基于ALS和TLS融合数据的枝条属性因子构建木材材积模型.pdf

Vol.44 No.3Mar.2024第 44 卷 第 3 期2024 年 3 月中 南 林 业 科 技 大 学 学 报 Journal of Central South University of Forestry&Technologyhttp:/收稿日期：2023-08-15基金项目：国家重点研发计划项目（2016YFC0502704）；广东省林业科技创新项目（2021KJCX001）；江苏高校优势学科建设工程资助项目（PAPD）。第一作者：虞晨音（），硕士研究生。通信作者：温小荣（），副教授，博士，硕士生导师。引文格式：虞晨音,温小荣,汪求来,等.基于 ALS 和 TLS 融合数据的枝条属性因子构建木材材积模型 J.中南林业科技大学学报,2024,44(3):33-43.YU C Y,WEN X R,WANG Q L,et al.Construction of a wood volume model based on branch attribute factors of ALS and TLS fusion dataJ.Journal of Central South University of Forestry&Technology,2024,44(3):33-43.基于 ALS 和 TLS 融合数据的枝条属性因子构建木材材积模型虞晨音1，温小荣1，汪求来2，叶金盛2（1.南京林业大学 a.南方现代林业协同创新中心；b.林草学院，江苏 南京 210037；2.广东省林业调查规划院，广东 广州 510520）摘 要：【目的】立木材积作为森林蓄积量估算的重要单元，具有重要的森林资源调查意义，研究基于多源激光雷达手段获取立木枝条属性因子的方法，探究树木点云构建更优立木材积预测模型的能力。【方法】本文基于地基激光雷达（TLS）与机载激光雷达（ALS）融合的点云数据，运用几何特征树木骨架和提取不完全模拟水分和养分传输算法（ISTTWN），建立三维树木模型，并获取杨树单木的枝条属性因子。通过构建以枝条属性因子为自变量的立木材积预测模型，探索构建林分蓄积量最优估测模型。【结果】融合后的枝条属性因子较融合前精度有所提高，提取精度依次为着枝高度枝长弦长着枝角度分枝角度弓高，其中枝长拟合度最高，R2达 0.989。在利用特征参数与枝条属性因子构建材积预测模型中，基于枝条属性因子构建的模型较由特征参数建立的线性与非线性材积模型 R2分别提高 0.088 与 0.110，RMSE 则分别降低 0.012 与 0.009 m3。而将二者结合共同构建立木材积模型后，其线性与非线性模型拟合度分别达 0.729 与 0.759，为六组材积预测模型中最佳。【结论】TLS 与 ALS 融合点云数据后，由于数据之间的相互弥补，有效提高点云密度，在三维树木模型研建中能够显著的提高枝条属性因子的提取精度，同时在材积预测模型中加入枝条属性因子这一自变量能够有效提高模型预测的准确性。关键词：机载激光雷达；地基激光雷达；融合点云数据；枝条属性因子；材积预测模型中图分类号：S711.8 文献标志码：A 文章编号：1673-923X(2024)03-0033-11Construction of a wood volume model based on branch attribute factors of ALS and TLS fusion dataYU Chenyin1,WEN Xiaorong1,WANG Qiulai2,YE Jinsheng2(1.a.Co-Innovation Center for Sustainable Forestry in Southern China;b.College of Forestry and Grassland,Nanjing Forestry University,Nanjing 210037,Jiangsu,China;2.Guangdong Forestry Survey and Planning Institute,Guangzhou 510520,Guangdong,China)Abstract:【Objective】As an important unit of forest stock estimation,standing wood volume has important significance in forest resource investigation.This paper studied the method of obtaining the attribute factors of standing wood branches based on multi-source Lidar,and explored the ability of tree point cloud to build a better predicting model of standing wood volume.