一种地基激光雷达点云单木叶生物量计算方法

技术领域

本发明涉及叶生物量统计技术领域，具体为一种地基激光雷达点云单木叶生物量计算方法。

背景技术

生物量是生态系统的基本数量特征。地上生物量的准确估算能为评价植被碳汇提供科学依据，地上生物量包括植被的干、桩、枝、皮、种子和叶生物量。叶生物量作为地上生物量的组成之一，是决定树木生产力的最重要因素。其空间分布特征能有效反映植被的生长趋势与能量流动。

传统叶生物量主要采用人工实测的方法，这种方法需通过野外收获叶片称重的方式得到。这对活立木造成一定的破坏性且破坏性不可逆，与此同时还存在工作量大、耗时长的基本情况等缺点。由于叶片随季节变动明显，叶生物量的监测大多停留在年平均值，难以获得实时数值。

近年来随着雷达技术的不断完善，激光雷达探测手段替代了传统人工采样的方法。激光雷达探测手段能快速获取树木详细结构信息，在植被可视化上具有巨大优势。激光雷达作为一种主动遥感工具，可快速采集高密度点云数据，稳定的采集平台确保了数据采集的精准性。通过选用合适的激光雷达扫描工具，能无损获取完整植被表面的详细覆盖信息，得到真实、详细的树木三维数据。目前，国内外学者常用地基激光雷达(terrestriallaser scanning，TLS)、移动激光扫描(moblie laser scanning，MLS)等工具来高效获取树木三维点云数据。

目前，基于地基激光雷达数据计算方法大多通过实测获取叶生物量密度，结合冠层体积间接求单木叶生物量，即获取单位体积的叶生物量，并提取树冠体积或叶体积。然而，叶生物量密度的计算以粗犷的方式直接获得叶体积与生物量的比率，未考虑二者的回归关系，使得计算结果鲁棒性弱。此外，树冠体积的计算方法较多，提取精度难以评判，导致基于树冠体积的叶生物量估算精度差异较大。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有的叶生物量估算中存在的问题，提出了本发明。

因此，本发明的目的是提供一种地基激光雷达点云单木叶生物量计算方法，提高叶生物量的估算精度以及效率。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种地基激光雷达点云单木叶生物量计算方法，其包括：

S1、通过地基激光雷达采集单木乔木的点云数据，并随机收获不同棵行道树、不同冠层高度的叶片；

S2、对各站点的点云数据匹配对应的全景照片，并对点云进行RGB渲染，使点云着色，并经站点拼接、去噪、归一化、裁剪、抽稀、单木点云分割、叶片点云提取得到初步的叶点云，并经手动去除剩余枝干点云，得到精确的叶点云；

S3、对收获的叶片处理后得到每个叶片的体积与质量；

S4、以叶片的质量为因变量，以叶片的体积为自变量构建叶片质量与叶体积的回归关系，得到叶生物量-eLVV方程；

S5、将叶点云分成若干层，根据

其中，P(i)dilated指第i棵树的点云膨胀后大小，LA指采集的叶片的平均叶面积，plength(i)、pwidth(i)指第i棵树设定的画布长宽，vlength、vwidth指第i棵树的实际两个方向冠幅，冠幅由提取的单木点云统计得到；

S6、将计算的eLVV带入叶生物量-eLVV方程中，得到单木叶生物量。

作为本发明所述的一种地基激光雷达点云单木叶生物量计算方法的一种优选方案，其中，所述步骤S1中，通过地基激光雷达采集单木乔木的点云数据的步骤如下：将地基激光雷达架设在道路中央，等间距沿道路方向布设站点，扫描行道树。

作为本发明所述的一种地基激光雷达点云单木叶生物量计算方法的一种优选方案，其中，所述步骤S2中，站点拼接、去噪、归一化和裁剪在地基雷达配套的软件Riscan Pro64bit v2.6.1中完成，抽稀过程按照建立0.05×0.05×0.05m的过滤器进行降采样，单木点云分割根据手动分割，获得完整的单木树冠以及树干点云，叶片点云提取根据LeWoS法进行枝叶点云分类。

作为本发明所述的一种地基激光雷达点云单木叶生物量计算方法的一种优选方案，其中，所述步骤S3中，对收获的叶片处理后得到每个叶片的体积的具体步骤如下：用透明亚克力板压平叶片，并正射拍照，摄影时，以一元硬币作参考并同时被记录，提取叶片像素和硬币像素数量，结合硬币实际面积，获取叶片长度、面积，并设定叶片厚度为0.2cm，得到每片叶片体积。

作为本发明所述的一种地基激光雷达点云单木叶生物量计算方法的一种优选方案，其中，所述步骤S3中，对收获的叶片处理后得到每个叶片的质量的具体步骤如下：按提取顺序给收获的叶片编号，并放入对应编号的信封中，在65℃烘箱中烘干至恒定重量后取出，同时放入空白信封用于白平衡，然后对每个叶片用精密天平称重，得到单片叶片重量。

作为本发明所述的一种地基激光雷达点云单木叶生物量计算方法的一种优选方案，其中，所述步骤S5中，按5cm将叶点云分成若干层。

与现有技术相比，本发明具有的有益效果是：本发明通过地基激光雷达扫描的点云数据和实际收获叶片，地基激光雷达能更详细地展示植被垂直结构以及树木内部详细信息，用于获取叶片点云，通过计算三维绿量这一绿地景观指标，以获取叶体积，实际收获的叶片用于得到叶片质量，能够以更高效、更精准的处理方法提取叶点云、计算叶体积，进而提高叶生物量的估算精度以及效率。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一种地基激光雷达点云单木叶生物量计算方法的流程图；

