基于无人机航测数据的甘南高原森林冠层高度和冠幅的提取

Extraction of forest canopy height and width using UAV aerial survey data in the Gannan Plateau

摘要

目的 以甘南高原的35个针叶林样方为研究对象，探究基于无人机航测数据提取森林结构参数的可行性，为日趋自动化的林业调查工作提供参考。 方法 研究基于无人机激光雷达数据分离植被点和地面点生成数字表面模型和数字高程模型，运用冠层高度模型提取树高，基于无人机正射影像利用ESP工具筛选最优分割尺度进行多尺度分割，优化特征空间进行面向对象分类，在ArcGIS中提取冠幅，将提取树高、冠幅与野外实测数据对比，进行精度评价。 结果 树高提取值与实测值拟合R²为0.90，RMSE为1.336 m，具有明显的线性关系；冠幅总体分类精度为90.18%，Kappa系数为0.80，东西冠幅与实测值拟合的R²为0.842，RMSE为0.509 m，，南北冠幅R²为0.876，RMSE为0.479 m，东西和南北方向冠幅的均值R²为0.878，RMSE为0.430 m。 结论 基于无人机遥感影像的森林结构参数自动提取方法高效可靠，在森林资源调查中有重要的现实意义。

Abstract

Objective Based on the data from UAV aerial survey of 35 coniferous forest quadrangles on the Gannan Plateau，the feasibility of extracting forest structure parameters was explored to provide insights for the advancing automatic forestry investigations. Method In this study，vegetation points and ground points were segregated based on UAV LiDAR data to generate digital surface models and digital elevation models.A canopy height model was employed to derive tree heights，while the ESP tool was utilized to determine the optimal segmentation scale for multi-scale segmentation based on UAV imagery.The feature space was optimized for object-oriented classification，and canopy amplitudes were extracted using ArcGIS.Extracted tree heights and crown widths were compared with field-measured data to assess accuracy. Result The fitting values for tree height exhibited a strong linear relationship，with R² and RMSE values of 0.90 and 1.336m，respectively.The overall classification accuracy of crown width was 90.18%，with a Kappa coefficient of 0.80.The R² fitting for east-west crown width against measured values was 0.842，with an RMSE of 0.509 m，while for north-south crown width，it was 0.876 with an RMSE of 0.479 m.The average R² for east-west and north-south crown widths was 0.878 with an RMSE of 0.430 m. Conclusion The automatic extraction method of forest structure parameters using UAV remote sensing imagery proved to be efficient and reliable，which was of practical significance in forest resource investigations.

Graphical abstract

关键词

无人机 / 森林结构参数 / 点云数据 / 冠层高度模型 / 面向对象

Key words

unmanned aerial vehicle / forest structure parameters / point cloud data / canopy height model / object oriented

Author summay

武艳朵，硕士研究生。E-mail：[e-mail]

冠层高度和冠幅是基础的林分特征参数，准确提取冠层高度和冠幅对预测森林生态系统的生产力和碳汇水平，以及衡量森林生态服务能力具有重要意义。利用传统的测量工具进行每木检尺或者结合遥感影像技术调查林木信息是常用的样方尺度和大尺度森林资源调查手段^［1］，传统的每木检尺方式作业周期长、劳动强度大。而卫星遥感影像的获取具有回访周期长、影像尺度大、云层影响大、空间分辨率低等局限性，难以实现林区实时动态监测。随着无人机技术的飞速发展，无人机在远程遥控、续航时间、飞行品质上有了明显的突破，弥补了地面监测与航天、卫星遥感之间的尺度空缺，具有机动灵活的优势^［2］，极大地减轻林业调查中的人力消耗。激光雷达（light detection and ranging，LiDAR） 是近十年来发展非常迅速的主动遥感技术，其集激光测距技术、惯性测量单元、GPS差分定位等技术于一体，能够实时获取三维空间信息^［3］，机载激光雷达（airborne laser scanning，ALS）和地基激光雷达（terrestrial laser scanning，TLS）在森林结构调查中应用较广泛^［4］.

