摘 要：【目的】無人機搭載激光雷達技術(shù)具有靈活性高、監(jiān)測周期短、具有穿透力等優(yōu)勢。在實際應(yīng)用中，由于樹干間的遮擋，易導(dǎo)致激光雷達獲取的林冠下點云數(shù)據(jù)密度不足。而且從激光點云提取樹干的算法尚不成熟，存在數(shù)據(jù)處理量大、提取精度低等挑戰(zhàn)。該研究旨在提高從無人機激光雷達數(shù)據(jù)中提取樹干的精度和效率，為森林監(jiān)測和林業(yè)管理提供準(zhǔn)確高效的技術(shù)支持?！痉椒ā繜o人機搭載激光雷達從不同高度多次飛行，以獲取覆蓋林冠和林下的完整點云。采用基于回波類型的分類方法，將點云數(shù)據(jù)分為地面點和植被點，并利用地面點云生成數(shù)字地形模型。根據(jù)樹干和樹葉的反射強度差異，通過閾值和半監(jiān)督支持向量機算法進行分類，并基于區(qū)域生長法將點群分割成連通區(qū)域。計算連通區(qū)域與水平面的交點，整合同一高度的交點信息，重建樹干模型。采用假設(shè)檢驗法判斷橫截面的連續(xù)性和半徑變化，識別并構(gòu)建完整的樹干網(wǎng)格模型。【結(jié)果】采用多旋翼無人機搭載激光雷達，設(shè)定50 m航高、90%航向重疊率、75%旁向重疊率、云臺鏡頭角度90°，以4 m/s的飛行速度采集了林冠點云數(shù)據(jù)。同時利用相同設(shè)備從1.5～2.5 m高度，以0°、45°和-45°的云臺角度，獲取林冠下更精細的點云信息。經(jīng)過處理，去除了植被和地面點云，精確提取了樹干點云。利用區(qū)域生長法分割點云并生成二維距離圖像，對圖像進行噪聲過濾和顏色分割后進一步提升了數(shù)據(jù)質(zhì)量。切割線集合和RANSAC算法的應(yīng)用，有效估計了主干截面形狀，并構(gòu)建了精確的樹干模型。在聯(lián)想Think Station圖形工作站測試表明，樹干點群提取僅需15.9 s，樹干網(wǎng)格模型生成也僅需71.5 s。該方法的喬木樹干胸徑提取平均精度為0.958、樹高平均提取精度達到0.964。【結(jié)論】文章應(yīng)用多旋翼無人機搭載激光雷達，采用多架次、多航高、多姿態(tài)方法采集了高質(zhì)量的森林點云數(shù)據(jù)，結(jié)合基于回波類型的點云數(shù)據(jù)分類、區(qū)域生長、距離圖像構(gòu)建、噪聲過濾和顏色分割等方法，完善了單木樹干點云分割算法，有效估計了主干截面形狀，并構(gòu)建了準(zhǔn)確的樹干模型，克服了樹冠穿透率受限和樹干間遮擋問題，有效提高了樹干提取效率和精度。該方法可為森林資源管理提供高精度的樹干數(shù)據(jù)，對提升森林監(jiān)測效率和自動化水平具有重要的實際應(yīng)用價值。

關(guān)鍵字：無人機；激光雷達；樹干提??；喬木樹種

中圖分類號：S758.5 文獻標(biāo)志碼：A 文章編號：1673-923X（2024）11-0022-07

基金項目：北京市教育委員會科研計劃一般項目（KM202110853001）；北京工業(yè)職業(yè)技術(shù)學(xué)院重點課題（BGY2024KY-11Z，BGY2024KY-10Z）。

Extraction of tree trunks based on UAV lidar point clouds

ZHOU Lixiang1， CAO Minglan2，3， LANG Bo2，3， LI Aiguo4， WANG Qiang5

（1. Henan Geology Mineral College， Zhengzhou 451464， Henan， China； 2. Beijing Polytechnic College， Beijing 100042， China； 3. Beijing Key Laboratory of Urban Spatial Information Engineering， Beijing 100042， China； 4. School of Surveying Land Information Engineering， Zhenghzou 454000， Henan， China； 5. Stecol Corporation， Tianjin 300384， China）

