基于無人機低空遙感數據的時序動態生物量計算研究

張海浪,廉旭剛,王鐳學,高宇璐,石力帆,李宇

摘要：為解決林分自然生長和人工剪伐修枝引起的單木特征參數變化所造成的生物量變化問題，采用地基激光雷達數據（TLS）和無人機激光雷達數據（UAV-LS）為數據源，通過單木分割的方法，以地基激光雷達數據提供的高精度數字高程模型為基礎，提升無人機激光雷達數據的單木召回率；基于無人機激光雷達數據進行單木樹高的提取及一致性評定，通過優化的生物量模型，利用樹高參數計算2022年和2023年各樹種單木生物量。結果表明，聯合地面激光雷達數據可以將無人機激光雷達數據的單木召回率從60.0%提升至73.1%；對2022年、2023年樹高參數提取得到近兩年樹木自然生長、修剪狀況；對樹高一致性評定得到一致性相關系數（Concordance correlation coefficient， CCC）為0.98，均方根誤差（RMSE）為1.12 m；對生物量計算得到近兩年各樹種單木生物量、林分生物量，2022年、2023年單位面積生物量分別為77.39 、81.56 t/hm2。研究證實在研究區通過無人機低空遙感數據獲取樹高時序動態計算各樹種單木生物量可行，可以掌握林分自然生長和人工修剪引起的生物量變化。

關鍵詞：TLS；UAV-LS；樹高；生物量；無人機

中圖分類號：S771.8文獻標識碼：A文章編號：1006-8023（2024）01-0017-09

Research on Time-series Dynamic Biomass Calculation Based on UAV Low-altitude Remote Sensing Data

ZHANG Hailang， LIAN Xugang*， WANG Leixue， GAO Yulu， SHI Lifan， LI Yu

（College of Mining Engineering， Taiyuan University of Technology， Taiyuan 030024， China）

Abstract：In order to solve the problem of biomass change caused by the change of the characteristic parameters of single wood caused by the natural growth of forest stand and the pruning of artificial shears， terrestrial laser scanning （TLS） and aerial vehicle laser scanning （UAV-LS） data were taken as data sources， through the single-wood segmentation method， the single-wood recall rate of UAV-LS data based on the high-precision digital elevation model provided by terrestrial laser scanning was improved. Based on the UAV-LS data， the extraction and consistency evaluation of individual tree height were carried out. The optimized biomass model was used to calculate the individual tree biomass of each tree species in 2022 and 2023 using tree height parameters. The results showed that the combined TLS data can increase the recall rate of UAV-LS data from 60.0% to 73.1%. The tree height parameters in 2022 and 2023 were extracted to obtain the natural growth and pruning status of trees in the past two years. The consistency correlation coefficient （Concordance correlation coefficient， CCC） of tree height consistency evaluation was 0.98 and the root mean square error （RMSE） was 1.12 m. And the biomass of single wood and stand biomass in the past two years was calculated and the stand biomass was 77.39 and 81.56 t/hm2 per unit area in 2022 and 2023， respectively. This study confirmed that it was feasible to obtain tree height time series dynamic calculation of individual tree biomass of each tree species by using UAV low-altitude remote sensing data in the research area and can grasp the biomass changes caused by natural growth and artificial pruning of forest stands.

Keywords：TLS; UAV-LS; tree height; biomass; unmanned aerial vehicle （UAV）

0引言

森林生物量在減少溫室氣體（GHG）排放方面至關重要，及時準確地估算森林生物量，對森林生態系統管理和氣候決策支持具有重要意義[1-2]。樹高、胸徑參數是生物量計算的關鍵指標，也是評價森林生長狀況的重要參數，森林空間結構受樹木自然生長、人工剪伐修枝的影響，單木參數會產生一定的變化?？焖?、準確地獲取林木信息，及時監測森林資源的動態變化是林業部門的主要任務之一，但是人工調查單木樹高、胸徑的時間和人力成本較高，效率較低，不能滿足林業精準化、精細化、時序監測森林生物量的需求[3-4]。

