傅根深 陳健 黃慶豐 唐雪海
摘要 [目的]利用激光雷達(dá)手段大范圍估算森林參數(shù)。[方法]以安徽省黃山市休寧縣嶺南林場(chǎng)森林資源為研究對(duì)象,通過(guò)地面調(diào)查獲取3種森林類(lèi)型單木胸徑和樹(shù)高數(shù)據(jù),并同步使用地基激光雷達(dá)獲取點(diǎn)云數(shù)據(jù),利用Hough變換檢測(cè)算法提取每木胸徑和樹(shù)高,在Matlab2020a軟件下構(gòu)建基于地面調(diào)查數(shù)據(jù)和激光雷達(dá)提取值的估算模型。[結(jié)果]針葉林、闊葉林和毛竹林的胸徑估測(cè)精度(R2c)分別為0.921、0.921和0.996,RMSEc分別為2.080、2.460和0.291,模型表現(xiàn)顯著;樹(shù)高估測(cè)精度分別為0.908、0.846和0.500,RMSEc分別為1.120、1.620和1.210。[結(jié)論]該研究可為運(yùn)用激光雷達(dá)手段大范圍估算森林參數(shù)提供依據(jù),也可為森林類(lèi)型點(diǎn)云識(shí)別與分割提供參考。
關(guān)鍵詞 嶺南林場(chǎng);地基激光雷達(dá);森林參數(shù);回歸分析;精度評(píng)價(jià)
中圖分類(lèi)號(hào) S 758文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 0517-6611(2022)04-0128-04
doi:10.3969/j.issn.0517-6611.2022.04.033
開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):
Extraction and Analysis of Forest Parameters for Individual Tree Based on Terrestrial Laser Scanning
FU Gen-shen1, CHEN Jian2, HUANG Qing-feng1 et al
(1. School of Forestry and Landscape Architecture, Anhui Agricultural University, Hefei, Anhui 230061; 2. KQ GEO Technologies Co., Ltd, Beijing 100176)
Abstract [Objective]To estimate forest parameters in a wide range by lidar. [Method]The study studied by forest resources in Lingnan forestry site, Xiuning County, Anhui Province, single wood diameter at breast height and tree height data of three forest types were obtained by ground survey, and their point cloud data were obtained simultaneously by terrestrial laser scanning (TLS). Each wood diameter at breast height and tree height were extracted by Hough transform detection algorithm, and an estimation model based on ground survey data and TLS extracted values was constructed under Matlab2020a software. [Result]The results showed that the estimation accuracy (R2c) of breast diameter was 0.921, 0.921 and 0.996 for coniferous, broadleaf and moso bamboo forests, respectively, with RMSEc of 2.080, 2.460 and 0.291, and the model performance was significant; the estimation accuracy of tree height was 0.908, 0.846 and 0.500, respectively, with RMSEc of 1.120, 1.620 and 1.210, respectively. [Conclusion]This study can provide a basis for estimating forest parameters in a large scale by TLS, and also provide a reference for forest type point cloud identification and segmentation.
