全 文 ：林 业科 学研 究 2010, 23( 2) : 151 156
Forest Research
᭛ゴ㓪ো : 1001-1498( 2010) 02-0151-06
෎ѢԢᆚᑺᴎ䕑 LiDAR ੠ CCD ᭄᥂ⱘ
ᵫߚᑇഛ催ᦤপ
ֳ׬ၩ, ч֚༰* , ঞூซ, ૴ ဇ, हಷੜ, ვ ע
( 中国林业科学研究院资源信息研究所 , 北京 100091)
ᨬ㽕: 本文基于低密度的机载激光雷达( LiDAR) 数据生成林区树冠高度模型( CHM) ,结合高分辨率 CCD数码相机
影像勾绘林分多边形, 由改进的树冠识别算法提取林分平均树高。结果表明: 全部有效数据林分总体精度达
74. 86% ,刺槐精度达 75.62% , 油松精度达 74. 74% ,结果受点云密度影响 , 使得阔叶树种的精度稍高于针叶树种 ,
因此, 低密度激光雷达数据结合高分辨率 CCD可以快速、准确地提取林分平均高。
݇䬂䆡 : 低密度; LiDAR; CCD;林分平均高
Ё೒ߚ㉏ো : S758.5 ᭛⤂ᷛ䆚ⷕ : A
收稿日期 : 2009-09-02
基金项目 : 中央级公益性科研院所专项基金项目“森林结构参数遥感综合定量反演方法研究”( RIFRITZJZ200703 )
作者简介 : 范凤云 ( 1981— ) , 女 , 山东菏泽人 , 硕士生 ,研究方向 : 合成孔径雷达技术应用 . E-mail: fanfy@ caf. ac . cn
* 通讯作者 :陈尔学 ( 1968— ) ,男 ,山东菏泽人 , 研究员 , 硕士生导师 , 雷达首席专家 , 主要从事合成孔径成像雷达数据处理技术及其在
森林资源调查中的应用 .
Forest Mean Height Extraction Based on the Low-density
Airborne LiDAR and CCD Data
FAN Feng-yun, CHENEr-xue, LIUQing-wang, PANG Yong, LI Shi-ming, ZHAO Feng
( Research Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China. )
Abstract: The study generated forest canopy height model ( CHM) using the low-density arborne Light Detection and
Ranging ( LiDAR) , it sketched the stand polygons combined with the high-resolution Charge Coupled Device
( CCD) digital camera image, and extracted the stand mean height by the improved recognition algorithm. The
results showed that the overall accuracy of the total valid data was 74. 86% , The accuracy was 75. 62% for Robinia
pseudoacacia, and 74. 74% for Pinus tabulaeformis. The precision of broad-leaved was slightly higher than that of
the conifer species owing to the influence of the point cloud density. Therefore, low-density LiDAR with high
resolution CCD data can quickly and accurately extract the stand mean height.
Key words: low-density ; LiDAR; CCD; forest mean height
目前,国内外利用激光雷达 ( LiDAR) 数据在林
业上开展了大量研究。国外小脚印激光雷达系统已
经成功的应用于大范围的森林资源清查,其中高密
度激光点云已得到大量实践应用 [ 1 ] ,尤其在估测单
