摘要：【目的】針對(duì)直接使用地面激光雷達(dá)生成的冠層高度模型（canopy height model，CHM）和歸一化點(diǎn)云（normalized point cloud，NPC）在復(fù)雜林分探測中存在單木探測能力不足的問題，研究引入點(diǎn)云切片結(jié)合聚類的方法以提高單木探測精度?！痉椒ā恳詮V西壯族自治區(qū)6個(gè)不同林分密度的人工林樣地為研究對(duì)象，利用地面激光掃描獲取樣地的歸一化點(diǎn)云數(shù)據(jù)，提取高度在1.3 m處的點(diǎn)云切片，分別采用基于密度噪聲應(yīng)用空間聚類（DBSCAN）和均值漂移聚類（MS）算法對(duì)切片中的樹干點(diǎn)云進(jìn)行聚類。利用野外實(shí)測調(diào)查數(shù)據(jù)進(jìn)行精度驗(yàn)證，并與基于CHM的局部最大值算法和基于NPC的點(diǎn)云分割算法（point cloud segmentation，PCS）的探測結(jié)果對(duì)比，評(píng)價(jià)和分析不同探測方法的適用性與參數(shù)敏感性?！窘Y(jié)果】所有方法均可獲得良好的探測結(jié)果，各樣地的最優(yōu)總體探測精度得分F≥ 0.86；點(diǎn)云切片結(jié)合聚類算法的單木探測方法結(jié)果最優(yōu)。DBSCAN算法的聚類閾值（Eps）和均值漂移算法的聚類半徑可顯著影響單木探測率，最大Eps取決于最大林木間距，聚類半徑接近最大單木胸徑時(shí)的探測結(jié)果最優(yōu)?！窘Y(jié)論】基于點(diǎn)云切片結(jié)合聚類算法的單木探測能提高下層林木探測率，可有效改善高密度林分的單木探測精度，為不同林分的單木探測方法選擇提供參考。

關(guān)鍵詞：地面激光掃描；單木探測；點(diǎn)云切片；聚類算法；林木參數(shù)提取；人工林

中圖分類號(hào)：S758；TP391"""""" 文獻(xiàn)標(biāo)志碼：A開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

文章編號(hào)：1000-2006（2024）04-0113-10

Research on TLS single tree detection method based on point cloud slicing combined with clustering algorithm

YI Jing1， MA Kaisen1，2， XIANG Jianping3， TANG Jie1， JIANG Fugen1， CHEN Song1， SUN Hua1

（1.Research Center of Forestry Remote Sensing amp; Information Engineering， Central South University of Forestry and Technology， Key Laboratory of Forestry Remote Sensing Based Big Data amp; Ecological Security for Hunan Province， Key Laboratory of National Forestry and Grassland Administration on Forest Resources Management and Monitoring in Southern China， Changsha 410004，China; 2. National-Local Joint Engineering Laboratory of Geo-Spatial Information Technology， Hunan University of Science amp; Technology， Xiangtan" 411201， China; 3.Lutou Experimental Forest Farm， Central South University of Forestry and Technology， Yueyang 414000， China）

Abstract： 【Objective】 To solve the problem that" a canopy height model （CHM） and normalized point cloud （NPC） directly generated by terrestrial laser scanning （TLS） are not capable of detecting individual trees in complex stands， this study introduced the method of point cloud slicing combined with clustering to improve the detection accuracy. 【Method】 In this study， six sample plots in a plantation with different stand densities in Guangxi Zhuang Autonomous Region， China， were used as the research objects. First， the NPC data of a sample plot obtained by TLS were used to extract point cloud slices at a height of 1.3 m， and then the density-based spatial clustering of applications with noise （DBSCAN） and mean shift algorithms were used to cluster the tree trunk point clouds in the slices. The accuracy was verified by the field survey data， and the detection results were compared with those of the local maximum algorithm based on a CHM， and a point cloud segmentation algorithm based on an NPC. The applicability and parameter sensitivity of the different detection methods were evaluated and analyzed. 【Result】 Satisfactory detection results were obtained by all methods， and the optimal detection accuracy F-score was ≥ 0.86 for each sample plot. The individual tree detection method using point cloud slicing combined with a clustering algorithm produced better results. The clustering threshold epsilon neighborhood （Eps） value of the DBSCAN algorithm and the clustering radius r of the mean shift algorithm significantly affected the individual tree detection rate， with the maximum Eps depending on the maximum stand spacing and optimum results when r was close to the maximum individual tree diameter at breast height. 【Conclusion】 Individual tree detection based on point cloud slicing combined with a clustering algorithm can increase the detection rate of understory trees lower forest， effectively improve the accuracy of single tree detection in dense stands， and provide a reference for the selection of single tree detection methods in different forest stands.

Keywords：terrestrial laser scanning; single tree detection; point cloud slicing; clustering algorithm; extraction of forest parameters; plantation

單木是森林的基礎(chǔ)單元，其結(jié)構(gòu)參數(shù)包括胸徑和樹高等，準(zhǔn)確獲取單木結(jié)構(gòu)參數(shù)是森林資源調(diào)查的重要任務(wù)，對(duì)森林資源經(jīng)營管理、碳儲(chǔ)量計(jì)量和評(píng)估森林生態(tài)價(jià)值等具有重要意義[1-2]。地面激光掃描（terrestrial laser scanning，TLS）作為一種主動(dòng)式遙感技術(shù)，可獲取包含森林空間結(jié)構(gòu)信息的林分高密度點(diǎn)云[3]，用于實(shí)現(xiàn)單木位置探測和結(jié)構(gòu)參數(shù)提取等[4-6]，已成為森林資源調(diào)查的新方式[7]。

