下载:
-
胸径和树高是各类森林资源调查的重要测树因子，是获取林分蓄积量、生物量、碳储量等信息的基础变量[1]。在传统地面调查中，胸径可以利用测径围尺量测，树高则需借助测高器、激光枪等设备测量。因林分内树冠遮挡视线难以快速测量，一般按径阶绘制树高曲线，以胸径实测值查找相对应的树高值[2]，需要耗费大量财力物力，效率低下。
激光雷达(light detection and ranging，LiDAR)扫描技术以激光脉冲的形式获取单木位置、树高和胸径等三维信息的优势，在森林资源调查领域得到快速发展[3−4]。背负式LiDAR (backpack laser scanning，BLS)作为激光雷达产品的典型代表之一，与地基式LiDAR (terrestrial laser scanning, TLS)相比更便携，更高效。背负式LiDAR能够结合同步定位与地图构建(simultaneous localization and mapping，SLAM)算法，采集不同尺度、不同地形的林下高精度三维点云信息[5−7]。李丹等[8]基于地基式LiDAR数据，提取了红松Pinus koraiensis的胸径和树高，发现胸径估测效果较好，决定系数(R2)为0.91，树高估测效果较差，R2为0.48。黄旭等[9]基于背负式LiDAR提取了落叶松Larix olgensis的胸径和树高，提取精度分别为94.51%、80.27%，显示背负式LiDAR胸径提取优势显著高于树高。无人机机载LiDAR (unmanned aerial vehicle laser scanning，ULS)具有获取树冠上层三维信息的显著优势[10]。基于冠层高度模型(canopy height model，CHM)的图像分割和基于归一化点云空间聚类的点云分割是无人机机载LiDAR单木分割的典型方法[11−12]。陈思宇等[13]比较了基于点云空间特征和基于冠层高度模型的单木分割方法，发现利用点云空间特征能够避免冠层高度模型插值产生的栅格误差，点云聚类算法进行单木分割时存在距离阈值类似的情况，从而影响提取结果。朱泊东[14]利用无人机机载LiDAR获取冠层高度模型和归一化点云，采用CHM分水岭分割法、基于点云局部最大值聚类算法和基于层堆叠种子点的点云分割法进行单木分割，表明在低郁闭林分中CHM分水岭分割算法单木提取效果较好，而在高郁闭林分，基于层堆叠种子点的点云分割效果较好。POLEWSKI等[15]利用相似度函数特征点匹配，实现对无人机机载LiDAR和背负式LiDAR点云的精配准。张信杰等[16]融合背负式LiDAR和无人机机载LiDAR数据，提取树高信息，发现得益于无人机机载LiDAR获取冠上加密点云的优势，融合点云的树高提取精度明显优于背负式LiDAR点云。背负式LiDAR由下而上获取点云，无人机机载LiDAR由上而下获取点云，两者互补能够获取高精度树高和胸径结果。
本研究以云南松Pinus yunnanensis天然纯林为对象，获取背负式LiDAR和无人机机载LiDAR扫描数据，通过LiDAR360 MLS和LiDAR360软件进行单木分割，从背负式LiDAR点云中提取胸径和树高，同时，通过融合背负式LiDAR和无人机机载LiDAR数据获取能够表征林分三维结构的点云，实现高精度地提取树高和胸径。以期建立一种精准、高效的胸径和树高信息估算方法，旨在为今后各类森林资源调查提供可信度高、成本低、效率高的技术手段。
-
研究区位于云南省昆明市富民县罗免乡黄草坝(25°21′35.3″~25°24′8.3″N，102°27′36.5″~102°30′50.9″E)。该区属亚热带季风气候，年平均气温为16.3 ℃，年平均降水量为854.0 mm。森林资源丰富，全县森林覆盖率为62.97%。研究区为云南松天然林封山育林区，区内的森林资源以云南松天然纯林为主。
-
外业调查工作于2023年11月完成。在全面踏查的基础上，选取具有充分代表性的典型成熟云南松天然纯林，设置6个半径为15.0 m的圆形样地，测定胸径≥5.0 cm活立木的单木位置、树高、胸径[17]，由全球定位系统(GPS)获取样地中心位置坐标，用皮尺测量被测木到样地中心点的方位角和水平距，确定每木定位信息，共获取118株云南松样木数据。表1为样木胸径和树高调查结果。
表 1 样地信息统计
Table 1. Statistics of the sample plots
样地编号 优势树种 林木株数 胸径/cm 树高/m 最小值 最大值 平均值 标准差 最小值 最大值 平均值 标准差 1 云南松 23 6.2 33.3 18.6 6.1 1.9 12.9 8.0 2.3 2 云南松 15 13.7 30.4 21.2 4.9 6.8 11.0 8.9 1.4 3 云南松 23 9.6 34.7 19.1 7.0 3.1 12.0 8.0 2.1 4 云南松 25 6.8 30.2 18.1 5.6 3.7 11.1 7.5 1.8 5 云南松 15 9.2 33.3 19.9 6.3 4.3 12.6 8.1 2.1 6 云南松 17 5.8 35.6 20.4 7.5 3.3 13.1 9.1 2.7 -
利用搭载LiAir220N激光雷达系统的大疆M300 RTK无人机[配置高精度全球导航卫星系统(global navigation satellite system，GNSS)和惯性测量单元(inertial measurement unit，IMU)]，于2023年11月完成外业采集工作。飞行高度为150 m (仿地飞行)，飞行速度为4 m·s−1，航向和旁向重叠率均设置为70%，共获取了覆盖6个圆形样地的无人机机载LiDAR点云数据，平均点云密度为2 818点·m−2。同时，利用LiBackpack DGC50背负式LiDAR三维扫描系统(配置水平和垂直2个LiDAR传感器及高精度GNSS设备)进行背负式LiDAR数据的同步采集。系统参数如下：LiDAR传感器为VLP16，激光器扫描距离为100 m，激光波长为903 nm，相对精度为≤3 cm，垂直视场角为−90°~90°，水平视场角为0°~360°。采集人员对各圆形样地按“Z”字形路线图缓慢行进采集数据，行进速度为1 m·s−1。为保证样木胸径的圆拟合，扫描样木两侧，获取树干完整信息。此外，为采集边缘木两侧的数据，路线范围略大于样地范围，共获取了覆盖6个圆形样地的背负式LiDAR点云数据，平均点云密度为18 453点·m−2。由图1可见：无人机机载LiDAR系统由上而下获取点云数据(图1A)，受激光束回波次数和枝叶遮挡激光束的影响，林冠中上层密度远高于林下，冠上树顶点信息明显，但树干点云信息缺失严重。背负式LiDAR系统由下而上获取点云数据(图1B)，其树干点云较无人机机载LiDAR点云清晰，受回波次数、扫描角度和枝叶遮挡的影响，冠上点云信息明显缺失。
图 1 点云剖面图
Figure 1. Profile of point clouds
-
将背负式LiDAR点云数据进行去噪、点云分类、归一化和单木分割等处理，其中LiDAR360软件对于高程信息的分类是在地面点分类的基础上，进行高于地面的点云分类，设置2个高程阈值，即高度0~1.3 m的低矮植被(灌草)和1.3~20.0 m的中等植被(林木)；利用LiDAR360 MLS软件进行深度学习分类，GV_Forest_HLS模型可基于形态学原理，将背负式LiDAR点云数据分为地面点、低矮植被、树干和树冠等类别，通过类别设置将点云数据的类别属性映射到不同颜色值，直观地区分不同类别的点云数据。配合手动编辑分类，将需要修改的点云颜色映射为目标类别颜色。设置点云切片厚度为0.2 m，获取1.2~1.4 m高度的树干圆柱体，通过拟合圆的方式拟合胸径提取种子点，并将基于分类获取的树干和树冠2个点云类别作为单体点进行单木分割，最后在单木分割的基础上对提取的胸径和树高异常值进行手动测量修正。利用LiDAR360软件提供的基于种子点分割方法对无人机机载LiDAR点云进行单木分割。基于种子点分割主要包括种子点选取和分割，主要步骤包括基于归一化点云进行点云分割作为1次分割，提取种子点；利用机载林业模块的种子点编辑功能修正种子点后，进行基于种子点分割的2次分割。
无人机机载LiDAR具有绝对坐标信息，而背负式LiDAR由于树冠遮挡和GPS信号微弱，仅有相对坐标信息，通过LiFuser-BP软件进行全球导航卫星系统(GNSS)轨迹处理和SLAM解算可获取带有绝对坐标的背负式LiDAR点云数据。由于背负式LiDAR与无人机机载LiDAR在GNSS定位误差、获取方式及视角上存在差异，需将无人机机载LiDAR点云作为参考数据，背负式LiDAR作为待配准数据进行粗配准，并利用迭代最近点算法(iterative closest point，ICP)进行精配准，获取完整冠层点云信息。为提高配准运行速度，消除地物噪声，对背负式LiDAR点云进行50%采样率的重采样处理，点云融合后点云进行二次去噪处理，平均点云密度为10 671点·m−2，融合点云剖面图如图1C所示。ICP算法本质上是基于最小二乘法选择参考点云(Ps)和待配准点云(Pt)的最近对应点，迭代平移矩阵t和旋转矩阵R，重复i次平移t和旋转R过程直至收敛，获取最优变换矩阵(R*，t*)完成配准[18]。配准后的点云采用与背负式LiDAR点云相同的分割方法提取胸径和树高信息。配准后的同名点对坐标差值如表2所示，X和Y方向表示点对在水平方向的坐标，Z方向表示点对垂直方向的高程。各方向坐标距离差值较小，点对坐标的均方根(ERMS)为0.326 m，配准效果较好。