地面激光雷達（TLS）依靠其高掃描精度和掃描密度，可用于單木樹高及胸徑測量，能夠節省人力，提高工作效率。根據地面激光點云數據通過最小二乘圓擬合算法得到單木胸徑（DBH），在獲取到DBH后根據種子點的三維坐標搜索DBH半徑范圍內的點或最近點作為初始種子點簇進行單木分割，能夠提高單木召回率，可以保證研究區單木個數，同時對高密度點云采用自適應不規則三角網濾波算法（ATIN）對其進行點云濾波、反距離加權作插值處理可以得到高精度數字高程模型（Digital Elevation Model，DEM）。但對冠幅較大的單木采集數據時不易獲取樹木冠幅上方信息，不能很好地獲取樹高參數[5-6]。機載激光雷達數據可獲取較高精度的樹高參數信息，但獲取數據成本較高，很難進行高頻訪問[7-8]。

隨著衛星導航系統（GNSS）、慣性導航系統的小型化、低成本，無人機搭載激光雷達將激光測距技術、計算機技術、慣性測量單元和GNSS差分定位技術集成于一體，非常適合對林區進行時序化動態監測，成為近些年發展最為迅速的低空遙感技術[9-12]。激光雷達不受云層等天氣情況影響，可以快速獲得林分垂直方向結構參數，將數字地表模型（Digital Surface Model，DSM）數據減去數字地形模型（Digital Terrain Models，DTM）數據獲取冠層高度模型（Canopy Height Model，CHM），通過冠層高度模型對樹木進行單木分割，取得單木樹高參數，在計算森林生物量方面獲得很大優勢。但是對于復雜林分中冠層較大的樹木，冠幅的遮擋造成其下方樹木點云密度稀少，激光雷達無法準確得到地面信息，森林結構信息具有較高的不確定性，造成冠幅下方樹木漏檢情況；同時也可能將一個較大的冠幅多分為幾個冠幅，造成冠幅多檢情況[13-14]。

為探究無人機低空遙感數據在便捷、高效、低成本和時序化估算森林生物量方面的可行性，本研究根據TLS數據提供的研究區單木召回率和高精度DEM，對2022年和2023年無人機激光雷達數據提取的樹木高度參數進行生長變化評估及一致性評定，基于優化的生物量模型利用樹高參數計算研究區的各樹種單木生物量，了解各樹種的自然生長變化及人工修剪情況，為今后無人機低空遙感數據高頻時序化監測森林生物量提供理論支撐。

1材料與方法

1.1研究區概況

1.1.1研究區位置

以太原理工大學虎峪校區一綠地作為研究區，地理坐標為37°27′～38°25′N， 111°30′～113°09′E。研究區最高點海拔為799 m，最低點海拔為786 m，平均海拔為792 m，占地面積為0.7 hm2。研究區位置如圖1所示。

1.1.2樣地數據

區域內柳樹共16棵，12棵分布在場地外圍，4棵分布在研究區中央；楊樹共13棵，均分布在場地南部外圍，分布比較松散；丁香樹共67棵，集中分布在研究區西北角、東南角，白皮松15棵，分布在研究區內道路旁，位于場地中央柳樹下方，圓柏共31棵，零散分布在研究區內；槐樹21棵，均勻分布在場地北部和東部外圍，分布比較松散。樣地分布如圖2所示。

1.2激光雷達遙感數據采集

1.2.1地面激光掃描（Terrestrial Laser Scanning，TLS）數據

2022年4月使用全站掃描儀采集地面點云數據，距離掃描精度0.6 mm，掃描速率為30 m內每秒1 000點。共布設21個測站，為保證不同測站之間掃描結果分辨率一致，在各測站開始掃描之前均設置相同的點云密度參數。設置掃描平距為15 m時，獲得的點云水平間隔10 cm，垂直間隔10 cm，掃描速度1 000 點/s，估算點數為4萬左右，耗時25 min。