【Method】In this paper,based on the fusion point cloud data of ground-based Lidar(TLS)and airborne Lidar(ALS),a three-dimensional single tree model was established by using the geometric characteristics of tree skeleton and the extraction algorithm of incomplete simulation of water and nutrient transport(ISTTWN),and the branch attribute factors of individual poplar trees were obtained.By constructing a prediction model of stand volume with branch attribute factor as independent variable,the optimal estimation model of stand stock was explored.【Result】The accuracy of branch attribute factors after fusion was much improved compared with that before fusion,and the extraction accuracy was in the order of branch height branch length chord length branch growth angle branch angle bow Doi:10.14067/ki.1673-923x.2024.03.004虞晨音，等：基于 ALS 和 TLS 融合数据的枝条属性因子构建木材材积模型34第 3 期森林蓄积量是指单位森林面积上存在的林木部分的总体积，是反映森林生长状况与生态活力的重要指标，也是制定森林经营计划、评价森林固碳能力的重要参数1。活立木材积是森林蓄积量评估的基本单位，其测量结果直接影响评估精度。传统方法依赖胸径尺和测高仪进行实地测量，并通过查阅材积表对每株活立木进行估算。然而该方法耗时且人力成本高，并存在效率低、通量低、精度差和主观性强等问题，在数字化发展下无法满足林业调查需求。随着精确林业进程加快推进，激光雷达技术（LiDAR）已成为森林生产调查中重要手段之一。根据系统运行平台的不同，激光雷达技术可以分为机载激光雷达（Airborne LiDAR scanner，ALS）、地 基 激 光 雷 达（Terrestrial LiDAR scanner，TLS）、手持式激光雷达（Mobile laser radar，MLS）等。作为新型森林监测工具，ALS能精准测量距离、记录林木位置，并描绘出森林冠层的三维结构2。目前，许多地区和国家利用ALS对大面积林地进行监测，获取林木树高、冠幅、蓄积量等森林参数，并通过数据统计完成对林分评估和动态监测3。利用 ALS 点云数据进行蓄积量估测需要林业工作者获取研究区的 ALS 点云和每木检尺数据，并提取典型点云特征变量来建立与样地实测的蓄积量模型4。Means 等5利用ALS 所获取的 90%高度百分数位和密度特征参数对云杉 Picea jezoensis 和赤松 Pinus densiflora 的森林结构参数进行反演，取得较好的效果。Kwaket等6在研究中则发现不同密度的红松林材积估测与林分密度有关，低密度林分 R2为 0.67，高密度林分的 R2为 0.48。