表 2 配准后坐标差值
Table 2. Coordinate difference after registration
点对 X/m Y/m Z/m 目标点 参考点 差值 目标点 参考点 差值 目标点 参考点 差值 P0 246 951.78 246 952.09 −0.31 2 809 652.76 2 809 652.23 0.53 2 145.12 2 144.86 0.26 P1 246 964.23 246 964.17 0.06 2 809 657.58 2 809 656.73 0.85 2 146.89 2 146.97 −0.08 P2 246 960.83 246 960.94 −0.11 2 809 647.25 2 809 647.43 −0.18 2 144.64 2 144.40 0.24 P3 246 962.89 246 963.16 −0.27 2 809 640.78 2 809 640.67 0.11 2 145.68 2 145.86 −0.18 P4 246 965.49 246 964.96 0.53 2 809 645.85 2 809 645.44 0.41 2 144.43 2 144.72 −0.29 P5 246 974.35 246 974.42 −0.07 2 809 647.07 2 809 646.91 0.16 2 144.83 2 144.80 0.03 $$ {{\boldsymbol{R}}}^{\mathrm{*}},{{\boldsymbol{t}}}^{\mathrm{*}}={\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}}_{R,t}\frac{1}{\left|{P}_{\mathrm{s}}\right|}\sum\limits_{i=1}^{\left|{P}_{\mathrm{s}}\right|}{||{P}_{\mathrm{t}}^{i}-\left({\boldsymbol{R}}\times {P}_{\mathrm{s}}^{i}+{\boldsymbol{t}}\right)||}^{2} 。 $$ (1) 式(1)中：R*为最优平移矩阵；t*为最优旋转矩阵；Ps为参考点云点集合；${{P}}_{\rm{t}}^i $为平移和旋转待配准点云点集合；R为平移矩阵；t为旋转矩阵。
-
单木分割是胸径和树高等单木参数提取的基础。为比较不同分割方法单木分割的效果，与每木位置进行对比分析，采用准确率(Pd)、召回率(Pr)和F测度(F)评价单木分割精度[19]。
$$ {P}_{\mathrm{d}}=\frac{{N}_{\mathrm{c}}}{{N}_{\mathrm{d}}}\times 100\% \text{；} \quad$$ (2) $$ {P}_{\mathrm{r}}=\frac{{N}_{\mathrm{c}}}{{N}_{\mathrm{r}}}\times 100\% \text{；} \quad$$ (3) $$ F=\frac{2{P}_{\mathrm{r}}\text{×}{P}_{\mathrm{d}}}{{P}_{\mathrm{r}}+{P}_{\mathrm{d}}}\times 100\%\mathrm{。} $$ (4) 式(2)~(3)中：Nc为分割正确的株数；Nd为分割提取株数；Nr为实测参考株数。
-
利用决定系数(R2)、均方根误差(ERMSE)对回归模型的拟合效果进行评价，确定估测值与实测值之间的吻合程度和估测的准确度[20]。
$$ {R}^{2}=1-\frac{\displaystyle \sum\limits_{i=1}^{n}{({y}_{i}-{\hat{y}}_{i})}^{2}}{\displaystyle \sum\limits_{i=1}^{n}{({y}_{i}-\overline{y})}^{2}} ; \qquad$$ (5) $$ {E}_{\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}=\sqrt{\frac{\displaystyle \sum\limits_{i=1}^{n}{({y}_{i}-{\hat{y}}_{i})}^{2}}{n-1}}\mathrm{。} $$ (6) 式(5)~(6)中：$ {y}_{i} $为实测值；$ {\hat{y}}_{i} $为估测值；$ \overline{y} $为实测平均值；n为样本数。
-
图2为1号样地的背负式LiDAR分类结果。图2A表明：LiDAR360基于高程分类仅将树干与树冠分为1个类别，设置1.3 m的低矮植被点高程阈值，发现样地内部灌木被错误分类为中等植被点(林木)。单木分割时，易受灌草的影响，软件自动在1.3 m处将拟合圆作为胸径拟合结果，导致灌草的冠径被错误识别成胸径。图2B为LiDAR360 MLS基于形态学的深度学习分类结果。相较LiDAR360，LiDAR360 MLS能够将灌草和林木进行有效分类，有效避免高度大于1.3 m灌草的影响，将点云分为地面点、低矮植被点、树干和树冠4个类别。图2C为树干提取结果，效果较好。通过树干提取可实现胸径的高精度拟合，并准确获取与实测相吻合的样木株数，单木提取率达100%。因此，本研究采用LiDAR360 MLS对背负式LiDAR和融合数据进行单木分割，提取胸径和树高信息。
图 2 背负式LiDAR点云分类结果
Figure 2. Point cloud classification results of backpack laser scanning (BLS)
由图3和表3的单木分割结果可见：由于分类时可提取树干信息，样木均被分割提取。背负式LiDAR点云和融合点云的树干提取和单木分割效果相似，召回率均达100%。实测时仅获取达到起测径阶的云南松树种的实测信息，但根据踏查发现样地内存在少数栎类树种和未达到起测径阶的云南松幼树，仅依靠点云信息难以区分云南松和其他树种，因此借助背负式LiDAR点云及融合点云提取株数略大于参考株数。无人机机载LiDAR点云主要依赖点云空间聚类进行分割，树冠形状和分布一定程度上会影响单木分割结果，样地内样木分布不均匀，1.3 m以下树干分叉现象明显，相邻样木树冠重叠，枝杈复杂，易出现欠分割和过分割现象。但总体而言，无人机机载LiDAR点云分割漏分和错分比例较少，准确率、召回率和F测度分别为94.59%、88.98%、91.70%。
图 3 单木分割结果对比
Figure 3. Comparison of individual tree segmentation results
表 3 单木分割验证
Table 3. Individual tree segmentation verification
数据类型 参考株数/株 提取株数/株 正确分割株数/株 漏分株数/株 错分株数/株 单木分割精度评价结果 准确率/% 召回率/% F测度/% 背负式LiDAR 118 126 118 0 0 93.65 100.00 96.72 无人机机载LiDAR 118 111 105 7 6 94.59 88.98 91.70 融合点云 118 126 118 0 0 93.65 100.00 96.72 -
背负式LiDAR和融合点云均可同时获取胸径和树高估测值。由图4的回归拟合结果发现：从应用LiDAR360 MLS软件单独提取的背负式LiDAR数据结果看，胸径提取精度较高，R2和ERMSE分别为0.904和2.046 cm，利用融合点云提取胸径的R2和ERMSE分别为0.881和2.284 cm。融合后受无人机机载LiDAR点云的影响，树干附近的点云噪点增加，与单独使用背负式LiDAR提取胸径相比，精度没有有效提升。
图 4 胸径线性回归结果
Figure 4. Results of DBH linear regression
-