1.2.2無人機低空（Light Detection And Ranging，LIDAR）遙感數據

2022年4月及2023年4月使用飛馬無人機D-LIDAR激光雷達采集了UAV-LS數據。飛機飛行高度為128 m，飛行速度為13.5 m/s。平均點密度286 點/m2，獲得了多達3次回波，回波強度為8 bits。激光脈沖波長和頻率為905 nm和240 kHz。收集的數據采用飛馬無人機的UAV-managing軟件進行處理，包括全球衛星導航系統（GlobalNavigationSatelliteSystem，GNSS）及慣性測量單元（Inertial? Measurement? Unit，IMU）處理。數據采集如圖3所示。

1.3無人機激光雷達數據處理

原始激光雷達點云數據需要進行GPS格式轉換、網絡差分解算、緊耦合差分解算和精度評定，完成點云軌跡解算。軌跡解算后的點云數據進行預處理，包括點云解算、質量檢查（如分層，需要進行航帶平差）、去冗余、坐標轉換和精度檢查，得到激光雷達標準點云。

1.4 研究方法與技術路線

本研究以地基激光雷達數據和無人機激光雷達數據為數據源，通過單木分割的方法，以地基激光雷達數據提供的高精度數字高程模型為基礎，提升無人機激光雷達數據的單木召回率；基于無人機激光雷達數據進行單木樹高的提取及一致性評定，通過優化的生物量模型，利用樹高參數計算2022年和2023年各樹種單木生物量。研究技術路線如圖4所示。

1.4.1點云濾波

基于地面激光雷達掃描生成的研究區原始點云數據分為地面點云和非地面點云，為了準確獲得DEM，需要進行地面點分類。本研究采用改進的漸進加密三角網濾波算法（Improved Progressive TIN Densification， IPTD）分類地面點，先通過種子點生成一個稀疏的三角網，然后通過迭代處理逐層加密，直到所有地面點分類結束[15]。點云濾波如圖5所示。

1.4.2地面高程模型的生成及精度評定

對分類后的地面點云數據進行處理，采用反距離加權插值得到DEM。為消除地形起伏對點云數據高程值的影響，將原始點云數據投影到DEM上，得到與其相對應的DEM高程值，再將每個點云的高程值減去對應DEM地面高程值，得到地面點歸一化點云數據[6]。將分類后的地面點構造三角網并進行插值，獲取到實測單木在DEM對應位置方向的高程值（h），與導入實測單木的高程值（H）作差，得到實測單木點與地面點的高程差值（Z）。計算均方根誤差（RMSE，式中記為RMSE）及平均誤差（MAE，式中記為MAE）來評估DEM的精度，公式為

RMSE=1n∑ni=1（Hi-hi）2 。 （1）

均方根誤差是實測高程（Hi）與估測高程（hi）之差的平方和與實測高程點個數（n）比值的平方根。

MAE=1n∑ni=1（hi-Hi）。（2）

平均誤差為估測高程（hi）與實測高程（Hi）之差的和再平均[16-18]。

1.4.3CHM模型生成

對無人機低空遙感數據獲取的標準點云數據進行去噪、地面點分類、克里金插值得到精確數字地表模型（DSM）。無人機低空遙感點云數據和全站掃描儀點云數據都使用的是千尋網絡提供CGCS2000坐標系統，兩者有相同的地理參考、相同的坐標系，將數字地表模型（DSM）與地面激光掃描得到的數字高程模型（DEM）作差值，獲得冠層高度模型（CHM）。CHM模型生成完畢之后會存在冠層間隙及無效值這樣的黑色像素點，使得樹冠區域不完整，需將無效值進行填充，并對填充后的CHM進行高斯濾波處理，來解決過分割或欠分割現象。