Abstract：【Objective】Unmanned aerial vehicle （UAV） mounted LiDAR technology offers advantages such as high flexibility， short monitoring cycles， and the ability to penetrate through obstacles. In practical applications， due to the occlusion between tree trunks， it is easy to result in insufficient point cloud data density for the canopy obtained by LiDAR. Moreover， the algorithms for extracting tree trunks from LiDAR point clouds are still immature， with challenges such as large data processing volumes and low extraction accuracy. This study aims to improve the accuracy and efficiency of extracting tree trunks from UAV LiDAR data to provide accurate and efficient technical support for forest monitoring and forestry management.【Method】The UAV carried LiDAR to fly multiple times at different altitudes to obtain complete point clouds covering the canopy and the understory. A classification method based on echo types was used to divide the point cloud data into ground points and vegetation points， and a digital terrain model was generated using the ground point cloud. Based on the difference in reflection intensity between tree trunks and leaves， classification was performed using thresholds and semi-supervised support vector machine algorithms， and point clusters were segmented into connected areas using the region growing method. The intersections of the connected areas with the horizontal plane were calculated， and the intersection information at the same height was integrated to reconstruct the tree trunk model. Hypothesis testing was used to judge the continuity of the cross-section and the variation in radius， to identify and construct a complete tree trunk mesh model.【Result】A multi-rotor UAV equipped with LiDAR was used to collect canopy point cloud data at an altitude of 50 m， with a 90% flight direction overlap rate， a 75% lateral overlap rate， and a gimbal lens angle of 90°， at a flight speed of 4 m/s. At the same time， the same equipment was used to obtain more refined point cloud information under the canopy at heights of 1.5-2.5 m， with gimbal angles of 0°， 45°， and -45°. After processing， the vegetation and ground point clouds were removed， and the tree trunk point cloud was accurately extracted. The use of region growing to segment the point cloud and generate a two-dimensional distance image， followed by noise filtering and color segmentation， further improved the data quality. The application of the line set and RANSAC algorithm effectively estimated the shape of the main trunk cross-section and constructed an accurate tree trunk model. Testing on a Lenovo ThinkStation graphics workstation showed that the extraction of the tree trunk point cluster took only 15.9 seconds， and the generation of the tree trunk mesh model also took only 71.5 seconds. The average accuracy of the extracted breast diameter of the tree trunk was 0.958， and the average extraction accuracy of the tree height reached 0.964.【Conclusion】The article applied a multi-rotor UAV equipped with LiDAR， using a multi-flight， multi-altitude， and multiattitude method to collect high-quality forest point cloud data. By combining echo-type point cloud data classification， region growing， distance image construction， noise filtering， and color segmentation， the single tree trunk point cloud segmentation algorithm was improved， effectively estimating the shape of the main trunk cross-section， and constructing an accurate tree trunk model. This approach overcomes the limitations of canopy penetration rate and trunk occlusion， effectively improving the efficiency and accuracy of tree trunk extraction. It provides high-precision tree trunk data for forest resource management and has significant practical application value for improving the efficiency and automation level of forest monitoring.

Keywords： UAV； lidar； trunk extraction； arbor tree species

喬木林是地球上最重要的生態(tài)系統(tǒng)之一，在維系生態(tài)系統(tǒng)平衡、保護生物多樣性、調(diào)節(jié)氣候變化等方面發(fā)揮著不可替代的作用。喬木林的樹干高大筆直、根系發(fā)達深厚，能很好地固著土壤，減少水土流失、防止滑坡、泥石流等自然災(zāi)害的發(fā)生。喬木林通過光合作用吸收二氧化碳、釋放氧氣，在調(diào)節(jié)大氣中的氣體成分、減緩氣候變化的影響方面也扮演著舉足輕重的角色。此外，喬木林還能凈化空氣、涵養(yǎng)水源、調(diào)節(jié)溫濕度，是不可或缺的綠色屏障。因此，對喬木林實施精細化監(jiān)測與科學(xué)管理，已成為生態(tài)環(huán)境保護和資源合理利用的當(dāng)務(wù)之急。喬木林的如樹高、胸徑等樹干參數(shù)是反映林木生長狀況、評估林分蓄積量的關(guān)鍵指標(biāo)，對森林資源調(diào)查、撫育規(guī)劃、生態(tài)評價等具有重要意義。傳統(tǒng)的林業(yè)調(diào)查方法主要依賴人工作業(yè)，林業(yè)調(diào)查工作人員需要徒步穿行于密林，在野外環(huán)境下用卷尺、測高儀等手持儀器對每株喬木進行逐一測量并記錄數(shù)據(jù)。這種調(diào)查方法效率低、工作量巨大，而且極易受環(huán)境和人為因素的影響，難以保證測量精度。由于需要大量人力、物力投入，成本也較為高昂，難以滿足大規(guī)模、長期的林業(yè)監(jiān)測需求。

