机载LiDAR点云数据在校园乔木提取中的应用.pdf

0引言乔木是树木资源的重要组成部分，在美化校园环境和维持校园碳氧平衡等方面发挥着重要的作用。为了开发利用好乔木资源，为树木资源管理提供基础资料，乔木的准确参数（如位置、胸径、高度等）是不可缺少的1。高精度的单木识别是获取单木和森林结构参数的重要前提，单木识别包括单木位置识别和树高、胸径提取2。在城区植被提取方面，SECORD等3利用机载LiDAR点云数据和遥感影像相结合的方式进行城区植被参数的提取；张齐勇等4提出一种基于区域生长和梯度分割的树木提取算法。随着科技的发展，获取乔木参数的方式也越来越多，传统的测量方法，如钢卷尺法、全站仪法等，虽然可以提供准确的结果，但是需要耗费大量的时间和精力，并且效率较低，测量的数据量有限，容易出现误差5。机载 LiDAR 系统作为一种新的地理空间信息获取模式，因其数据采集外作业高效且简单化、数据后处理周期短、外作业时受天气和阳光等环境影响较小等特点而被广泛应用于森林参数估计领域、林业及生态学领域6。魏学礼等7和李超等8基于实例详细介绍三维激光扫描仪在林业调查中的应用情况，从数据采集、数据处理到有效信息提取的全过程探索不同仪器在植被扫描中的应用。本文介绍一种基于机载LiDAR提取乔木的方法，通过与全站仪测量进行比较，证明机载LiDAR测量乔木的准确性和实用性，为使用点云数据进行智慧校园建设打下基础。1基于机载LiDAR的乔木提取方法1.1机载三维激光雷达技术原理机载激光探测及测距系统（Light Detection andRanging，LiDAR）是一种集合激光测距技术、高精度动态载体姿态测量技术和高精度动态差分定位技术于一体、能快速获取地面点三维坐标的测量装置9-10。机载激光雷达作为一种先进的、具有多种功能的主动遥感技术（包括激光扫描、GPS定位、高精度的动态载体姿态测量等），可以提供准确、可靠、可视化的信息11，其测量原理如图1所示。图1机载三维激光雷达技术测量原理【作者简介】孙峰，男，山东临沂人，吉林建筑大学硕士研究生在读，研究方向：三维点云数据处理；张文春，男，吉林长春人，博士，任职于吉林建筑大学测绘与勘查工程学院，教授，研究方向：“3S”技术集成及其在地质灾害监测中的应用研究、城市空间信息建设与应用研究。【引用本文】孙峰，张文春.机载LiDAR点云数据在校园乔木提取中的应用 J.企业科技与发展，2023（10）：48-51.机载LiDAR点云数据在校园乔木提取中的应用孙峰，张文春（吉林建筑大学 测绘与勘查工程学院，吉林 长春 130118）摘要：传统的乔木测量方法虽然能够获取乔木参数，但是只能提供少量的信息，无法满足大面积测量的需求。相比之下，LiDAR（机载激光探测及测距）技术可以迅捷地完成乔木三维点云数据的采集，为植被三维建模及无损监测提供数据支持。文章首先根据乔木的位置特征对目标进行自动分割，利用空间拟合圆算法提取乔木参数，然后将提取到的参数与人工测量的乔木参数进行对比。为验证所提取结果的可行性，选取长春市吉林建筑大学校区为测试点进行测试。测试结果表明，使用机载LiDAR进行胸径和树高的扫描测量，其结果精度高、速度快，胸径和树高的复相关系数均超过95%。关键词：机载LiDAR；点云数据；乔木提取中图分类号：P258文献标识码：A文章编号：1674-0688（2023）10-0048-04企业技术实践孙峰，张文春.机载LiDAR点云数据在校园乔木提取中的应用481.2目标点云聚类提取方法目标点云聚类提取方法是将采集的原始点云数据利用CSF过滤算法分离地面点，再通过聚类的方式划分为若干相似的子集的点云聚类12。由于不同的地物有不同的特征，因此可对其进行分类提取，分类结果有建筑物、植被及其他地物。本文提出一种欧氏距离聚类方法13-14，它适用于具有明显分块的点云，并且不需要预先确定目标类的数量。使用这种方法时，需要注意控制距离的阈值（L），过大的阈值有可能会导致聚类结果不准确；过小的阈值则会导致点云类数量增加，从而提高后续数据处理的复杂度。欧氏距离聚类法的应用步骤如下。（1）建立K维树，设全部点云为Z。（2）从点云中随机抽取一个点，将其称为m，使用K维树确定距离该点不超过阈值L的点，将其称为点集t，点云计算公式为Y=n|Xm-XtL（1）其中：Xm和Xt分别表示点m和n的坐标。