單木探測是從地面激光雷達(dá)林分點(diǎn)云中獲取林木信息的基礎(chǔ)[8]。早期的單木探測研究主要選擇亞寒帶和溫帶的森林，以地面激光雷達(dá)林分點(diǎn)云生成的冠層高度模型（canopy height model，CHM）和歸一化點(diǎn)云（normalized point cloud，NPC）為數(shù)據(jù)基礎(chǔ)，利用數(shù)學(xué)算法從全局視角開展單木探測研究?；贑HM的單木探測采用局部最大值（local maximum，LM）、分水嶺、區(qū)域生長等算法，通過利用冠層的高度信息探測樹頂位置，在北美的白云杉（Picea glauca）[9]和我國的白皮松（Pinus bungeana）[10]林分內(nèi)均取得了良好的探測結(jié)果。但由于原始點(diǎn)云在插值生成CHM的過程中，會(huì)導(dǎo)致部分森林結(jié)構(gòu)信息等的丟失[11]，因此該類方法在林層結(jié)構(gòu)復(fù)雜的亞熱帶林區(qū)中具有一定的局限性?；贜PC的方法通常利用樹木點(diǎn)云的空間距離和結(jié)構(gòu)特征，如利用點(diǎn)云分割算法（point cloud segmentation，PCS）和體素空間聚類算法等進(jìn)行單木探測[12-14]。此類方法在稀疏的針葉混交林中具有良好適用性，可獲得準(zhǔn)確的單木探測結(jié)果，但易受林分點(diǎn)云中的噪點(diǎn)影響，且對(duì)于優(yōu)勢冠層下的低矮林木探測能力有限[11，15]。

針對(duì)亞熱帶人工林下層林分的樹干點(diǎn)云空間結(jié)構(gòu)信息，可采用點(diǎn)云切片結(jié)合聚類算法開展單木探測。常用的聚類算法包括K均值聚類、基于密度噪聲應(yīng)用空間聚類（density-based spatial clustering of applications with noise，DBSCAN）、最大最小值聚類、均值漂移聚類（mean shift，MS）等[16-17]，其中，K均值聚類和最大最小值聚類需設(shè)置先驗(yàn)參數(shù)以確定聚類的簇?cái)?shù)，而DBSCAN和均值漂移聚類是以點(diǎn)云的空間密度為基礎(chǔ)，可對(duì)任意形狀的點(diǎn)云簇進(jìn)行聚類，更適用于林分切片點(diǎn)云的樹干探測[18-21]。

因此，本研究以廣西6個(gè)林分密度的人工林樣地為對(duì)象，運(yùn)用基于點(diǎn)云切片的DBSCAN和均值漂移聚類開展單木探測，并與基于CHM的局部最大值算法和基于歸一化點(diǎn)云的PCS算法的探測結(jié)果對(duì)比，分析不同方法的適用性與參數(shù)敏感性。以各樣地的最優(yōu)探測結(jié)果為基礎(chǔ)，提取單木胸徑和樹高參數(shù)，以期解決高密度林分的單木探測精度低的問題，同時(shí)為不同林分的單木探測方法選擇提供參考。

1 材料與方法

1.1 研究區(qū)概況

廣西壯族自治區(qū)地處云貴高原東南邊緣（104°28′～112°04′E， 20°54′～26°23′N），屬亞熱帶季風(fēng)氣候和熱帶季風(fēng)氣候區(qū)，各地年平均氣溫17.6～23.8 ℃，年降水量723.9～2 983.8 mm，年日照時(shí)間1 231～2 209 h，雨水豐沛，光照充足，植物可以全年生長。廣西是全國人工林面積最大的省份，人工林面積約7.34萬hm2，主要樹種為桉樹（Eucalyptus robusta）和杉木（Cunninghamia lanceolata），分別占人工林面積的34.9%和20.4%。

1.2 數(shù)據(jù)獲取與處理

1.2.1 樣地實(shí)測數(shù)據(jù)

于2020年11月對(duì)6個(gè)林分密度的人工林樣地進(jìn)行地面調(diào)查，樣地位于桂林市、防城港市、來賓市和柳州市。樣地大小為25.82 m×25.82 m，林分密度為420～1 710株/hm2，依據(jù)林木的分布情況分為均勻分布、聚集分布、局部聚集分布、離散分布4種類型。利用實(shí)時(shí)動(dòng)態(tài)差分定位技術(shù)（real-time kinematic，RTK）對(duì)樣地邊界和樹木進(jìn)行定位，記錄胸徑為5 cm及以上的單木的胸徑（diameter at breast height，DBH）和樹高等參數(shù)。樣地調(diào)查情況如表1。

1.2.2 TLS數(shù)據(jù)獲取及預(yù)處理

樣地TLS點(diǎn)云的采集與樣地調(diào)查同步進(jìn)行，采用的地面激光雷達(dá)掃描儀型號(hào)為Riegl VZ-400i，掃描參數(shù)設(shè)置激光發(fā)射頻率為1 200 kHz，有效測量速度為42 000點(diǎn)/s，垂直掃描角度為100° （-40°～60°），水平掃描角度為360°。以多站掃描配準(zhǔn)的方式獲取樣地點(diǎn)云，在樣地各角點(diǎn)及中心布設(shè)5個(gè)掃描站，林分的通視條件較差時(shí)需增加掃描站數(shù)。標(biāo)靶球不少于10個(gè)，在樣地內(nèi)均勻布設(shè)，確保每個(gè)角點(diǎn)都能觀測到不少于7個(gè)標(biāo)靶，相鄰掃描站點(diǎn)之間的公共標(biāo)靶球在3個(gè)以上。最終獲得平均點(diǎn)間距為4 mm、測量精度小于5 mm的林分高密度點(diǎn)云數(shù)據(jù)，結(jié)果如圖1所示。