如图5所示：融合无人机机载LiDAR点云后，提取树高的R2相对于背负式LiDAR提升了0.142，主要原因为样地内样木簇生情况明显，且分布不均匀。由于枝叶遮挡、视场角及回波次数限制，背负式LiDAR的树冠上层点云存在一定程度的缺失，提取树高的R2和ERMSE分别为0.791、1.173 m，反映出单独利用背负式LiDAR提取树高存在不足。无人机机载LiDAR与背负式LiDAR点云的融合，结合了无人机机载LiDAR冠上点云获取的优势和背负式LiDAR林下点云获取的优势，通过几何测量计算冠顶点至地面点的垂直高度，树高估测结果准确度更高，R2和ERMSE分别为0.933、0.812 m。
图 5 树高线性回归结果
Figure 5. Results of tree height linear regression
-
无人机机载LiDAR是通过树冠分割和树顶点提取实现单木分割，欠分割和过分割现象明显，而利用深度学习提取背负式LiDAR点云的树干和树冠作为单体进行单木分割，提取率可达100%。本研究基于背负式LiDAR数据利用LiDAR360 MLS软件提取的胸径和树高结果发现：胸径提取精度较高，R2可达0.904，树高提取精度较低，R2仅为0.791。无人机机载LiDAR难以穿透冠层获取树干信息，主要适用于提取冠层信息实现树高信息的高精度提取，进而与实测胸径构建反演模型，实现胸径的估测。背负式LiDAR获取的树干信息完整，胸径提取精度较高，但难以穿透冠层获取树顶端点云，因此树高低估程度较大。GAO等[21]对无人机机载LiDAR采取面向点云的距离判断聚类算法进行单木分割，提取水杉Metasequoia glyptostroboides树高，F测度为90.00%，树高的R2和ERMSE分别为0.913、0.849 m；对背负式LiDAR点云采取基于密度的噪声应用空间聚类(DBSCAN)算法进行单木分割，提取精度较高，F测度为93.00%，胸径的R2和ERMSE分别为0.945、0.013 cm，证明无人机机载LiDAR提取树高和背负式LiDAR提取胸径的显著优势。
本研究融合2种LiDAR点云数据，基于单木分割，提取树高的R2和ERMSE分别为0.933和0.812 m，提取胸径的R2和ERMSE分别为0.881和2.284 cm。受无人机机载LiDAR点云的影响，融合后在树干附近的点云噪点增加，与单独使用背负式LiDAR提取胸径相比，精度没有得到有效提升。代婷婷[22]比较了地基式LiDAR、融合地基式LiDAR与无人机机载高分辨率影像运动恢复结构(structure from motion，SFM)三维重建点云的树高提取值，发现融合点云提取的树高更精准，相关系数(r)达0.999。无人机机载SFM三维重建点云通过正射图像三维重构获取，仅生成冠层点云，对1.3 m处树干的胸径提取影响较小，因此融合点云与地基式LiDAR点云相比，胸径提取值差异不大。朱俊峰等[23]研究表明：由于无人机飞行高度(550 m)较高、飞行速度(96 km·h−1)较快、旁向重叠率(20%)较低等原因，无人机机载LiDAR点云密度较低，地基式LiDAR和无人机机载LiDAR融合点云相对于地基式LiDAR提取的树高精度提升不明显，R2由0.804提升至0.809，且两者ERMSE均较大，分别为3.29和3.32 m。FEKRY等[24]融合了无人机机载LiDAR和背负式LiDAR数据，提取的树高相对均方根误差(rRMSE)与单独使用背负式LiDAR相比，下降了9.01%，但胸径提取的rRMSE提升了0.5%，因此融入无人机机载LiDAR对提取胸径没有提升，反而增加了树干周围的噪点。在点云配准过程中，目前主要是依靠2种点云的树冠轮廓进行匹配，但由于相邻木树冠重叠或林分密度过大使冠形不明显，因此依靠冠形进行配准存在一定的不确定性。无人机机载LiDAR是正射推扫获取点云，而背负式LiDAR是垂直获取点云，冠形存在一定差异，通过冠形有时难以提供准确的特征点。SHAO等[25]通过配准无人机机载LiDAR、背负式LiDAR和地基式LiDAR等3种数据发现：林分密度越大，通过树冠轮廓匹配寻找对应特征点越困难，地形起伏容易影响地面点配准，但本研究样地范围内地形平缓，可忽略这种影响。
利用LiDAR360软件进行胸径自动拟合发现：云南松树干形状较不规则，不属于树干的目标(如灌木和枝叶)也被识别为代表胸径结果的圆。目前主要有圆形拟合、椭圆拟合和圆柱体拟合3种胸径拟合方式，在拟合不规则树干的胸径时均存在较大的拟合误差，需要一种能够适用于不规则形状树干，并能剔除灌木的胸径识别算法，以增加近地LiDAR扫描技术估测森林参数，替代部分样地实测的潜能。徐华东等[26]利用Hough变换法和连续生长算法提取蒙古栎Quercus mongolica的胸径，发现非规则圆形或椭圆形树干容易影响胸径的拟合效果。此外，刘鲁霞等[27]和邱琴等[28]分别基于地基式LiDAR和背负式LiDAR扫描数据，对比了天然林和人工林的胸径拟合和树高提取效果，发现人工林的胸径和树高提取精度明显优于天然林。主要原因在于人工林的林分条件单一，林分密度低，容易探测到树顶点，树干通直，林下灌草较少，胸径拟合结果较准确；天然林中林分复杂，林分密度较高，受枝叶和相邻树木部分遮挡，难以穿透枝叶探测树顶点；林下灌草会被错误识别成林木，树干弯曲情况严重，胸径拟合结果易受影响。本研究利用LiDAR360 MLS软件有效区分了灌草、树干和树冠，并在树干1.3 m处拟合胸径，有效避免了灌草的影响，但1.3 m处树干形状不规则仍然会造成一定程度胸径拟合异常，需要手动修正重新拟合，获取高精度胸径拟合结果。
-
基于背负式LiDAR的LiDAR360 MLS深度学习分类能够有效提取树干和树冠，通过树干1.2~1.4 m处点云切片可以较准确地拟合胸径，利用树干和树冠作为单体进行单木分割，提取单木株数与实际基本吻合，分割效果较好，能够有效地获取高精度的胸径和树高信息。背负式LiDAR和无人机机载LiDAR分别采用自下而上和自上而下的观测模式获取三维点云数据。背负式LiDAR能获取精确林下信息，在提取胸径信息时具有显著优势，但获取的冠层信息不完整，容易低估树高信息。无人机机载LiDAR获取的冠层信息较为完整。通过ICP算法寻求对应点，融合背负式LiDAR和无人机机载LiDAR能够更完整地描述森林空间结构，同步获取高精度的胸径和树高信息，更好地运用于森林资源调查。
Extraction of DBH and height of Pinus yunnanensis individual trees by combining backpack laser scanning and unmanned aerial vehicle laser scanning
-
摘要:
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LiDAR360 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(R2)和均方根误差(ERMSE)分别达0.904和2.046 cm，基于BLS树高提取的R2和ERMSE 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，R2和ERMSE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，R2和ERMSE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 Abstract:Objective This study aims to explore the advantages of acquiring three-dimensional point cloud of forests based on backpack laser scanning (BLS) and unmanned aerial vehicle laser scanning (ULS) technology, and use LiDAR360 MLS and LiDAR360 software to realize accurate measurement of single tree diameter at breast height (DBH) and tree height, meanwhile, determine the optimal method for individual tree segmentation and extraction. Method Taking 6 circular plots of Pinus yunnanensis natural pure forest with a radius of 15.0 m in Luomian Township, Fumin County, Yunnan Province as an example, the iterative closest point algorithm (ICP) was employed to fuse BLS