Key words Lingnan forest farm;Terrestrial laser scanning;Forest parameters;Regression analysis;Precision evaluation
基金項(xiàng)目 安徽省自然科學(xué)基金項(xiàng)目(1808085QC74)。
作者簡(jiǎn)介 傅根深(1997—),男,安徽合肥人,碩士研究生,研究方向:森林經(jīng)理。*通信作者,講師,博士,從事森林資源經(jīng)營(yíng)管理和林業(yè)3S技術(shù)研究。
收稿日期 2021-06-15
樹(shù)木胸徑和樹(shù)高是森林調(diào)查中常用的參數(shù),傳統(tǒng)方法是通過(guò)胸徑卷尺和測(cè)高器進(jìn)行測(cè)量獲取,但是這種方法存在著工作量大、人為誤差等不足。除此之外,對(duì)于地形復(fù)雜、坡度大、調(diào)查人員難以進(jìn)入的區(qū)域,這些林木因子獲取難度較大。遙感技術(shù)一定程度上能夠彌補(bǔ)這些不足,光學(xué)遙感技術(shù)在二維平面能夠獲得較好的水平森林參數(shù),但是在獲取樹(shù)高、胸徑、密度等三維參數(shù)時(shí)顯得不足。作為一種新興的主動(dòng)遙感技術(shù),激光雷達(dá)發(fā)射的激光脈沖則可輕易地從樹(shù)木頂端到達(dá)地表,甚至穿透地表到達(dá)土壤內(nèi)部,這種獲取森林垂直結(jié)構(gòu)參數(shù)的技術(shù)目前大部分光學(xué)遙感傳感器難以做到[1]。地基激光雷達(dá)(terrestrial laser scanning,TLS)是一種基于激光的新型遙感儀器,通過(guò)光束偏轉(zhuǎn)機(jī)制獲取地表物體的三維點(diǎn)云數(shù)據(jù),可以同時(shí)量測(cè)較高精度的地物范圍和地物之間的角度,TLS獲取的點(diǎn)云數(shù)據(jù)具有高密度、高精度等特點(diǎn),可輕易捕捉林分尤其是下層林分的結(jié)構(gòu)信息,這對(duì)于精確掌握森林生態(tài)系統(tǒng)的變化并研究這些變化對(duì)整個(gè)陸地生態(tài)系統(tǒng)的影響起著舉足輕重的作用[2]。但是,由于大部分森林冠層之間相互遮擋的影響,機(jī)載激光雷達(dá)(airborne LiDAR scanning,ALS)則難以準(zhǔn)確分離喬木層下的灌木和草本,ALS的優(yōu)勢(shì)體現(xiàn)在大區(qū)域森林垂直結(jié)構(gòu)的快速獲取,TLS則要耗費(fèi)龐大的人力物力才能做到[3]。
TLS技術(shù)在林業(yè)中的應(yīng)用可以追溯到2002年,其以快速、無(wú)損、自動(dòng)的方式獲取胸徑、樹(shù)高、樹(shù)冠寬度、郁閉度等森林參數(shù)[4-7]。研究表明,從TLS點(diǎn)云中提取胸徑的方法很多,如二維曲線擬合、圓檢測(cè)、圓柱擬合等,并都得到了較高的擬合精度[8-9]。Ma等[10]使用協(xié)方差特征分類(lèi)得到葉片點(diǎn)云并實(shí)現(xiàn)了LAI的反演。趙方博等[11]通過(guò)對(duì)數(shù)據(jù)預(yù)處理提取出樹(shù)冠點(diǎn)云,將其模擬為半球圖像后運(yùn)用球極平面投影和Lambert方位角等面積投影,通過(guò)統(tǒng)計(jì)面積的方法分別計(jì)算不同投影方法和圖像劃分方法下的孔隙率,進(jìn)而計(jì)算出真實(shí)葉面積指數(shù)。駱鈺波等[12]以主干點(diǎn)云為基礎(chǔ),采用迭代最小二乘擬合圓柱的方法自動(dòng)提取樹(shù)木位置、胸徑;構(gòu)建點(diǎn)云的八叉樹(shù)結(jié)構(gòu),利用體素的空間鄰接性實(shí)現(xiàn)點(diǎn)云分割,自動(dòng)提取樹(shù)高,估測(cè)R2超過(guò)0.9。馬振宇等[13]基于自適應(yīng)臨近搜索法和遞歸特征排除法(RFE)篩選重要變量進(jìn)行隨機(jī)森林分類(lèi),有效提取倒木數(shù)據(jù)。張?zhí)彀驳萚14]通過(guò)對(duì)原始點(diǎn)云進(jìn)行枝葉分離并根據(jù)Dijkstra距離法和加權(quán)匹配法獲取活立木單株點(diǎn)云,分別構(gòu)建了含笑和櫻花的枝干三維模型。楊水榮等[15]采用切片形式的Alpha Shape 3D法估算樹(shù)木冠層體積,并定量反映樹(shù)木冠層分布及體積變化情況。