TLS數(shù)據(jù)處理包括點(diǎn)云去噪、地面點(diǎn)濾波、CHM提取和點(diǎn)云歸一化。①采用基于點(diǎn)云鄰域標(biāo)準(zhǔn)差倍數(shù)的去噪算法[22]剔除點(diǎn)云中的噪聲點(diǎn)和冗余點(diǎn)。②利用改進(jìn)的漸進(jìn)式不規(guī)則三角網(wǎng)加密（IPTD）算法[23]將樣地點(diǎn)云分成地面點(diǎn)云和植被點(diǎn)云。③對(duì)植被最上層點(diǎn)云和地面點(diǎn)云采用不規(guī)則三角網(wǎng)插值算法[24]生成數(shù)字表面模型（DSM）和數(shù)字高程模型（DEM），二者相減獲取CHM。④對(duì)分類后所得植被點(diǎn)的高程值減去垂直方向投影平面上距離其最近的地物點(diǎn)高程值，得到該點(diǎn)的新高程，并將地面點(diǎn)高程賦值為0，最終獲取樣地的歸一化點(diǎn)云。

1.3 單木探測及參數(shù)提取

1.3.1 單木探測方法

研究分別采用基于CHM的局部最大值算法[25-27]和基于歸一化點(diǎn)云的PCS算法[12]進(jìn)行單木探測，針對(duì)兩種方法在復(fù)雜樣地探測精度低的問題，引入了點(diǎn)云切片結(jié)合聚類算法的單木探測方法，并比較不同探測方法的優(yōu)劣及其參數(shù)敏感性。點(diǎn)云切片結(jié)合聚類算法的單木探測研究方法如下：

首先，提取歸一化點(diǎn)云在高程為（1.3±0.05）m的點(diǎn)云，剔除該數(shù)據(jù)集內(nèi)低矮的雜灌點(diǎn)云，最終得到的點(diǎn)云切片中包含8 000～12 000個(gè)點(diǎn)。在此基礎(chǔ)上，對(duì)點(diǎn)云切片分別采用DBSCAN和均值漂移兩種聚類算法進(jìn)行單木探測。

1）DBSCAN算法。該算法是一種基于密度的空間聚類算法，通過檢索空間內(nèi)的點(diǎn)集在聚類閾值（Eps）范圍內(nèi)的鄰域點(diǎn)t （x1， y1， z1），若鄰域點(diǎn)數(shù)量達(dá)到最小聚類點(diǎn)數(shù)，則該點(diǎn)標(biāo)記為核心點(diǎn)Si（Xi， Yi， Zi） （i=0，Ⅰ，Ⅱ，Ⅲ…）。若兩相鄰核心點(diǎn)如S和SⅠ （XⅠ， YⅠ， ZⅠ）的歐氏距離小于Eps，則稱SⅠ由S密度可達(dá)，記為S→SⅠ，S、SⅠ以及二者聚類閾值范圍內(nèi)的點(diǎn)共同形成聚類簇；經(jīng)過數(shù)次迭代后得到聚類結(jié)果[16]。一般來說，Eps設(shè)置得越大或最小聚類點(diǎn)數(shù)越小，得到的聚類簇個(gè)數(shù)就越少[18]。Eps對(duì)聚類結(jié)果存在較大影響，最小聚類點(diǎn)數(shù)往往根據(jù)點(diǎn)云切片的點(diǎn)密度情況而調(diào)整。因此，筆者設(shè)置最小聚類點(diǎn)數(shù)為40，然后對(duì)Eps開展參數(shù)敏感性分析。

2）均值漂移聚類。該算法是一種基于非參數(shù)概率密度聚類算法[21，28]，以點(diǎn)云切片內(nèi)任意一點(diǎn)作為起始聚類中心點(diǎn)O （X， Y， Z），聚類半徑為r，計(jì)算其他點(diǎn)P（x， y， z）到點(diǎn)O的距離d，若d≤ r，則對(duì)點(diǎn)P進(jìn)行標(biāo)記并加入集合Qr，將點(diǎn)O對(duì)點(diǎn)P的訪問次數(shù)加1（起始值為0）。計(jì)算Qr的質(zhì)心，得到O′ （X′， Y′， Z′），計(jì)算O與O′距離DOO′，將聚類中心移至O′，以O(shè)′為聚類中心迭代上述過程直到DOO′收斂，此時(shí)將O′點(diǎn)作為一類聚類中心輸出。接著，以切片內(nèi)未標(biāo)記點(diǎn)作為起始點(diǎn)重復(fù)上述步驟，直到所有點(diǎn)均被標(biāo)記。最后根據(jù)每個(gè)類對(duì)每個(gè)點(diǎn)的訪問次數(shù)，選擇訪問頻率最高的類作為當(dāng)前點(diǎn)集的所屬類，輸出所有類的中心坐標(biāo)即完成聚類。

d=（X-x）2+（Y-y）2+（Z-z）2；（1）

X′=1k∑xk∈Qrxk

Y′=1k∑yk∈Qryk

Z′=1k∑zk∈Qrzk；（2）

DOO′=（X′－X）2+（Y′－Y）2+（Z′－Z）2。（3）

式中：k為集合Qr中點(diǎn)的數(shù)量。

1.3.2 林木參數(shù)提取方法

單木探測后，利用點(diǎn)云切片進(jìn)行圓擬合估算胸徑，計(jì)算各單木的所有點(diǎn)（xi， yi）到其重心（xo， yo）的距離，距離的平均值即胸徑估測值DBH[19]，計(jì)算公式如下：