由于 ALS 的扫描自上而下完成，由于树冠遮挡，往往无法精确获取近地植被信息，在森林参数提取中精度会受到影响，因此在单木材积与蓄积量估测中依旧存在一定误差7。TLS 作为一种非破坏性的冠层高分辨率单位测量手段，能够精确获取树木的胸径、树高、冠幅等单木参数，相比 ALS 点云数据更加立体地展现森林内部结构，同时提供更完整的树木主干信息，配合适当的数据处理技术，可以快速计算单个树木材积，克服传统测定中存在的困难。目前，越来越多的研究者利用 TLS 点云数据优势对其进行树木三维可视化模型构建，以此提取更高精度的树木结构参数。Du 等8基于 TLS 数据提出一种准确的自动重建详细三位数木模型的新方法，为自动化，高精准度三维树模型重建提供几何基础。Fang 等9对 AdTree 方法进行更新与拓展，提出一种树的属性定量估计方法，树木材积的偏差、RMSE和R分别为0.012 36 m3，0.034 98 m3和0.96。但由于 TLS 作业在林内设站点进行，所获取的数据范围小，不能应用于大面积作业，在密度较高的林内作业时，林木上层树冠容易被中下层树冠遮挡，所以高层树冠处的精度会受到影响10。这意味着融合多平台激光雷达点云数据，减少遮挡效应对森林参数提取更为可靠，有助于激光雷达技术在森林监测与管理中的应用互补。Sergio 等11对融合的激光雷达数据进行信息组合与回归分析，发现最好的模型包含从这两个数据源中提取的变量。Luo 等12融合激光雷达与光谱数据估算生物量，较融合前地上生物量与地下生物量的 RMSE分别降低 8.6%与 7.9%，模型拟合度提高。Fekry等13基于定量结构建模（QSM）对 TLS 和 ALS融合数据进行树木参数估算，研究发现融合后的树高、材积和冠幅精度分别提高 9.01%、5.28%和18.61%。目前对多源激光雷达点云融合的研究逐步深入，但对参数精度提取与材积模型构建研究依旧单一，因此如何在稠密的森林中，综合各技术，扬长避短在获取更高精度的森林蓄积量成为了当下激光雷达技术研究的热点和难题。枝条作为树叶支撑的主体，是树冠组成的重要构件部分，其长度、角度、数量等对树冠形状和大小起决定性作用。对欧洲桦 Betula pendula14与某些桉属树种15等阔叶树种的研究显示：枝条的生长与冠幅密切相关，枝条直径大，存活时间长，生长速度相对缓慢，因而冠幅也大。对挪威云杉height.Among them,the fit degree of branch length was the highest with R2 of 0.989.Compared with the linear and nonlinear product volume models established by the feature parameters,the model constructed based on the feature parameters increased by 0.088 and 0.110 respectively,while the RMSE decreased by 0.012 and 0.009 m3 respectively.The linear and nonlinear models fit 0.688 and 0.709 respectively,which was the best among the six groups of volume prediction models.【Conclusion】After the fusion of point cloud data between TLS and ALS,the high point cloud density can be effectively improved due to the mutual compensation between the data,and the extraction accuracy of branch attribute factors can be significantly improved in the research and development of 3D tree models.At the same time,adding the independent variable of branch attribute factor into the volume prediction model can effectively improve the accuracy of the model prediction.Keywords:airborne LiDAR scanner;terrestrial LiDAR scanner;fusion point cloud data;branch attribute factor;volume prediction model35中 南 林 业 科 技 大 学 学 报第 44 卷Picea abies16、苏格兰松 Pinus sylvestris17等针叶树种的研究中也表明，枝条平均直径减小，长度变短，相应冠幅也变小。