激光雷达 (LiDAR)是一种适用于大范围快速获取森林三维数据的新手段，但是基于 LiDAR的林业参数估计算法和提取精度仍有待进一步提高。以海南省三亚市热带区域森林为研究对象，基于其扫描获取的 LiDAR点云数据提出了改进的动态移动窗口搜索算法，进行冠高模型建模与生成，并提出了基于此模型进行林木平均高度估计的方法。通过改进的算法，利用 C#编程、 LasTools、ArcGIS等相关工具对点云数据进行网格化，从而进行 DEM和 DSM提取、 CHM生成、平均树高等参数估计。结果 表明：经过算法的改进，大面积森林的数字地面模型 (DEM)、数字表面模型 (DSM)和冠高模型 (CHM)可以从 LiDAR数据中快速提取，但 LiDAR点云获得的树高值比实际值低。这是由于 LiDAR数据树顶的错失及点云的低密度所导致的，然而通过最低树高值的不断增加，其实测值与估计值的差值也在逐渐缩小。

LiDAR is a new method suitable for large-scale and rapid acquisition of forest three-dimensional data, but the estimation algorithm and extraction precision of forest parameters based on LiDAR still need to be improved. This paper presents an improved dynamic mobile window search algorithm based on the LIDAR point cloud data obtained from the Hainan Province Sanya Tropical area forest, for modeling and generation of crown height model, and proposes a method for average height of trees estimation based on this model. Through the improved algorithm, used C # programming, Lastools, ArcGIS and other related tools to grid the point cloud data, thus, DEM and DSM extraction, CHM generation and Average height of trees parameter estimation are carried out. The results show that the Digital Terrain model (DEM), Digital Surface model (DSM) and Crown Height model (CHM) of large area forest can be quickly extracted from LiDAR data, but the tree high value obtained by LiDAR point Cloud is lower than the actual value. Due to the LIDAR data of the top of tree and the low density of the point cloud, however, the difference between the measured value and the estimated value is gradually reduced by increasing the lowest tree height value.

传统森林空间结构地面测定方法仅能得到一些点上数据，很难及时获取区域范围森林参数的空间分布信息，而快速发展的遥感技术能够满足此应用需求^[1-3]。目前，遥感技术已被广泛应用于林业资源管理、动态监测与分析、灾害监测、预测、评估等领域，遥感图像光谱信息具有良好的综合性和现势性，能够反映森林空间分布的变化特征。但是，大多数遥感传感器只能提供水平方向的信息，垂直方向的信息（例如林木垂直方向的信息）很难从遥感图像中获得，而LiDAR 技术的出现引起了自然资源管理和研究方面的重大变化。激光雷达（Light detection and ranging，LiDAR） 在森林垂直结构测量方面具有无可比拟的优势，将遥 感图像、激光雷达数据与地面测量得到的样点数据相结合，可以更精准地获取大范围森林类型及三维空间结构的分布特征，通过多时相遥感数据序列分析森林结构的动态变化规律^[4]。激光扫描仪发出的激光可以部分穿过植被的空隙到达地面，系统接收植被和地面反射激光，获得森林垂直结构参数。然而，LiDAR 技术自身的相关特性限制了获取的垂直信息精度。有研究表明，在LiDAR数据中，中密度至高密度冠层林的林分高度通常被低估，由于激光脉冲的采样间距，激光脉冲刚好打到树冠顶点的概率相对较小^[5-6]，该因素是影响LiDAR 数据估计参数精度的重要因素。

