而針對該研究區(qū)的最佳分辨率為0.25 m。

本研究將探討使用無人機(jī)機(jī)載激光雷達(dá)數(shù)據(jù)提取果樹單木樹冠信息的可能性，并定量分析空間分辨率對于單木樹冠檢測與信息提取的敏感性。首先，基于無人機(jī)激光雷達(dá)數(shù)據(jù)生成的冠層高度模型，使用局部極大值算法和標(biāo)記控制分水嶺分割算法實現(xiàn)果樹單木樹冠的檢測與提取；其次，基于提取的樹冠輪廓，計算樹冠面積與直徑。同時評估空間分辨率對于單木樹冠檢測與信息提取的影響，為基于最佳空間分辨率的冠層高度模型提取樹冠信息提供參考。

1 材料與方法

1.1 研究區(qū)概況與數(shù)據(jù)獲取

研究區(qū)位于中國山東省棲霞市（37°10′8″ N，120°41′23″ E），研究區(qū)東西總長度132 m，南北總長度108 m（圖1）。多數(shù)果樹品種為富士，種植時間超過7 a，樹行種植間隔固定為4.5 m，株距為4 m，研究區(qū)共有果樹 573棵，研究區(qū)邊緣非果樹或與其他明顯物體（如電線）有嚴(yán)重交叉的果樹將不參與精度驗證。

圖1 研究區(qū)位置Fig.1 Location of study area

無人機(jī)機(jī)載激光雷達(dá)數(shù)據(jù)采集于2019年7月5日，具體數(shù)據(jù)獲取時間為 10:00—13:00。無人機(jī)型號為 DJI M600（SZ DJI Technology Co.，China），最大起飛質(zhì)量15.1 kg，續(xù)航時間15～20 min，外形尺寸為1 668 mm×1 518 mm× 759 mm，飛行高度30 m，飛行速度5 m/s。無人機(jī)所攜帶的激光掃描儀主要參數(shù)如表1所示，激光雷達(dá)點云的旁向重疊率為90%。

表1 激光掃描儀的主要參數(shù)Table 1 Main parameters of laser scanner

為驗證所提出的方法，在激光雷達(dá)數(shù)據(jù)獲取同一天，使用DJI PHANTOM 4 PRO（SZ DJI Technology Co.，China）無人機(jī)相機(jī)系統(tǒng)采集高分辨率數(shù)碼影像，該系統(tǒng)總質(zhì)量1.388 kg，續(xù)航時間20～30 min，軸距350 mm，飛行高度35 m，飛行速度3 m/s。無人機(jī)所攜帶的影像傳感器為CMOS，有效像素2 000萬，數(shù)碼影像的航向及旁向重疊度為75%。利用Agisoft PhotoScan Professional 實景三維建模軟件（Agisoft LLC，俄羅斯）完成無人機(jī)數(shù)碼影像的拼接，生成高清數(shù)碼正射影像（圖1b）?；诟咔鍞?shù)碼正射影像，目視判讀描繪樹冠輪廓，樹冠面積（Crown Area，CA，m2）由樹冠輪廓得出，將樹冠視作圓形，通過樹冠面積計算樹冠直徑（Crown Diameter，CD，m），計算如式（1）所示。樹冠面積和樹冠直徑的參考數(shù)據(jù)統(tǒng)計分布情況如表2所示。

表2 樹冠面積和樹冠直徑參考數(shù)據(jù)的統(tǒng)計分布Table 2 Statistical distribution of the referenced data of tree crown area and tree crown diameter

1.2 研究方法

1.2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要有3個步驟：1）基于無人機(jī)位置與姿態(tài)測量系統(tǒng)數(shù)據(jù)（Position and Orientation System，POS）和地面基站定位數(shù)據(jù)（Global Position System，GPS），采用差分解算和GPS Level Arm 反算方法精準(zhǔn)解算無人機(jī)飛行軌跡，該操作是在POSPac定位定姿數(shù)據(jù)處理軟件（Applanix Co.，加拿大）中完成；2）使用 RiPROCESS點云數(shù)據(jù)處理軟件（REIGL Co.，奧地利）對原始激光數(shù)據(jù)進(jìn)行處理，處理步驟包括原始激光數(shù)據(jù)的在線波形處理；基于無人機(jī)的精準(zhǔn)飛行軌跡、儀器安裝方向以及視軸調(diào)整參數(shù)，將激光雷達(dá)掃描數(shù)據(jù)轉(zhuǎn)換到無人機(jī)軌跡數(shù)據(jù)坐標(biāo)系統(tǒng)中，精準(zhǔn)匹配激光雷達(dá)掃描數(shù)據(jù)與軌跡數(shù)據(jù)；最后導(dǎo)出三維可視化激光點云數(shù)據(jù)；3）使用 LiDAR360點云處理軟件（GreenValley Co.，中國）對點云進(jìn)行去噪處理，采用的是基于空間分布的移除統(tǒng)計離群值（Statistical Outlier Removal，SOR）去噪算法。經(jīng)過去噪處理，研究區(qū)平均點云密度為2 093點/m2。