木树高1 胸径1 冠幅1 枝下高1 生物量1 林分平均
高1 林分平均蓄积量1 林分生物量1 郁闭度1 林层
1 林分密度等方面有了较大的进步 [ 2 - 5] 。而对于低
密度激光雷达数据应用较少, Thomas 等 [ 6] 使用高低
不同密度( 每平方米 4 个点和 0. 035 个点) 激光点云
对比结果分析,高低采样密度差异性不显著,但是地
形复杂的山区低密度激光点云数据应用仍需要进一
步研究探讨。利用激光雷达数据和高分辨率 CCD
进行林分尺度的森林参数获取方面,国外亦有研究,
Popescu等 [ 7 ]使用小光斑激光雷达数据和多光谱影
～
林 业 科 学 研 究 第 23卷
像估测森林蓄积量和生物量,结果显示,使用融合数
据能够较好的提高针叶林的生物量和蓄积量的估
计,在特定情况下也可提高阔叶林样地的估计。国
内,赵峰、庞勇等 [ 8 - 9 ]首次利用低密度激光雷达数据
和数码相机影像融合反演林木参数,以植被激光点
云不同高度处的分位数作为统计变量, 建立林分平
均高的关系, 进行林分平均高反演。庞勇、周淑芳
等 [ 10] 以重庆市铁山坪林场为研究区,以高密度机载
小光斑激光雷达数据及与其同步获取的高分辨率数
码影像为数据源,进行了高精度的单木水平方向信
息及树高信息的提取。张彦林等 [ 11] 用 BP神经网络
分析法,得出激光雷达测量树高与实测树高、材积的
拟合函数方程,验证了激光雷达测量树高与实测树
高、材积之间存在紧密的相关关系。杨伯钢、冯仲科
等 [ 12 - 1 3] 利用机载激光雷达数据在北京昌平试验区
进行了外业实测树高的比较和相关性分析。
本试验根据 2005 年低密度机载激光雷达数据,
研究在地形复杂的山区结合高分辨率 CCD勾绘林
分多边形,提取林分平均高。本文研究的主要目的
是利用低密度机载激光点云获取徂徕山林场树冠高
度模型( Canopy Height Model, CHM) ,基于勾绘多边
形提取整个林区林分平均树高,对结果进行分析评
价,为大面积林分平均高制图提供理论依据;提出低
密度机载激光点云大范围制图的不足, 为以后根据
不同的试验目的获取高质量的数据提供现实依据。
1 ೋི௕ۤ೴࡬ݦ௜
1. 1 䆩偠ऎὖމ
研究区域位于山东省泰安国家森林公园徂徕山
林场,地理坐标为 117°16′～ 117°20′E, 36°02′～ 36°
07′N。林场经营总面积 8 491 hm2 ,包括 10 个不同
的分区管理,其中,林业用地面积 7 164. 4 hm2 ( 不含
苗圃地 8. 6 hm2 ) ,占全场总面积的 84. 4% ,非林业
用地面积 1 318 hm2 ,占全场总面积的 15. 5%。森林
主脉东西走向,主峰太平顶海拔 1 027 m,南坡较陡,
北坡较缓。林场山地坡度大致可分为五级: 0°～ 5°
山坡占 5% ; 5°～ 25°山坡占 37% ; 25°～ 35°山坡占
40% ; 35°～ 45°山坡占 15% ; 46°以上山坡占 3%。
全场林业用地根据地势可划分为 3 类:山区海拔 700
m以上的林业用地面积 1 602. 8 hm2 , 700 m以下林
业用地面积 5 033. 9 hm2, 平原河滩林业用地面积
527. 7 hm
2
,分别占林业用地面积的 22. 4%、70. 3%
和 7. 3%。优势树种为刺槐 ( Robinia seudoacacia
L. ) 、油松 ( Pinus tabulaeformis Carr. ) 、黑松 ( Pinus
thunbergii Parl. ) , 其次有侧柏 ( Platycladus orientalis
( L. ) Franco. ) 、落叶松 ( Larix gmelinii( Rupr. ) Ru-
pr. ) 、杨树( Populus spp. ) 等,其中, 以刺槐、油松为
主。林分属经营林分,以纯林居多,极少为混交林。
林分 70. 5%为中龄林、近熟林、成熟林。
1.2 䘹ᛳ᭄᥂ⱘ㦋প
2005 年 5 月 13 日获取了覆盖徂徕山林场的机
载 LiDAR数据,激光点平均间隔约 1. 6 m( 即点云密
度平均约每平方米 0. 39 个点) 。采用的仪器是激光
扫描仪 RIEGLLMS-Q280i系统,首次回波纪录模式,
激光发散度 0. 5 mrad,激光扫描角正负 30°,飞行地
