CN116778314A - 一种采用特征级点云融合评估森林材积的方法和系统 - Google Patents

Abstract

本发明公开了一种采用特征级点云融合评估森林材积的方法和系统，该方法包括以下步骤：分别为样地内的ALS和TLS点云数据赋予地理坐标，并根据共同地理坐标建立二者之间的关联匹配关系；分别对ALS和TLS点云数据提取出单木特征参数，并基于树干位置的地理坐标进行特征级融合，利用样地ALS点云数据中的冠幅、树高和TLS点云数据中的胸径数据，通过回归分析获得胸径估算模型，利用融合数据集中的冠幅和树高，根据胸径估算模型，估算出目标区域每棵树的胸径，和树高一起输入二元材积模型，估算出目标区域的森林材积。本发明，避免了传统点云融合耗时、费力的过程，快速实现了样地上的每木检尺，获取大面积森林材积具有较强的操作性。

Description

一种采用特征级点云融合评估森林材积的方法和系统

技术领域

本发明涉及森林资源管理技术领域，具体涉及一种采用特征级点云融合评估森林材积的方法和系统。

背景技术

森林是陆地生态系统的重要组成部分，在维护生态安全、应对气候变化中发挥着重要的作用。

森林材积评估对于森林管理与生态监测具有重要意义。森林材积评估的基本单元是每棵活立木。传统方法是人工实地测量，通过围尺、测高仪等工具进行每木检尺(树高，胸径)，再将每木检尺结果带入二元材积模型。传统方法费时、费力，且只能获取小面积数据。而近年来在林业中广泛应用的遥感技术，例如激光雷达(LiDAR)，可以快速获取大面积森林状态，有效缩短操作时间、提高工作效率。

激光雷达技术的应用主要包括机载激光扫描(ALS，Airborne Laser Scanner)和三维激光扫描(TLS，Terrestrial Laser Scanner)两种。其中，ALS技术能够提取较准确的树高(TH，Tree Height)参数，而对胸径(DBH，Diameter at Breast Height)的提取却差强人意；TLS能够提取较准确的DBH，但对树高的提取有很大的不确定性。

为此，中国发明专利CN 104867180 B公开了一种集成UAV与LIDAR的森林林分特征反演方法，通过结合UAV与LiDAR数据提取典型林分特征，利用特征点匹配算法和空中三角生成研究区三维点云作为数字表面模型，结合LiDAR提取的数字地形模型计算树冠层模型，再结合地面实测林分调查数据与联合提取的点云变量构建多元回归估算模型并验证其精度。二者结合，各取所长，是一条廉价、灵活的森林状态监测方式。然而，该方法，通过多元回归分析，构建联合提取估算模型，将两种点云进行高精度匹配算法非常复杂，效率低。

有鉴于此，需要对现有点云融合评估森林材积的方法进行改进，以简化算法，提高效率。

发明内容

针对上述缺陷，本发明所要解决的技术问题在于提供一种采用特征级点云融合评估森林材积的方法和系统，以解决现有技术算法复杂，效率低的问题。

为此，本发明提供的采用特征级点云融合评估森林材积的方法，包括以下步骤：

采集目标区域的ALS点云数据和布置在该目标区域中的样地的TLS点云数据，同时分别为样地的ALS点云数据和TLS点云数据赋予地理坐标；

以样地内的ALS点云数据和TLS点云数据的共同地理坐标为基准，建立二者的关联匹配关系；

分别对样地的ALS点云数据和TLS点云数据进行处理，并提取出样地中每棵树的单木特征参数，得到ALS特征数据集和TLS特征数据集；其中，ALS特征数据集包括样地中每棵的树干地理坐标、树高和冠幅，TLS特征数据集包括样地中每棵的树干地理坐标、胸径；

基于树干地理坐标对ALS特征数据和TLS特征数据集进行特征级融合，获得融合数据集，包括样地中每棵的树干地理坐标、树高、胸径和冠幅，其中树高和冠幅取自ALS特征数据集，胸径取自TLS特征数据集；