近年來，隨著測繪技術(shù)和計算機視覺技術(shù)的迅猛發(fā)展，基于三維點云數(shù)據(jù)對森林資源實施自動化、智能化測量逐漸成為可能[1]。三維激光掃描能夠快速高效地獲取目標(biāo)區(qū)域的三維結(jié)構(gòu)信息，生成高密度的點云數(shù)據(jù)，各種信息都包含在點云數(shù)據(jù)的空間分布和回波特征中。利用先進的計算機算法，可以從海量的點云數(shù)據(jù)中提取喬木的樹干、樹冠等關(guān)鍵結(jié)構(gòu)，進而測算出樹高、冠幅、胸高植被密度等多種參數(shù)指標(biāo)。與傳統(tǒng)測量方法相比，基于點云的智能測量技術(shù)具有自動化程度高、測量精確、工作效率高、成本低等優(yōu)勢，被認為是林業(yè)生產(chǎn)實現(xiàn)現(xiàn)代化的重要手段。盡管點云測量技術(shù)的應(yīng)用前景廣闊，但也面臨著諸多技術(shù)挑戰(zhàn)有待攻克。由于喬木樹干在三維空間中常常被樹冠和其他植被所遮擋，從單視角獲取的點云數(shù)據(jù)難免會存在缺失和噪聲污染的問題，給樹干結(jié)構(gòu)的提取帶來極大困難[2]。現(xiàn)有算法在復(fù)雜環(huán)境下的泛化性能往往不佳，難以滿足實際需求。隨著測量精度的提高，對數(shù)據(jù)量和計算復(fù)雜度的要求也在不斷提高，需要不斷探索高效的點云處理和建模算法。

為解決上述問題，本文提出一種基于無人機多角度激光雷達點云融合的樹干參數(shù)提取方法，擬實現(xiàn)結(jié)構(gòu)簡單、無須訓(xùn)練、泛化能力，可以有效克服復(fù)雜林分環(huán)境下的干擾，能夠獲取高質(zhì)量的樹干重建。

1 材料與方法

1.1 技術(shù)路線

利用無人機搭載激光雷達快速掃描目標(biāo)區(qū)域，獲取高精度、高分辨率的森林點云，通過點云配準(zhǔn)獲得完整的林分點云。按雷達點云回波類型分類地面點云，并計算網(wǎng)格狀的數(shù)字地形模型（Digital Terrain Model，DTM）對地表建模。根據(jù)林下地形情況，將距離地表一定容差內(nèi)的點云視為下層植被和地面點云，并將其去除，從而提取樹干點云。在去除地面成分的數(shù)據(jù)中，利用方位角和俯仰角（θ，φ）生成二維距離圖像。采用區(qū)域生長法將深度圖點云分割為連通的領(lǐng)域，當(dāng)距離圖像上兩點距離非常小時，將其視為鄰接點。使用等間隔配置的水平面，計算與各連通領(lǐng)域相交的點。待計算所有交點后，將它們投影到同一平面上，進行測量數(shù)據(jù)的統(tǒng)合。如果連通區(qū)域內(nèi)點的數(shù)量低于閾值，則將其視為噪聲并移除。對區(qū)域進行顏色分割，將結(jié)果展示在二維圖像。將生成的網(wǎng)格模型用平面切割產(chǎn)生切割線，通過改變高度，按固定間隔重復(fù)切割，獲得森林切割線集合。采用德羅尼三角形分割各平面后，連接切斷點并刪除長度超過閾值的邊，使用RANSAC算法進行圓弧檢測，得到主干截面形狀的集合。假設(shè)切面間的寬度足夠小時，構(gòu)成同一主干的切面很近。假設(shè)切面在主干模型上是連續(xù)的，其半徑變化也很小?；陨蟽蓚€假設(shè)，通過連接圓弧向下搜索其母體圓弧，搜索不到母體圓弧，則將該圓弧作為樹干的根。從所有的根向子方向搜索，如果最高位置的圓弧與根的高度差超過閾值（3 cm），則將其視為樹干的一部分進行建模，流程如圖1所示。