and ULS point cloud. LiDAR360 MLS and LiDAR360 software were used to denoise, classify, normalize, segment individual trees and extracted DBH and tree height of individual trees from the point cloud data. The correlation between measured values and estimated parameters was established by linear fitting, and the estimation effect of DBH and tree height was evaluated. Result Compared with LiDAR360 based on elevation information for classification, LiDAR360 MLS based on deep learning for classification was more in line with reality in the number of tree extraction. The tree extraction results from BLS and fusion point cloud were consistent, and the recall rate reached 100%. ULS performed single tree segmentation through seed points, with accuracy, recall, and F-measure of 94.59%, 88.98%, and 91.70%, respectively. However, due to canopy connectivity, there existed some under-segmentation and over-segmentation. The determination coefficient (R2) and root mean square error (ERMSE) of DBH extraction based on BLS were 0.904 and 2.046 cm, respectively. R2 and ERMSE extracted by tree height were 0.791 and 1.173 m, respectively. The fusion point cloud was affected by discrete points around the trunk, and the DBH extraction effect was relatively poorer than BLS. R2 and ERMSE were 0.881 and 2.284 cm, respectively. However, the information of canopy and understory of fusion point cloud was more complete, and the estimation accuracy of tree height was higher than that of BLS, with R2 and ERMSE values of 0.933 and 0.812 m, respectively. Conclusion Due to differences in working principles, ULS and BLS technologies each have their own advantages in acquiring point cloud from the canopy and understory. The combination of ULS and BLS can achieve a complementary effect, which can reflect the forest spatial structure more precisely, and realize the high-precision extraction of DBH and tree height. [Ch, 5 fig. 3 tab. 28 ref.] -
紫葳科Bignoniaceae梓属Catalpa落叶乔木楸树Catalpa bungei是中国重要的乡土树种，广泛分布于长江流域和黄河流域，生长速度快，木材品质优良，具有很强的适应性[1-2]。楸树自花不育，实生苗繁殖困难，营养繁殖中嫁接苗根系质量差，易出现风折、病虫等危害，扦插育苗是当前楸树快速繁殖的重要方法[3]。研究发现：插穗内营养物质在扦插生根过程中起着关键性的作用[4]。对橄榄Canarium album[5]、油茶Camellia oleifera[6]等的研究发现：生根能力大小与插穗内的可溶性糖、可溶性蛋白质密切相关，如油茶中易生根的‘Arbequina’品种可溶性糖含量高于较难生根的‘Kalamata’品种，杂种落叶松Larix olgensis × L. kaempferi插穗的可溶性蛋白质与根原基的发生、分化有关[7]。插穗内碳氮比(C/N)越高，插穗生根率也越高[8]。酶活性对植物不定根的产生和生长有间接或者直接影响。仿栗Sloanea hemsleyana扦插试验中，插穗在愈伤组织形成期及不定根形成期，超氧化物歧化酶(SOD)活性都呈明显上升趋势，促进了仿栗插穗的生根[9]。过氧化物酶(POD)、多酚氧化酶(PPO)等也在扦插过程中呈现规律性的曲线波动[10]。对于较难生根的树种，插穗中存在生根抑制物质。季孔庶等[11]通过对插穗物质浸提、萃取后的高效液相色谱分离，认为插穗内的黄酮类物质和苯酚类物质可能是导致马尾松Pinus massoniana扦插生根率低的原因之一。而核桃楸Juglans mandshurica插穗内大多数抑制物质是酸性物质，如单宁及酚类等[12]。目前，楸树扦插育苗中存在较多问题，扦插生根困难，成活率、保苗率低，许多楸树品种(系)生根时间长(30~45 d)，易腐烂，生根率仅为20%~40%[13]。本研究选择楸树良种‘8611’，研究它在插穗生根过程中根系发生特点及插穗内生理生化指标的变化规律，筛选与生根相关指标，探索楸树生根困难的制约因素，为建立楸树扦插育苗繁殖技术体系提供理论依据。
1. 材料与方法
1.1 材料
楸树良种‘8611’插穗采自南京林业大学白马教学科研基地楸树资源圃。参照相关材料，以V(泥炭)∶V(珍珠岩)=1∶1[14]混合均匀后装入32孔育苗穴盘(6.0 cm×6.0 cm×11.0 cm)，并用质量分数0.5%的高锰酸钾消毒。扦插池配置自动间歇喷雾装置，上方设遮阳网。
插穗直径为0.2~0.5 cm，长度为5.0~7.0 cm，每穗至少带2个芽；留叶1~2片，每片叶保留1/3大小。根据前期研究结果[15]，插穗用1 000 mg·kg−1 ABT生根粉1号(GGR-6)(北京艾比蒂研究开发中心生产)浸泡，设3个区组，各区组500个插穗，以蒸馏水浸泡为对照。用于各指标观察及测定。
试验于2018年6月中旬开始，边采边插。为减少高温天气下插穗腐烂，提高嫩枝扦插的成活率，扦插后立刻间歇喷雾，外覆小拱棚，控制温度为25~30 ℃[16-17]。生根前保持扦插池内相对湿度80%~90%，生根后保持相对湿度60%~70%，每隔1周喷施1次多菌灵。待地上部抽生新叶后，及时清除杂草，适时灌溉。
1.2 方法
扦插后3 d取样1次，每次取10个插穗。采样后清洗干净，统计穗条生根过程各阶段(大量愈伤组织形成期、不定根发生期、不定根大量形成期)出现时间，拍照留存；生根后统计生根率。
扦插后5 d取样1次，每次取15个插穗。将插穗的韧皮部与木质部分离，取基部(下切口以上)2.0~3.0 cm韧皮部，之后将15个样品混匀，用于测定不同生根阶段的生理生化指标。采用蒽酮比色法测定可溶性糖质量分数[18]；采用考马斯亮蓝法测定可溶性蛋白质质量分数[19]；采用硫酸-高氯酸消煮法测定总氮质量分数[20]。采用氯化硝基氮蓝四唑法测定SOD活性[21]；采用愈创木酚比色法测定POD活性[22]；采用焦儿茶酚比色法测定PPO活性[23]。各指标测定均重复3次。采用气相色谱质谱联用仪(GC-MS)测定内源抑制物质。
分别于大量愈伤组织形成期、不定根发生期、不定根大量形成期随机取3个GGR-6处理的插穗，取基部(下切口往上2.0 cm)韧皮部，称取2 g，液氮充分磨碎后，加入体积分数为99.6%甲醇密闭浸提24 h；浸提液以8 000 r·min−1离心30 min，取上清液；旋转蒸发仪上浓缩蒸馏，并定容至5 mL，备用。