利用融合数据集中的冠幅、树高和胸径数据，通过回归分析获得胸径估算模型，再利用目标区域的ALS点云数据中每棵树的冠幅，根据胸径估算模型，估算出目标区域中每棵树的胸径；

将目标区域中每棵树的胸径和树高输入二元材积模型，估算出目标区域的森林材积。

在上述技术方法中，优选地，样地的中心设置TLS基站以及用于TLS基站定位的靶球，通过测量TLS点云数据中每个点与基站和靶球的位置，并通过三维坐标转换和最小二乘平差求解获得每个点的地理坐标，赋予TLS点云数据地理坐标；

通过机载的全球卫星导航系统，在获取ALS点云数据的同时，直接为ALS点云数据赋予地理坐标。

在上述技术方法中，优选地，建立样地的TLS点云数据和ALS点云数据的关联匹配关系之前，首先采用一致的投影和坐标系统对样地的TLS点云数据和ALS点云数据进行位置坐标转换处理。

在上述技术方法中，优选地，获得到TLS特征数据集和ALS特征数据集的方法如下：

基于区域生长分割算法对样地的TLS点云数据和ALS点云数据进行分割，去除点云数据中的粗差；

使用渐进式不规则三角网加密算法进行点云地面滤波，识别出地面点；

利用地面点和原始点云数据生成归一化数字表面模型nDSM；

利用nDSM数据，使用面向线状实体提取的点云分割方法提取出每棵树的单木特征参数，近而获得TLS特征数据集和ALS特征数据集。

在上述技术方法中，优选地，回归分析采用的胸径估算模型函数如下：

其中，f(x)为回归函数，DBH_TLS为TLS特征数据集中对应树木的胸径，H_ALS为ALS特征数据集中对应树木的树高，CD_ALS为ALS特征数据集中对应树木的冠幅，a，b，c分别为回归系数。

在上述技术方法中，优选地，估算目标区域的森林材积V采用如下公式：

V＝p×DBH^q×H^r；

其中，p，q，r分别为常量系数，DBH为树木的胸径，H为树木的树高，且p＝0.0000942941，q＝1.832223553，r＝1.832223553。

本发明还提供了一种采用特征级点云融合评估森林材积的系统，包括：

数据采集装置，用于采集目标区域的ALS点云数据和布置在该目标区域中的样地的TLS点云数据，同时分别为ALS点云数据和TLS点云数据赋予地理坐标；

匹配装置，以样地的ALS点云数据和TLS点云数据的地理坐标为基准，建立二者的关联匹配关系；

特征提取装置，用于分别样地的ALS点云数据和TLS点云数据进行处理，并提取出样地中每棵树的单木特征参数，得到ALS特征数据集和TLS特征数据集；其中，ALS特征数据集包括样地中每棵树的树干地理坐标、树高和冠幅，TLS特征数据集包括样地中每棵树的树干地理坐标、胸径；

特征融合装置，用于基于树干地理坐标对ALS特征数据和TLS特征数据集进行特征级融合，获得融合数据集，包括样地中每棵树的树干地理坐标、树高、胸径和冠幅，其中树高和冠幅取自ALS特征数据集，胸径取自TLS特征数据集；

胸径估算装置，用于利用融合数据集中的冠幅、树高和胸径数据，通过回归分析获得胸径估算模型，再利用目标区域的ALS点云数据中每棵树的冠幅，根据胸径估算模型，估算出目标区域中每棵树的胸径；

森林材积计算装置，用于将目标区域中每棵树的胸径和树高输入二元材积模型，估算出目标区域的森林材积。

在系统中，优选地，所述数据采集装置包括：

TLS点云采集装置，包括三维激光扫描仪以及设置在样地的中心的TLS基站和用于TLS基站定位的靶球，通过测量TLS点云数据中每个点与基站和靶球的位置，并通过三维坐标转换和最小二乘平差求解获得每个点的地理坐标，赋予TLS点云数据地理坐标；