1.4.4單木位置探測與分割及精度評定

地面激光點云經過地面歸一化后根據最小二乘圓擬合算法得到DBH，在獲取到DBH后根據單木位置探測的種子點三維坐標搜索DBH半徑范圍內的點或最近的點作為初始的種子點簇進行單木分割[19]，可以獲取到單木位置及胸徑參數；無人機點云數據根據冠層高度模型采用局部最大值算法提取單木頂點位置并作為種子點，該算法將樹冠最高點作為單木位置，通過移動窗口逐步對柵格數據進行搜索，并判斷搜索窗口的中心點是否為局部極大值，若為局部極大值，則將此像素標記為單木頂點。將種子點通過分水嶺分割算法進行單木分割，把CHM的高點處當作山峰，低點處為山谷，用水填充，在水匯合的地方建立屏障，屏障即為分割的結果。

以實測單木作為參考與提取的單木位置進行匹配。若實測單木位置附近范圍內存在唯一單木為正檢（True Positive， TP，式中記為TP）；不存在單木為漏檢（False Negative， FN，式中記為FN）；存在多個單木則為錯檢（False Positive， FP，式中記為FP）。單木檢測結果使用召回率 （r）、準確率 （p）和F測度（F-score）進行評價，其公式為[16]

r=TPTP+FN×100%。 （3）

P=TPTP+FP×100%。（4）

F=2×r×pr+p×100%。（5）

式中： r為召回率，表示正檢株數占實測株數額比例； p為準確類，表示正檢株數與檢測的株數之比；F為測度，是對召回率r和準確率p的綜合描述。

1.4.5生物量模型優化

生物量模型是林木生物量估算的經典方法，通過將生物量模型與胸徑、樹高等單木參數建立經驗方程式來估算生物量。同種類型的生物量模型有較高的相似性，區域差異很小，對同種類型的林木可以采用相同的生物量模型。研究區蓄積量計算采用了單木二元材積模型蓄積量（V）

V=aDbHc。 （6）

式中：a、b、c為模型參數；D為胸徑；H為樹高。

生物量計算中研究區采用了喬木類生物量模型，地上部分總生物（WT）

WT=a（D2H）b。 （7）

地下部分生物量（WR）

WR=WT/3.85。（8）

生物量（W）

W=WT+WR。（9）

研究者將實地調查的樹高、胸徑值使用回歸方程建立樹高與胸徑的模型，通過模型利用樹高推測胸徑值。各樹種回歸方程公式見表1。

D的單位為cm；H的單位為m。利用上述回歸方程，將蓄積量與生物量模型的胸徑參數用樹高參數表達，得到優化后的各樹種蓄積量、生物量模型。見表2。

2結果

2.1DEM精度評定

無人機低空遙感數據對于復雜林分中冠層較大的樹木，冠幅的遮擋造成其下方樹木點云密度稀少，激光雷達無法準確得到地面信息，森林結構信息具有較高的不確定性，需要準確的地面高程信息提升獲取的樹高信息準確度。根據地面激光點云數據獲得的DEM精度評價表見表3。

TLS得到的高精度的DEM均方根誤差為7.3 cm，既可為無人機低空遙感數據的樹高參數獲取提供很好的保障，又可作為長期時序觀測的數據分析基礎。

2.2單木檢測精度評價

研究區實測單木160株，以實測單木作為參考與提取的單木位置進行匹配。據2022年地面激光掃描（TLS）數據提供的研究區單木高召回率可以提升無人機激光雷達數據（UAV-LS）的單木召回率，單木檢測見表4。

根據無人機點云的單木召回率，對于研究區內樹冠較大的樹木，由于冠幅的遮擋造成冠幅下方樹木點云密度稀少，會存在漏檢冠幅下方樹木現象。根據地基點云的單木召回率往往會高于基于無人機點云的單木召回率，其與地基融合無人機點云的單木召回率一致，說明地基點云可以準確識別出單木樹干，可以保證研究區的單木個數，利用TLS提供的單木召回率可以很大程度提升低空遙感數據的單木召回率，將地面激光掃描運用到研究區去獲取DEM及單木胸徑參數為后續生物量時序計算提供數據分析基礎及技術參考。