国内外对基于遥感的森林参数估计均进行了大量的研究，吴楠、李增元、吕国屏、胥喆等多数学者对国内外林业遥感应用的研究概况与进展进行充分的归纳与总结^[7-10]，目前雷达、激光雷达等主动遥感方式是反演林分结构较为有效的方法^[11]，国内许多学者对森林蓄积量的遥感估测开展了大量的研究工作^[11-23]，王雪军等研究了基于遥感大样地抽样调查森林面积监测，实践了遥感样地判读与地面样地抽样调查相结合的大样地调查方法的应用，发现影像分辨率对判读精度影响较大^[24]；韦雪花研究了轻小型航空遥感森林几何参数提取，结果表明，轻小型机载LiDAR 数据和高分航空影像提取的样地尺度的林分平均高、平均冠幅以及单木尺度的树高和冠幅等参数，精度能达到72% ～ 88%^[25]；刘清旺等结合了激光雷达和ALHIS 对湖北典型亚热带森林开展了航空遥感试验，结果分析表明，激光雷达对林分平均高的估测精度达到90.67%，ALHIS 能够获取教高分辨率的植被遥感特征数据^[26]；林怡、陈健、刘鲁霞等利用LiDAR 数据进行单木识别与胸径、树高等数据提取^[27-30]，但提取数据量较大，其算法时间成本较高，因此仍有待提高。总体来说，基于LiDAR 的参数估计效果要高于基于遥感影像的参数估计，因为林业管理者对森林垂直结构（如林冠高度）的估算是最感兴趣的^[31]，而LiDAR 与遥感影像的结合可以提高参数的估计精度^[32]。目前基于LiDAR 数据对森林林冠高度的估测研究已成为一个新的研究热点，国内越来越多的学者相继开展了相关研究工作^[33-37]。

国外多名学者对平均树高与冠层模型高度之间的预期差异开展了详细研究^[38-41]。众多研究表明，使用几何概率来估计给定平均冠幅的激光命中的平均垂直位置，然后将该位置与研究区域林分的实际树高进行比较，并通过将计算的差值与激光估计树高相加来计算平均树高，提高了估计值与实测值的相关性^[39-41]。但这些研究多集中于特定的区域或特定的树种，推广至其他区域或树种需要重新对算法进行验证^[39,42]。

LiDAR 技术在大面积森林作业研究中有着非常突出的成效，然而国内目前开展基于LiDAR 技术在热带地区森林空间结构方面的研究却很少，主要是由于热带地区的森林冠层郁闭度较高，其林下植被复杂多样，这使得LiDAR 在勘测过程中可能会无法完全穿透树枝树叶到达地面而提前反射从而造成估测结果产生偏差。本研究在总结前人大量已有研究成果的基础上，以海南省三亚市热带区域森林为研究对象，并基于LiDAR 点云数据的动态搜索窗口算法，提出了一种改进的冠层估计方法，并提出了LiDAR 数据估计的平均高度与林分平均高度之间的关系，总结出LiDAR 数据估计的平均树高与实地调查平均树高之间的关系，通过这种关系，可以从LiDAR 数据中快速估计其他区域热带森林的平均高度。

三亚市地处海南岛最南端， 地理坐标为18°09′34″ ～ 18°37′27″N、108°56′30″ ～109°48′28″E，东邻陵水，北依保亭，西毗乐东，南临南海，陆地总面积1 919.58 km²；其北靠高山，南临大海，地势自北向南逐渐倾斜，形成狭长状的多角形，境内海岸线长258.65 km，有大小港湾19 个，大小岛屿40 个；市区三面环山，北有抱坡岭，东有大会岭、虎豹岭和高岭，南有南边岭，形成环抱之势，山脉连绵起伏、层次分明；其地处低纬度，属热带海洋性季风气候区，年均气温25.7 ℃，全年日照时间2 534 h，年均降水量1 347.5 mm。境内有中、小河流多达12 条，主要分为中、东、西部三个水系。中部水系以三亚河为主，包括大茅水；东部水系以藤桥河为主，包括藤桥西河和藤桥东河；西部水系以宁远河为主，为三亚第一，海南第四大河。三亚市地表水年总径流量11.5 亿m³，地下水动储量1.42 亿m³，并具有丰富的地热资源。

三亚市动、植物资源较为丰富，有关调查资料显示，境内有植物（含栽培品种）共1 838 种，其中属国家重点保护的野生植物有坡垒、无翼坡垒、红榄李、油楠、青梅、白桫椤等；境内分布的陆生野生动物多达300 余种，其中兽类50 种，鸟类300 余种，属国家重点保护的野生动物有云豹、孔雀雉、海南山鹧鸪、白鹇、穿山甲、猕猴、水鹿等。