选用30.00 m×0.25 mm×0.25 μm的Rtx-5MS毛细管柱，流速1 mL·min−1氦气进行气相色谱检测。色谱条件为：进样口温度为250 ℃，分流比为20∶1。升温程序为：35 ℃保持3 min，以6 ℃·min−1升至300 ℃后保持10 min。离子源的温度为220 ℃，接口温度为260 ℃，溶剂切除时间3 min，离子扫描(m/z)范围45~500，进样量为1 μL。由计算机控制库存信息检查质谱图并与标准图库谱图核对。
1.3 数据处理
使用SPSS 20.0软件对数据进行统计并作方差分析。
2. 结果与分析
2.1 插穗生根过程及生根率
不同处理对楸树插穗的生根进程具有较大的影响。根据楸树‘8611’扦插的前期研究，其生根进程可分为大量愈伤组织出现期、不定根发生期、不定根大量形成期等3个阶段[15]。由表1可知：不同处理条件下，3个阶段出现的时间存在差异。GGR-6处理的插穗，扦插后约8 d形成大量愈伤组织，从形成大量愈伤组织到不定根的形成约需7 d，从不定根开始形成到不定根大量形成约需要8 d。对照在扦插约2周后出现大量的愈伤组织，从形成大量愈伤组织到不定根发生约需7 d，从出现不定根到不定根大量形成需13 d。说明GGR-6处理可促进楸树生根，缩短了不定根出现到大量形成的时间。与对照相比，GGR-6处理使插穗愈伤组织形成提前(P＜0.05)，插穗生根率极显著提高(P＜0.01)。
表 1 不同处理对插穗生根进程的影响Table 1 Rooting morphology of cuttings with different treatments大量愈伤组织出现/d 不定根发生/d 不定根大量形成/d 生根率/% GGR-6 8.34 ± 1.94 b 15.43 ± 0.51 a 23.20 ± 1.02 a 82.04 ± 0.71 a 对照 14.24 ± 0.16 a 21.93 ± 1.64 a 34.54 ± 0.63 a 66.21 ± 3.57 b F 8.550 0.077 13.727 20.675 P 0.018 0.926 0.307 ＜0.001 说明：F表示组间和组内的离差平方和与自由度的比值，同列不同小写字母表示不同处理间差异显著(P＜0.05) 2.2 酶活性的变化
2.2.1 插穗内SOD活性的变化
SOD可催化超氧化物阴离子自由基发生歧化反应，是生物体抗氧化系统的第1道防线。由图1A可知：SOD活性随着扦插时间的延长，先增大后减小，与对照相比，GGR-6处理的插穗在扦插后25 d时SOD活性出现最大值(623.33×16.67 nkat·g−1)，两者差异显著(P＜0.05)。结合生根过程的观察，25 d是插穗不定根大量形成期；说明SOD增加有利于楸树插穗快速生根。
2.2.2 插穗内POD活性的变化
POD与插穗生根有着密切的联系，对植物的细胞发育起着重要的作用。由图1B可知：扦插后POD活性呈先增加再下降后趋于平稳的趋势。GGR-6处理的插穗，扦插后5~10 d，POD活性显著增加，10 d达最大值(72.30×16.67 nkat·g−1)，之后显著下降，至25 d时降到42.75×16.67 nkat·g−1，接近扦插后5 d的水平，之后又略上升。与对照相比，整个扦插过程中，GGR-6处理的插穗POD活性均高于对照，且在扦插后10 d达到显著差异(P＜0.05)。扦插后10 d是插穗大量愈伤组织产生时期，说明POD活性与愈伤组织形成有关。
2.2.3 插穗内PPO活性的变化
PPO是具有催化作用的酚类物质，和吲哚乙酸(IAA)生成“IAA-酚酸复合物”，可促进插穗不定根形成。由图1C可知：GGR-6处理后，插穗内PPO活性呈上升趋势，20 d时达到最大值(57.44×16.67 nkat·g−1)；在5~20 d，GGR-6处理的插穗PPO活性高于对照组，且在15和20 d时达到显著差异(P＜0.05)。此阶段是不定根大量形成阶段，推断PPO增加促进了插穗生根。
2.2.4 生根关联酶的相关性分析
由表2可知：POD、PPO活性与插穗生根率都有很高的相关性，插穗生根率与PPO活性呈极显著正相关(P＜0.01)，与POD活性呈显著正相关(P＜0.05)，但与SOD活性的相关性未达到显著水平(P＞0.05)。
表 2 SOD、POD、PPO活性与生根率的相关性Table 2 Correlation of SOD, POD, PPO activity and rooting rate指标 生根率 SOD活性 POD活性 PPO活性 生根率 1 SOD活性 0.68 1 POD活性 0.87* 0.98** 1 PPO活性 0.93** 0.76 0.94** 1 说明：*和**分别表示在0.05和0.01水平上显著相关 2.3 营养物质的变化
2.3.1 插穗内可溶性糖的变化
可溶性糖是植物体生命活动最直接的能量来源，为插穗不定根的形成提供所需的营养，有利于插穗的生根。由图2A可知：可溶性糖质量分数表现为快速下降再上升，之后又下降的特点，GGR-6处理与对照均在扦插10 d时降到最低值，此时为愈伤组织出现期，说明营养物质被大量消耗。GGR-6处理后插穗可溶性糖在扦插后15 d达到最大值(29.96 mg·g−1)，且与对照达到显著差异(P＜0.05)，之后明显下降；说明可溶性糖是扦插阶段主要能量来源。扦插后35 d后可溶性糖质量分数略有升高，认为与此时根系形成、地上部分光合能力恢复有关。
2.3.2 插穗内可溶性蛋白质的变化
可溶性蛋白质对插穗内细胞生长分化起调节作用，是插穗生长发育必需的营养物质。由图2B可知：扦插后5~10 d，GGR-6处理组可溶性蛋白质质量分数急剧减少，由最初的2.71 mg·g−1降为1.56 mg·g−1，降低了42%左右，与对照差异显著(P＜0.05)；15~20 d又小幅升高，但均低于初始值。对照插穗可溶性蛋白质也呈下降趋势，但其变化幅度小于GGR-6处理组。
2.3.3 插穗内总氮的变化
由图2C可知：扦插5~10 d，GGR-6处理插穗总氮质量分数逐渐上升，扦插后10 d达到最大值(1.80 mg·g−1)，之后明显降低；与对照相比，处理插穗扦插后10 d，总氮质量分数显著增加(P＜0.05)。插穗内总氮质量分数在扦插过程中表现为下降趋势，GGR-6处理下降幅度大于对照，说明总氮快速消耗有利于不定根的形成。
2.3.4 插穗内碳氮比(C/N)的变化
C/N与插穗的生根率有关。由图2D可知：扦插后5~10 d，GGR-6处理插穗内C/N急剧下降，10 d时达到最小值(7.43)，之后又快速上升，在扦插后20 d达到最大值(20.41)。对照也出现相似变化趋势，但上升的幅度小于GGR-6处理组。在10~15 d时处理与对照间差异显著(P＜0.05)。生根前碳水化合物消耗多于氮，C/N明显下降，进入大量生根阶段(15~20 d)，氮素消耗增加，C/N显著增加；反映在生根阶段，较高的C/N能促进根系的形成。
2.3.5 生根营养物质的相关性分析
插穗内营养物质质量分数与插穗生根率之间有着紧密的联系，是插穗生根的必要条件之一。对各因素的相关性分析表明(表3)：插穗生根率与可溶性蛋白质、可溶性糖、C/N均正相关，与总氮负相关。C/N与可溶性糖、总氮间也表现为显著相关。
表 3 营养物质质量分数与生根率的相关性Table 3 Correlation of nutrient content and rooting rate指标 生根率 w可溶性糖 w可溶性蛋白质 w总氮 C/N 生根率 1 w可溶性糖 0.82* 1 w可溶性蛋白质 0.96** 0.61 1 w总氮 −0.69 −0.44 −0.78 1 C/N 0.83* 0.94** 0.66 −0.81* 1 说明：*和**分别表示在0.05和0.01水平上显著相关 2.4 抑制物质的鉴定
生根不同阶段插穗的甲醇提取物经GC-MS鉴定分析，筛选出总离子流色谱中峰面积较大、质谱图与计算机检索谱库图吻合性较好的主要有机化合物。由表4可知：插穗扦插前期可明确鉴定出9种物质，其中峰面积较大、相似度较高的有6种，分别为棕榈酸(14.69%)、维生素E(12.07%)、亚油酸(11.05%)、邻苯二甲酸(10.87%)、6-叔丁基苯酚(9.43%)和槲皮素(8.37%)，相对含量较高；其次是硬脂酸(6.48%)、乙酸十八脂(6.47%)和植物甾醇(3.28%)，相对含量较低；其中维生素E、乙酸十八脂仅出现于扦插前期。愈伤组织形成期，亚油酸、硬脂酸、棕榈酸、槲皮素相对含量均明显下降，6-叔丁基苯酚、植物甾醇的相对含量增加；至扦插生根期，亚油酸、棕榈酸、槲皮素相对含量继续下降，植物甾醇的相对含量由愈伤组织时期的6.96%上升到35.22%，在整个生根的过程中呈现逐渐上升的趋势。新出现十六碳三烯酸甲酯、邻苯三酚、2-羟基苯乙酸等物质，而硬脂酸、6-叔丁基苯酚未检测到。