2.3樹高生長變化評估及一致性評定

本研究將激光雷達數據2022年和2023年的樹高進行了比較，圖6評估了2022年—2023年樹木生長變化，X>Y表明了樹木的自然生長，X<Y表明園丁對樹木進行了修剪，修剪的基本是位于校園道路旁的槐樹，為防止雷雨天氣樹枝受風力的影響刮倒砸傷行人，園丁冬季會對道路旁的槐樹進行修剪。同時為了評估激光雷達點云數據近兩年所獲取的樹高之間關系，使用了一致性相關系數（Concordance correlation coefficient， CCC）和 RMSE，CCC（式中記為CCC）相對于Pearson相關系數的優勢在于其能檢測度量值的偏移和增益偏移[20]。計算公式為

CCC=2ρσ12σ21+σ22+（μ1-μ2）2（10）

式中：ρ為2個度量值的相關系數；σ2和μ分別是相應的方差和均值。

RMSE用于量化建模體積偏差的大小和平均符號差（MSD）以評估偏差[20]。根據2022年和2023年激光雷達數據獲取的樹高進行對比，很好地反映出了兩年內樹木的生長程度，大部分樹木呈一個緩慢生長的態勢。樹高的一致性相關系數（CCC）為0.98，均方根誤差（RMSE）為1.12 m，樹高一致性很好。

2.4生物量計算

根據優化生物量模型的無人機低空遙感數據生物量時序計算，可以在很大程度上反映研究區由于林分自然生長和人工剪伐、修枝引起的單木特征參數變化所造成的生物量變化問題。研究區生物量計算見表5。

地面激光掃描可以提供高精度的DEM及單木召回率，利用優化后的生物量模型及兩期研究區無人機低空遙感數據對研究區近兩年各樹種生物量進行計算，2022年研究區單位面積生物量為77.39 t/hm2，2023年研究區單位面積生物量為81.56 t/hm2，柳樹、楊樹、白皮松、丁香樹和圓柏2023年相比2022年生物量都略有增長，反映出研究區由于自然生長所造成的生物量變化；由于園丁對于槐樹的修剪，造成槐樹2022年的生物量比2023年的生物量略多，反映出研究區由于修剪所造成的生物量變化。研究結果表明將無人機低空遙感數據運用于林業生物量時序估算具有很好的可行性。

3討論

1）激光雷達掃描數據采集過程中由于飛機、飛鳥等空中物體或者大氣懸浮物造成的高空噪點與地表有較大的高差，容易去除；由激光回波多路徑效應產生的低空噪點距離地表較近，容易被誤分為地面點，對濾波結果影響較大。無人機采集數據時，在植被密集的地方，激光脈沖難以穿透冠層到達地面，無法獲取林下數據，沒有相對連續的地面數據，會造成植被密集地方地面點分類誤差較大，通過借助地面激光雷達掃描數據可以獲取到植被密集地方的林下數據，提高地面點分類。在植被落葉季節，樹冠層對脈沖到達地面百分比影響較小，地面點密度大大增加，減小了植被對DEM精度的影響，應盡量選擇植被落葉后進行無人機激光掃描數據采集。地面點為分布不均勻的三維離散點，需要對其進行插值生成連續變化的（Digital Elevation Model， DEM），插值方法不同生成DEM的精度會略有不同，根據研究區獲取數據點云密度大，分布均勻的特性選取反距離加權插值。

2）試驗中在進行種子點提取時，依賴手動設置搜索窗口寬度以進行局部最大值過濾，由于柳樹及楊樹的樹冠較大，每個樹枝上都可能包含一個以上的局部最大值，可能會將一棵樹識別為幾棵樹，造成多分現象使得單木提取后的樹木比實際樹木要多；同時由于CHM只反映樹木冠層的表層高度，基于CHM數據的分割方法對林木冠層下的小樹識別能力較弱，直接影響樹木株數及樹高參數的估算精度，需要借助計算機算法與人工交互編輯種子點并基于編輯后的種子點對CHM進行分割，提高單木分割的準確性，還需要進一步研究基于CHM數據利用分水嶺算法進行單木分割。