近年来随着激光雷达技术广泛应用，树木主干及枝条信息已可以在无破坏的情况下快速且准确获取，这使得枝条属性因子的研究有进一步发展。Kint 等18开发有花序橡树 Quercus robur 和欧洲山毛榉 Fagus sylvatica 幼龄人工林分枝的一级分枝统计模型，并对这些模型进行生态和造林解释。Lau 等19基于 TLS 点云对树木的体系结构进行描述，TreeQSM 发现并重建了超过 30 cm 的 95的树枝，其中 99%的分枝顺序正确，且精度较好。由上述列举的研究可知，枝条作为立木树冠的重要组成，与树木生长与养分积累密切相关，目前针对树木枝条的研究越来越丰富，但鲜少有将枝条属性因子与立木材积预估相结合。本研究以杨树人工林为对象，基于 ALS 与TLS 点云数据构建立木材积模型，研究目标如下：1）以 TLS 与融合点云为数据，利用优化后的ISTTWN 算法分别建立三维树木模型并对比提取的枝条属性因子精度；2）研拟基于 ALS 提取的特征参数与基于融合点云提取的枝条属性因子构建的线性与非线性立木材积模型，并对比模型优度；3）由特征参数与枝条属性因子共同建立立木材积模型，探究构建林分蓄积量的最优估计模型。1 材料与方法1.1 研究区概况本研究以江苏省苏北地区的陈圩林场为研究区，地理坐标为（3315N，11818E），海拔最高 62 m，属于中纬度带半湿润气候，年平均气温14.4，年日照时数 2 250 2 350 h，年平均降水量为 972.5 mm，该地区地势平坦，土壤肥沃，日照时间长，积温高，雨量充沛，水热条件优越，适宜林木生长。陈圩林场始建于 1960 年，面积为800 hm，是亚洲规模最大和品系最全的美洲黑杨种质资源库，也是江苏省杨树良种基地，培育了美洲黑杨中南林 351 杨、南林 895 杨、南林 797杨等多个优良品系。1.2 数据来源为减少叶片对数据精度的影响，于 2019 年 3月进行样木检尺与激光雷达扫描的数据采集工作。本研究选取林场内 12 块样地，所选杨树实验林为2007 年春季种植的 797 杨、95 杨、897 杨的一年生带根苗，样地以方形与长方形配置方式种植，林 分 密 度 为 6 m6 m、5 m5 m、3 m8 m、4.5 m8 m。在样木检尺中，使用 RTK 对样木从左至右逐一定位，并使用胸径尺、测高仪等对样木胸径、树高等进行测量与记录。为便于 TLS 与 ALS 数据配准，在激光雷达数据采集前从样地中心点出发，分别在 12 块样地的地面均匀布设 15 个地面控制点与 3 个检查点，并在这些控制与检查点上设置标志物，以确保 TLS 扫描过程中标志物之间有重叠，并且 ALS 能够通过样木间的高差识别标志物。本研究选用的激光雷达扫描仪分别为 RIEGL VZ-400i 地面激光扫描仪与 Riegl-miniVUX 机载激光扫描仪。地面激光扫描仪以 10 m 为 1 个测站间距，在样地内均匀布设测站，架设仪器高为1.5 m，扫描模式为 Panorama40，扫描分辨率为 40 mdeg，扫描时间为 45 s，其采用多回波技术，扫描速度能达到 500 000 点/s，由于采用多站式扫描对数据进行采集，因此扫描完成后，需先对每一样地的项目文件进行多站式拼接。机载激光扫描仪的飞机类型为大疆 M600，飞行高度为 100 m，飞行点云密度大于 123 pt/m2，点云航带重叠度为 40%50%，扫描完成后的点云数据以（*.las）格式储存。TLS 与 ALS 点云数据获取后，分别对二者的点云文件进行去噪、地面点分类、归一化等预处理工作，并利用 Li 等20提出的点云分割单木的方法对样地点云进行单木分割，该算法是从全局最高点的种子点开始，根据间距临界值和最小间距规则，通过对更低点的估计，将该种子点发展为一个树聚类，并最终逐步完成单木分割。