以无人机为平台，既可以搭载激光雷达系统获取森林的水平和垂直两个维度的点云数据，又可以搭载专业相机获取高分辨率RGB影像，数据获取具有时间灵活，不受天气影响，安全性高等优点。Dalponte等^［5］结合了高光谱和无人机激光雷达数据，采用非线性支持向量机对高光谱波段进行像素级分类并提取冠幅，结果表明，高光谱数据自动勾画出的单个树冠通常比ALS数据更小，高光谱数据的树检出率要低得多。Sankey等^［6］融合了无人机激光雷达和多光谱数据，提取了美国亚利桑那州北部的植被冠层高度、冠径和总冠层盖度。Vega等^［7］介绍了一种多尺度动态点云分割算法，该算法在3种不同的森林类型进行测试，正确检测率达到82%； Liu等^［8］ 通过修改基于冠层高度模型的单个树冠描绘算法并将其集成到基于点的算法中，开发了一种多尺度局部最大值算法，以提高单木检测、分割精度。边瑞等^［9］利用16 个无人机激光雷达点云数据，结合正射影像数据和实地样方观测数据，提取祁连山样方内青海云杉的单木树高并分析其空间变化。张玉薇等^［10］以无人机获取的天然云南松纯林可见光影像为数据源，比较了多尺度分割、 标记分水岭分割和基于均值漂移的超像素分割3种分割方法对单木冠幅信息提取精度的影响。

为了探究基于航测数据自动化提取森林结构参数的精度情况，本文以35个针叶林样地为研究对象，基于无人机激光雷达数据运用冠层高度模型提取树高，基于无人机可见光影像利用面向对象法提取冠幅，结合实测数据分析自动提取结果的精度，以期为无人机遥感技术在针叶林结构参数提取的应用提供理论依据。

1 材料与方法

1.1 研究区概况

甘南高原区位于甘肃省西南部，其东部逐渐向陇南山地过渡，北连陇中黄土高原^［11］，如图1所示，地貌类型为山地和高原。甘南高原区年均温度1~13 ℃，大部分地区在3 ℃以下，寒冷湿润是甘南高原区的主要气候特征。 年均降水量440~800 mm，是甘肃省内降水量最丰富的地区。甘南高原的植被类型以高寒草甸、灌丛和山地森林为主，其中，山地森林主要包括高山常绿灌丛，寒温性针叶林和落叶阔叶林等类型。甘南林区是甘肃省最大的林区，森林面积约占全省的30%，森林蓄积约占全省的45%^［12］，长期以来一直是甘肃省最大的木材基地。此处树种丰富多样，优势树种包括青杄、云杉、油松、辽东柏等，它们都是典型的针叶乔木，具有耐荫、耐寒、根系发达、喜好雨水等特点，其生长区是宝贵的水源涵养区。

1.2 数据获取

1.2.1 实测数据

在甘南高原林区选取35个森林样方进行实地测量，样方大小为30 m×30 m，测量内容为单木的高度（m）、胸径（cm），东西冠幅（m）、南北冠幅（m）、枝下高（m）等，通过胸径尺测量单木的胸径，通过激光测距仪测量树高，通过皮尺测量冠幅。

1.2.2 无人机数据

根据实地样方的单木和地势情况，设计飞行样方，获取森林样方的激光雷达数据和正射影像。设UniStrong和千寻基站，获取卫星差分GPS数据；根据森林组提供的样方大致区域规划无人机航线（飞行轨迹贯穿整个样方数据）；架设搭载RiEGL HS300 LiDAR系统的DJI M600无人机，于2021年6月进行飞行数据采集。激光雷达系统平面定位精度为0.05 m，高程定位精度为0.1 m。无人机激光雷达飞行高度在 100~200 m，飞行速度为4 m/s，平均点云密度为100/m²。此外，使用专业级DJI Phantom 4 RTK 无人机获取正射影像，飞行高度在100~400 m之间，飞行速度为9 m/s，航向和旁向图像重叠率都为90%。

1.2.3 数据预处理

根据基站获取不同的差分GPS数据进行数据解算，确定不同坐标系统间的转换矩阵，进行三维点云的拼接，获取样方区域的点云数据。点云拼接的过程包括两个环节，首先是手动粗拼接，即在要进行拼接处理的相邻两站点之间，通过手动寻找同名点对来解算转换矩阵SOP，以此获得一个较好的数字生态组初始相对位置，然后是通过迭代最近点算法（Iterate closest points）进行自动拼接达到不同站点之间的点云的精细拼合。根据飞行样方，对点云数据和正射影像进行裁剪，飞行样方的区域包含地面实测样方。