图2为本发明一种地基激光雷达点云单木叶生物量计算方法的点云处理流程示意图；

图3为本发明一种地基激光雷达点云单木叶生物量计算方法的叶片面积提取示意图；

图4为本发明一种地基激光雷达点云单木叶生物量计算方法拟合得到的叶生物量-eLVV”回归关系图；

图5为本发明一种地基激光雷达点云单木叶生物量计算方法的分层面积积分法流程图；

图6为本发明一种地基激光雷达点云单木叶生物量计算方法基于eLVV计算的单木叶生物量与异速生长模型值的Bland-Altman图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

本发明提供一种地基激光雷达点云单木叶生物量计算方法，提高叶生物量的估算精度以及效率。

如图1所示，该种地基激光雷达点云单木叶生物量计算方法的具体步骤如下：

S1、通过地基激光雷达采集单木乔木的点云数据，并随机收获不同棵行道树、不同冠层高度的叶片，其中，通过地基激光雷达采集单木乔木的点云数据的步骤如下：将地基激光雷达架设在道路中央，等间距沿道路方向布设站点，扫描行道树；

S2、对各站点的点云数据匹配对应的全景照片，并对点云进行RGB渲染，使点云着色，并经站点拼接、去噪、归一化、裁剪、抽稀、单木点云分割、叶片点云提取得到初步的叶点云，并经手动去除剩余枝干点云，得到精确的叶点云，其中，站点拼接、去噪、归一化和裁剪在地基雷达配套的软件Riscan Pro 64bit v2.6.1中完成，抽稀过程按照建立0.05×0.05×0.05m的过滤器进行降采样，单木点云分割根据手动分割，获得完整的单木树冠以及树干点云，叶片点云提取根据LeWoS法进行枝叶点云分类；

S3、对收获的叶片处理后得到每个叶片的体积与质量，其中，对收获的叶片处理后得到每个叶片的体积的具体步骤如下：用透明亚克力板压平叶片，并正射拍照，摄影时，以一元硬币作参考并同时被记录，提取叶片像素和硬币像素数量，结合硬币实际面积，获取叶片长度、面积，并设定叶片厚度为0.2cm，得到每片叶片体积，对收获的叶片处理后得到每个叶片的质量的具体步骤如下：按提取顺序给收获的叶片编号，并放入对应编号的信封中，在65℃烘箱中烘干至恒定重量后取出，同时放入空白信封用于白平衡，然后对每个叶片用精密天平称重，得到单片叶片重量。

S4、以叶片的质量为因变量，以叶片的体积为自变量构建叶片质量与叶体积的回归关系，得到叶生物量-eLVV方程；

S5、将叶点云分成若干层，根据

其中，P(i)dilated指第i棵树的点云膨胀后大小，LA指采集的叶片的平均叶面积，plength(i)、pwidth(i)指第i棵树设定的画布长宽，vlength、vwidth指第i棵树的实际两个方向冠幅，冠幅由提取的单木点云统计得到，其中，按5cm每层将叶点云分成若干层。

S6、将计算的eLVV带入叶生物量-eLVV方程中，得到单木叶生物量，

下面以江苏省南京市(32°33′～32°57′N，120°07′～120°53′E)的园丁路的行道树为例，主要行道树种为杂交鹅掌楸。

S1、选用RIEGL VZ-400i地面三维激光扫描仪架设在园丁路中央，等间距共架设10站，扫描30株行道树，并随机收获约30片健康杂交鹅掌楸叶片，并带回实验室处理；

S2、如图2所示，对各站点的点云数据匹配对应的全景照片，并对点云进行RGB渲染，使点云着色，点拼接、去噪、归一化和裁剪在地基雷达配套的软件Riscan Pro 64bitv2.6.1中完成，抽稀过程按照建立0.05×0.05×0.05m的过滤器进行降采样，单木点云分割主要根据手动分割，获得完整的单木树冠、树干等点云，叶片点云提取根据LeWoS法进行枝叶点云分类，得到初步的叶点云，之后，手动去除剩余枝干点云，得到精确的叶点云；

S3、如图3所示，用透明亚克力板压平叶片，并正射拍照。摄影时，一元硬币作为参照也被记录，提取叶片像素和硬币像素数量，结合硬币实际面积，获取叶片长度、面积。根据经验，假设叶片厚度为0.2cm，得到每片叶片体积，并按提取顺序给叶片编号，并放入对应编号的信封中，在65℃烘箱中烘干至恒定重量后取出，同时放入空白信封用于白平衡，对每个叶片用精密天平称重，得到单片叶片重量；

S4、以叶片的质量为因变量，以叶片的体积为自变量构建叶片质量与叶体积的回归关系，如图4所示，得到叶生物量-eLVV方程为LB＝24.54×eLVV-7×10

S5、如图5所示，按5cm将叶点云分成若干层将叶点云分成若干层，根据

S6、将计算的eLVV带入叶生物量-eLVV方程中，得到单木叶生物量。

为了验证生物量计算精度，以传统的叶生物量异速生长模型获取的叶生物量为参考值，进行精度对比，由于江苏省杂交鹅掌楸生物量模型暂未公布，为了保证提取的叶生物量的准确性，我们选择硬阔的叶生物量异速生长方程，来获取传统模型下的杂交鹅掌楸叶生物量，并将其作为真实值。公式：

V＝6.01228×10

LB＝0.22526×DBH

其中，V指的是单木树干体积(m

如图6所示，统计两组结果，相关系数＝0.635，p＝0.074。其中，p值大于0.05，这说明两组数据不显著，有很强的一致性，意味着基于eLVV计算的叶生物量值结果是可靠的。

虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。