为防止分割不足与过度分割的情况的出现，通过目视解译对分割结果进行初步检验。按照树木所处位置，将每一分割后的单木点云顺序进行逐一序号标记，并最终导出成（*.pcd）文件格式。分割完成后在12 块样地中，随机选取每块样地的 20 株 TLS 与ALS 冠层点云都没有出现重影的样木作为本研究的实验数据。1.3 研究方法本研究将 ALS 与 TLS 数据融合，利用优化后的 ISTTWN 算法对 TLS 与融合点云数据分别构建三维树木模型，并提取枝条属性因子，对比融合前后的精度。根据 ALS 提取的特征变量与融合点云数据提取的枝条属性因子，探究构建林分蓄积量的最优估计模型。虞晨音，等：基于 ALS 和 TLS 融合数据的枝条属性因子构建木材材积模型36第 3 期1.3.1 TLS 与 ALS 点云配准与融合点云配准是指将不同坐标系下的点云模型转换至统一坐标系中，以获取完整的点云模型。由于TLS 点云缺乏地理坐标系统，因此在进行点云配准之前需要对 TLS 点云进行单木位置匹配。通过与实测单木位置的对比匹配，计算出 TLS 点云的转换参数，并将其转换至与实测数据相符合的地理坐标系统。由于 ALS 点云和地面实测单木存在树冠和树干位置偏差，因此还需进一步进行配准。利用 Align 配准算法，分别在 TLS 和 ALS 点云数据中选取四个的特殊点作为控制点进行点云数据的粗配准。TLS 与 ALS 点云大致重合后，以 TLS 点云作为源点云，ALS 点云作为目标点集，使用迭代最近点算法（Iterative closest point，ICP）进行精配准，该算法本质上是基于最小二乘法的最优配准方法，通过寻找目标点与参考点集之间的对应关系，计算两点集之间最优的平移和旋转变换参数，反复迭代处理，直到满足条件，最终得到最优的刚体变换21。精配准后对二者点云进行融合，但由于共配准点云包括两个数据角度，因此在重合区域存在大量的重复点，将这些点划分为噪声与冗余点，并对其进行统计去噪与噪声滤波处理，以提高融合数据质量。将处理后的融合点云进行单木分割，将单木点云导出成（*.pcd）文件格式作为本次实验的融合点云。1.3.2 基于 TLS 与融合点云提取枝条属性因子基于点云数据建立树木骨架提取枝条属性参数，首先需要对预处理后的树木点云进行枝叶分离，本文采用kd-tree及其半径搜索法来实现分离，在树干处选择一个初始点，将其添加到代表分枝的集合中，并使用其中每个点的所有未添加的邻居点继续扩展集合，直到没有更多的点被添加进来。此时，仍未添加到集合中的点都被认为是叶上的点，而添加至集合的点被认为是枝干的点（图 1）。本研究利用优化后的 ISTTWN 算法对枝叶分离后的树木点云进行骨架提取，该算法原理可以描述为利用最短路径距离和指定的每一圈（或步长）输送水分和养分的距离，确定一部分点产生骨架点，其余点继续输送的过程。Yang 等22根据ISTTWN 算法提取的初始骨架的特点，从四个方面对骨架进行优化，提出一种基于层次关系重建的树桩调整算法和基于局部分枝点云和余弦相关的分岔优化算法，并利用现有的剪枝方法和骨架平滑方法对其进行改进。该方法优化后克服在树枝点云骨架提取中，骨架点和骨架线制作过程中分离的缺陷，保留了必要的骨架线，有效提高初始骨架提取精度与计算效率，并且优化后骨架明显更自然，更符合树木实际拓扑结构。利用优化后的算法提取的骨架可以看作树木拓扑结构的真实写照，因此可以提取出一些树木包括枝条属性因子（图 2）。a 为单木为枝叶未分离点云图，b 为单木枝叶分离后枝干图。a is the cloud image of unseparated branches and leaves of a single tree,and b is the stem image of a single tree after separating branches and leaves.图 1 枝叶分离Fig.1 Separation of branches and leaves1.3.2 特征变量与枝条属性因子本研究使用的特征变量包括基于 ALS 点云提取的特征参数以及基于 ALS 与 TLS 融合点云数据提取的枝条属性因子，其中 ALS 点云所提取的101 个常见的森林冠层模包括高度变量、强度变量等，基本思路是在归一化处理后的样地点云范围内绘制封闭的圆形缓冲区，并分别计算圆形区域内的特征变量，融合后提取的枝条属性因子包括BL、BCL、BH 等，由其各因子平均值作为特征变量参与立木材积模型的构建（表 1）。