ALS点云采集装置，包括机载的激光测距传感器和全球卫星导航系统，在获取ALS点云数据的同时，直接为ALS点云数据赋予地理坐标。

在上述系统中，优选地，所述特征提取装置包括：

噪音去除单元，用于基于区域生长分割算法对样地的TLS点云数据和ALS点云数据进行分割，去除点云数据中的粗差；

地面点识别单元，用于使用渐进式不规则三角网加密算法进行点云地面滤波，识别出地面点；

归一化单元，用于利用地面点和原始点云数据生成归一化数字表面模型nDSM；

特征提取单元，用于利用nDSM数据，使用面向线状实体提取的点云分割方法提取出每棵树的单木特征参数。

在上述系统中，优选地，所述回归分析采用的胸径估算模型函数如下：

其中，f(x)为回归函数，DBH_TLs为TLS特征数据集中对应树木的胸径，H_ALS为ALS特征数据集中对应树木的树高，CD_ALS为ALS特征数据集中对应树木的冠幅，a，b，c分别为回归系数。

由上述技术方案可知，本发明提供的采用特征级点云融合评估森林材积的方法和系统，解决了现有技术两种点云进行高精度匹配算法复杂，效率低的问题。与现有技术相比，本发明具有以下有益效果：

(1)分别为ALS点云数据和TLS点云数据赋予地理坐标，以二者共同地理坐标为基准，建立二者的关联匹配关系，并基于二者中的树干地理坐标进行特征级融合，融合速度快，避免了传统点云融合方法耗时、费力的过程。

(2)基于样地的ALS点云数据和TLS点云数据中的树干地理坐标，分别从ALS点云数据中提取出树高和冠幅，从TLS点云数据中提取出胸径，快速实现了样地的每木检尺。

(3)利用样地ALS点云数据和TLS点云数据，通过回归分析获得胸径估算模型，再利用目标区域的ALS点云数据中每棵树的冠幅，根据胸径估算模型，估算出目标区域中每棵树的胸径，与树高共同输入二元材积模型，估算出目标区域的森林材积，获取大面积森林材积具有较强的操作性。

附图说明

为了更清楚地说明本发明的实施例或现有技术中的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图做出简单地介绍和说明。显而易见地，下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的采用特征级点云融合评估森林材积的方法流程图；

图2为本发明实施例中目标区域以及样地选择示意图；

图3为本发明实施例中样地的放大图；

图4为本发明实施例中ALS点云和TLS点云匹配结果示意图；

图5为三种胸径获取方法得到的胸径对比示意图；

图6为通过ALS点云数据提取的树冠位置和树干位置示意图；

图7为通过ALS点云数据和TLS数据提取的树干位置示意图；

图8为四种方法得到的每棵树材积的对比图；

图9为四种方法在样地的材积计算结果示意图；

图10为本发明方法计算的全区域材积结果示意图。

具体实施方式

下面将结合本发明实施例附图，对本发明实施例的技术方案进行清楚、完整地描述，显然，以下所描述的实施例，仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下，所获得的所有其他实施例，都属于本发明保护的范围。

为了对本发明的技术方案和实现方式做出更清楚地解释和说明，以下介绍实现本发明技术方案的几个优选的具体实施例。

需要说明的是，本文中“内、外”、“前、后”及“左、右”等方位词是以产品使用状态为基准对象进行的表述，显然，相应方位词的使用对本方案的保护范围并非构成限制。

本申请的使用的术语定义如下：

DGNSS，Differential Global Navigation and Positioning System，差分全球卫星导航系统。

TLS，Terrestrial Laser Scanner，三维激光扫描。

ALS，Airborne Laser Scanner，机载激光扫描。

DBH，Diameter at Breast Height，胸径。

TH，Tree Height，树高。

CD，Crown Diameter，冠幅，本申请中冠幅指的是冠幅直径。

请参见图1，图1为本发明提供的一种采用特征级点云融合评估森林材积的方法流程图。

如图1所示，本发明提供的一种采用特征级点云融合评估森林材积的方法，包括以下步骤：

步骤110，采集目标区域的ALS点云数据和布置在该目标区域中的样地的TLS点云数据，同时分别为样地的ALS点云数据和TLS点云数据赋予地理坐标。其中，样地为目标区域中的一块区域，并且样地的中心设置有TLS基站，并在样地中布置用于TLS基站定位的靶球。