表 4 有机化合物种类及相对含量Table 4 Types and relative contents of the organic compounds阶段 邻苯二甲酸/% (9E，12E)-亚油酸/% 硬脂酸/% 乙酸十八脂/% 棕榈酸/% 6-叔丁基苯酚/% 槲皮素/% 植物甾醇/% 扦插前期 10.87 11.05 6.48 6.47 14.69 9.43 8.37 3.28 愈伤期 8.15 2.08 6.33 13.21 4.56 6.96 生根期 2.65 4.45 3.74 2.92 35.22 阶段 维生素E/% 十六碳三烯酸甲酯/% 硬脂腈/% 邻苯三酚/% 二十烷 2-羟基苯乙酸/% 未知/% 扦插前期 12.07 愈伤期 5.65 6.16 8.01 生根期 28.86 2.99 7.44 3. 讨论与结论
植物生长调节剂能够提高插穗生根率[23]。本研究中，GGR-6对楸树生根率有明显促进作用，插穗平均生根率达到82%以上，显著缩短了不定根的出现到大量形成的时间。
酶保护系统是植物在逆境条件下对有害物质消长变化的响应机制，对根原基和愈伤组织的形成起积极作用。有研究表明：植物生长调节剂浸泡可以提高插穗内SOD、POD活性，且最大值出现在不定根发生阶段[24]。本研究发现：楸树嫩枝扦插过程中，SOD、PPO的峰值均出现在不定根形成期，分别在扦插后第25天和第20天。扦插初期，SOD活性增强，抗逆性增加，保护了楸树扦插生根环境，促进了不定根的发生；扦插生根后，SOD活性下降，与新叶形成后光合作用恢复、自由基含量下降有关[9]。PPO通过与IAA互作合成大量生根辅助因子，促进了插穗生根[10]。POD活性在5~10 d显著增强，之后大幅下降。POD活性增加，可清除过氧化氢等物质，增强细胞壁强度和细胞发育，促进愈伤组织形成[25]。
充足的营养物质是插穗扦插生根的必要条件之一。赵爽等[26]发现：山木通Clematis finetiana生根过程中，可溶性糖质量分数在不定根诱导期下降，在根系表达期和生长后期回升；可溶性蛋白质质量分数在扦插后逐渐下降，至插穗大量生根期低至谷值。本研究发现：插穗生根率与可溶性糖质量分数、C/N显著正相关，与可溶性蛋白质极显著正相关。扦插10 d后愈伤组织大量形成，此时可溶性糖比扦插5 d时降低约30%，说明可溶性糖是植物体生命活动最直接的能量来源。整个生根阶段可溶性蛋白质质量分数均处于较低水平，反映它在提供插穗营养方面作用明显。但也有研究[27]发现：可溶性糖质量分数在侧柏Platycladus orientalis古树愈伤组织形成期有不同程度的升高，推测与树木年龄及树种遗传特性有关。本研究发现C/N最大值出现在扦插后20 d，认为前期消耗碳水化合物较氮素多，在进入大量生根期时，氮素的消耗增加，C/N也逐渐增加，与张应团[28]对紫玉兰Magnolia liliflora绿枝扦插研究结果一致。
有研究表明[29]：亚油酸、棕榈酸抑制细胞增值，类黄酮类物质槲皮素抑制α-葡萄糖苷酶活性，某些酚醇类物质(植物甾醇)可能是内源生长素的增效剂。魏树强[30]在对杂交鹅掌楸Liriodendron chinensis进行扦插繁殖时发现：其韧皮部浸出液抑制白菜Brassica pekinensis籽发芽生长，推测这些物质可能是杂交鹅掌楸扦插生根的抑制物质。王顺财[31]在研究楸树嫩枝扦插繁殖时发现：金丝楸Catalpa bungei韧皮部生根抑制物质较多。朱鹏等[32]利用气相色谱测定了扦插过程中酚类和醇类等物质的变化，发现这些物质质量浓度与抑制强度基本一致；认为扦插生根困难的树种，其插穗韧皮部中存在抑制生根的物质。本研究发现：楸树扦插过程中植物甾醇相对含量上升，槲皮素、亚油酸、棕榈酸的相对含量下降，推断植物甾醇为楸树生根促进物质，槲皮素、亚油酸、棕榈酸为生根抑制物质。
关于生根抑制物质的作用机制目前尚无定论，推测其主要作用包括2个方面：一是抑制物质削弱了生长素的促进作用，二是部分抑制物质如树脂和单宁类等，容易在切口表面堵塞，影响插穗的营养物质和水分的运输，从而降低了扦插生根率。本研究仅对GGR-6处理的样品进行检测，分离的化合物种类偏少，结合楸树扦插过程中根系形成进程，初步推测其在楸树生根过程中的功能。后期研究还需要改进样品提取方法，提高纯度，通过质谱检验分析及外源处理等，掌握相关物质在楸树扦插生根过程中的作用机制，为解决楸树扦插生根困难等问题提供更有效的理论依据。
-
图 2 背负式LiDAR点云分类结果
Figure 2 Point cloud classification results of backpack laser scanning (BLS)
表 1 样地信息统计
Table 1. Statistics of the sample plots
样地编号 优势树种 林木株数 胸径/cm 树高/m 最小值 最大值 平均值 标准差 最小值 最大值 平均值 标准差 1 云南松 23 6.2 33.3 18.6 6.1 1.9 12.9 8.0 2.3 2 云南松 15 13.7 30.4 21.2 4.9 6.8 11.0 8.9 1.4 3 云南松 23 9.6 34.7 19.1 7.0 3.1 12.0 8.0 2.1 4 云南松 25 6.8 30.2 18.1 5.6 3.7 11.1 7.5 1.8 5 云南松 15 9.2 33.3 19.9 6.3 4.3 12.6 8.1 2.1 6 云南松 17 5.8 35.6 20.4 7.5 3.3 13.1 9.1 2.7 
下载: 导出CSV
表 2 配准后坐标差值
Table 2. Coordinate difference after registration
点对 X/m Y/m Z/m 目标点 参考点 差值 目标点 参考点 差值 目标点 参考点 差值 P0 246 951.78 246 952.09 −0.31 2 809 652.76 2 809 652.23 0.53 2 145.12 2 144.86 0.26 P1 246 964.23 246 964.17 0.06 2 809 657.58 2 809 656.73 0.85 2 146.89 2 146.97 −0.08 P2 246 960.83 246 960.94 −0.11 2 809 647.25 2 809 647.43 −0.18 2 144.64 2 144.40 0.24 P3 246 962.89 246 963.16 −0.27 2 809 640.78 2 809 640.67 0.11 2 145.68 2 145.86 −0.18 P4 246 965.49 246 964.96 0.53 2 809 645.85 2 809 645.44 0.41 2 144.43 2 144.72 −0.29 P5 246 974.35 246 974.42 −0.07 2 809 647.07 2 809 646.91 0.16 2 144.83 2 144.80 0.03
下载: 导出CSV
表 3 单木分割验证
Table 3. Individual tree segmentation verification
数据类型 参考株数/株 提取株数/株 正确分割株数/株 漏分株数/株 错分株数/株 单木分割精度评价结果 准确率/% 召回率/% F测度/% 背负式LiDAR 118 126 118 0 0 93.65 100.00 96.72 无人机机载LiDAR 118 111 105 7 6 94.59 88.98 91.70 融合点云 118 126 118 0 0 93.65 100.00 96.72
下载: 导出CSV
-