实验区域选择在三亚市福万水库北侧山地树林，范围为 50 hm²，共实地采集高程点 48个，单株树木 69株，同时采集了树木的胸径、树高，以及实地照片。

采集 LiDAR数据的设备为德国 TopoSys公司的 Harrier 68i，飞机采用运 -5。激光扫描仪的型号为 Riegl LMS-Q680，最大脉冲频率 400 kHz，扫描角度 45°～ 60°，该仪器的 GPS、IMU、激光器、相机高度集成、固化在设备箱内。该技术是以激光为测量媒介的新型遥感技术， LiDAR数据点密度为 1.51点 /m²。

较早提出激光 LiDAR数据完整处理过程的是 Hoffman和 Jain^[43]，后来的数据处理研究也大多按照这种过程进行。总体而言，激光扫描系统获取的 LiDAR数据处理一般按照如图1所示流程进行，包括数据采集、数据预处理、点云分割（或称滤波分类）、地物分类、对象建模 5个步骤。基于这些步骤，对于森林应用，本研究的数据处理过程包括数据采集、数据预处理、 DEM和 DSM提取、 CHM生成、平均树高等参数估计、精度验证及结果改进等步骤，如图1所示。



图1 实验区域实地核查数据 (红色为高程点、绿色为单株树木 )
Fig.1 Field verification data in experimental area (Red is elevation point, green is single tree)

数据收集和预处理不在本研究讨论。本研究重点研究 DEM和 DSM提取，CHM生成和树高估计。

• 2.1 DEM与 DSM 提取

  鉴于林地地形的复杂性，本研究采用改进的移动窗口差分算法。该算法首先对点云数据进行网格化，获得每个网格内的最高点、最低点，作为初始 DSM、DEM参考面，然后根据初始参考面，通过分别设定不同的阈值，对剩余未分类的点云进行细分，以将 DSM、DEM进行细化。最后将 DEM、DSM点云集合存入文本文件输出。算法的具体思想和步骤如下：

  • 2.1.1 拟合 DSM与 DEM初始参考面

    首先在三维激光点云文件中自动找出、坐标的最小值和最大值，即（ X_min，Y_min）和（ X_max， Y_max）。选择格网间隔大小为 2 m，然后分别计算出坐标的最大值和最小值的差值并取整。以左上角坐标为起点，建立格网间隔为 2 m的矩阵，然后将激光点云的点转化到格网中，将每个格网中高程最小的（格网中无高程的不计入）点标记为地面点，作为 DEM初始参考面的第 1批参考点；每个格网中高程最大的点标记为植被最高处的点，作为 DSM初始参考面的第 1批参考点。

    

    图2 LiDAR数据应用处理流程
    Fig.2 LiDAR Data application process

    水平和垂直方向分别依次移动格网起始点位置（例如 1/n格网间隔），重新建立格网间距 2 m的网格矩阵，重复以上步骤，获得 DEM和 DSM初始参考面的第 2批参考点；水平和垂直方向分别移动 n-1次后，获得 DEM和 DSM的离散值初始参考面。

    离散 DEM和 DSM初始参考面提取完成后，利用 IDW插值方法，插值格网大小选择 1/n格网间隔，得到连续的 DEM和 DSM初始参考面模型 E(i,j)，T(i,j)。

    

    图3 点云转化到格网示意图像
    Fig.3 Point cloud convert to grid diagram

  • 2.1.2 DSM点与 DEM点精确分类

    利用 DEM和 DSM初始参考模型，对初始的激光点云进行精确分类。

    对于第一步中未被标记为 DEM和 DSM的点集合 Z中的每个点，分别计算该点与 E(i,j)，T(i,j)初始参考面的差值：

    dZE_n=Z_n-Es(i,j)。

    dZT_n=Z_n-Ts(i,j)。

    其中， dZE_n|dZT_n分别为该点与 DEM初始参考面、DSM初始参考面的高程差值，Z_n为该点高程， Es(i,j)和 Ts(i,j)为点 Z对应 DEM和 DSM参考面网格 (i，j)处 3×3邻域内高程平均值。

    计算公式如下：

    

    设置地面点与植被点判断阈值，根据如下规则判断该点的分类：

    