筆者以安徽省黃山市休寧縣嶺南林場(chǎng)為研究區(qū)域,通過(guò)樣地設(shè)置及樣木調(diào)查,獲取針葉林、闊葉林、毛竹林3種森林類(lèi)型的單木胸徑及樹(shù)高數(shù)據(jù)。綜合利用GPS、全站儀、TLS獲取樣木的激光點(diǎn)云數(shù)據(jù),通過(guò)坐標(biāo)匹配實(shí)現(xiàn)單木與激光數(shù)據(jù)的吻合,在此基礎(chǔ)上提取樣木的胸徑和樹(shù)高,并進(jìn)一步構(gòu)建3種森林類(lèi)型單木的胸徑和樹(shù)高估測(cè)模型,利用留一法驗(yàn)證模型的精度。通過(guò)對(duì)森林參數(shù)的精確估測(cè),可為下一步應(yīng)用機(jī)載激光雷達(dá)實(shí)現(xiàn)大區(qū)域森林參數(shù)估算提供科學(xué)依據(jù),對(duì)開(kāi)展森林蓄積量估算、森林生物量定量遙感模型構(gòu)建、碳達(dá)峰和碳中和等生態(tài)監(jiān)測(cè)具有重要意義。
1 研究區(qū)概況
研究數(shù)據(jù)均采集于安徽省黃山市休寧縣嶺南林場(chǎng),林場(chǎng)位于安徽省最南端,與江西省交界(圖1)。嶺南林場(chǎng)地處中緯度地帶,屬于北亞熱帶濕潤(rùn)季風(fēng)氣候,年均氣溫16.2 ℃,日照時(shí)數(shù)1 800 h左右,無(wú)霜期220 d。林場(chǎng)地形表現(xiàn)為丘陵—低山—中山3種類(lèi)型,其中丘陵面積最大。土壤類(lèi)型主要為黃壤、黃棕壤。林場(chǎng)森林覆蓋率較高,植被分布具有典型的過(guò)渡地帶特征,森林類(lèi)型以針葉林、針闊混交林為主。常見(jiàn)的主要樹(shù)種包括杉木[Cumninghamia lanceolata(Lamb.)Hook.]、馬尾松(Pinus massoniana Lamb.)、楓香(Liquidambar formosana Hance)、毛竹[Phyllostachys heterocycla(Carr.)Mitford cv.Pubescens]、木荷(Schima superba Gardn.et Champ.)、栓皮櫟(Quercus variabilis Bl.)、苦櫧(Castanopsis sclerophylla)等。
2 研究方法
2.1 樣木調(diào)查
該試驗(yàn)涉及3種森林類(lèi)型,分別為針葉林、闊葉林和毛竹林。樣地設(shè)置為20 m×20 m的正方形。為了精細(xì)提取單木森林參數(shù),每木檢尺以2 cm為起測(cè)胸徑,采用傳統(tǒng)的胸徑卷尺進(jìn)行測(cè)量,使用激光測(cè)高器獲取單木樹(shù)高。利用全站儀、羅盤(pán)儀、皮尺獲取樣地4個(gè)角點(diǎn)位置,通過(guò)靜態(tài)GPS獲取其坐標(biāo)。
2.2 激光點(diǎn)云數(shù)據(jù)采集
利用Trimble TX8設(shè)備進(jìn)行地面樣木點(diǎn)云數(shù)據(jù)采集。Trimble TX8具有輕便、攜帶方便的特點(diǎn),最大掃描距離達(dá)到340 m,激光點(diǎn)云高達(dá)555百萬(wàn)點(diǎn),垂直掃描角度為317°,激光波長(zhǎng)達(dá)到1 500 nm。每個(gè)樣地在樣地的4個(gè)角點(diǎn)和中心位置共設(shè)置5個(gè)掃描站點(diǎn)。每站掃描時(shí)間為10 min。
2.3 數(shù)據(jù)坐標(biāo)匹配
TLS、GPS、全站儀數(shù)據(jù)采集完畢后,利用TLS儀器自帶Trimble RealWorks系統(tǒng)軟件對(duì)采集到的原始TLS數(shù)據(jù)進(jìn)行反射靶標(biāo)識(shí)別、多站拼接、坐標(biāo)轉(zhuǎn)換和生成點(diǎn)云等預(yù)處理操作,利用后處理軟件對(duì)GPS數(shù)據(jù)進(jìn)行差分處理,對(duì)全站儀坐標(biāo)數(shù)據(jù)進(jìn)行點(diǎn)校正處理,以實(shí)現(xiàn)單木坐標(biāo)的匹配[16]。