[1] WALLACE L, LUCIEER A, MALENOVSKÝ Z, et al. Assessment of forest structure using two UAV techniques: a comparison of airborne laser scanning and structure from motion (SfM) point clouds [J/OL]. Forests, 2016, 7(3): 62[2023-12-04]. doi:10.3390/f7030062. [2] 夏洪涛, 郭晓斌, 张珍, 等. 基于不同立地质量评价指标的杉木大径材林分树高-胸径模型[J]. 中南林业科技大学学报, 2023, 43(10): 80 − 88. XIA Hongtao, GUO Xiaobin, ZHANG Zhen, et al. Height-diameter model of Cunninghamia lanceolata large-diameter stands based on various site quality evaluation index [J]. Journal of Central South University of Forestry &Technology, 2023, 43(10): 80 − 88. [3] 刘鲁霞, 庞勇. 机载激光雷达和地基激光雷达林业应用现状[J]. 世界林业研究, 2014, 27(1): 49 − 56. LIU Luxia, PANG Yong. Applications of airborne laser scanning and terrestrial laser scanning to forestry [J]. World Forestry Research, 2014, 27(1): 49 − 56. [4] 韩婷婷. 激光雷达数据在森林垂直结构参数反演中的应用综述[J]. 北京测绘, 2020, 34(8): 1061 − 1065. HAN Tingting. Summarization of the application of LiDAR data in forest vertical structure parameters inversion [J]. Beijing Surveying and Mapping, 2020, 34(8): 1061 − 1065. [5] 杨军, 王帆, 宋仲禹. 基于背包激光雷达构建天然林蒙古栎胸径-树高模型[J]. 森林工程, 2023, 39(5): 57 − 64. YANG Jun, WANG Fan, SONG Zhongyu. Development of natural forest Quercus mongolica diameter-height curve model based on BLS [J]. Forest Engineering, 2023, 39(5): 57 − 64. [6] CORTE A P D, REX F E, de ALMEIDA D R A, et al. Measuring individual tree diameter and height using GatorEye high-density UAV-Lidar in an integrated crop-livestock-forest system [J/OL]. Remote Sensing, 2020, 12(5): 863[2023-12-04]. doi: 10.3390/rs12050863. [7] TAO Shengli, WU Fangfang, GUO Qinghua, et al. Segmenting tree crowns from terrestrial and mobile LiDAR data by exploring ecological theories [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 110: 66 − 76. [8] 李丹, 庞勇, 岳彩荣, 等. 基于TLS数据的单木胸径和树高提取研究[J]. 北京林业大学学报, 2012, 34(4): 79 − 86. LI Dan, PANG Yong, YUE Cairong, et al. Extraction of individual tree DBH and height based on terrestrial laser scanner data [J]. Journal of Beijing Forestry University, 2012, 34(4): 79 − 86. [9] 黄旭, 贾炜玮, 王强, 等. 背包式激光雷达的落叶松单木因子提取[J]. 森林工程, 2019, 35(4): 14 − 21. HUANG Xu, JIA Weiwei, WANG Qiang, et al. Study on individual tree factor extraction of Larix olgensis in backpack LiDAR [J]. Forest Engineering, 2019, 35(4): 14 − 21. [10] 丁志文, 邢艳秋, 尹伯卿, 等. 融合无人机和地基激光雷达点云数据估测单木结构参数[J]. 森林工程, 2024, 40(1): 142 − 151. DING Zhiwen, XING Yanqiu, YIN Boqing, et al. Fusion of UAV and TLS LiDAR point cloud data for estimating individual tree structure parameters [J]. Forest Engineering, 2024, 40(1): 142 − 151. [11] 李增元, 刘清旺, 庞勇. 激光雷达森林参数反演研究进展[J]. 遥感学报, 2016, 20(5): 1138 − 1150. LI Zengyuan, LIU Qingwang, PANG Yong. Review on forest parameters inversion using LiDAR [J]. Journal of Remote Sensing, 2016, 20(5): 1138 − 1150. [12] 武艳朵. 基于无人机航测数据的森林结构参数提取[D]. 兰州: 兰州交通大学, 2023. WU Yanduo. Forest Structure Parameter Extraction Based on UAV Aerial Survey Data [D]. Lanzhou: Lanzhou Jiaotong University, 2023. [13] 陈思宇, 刘宪钊, 王懿祥, 等. 基于机载LiDAR的高郁闭度华北落叶松林单木识别[J]. 浙江农林大学学报, 2022, 39(4): 800 − 806. CHEN Siyu, LIU Xianzhao, WANG Yixiang, et al. Individual tree detection in the high canopy density Larix principis- rupprechtii forest based on airborne LiDAR [J]. Journal of Zhejiang A&F University, 2022, 39(4): 800 − 806. [14] 朱泊东. 高郁闭度人工林无人机激光雷达单木分割方法研究[D]. 昆明: 西南林业大学, 2024. ZHU Bodong. Research on Individual Tree Segmentation Method of UAV LiDAR in High Canopy Density Plantation [D]. Kunming: Southwest Forestry University, 2024. [15] POLEWSKI P, YAO Wei, CAO Lin, et al. Marker-free coregistration of UAV and backpack LiDAR point clouds in forested areas [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 147: 307 − 318. [16] 张信杰, 郑焰锋, 温坤剑, 等. 融合机载和背包激光雷达的桉树单木因子估测[J]. 林业资源管理, 2022(6): 131 − 137. ZHANG Xinjie, ZHENG Yanfeng, WEN Kunjian, et al. Estimation of single tree factor of eucalyptus by merging airborne and backpack LiDAR [J]. Forest Resources Management, 2022(6): 131 − 137. [17] 李凤日. 测树学[M]. 北京: 中国林业出版社, 2019. LI Fengri. Forest Mensuration [M]. Beijing: China Forestry Publishing House, 2019. [18] 陈春旭, 漆钰晖, 朱一帆, 等. ICP 配准算法的影响因素及评价指标分析[J]. 导航定位与授时, 2018, 5(5): 67 − 72. CHEN Chunxu, QI Yuhui, ZHU Yifan, et al. Analysis of influencing factors and evaluation index of ICP registration algorithm [J]. Navigation,Positioning and Timing, 2018, 5(5): 67 − 72. [19] 张玉薇, 张超, 王娟, 等. 