速 180 km·h - 1,相对航高 800 m,绝对飞行高 1 600
m,扫描重叠率为 22%。获取的激光雷达点云数据,
投影方式为 UTM,参考椭球为 WGS84, 每个激光点
包含了平面位置坐标值、高度值、强度值、类别值、
回波类型等信息。同期获取的数码航空摄影测量高
分辨率 CCD数据,影像地面分辨率大小为 0. 5 m,如
图 1。
图 1 研究区机载高分辨率真彩色数码相机影像
1.3 ഄ䴶㾖⌟᭄᥂ⱘ㦋প
为了进一步研究低密度机载激光雷达数据在山
区大范围反演林分平均高情况,与 2008 年 5 月 29—
6月 12 日对整个徂徕山区进行外业调查,使用罗盘
仪设计 20 m×20 m的方形样地,样地的选择主要考
虑坡度 ( 小于 25°) 、树种 ( 纯林 ) 、树龄 ( 中龄林为
主) 、郁闭度( > 0. 6) 等因素,利用手持 GPS对样地
中心点进行定位, 调查样地内每株树木的树高、胸
径、冠幅、枝下高等因子, 样地的叶面积指数、郁闭
度、海拔、林下土壤厚度等辅助分析因子,其中使用
手枪式测高器( CGQ-1 型) 测量树高和枝下高,对于
较矮的林木使用花杆测量枝下高,使用围尺测量胸
径,皮尺测量树冠两个方向的冠幅。在树高测量中,
用卷尺量取被测树到仪器的距离,一般为 15 m或 20
m,并以此线作为基线,右手握住仪器,右眼靠近并
251
第 2 期 范凤云等:基于低密度机载 LiDAR和 CCD数据的林分平均高提取
对准观测孔,在垂直方向上移动仪器,通过观测孔与
准星尖瞄准被测树顶, 稍等 2 ～ 3 s 指针停止摆动
后,扣动扳机, 读取指针在高度盘相应基线上的数
值,即为树高。使用围尺测量 1. 3 m树高处的直径,
即为胸径。以高空间分辨率 CCD为基准,基于软件
GeoMedia4. 2 勾绘不同林分类型多边形, 进行矢量
化,根据林分大小,每个林分调查 1 鶫 4 块样地,整
个林场共调查 171 块样地,分布在林场的每个区,包
括刺槐 ( 75 )、油松 ( 69) 、麻栎 ( Quercus acutissima
Carr. ) ( 5) 、落叶松( 3) 、赤松 ( Pinus densiflora Sieb.
et Zucc. ) ( 2) 、黑松 ( 2) 、板栗 ( Castanea mollissima
Blume) ( 1)、杨树( 1) 、混交树种( 13) 等树种。在数
据分析时,林分平均高利用断面积加权法进行计算,
以优势树种刺槐、油松为主, 利用有效林分多边形
97 个,其中有 32 个刺槐林分多边形和 41 块油松林
分多边形,其它林分多边形 24 个。
2 ೴࡬၇҉स
基于 Terrasolid软件平台,对 LiDAR点云数据进
行分类,将 LiDAR 激光点分成地面点和非地面点两
类。利用不规则三角网法 ( Triangulated Irregular
Network, TIN) 由地面点内插生成数字高程模型
( Digital Elevation Model, DEM) , 由非地面点内插生
成数字表面模型 ( Digital Surface Model, DSM) , DSM
表达的对象可以是森林、建筑物、较大石块等。在森
林地区,由 DSM减去 DEM,可以得到冠层高度模型
( Canopy Height Model, CHM) , CHM表达了林木高
度和冠层的空间分布状态,由于一些激光点可能来
自林冠下层的灌丛植被或者来自林冠上层的物体的
反射,存在一些伪冠层信息,对林分高的提取造成一
定影像,因此,本文对小于 1. 5 m,大于 35 m的点进
行掩膜剔除,生成整个林区冠层高度模型。总的技
术路线如图 2 所示。
2. 1 ▔ܝ䳋䖒⚍ѥ᭄᥂᭛ӊᇐܹǃߚഫ
运行 MicroStation V8,新建一个设计文件, 选择
种子文件。通过 MicroStation的实用工具加载 Terra-
Scan模块,从 TerraScan主窗口的 File中读入激光点
云,一次读取所有的点云文件, 然后,利用 TerraScan
General工具组的 Define class工具,定义类别值,依
次添加 Overlap、Noise、Temporary 3 个类别,并保存到
文件中。当单个激光点云文件的数据量很大时,需
要进行分块处理。分块的目的:一是将大数据量文
图 2 技术路线图
件分为小数据量文件,以便进行处理,提高效率;二