1.2 點云采集

本文選擇刺槐中齡人工林地為實驗樣地，利用大疆M300 RTK多旋翼無人機搭載禪思L2激光雷達，設(shè)置飛行航高50 m、航向重疊率90%、旁向重疊率75%、云臺鏡頭角度90°，以4 m/s的飛行速度采集了林冠點云。同時利用相同設(shè)備從1.5～2.5 m高度，以2 m/s的飛行速度，分別以云臺鏡頭角度a=0°、a=45°、a=-45°，采用遙控器控制方式，對林冠下森林點云進行補充采集。

1.3 點云配準(zhǔn)

采集到林分樹冠點云和林冠下樹干點云后，配準(zhǔn)融合為完整的森林點云才能進行后續(xù)的樹干提取，配準(zhǔn)融合效果如圖2所示。配準(zhǔn)和融合過程中，需精準(zhǔn)對齊兩組點云集合，即對其中一組數(shù)據(jù)進行旋轉(zhuǎn)和平移處理，使兩組點云的相交區(qū)域完全重合。以可靠性更高的樹干三維激光點云為基礎(chǔ)，采用迭代最鄰近點配準(zhǔn)法（ICP算法）進行配準(zhǔn)，得到高精度的融合點云。ICP算法是一種高層次的基于自由形態(tài)曲面的配準(zhǔn)方法[3-4]，其目的是找到旋轉(zhuǎn)和平移參數(shù)，選擇一個點云坐標(biāo)系作為全局坐標(biāo)系，對另一點云進行旋轉(zhuǎn)和平移處理后，使兩組點云的相交區(qū)域完全重合。通過不斷循環(huán)最小乘法迭代得到最優(yōu)坐標(biāo)變換參數(shù)的過程。

1.4 樹干分割

獲得完整的森林點云數(shù)據(jù)后，基于回波類型對點云進行分類。基于地面點云與植被的回波特性差異，區(qū)分地面點和植被點。利用分類后的地面點云，生成詳細表示地形表面形態(tài)的DTM模型，再結(jié)合林下地形，在一定容差內(nèi)去除離地表一定高度的點云[5]。本文實驗將距離地表30 cm以內(nèi)的點，作為下層植被和地面點做了去除處理，效果如圖3所示。

由于樹干和樹葉的表面特性不同，其反射強度信息也不同。通過設(shè)定適當(dāng)?shù)拈撝祷蚍诸愃惴?，可將反射強度較高的點云歸類為樹干和樹枝，反射強度較低的歸為樹葉。本文實驗先剔除了噪聲點，計算了如反射強度、向量、結(jié)構(gòu)張量等一系列特征參數(shù)，將其帶入半監(jiān)督支持向量機[6]算法進行分類，并采用區(qū)域生長法，將點群分割為連通區(qū)域[7-8]，設(shè)置5 cm等間隔水平面，計算各連通區(qū)域與平面的交點，如圖4所示。

計算所有交點后，將同一高度上的交點投影至同一平面并進行測量數(shù)據(jù)的整合，利用得到的橫截面形狀重建樹干模型。當(dāng)兩個橫截面之間的距離足夠小時，假設(shè)它們構(gòu)成同一樹干；當(dāng)橫截面在樹干模型上連續(xù)時，假設(shè)其半徑的變化足夠小。利用以上兩個假設(shè)，對所有弧形向下搜索單一父弧，如找不到父弧，將該弧視為樹干的根部；再從所有根部向子方向探索，如果最高位置和根部的差距超過閾值，則將其視為樹干，基于同一父弧及其所有子弧構(gòu)建樹干網(wǎng)格模型，效果如圖5所示。

2 結(jié)果與分析

為提高樹干提取效果，本文實驗在原始點云基礎(chǔ)上進行補充采集，分別以云臺鏡頭角度45°和-45°，提高加密點云的精度，解決林下遮擋和角度造成的點云不完整問題。實驗使用了原始點云和兩種補充采集的點云數(shù)據(jù)，共三種數(shù)據(jù)進行對比分析了補充采集對胸徑和樹高參數(shù)的影響。