1.2.2 冠層高度模型的生成

采用改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法（Improved Progressive TIN Densification，IPTD）[27]將地面點云與非地面點云分離，基于初始選取的種子點構(gòu)建稀疏三角網(wǎng)，然后通過迭代處理逐層加密，直到所有激光雷達(dá)點分類完畢。由于無人機(jī)機(jī)載激光雷達(dá)所掃描的點云密度較大，地面點云較厚，為提高數(shù)字地形模型的準(zhǔn)確性，所以提取較厚地面點中間一層較薄且相對平滑的地面點用來生成數(shù)字地形模型，稱中位地面點，基于中位地面點生成的數(shù)字地形模型相比基于全部地面點生成的數(shù)字地形模型更加平滑，更能精確地反映地形變化?；陔x散的點云數(shù)據(jù)實現(xiàn)地面地形和地表上物體的連續(xù)數(shù)字化模擬，生成數(shù)字地形模型（Digital Elevation Model，DEM）、數(shù)字表面模型（Digital Surface Model，DSM），分別反映地面的地形變化和地面物體上的高度變化。因此，基于中位地面點和非地面點，采用反距離權(quán)重插值算法（Inverse Distanced Weighted，IDW），使用附近點計算柵格單元的值，并通過點距柵格單元中心點的距離判斷加權(quán)平均值，生成DEM和DSM。以上步驟都是在LiDAR360點云處理軟件中完成的，其處理步驟的參數(shù)設(shè)置如表3所示。數(shù)字高度模型（Digital High Model，DHM）是通過DSM減去DEM生成，數(shù)字高度模型是指包含地表包括建筑物、樹木和雜草等物體高度的高度模型。

表3 用于生成數(shù)字地形模型和數(shù)字表面模型的參數(shù)設(shè)置Table 3 Setting parameters for generating the Digital Elevation Model (DEM) and the Digital Surface Model (DSM)

基于已有關(guān)于空間分辨率對于單木樹冠檢測與分割影響的研究[25-26,28]，并考慮到果樹樹冠較小，需要更高分辨率圖像來描述樹冠形狀，因此本研究選取 5種不同的空間分辨率：0.1、0.2、0.3、0.4和0.5 m。分辨率從0.1 m降低到0.5 m，平均每個像素內(nèi)的點從16個增加至484個，對于樹冠直徑2 m的樹冠，樹冠覆蓋平均像素個數(shù)從400個降低至16個。

研究區(qū)除了果樹，還包括低矮的雜草和土壤。為只將果樹樹冠高度像素輸入到分割算法中去，通過設(shè)定一個高度閾值，將果樹樹冠像素和非果樹樹冠像素分開，因為果園內(nèi)的其他物體均低于果樹樹冠。通過設(shè)置適當(dāng)?shù)母叨乳撝?，?shù)字高度模型只保留樹冠高度信息，即生成冠層高度模型（Canopy Height Model，CHM），冠層高度模型是指僅包含果樹樹冠高度的數(shù)字高度模型，冠層高度模型是其余數(shù)據(jù)處理的基礎(chǔ)。

1.2.3 基于局部極大值算法的果樹單木檢測

果樹單木樹冠檢測是通過將局部極大值濾波算法應(yīng)用在冠層高度模型上實現(xiàn)。這種方法利用的是果樹樹冠的高度信息，一個樹冠內(nèi)至少有一個最高點，即樹頂位置。為消除冠層高度模型存在的圖像噪聲，在使用局部極大值算法之前，使用高斯濾波算法對圖像進(jìn)行平滑處理，減少圖像噪聲對后續(xù)局部極大值識別的影響。為保證在整張圖像上獲取適量的局部極大值點，局部極大值算法及高斯濾波算法的濾波窗口大小設(shè)置為果樹株距大小。圖像中的局部極大值像素點坐標(biāo)位置，即果樹樹頂位置坐標(biāo)被保存到點要素矢量文件中，該坐標(biāo)信息被當(dāng)作果樹的位置信息，樹頂位置坐標(biāo)點數(shù)量作為檢測果樹的數(shù)量被統(tǒng)計。