2.4 激光點(diǎn)云數(shù)據(jù)處理
由于受到目標(biāo)物體的表面形狀、方向和紋理的影響,激光脈沖被反射后形狀會(huì)發(fā)生改變,尤其是掃描到目標(biāo)物邊緣或發(fā)射脈沖通過(guò)植被時(shí)都將較大地改變反射脈沖形狀,從而產(chǎn)生較大偏差。原始的點(diǎn)云數(shù)據(jù)會(huì)接收到多個(gè)地物的回波信息,并產(chǎn)生密度非常高的點(diǎn)云數(shù)據(jù),在進(jìn)行森林參數(shù)(如胸徑和樹(shù)高)提取時(shí),只需要保留樹(shù)干最外部點(diǎn)云即可。利用TerraSolid軟件的TerraScan模塊對(duì)初始點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理,主要包括數(shù)據(jù)過(guò)濾、非樹(shù)干點(diǎn)去除、數(shù)據(jù)抽稀[16]。
2.5 森林參數(shù)提取
利用Hough變換檢測(cè)算法來(lái)估測(cè)樣地內(nèi)每個(gè)單株立木的胸徑,然后根據(jù)樹(shù)木的形態(tài)學(xué)特征,通過(guò)設(shè)置一系列閾值去除非樹(shù)干處的擬合圓,可提高單木的位置與胸徑識(shí)別精度[1]。最后,通過(guò)地基激光雷達(dá)掃描數(shù)據(jù)獲取的單木樹(shù)干生長(zhǎng)方向與該方向上的單木垂直結(jié)構(gòu)提取單木高[16]。
2.6 森林參數(shù)估測(cè)模型構(gòu)建及精度驗(yàn)證
在Matlab2020a環(huán)境下利用回歸分析方法分別構(gòu)建基于實(shí)際測(cè)量值和TLS提取值的單木胸徑、樹(shù)高估測(cè)模型。最后采用留一法交叉驗(yàn)證對(duì)構(gòu)建的胸徑、樹(shù)高估測(cè)模型進(jìn)行精度驗(yàn)證。留一法交叉驗(yàn)證是指每個(gè)森林類(lèi)型中采集到n株樣本,每次選取1個(gè)樣本作為測(cè)試集,其余樣本(n-1)作為訓(xùn)練集。循環(huán)迭代需要運(yùn)算n次訓(xùn)練,最后取n次訓(xùn)練的平均值進(jìn)行檢驗(yàn)。利用決定系數(shù)R2、均方根誤差RMSE、P值等作為建模過(guò)程的評(píng)價(jià)指標(biāo)。
3 結(jié)果與分析
3.1 樣木數(shù)據(jù)處理結(jié)果
針葉林樣地主要樹(shù)種為杉木,根據(jù)現(xiàn)場(chǎng)調(diào)查及TLS提取數(shù)據(jù),共得到有效樣木70株。闊葉林樣地主要樹(shù)種為木荷、短柄枹、檵木、甜櫧等,優(yōu)勢(shì)樹(shù)種為木荷,有效樣木119株。毛竹林有效樣木320株。
3.2 3種森林類(lèi)型單木胸徑估測(cè)模型構(gòu)建
在Matlab2020a軟件環(huán)境下,利用回歸分析得到3種森林類(lèi)型單木胸徑估測(cè)模型,結(jié)果見(jiàn)圖2。3種森林類(lèi)型建模及檢驗(yàn)結(jié)果見(jiàn)表1。
由圖2和表1可知,3種森林類(lèi)型的胸徑估測(cè)精度(R2c)分別為0.921(針葉林)、0.921(闊葉林)和0.996(毛竹林),0.05水平下均達(dá)到顯著。驗(yàn)證精度(R2v)分別為0.917 8(針葉林)、0.918 6(闊葉林)和0.996 4(毛竹林),以毛竹林估測(cè)精度最高。嶺南林場(chǎng)毛竹林均為人工林,造林密度合適,林相整齊,林下無(wú)雜灌,TLS掃描無(wú)視線盲區(qū),點(diǎn)云處理和提取效果較好。針葉林和闊葉林林分中樹(shù)木胸徑大小不一,特別是闊葉林,該林分為天然次生林,該試驗(yàn)單木胸徑多集中于0~20 cm區(qū)間段,這也導(dǎo)致在掃描時(shí),胸徑大的樹(shù)木會(huì)對(duì)小樹(shù)產(chǎn)生遮擋。
3.3 3種森林類(lèi)型單木樹(shù)高估算模型構(gòu)建
在Matlab2020a軟件環(huán)境下,利用回歸分析得到3種森林類(lèi)型單木樹(shù)高估測(cè)模型,結(jié)果見(jiàn)圖3。