2.1 不同點云數(shù)據(jù)對提取精度的影響分析

采用本文方法處理3個點云數(shù)據(jù)集，成果提取了實驗樣地25株單木的胸徑值，并與經(jīng)緯儀實測單木胸徑值進行回歸分析，結(jié)果如圖6所示。將原始點云融合并向下傾斜（-45°）采集方式得到的點云結(jié)果與實測值的相關(guān)性最高，相關(guān)系數(shù)R2為0.96，均方根誤差RMSE為0.46。將原始點云融合并向上傾斜（45°）的點云結(jié)果與實測值的相關(guān)性較一致，相關(guān)系數(shù)R2為0.80，RMSE為1.03。而原始點云的擬合效果相對較差，相關(guān)系數(shù)為0.60，RMSE為1.61，這是由于樹木遮擋效應(yīng)和激光雷達視場角有限導(dǎo)致的胸徑點云采集不完整所致。采用原始點云融合并向下傾斜（-45°）處理方式，能彌補以上不足，從而提高胸徑擬合精度。

基于單木分割結(jié)果提取樹高，與實測樹高進行回歸分析，結(jié)果如圖7所示。原始點云提取結(jié)果與實測樹高的R2僅為0.30，RMSE為2.23。將原始點云融合并向下傾斜（-45°）采集方式得到的點云結(jié)果與實測值相關(guān)系數(shù)R2為0.45，RMSE為1.74。原始點云數(shù)據(jù)對樹木冠層掃描點云較為稀疏，導(dǎo)致提取樹高較實測值低1～3 m，形成顯著誤差。傾斜采集方式得到的數(shù)據(jù)，由于樣地內(nèi)單木的遮擋效應(yīng)以及距掃描站點較遠的單木點云采樣頻率低、點云掃描不完整等因素導(dǎo)致樹高提取結(jié)果與實測值誤差較大。將原始點云融合并向上傾斜（45°）的點云結(jié)果與實測值的相關(guān)性較高，R2達到0.96，RMSE也降低至0.7，說明向上傾斜（45°）的點云數(shù)據(jù)能夠顯著提高樹高的估測精度。

2.2 提取效果與精度分析

本實驗原始點云與補充采集的點云進行配準(zhǔn)融合得到的林分點云數(shù)量約9.7億，設(shè)置5 cm的等間隔水平面進行樹干提取。實驗使用聯(lián)想Think Station圖形工作站，配備CPU i9-12900、內(nèi)存32 G和顯卡RTX3050-8 G，配置Python 3.7、PyTorch 1.8和OpenCV 4.3環(huán)境。結(jié)果表明，在該環(huán)境下樹干點群提取耗時15.9″、樹干網(wǎng)格模型生成耗時71.5″。為分析樹干提取效果與精度，從實驗區(qū)中間部位隨機選取25株樹，利用2″精度電子經(jīng)緯儀測量[9-11]，分析結(jié)果如表1所示。

本文方法的胸徑提取平均提取精度能達到0.958，樹高的平均提取精度也達到了0.964，提取精度能夠滿足森林調(diào)查要求，而且與純?nèi)斯ぬ崛》椒ㄏ啾饶軌蚬?jié)省大量的外業(yè)實地調(diào)查時間和內(nèi)業(yè)人工提取工作量。

3 結(jié) 論

本文提出的基于無人機激光雷達點云數(shù)據(jù)實現(xiàn)單木樹干提取的方法，為實現(xiàn)對森林資源的高精度自動化測量提供了一種有效途徑，具有重要的理論意義和應(yīng)用價值。首先，該方法獲取了高質(zhì)量的點云數(shù)據(jù)，通過點云配準(zhǔn)技術(shù)將它們?nèi)诤?，獲得了完整的林分三維結(jié)構(gòu)信息。這種不同角度獲取點云方式，有效克服了傳感器測量視角受限、存在盲區(qū)的問題，確保了樹干的完整重建。與傳統(tǒng)的僅利用航空或地面激光雷達數(shù)據(jù)相比，該方案兼具靈活性高、成本低、數(shù)據(jù)精度高的優(yōu)勢，為高質(zhì)量數(shù)據(jù)的快速采集提供了可行方案。其次，論文針對樹干點云分割提出了一種新穎的分割算法。該算法基于區(qū)域生長法能夠自動識別并提取出林分中單株樹木的樹干點云。通過構(gòu)建距離映射圖像，利用顏色分割等方法可較為準(zhǔn)確地獲取樹干的截面和結(jié)構(gòu)信息。與目前主流的基于點云聚類的方法相比，該算法更加簡潔高效，避免了傳統(tǒng)復(fù)雜的點云處理過程，降低了計算復(fù)雜度。實驗結(jié)果表明，該算法在提取樹高和胸徑等關(guān)鍵參數(shù)時精度較高，能夠滿足林業(yè)生產(chǎn)實際需求。