1.3 研究方法

1.3.1 总体技术流程

本文所涉及到的技术方法主要是无人机影像预处理、无人机激光雷达数据提取树高、无人机正射影像数据提取冠幅，提取流程如图2所示，用到的软件主要有PIX4D、Lidar 360、eCognition Developer 9.0、ArcGIS10.7等。

1.3.2 冠层高度的提取

研究使用基于冠层高度模型（canopy height model，CHM）的单木分割提取冠层高度。将点云数据根据飞行样方进行裁剪，去除低位粗差和高位粗差等噪点^［13］，采用改进的渐进加密三角网滤波算法从激光雷达点云数据中分离地面点和非地面点^［14］，此算法首先通过种子点生成一个稀疏的三角网，然后通过迭代处理逐层加密，直至将所有地面点分类完毕。接着将地面点通过TIN插值生成数字表面模型（digital surface model，DSM），通过反距离权重法插值生成数字高程模型（digital elevation model，DEM ）两者相减得到冠层高度模型，进而单木分割提取冠层高度。 图3是5号样方的正射图和点云图。

冠层高度模型使用分水岭分割算法分割单棵树，获取单木位置、树高、胸径、冠幅和树木边界等参数。单木分割算法涉及5个参数：最大树高，最小树高，缓冲区大小，高斯平滑因子，窗口。其中对单木分割精度影响最大的是高斯平滑因子，因此寻找3种森林类型最优高斯平滑因子尤为重要。结果显示该值越小，分割越精细，容易导致过分割，反之，则会欠分割，但值得注意的是过分割的情况中也会存在漏分割的单木。当单木分割精度较差时，通过ALS编辑工具对种子点进行增加、删除等操作，并基于编辑后的种子点再次对点云进行分割，提高分割准确性。图4是5号样方的单木分割结果点云图。

1.3.3 冠幅的提取

采用面向对象法对林木冠幅进行多尺度分割和最邻近分类。多尺度分割通过合并相邻小的分割对象，在保证对象之间平均异质性最小、对象内部像元同质性最大的前提下，基于区域合并技术实现影像分割^［15-16］，主要参数包括分割尺度、形状因子、紧致度因子。分割尺度越小，分割后的影像斑块越细碎；分割尺度越大，分割后的斑块面积越大，其关键在于确定最佳分割尺度。

此处选用ESP（Estimation of scale parameter）工具^［17］来计算最佳分割尺度。ESP2 算法的工作原理是先计算一个波段内不同对象的局部方差（local variance graphs） 然后计算出多个波段局部方差的均值，使用局部方差变化率ROC-LV（rates of change of LV）来评价某一对象的最佳分割尺度。分别设置3个层次的起始尺度和增长步长。形状因子和紧致度因子根据控制变量取值0.5。将处理进程结束后生成的文本文档输入到 ESP 程序中，生成最优尺度折线图，ROC的波峰则表示此时的尺度参数为某种地物对象的最佳分割尺度。以5号样方为例，分割尺度折线图如图5所示。

图6为5号样方在不同尺度下的分割效果，由图可知，在128尺度下分割的斑块太过破碎，在232尺度下树冠分割的不完全，175尺度分割效果最好。每块样地的细节不同，最佳分割尺度也不同。

面向对象分类法是在多尺度分割的影像基础上通过选择特征空间和样本进行监督分类，主要包括定义分类体系、配置特征空间、选择典型样本和优化分类结果^［18］。最邻近分类的关键在于特征空间的选取，通常参与分类的特征越多，分类精度越高，但是分类特征过多会产生冗余，造成计算量的增加，分类精度和效率降低。为了避免该情况，利用样本采集器对所选特征按照贡献率进行筛选，选出最佳特征组合。这里选择光谱特征R、G、B波段上的均值、标准差、亮度、Max.diff；形状特征：长宽比、形状指数；纹理特征：灰度共生矩阵相异性、灰度共生矩阵相关性12个特征进行空间优化，结果如图7所示，可以看到，当分类特征维数为6时，最低分离度最高，此时为分类的最佳特征组合：R均值、G均值、B均值、亮度、Max.diff、长宽比。

1.4 精度评价

1.4.1 单木分割精度

分割结果分为准确分割、过度分割和漏分割，其中过度分割是指点云数据将1棵树分成了多棵，漏分割是指点云数据未检测出的单木。以分割的准确率P_d（%）、召回率P_r（%）和测度F进行精度评价。计算公式^［19］如下：