ALS点云数据通过无人机搭载激光测距传感器获取，并通过机载的DGNSS直接为ALS点云数据赋予地理坐标。TLS点云数据通过三维激光扫描仪获取，并采用“基站位置+单靶球位置”的方式为TLS点云数据赋予地理坐标。

本实施例中，目标区域选择为河北省承德市塞罕坝机械林场(42°02′～42°36′N，116°51′～117°39′E，海拔1100-1940m)，面积7.66万hm²。样地选择在目标区域的西南角，面积160m×420m，地形平坦(坡度小于5°)。如图2所示，样地中心布设TLS基站(图中☆)，在距离TLS基站约13m处布设用于TLS基站定位的靶球(图中●)。TLS基站和靶球之间的通视性良好，且均具有开阔的空域能够保证DGNSS信号良好。

使用Stonex X300三维激光扫描仪获取样地的TLS点云数据，点云密度约5339.49pts/m²。分别测量TLS基站和靶球的地理坐标，利用这两个坐标给TLS点云数据赋予地理坐标，这个过程称为定向。

使用DJI M300多旋翼无人机搭载激光测距传感器和DGNSS获取目标区域内的ALS点云数据及其地理坐标，包括样地的ALS点云数据和地理坐标。其中，无人机飞行高度为80m，飞行速度为3.5m/s，旁向重叠率为80％，采用3次回波获取ALS点云数据，点云密度为2031.0lpts/m²。

步骤120，以样地的ALS点云数据和TLS点云数据的共同地理坐标为基准，建立样地的ALS点云数据和TLS点云数据二者之间的关联匹配关系。

在该步骤中，首先采用一致的投影和坐标系统对样地的TLS点云数据和ALS点云数据进行转换处理，然后，以共同的地理坐标为基准实现TLS点云数据和ALS点云数据的关联匹配。

本实施例中，使用大疆智图v3.5对ALS点云数据进行处理，坐标系统选择ChinaGeodetic Coordinate System 2000(CGCS2000)，投影方式为高斯克吕格三度带投影，中央经线为117°E，处理后ALS点云数据的水平精度为10cm，垂直精度5cm。使用StonexSiscanv3.O点云处理软件对TLS点云数据进行处理，选用与ALS一致的投影和坐标系统，处理后TLS点云数据的水平精度为8mm，垂直精度15mm。

本实例中，图4为ALS点云和TLS点云中某一棵树前后左右四个方向的匹配结果(基于共同的地理坐标叠加)，其中，深色表示TLS点云，浅色表示ALS点云。由图4可见，两点云有很好的重合度。

步骤130，分别对样地的ALS点云数据和TLS点云数据进行处理，并提取出样地中每棵树的单木特征参数，得到ALS特征数据集和TLS特征数据集；其中，ALS特征数据集包括样地中每棵的树干地理坐标LOC_ALS、树高H_ALS和冠幅CD_ALS，TLS特征数据集包括样地中每棵的树干地理坐标LOC_TLS、胸径DBH_TLS。

该步骤包括点云去噪、地面点识别、点云归一化、单木分割以及单木特征参数提取，具体包括：

步骤131，基于区域生长分割算法分别对TLS点云数据和ALS点云数据进行分割，去除点云数据中的点云粗差。

步骤132，使用渐进式不规则三角网加密算法分别对TLS点云数据和ALS点云数据进行点云地面滤波，识别出地面点；

步骤133，分别利用识别到的地面点和原始的TLS点云数据、ALS点云数据生成TLS和ALS两个归一化数字表面模型nDSM；

步骤134，分别利用两个nDSM数据，使用面向线状实体提取的点云分割方法，提取出TLS和ALS点云数据中每棵树的单木特征参数，得到ALS特征数据集和TLS特征数据集。