4 討 論

論文采用無人機搭載激光雷達技術(shù)獲取點云，構(gòu)建樹干模型并提取樹高和胸徑，與同類研究相比手段和方法具有創(chuàng)新性。樹高和胸徑的快速精準(zhǔn)獲取對森林生物量和碳匯的計量具有重要的實際意義。該方法還具有較好的可擴展性，算法的輸入僅需三維點云數(shù)據(jù)，對數(shù)據(jù)來源無特殊要求。在分割算法方面，主要依賴距離映射與形狀約束，無須針對特定樹種訓(xùn)練分類器，可以通過參數(shù)調(diào)整來適應(yīng)不同森林環(huán)境，避免了基于深度學(xué)習(xí)的復(fù)雜模型訓(xùn)練過程，可以更方便地進行算法移植和部署。該方法在應(yīng)用推廣方面仍需進一步改進如下幾方面：

1）數(shù)據(jù)采集效率有待提高。目前的多角度掃描雖能獲得高質(zhì)量數(shù)據(jù)，但需要反復(fù)飛行采集，工作效率仍有提高空間。未來可探索通過在線實時建模的方式，整合多角度數(shù)據(jù)進行快速三維重建或結(jié)合圖像等其他傳感器協(xié)同工作，實現(xiàn)一次飛行獲取完整數(shù)據(jù)。

2）分割算法的精度仍有提升空間。由于算法依賴距離映射，難以準(zhǔn)確分割復(fù)雜的樹冠結(jié)構(gòu)，對含叉樹干的樹木，識別效果也不夠理想。可嘗試結(jié)合語義分割等技術(shù)，利用樹干結(jié)構(gòu)和紋理等先驗知識，改善分割算法的泛化性能。

3）建模需進一步優(yōu)化。算法使用的基本幾何圖元建模方法較為簡單，難以精細描述樹干的細節(jié)結(jié)構(gòu)。可嘗試引入更高階的參數(shù)形狀模型，或基于點云直接生成三維網(wǎng)格模型，以更加提高樹干重建的保真度。

4）需要加強與林業(yè)實際應(yīng)用對接。當(dāng)前算法實現(xiàn)了樹干單個部件的重建，下一步需要與樹冠、樹根等其他部件重建算法集成，構(gòu)建完整的單木三維模型與專業(yè)的林業(yè)生產(chǎn)軟件相集成，實現(xiàn)對各類參數(shù)的自動計算和分析，為林業(yè)生產(chǎn)提供數(shù)字化輔助手段。

5）智能化水平仍有提升空間。當(dāng)前工作仍處于半自動化階段，需要人工參與設(shè)置算法參數(shù)和輔助分割等步驟。未來可以通過深度學(xué)習(xí)等人工智能技術(shù)，實現(xiàn)自動參數(shù)優(yōu)化、模型選擇和結(jié)果優(yōu)化糾正，逐步實現(xiàn)林木智能自動測量的無人化目標(biāo)。

本文提出的基于無人機激光雷達點云的單木樹干分割方法，是一種富有創(chuàng)新性和實用價值的技術(shù)方案，能夠?qū)崿F(xiàn)從低空遙感獲取的點云數(shù)據(jù)自動提取單木樹干的目標(biāo)。在技術(shù)路線上緊密結(jié)合了三維測量、點云處理、計算機視覺等多學(xué)科理論知識，具有一定的創(chuàng)新性。經(jīng)實驗驗證，該方法在獲取喬木樹干的胸徑和樹高等關(guān)鍵參數(shù)的精度較高、魯棒性強，能夠滿足實際需求。相比傳統(tǒng)的人工測量作業(yè)，其測量效率、自動化程度大幅提高，有望推動林業(yè)測量技術(shù)的現(xiàn)代化進程。該技術(shù)方案的成功實現(xiàn)，為人工智能技術(shù)在林業(yè)領(lǐng)域的深度應(yīng)用注入了新的活力，對于建立智慧林業(yè)、實現(xiàn)可持續(xù)森林資源管理具有重要的理論價值和應(yīng)用前景。展望未來，相信通過不斷地理論創(chuàng)新與工程實踐相結(jié)合，必將推動林業(yè)生產(chǎn)測量的自動化和智能化水平不斷提升，為建設(shè)綠色家園貢獻更多科技力量。