P_d(\mathrm{\%})=\frac{N_C}{N_d}\times \mathrm{100}\%（1）

P_r(\mathrm{\%})=\frac{N_c}{N_r}\times \mathrm{100}\%（2）

F(\mathrm{\%})=\frac{\mathrm{2}{P}_r\times P_d}{Pr+P_d}\times \mathrm{100}\%（3）

其中N_c 为正确分割的单木数量，N_d为分割出来的单木数量，N_r 为目视解译的单木数量。F测度是对准确率和召回率的综合描述，F值越高，表示单木分割效果越好，三者的变化范围均在0~1之间。

1.4.2 冠幅分类精度

Kappa系数常用于分类精度评估和一致性检验。在面向对象分类的基础上，用混淆矩阵来评价冠幅的分类精度，主要的评价指标为生产者精度、用户精度、总体精度和Kappa系数。Kappa系数的计算结果通常在0~1之间，当Kappa系数在0.61~0.80 之间，则表示高度的一致性，而当Kappa系数高于0.80，则认为几乎完全一致。具体计算公式^［20］如下。

OA=\frac{\mathrm{1}}{n}{\sum }_{k=\mathrm{1}}^N{a}_{kk}（4）

P_C=\frac{\mathrm{1}}{n^{\mathrm{2}}}{\sum }_{k=\mathrm{1}}^N({\sum }_{i=\mathrm{1}}^N{a}_{ki}{\sum }_{i=\mathrm{1}}^N{a}_{ik})（5）

Kappa=\frac{n{\sum }_{k=\mathrm{1}}^N{a}_{kk}-P_C}{\mathrm{1}-P_C}（6）

式中：OA为总体精度； n为总样本数； N 为真实参考像元总数； a_{kk}为混淆矩阵对角线； Pc 为某一类地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果；a_{ki}为真实参考像元数；a_{ik}为真实参考像元数中被分类的像元数（ k = 1，2，…，N） 。

2 结果与分析

2.1 树高提取分析

单木分割完成后，输出结果是csv文本文件，将csv文本文件中树木坐标进行可视化处理，与正射影像图作对比，来初步验证单木分割的结果。在arcgis10.7中对单木分割进行空间统计验证。根据公式（1）~（3）计算3种样地单木分割的准确率、召回率和F测度，结果如表1所示，35个样方中，F测度最低为81.6%，最高为94.2%，总体达到87.3%，树高提取整体效果较好，但仍存在漏分、错分现象，因为相邻树间树冠重叠度较大，森林冠层的遮挡阻碍激光穿透形成多次回波，导致地面点附近的激光点较少，并且在茂密森林存在小树被大树遮挡的现象。此外，刘思康等^［21］研究发现坡度也会影响单木位置的识别，缓坡上的单木定位精度较陡坡高。

以实地采集35个森林样方的实测数据作为真实树高进行验证，将点云数据提取的树高与其进行线性回归分析，结果如图8。树高提取值R²达到了0.857，RMSE为1.171，由于机载激光雷达从上而下的扫描特点，对树顶点的识别较好，因此能够准确的测量冠层高度。这表明基于无人机激光雷达的森林冠层高度提取是可行的，精度能够满足甘南高原针叶林生长状况快速评价与动态遥感监测的需求。

2.2 冠幅提取分析

在 eCognition Developer 软件中按照上述最佳特征组合进行最邻近分类，将分类结果与正射影像叠加进行修正，分类结果如图9-A所示，将林隙剔除，得到树冠图，如图9-B，将分类结果矢量文件导入ArcGIS中，把树冠对象通过折点转点转化为点矢量，计算点矢量中最大X坐标、最小X坐标、最大Y坐标、最小Y坐标，作差得到每个树冠的东西冠幅、南北冠幅，对东西、南北冠幅求平均，得到冠幅均值。

由于试验样地为林地，无其他类别，所以分为树冠和间隙。用混淆矩阵根据公式（4）~（6）对最邻近分类结果进行精度评价，得到35个样地的分类精度和Kappa系数，如表1所示，总体分类精度为90%，Kappa系数为0.80。无人机所拍摄的影像不可避免会带有一些因光照产生的阴影区，在处理过程中非树冠区域的阴影常被识别为树冠对象，导致树冠分类精度降低。将实测东西冠幅、南北冠幅、冠幅均值与提取值进行线性拟合，结果如图8-B~D所示，东西冠幅实测值与提取值之间的R²为0.842，RMSE为0.509 m；南北冠幅的R²为0.876，RMSE为0.479 m；冠幅均值R²为0.878，RMSE为0.430 m，实测值与提取值之间拟合效果较好。