1.2.4 基于標(biāo)記控制分水嶺分割算法的果樹樹冠提取

標(biāo)記控制分水嶺分割算法（Marked-Controlled Watered Segmentation，MCWS）是目前應(yīng)用最廣泛的一種分割樹冠的方法[29-30]，這是一種基于拓?fù)淅碚摰臄?shù)字形態(tài)分割算法[31]。其基本思想就是將冠層高度模型看作是測繪學(xué)上的拓?fù)涞孛?，其高度像素值對?yīng)海拔高度，冠層高度模型的高點處看作山峰，低點處看作山谷，山峰及其影響區(qū)域為一個樹冠，而山谷為樹冠的邊界，將山峰倒立于水中，然后在山峰最低處穿孔，當(dāng)水慢慢浸入，在山谷位置修建大壩防止其聚合，這些大壩就形成了分水嶺，即樹冠邊界[32]。算法中所提到的最低處就是標(biāo)記點，該方法的前提就是確定標(biāo)記點。本研究將單木檢測中局部極大值點，即果樹樹頂位置當(dāng)作標(biāo)記點，將冠層高度模型輸入到標(biāo)記控制分水嶺分割算法中去實現(xiàn)果樹樹冠的分割，之后將果樹單木樹冠輪廓結(jié)果保存到面要素矢量文件中，面要素的面積為樹冠面積，之后，通過式（1）計算樹冠直徑。

1.3 精度評價

1.3.1 果樹數(shù)量與位置

通過對比參考樹冠與果樹樹頂位置之間的空間關(guān)系，來評價單木檢測的精度，會出現(xiàn) 3種情況：真陽性（True Positive，TP），果樹被正確地檢測；假陽性（False Positive，F(xiàn)P），將非果樹物體或者部分果樹當(dāng)作一棵樹；假陰性（False Negative，F(xiàn)N），果樹沒有被檢測到；然后按照式（2）～式（4）計算果樹檢測的查全率（Recall，%），果樹檢測的查準(zhǔn)率（Precision，%），綜合考慮查全率和查準(zhǔn)率的F1得分（F1，%）。其中查全率表示正確檢測樹頂數(shù)量占真實樹頂數(shù)量的比例，查準(zhǔn)率表示正確檢測樹頂數(shù)量占整個檢測結(jié)果的比例[20,28]。

1.3.2 果樹樹冠提取

通過對比參考樹冠與提取樹冠輪廓的空間關(guān)系，來評價果樹樹冠提取的精度。兩者空間匹配精度分成6類[5,33]：

1）優(yōu)-匹配（Perfect-Match，PM）：1個提取樹冠和1個參考樹冠的重疊面積超過兩者自身面積的50%，這個參考樹冠被認(rèn)為是優(yōu)匹配；

2）良-匹配（Good-Match，GM）：1個提取樹冠和1個參考樹冠的重疊面積僅超過提取樹冠或參考樹冠面積的50%，這個參考樹冠定義為良-匹配；

3）遺漏（Missed，Mi）：1個提取樹冠和1個參考樹冠的重疊面積不超過兩者自身面積的 50%，這個參考樹冠被認(rèn)為是遺漏樹冠；

4）合并（Merged，Me）：1個提取樹冠覆蓋多個參考樹冠，且至少2個參考樹冠與提取樹冠的重疊面積均超過參考樹冠面積的 50%，這些參考樹冠被認(rèn)為是合并樹冠；

5）分解（Split，Sp）：1個參考樹冠覆蓋多個提取樹冠，且至少2個提取樹冠與參考樹冠的重疊面積均超過提取樹冠面積的50%，這個參考樹冠被認(rèn)為是分解樹冠；