參考文獻：

[1] 曹明蘭，李亞東，李長青，等.VDVI與AKAZE結(jié)合的無人機森林影像匹配方法[J].中南林業(yè)科技大學(xué)學(xué)報，2021，41（8）：1-8. CAO M L， LI Y D， LI C Q， et al. Forest image matching method of unmanned aerial vehicle based on the combination of VDVl and AKAZE[J]. Journal of Central South University of Forestry Technology，2021，41（8）：1-8.

[2] 李亞東，曹明蘭，李長青，等.無人機森林航攝影像三維點云估測林分蓄積量研究[J].中南林業(yè)科技大學(xué)學(xué)報，2019，39（3）： 56-60. LI Y D， CAO M L， LI C Q， et al. A research on three-dimensional point cloud estimation of forest stand volume by UAV forest aerial survey images[J]. Journal of Central South University of Forestry Technology，2019，39（3）：56-60.

[3] 黃源，達飛鵬，陶海躋.一種基于特征提取的點云自動配準(zhǔn)算法[J].中國激光，2015，42（3）：250-256 HUANG Y， DA F P， TAO H J. An automatic registration algorithm for point cloud based on feature extraction[J]. Chinese Journal of Lasers，2015，42（3）：250-256.

[4] 劉江，張旭，朱繼文.一種基于K-D樹優(yōu)化的ICP三維點云配準(zhǔn)方法[J].測繪工程，2016，25（6）：15-18 LIU J， ZHANG X， ZHU J W. CP three-dimensional point cloud registration based on K-D tree optimization[J]. Engineering of Surveying and Mapping，2016，25（6）：15-18

[5] 馬振宇，龐勇，李增元，等.地基激光雷達森林近地面點云精細分類與倒木提取[J].遙感學(xué)報，2019，23（4）：743-755. MA Z Y， PANG Y， LI Z Y， et al. Fine classification of near-ground point cloud based on terrestrial laser scanning and detection of forest fallen wood[J]. National Remote Sensing Bulletin， 2019，23（4）：743-755.

[6] YUN T， AN F， LI W Z， et al. A novel approach for retrieving tree leaf area from ground-based LiDAR[J]. Remote Sensing， 2016，8（11）：942.

[7] 李政國.基于區(qū)域生長法的高空間分辨率遙感圖像分割與實現(xiàn)[D].南寧：廣西大學(xué)，2008. LI Z G. The segmentation and realization of high spatial resolution remote sensing image based on region growing algorithm[D]. Nanning： Guangxi University，2008.

[8] 王義敏，秦永元.基于區(qū)域生長的SAR圖像目標(biāo)檢測方法研究[J].計算機應(yīng)用，2009，29（1）：45-46. WANG Y M， QIN Y Y. Target detection in SAR images based on region growing[J]. Journal of Computer Applications， 2009，29（1）：45-46.

[9] 李亞東，馮仲科，李長青.USB攝像頭雙目視覺胸徑測量實證研究[J].中南林業(yè)科技大學(xué)學(xué)報，2016，36（8）：1-5. LI Y D， FENG Z K， LI C Q. Empircal study on diameter at breast height measurement of binocular vision in USB camera[J]. Journal of Central South University of Forestry Technology， 2016，36（8）：1-5

[10] 宋姍蕓，王佳，李曉磊，等.利用電子經(jīng)緯儀改進望高法測算立木材積[J].測繪通報，2015（7）：113-116. SONG S Y， WANG J， LI X L， et al. Improvement of pressler method for stand volume measurement using electronic theodolite[J]. Bulletin of Surveying and Mapping，2015（7）： 113-116.

[11] 曹忠，鞏奕成，馮仲科，等.電子經(jīng)緯儀測量立木材積誤差分析[J].農(nóng)業(yè)機械學(xué)報，2015，46（1）：292-298. CAO Z， GONG Y C， FENG Z K， et al. Error analysis on standing tree volume measurement by using electronic theodolites[J]. Transactions of the Chinese Society for Agricultural Machinery， 2015，46（1）：292-298.

[本文編校：吳 毅]