DBH=∑ni=1（xo－xi）2+（yo－yi）2/n。（4）

式中：n為點(diǎn)云切片中各單木點(diǎn)云的數(shù)量。

結(jié)合最優(yōu)單木探測結(jié)果所獲取的每木位置，采用Tao等[20]提出的基于生物學(xué)和生態(tài)學(xué)理論的比較最短路徑算法（CSP）分離單木點(diǎn)云。再對(duì)單木點(diǎn)云利用最大最小值法提取樹高參數(shù)，計(jì)算垂直方向單木點(diǎn)云的最大值Zmax與最小值Zmin之差即可得到樹高估測值[29]。

1.4 精度評(píng)價(jià)

利用實(shí)測單木位置與各單木探測方法提取單木位置進(jìn)行匹配，若探測單木對(duì)應(yīng)位置存在唯一實(shí)測單木，則為正確探測；若存在若干實(shí)測單木，則為漏探測；若不存在實(shí)測單木，則為過探測[30]。選取召回率Re、準(zhǔn)確率p、總體精度得分F作為精度的評(píng)價(jià)指標(biāo)[20]，計(jì)算公式為：

Re=NT/（NT+NO）；（5）

p=NT/（NT+NC）；（6）

F=2rp/（r+p）。（7）

式中：NT為正確探測的單木株數(shù)，NC為誤探測的單木株數(shù)，NO為漏探測的單木株數(shù)。

采用決定系數(shù)R2、均方根誤差（RMSE，式中記為σRMSE）和相對(duì)均方根誤差（rRMSE，式中記為σrRMSE）對(duì)提取的單木胸徑、樹高等參數(shù)進(jìn)行精度評(píng)價(jià)[30]，計(jì)算方法如下。

R2=1－∑mi=1（y^i－yi）2/∑mi=1（y-i－yi）2；（8）

σRMSE=1m∑mi=1（y^i－yi）2；（9）

σrRMSE=σRMSE/y-i×100%。（10）

式中：m為正確分割的單木株數(shù)，y^i表示第i棵林木的提取參數(shù)，yi表示第i棵林木的實(shí)測參數(shù)，y-i表示實(shí)測參數(shù)的平均值。

2 結(jié)果與分析

2.1 不同方法的單木探測精度

將研究區(qū)6個(gè)樣地分別采用局部最大值LM算法、PCS算法、DBSCAN算法和均值漂移聚類4種方法的單木探測結(jié)果與樣地實(shí)測樹木位置進(jìn)行匹配。將單木實(shí)測位置和探測位置轉(zhuǎn)換到統(tǒng)一坐標(biāo)系下，以探測單木為中心，搜索其半徑0.5 m范圍以內(nèi)的實(shí)測單木，再根據(jù)匹配規(guī)則對(duì)單木探測結(jié)果進(jìn)行判斷。以召回率Re、準(zhǔn)確率p和總體精度得分F進(jìn)行精度評(píng)價(jià)，結(jié)果如表2所示。6個(gè)樣地使用不同方法時(shí)，最優(yōu)的總體精度得分F ≥ 0.86，說明地面激光雷達(dá)對(duì)不同樣地均可獲取良好的單木探測結(jié)果。局部最大值算法和PCS算法在樣地2的探測精度最低，F(xiàn)得分分別為0.76和0.77；DBSCAN和均值漂移聚類在樣地6的探測精度最低，F(xiàn)得分分別為0.85和0.86?；邳c(diǎn)云切片的兩種聚類算法在每個(gè)樣地中均優(yōu)于使用CHM和NPC的探測結(jié)果，F(xiàn)得分比局部最大值和PCS算法提高了7.6%～12.5%。

以樣地6為例，分析4種方法在不同森林高度分層的單木探測情況，結(jié)果如圖2所示。

在林木高度超過 10 m時(shí)，4種方法的單木召回率均高于88%，說明上層林木能被有效探測；在林木高度為0～5 m時(shí)，單木召回率為38.46%～76.92%；說明下層林木存在大量漏召回。隨著林木高度降低，4種方法的探測率逐漸降低。

2.2 各方法的參數(shù)敏感性分析

為探索4種方法的關(guān)鍵參數(shù)對(duì)單木探測精度的影響及其在不同樣地的適用性，對(duì)局部最大值算法的CHM分辨率和窗口大小、PCS算法的距離閾值D、DBSCAN的聚類閾值Esp以及均值漂移聚類的聚類半徑r開展參數(shù)敏感性分析。

2.2.1 局部最大值算法

以樣地2、樣地3和樣地5為例，分析局部最大值算法的參數(shù)在不同林分密度和林木分布情況下的敏感性。CHM分辨率設(shè)置為0.1～0.5 m的探測結(jié)果如圖3所示，分辨率為0.1 m時(shí)，3個(gè)樣地的探測株數(shù)均遠(yuǎn)大于樣地實(shí)測株樹，表現(xiàn)為過探測；分辨率為0.5 m時(shí)的探測株數(shù)均小于實(shí)測株樹，表現(xiàn)為漏探測；分辨率為0.2 m時(shí)的探測結(jié)果最接近于實(shí)測值。結(jié)果表明，隨分辨率增大，單木探測株數(shù)不斷減少。因此，采用分辨率為0.2 m的CHM，設(shè)置窗口大小為1×1至10×10共10組參數(shù)，由圖3d可知，窗口大小為5×5時(shí)3個(gè)樣地的探測精度得分F均達(dá)到最高，分別為0.76、0.81、0.78。對(duì)局部最大值算法的兩個(gè)參數(shù)敏感性分析結(jié)果說明，林分條件不影響其參數(shù)設(shè)置，當(dāng)CHM分辨率和窗口大小的組合值最接近樣地優(yōu)勢樹種的樹冠半徑值時(shí)，樹木探測結(jié)果最優(yōu)。