3）實時、準確地對森林結構參數進行動態化監測，從而了解森林健康狀況、探究資源儲備和制定管理措施的數據基礎和關鍵環節，基于單木分割的監測方法主要從點云數據中分割出單木，然后在單木尺度上監測單棵樹木的參數變化，其監測結果很大程度上受單木分割精度影響，分割精度與激光點云數據的密度、質量密不可分，錯分和漏分現象在單木分割中不可避免，研究區丁香樹和圓柏由于分布在樹高較高、小枝條較多的柳樹附近，無人機在進行數據采集時，被其所遮擋，造成丁香樹及圓柏的點云密度相對較低。點云密度是影響單木生物量參數準確獲取的關鍵因素，通過改善飛行路徑、多角度飛行和選用合適的飛行高度來提升點云密度，高效、精準獲取單木參數[21]。

4結論

本研究利用TLS點云數據獲取高精度DEM及單木召回率，通過無人機低空遙感數據獲取樹高參數，并基于優化的生物量模型對研究區單木生物量進行長期有序動態計算，研究結果如下。

1）無人機低空遙感數據對冠幅下方的單木召回率較低，根據TLS提供的單木召回率可以很大程度地提升單木召回率，聯合地面激光雷達數據可以將無人機激光雷達數據的單木召回率從60.0%提升至73.1%。將地面激光掃描數據運用到研究區提取單木位置等參數，可為后續基于無人機低空遙感的生物量監測提供技術參考。

2）無人機低空遙感生成的點云數據在復雜林分處無法提供準確的地面信息，TLS采集數據可以獲取到準確的地面信息，DEM精度評定為：均方根誤差為7.3 cm，利用TLS提供的高精度DEM，無人機低空遙感可以獲得準確的單木高度，樹高一致性精度評定中樹高的一致性相關系數（CCC）為0.98，均方根誤差（RMSE）為1.12 m，高精度DEM可作為長期時序觀測的數據分析基礎。

3）運用優化的生物量模型及無人機低空遙感數據可以根據獲取的單木樹高計算出單木生物量，2022年蓄積量為48.27 m3，單位面積生物量為77.39 t/hm2，2023年蓄積量為50.85 m3，單位面積生物量為81.56 t/hm2。反映出研究區由于樹木生長及修剪造成的生物量變化，無人機低空遙感的介入為森林管理提供低成本、高分辨率和持續更新的林業信息，使得時序動態生物量計算可行。

【參考文獻】

[1]ROBBIE H， WERNER K. Low tree-growth elasticity of forest biomass indicated by an individual-based model[J]. Forests， 2018， 9（1）： 21.

[2]ZENG W S， FU L Y， XU M， et al. Developing individual tree-based models for estimating aboveground biomass of five key coniferous species in China[J]. Journal of Forestry Research， 2018， 29： 1251-1261.

[3]MOE K T， OWARI T， FURUYA N， et al. Comparing individual tree height information derived from field surveys， LiDAR and UAV-DAP for high-value timber species in northern Japan[J]. Forests， 2020， 11： 223.

[4]TORRESAN C， BERTON A， CAROTENUTO F， et al. Forestry applications of UAVs in Europe： A review[J]. International Journal of Remote Sensing， 2017， 38： 2427-2447.

[5]郭慶華，劉瑾，陶勝利，等.激光雷達在森林生態系統監測模擬中的應用現狀與展望[J].科學通報，2014，59（6）：459-478.

GUO Q H， LIU J， TAO S L， et al. Perspectives and prospects of LiDAR in forest ecosystem monitoring and modeling[J]. Chinese Science Bulletin， 2014， 59（6）： 459-478.

[6]廉旭剛，韓雨，劉曉宇，等.無人機低空遙感礦山地質災害監測研究進展及發展趨勢[J].金屬礦山，2023（1）：17-29.

LIAN X G， HAN Y， LIU X Y， et al. Study progress and development trend of mine geological disaster monitoring by UAV low-altitude remote sensing[J]. Metal Mine， 2023（1）：17-29.