（3）在Y中选择另一个点，重复步骤（2）更新Y，直到Y再也没有新点加入。（4）重复执行上述3个步骤，直至所有元素都被归类，从而实现聚类的目的。采用逐步排除的方法删选不同的地物，分步骤依次提取乔木点云数据。分离策略包括高差、形态、投影、面积4个方面。获得每个聚类单元之后计算投影跨度、高差和投影面积，通过对投影面积的计算滤除噪声。统计每个聚类单元内点云高程的最大值和最小值，计算出最大高程，然后对地物、杆状物经过筛选、优化、精分离等步骤提取点云13。1.3乔木参数提取（1）乔木位置。通过空间拟合圆的方法计算距离地面1.3 m处的乔木点云切片（如图2所示）的中心坐标，计算方程式如下。空间平面方程为aa0+bb0+cc0=1（2）空间圆球方程为（x-a0）2+（y-b0）2+（z-c0）2=R2（3）其中：a、b、c是空间平面方程的系数，（a0，b0，c0）是圆心的坐标，R 是圆球的半径，x、y、z是弧顶的部分点数据。图2扫描乔木的点云切片（2）胸径。乔木的胸径不全是理想化的圆状结构，使用点云聚类提取法提取乔木胸径，取距离地面1.3 m处的乔木的直径作为乔木的胸径值，具体流程如下：水平“切割”，生成轮廓线，对高程为1.3 m的区域的乔木进行水平投影，得到平面上乔木点云切片的几何轮廓；将得到的乔木点云切片轮廓导入CloudCompare 软件，计算其树木胸径切片轮廓线长度，记为S，根据乔木胸径切片轮廓线长度围成圆。乔木胸径计算公式为D=S/。（3）树高。乔木高度计算公式为H=Hmax-Hmin，Hmax和Hmin分别代表点云数据在Z轴上的最高值和最低值。2研究区域数据提取2.1数据采集本文利用大疆无人机进行外业扫描，数据采集时间为2022年6月。测区为吉林省长春市吉林建筑大学北校区，占地面积为548 000 m2，采集目标为学校主干道的2个小路段。路段1为学校西南门至2餐厅路段，全长 389 m；路段 2 为学校西门至 1 餐厅路段，全长216 m。规划路线后使用无人机匀速采集数据，用时0.5 h。用全站仪在5 h内准确测量出该地区乔木的位置和树高，用卷尺在5 h内准确测量出该地区乔木的胸径；将全站仪、卷尺获取乔木参数的实测数据为真实值，对比分析机载LiDAR提取乔木的数据和实测乔木数据的差异，本次采样地共实测乔木153棵。2.2数据预处理获取的点云数据中含有噪声数据，需要对原始点云数据进行点云去噪、点云滤波、高程归一化等预处理操作；获取测区点云乔木的绝对坐标，将除噪后的点云数据进行融合、切割，减少输出文件数量及去企业科技与发展，2023年，第10期，总第504期49除无关物体。为了快速地提取乔木信息，需要对点云数据进行分类处理，获取乔木点云数据。实例验证表明，通过 TBC 软件可以迅速、有效地提取乔木的信息。2.3乔木点云的聚类提取抽稀、滤波后的整体点云数据经过 CSF滤波算法处理后，从原始的点云数据集中提取出地物的信息，这些信息集包含道路、树木及路灯等。在道路环境中各乔木之间都有固定的较远距离，确立一个L的阈值后，设定其聚类距离的阈值L为2 m，这样可以更好地识别出乔木。通过本文“1.2小节”的点云聚类提取步骤获取聚类后的乔木点云集。将路段1和路段2所有的乔木点云数据进行逐次编号，采用全站仪与机载LiDAR扫描仪对乔木进行测量对比，最后的成果数据经整理后以表格的形式输出。3成果分析对获取的点云数据进行分类，提取乔木点云，然后分析拟合后各截面的中心点坐标（结果见表1）。将乔木最高点高程与地面点高程做差，即可得到乔木的高度信息。将提取到的乔木点云数据在距地面1.3m处做的切片直径作为乔木的胸径值。通过将乔木实测值x与乔木点云数据提取值y进行比较，绘制出散点图。将两者的关系进行比较，并使用相应的回归方程描述它们之间的联系（如图 3 和图 4 所示）。其中，胸径一元线性回归模型方程为y=1.001 2x-0.017 5，复相关系数R2=0.987 7；树高一元线性回归模型方程为 y=1.017 4x-0.480 4，复相关系数 R2=0.981 4。2个模型的复相关系数都接近1，说明使用空间拟合圆算法进行的胸部检测能很好地反映出它们之间的线性关联。测量结果表明，机载LiDAR对乔木胸径、树高的提取方法可以代替钢卷尺、全站仪对乔木胸径、树高参数的测量。