2.2.2 PCS算法

以樣地3和樣地5為例，分析PCS算法在不同林分密度的參數(shù)敏感性。設(shè)置距離閾值D為0.3～3.0 m，步長0.3 m，探測結(jié)果如圖4所示。隨D的增大，樣地3的探測株數(shù)由132株下降至44株，樣地5由142株下降至36株；當(dāng)樣地3的距離閾值D為1.8 m、樣地5的D為0.9 m時(shí)，其探測精度最高，F(xiàn)分別為0.82和0.78。此外，D取0.9、1.8和2.4 m時(shí)，PCS在樣地3的單木探測細(xì)節(jié)如圖4c所示，D = 0.9 m時(shí)，屬于同一單木的點(diǎn)云被算法誤分為2棵，表現(xiàn)為過探測；D=2.4 m時(shí)，距離相近的3株單木被誤分為同一株，表現(xiàn)為漏探測；D=1.8 m時(shí)，可正確地探測3株單木。實(shí)驗(yàn)結(jié)果表明，單木探測株數(shù)隨距離閾值增大而減少，林分密度較大或林木距離較近時(shí)，需要設(shè)置更小的距離閾值，以獲取最優(yōu)的探測結(jié)果。

2.2.3 DBSCAN算法

提取樣地1、樣地3、樣地6的歸一化點(diǎn)云切片，分析林分密度對(duì)DBSCAN的參數(shù)敏感性，聚類閾值Eps設(shè)置為0.3 ～3.0 m，步長0.3 m，單木探測結(jié)果如圖5所示。由圖5可知，隨Eps的增大，樣地1的探測株數(shù)從28株到22株，探測精度得分F由1.00下降至0.20，當(dāng)Eps ≤ 1.8 m時(shí)均可獲得最佳探測結(jié)果；樣地3的探測株數(shù)從112株降到2株，探測精度得分F從0.90降到0，當(dāng)Eps ≤ 0.9 m時(shí)F得分在0.89以上；樣地6的探測株數(shù)從108株降到2株，對(duì)應(yīng)的F得分從0.85降到0，當(dāng)Eps ≤ 0.6 m時(shí)，F(xiàn)得分在0.85以上。實(shí)驗(yàn)結(jié)果說明，DBSCAN算法的單木探測株數(shù)隨Eps的增大而逐漸減少，最大Eps值由樣地中相鄰木的最小間距決定。

2.2.4 均值漂移聚類算法

選擇樣地3分析均值漂移聚類算法的參數(shù)敏感性，設(shè)置聚類半徑r為0.05～3.00 m，探測結(jié)果如圖6所示。當(dāng)rlt; 0.1 m時(shí)，樣地的單木探測株數(shù)遠(yuǎn)大于實(shí)測株數(shù)，表現(xiàn)為過探測；當(dāng)r接近樣地中最大單木胸徑為0.18 m時(shí)，探測結(jié)果穩(wěn)定，探測株數(shù)與實(shí)測株數(shù)相近，此時(shí)探測精度F最高，F(xiàn)=0.91；當(dāng)rgt; 0.5 m，單木探測株數(shù)小于實(shí)測株數(shù)，表現(xiàn)為漏探測。實(shí)驗(yàn)結(jié)果說明，單木探測株數(shù)隨聚類半徑r增大而減少，r接近樣地中最大單木胸徑時(shí)的探測結(jié)果最優(yōu)。

2.3 各樣地的胸徑和樹高提取精度

對(duì)每個(gè)樣地最優(yōu)的單木探測結(jié)果，提取單木胸徑和樹高，并與實(shí)測數(shù)據(jù)做線性擬合，結(jié)果如圖7所示。6個(gè)樣地胸徑的決定系數(shù)（R2）均在0.8以上，均方根誤差（RMSE）為0.58 ～0.71 cm，相對(duì)均方根誤差（rRMSE）為3.22%～7.56%；樹高的R2最高為0.89，RMSE為1.00～1.43 m，rRMSE為7.03%～16.25%。結(jié)果表明，在6個(gè)人工林樣地中，地面激光雷達(dá)點(diǎn)云提取的胸徑和樹高結(jié)果均可滿足森林資源調(diào)查的精度需求。

3 討 論

此次研究采用局部最大值算法、PCS算法、DBSCAN和均值漂移聚類4種方法，對(duì)不同林分條件的樣地進(jìn)行單木探測研究，并開展參數(shù)敏感性分析。從研究結(jié)果來看，CHM分辨率為0.2 m，窗口大小為5×5時(shí)的局部最大值算法單木探測精度最高，CHM分辨率過大或過小時(shí)，都會(huì)導(dǎo)致探測精度得分F降低，這與局部最大值在CHM中的搜索區(qū)域與樹木的冠層邊界不契合有關(guān)。搜索區(qū)域過小會(huì)導(dǎo)致單株樹木的冠層在多個(gè)窗口中探測到最大值，引起過度探測；搜索區(qū)域過大則導(dǎo)致一個(gè)窗口中包含若干株樹木，但只能探測到樹冠最高的單株林木，造成漏探測[31-32]。當(dāng)PCS算法的距離閾值D接近相鄰木間距的一半時(shí)，其單木探測精度最高；隨距離閾值D的增大，所探測的單木株數(shù)不斷減少。當(dāng)距離閾值較小時(shí)，屬于同一株單木的點(diǎn)云會(huì)被PCS算法誤分為若干株樹木，表現(xiàn)為過探測；當(dāng)距離閾值較大時(shí)，林木距離較近的相鄰樹木會(huì)被誤分為同一株，則表現(xiàn)為漏探測[33]。因此，林分密度較大或林木距離較近時(shí)，需要設(shè)置更小的距離閾值，以獲取最優(yōu)的探測結(jié)果。當(dāng)聚類閾值Eps小于樣地中相鄰木的最小距離時(shí)，DBSCAN的單木探測精度最高。當(dāng)Eps小于臨界值時(shí)，每株單木的樹干切片點(diǎn)云都能被聚為一類，DBSCAN的探測結(jié)果保持穩(wěn)定；當(dāng)Eps大于臨界值時(shí)，導(dǎo)致間距小于此時(shí)Eps的相鄰木樹干切片點(diǎn)云也被聚為一類，探測結(jié)果隨Eps的增大而逐漸減少。該臨界值與樣地中林木之間最小距離一致[18]。當(dāng)聚類半徑r接近樣地的最大單木胸徑時(shí)，均值漂移聚類的單木探測精度最大；r小于該值時(shí)，屬于同株單木的點(diǎn)云易被誤分為若干株，造成過探測；隨r增大，相鄰單木的點(diǎn)云聚為一類，導(dǎo)致漏探測[28]。因此，為了獲取更高精度的單木探測結(jié)果，需要根據(jù)樣地實(shí)際情況，選擇合適的探測方法并設(shè)置最優(yōu)的算法參數(shù)。