[7]ABDOLLAHNEJAD A， SUROVY P， CHITECULO V， et al. Determining tree height and crown diameter from high-resolution UAV imagery[J]. International Journal of Remote Sensing， 2017， 38： 2392-2410.

[8]耿林，李明澤，范文義，等.基于機載LiDAR的單木結構參數及林分有效冠的提取[J].林業科學，2018，54（7）：62-72.

GENG L， LI M Z， FAN W Y， et al. Individual tree structure parameters and effective crown of the stand extraction base on air born LiDAR data[J]. Forestry Science， 2018， 54（7）： 62-72.

[9]CHEN R， LI C， ZHU Y， et al. Extraction of crown information from individual fruit tree by UAV LiDAR[J]. Nong Ye Gong Cheng Xue Bao/Transaction China Social Agriculture Engineering， 2020， 36（22）： 50-59.

[10]REASON M， IAIN W， FRANCE G， et al. Structure from motion （SFM） photogrammetry with drone data： A low cost method for monitoring greenhouse gas emissions from forests in developing countries[J]. Forests， 2017， 8（3）： 68.

[11]CAO L， LIU H， FU X， et al. Comparison of UAV LiDAR and digital aerial photogrammetry point clouds for estimating forest structural attributes in subtropical planted forests[J]. Forests， 2019， 10（2）： 145.

[12]XU D， WANG H， XU W. LiDAR applications to estimate forest biomass at individual tree scale： Opportunities， challenges and future perspectives[J]. Forests， 2021， 12： 550.

[14]LI W K， GUO Q H， JAKUBOWSKI M K， et al. A new method for segmenting individual trees from LiDAR point cloud[J]. Photogrammetric Engineering and Remote Sensing， 2012， 78（1）： 75-84.

[15]WANG H， WANG S， CHEN Q， et al. An improved filter of progressive TIN densification for LiDAR point cloud data[J]. Wuhan University Journal National Science， 2015， 20（4）： 362-368.

[16]何少東，黃洪宇，陳崇成.影像采集參數對無人機遙感估測樹高精度的影響[J].福州大學學報（自然科學版），2020，48（5）：558-565.

HE S D， HUANG H Y， CHEN C C. Influence of image collection parameters on the accuracy of tree height estimation based on UAV remote sensing[J]. Journal of Fuzhou University （Natural Science Edition）， 2020， 48（5）： 558-565.

[17]劉彥楓，李紫荊，吳勇，等.西雙版納櫟林和思茅松林地上生物量遙感估測[J].西部林業科學，2023，52（1）147-155.

LIU Y F， LI Z J， WU Y， et al. Incorporating stratification of age groups and topography for aboveground biomass estimation of Quercus spp. forests and Pinus kesiya var. langbianensis forests in Xishuangbanna by remote sensing[J]. Journal of West China Forestry Science， 2023， 52（1）：147-155.

[18]景維鵬，張明偉，林敬博.一種神經網絡架構搜索遙感圖像分類方法[J].哈爾濱理工大學學報，2021，26（1）25-29.

JING W P， ZHANG M W， LIN J B. A network architecture search remote sensing image classification method[J]. Journal of Harbin University of Science and Technology， 2021， 26（1）：25-29.

[19]柯敏，解靜，劉昔.基于單站三維激光掃描數據的林木胸徑提取方法[J].浙江林業科技，2019，39（2）：87-91.

KE M， XIE J， LIU X. Extraction method of DBH based on 3D laser scanner of single station[J]. Journal of Zhejiang Forestry Science and Technology， 2019， 39（2）： 87-91.

[20]李?？?，雷淵才.中國森林植被生物量和碳儲量評估[M].北京：中國林業出版社，2010：1-58.

LI H K， LEI Y C. Estimation and evaluation of forest biomass carbon storage in China[M]. Beijing： China Forestry Publishing House， 2010.

[21]BREDE B， CALDERS K， LAU A， et al. Non-destructive tree volume estimation through quantitative structure modelling： Comparing UAV laser scanning with terrestrial LIDAR[J]. Remote Sensing Environment， 2019， 233： 111355.