图3树高回归分析图4胸径回归分析用机载LiDAR提取路段1和路段2的树高和胸径数据与实测数据进行逐棵对比，计算树高中误差和标准差及胸径均方根误差（结果见表2）。从表2可以看出，研究选定的乔木树高中误差和标准差总体较好，但研究区内的4号乔木存在提取异常，经分析，原因可能是最小树高的设置与实际情况存在较大差异，乔木被多次分割后发生错误提取的现象；此外，树形起伏大的部位容易出现树高提取误差，该误差应该与DEM（原始数据传递误差）有关。根据 国家森林资源连续清查技术规定，树高小于10 cm时，测量误差应小于3%；胸径小于20 cm的大树，胸径测量误差应小于0.3 cm，胸径等于或超过20 cm的大树，胸径计算误差应小于1.5。表2中胸径数据说明提取乔木参数时较为合理。由表1、表2的对比结果可以序号12345678.全站仪方法X-8 148.673 5-8 163.822 6-8 163.796 4-8 148.699 3-8 163.786 3-8 148.763 2-8 163.673 2-8 163.655 2Y47 105.552 347 105.983 647 140.632 547 140.321 547 175.623 547 175.635 147 210.623 047 210.663 1机载LiDAR扫描仪方法X-8 148.652 5-8 163.792 4-8 163.775 8-8 148.689 6-8 163.739 6-8 148.805 6-8 163.689 9-8 163.680 1Y47 105.570 247 105.966 447 140.613 547 140.341 547 175.640 247 175.659 847 210.579 947 210.617 8差 值X-0.021 0-0.030 2-0.020 6-0.009 7-0.046 70.042 40.01670.024 9Y-0.017 90.017 20.019 0-0.020 0-0.016 7-0.024 70.043 10.045 3表1全站仪与机载LiDAR扫描仪所测乔木中心位置对比分析（单位：m）孙峰，张文春.机载LiDAR点云数据在校园乔木提取中的应用50得出结论：全站仪方法与机载LiDAR扫描仪方法对乔木中心位置、胸径及高度的测量结果基本一致，机载LiDAR的测量结果准确、可靠。相比全站仪方法，机载LiDAR获取的数据量更快速、全面，测量结果更准确。表2乔木参数的扫描结果与卷尺、全站仪测量结果对比编号1234567891011121314151617181920148149150151152153树高提取值（m）4.3755.1264.8765.4287.1436.8625.2373.7153.5263.9564.3694.1353.6265.2424.3267.3585.1296.2896.2305.8686.1234.3255.2257.3868.9258.636实测值（m）4.4355.2854.9856.1276.9656.9355.1853.6063.6103.8454.3694.2353.5365.1364.1997.4685.0366.3856.4685.7206.2854.4635.0897.5029.0028.838绝对误差（m）-0.06-0.159-0.109-0.6990.178-0.0730.0520.120-0.1590.1110-0.1000.090.206-0.16-0.110.0930.0960.2380.248-0.162-0.2380.413-0.116-0.077-0.202相对误差（%）1.353.002.1811.412.561.051.003.002.322.8902.362.552.063.001.471.851.502.932.592.583.002.671.550.862.29中误差（%）12.0031.8021.80139.8035.6014.6010.4021.8016.8022.20020.0018.0021.2025.4022.0018.6019.2037.6029.6032.4027.6027.2023.2015.4040.40高误差（%）4.520.482.5221.250.304.004.852.070.482.4402