其中，ALS特征数据集包括样地中每棵的树干地理坐标LOC_ALS、树高H_ALS和冠幅CD_ALs，TLS特征数据集包括样地中每棵的树干地理坐标LOC_TLS、胸径DBH_TLs。且，样地中每棵树的树干地理坐标LOC_TLS＝LOC_ALS，在以下的应用中，每棵树的树干地理坐标统一采用ALS特征数据集中的树干地理坐标LOC_ALS。

由于ALS点云难以获得密度足够的树干点云，因此，在本发明方法中，根据树冠最高点的位置计算获得LOC_ALS，以方便进行计算。

步骤140，基于每棵树的树干地理坐标对ALS特征数据集和TLS特征数据集进行特征级融合，获得融合数据集{LOC_ALS，H_ALs，CD_ALs，DBH_TLs}，包括样地中每棵的树干地理坐标LOC_ALs、树高H_ALs、冠幅CD_ALS和胸径DBH_TLS。其中树高H_ALS和冠幅CD_ALS取自ALS特征数据集，胸径DBH_TLS取自TLS特征数据集。

上述步骤，利用样地中ALS点云和TLS点云提取到的树干位置非常接近的事实，将从两个点云数据中提取到的所有其他特征关联起来，最终得到每棵树的树高H_ALs、冠幅CD_ALs和胸径DBH_TLS，获得融合数据集{LOC_ALS，H_ALS，CD_ALS，DBH_TLs}，从而实现了两个点云数据的特征级融合。

对于样地内的两个点云数据，判断是否为同一棵树的融合过程可由下述公式表示：

c＝{(a1，b1)|a1∈Aandb1∈B，L(a1，b1)≤r}。

其中，A表示TLS特征数据集，B表示ALS特征数据集，a1和b1分别表示点云获取的树干位置，且a1∈A，b1∈B，L(a，b)表示树干位置a1和b1之间的距离，两个点云数据获取的树干位置距离超过搜索距离r时，则认为不是同一棵树(c为假)，否则认为是同一棵树(c为真)。

步骤150，利用融合数据集中的树高H_ALS、冠幅CD_ALS和胸径DBH_TLS数据，通过回归分析获得胸径估算模型，再利用目标区域的ALS点云数据中每棵树的冠幅CD_ALs，根据胸径估算模型，估算出目标区域中每棵树的胸径DBH_ALS ^opt。

由于样地外各树木的胸径无法通过TLS点云数据或者ALS点云数据直接获得，因此，本发明方法通过回归分析方法，利用从ALS点云数据获取的树高H_ALS、冠幅CD_ALs以及从TLS点云数据获取的胸径DBH_TLs，构建出胸径估算模型，进而利用目标区域的ALS点云数据中的冠幅CD_ALs估算获得整个目标区域中每棵树的胸径DBH_ALS ^opt，包括样地内与样地外每棵树的胸径。

具体地，首先建立胸径估算模型函数如下：

其中，f(x)为回归函数，DBH_TLS为TLS特征数据集中对应树的胸径，H_ALS为ALS特征数据集中对应树的树高，CD_ALS为ALS特征数据集中对应树木的冠幅a，b，c分别为回归系数。

然后，利用融合数据集中的冠幅CD_ALS、树高H_ALS和胸径DBH_TLs数据，通过回归分析计算获得回归系数a，b，c。

再将回归系数a，b，c代入上述回归函数，得到胸径估算模型。经过大量的数据优化，最终本发明确定的回归系数为：a＝O.174，b＝0.455，c＝8.871。

最后，利用胸径估算模型，将目标区域中每棵树的树高H_ALs和冠幅CD_ALS代入胸径估算模型，获得目标区域中每棵树的胸径DBH_ALs ^opt。

步骤160，将目标区域中每棵树的胸径DBH_ALs ^opt和树高H_ALS输入二元材积模型，估算出目标区域的森林材积。

每棵树的材积V＝p×DBH^q×H^r；

其中，其中，p，q，r分别为常量系数，DBH为树木的胸径，H为树木的树高.