是将不同的地形特征区域划分为不同的块,根据有
林区与无林区分块处理, 以便选取合适的参数进行
处理,减少手工编辑量,获取精度较高的 DEM,为获
取高质量的 CHM做准备。本文将全部激光点云数
据分为 17 块进行处理。
2.2 ߚ⾏ഄ䴶⚍
赵峰 [ 5 ]曾研究了徂徕山激光雷达数据特点,提
出了点云分类的基本策略和针对不同地物的滤波算
法,认为, Tin Filter算法能够较好的提取植被回波
点,但任何一种自动滤波算法均不能完全达到分离
地面点的要求,为获取精度更高的 DEM,分类后必
须进行必不可少的人工编译。因此, 分离地面点时
参数的选取显得非常重要。
在 LiDAR 数据 DEM 制作过程中, 通过 Max
building size参数控制最初点的选择,利用选择的最
低点建立最初的模型,最初模型的大多数三角形都
低于地面,有一些三角形的顶点与地面接触,通过迭
代方法添加一些新点到模型中,每个新添加的点使
得模型更接近于地面。迭代参数决定了距离三角形
平面近的点能够被模型接受。设置一般可以根据影
像下建筑物的长度进行设定,开始时选择一些局部
最小值点,并且, 确保这些点落在地面上, 如果 Max
building size为 20. 0 m,程序假设在 20 m×20 m的
区域内,至少有一个点落在了地面上,并且认为最低
点为地面点。本研究中,利用不同的参数进行试验,
选择合适的建筑物大小参数。
Iteration angle 是点、点在三角形平面投影和最
近的三角形顶点之间的最大角度,习惯设定为 88°或
89°,本研究设置为 88°; Iteration angle为判断地面点
351
林 业 科 学 研 究 第 23卷
位数据的迭代角度, 其中山地一般在 6°左右, 平地
稍小为 1°或 2°左右, 本研究区在山区,设置为 6; It-
eration distance为迭代垂距,参数确保迭代时不会向
上跳跃太大,这有助于将低矮建筑物阻挡在模型之
外 [ 14] 。一般山地为 1. 6 或者更大,平地为1. 4 或更
小,本研究设置为 1. 6。
对于徂徕山机载低密度激光雷达数据的试验发
现,当 Max building size为 15 m时,可以去除大部分
植被,保留了一些极低矮的灌木,同时很好地保留了
微地形特征;但是,对于山区平原的房屋,不能被去
除,特别是山脚附近的房屋去除效果较差, 如图 3
( a) 。当 Max building size为 25 m时,由于激光点云
密度较稀疏,会出现在一定范围内无激光点情况,不
能很好的反映地形信息,如图 3( c) ;当 Max building
size为 20 m时,如图 3( b) ,可以相对较好地去除植
被,同时去除了更多的微地形特征;能够去除山区平
原的几乎全部房屋,减少了手工编辑量,有利于减少
手工编辑量生成精度更高的 DEM。
图 3 最大建筑物大小参数选取结果对照
2. 3 ᓎゟഄ䴶῵ൟ᠟Ꮉ㓪䕥ഄ䴶⚍
参数的合适选取可以较好的分离地面点, 但任
何参数使用必定有些错分的点, 因此, 可以通过
TerraScan的 Model工具组,创建一个可编辑的地面
模型,手工编辑地面点,以纠正错分的点,生成精度
较高的 DEM。
2. 4 ᷥݴ乊⚍䆚߿
利用低密度机载 LiDAR 数据提取 CHM 时,
DEM和 DSM起重要作用, 在激光雷达点云数据专
用软件 Terrasolid支持下, 利用所有点生成 DSM和
分离出的所有地面点生成 DEM, 二者之差得到
CHM,掩膜掉伪冠层,然后进行单木树冠识别。假定
树冠顶点高于树冠的其他位置,在 CHM中使用局部
最大值搜索网口搜索潜在的树冠顶点。当树冠大小
比较均一时,可以使用固定大小的搜索窗口,根据林
分条件确定窗口大小,以减少识别误差,进而计算能
够识别出的单株树 [ 1 5]。如图 4 是 CCD, 如图 5 是
CHM与 CCD叠加。
图 4 CCD 图 5 CCD 和 CHM叠加 图 6 林分单木识别
2. 5 ᵫߚᑇഛ催ᦤপ
基于勾绘林分多边形和树冠顶点识别情况计算
林分平均高, 如图 6, 计算多边形内的平均值, 即为
估测林分平均高,然后与实测林分平均高回归,对结
果进行线性回归分析。
图 6 中点代表利用激光雷达数据基于 CHM局
部最大值算法提取的树冠顶点,即为单木树高信息,