3種森林類(lèi)型建模及檢驗(yàn)結(jié)果見(jiàn)表2。
由圖3和表2可知,3種森林類(lèi)型的樹(shù)高估測(cè)精度(R2c)分別為0.908(針葉林)、0.846(闊葉林)和0.500(毛竹林),0.05水平下均達(dá)到顯著。驗(yàn)證精度(R2v)分別為0.902 8(針葉林)、0.841 6(闊葉林)和0.495 9(毛竹林),針葉林估測(cè)精度最高。針葉林為杉木人工林,該類(lèi)型林相整齊,樹(shù)干筆直,林下雜灌對(duì)點(diǎn)云處理影響較小,闊葉林估測(cè)精度次之,通過(guò)分析,該類(lèi)型中的甜櫧和馬尾松由于上層分枝較多,與旁邊較為低矮樹(shù)木交叉遮擋導(dǎo)致樹(shù)高點(diǎn)云出現(xiàn)誤差,在10 m以下的樹(shù)木下表現(xiàn)尤為嚴(yán)重。毛竹林樹(shù)高估測(cè)精度最低,僅為0.500,這是由于毛竹生長(zhǎng)速度較快,盡管胸徑普遍低于針葉林和闊葉林,但是樹(shù)高較高,越往上端,竹梢偏離垂直方向程度越大,冠層頂部遮擋較為嚴(yán)重,識(shí)別起來(lái)比較困難。
4 結(jié)論與討論
4.1 結(jié)論
該研究利用TLS對(duì)安徽省黃山市休寧縣嶺南林場(chǎng)3種森林類(lèi)型樣地進(jìn)行掃描,通過(guò)每木檢尺獲取其胸徑和樹(shù)高,通過(guò)TerraSolid軟件進(jìn)行點(diǎn)云處理并利用Hough變換檢測(cè)算法提取樣木胸徑和樹(shù)高。在此基礎(chǔ)上,利用Matlab2020a軟件構(gòu)建胸徑和樹(shù)高估算模型,得到結(jié)論如下:
(1)針葉林胸徑估算模型為y=0.86+1.01x,R2c=0.921,RMSEc=2.080,P<0.05,達(dá)到顯著水平;通過(guò)留一法驗(yàn)證,R2v=0.917 8,RMSEv=2.084 7。闊葉林胸徑估算模型為y=0.12+0.92x,R2c=0.921,RMSEc=2.460,P< 0.05,達(dá)到顯著水平;通過(guò)留一法驗(yàn)證,R2v=0.918 6,RMSEv=2.476 5。毛竹林胸徑估算模型為y=0.11+0.99x,R2c=0.996,RMSEc=0.291,P< 0.05,達(dá)到顯著水平;通過(guò)留一法驗(yàn)證,R2v=0.996 4,RMSEv=0.292 3。
(2)針葉林樹(shù)高估算模型為y=0.56+0.95x,R2c=0.908,RMSEc=1.120,P<0.05,達(dá)到顯著水平;通過(guò)留一法驗(yàn)證,R2v=0.902 8,RMSEv=1.138 0。闊葉林樹(shù)高估算模型為y=-0.95+1.03x,R2c=0.846,RMSEc=1.620,P< 0.05,達(dá)到顯著水平;通過(guò)留一法驗(yàn)證,R2v=0.841 6,RMSEv=1.629 9。毛竹林樹(shù)高估算模型為y=7.64+0.49x,R2c=0.500,RMSEc=1.210,P< 0.05,達(dá)到顯著水平;通過(guò)留一法驗(yàn)證,R2v=0.495 9,RMSEv=1.211 9。
4.2 討論
該研究選擇的樣木是在相同的地利條件下,盡管模型精度很高且達(dá)到顯著水平,能否推廣到所有森林類(lèi)型還需要更多的樣本支持。特別是對(duì)更小胸徑的單木識(shí)別,對(duì)現(xiàn)有算法進(jìn)行優(yōu)化甚至引入更多圖像分割技術(shù)是今后研究的重點(diǎn)。樹(shù)木冠層的復(fù)雜性也為點(diǎn)云數(shù)據(jù)計(jì)算機(jī)自動(dòng)識(shí)別和歸類(lèi)帶來(lái)一定的困難。
盡管TLS能夠獲取令人滿意的估測(cè)結(jié)果,但是對(duì)于山區(qū)的森林調(diào)查進(jìn)行大范圍推廣顯然不太現(xiàn)實(shí)。近年來(lái),ALS在林業(yè)中也得到了推廣應(yīng)用,TLS和ALS在點(diǎn)云密度、掃描角度、掃描速度等方面都存在差異,數(shù)據(jù)的處理流程也不盡相同。隨著雷達(dá)技術(shù)的發(fā)展和行業(yè)需求的拓展,TLS和ALS結(jié)合解決行業(yè)實(shí)際問(wèn)題則是一個(gè)有效的手段[17-18]。
參考文獻(xiàn)
[1] 劉魯霞.機(jī)載和地基激光雷達(dá)森林垂直結(jié)構(gòu)參數(shù)提取研究[D].北京:中國(guó)林業(yè)科學(xué)研究院,2014.