经过大量的数据优化和验证，最终确定p＝0.0000942941，q＝1.832223553，1＝1.832223553。

下面通过具体实例验证本发明方法的有效性。

第一，验证胸径估算模型的精度。

验证方法为：把从TLS提取到的胸径DBH_ref作为参考，对比从样地中ALS点云提取到的胸径DBH_ALs以及利用胸径估算模型优化估算到的胸径DBH_ALS ^opt，对比结果如图5和表1所示。

图5中，横坐标代表单木ID，纵坐标为DBH数值，其中黑色为DBH_ref，浅色为DBH_ALs，深色为DBH_ALs ^opt。从表1可以看出，优化估算到的胸径DBH_ALS ^opt平均值为23.553cm,与参考的平均值(23.616cm)差别很小。ALS点云提取到的胸径DBH_ALS均值为25.513cm，比参考值大了近2cm(误差超过8％)。从标准差来看，从TLS提取到的参考的标准差最大(4.307)，其他两种方法的标准差均较低，尤其是优化估算的结果最低，仅为1.4304。虽然从统计指标标准差STD上看起来ALS方法的STD(3.164)与参考值更接近，但是最大、最小值偏差大，因此具体到每棵树，将影响“每木检尺”的准确性。

表1。

第二，特征融合效果的评价。

评价主要采用目视比较和定量分析相结合的方法，将从ALS提取的树冠位置和从ALS提取的树干位置、TLS提取的树干位置叠加显示，并用平均误差和最大/小误差等指标分析了两种点云数据在样地内树干位置的差异。

如图6示出了提取树干位置与树冠轮廓的示意图，其中，矢量为ALS提取的树冠轮廓，●为TLS提取的树干位置；图7为通过ALS点云数据和TLS数据提取的树干位置示意图，●为TLS提取的树干位置，▲为ALS提取的树干位置。

可以看出，TLS和ALS提取树干位置整体差异不大，且均在树冠覆盖范围内；从选取的三棵单木的点云细节图可以看出，TLS提取出的树干位置与ALS实际扫描获取的树干位置几乎完全一致。

表2。

统计结果与图中表现基本一致，TLS和ALS提取树干位置偏差均值为0.401m，偏差均值占ALS提取的冠幅均值的4.962％，可见，树干位置偏差整体差异不是很大，且在树冠覆盖范围内，满足特征级融合的要求。

第三，森林材积的估算精度评价。

由于通常认为TLS的DBH和ALS的H是最接近真实值的，因此以样地中DBH_TLS和H_ALS作为二元材积模型输入参数，计算所得的森林材积V_TLS+ALS为参考，对比分析了仅用TLS计算得到的材积V_TL，_S、未进行DBH优化的ALS计算得到的材积V_ALS、优化DBH后的ALS计算得到的材积V_ALSopt。

图8分别为用四种方法得到的每棵树材积的对比图，表3给出了四种方法估算的样地材积、误差、误差百分比和均方根误差。

表3。

图8中的横坐标代表单木ID，纵坐标为材积V数值。其中大部分位于下方的最浅色为仅用TLS计算的材积V_TLS，大部分位于上部较浅色为使用未校正参数计算的材积V_ALs，次深色为本发明方法计算的材积V_ALS ^opt，黑色为参考V_TLS+ALS。