樣地類型對(duì)單木探測結(jié)果的影響主要表現(xiàn)為林木分布情況和林分密度大小。在林木分布較為均勻的樣地3中，4種方法的探測結(jié)果明顯優(yōu)于林木分布聚集的樣地2，說明林木分布越均勻，探測精度越高，Ma等[30]的研究也證實(shí)了這一結(jié)果。4種方法在林分密度較低的樣地1探測結(jié)果均優(yōu)于林分密度較高的樣地6，說明林分密度是影響單木探測的重要因素[14，34-35]。同時(shí)，Yang等[36]的研究表明不同樹種的樹冠大小、形狀和骨架結(jié)構(gòu)等存在差異，單木探測的效果也不相同。但在本研究中，由于桉樹和杉木的樹形相似，其主干與樹冠易于識(shí)別，因此4種方法在林分條件相近而樹種不同的樣地3和樣地4中的單木探測結(jié)果受樹種影響較小。

此外，樣地內(nèi)林木高度分布對(duì)探測結(jié)果也存在影響。楊海城[37]對(duì)不同林層進(jìn)行單木探測及參數(shù)提取的研究表明，樹冠下層林木存在漏探測。本研究對(duì)不同高度分層的單木探測結(jié)果表明，4種方法在最上層林木的探測能力明顯優(yōu)于下層的低矮林木。局部最大值算法和PCS算法在高度為5 m以下的林木召回率不足50%，而DBSCAN和均值漂移聚類的召回率可達(dá)70%，說明點(diǎn)云切片結(jié)合聚類算法的優(yōu)勢在于對(duì)下層林木探測能力的提升。由于本研究采用的點(diǎn)云切片高度為（1.3 ± 0.05）m，因此不可避免地受到林下植被等的干擾，錯(cuò)將灌木叢識(shí)別為樹干，導(dǎo)致探測誤差。在未來研究中應(yīng)對(duì)聚類算法進(jìn)行改進(jìn)，提高探測率和準(zhǔn)確率。

4 結(jié) 論

1）點(diǎn)云切片結(jié)合聚類算法的單木探測方案具有更高的探測能力，能探測更多下層林木；單木探測精度得分F比局部最大值算法和PCS算法提高了7.6%～12.5%。

2）對(duì)不同林分條件的樣地需要調(diào)整各方法的關(guān)鍵參數(shù)。局部最大值算法應(yīng)考慮CHM分辨率和窗口大小的組合，使之最接近樣地優(yōu)勢樹種的樹冠半徑值；PCS在林木排列緊密情況下應(yīng)設(shè)置較小的距離閾值；DBSCAN的聚類閾值Eps取決于樣地中相鄰木的最小間距；均值漂移聚類的聚類半徑r由樣地的最大單木胸徑?jīng)Q定。

3）地面激光雷達(dá)可以應(yīng)用于不同森林類型的單木參數(shù)提取。研究選取的6個(gè)樣地中各方法均可獲得較好的單木探測結(jié)果，最優(yōu)F得分為0.86；對(duì)于胸徑和樹高提取結(jié)果，胸徑RMSE不超過0.71 cm，樹高RMSE不超過1.43 m。

參考文獻(xiàn)（reference）：

［1］曹林，佘光輝，代勁松，等．激光雷達(dá)技術(shù)估測森林生物量的研究現(xiàn)狀及展望[J]．南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，37（3）：163-169．CAO L，SHE G H，DAI J S，et al．Status and prospects of the LiDAR-based forest biomass estimation[J]．J Nanjing For Univ （Nat Sci Ed），2013，37（3）：163-169．DOI： 10.3969/j.issn.1000-2006.2013.03.029．

［2］李增元，劉清旺，龐勇．激光雷達(dá)森林參數(shù)反演研究進(jìn)展[J]．遙感學(xué)報(bào)，2016，20（5）：1138-1150．LI Z Y，LIU Q W，PANG Y．Review on forest parameters inversion using LiDAR[J]．J Remote Sens，2016，20（5）：1138-1150．DOI： 10.11834/jrs.20165130．

［3］吳楠，李增元，廖聲熙，等．國內(nèi)外林業(yè)遙感應(yīng)用研究概況與展望[J]．世界林業(yè)研究，2017，30（6）：34-40．WU N，LI Z Y，LIAO S X，et al．Current situation and prospect of research on application of remote sensing to forestry[J]．World For Res，2017，30（6）：34-40．DOI： 10.13348/j.cnki.sjlyyj.2017.0075.y．