[2] 郭慶華,劉瑾,陶勝利,等.激光雷達(dá)在森林生態(tài)系統(tǒng)監(jiān)測(cè)模擬中的應(yīng)用現(xiàn)狀與展望[J].科學(xué)通報(bào),2014,59(6):459-478.
[3] 孫忠秋,吳發(fā)云,高顯連,等.基于機(jī)載大光斑激光雷達(dá)的森林冠層高度估測(cè)[J].林業(yè)資源管理,2020(3):111-117.
[4] 晏穎杰,范少輝,官鳳英.地基激光雷達(dá)技術(shù)在森林調(diào)查中的應(yīng)用研究進(jìn)展[J].世界林業(yè)研究,2018,31(4):42-47.
[5] KANKARE V,HOLOPAINEN M,VASTARANTA M,et al.Individual tree biomass estimation using terrestrial laser scanning[J].ISPRS journal of photogrammetry and remote sensing,2013,75(1):64-75.
[6] DASSOT M,CONSTANT T,F(xiàn)OURNIER M.The use of terrestrial LiDAR technology in forest science:Application fields,benefits and challenges[J].Annals of forest science,2011,68(5):959-974.
[7] LIU L X,PANG Y,LI Z Y,et al.Combining airborne and terrestrial laser scanning technologies to measure forest understorey volume[J].Forests,2017,8(4):1-14.
[8] 劉魯霞,龐勇,李增元.基于地基激光雷達(dá)的亞熱帶森林單木胸徑與樹(shù)高提取[J].林業(yè)科學(xué),2016,52(2):26-37.
[9] LIANG X L,LITKEY P,HYYPPA J,et al.Automatic stem mapping using single-scan terrestrial laser scanning[J].IEEE transactions on geoscience and remote sensing,2012,50(2):661-670.
[10] MA L X,ZHENG G,EITEL J U H,et al.Improved Salient feature-based approach for automatically separating photosynthetic and nonphotosynthetic components within terrestrial Lidar point cloud data of forest canopies[J].IEEE transactions on geoscience and remote sensing,2016,54(2):679-696.
[11] 趙方博,王佳,高赫,等.地面激光雷達(dá)的單木真實(shí)葉面積指數(shù)提取[J].測(cè)繪科學(xué),2019,44(4):81-86,109.
[12] 駱鈺波,黃洪宇,唐麗玉,等.基于地面激光雷達(dá)點(diǎn)云數(shù)據(jù)的森林樹(shù)高、胸徑自動(dòng)提取與三維重建[J].遙感技術(shù)與應(yīng)用,2019,34(2):243-252.
[13] 馬振宇,龐勇,李增元,等.地基激光雷達(dá)森林近地面點(diǎn)云精細(xì)分類(lèi)與倒木提取[J].遙感學(xué)報(bào),2019,23(4):743-755.
[14] 張?zhí)彀?,云挺,薛?lián)鳳,等.基于地面激光雷達(dá)的活立木枝干三維建模[J].南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,39(4):163-167.
[15] 楊水榮,黃洪宇,唐麗玉,等.基于地面激光雷達(dá)點(diǎn)云的樹(shù)木冠層變化定量分析[J].福州大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,49(1):8-14.
[16] 陳健.基于地基激光雷達(dá)的不同森林類(lèi)型單木胸徑與樹(shù)高提取[D].合肥:安徽農(nóng)業(yè)大學(xué),2016.
[17] 郭王,程效軍.基于激光強(qiáng)度分類(lèi)的機(jī)載與地面激光雷達(dá)點(diǎn)云配準(zhǔn)方法[J].激光與光電子學(xué)進(jìn)展,2018,55(6):409-416.
[18] 韓婷婷.激光雷達(dá)數(shù)據(jù)在森林垂直結(jié)構(gòu)參數(shù)反演中的應(yīng)用綜述[J].北京測(cè)繪,2020,34(8):1061-1065.
3615500338297