1.3.3 基于枝条属性因子与点云特征参数构建立木材积模型的变量筛选利用 SPSS 26.0 软件对枝条属性因子与点云特征参数进行变量筛选和皮尔逊相关性分析。当相关性的绝对值越接近于 1 时，说明所选因子与立木材积之间的关联性越强；而当相关性趋向于 0 时，则37中 南 林 业 科 技 大 学 学 报第 44 卷表示所选因子与立木材积之间的关联性较弱。由于可能存在共线性问题，需要对相关度较高的点云数据进行共线性诊断，并计算变量之间方差膨胀因子（VIF）。若 VIF 值接近于 1，则表明多重共线性程度较轻；反之则表示多重共线性程度较严重。12211()()()()niiinniiiiXX YYrXXYY=。（1）21VIF1iR=。（2）式中，r 为皮尔逊相关系数；Xi，Yi为点云特征变 量；n 为变量个数。2iR表示该自变量在其他自变量线性组合中的 R2。1.3.4 基于枝条属性因子与点云特征参数构建立木材积模型作为森林生产力估测的重要指标，森林蓄积量是最关键的森林参数之一。立木材积是森林蓄积量的基本单元，其测量结果的准确性直接影响着森林蓄积量评估精度。目前大多数蓄积量估测方法都建立在多层次提取单木和样地特征变量上构建的估测模型之上。因此，在构建估测模型时，如何通过多层次筛选特征变量以提高立木材积模型的估测精度成为研究中关键问题。本研究利用ALS 提取的特征变量和融合点云数据提取出来的枝条属性因子来构建单木材积模型，并按照江苏省杨树树种二元材积模型计算单木材积以验证该模型精度23，公式如下：1.988 520 20.657 875 991.30.000 104 003 438 957 7VDH=。（3）式中，V 为单木材积，D1.3为单木实测胸径，H 为单木实测树高。本研究选择建立线性与非线性两种不同材积模型进行单木材积的估测，探究最佳的材积预测模型，具体模型如下：112233nnVa Xa Xa Xa Xb=+。（4）32411123naaaanVa XXXX+=。（5）式中，V 为单木材积，X1Xn为特征变量，a1an为线性与非线性模型的系数，b为线性模型的常数。BH 为着枝高度，BA 为着枝角度，AA 为分枝角度，BCL 为弦长，BL 为枝长，BAH 为弓高，H 为树高，D1.3为胸径。BH is the branch height,BA is the branch Angle,AA is the Axil Angle,BCL is the string length,BL is the branch length,BAH is the bow height,H is the tree height,D1.3 is the diameter at breast height图 2 胸径、树高、枝条属性因子提取示意图Fig.2 Schematic diagram of DBH,tree height and branch attribute factor extraction虞晨音，等：基于 ALS 和 TLS 融合数据的枝条属性因子构建木材材积模型38第 3 期1.3.5 检验与评价为检验融合点云数据建立的三维模型所提取的枝条属性因子精度，本研究随机抽取 TLS 与ALS 冠层点云都没有出现重影的 30 株样木，并从中选取的 250 个一级枝作为本研究的检验数据，其中每一株样木中至少抽选 7 个分布均匀的一级枝。利用 CloudCompare 软件对 TLS 点云数据进行枝条属性因子数据的测量，由枝条属性因子的真实值代替实测值进行检验，为确保测量准确性，每一枝条属性因子进行多次测量，并选取数据的平均值作为枝条属性因子真实值，并从提取精度对不同枝条属性因子的提取结果进行分析24。为验证模型精度，将 2/3 的样本用于材积模型构建，剩余1/3的样本作为检验数据进行精度检验。表 1 特征变量与枝条属性因子Table 1 Feature variable and branch attribute factor特征变量 Characteristic variable描述 Description特征参数Characteristic parameterAIH1、AIH5、AIH10、AIH20、AIH25、AIH30、AIH40、AIH50、AIH60、AIH70、AIH75、AIH80、AIH90、AIH95、AIH99累积高度百分位数：所有归一化后点云按高度排序并累计计算出的高度，共 15 个。