.893.301.440.442.483.173.052.753.150.362.769.902.243.831.28胸径提取值（m）0.1120.1580.2210.2650.1360.0980.1430.1860.1560.1890.0880.1230.2360.1890.1260.1870.2230.1130.0840.1520.2350.1620.1850.2890.3020.289实测值（m）0.1010.1620.2320.2580.1420.1010.01380.1800.1620.1920.0950.1230.2300.1940.1180.1850.2230.1020.0790.1492.391.511.793.012.892.82绝对误差（m）0.011-0.004-0.0110.007-0.006-0.0030.0050.006-0.006-0.003-0.00700.006-0.0050.0080.00200.0110.0050.003-0.0040.0110.006-0.0120.0130.007相对误差（%）0.112.474.742.714.222.973.623.333.701.567.3702.612.586.781.08010.786.332.011.677.283.353.994.502.48均方根误差（%）2.250.822.251.431.220.611.021.221.220.611.4301.221.021.630.4102.251.020.610.822.251.222.452.461.434结语为充分利用校园乔木资源，必须精确、有效地收集乔木的参数信息。本文首先获取吉林建筑大学校园内的点云乔木数据，对乔木进行聚类，其次使用空间拟合圆算法根据乔木的结构特征建立截面拟合，提取、计算乔木的胸径、树高，采用先取样再计算的方法对乔木进行机载三维技术扫描，最后将扫描结果与人工测量的方法进行对比分析。分析结果表明，乔木胸径和树高的复相关系数都接近 1，通过机载LiDAR扫描仪可以迅速、准确地获取树木的参数。这种方法的效率远远高于全站仪，不仅实现了对乔木参数的高精度提取，而且极大地加快了计算乔木信息的速度。5参考文献1 黄德，夏永华，柏宏强，等.基于三维激光扫描技术的城市树木特征提取 J.城市勘测，2019（3）：92-95，99.2 李增元，刘清旺，庞勇.激光雷达森林参数反演研究进展J.遥感学报，20（5）：1138-1150.3 SECORD，ZAKHOR.Tree Detection in Urban Regions Using Aerial Lidar and Image Data J.IEEE GEOSCI RE-MOTE SENS LETT，2007，4（2）：196-200.4 张齐勇，岑敏仪，周国清，等.城区LiDAR点云数据的树木提取 J.测绘学报，2009（4）：6.5 郭志金，刘林佳，吴昊.地面三维激光扫描技术在险工护岸监测中的应用分析 J.水利水电快报，2019，40（7）：20-22.6 郭庆华，刘瑾，陶胜利，等.激光雷达在森林生态系统监测模拟中的应用现状与展望 J.科学通报，2014，59（6）：459-478.7 魏学礼，肖伯祥，郭新宇，等.三维激光扫描技术在植物扫描中的应用分析 J.中国农学通报，2010，26（20）：373-377.8 李超，程浩，王芳.三维激光扫描仪在林木测量方面的应用J.测绘通报，2011（11）：84-85.9 张小红，刘经南.机载激光扫描测高数据滤波 J.测绘科学，2004，29（6）：50-53，4.10 张远智，胡广洋，刘玉彤，等.基于工程应用的3维激光扫描系统 J.测绘通报，2002（1）：34-36.11 徐旺.机载LiDAR点云数据滤波算法研究 D.抚州：东华理工大学，2022.12 肖杨，胡少兴，肖深，等.从三维激光点云中快速统计树木信息的方法 J.中国激光，2018，45（5）：266-272.13 李永强，杨莎莎，李框宇，等.车载激光扫描数据中杆状地物提取 J.测绘科学，2015，40（8）：42-46.14 谭贲，钟若飞，李芹.车载激光扫描数据的地物分类方法J.遥感学报，2012，16（1）：50-66.企业科技与发展，2023年，第10期，总第504期51