［4］劉魯霞，龐勇．機(jī)載激光雷達(dá)和地基激光雷達(dá)林業(yè)應(yīng)用現(xiàn)狀[J]．世界林業(yè)研究，2014，27（1）：49-56．LIU L X，PANG Y．Applications of airborne laser scanning and terrestrial laser scanning to forestry[J]．World For Res，2014，27（1）：49-56．DOI： 10.13348/j.cnki.sjlyyj.2014.01.009．

［5］花偉成，田佳榕，孫心雨，等．基于TLS數(shù)據(jù)的楊樹削度方程建立及材積估算[J]．南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（4）：41-48．HUA W C，TIAN J R，SUN X Y，et al．Assessing the stem taper function and volume estimation of poplar （Populus）by terrestrial laser scanning[J]．J Nanjing For Univ （Nat Sci Ed），2021，45（4）：41-48．DOI： 10.12302/j.issn.1000-2006.202006023．

［6］蔣佳文，溫小榮，顧海波，等．基于多站掃描的點(diǎn)云特征參數(shù)與材積結(jié)構(gòu)動(dòng)態(tài)分析[J]．南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，43（6）：83-90．JIANG J W，WEN X R，GU H B，et al．Dynamic analysis of point cloud characteristic parameters and volume structure based on multi-station scan[J]．J Nanjing For Univ （Nat Sci Ed），2019，43（6）：83-90．DOI： 10.3969/j.issn.1000-2006.201901020．

［7］XU D D，WANG H B，XU W X，et al．LiDAR applications to estimate forest biomass at individual tree scale：opportunities，challenges and future perspectives[J]．Forests，2021，12（5）：550．DOI： 10.3390/f12050550．

［8］劉會(huì)玲，張曉麗，張瑩，等．機(jī)載激光雷達(dá)單木識(shí)別研究進(jìn)展[J]．激光與光電子學(xué)進(jìn)展，2018，55（8）：40-48．LIU H L，ZHANG X L，ZHANG Y，et al．Review on individual tree detection based on airborne LiDAR[J]．Laser Optoelectron Prog，2018，55（8）：40-48．DOI： 10.3788/LOP55.082805．

［9］WANG L，GONG P，BIGING G S．Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery[J]．Photogramm Eng Remote Sensing，2004，70（3）：351-357．DOI： 10.14358/pers.70.3.351．

[10]劉方舟，劉浩，云挺．基于分水嶺優(yōu)化思想的單木信息分割算法[J]．林業(yè)工程學(xué)報(bào)，2020，5（5）：109-116．LIU F Z，LIU H，YUN T．Individual tree crown separation using the improved watershed method[J]．J For Eng，2020，5（5）：109-116．DOI： 10.13360/j.issn.2096-1359.202001021．

[11]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．GUO Q H，LIU J，TAO S L，et al．Perspectives and prospects of LiDAR in forest ecosystem monitoring and modeling[J]．Chin Sci Bull，2014，59（6）：459-478．DOI： 10.1360/972013-592．

[12]LI W K，GUO Q H，JAKUBOWSKI M K，et al．A new method for segmenting individual trees from the lidar point cloud[J]．Photogramm Eng Remote Sensing，2012，78（1）：75-84．DOI： 10.14358/pers.78.1.75．

[13]LIANG X L，KANKARE V，HYYPP J，et al．Terrestrial laser scanning in forest inventories[J]．ISPRS J Photogramm Remote Sens，2016，115：63-77．DOI： 10.1016/j.isprsjprs.2016.01.006．

[14]LU X C，GUO Q H，LI W K，et al．A bottom-up approach to segment individual deciduous trees using leaf-off lidar point cloud data[J]．ISPRS J Photogramm Remote Sens，2014，94：1-12．DOI： 10.1016/j.isprsjprs.2014.03.014．

[15]CHEN W，HU X B，CHEN W，et al．Airborne LiDAR remote sensing for individual tree forest inventory using trunk detection-aided mean shift clustering techniques[J]．Remote Sens，2018，10（7）：1078．DOI： 10.3390/rs10071078．

[16]MADHULATHA T S．An overview on clustering methods[J]．IOSR J Eng，2012，2（4）：719-725．DOI： 10.9790/3021-0204719725．

[17]林秀云，孫圓，劉晨曦，等．依據(jù)地面激光掃描數(shù)據(jù)的杉木材積建模與造材[J]．東北林業(yè)大學(xué)學(xué)報(bào)，2022，50（1）：33-39．LIN X Y，SUN Y，LIU C X，et al．Volume modeling and merchantable volume for Cunninghamia lanceolata using terrestrial laser scanner[J]．J Northeast For Univ，2022，50（1）：33-39．DOI： 10.13759/j.cnki.dlxb.2022.01.012．

[18]WANG C X，JI M，WANG J，et al．a(chǎn)n improved DBSCAN method for LiDAR data segmentation with automatic eps estimation[J]．Sensors，2019，19（1）：172．DOI： 10.3390/s19010172．

[19]麻衛(wèi)峰，王金亮，麻源源，等．改進(jìn)K均值聚類的點(diǎn)云林木胸徑提取[J]．測繪科學(xué)，2021，46（9）：122-129．MA W F，WANG J L，MA Y Y，et al．An improved K-means clustering method for DBH extraction from point cloud[J]．Science of Surveying and Mapping，2021，46（9）：122-129．DOI：10.16251/j.cnki.1009-2307.2021.09.016．

[20]TAO S L，WU F F，GUO Q H，et al．Segmenting tree crowns from terrestrial and mobile LiDAR data by exploring ecological theories[J]．ISPRS J Photogramm Remote Sens，2015，110：66-76．DOI： 10.1016/j.isprsjprs.2015.10.007．