6）錯誤（Wrong，Wr）：樹冠被錯誤地提取，即FP，這種提取樹冠被定義為錯誤樹冠。

基于以上定義，將優(yōu)-匹配和良-匹配樹冠定義為準(zhǔn)確提取樹冠，合并和遺漏樹冠為欠分割錯誤，分解和錯誤樹冠為過分割錯誤。然后，通過準(zhǔn)確率（Accuracy Rate，AR，%）、欠分割誤差（Omission Error，OE，%）和過分割誤差（Commission Error，CE，%）總體評價樹冠提取精度[33]，其計算如式（5）～式（8）所示：

式中NPM、NGM、ΝΜi、NMe、NSp、NWr分別代表優(yōu)-匹配、良-匹配、遺漏、合并、分解及錯誤6種匹配精度對應(yīng)下的樹冠數(shù)量。

1.3.3 樹冠面積與樹冠直徑

為驗證使用該方法提取的果樹樹冠面積與直徑的精度，采用線性回歸方法對提取數(shù)據(jù)集和參考數(shù)據(jù)集進(jìn)行建模分析，使用決定系數(shù)（coefficient of determination，R2）來評價提取數(shù)據(jù)集和參考數(shù)據(jù)集的相關(guān)性[34]，此外，使用均方根誤差（Root Mean Square Error，RMSE）來評估提取數(shù)據(jù)和參考數(shù)據(jù)之間的誤差?？紤]到RMSE對于數(shù)據(jù)集之間的差距沒有實際的含義，所以計算歸一化均方根誤差（Normalized Root Mean Square Error，NRMSE，%）來比較數(shù)據(jù)集之間的差異[35]。

2 結(jié)果與分析

2.1 數(shù)字地形模型（DEM）、數(shù)字表面模型（DSM）和數(shù)字高度模型（DHM）的生成

由上述方法生成的不同空間分辨率的DEM、DSM和DHM如圖2所示。經(jīng)果園實地調(diào)查，本研究選取0.5 m作為區(qū)分果樹樹冠和低矮雜草、土壤的高度閾值，將果樹樹冠像素與非樹冠像素分開，只保留樹冠高度信息，生成冠層高度模型。

2.2 果樹單木檢測

基于不同空間分辨率的CHM，使用本方法檢測的果樹數(shù)量及精度如圖3所示，代表果樹檢測精度的F1得分均超過90%，且當(dāng)冠層高度模型空間分辨率為0.3 m時，F(xiàn)1得分最高，為 95.03%，其中查全率為 93.37%，查準(zhǔn)率為96.75%。

圖2 不同空間分辨率的數(shù)字地形模型、數(shù)字表面模型和數(shù)字高度模型Fig.2 Digital Elevation Model (DEM), Digital Surface Model (DSM) and Digital Height Model (DHM) under different spatial resolutions

圖3 不同空間分辨率下的果樹檢測結(jié)果及精度Fig.3 Detection results and accuracy of fruit trees under different spatial resolutions

2.3 果樹樹冠提取

將基于不同空間分辨率的CHM，使用該方法提取的樹冠和參考樹冠進(jìn)行疊加，提取樹冠和參考樹冠在輪廓邊緣上不能完全重疊（圖4）。果樹樹冠提取結(jié)果與精度如表4所示，果樹樹冠提取準(zhǔn)確率均超過80%，當(dāng)空間分辨率由0.1 m降低到0.5 m時，使用該方法提取果樹樹冠過分割誤差增大，欠分割誤差減小，且當(dāng)冠層高度模型空間分辨率為 0.3 m時，樹冠提取的準(zhǔn)確率最高，為86.39%，欠分割誤差11.52%，過分割誤差5.24%。

2.4 樹冠信息的提取

為評估使用該方法提取果樹單木樹冠信息的精度，本研究對基于冠層高度模型提取的果樹樹冠面積及直徑進(jìn)行統(tǒng)計分析。其中，基于不同空間分辨率0.1、0.2、0.3、0.4和0.5 m的優(yōu)-匹配的樹冠分別為456、472、461、439和 394棵樹，提取的樹冠面積和直徑統(tǒng)計箱型圖如圖5所示，通過分析可得出，研究區(qū)的果樹樹冠大小具有較大差異，樹冠面積極差＞20 m2，樹冠直徑極差＞4 m，這導(dǎo)致該方法提取的樹冠面積和直徑精度降低；同時基于不同空間分辨率的冠層高度模型，使用此方法提取的樹冠面積和直徑均被高估。