可以看出，参考值的标准差为O.128，变化范围最大，V_ALS、V_TLS、V_ALSopt的标准差依次减小，分别是O.108、0.063和0.054。从材积计算总值来看，参考值为40.748m³，V_TLS、V_ALS和V_ALS ^opt与其差值分别为29.630m³(72.053％，百分比误差)、5.840m³(14.332％，百分比误差)和1.256m³(3.082％，百分比误差)，可见，TLS对材积的估算精度最差，这主要是因为TLS测得的树高不准，从而导致对材积的严重低估；本发明方法对材积的估算精度最高，与使用未校正参数计算的材积V_ALS相比，误差百分比降低了11.25％，可见，本发明方法能够大幅提高材积的估算精度。

图9是四种方法在样地的材积计算结果对比图。图中，a代表V_ALS+TLS方法计算的材积，作为参考，b、c和d分别代表V_TLs、V_ALS和V_ALS ^opt方法计算的材积与V_ALS+TLS方法计算的材积之间的差值图，颜色越深代表差值越大。从图中可以看出，仅用TLS计算的V_TLS与参考相差最大，本发明方法计算的材积V_ALS ^opt最为接近。

图10为本发明方法计算的全区域材积结果图。

综合以上具体实施例的描述，本发明提供的采用特征级点云融合评估森林材积的方法和系统，与现有技术相比，具有如下优点：

第一，通过为ALS点云数据和TLS点云数据赋予地理坐标，实现二者的特征级点云融合，将融合数据集中每棵树的胸径和树高输入二元材积模型，估算出目标区域的森林材积，算法简单，效率高，速度快。

第二，利用ALS点云数据中的冠幅、树高和胸径数据，通过回归分析获得胸径估算模型，利用融合数据集中的冠幅，根据胸径估算模型，估算出样地外每棵树的胸径，减少了数据采集量，提高了效率，获取大面积森林材积具有较强的操作性。

第三，结果准确性高。

最后，还需要说明的是，在本文中使用的术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句″包括一个…″限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明并不局限于上述最佳实施方式，任何人应该得知在本发明的启示下做出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。

Claims (10)

1.一种采用特征级点云融合评估森林材积的方法，其特征在于，包括以下步骤：

采集目标区域的ALS点云数据和布置在该目标区域中的样地的TLS点云数据，同时分别为样地的ALS点云数据和TLS点云数据赋予地理坐标；

以样地的ALS点云数据和TLS点云数据的共同地理坐标为基准，建立二者的关联匹配关系；

分别对样地的ALS点云数据和TLS点云数据进行处理，并提取出样地中每棵树的单木特征参数，得到ALS特征数据集和TLS特征数据集；其中，ALS特征数据集包括样地中每棵树的树干地理坐标、树高和冠幅，TLS特征数据集包括样地中每棵树的树干地理坐标、胸径；

基于树干地理坐标对ALS特征数据和TLS特征数据集进行特征级融合，获得融合数据集，包括样地中每棵树的树干地理坐标、树高、胸径和冠幅，其中树高和冠幅取自ALS特征数据集，胸径取自TLS特征数据集；

利用融合数据集中的冠幅、树高和胸径数据，通过回归分析获得胸径估算模型，再利用目标区域的ALS点云数据中每棵树的树高和冠幅，根据胸径估算模型，估算出目标区域中每棵树的胸径；

将目标区域中每棵树的胸径和树高输入二元材积模型，估算出目标区域的森林材积。

2.根据权利要求1所述的方法，其特征在于，

样地的中心设置TLS基站以及用于TLS基站定位的靶球，通过测量TLS点云数据中每个点与基站和靶球的位置，并通过三维坐标转换和最小二乘平差求解获得每个点的地理坐标，赋予TLS点云数据地理坐标；

通过机载的全球卫星导航系统，在获取ALS点云数据的同时，直接为ALS点云数据赋予地理坐标。

3.根据权利要求1所述的方法，其特征在于，建立样地的TLS点云数据和ALS点云数据的关联匹配关系之前，首先采用一致的投影和坐标系统对样地的TLS点云数据和ALS点云数据进行位置坐标转换处理。