[21]DUONG T，BECK G，AZZAG H，et al．Nearest neighbour estimators of density derivatives，with application to mean shift clustering[J]．Pattern Recognit Lett，2016，80：224-230．DOI： 10.1016/j.patrec.2016.06.021．

[22]朱德海．點(diǎn)云庫PCL學(xué)習(xí)教程[M]．北京：北京航空航天大學(xué)出版社，2012：189-191．ZHU D H．PCL learning course of point cloud library[M]．Beijing：Beijing University of Aeronautics amp; Astronautics Press，2012：189-191．

[23]ZHAO X Q，GUO Q H，SU Y J，et al．Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas[J]．ISPRS J Photogramm Remote Sens，2016，117：79-91．DOI： 10.1016/j.isprsjprs.2016.03.016．

[24]KHOSRAVIPOUR A，SKIDMORE A K，ISENBURG M．Generating spike-free digital surface models using LiDAR raw point clouds：a new approach for forestry applications[J]．Int J Appl Earth Obs Geoinf，2016，52：104-114．DOI： 10.1016/j.jag.2016.06.005．

[25]WULDER M，NIEMANN K O，GOODENOUGH D G．Local maximum filtering for the extraction of tree locations and basal area from high spatial resolution imagery[J]．Remote Sens Environ，2000，73（1）：103-114．DOI： 10.1016/S0034-4257（00）00101-2．

[26]POPESCU S C，WYNNE R H，NELSON R F．Estimating plot-level tree heights with lidar：local filtering with a canopy-height based variable window size[J]．Comput Electron Agric，2002，37（1/2/3）：71-95．DOI： 10.1016/S0168-1699（02）00121-7．

[27]CHEN Q，BALDOCCHI D，GONG P，et al．Isolating individual trees in a savanna woodland using small footprint lidar data[J]．Photogramm Eng Remote Sensing，2006，72（8）：923-932．DOI： 10.14358/pers.72.8.923．

[28]TANG J，JIANG F G，LONG Y，et al．Identification of the yield of Camellia oleifera based on color space by the optimized mean shift clustering algorithm using terrestrial laser scanning[J]．Remote Sens，2022，14（3）：642．DOI： 10.3390/rs14030642．

[29]WATT P J，DONOGHUE D N M．Measuring forest structure with terrestrial laser scanning[J]．Int J Remote Sens，2005，26（7）：1437-1446．DOI： 10.1080/01431160512331337961．

[30]MA K S，CHEN Z X，F(xiàn)U L Y，et al．Performance and sensitivity of individual tree segmentation methods for UAV-LiDAR in multiple forest types[J]．Remote Sens，2022，14（2）：298．DOI： 10.3390/rs14020298．

[31]李響，甄貞，趙穎慧．基于局域最大值法單木位置探測的適宜模型研究[J]．北京林業(yè)大學(xué)學(xué)報(bào)，2015，37（3）：27-33．LI X，ZHEN Z，ZHAO Y H．Suitable model of detecting the position of individual treetop based on local maximum method[J]．J Beijing For Univ，2015，37（3）：27-33．DOI： 10.13332/j.1000-1522.20140313．

[32]LISIEWICZ M，KAMINSKA A，STERENCZAK K．Recognition of specified errors of individual tree detection methods based on canopy height model[J]．Remote Sens Appl，2022，25：100690．DOI： 10.1016/j.rsase.2021.100690．

[33]ZHEN Z，QUACKENBUSH L，ZHANG L J．Trends in automatic individual tree crown detection and delineation： evolution of LiDAR data[J]．Remote Sens，2016，8（4）：333．DOI： 10.3390/rs8040333．

[34]LIU J B，LIANG X L，HYYPP J，et al．Automated matching of multiple terrestrial laser scans for stem mapping without the use of artificial references[J]．Int J Appl Earth Obs Geoinf，2017，56：13-23．DOI： 10.1016/j.jag.2016.11.003．

[35]WANG Y S，HYYPP J，LIANG X L，et al．International benchmarking of the individual tree detection methods for modeling 3-D canopy structure for silviculture and forest ecology using airborne laser scanning[J]．IEEE Trans Geosci Remote Sens，2016，54（9）：5011-5027．DOI： 10.1109/TGRS.2016.2543225．

[36]YANG Q L，SU Y J，JIN S C，et al．The influence of vegetation characteristics on individual tree segmentation methods with airborne LiDAR data[J]．Remote Sens，2019，11（23）：2880．DOI： 10.3390/rs11232880．

[37]楊海城．基于ULS和TLS的天然次生林不同林層單木參數(shù)估測及對(duì)比[D]．哈爾濱：東北林業(yè)大學(xué)，2021．YANG H C．Estimation and comparison of individual tree parameters for different forest canopies in natural secondary forest based on ULS and TLS[D]．Harbin：Northeast Forestry University，2021．

（責(zé)任編輯 李燕文）

收稿日期Received：2022-06-20""" 修回日期Accepted：2022-08-29

基金項(xiàng)目：國家自然科學(xué)基金面上項(xiàng)目（31971578）; 湖南省自然科學(xué)基金面上項(xiàng)目（2022JJ30078）。

第一作者：易靜（yijing@csuft.edu.cn）。

*通信作者：孫華（sunhua@csuft.edu.cn），教授。

引文格式：易靜，馬開森，向建平，等. 點(diǎn)云切片結(jié)合聚類算法的TLS單木探測方法研究[J]. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，48（4）：113-122.

YI J， MA K S， XIANG J P， et al. Research on TLS single tree detection method based on point cloud slicing combined with clustering algorithm[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2024，48（4）：113-122.

DOI：10.12302/j.issn.1000-2006.202206035.