圖4 不同空間分辨率下由冠層高度模型所提取樹冠與參考樹冠的輪廓疊加Fig.4 Contours of the extracted crown by Canopy Height Model (CHM) and the referenced crown be superposed under different spatial resolutions

表4 不同空間分辨率下提取樹冠與參考樹冠的匹配結(jié)果及精度Table 4 Matched results and accuracy of extracted crown and referenced crown under different spatial resolutions

除上述統(tǒng)計分析，本研究還采用線性擬合的方法來確定參考數(shù)據(jù)集和提取數(shù)據(jù)集的數(shù)學(xué)關(guān)系，結(jié)果如表5所示，提取數(shù)據(jù)集和參考數(shù)據(jù)集的線性擬合結(jié)果R2均高于0.7，但NRMSE均低于26%，表明樹冠面積和樹冠直徑均被高估。其中，當(dāng)空間分辨率為0.3 m時，樹冠面積的提取數(shù)據(jù)集和參考數(shù)據(jù)集的線性擬合結(jié)果R2和NRMSE分別為0.81和20.56%，樹冠直徑的提取數(shù)據(jù)集和參考數(shù)據(jù)集的線性擬合結(jié)果R2和NRMSE分別為0.85和14.79%。

表5 提取數(shù)據(jù)集與參考數(shù)據(jù)集的線性擬合結(jié)果Table 5 Linear fitting results of the extracted dataset and the referenced dataset

圖5 提取數(shù)據(jù)集與參考數(shù)據(jù)集間的統(tǒng)計差異Fig.5 Statistical difference between the extracted dataset and the referenced dataset

3 討 論

3.1 誤差來源

3.1.1 果樹單木檢測

在本研究中，果樹單木樹冠檢測，即樹頂位置的識別，是實現(xiàn)果樹樹冠分割的關(guān)鍵步驟。本研究為保證獲取適量的局部極大值點，設(shè)置局部極大值算法和高斯濾波算法的濾波窗口大小為果園中果樹的株距4 m，但使用固定窗口大小的局部極大值濾波算法對于不同大小的樹冠檢測效率不一致，本研究區(qū)中果樹樹冠大小具有較大差異，樹冠面積的標(biāo)準(zhǔn)差和極差分別為1.126 m2和21.579 m2，樹冠直徑的標(biāo)準(zhǔn)差和極差分別為0.373 m和4.204 m，所以低矮、樹冠較小的果樹就很難檢測到。因此，在后續(xù)研究中，為提高果樹的檢測效率，可以基于樹冠直徑與樹高的異速生長關(guān)系使用不同大小的濾波窗口，但這需要實地調(diào)查數(shù)據(jù)或先驗知識的支撐。

3.1.2 果樹樹冠提取

標(biāo)記控制分水嶺分割算法是將樹頂之間的局部最小值點當(dāng)作樹冠邊界，當(dāng)樹頂檢測不足時，就會出現(xiàn)果樹欠分割的現(xiàn)象，相反，樹頂檢測數(shù)量多于真實數(shù)量時，過分割的現(xiàn)象就會增多，因此樹冠檢測結(jié)果一定程度上影響著樹冠提取的準(zhǔn)確性。樹冠邊界的確定還受到果樹聚集密度的影響，樹冠之間的重疊、交叉使得樹冠邊界變的模糊，此時，樹頂之間的局部最小值往往不是樹冠的真實邊界。

為分析果樹聚集密度對樹冠輪廓提取的影響，本研究基于 0.3 m分辨率的冠層高度模型樹冠提取結(jié)果做了進(jìn)一步的分析，在參考數(shù)據(jù)獲取的基礎(chǔ)上，根據(jù)果樹的聚集密度將其分成 3組，沒有與任何樹冠相連的果樹為孤立果樹；在東西南北4個方向中，1到2個方向與其他樹冠相連的果樹為中等密集果樹；3到4個方向與其他樹冠相連的果樹為密集果樹。不同聚集密度果樹的樹冠提取結(jié)果如表6所示。

表6 不同果樹聚集密度下提取樹冠與參考樹冠的匹配結(jié)果及精度Table 6 Matched results and accuracy of the extracted crown and the referenced crown under different clumping densities of fruit trees