4.根据权利要求1所述的方法，其特征在于，获得到TLS特征数据集和ALS特征数据集的方法如下：

基于区域生长分割算法对样地的TLS点云数据和ALS点云数据进行分割，去除点云数据中的粗差；

使用渐进式不规则三角网加密算法进行点云地面滤波，识别出地面点；

利用地面点和原始点云数据生成归一化数字表面模型nDSM；

利用nDSM数据，使用面向线状实体提取的点云分割方法提取出每棵树的单木特征参数，进而获得TLS特征数据集和ALS特征数据集。

5.根据权利要求1所述的方法，其特征在于，回归分析采用的胸径估算模型函数如下：

其中，f(x)为回归函数，DBH_TLS为TLS特征数据集中对应树木的胸径，H_ALS为ALS特征数据集中对应树木的树高，CD_ALS为ALS特征数据集中对应树木的冠幅，a，b，c分别为回归系数。

6.根据权利要求5所述的方法，其特征在于，估算目标区域的森林材积V采用如下公式：

V＝p×DBH^q×H^r；

其中，p，q，r分别为常量系数，DBH为树木的胸径，H为树木的树高，且p＝0.0000942941，q＝1.832223553，r＝1.832223553。

7.一种采用特征级点云融合评估森林材积的系统，其特征在于，包括：

数据采集装置，用于采集目标区域的ALS点云数据和布置在该目标区域中的样地的TLS点云数据，同时分别为ALS点云数据和TLS点云数据赋予地理坐标；

匹配装置，以样地的ALS点云数据和TLS点云数据的地理坐标为基准，建立二者的关联匹配关系；

特征提取装置，用于分别对样地的ALS点云数据和TLS点云数据进行处理，并提取出样地中每棵树的单木特征参数，得到ALS特征数据集和TLS特征数据集；其中，ALS特征数据集包括样地中每棵树的树干地理坐标、树高和冠幅，TLS特征数据集包括样地中每棵树的树干地理坐标、胸径；

特征融合装置，用于基于树干地理坐标对ALS特征数据和TLS特征数据集进行特征级融合，获得融合数据集，包括样地中每棵树的树干地理坐标、树高、胸径和冠幅，其中树高和冠幅取自ALS特征数据集，胸径取自TLS特征数据集；

胸径估算装置，用于利用融合数据集中的冠幅、树高和胸径数据，通过回归分析获得胸径估算模型，再利用目标区域的ALS点云数据中每棵树的冠幅，根据胸径估算模型，估算出目标区域中每棵树的胸径；

森林材积计算装置，用于将目标区域中每棵树的胸径和树高输入二元材积模型，估算出目标区域的森林材积。

8.根据权利要求7所述的系统，其特征在于，所述数据采集装置包括：

TLS点云采集装置，包括三维激光扫描仪以及设置在样地的中心的TLS基站和用于TLS基站定位的靶球，通过测量TLS点云数据中每个点与基站和靶球的位置，并通过三维坐标转换和最小二乘平差求解获得每个点的地理坐标，赋予TLS点云数据地理坐标；

ALS点云采集装置，包括机载的激光测距传感器和全球卫星导航系统，在获取ALS点云数据的同时，直接为ALS点云数据赋予地理坐标。

9.根据权利要求7所述的系统，其特征在于，所述特征提取装置包括：

噪音去除单元，用于基于区域生长分割算法对样地的TLS点云数据和ALS点云数据进行分割，去除点云数据中的粗差；

地面点识别单元，用于使用渐进式不规则三角网加密算法进行点云地面滤波，识别出地面点；

归一化单元，用于利用地面点和原始点云数据生成归一化数字表面模型nDSM；

特征提取单元，用于利用nDSM数据，使用面向线状实体提取的点云分割方法提取出每棵树的单木特征参数。

10.根据权利要求7所述的系统，其特征在于，所述回归分析采用的胸径估算模型函数如下：

其中，f(x)为回归函数，DBH_TLS为TLS特征数据集中对应树木的胸径，H_ALS为ALS特征数据集中对应树木的树高，CD_ALS为ALS特征数据集中对应树木的冠幅，a，b，c分别为回归系数。