多边形代表基于 CCD勾绘林分多边形。
451
第 2 期 范凤云等:基于低密度机载 LiDAR和 CCD数据的林分平均高提取
3 ࠒڴד๥ူඉৢ
3. 1 ໪Ϯ⌟䞣ϢԄ⌟᭄᥂ᇍ↨ߚᵤ
在 CHM提取树高顶点时,利用改进的算法指定
最小树冠半径,确定局部最大值的滤波窗口大小,搜
索最小树冠半径,滤掉树冠半径小于指定阈值的伪
树冠顶点 [ 1 5] ,得到最终的树冠顶点,提取单木树高,
利用激光雷达数据识别出的单木树高, 计算多边形
内的算术平均高,即为林分平均高。外业测量平均
高与 LiDAR 数据计算样地平均高进行线性回归及
结果精度分析如表 1。
全部林分实测树高与激光雷达估测林分平均高
决定系数 R2 为 0. 505,刺槐林分实测树高与激光雷
达估测林分平均高 R2 为 0. 660,油松林分实测树高
与激光雷达估测林分平均高 R2 为 0. 373。决定系数
的差异可能与树种的差异和林分的垂直结构不同有
关。外业测量的林分平均高与激光雷达测量树高相
关性刺槐比油松高,主要原因可能是徂徕山机载激
光雷达数据每平方米 0. 39 个激光点,在点云密度较
低的情况下,导致点云图像上找到的树木“顶点”与
实际树木顶点不一致,阔叶树种相对针叶树种激光
点云密度稍大。而且,激光雷达测量树高与林分坡
度、坡向、郁闭度有一定的关系。因航带是东西方
向,其他条件相同,坡度沿飞行线方向估测树高相对
南北方向估测树高偏高,在海拔较低坡度较大的林
分,激光点返回的能量较少,提取 CHM质量就较差。
3. 2 ᵫߚᑇഛ催㒧ᵰ㊒ᑺ䆘Ӌ
精度计算公式:
精度 = 1 - ( |实测树高 - 估测树高 |) /实测
树高
㸼 1 ᅲ⌟ᵫߚᑇഛ催ϢԄ⌟ᵫߚᑇഛ催ಲᔦঞ㊒ᑺߚᵤ
林分 R R2 平均精度 /% 回归方程
所有林分 0. 710 0. 505 74.86 DBH_H= 3.324 +0. 875LIDAR_H
刺槐林分 0. 812 0. 660 75.62 DBH_H= 4.409 +0. 777LIDAR_H
油松林分 0. 610 0. 373 74.74 DBH_H= 2.994 +0. 921LIDAR_H
注 : DBH_H为平均高 , LIDAR_H为激光雷达估测林分平均高。
由表 1 知:全部 97 块林分多边形提取林分平均
高总体平均精度为 74. 86% , 纯林阔叶树刺槐平均
精度 75. 62% ,针叶树油松平均精度 74. 74% , 刺槐
总体精度稍高于油松。刺槐树种的估测精度稍高于
油松的精度,主要原因可能是刺槐属阔叶树,冠形一
般呈椭球形, 而油松属针叶树种, 冠形一般呈圆锥
形,因此,刺槐树种的反射率更高,冠形垂直结构上
升的更快,在激光雷达点云采样中碰到树冠层的概
率更大。
4 ࠒৢ
经过对徂徕山低密度机载激光雷达数据基于
TerraSolid处理软件平台进行处理,结合同期获取的
高分辨率 CCD 反演整个林区林分平均高, 结果
表明:
( 1)机载激光点云采样密度直接影响 CHM的
质量, TerraSolid处理软件提取地面点的参数选取直
接影响 CHM结果。试验过程中,建筑物大小参数选
取经过多次试验对比后最终确定,而且手工编辑需
要较多时间。因此,进一步提高采样密度可能会提
高单木识别的质量, 机载激光雷达遥感影像处理软
件分离地面点的算法有待进一步提高。
( 2)利用改进的算法指定最小树冠半径,确定
局部最大值的滤波窗口大小,搜索最小树冠半径,滤
掉树冠半径小于指定阈值的伪树冠顶点,得到最终
的树冠顶点,提取单木树高,关键是确定局部最大值
滤波窗口大小。
( 3)利用低密度机载激光雷达结合 CCD影像反
演林分平均高是确实可行的,且总体精度达 75%以
上,阔叶树刺槐的精度高于针叶树油松的精度。
机载激光雷达点云密度对数据的处理及结果都
有一定的影像,今后期望能够开发使用于机载航空
遥感数据后处理的地面点提取算法、软件,提高处理
效率和准确度。而且, 数据质量是数据处理结果优
劣的重要因素,因此,为了得到高质量的结果, 需要
有高质量的数据。
খ㗗᭛⤂:
[ 1 ] 庞 勇 , 李增元 , 陈尔学 , 等 . 激光雷达技术及其在林业上的应用
[ J] . 林业科学 , 2005, 41( 3) : 129 - 136
[ 2 ] Popesc S C, Wynne R H, Nelson R F. et al. Estimating plot-level