根據(jù)分析可得，樹冠提取的準(zhǔn)確性隨著果樹聚集密度的增加總體呈下降趨勢，由91.75%下降至85.96%，因為孤立果樹樹冠有明確的邊界，而密集果樹樹冠往往重疊嚴(yán)重，對于果樹樹冠提取來說，聚集性是一個嚴(yán)重的問題。事實上，在野外實地調(diào)查時，也很難找到密集果樹的樹冠邊界，相鄰果樹枝干重疊嚴(yán)重，當(dāng)前方法無法解決這種情況，樹冠提取準(zhǔn)確率也會降低，從而造成樹冠面積和樹冠直徑估計的誤差。我們考慮可能解決方案來提高密集果樹冠提取的準(zhǔn)確率，直接基于點云數(shù)據(jù)來提取單個果樹樹冠，因為點云數(shù)據(jù)可以揭示更多的三維冠層細(xì)節(jié)，保留樹冠垂直方向上的個體差異，從而更好地分割果樹單木。

3.2 空間分辨率

隨著無人機(jī)激光雷達(dá)技術(shù)的發(fā)展，激光雷達(dá)點云密度越來越高，空間分辨率范圍也越來越大，在這種情況下，針對不同場景，不同果園，可選擇的空間分辨率也越來越多。通常來講，更高分辨率的圖像會產(chǎn)生更高的精度，更多的細(xì)節(jié)能夠被觀察，但在本研究中，冠層高度模型的最佳分辨率為0.3 m，而不是最高分辨率0.1 m，其中一個原因是使用固定窗口濾波造成果樹樹冠檢測錯誤以及漏檢錯誤，從而造成樹冠過度分割以及欠分割；另一個原因是，當(dāng)分辨率增高時，圖像細(xì)節(jié)被擴(kuò)大的同時，圖像中的噪聲也被放大，由于果樹樹冠高度變化相似，導(dǎo)致過分割與欠分割錯誤的出現(xiàn)。在本研究區(qū)中，果樹的平均樹冠直徑為3.87 m，所以可以認(rèn)為冠層高度模型的空間分辨率應(yīng)接近樹冠直徑的1/10，以便有效檢測果樹單木樹冠以及提取樹冠輪廓，從而準(zhǔn)確提取果樹單木樹冠信息。

4 結(jié) 論

本研究探索了使用無人機(jī)激光雷達(dá)技術(shù)提取果樹單木樹冠信息的可能性，并分析了空間分辨率對結(jié)果的影響。結(jié)果表明：

1）基于無人機(jī)機(jī)載激光雷達(dá)數(shù)據(jù)生成冠層高度模型（空間分辨率0.1、0.2、0.3、0.4和0.5 m），采用局部極大值算法和標(biāo)記控制分水嶺分割算法，可以準(zhǔn)確地檢測果樹并提取果樹樹冠，從而基于樹冠輪廓提取果樹單木樹冠信息，代表果樹檢測精度的F1得分均高于90%，只有個別低矮、樹冠較小的果樹沒有被檢測到；樹冠輪廓提取準(zhǔn)確率均高于 80%；對果樹單木樹冠面積和樹冠直徑也進(jìn)行了高精度的提取，參考數(shù)據(jù)集和提取數(shù)據(jù)集的決定系數(shù)均高于0.7，歸一化均方根誤差均低于26%，這表明使用該方法可以實現(xiàn)果樹單木樹冠信息的提取。

2）果樹單木檢測與樹冠提取的結(jié)果還受到冠層高度模型空間分辨率的影響，分辨率的增大會導(dǎo)致果樹檢測錯誤減少和漏檢錯誤增加，造成樹冠過分割錯誤減少和欠分割錯誤增加。本研究中，當(dāng)空間分辨率為0.3 m時，其總體精度是最高的，其中代表果樹檢測精度的F1得分為95.03%，樹冠提取準(zhǔn)確率為86.39%，樹冠面積的提取數(shù)據(jù)集和參考數(shù)據(jù)集的線性擬合結(jié)果決定系數(shù)和歸一化均方根誤差分別為0.81和20.56%，樹冠直徑的提取數(shù)據(jù)集和參考數(shù)據(jù)集的線性擬合結(jié)果決定系數(shù)和歸一化均方根誤差分別為0.85和14.79%。因此，提出一個經(jīng)驗法則，冠層高度模型的分辨率應(yīng)接近果樹平均樹冠直徑的1/10，以便有效檢測果樹單木樹冠以及提取樹冠輪廓，從而準(zhǔn)確提取果樹單木樹冠信息。