  • 2.1.3 插值生成 DSM、DEM模型

    集合 Z中的所有点判断完毕后，地面点、植被点分别与对应类型的初始参考面标记点合并，形成 DSM、DEM点集合，最后通过反距离加权插值（IDW）形成研究区域最终的 DSM、DEM模型。

• 2.2 CHM提取

  冠层高度模型（ Canopy height model，CHM）是一个代表植被高度的连续数字数据集，是一个表达植被距离地面高度的表面模型，能够提供树木冠层的水平和垂直分布情况 ^[44]。根据 CHM的定义，它一般是由 DSM与 DEM进行差值运算生成。森林调查中很多的植被参数都可以从 CHM中直接或间接获得，例如树高、冠幅、郁闭度、蓄积量和生物量等，但是获得的这些参数通常会比实际值低。

  本研究利用 GIS中的栅格空间分析原理，对 DSM与 DEM进行差值运算生成 CHM，通过去除了地面点后，对 CHM进行统计得出平均树高。基于平均树高估计冠幅、郁闭度、蓄积量和生物量等指标作为下一步的研究内容。

• 2.3 基于 LiDAR数据平均树高的估算

  基于 LiDAR的平均树高估算分两个步骤，首先估算研究区域内林木数量及单株位置分布，然后根据 CHM获得每株单树对应位置的高度值作为该树的树高，最后计算所有树高的平均值，得到整个区域的平均树高 ^[47-48]。

  • 2.3.1 单株树木位置与数量的估算

    以 CHM为基础，在一定半径范围内查找最高值处的位置点，作为一株单树的估计位置，该点的高度作为该树的树高。

  • 2.3.2 研究区域的平均树高估算

    由于树枝、树叶、地面植被等的影响，激光点很难直接打到地面，在到达地面前就被提取反射回去，造成 LiDAR地面高度有一定的误差。本研究在估计平均树高时，设定树木最低值 HL，统计大于等于最低值 HL的树高的平均值作为平均树高估计值，以减少上述因素对林木高度统计的影响。

实验区域的 LiDAR点云数据经过系统的处理，本次选择阈值大小为 0.2 m。将最后所得到的激光点进行内插，格网间距为 2 m，即可得到较为精确的 DEM、DSM：经过 DEM提取、 DSM提取、 IDW插值、 CHM生成、平均树高计算等步骤，得到了实验区域的 DEM、DSM、CHM、单株树木位置估计图等。如下图所示：

图4 原始点云数据 (Z值渲染 )
Fig.4 Raw point cloud data (Z-value rendering)

图5 DSM渲染图像及图例
Fig.5 DSM rendering and illustration

根据 CHM提取平均树高，与核实采样点进行对比分析。通过设置不同的最低树高，平均树高的估计结果如表1所示：

图6 DEM渲染图像及图例
Fig.6 DEM Rendering and illustration

图7 CHM渲染图像及图例
Fig.7 CHM Rendering and illustration

图8 单株树木位置与数量的估算
Fig.8 Estimation of location and quantity of single tree

表1 LiDAR点云数据提取平均树高
Table 1 LiDAR point cloud data extraction average tree height (m)

图9 不同最低树高设置下 LiDAR平均树高计算
Fig.9 Calculation of LiDAR average tree height under different minimum tree height setting

通过表1可以得出以下结论： LiDAR点云获得的树高比实际值低。由于 LiDAR数据树顶的错失及点云的低密度，树高被低估 0～ 2 m。按以上统计结果，通过最低树高的值不断增加，实测值与估计值的差值逐渐缩小，最低树高设置为 6 m时，差值为 0 m。此表分析结果可作为经验值，用于后期 LiDAR数据树高改正。

造成 LiDAR数据估计的树高比实际低的可能原因分析如下：

（1）树顶采集点缺失。由于激光采样密度的原因，树顶可能不会被激光打到，形成采集数据树顶缺失，造成估计树高偏低。

（2）激光无法完全穿透树枝树叶到达地面。虽然激光有一定的穿透性，但是对于在热带森林地区树枝茂密、林下低矮植被繁盛的情况下，较难到达实际地面，大部分被提前反射，同样造成估计树高偏低。

基于以上因素，后期推广利用 LiDAR数据估计平均树高时，应进行相关实地外业核查，获得相关改正数，使估算结果更加精确。