tree heights with lidar: local filtering with a canopy-height based var-
iable window size[ J] . Computers and Electronics in Agriculture,
2002, 37: 71 - 95
[ 3] Holmgren J, Nilsson M, Olsson H. et al. Estimation of tree height and
stem volume on plots using airborne laser scanning[ J] . Forest Sci-
ence, 2003, 49( 3) : 419 - 428
[ 4] Maltamo M, Eerikainen K, Pitkanen J . et al. Estimation of timber vol-
ume and stem density based on scanning laser altimetry and expected
tree size distribution functions[ J] . Remote Sensing of Environment,
2004, 90: 319 - 330
[ 5] Clark M L, Clark D B, Roberts D A. et al. Small-footprint lidar esti-
mation of sub-canopy elevation and tree height in a tropical rain for-
551
林 业 科 学 研 究 第 23卷
est landscape[ J] . Remote Sensing of Environment, 2004 , 91: 68 -
89
[ 6] Thomas V, Treitz P. Mapping stand-level forest biophysical variables
for a mixedwood boreal forest using lidar: an examanation of scanning
desity[ J] . Can J For Res, 2006 36: 34 - 47
[ 7] Stonge B, Jumelet J, Cobello M, et al. Measuring individual tree
height using a combination of stereophotogrammetry and lidar[ J] .
Can J For Res, 2004 , 34: 2122 - 2130
[ 8] 庞 勇 ,赵 峰 , 李增元 , 等 . 机载激光雷达平均树高提取研究
[ J] . 遥感学报 , 2008, 12( 1) : 152 - 158
[ 9] 赵 峰 .机载激光雷达数据和数据相机影像林木参数提取研究
[ D] .北京 : 中国林科院资源信息研究所 , 2007
[ 10] 庞 勇 , 李增元 , 谭炳香 , 等 . 点云密度对机载激光雷达林分高
度反演的影像 [ J] . 林业科学研究 , 2008, 21( 增刊 ) : 17 - 18
[ 11] 张彦林 , 冯仲科 ,杨伯钢 , 等 . LIDAR 技术在林业调查中的应用
研究 [ J] .林业资源管理 , 2007 ( 6) : 73 - 77
[ 12] 冯仲科 , 杨伯钢 , 罗 旭 ,等 . 应用 LIDAR 技术预测林分蓄积量
[ J] . 北京林业大学学报 , 2007 (增刊 2 ) : 45 - 51
[ 13] 杨伯钢 , 冯仲科 , 罗 旭 , 等 . LIDAR 技术在树高测量上的应用
与精度分析 [ J] . 北京林业大学学报 , 2007( 增刊 2) : 78 - 81
[ 14] 贾玉明 , 雷 鸣 , 侯红松 . LIDAR 机载激光雷达数据制作 DEM
原理分析 [ J] . 大众科技 , 2007 ( 8) : 79 - 80
[ 15] 刘清旺 , 李增元 , 陈尔学 , 等 . 利用机载激光雷达数据提取单株
木树高和树冠 [ J] . 北京林业大学学报 , 2008, 30 ( 6) : 83 - 90
651