H1、H5、H10、H20、H25、H30、H40、H50、H60、H70、H75、H80、H90、H95、H99高度百分位数：所有归一化后点云按高度排序，共15 个。Hmax、Hmin、Hmean、Hmedian、Hmadmed、Hvar、Hstd点云高度最大值、最小值、中位数、中位数绝对偏差的中位数、方差、标准差。Hcrr冠层起伏率Haad平均绝对偏差Hskewness偏斜度HKurtosis峰度Hcv变异系数Hsms二次幂平均Hcmc三次幂平均Hiq高度百分位数四分位数间距AIHiq累积高度百分位数四分位数间距D1、D2、D3、D4、D5、D6、D7、D8、D9、D10密度变量：点云从低到高分层后，每一层的回波数比例，共 10 个。IA1、IA5、IA10、IA20、IA25、IA30、IA40、IA50、IA60、IA70、IA75、IA80、IA90、IA95、IA99累积强度百分位数：所有点云归一化后按强度进行排序并累计计算的强度，共 15 个。I1、I5、I10、I20、I25、I30、I40、I50、I60、I70、I75、I80、I90、I95、I99强度百分位数：所有点云归一化后按强度进行的排序，共 15 个。Imax、Imin、Imean、Imedian、Imadmed点云高度最大值、最小值、中位数、中位数绝对偏差的中位数。Iaad平均绝对偏差Iskewness偏斜度Ivar方差Istd标准差IKurtosis峰度Icv变异系数Iiq强度百分位数四分位数间距CC覆盖度：首次回波的植被点数占首次回波的总点数的百分比。GF间隙率：提取的 Z 值低于高度阈值的地面点数占总点数的百分比。LAI叶面积指数枝条属性因子Branch attribute factor BL平均枝长：所有一级枝在伸展开的状态下基径位置与梢头之间的平均距离。BCL平均弦长：所有一级枝枝条基径位置与梢头之间连线的平均距离。BH平均着枝高度：所有一级枝与主干交点至树干最低点的平均垂直距离。BAH平均弓高：枝条自然状态下，所有枝条与连接枝条基径位置与梢头位置的直线最大平均距离 AA平均分枝角度：所有一级枝基部与树干之间的平均夹角 BA平均着枝角度：所有一级枝弦长与树干的平均夹角。39中 南 林 业 科 技 大 学 学 报第 44 卷在评价模型时，采用 R、F 值和 P 值作为指标；在检验模型精度时，则使用RMSE和RRMSE指标。2 结果与分析2.1 TLS 与融合点云数据提取枝条属性因子结果对比在 TLS 实际扫描过程中，由于枝条之间相互遮挡，导致部分点云数据模糊不清，提取精度存在误差，因此本研究利用三维树木模型对随机抽取的 250 个枝条进行属性因子的提取与检验。根据表 2 枝条属性因子提取精度统计表可以看出，除弓高以外，基于点云数据建立的三维单木模型的枝条提取精度皆高于 85%，提取效果好，其中提取效果最好的是着枝高度，TLS 点云提取值和融合点云提取值分别为 98.16%与 98.95%，其次是枝长，提取精度相对最低的是弓高，TLS 点云和融合点云提取值分别为 73.45%与 77.03%。融合后的三维模型提取精度比地基点云模型提取精度高，其中弓高与分枝角度的融合点云与 TLS 点云之间的提取值精度差异最大，分别相差值为 3.58%与 3.56%，弦长的差异最小，仅为 0.28%。由此可以看出融合后点云密度提高，减小了在骨架构建中角度的误差，有效提高在角度参数提取的精度，使得融合后点云在角度精度提取上对比 TLS 提取更具优势。表 2 枝条属性因子提取精度统计 Table 2 Precision statistics of branch attribute factor extraction%数据来源 Data sourcesBLBCLBHBAHAABA地基点云提取值 TLS point cloud extraction value91.8891.5198.1673.4586.9890.32融合点云提取值 Point cloud extraction after fusion92.2691.7998.9577.0390.5491.75R2能够反映的模型拟合数据的准确程度，从图 3 可以看出，利用优化后 ISTTWN 算法构建的三维树木模型所提取的枝条属性因子，枝长、弦长、着枝高度与真实值的拟合效果最好，R 皆在0.970 以上，弓高、着枝角度与分支角度的拟合效果相对较差，R 皆低于 0.800。