基于UAV遥感的单木冠幅提取及胸径估算模型研究[J]. 林业资源管理, 2021(3): 67 − 75. ZHANG Yuwei, ZHANG Chao, WANG Juan, et al. Individual tree crown width extraction and DBH estimation model based on UAV remote sensing [J]. Forest Resources Management, 2021(3): 67 − 75. [20] 贾鹏刚, 夏凯, 董晨, 等. 基于无人机影像的银杏单木胸径预估方法[J]. 浙江农林大学学报, 2019, 36(4): 757 − 763. JIA Penggang, XIA Kai, DONG Chen, et al. Predicting DBH of a single Ginkgo biloba tree based on UAV images [J]. Journal of Zhejiang A&F University, 2019, 36(4): 757 − 763. [21] GAO Sha, ZHANG Zhengnan, CAO Lin. Individual tree structural parameter extraction and volume table creation based on near-field LiDAR data: a case study in a subtropical planted forest [J/OL]. Sensors, 2021, 21(23): 8162[2023-12-04]. doi: 10.3390/s21238162. [22] 代婷婷. 基于UAV和 TLS 的林木参数提取[D]. 南京: 南京林业大学, 2020. DAI Tingting. Forest Structure Parameter Extraction Based on UAV and TLS [D]. Nanjing: Nanjing Forestry University, 2020. [23] 朱俊峰, 刘清旺, 崔希民, 等. 地基与无人机激光雷达结合提取单木参数[J]. 农业工程学报, 2022, 38(14): 51 − 58. ZHU Junfeng, LIU Qingwang, CUI Ximin, et al. Extraction of individual tree parameters by combining terrestrial and UAV LiDAR [J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(14): 51 − 58. [24] FEKRY R, YAO Wei, CAO Lin, et al. Ground-based/UAV-LiDAR data fusion for quantitative structure modeling and tree parameter retrieval in subtropical planted forest [J/OL]. Forest Ecosystems, 2022, 9: 100065[2023-12-04]. doi: 10.1016/j.fecs.2022.100065. [25] SHAO Jie, YAO Wei, WAN Peng, et al. Efficient co-registration of UAV and ground LiDAR forest point clouds based on canopy shapes [J/OL]. International Journal of Applied Earth Observation and Geoinformation, 2022, 114: 103067[2023-12-04]. doi: 10.1016/j.jag.2022.103067. [26] 徐华东, 陈文静, 刘华. 基于三维激光扫描的单木胸径和树高提取[J]. 森林与环境学报, 2019, 39(5): 524 − 529. XU Huadong, CHEN Wenjing, LIU Hua. Single-wood DBH and tree height extraction using terrestrial laser scanning [J]. Journal of Forest and Environment, 2019, 39(5): 524 − 529. [27] 刘鲁霞, 庞勇, 李增元. 基于地基激光雷达的亚热带森林单木胸径与树高提取[J]. 林业科学, 2016, 52(2): 26 − 37. LIU Luxia, PANG Yong, LI Zengyuan. Individual tree DBH and height estimation using terrestrial laser scanning (TLS) in a subtropical forest [J]. Scientia Silvae Sincae, 2016, 52(2): 26 − 37. [28] 邱琴, 张文革, 王蕾, 等. 基于背包式激光雷达的天山云杉林单木因子估测[J]. 林业资源管理, 2021(2): 99 − 109. QUI Qin, ZHANG Wen’ge, WANG Lei, et al. Estimation of single wood factor of Picea schrenkiana var. tianshanica forest based on backpack LiDAR [J]. Forest Resources Management, 2021(2): 99 − 109. 期刊类型引用(13)
1. 王涛，黄涛，孙李勇，彭大庆，朱长红，陈小溪，李淑娴. 不同激素处理和扦插时间对幼化乌桕嫩枝扦插生根的影响. 中南林业科技大学学报. 2024(03): 44-55+99 . 
百度学术2. 袁振安，杜文婷，刘国华，毛霞，洑香香. 东京四照花嫩枝扦插繁殖及生根过程中生理指标的动态变化. 浙江农林大学学报. 2024(03): 624-633 . 本站查看3. 钟明霞，艾万峰，袁欣，黄一鹤，魏俊，王玉涛，陆秀君. 不同外源物质对蒙古栎插穗生根及基部生理生化的影响. 林业科学研究. 2024(04): 108-116 . 百度学术4. 蒋浩哲，丁洁平，杨晋良，朱梦铃，刘宁鸽，梁慧玲. 茶树全光照喷雾扦插影响因素研究进展. 中国茶叶. 2023(03): 19-25 . 百度学术5. 冯青春，纪薇，杨忠义，梅俊杰. 楸树无性繁殖关键技术研究. 陕西林业科技. 2023(01): 25-29+39 . 百度学术6. 黄光卫，肖京武，张斌，陆佳，胡育文，陈乔松，谢昱昀. 黄檀扦插生根过程中叶片营养物质含量变化研究. 湖南林业科技. 2023(03): 102-106 . 百度学术7. 李振芳，张亚东，陈慧玲，张新叶，樊孝萍. 不同楸树品种根段及枝干萌条内源激素质量分数及扦插生根率. 东北林业大学学报. 2023(09): 28-33 . 百度学术8. 朱晓宇，童婉婉，赵楚，田如男. 冬青‘长叶阿尔塔’扦插生根及解剖学研究. 浙江农林大学学报. 2022(02): 347-355 . 本站查看9. 卜晓婷，乔孝禄，徐晓华，徐志标，翟金庭，李淑娴. 母树年龄、采穗时期和抑制物质对纳塔栎生根的影响. 东北林业大学学报. 2022(02): 11-16+28 . 百度学术10. 苗大鹏，贾瑞瑞，李胜皓，席烁，朱葛，文书生. 木本植物不定根发生机制研究进展. 浙江农林大学学报. 2022(04): 902-912 . 本站查看11. 连晓倩，潘洁琳，黄勇来，马祥庆，吴鹏飞. 杉木采穗母树根基环境处理对穗条生长及生理特性影响. 西北林学院学报. 2022(06): 48-53 . 百度学术12. 熊伟，翁小婷，陈尚钘，王宗德，范国荣，张桧，何晨，朱洪坤，毛卓佳，汪加魏. 各生理因素对山苍子茎段插穗生根成活的影响. 经济林研究. 2022(04): 72-80+114 . 百度学术13. 喻振宇，范俊俊，马敬泽，邓梦，李奇阳，陆影，蔡军火，宰学明. 外施植物生长调节剂对山荆子扦插生根的影响. 中国野生植物资源. 2021(06): 25-30 . 百度学术其他类型引用(10)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20240107
点击查看大图
计量
- 文章访问数: 424
- HTML全文浏览量: 164
- PDF下载量: 37
- 被引次数: 23