3 讨论

单一的数据源难以获取高精度的森林参数信息，本文将具有三维信息的ALS点云数据与空间分辨率高的正射影像相结合，既能获取具备纹理、光谱等高分辨率的图像信息，又能获取单木及地形三维信息，更准确的提取了甘南高原森林的冠层高度和冠幅信息，并结合实测数据验证提取精度。本研究进一步证明了轻小型无人机获取林业遥感影像在提取森林冠层高度和冠幅方面具有较高的准确性，能极大地减轻林业调查中的人力消耗。

无人机激光雷达作为一种主动遥感技术可以有效获取森林三维结构，在林业调查中具有无可比拟的优势，但在提取精度上仍有一定的挑战，单木分割和树高提取的精度受到多方面的影响。首先，在算法上关键在于两点，一是滤波算法对于点云数据中地面点的精确分类，二是分割算法对树顶点和冠幅边界的精确识别^［22］，因此，下一步的研究重点应该放在算法的优化，如利用机器学习方法，通过不断训练数据提高分类精度。再者，DEM、DSM、CHM的质量、森林郁闭度也会影响提取精度，在森林郁闭度高的区域，冠层的遮挡阻碍激光穿透形成多次回波，难以精确获取下层植被信息，机载激光雷达与地基激光雷达的联合将有效弥补该不足^［23］。此外，点云密度也是单木检测和分割的重要影响因素^［24］，原始点云下提取的树高信息精度高于抽稀后点云的提取，即高密度的点云数据能够得到更精细的空间结构信息。树木高度是森林资源调查的基础因子之一，准确的提取树木高度对提高森林生物量、蓄积量和碳储量的估算精度具有深远的意义。

传统以单个像元为单位的信息提取技术主要依赖影像中的光谱信息，并且过于着眼于局部而忽略了整片图斑的几何结构情况，从而严重制约了信息提取的精度^［25］。而面向对象分类方法针对不同地物类型，可以构建多尺度网络层次，为分类提供上下文拓扑关系信息，有利于进一步准确、精细的提取信息。但仍然具有很多困难，多尺度影像分割算法是釆用基于异质性最小的一种区域合并算法，只有影像的光谱异质性、光滑度异质性和紧密度异质性都最小，才能保证整幅影像所有对象的平均异质性最小，从而达到最佳分割效果。对于大区域无人机可见光影像，分辨率高，运算慢、处理用时长；而在林分密度大的森林里，树冠间重叠交错，相互遮挡，基于平面影像难以提取到完整的冠幅，导致提取结果普遍小于实测值。

但研究仍然存在一些不足，如缺乏无人机在不同飞行高度下树高提取的研究；也没有做树种的区分，并且研究结果是基于样方尺度的，未来应该考虑将样方尺度上的结果更准确地扩展到大区域尺度等，在后续的研究中可以针对以上不足进行研究探讨。

4 结论

1） 甘南高原无人机激光雷达数据提取的单木树高，在样方级别中提取树高值与实测值的拟合情况较好，R²达到0.90，RMSE为1.336 m；无人机正射影像提取东西冠幅实测值与提取值之间的R²为0.842，RMSE为0.509 m；南北冠幅的R²为0.876，RMSE为0.479 m；冠幅均值R²为0.878，RMSE为0.430 m，能够满足林业调查中的精度要求。

2） 基于最邻近分类对树冠和林隙进行分类，总体精度达到90.18%，Kappa系数为0.80，整体分类效果较好。但在分类中仍然存在错分现象，这是由于在处理过程中非树冠区域光照产生的阴影被识别为树冠对象，导致树冠提取精度降低。

3） 研究中基于CHM的冠层高度提取和面向对象的单木冠幅提取方法对林木生长形态与冠层结构较单一的甘南高原天然林比较适用，该方法可为当下甘南林区日趋自动化的林业调查工作提供参考。

参考文献

[1] 邓云，王彬，李强，张志明，等.轻小型无人机航摄技术辅助的热带森林样地测量精度问题探讨［J］.生物多样性，2018，26（8）：892-904.