对比 TLS 点云提取值与融合点云提取值，融合后由于点云密度增加，枝条属性因子的拟合度都有所增加，其中拟合精度最高的为枝长，拟合度高达 0.989，其次为着枝高度、弦长、着枝角度、弓高、分枝角度，其中着枝角度与分枝角度拟合效果提高最为明显，R 分别提高 0.112 与 0.109，由此可见基于融合数据能够建立拟合效果更好的三维树木模型，并提高角度在模型构建中的提取精度。2.2 构建材积模型2.2.1 特征变量筛选通过皮尔逊相关性分析，筛选出特征参数与枝条属性因子中与材积相关性系数最高的前 4 位作为建模变量，分别为 AIH80、LAI、IA70、Hcmc与 BL、BCL、BH、BA。其中由于变量 BCL的VIF 大于 10，存在共线性问题，因此在枝条属性因子筛选中将变量 BCL替换为 AA参与立木材积模型的构建，其中特征参数与枝条属性因子相关性系数最高分别为 AIH80与 BL绝对值达 0.66与 0.75（图 4）。2.2.1 非线性回归与线性回归模型利用所选变量分别建立线性与非线性模型，模型参数起始值均为 0.01，模型公式及模型精度见表 3。对各模型进行检验，从表 4 可以看出无论是模型拟合效果还是模型检验效果，非线性模型构建的材积预测模型均优于线性模型构建的材积预测模型，其中非线性模型 R 最高为 0.759，而线性模型R 最高为 0.729。表明非线性估测模型更符合林木生长规律，在立木材积估测模型中更具优势。对比基于特征参数构建的立木材积预测模型与基于枝条属性因子构建的材积预测模型，发现由枝条属性因子构建的线性与非线性立木材积模型效果更为理想。其中，相较于特征参数所建立的线性与非线性材积模型，使用枝条属性因子进行建模可使 R 分别提高 0.088 和 0.110，并且RMSE 则分别降低 0.012 和 0.009 m3。为探究更优的立木材积模型，本研究增设由特征参数与枝条属性因子共同构建的立木材积模型（模型 5 6），对比单一特征变量来源，共同构建的立木材积模型优度有所提高，其中由特征参数与枝条属性因子共同构建的立木非线性材积模型最为理想，R=0.759，F 为 30.410，P 值为 1.263E-12，RMSE 为 0.103 m3，RRMSE 为 20.240%。综上所述，基于 ALS 提取的特征参数与基于融合点云提取的枝条属性因子共同构建的立木材积估测模型精度更高。虞晨音，等：基于 ALS 和 TLS 融合数据的枝条属性因子构建木材材积模型40第 3 期图 3 真实值与提取值的线性拟合效果Fig.3 Linear fitting effect between real value and extracted value图 4 特征变量皮尔逊相关性系数图Fig.4 Pearson correlation coefficient of characteristic variables41中 南 林 业 科 技 大 学 学 报第 44 卷3 结论与讨论3.1 讨 论本研究在利用优化 ISTTWN 算法建立三维树木模型、提取枝条属性因子研究中发现，融合后枝条属性因子的提取值都有所提高，除弓高外融合后的枝条属性因子提取精度皆在 90%以上，同时融合后的枝条属性因子提取值的拟合度提升。张颖等24基于 TLS 数据通过点云处理软件以人机互交的方式获取单木的枝条参数，其中枝长、弦长、着枝角度的提取精度为 90.0%、90.6%、82.5%，均低于本文利用优化后 ISTTWN 算法对枝条参数的提取精度，且融合后的点云数据提取精度更高。由此说明，优化后的 ISTTWN 算法能够精确构建三维树木模型，且融合 ALS 后的点云能够弥补TLS 点云被遮挡引起的点云缺失问题，使树木点云数据较融合前更完整，且能够有效提高枝条属性因子提取精度。在材积模型的构建中，枝条属性因子作为变量构建的立木材积模型较特征参数作为变量构建的材积模型，拟合度更高，准确性更强，由此可以看出基于融合点云提取的枝条属性因子与材积相关性更强，且构建的材积模型更符合树木生长规律。胡靖扬等25以枝条为单位，获取基径、枝长与枝叶生物量，并将枝条材积引入 CAR 模型中，预估精度与拟合效果显著提高。由此可以看出树木的生长与枝条的生长密切相关，与本研究中枝条属性因子构建的材积模型精度结果相一致。Corte 等26在基于 UAV 和定量结构建模估计树木属性时发现，常用的异速生长模型缺少树组建（包括枝条、叶