[2] 毕凯，李英成，丁晓波，等.轻小型无人机航摄技术现状及发展趋势［J］.测绘通报，2015（3）：27-31.

[3] 侯峰.LIDAR详细介绍及其应用举例综述［J］.科技广场，2014（4）：95-100.

[4] 艾萨迪拉·玉苏甫，玉米提·哈力克，阿不都拉·阿不力孜，等.基于地面LiDAR数据的塔里木河下游胡杨林结构参数反演［J］.生态学报，2020，40（13）：4555-4565.

[5] Dalponte，Orka，HO，et al.Tree crown delineation and tree species classification in boreal forests using hyperspectral and ALS data［J］.Remote Sens Environ，2014，140：306-317.

[6] Sankey T， Donager J， Mcvay J，et al.UAV lidar and hyperspectral fusion for forest monitoring in the southwestern USA［J］.Remote Sensing of Environment，2017，195：30-43.

[7] Vega C， Hamrouni A， Mokhtari S E.et al.PTrees：A point-based approach to forest tree extraction from lidar data［J］.International Journal of Applied Earth Observations and Geoinformation，2014，33 ：98-108.

[8] Liu L， Lim S， Shen X，et al.A hybrid method for segmenting individual trees from airborne lidar data［J］.Computers and Electronics in Agriculture，2019，163：104871-104871.

[9] 边瑞，年雁云，勾晓华，等.基于无人机激光雷达的森林冠层高度分析：以祁连山东、中部青海云杉为例［J］.遥感技术与应用，2021，36（3）：511-520.

[10] 张玉薇，陈棋，田湘云，等.基于UAV可见光遥感的单木冠幅提取研究［J］.西部林业科学，2022，51（3）：49-59.

[11] 赵雪雁，李巍.中国地理学中的甘南研究［J］.地理研究，2019，38（4）：743-759.

[12] 张志强，孙成权，吴新年，等.论甘南高原生态建设与可持续发展战略［J］.草业科学，2000（5）：59-64.

[13] 林鑫，庞勇，李春干.无人机密集匹配点云与机载激光雷达点云的差异分析［J］.林业资源管理，2020（3）：58-62.

[14] 邵为真，赵富燕，梁周雁.基于不规则三角网的渐进加密滤波算法研究［J］.北京测绘，2016（6）：17-21.

[15] 张俊，朱国龙，李妍.面向对象高分辨率影像信息提取中的尺度效应及最优尺度研究［J］.测绘科学，2011，36（2）：107-109.

[16] 黄慧萍.面向对象影像分析中的尺度问题研究［D］.北京：中国科学院研究生院（遥感应用研究所），2003.

[17] Dragut L， Tiede D， Levick S R.ESP：a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data［J］.International Journal of Geographical Information Science，2010，24（5/6）：859-871.

[18] 周辰琴，余拥军，方陆明，等.飞行高度与郁闭度对水杉冠幅提取影响的研究［J］.林业资源管理，2022（1）：150-156.

[19] 曾霞辉，王颖，曾掌权，等.无人机影像树冠信息提取研究［J］.中南林业科技大学学报，2020，40（8）：75-82.

[20] 高飞，史海静，税军峰，等.基于UAV高分影像的陕北人工林结构参数提取［J］.中国水土保持科学（中英文），2021，19（4）：1-12.

[21] 刘思康，史泽林，宋宏阳，等.坡度对应用机载激光雷达估测人工针叶林单木参数的影响［J］.东北林业大学学报，2021，49（4）：45-51.

[22] 王娟，陈永富，陈巧，等.基于无人机遥感的森林参数信息提取研究进展［J］.林业资源管理，2020（5）：144-151.

[23] 张吴明，李丹，陈一铭，等.联合地基激光雷达与无人机摄影测量技术提取树高研究［J］.北京师范大学学报（自然科学版），2018，54（6）：764-771.

[24] 尤号田，邢艳秋，王铮，等.点云密度对激光雷达估计森林样方平均树高的影响［J］.东北林业大学学报，2014，42（5）：143-148.

[25] Haralick R M， Shapiro L G.Image segmentation techniques.［J］.Computer Vision，Graphics，and Image Processing，1985，548（1）：2-9.

基金资助

兰州交通大学优秀平台项目(201806)

干旱气象科学研究基金“半干旱区生态脆弱型城市森林生态效应评价研究：以兰州市南北两山为例”(1AM201903)