森林点云树木检测与胸径估计的软件工具

沪公网安备31011502000119号原始软件出版物TreeTool：一个使用森林点云检测树木并估计其胸径的工具Omar Montoyaa，Octavio Icasio-Hernándezb，Joaquín Salasa，aCICATA Querétaro，Instituto Politécnico Nacional，墨西哥b墨西哥国家计量中心ar t i cl e i nf o文章历史记录：2021年2月8日收到收到修订版，2021年10月16日接受，2021年关键词：树木检测稠密点云分割林业a b st ra ct在应对气候变化的生态评估工作中，树木清单是一项必不可少的任务。树木的胸径（DBH）在森林资源清查中是至关重要的，特别是在估计碳含量方面。本文档介绍了TreeTool，这是一个用Python编写的软件工具，用于从森林密集的点云中检测树木并测量其胸径。该软件在完整性、准确性、位置误差和直径误差基准方面与其他软件相比表现可接受。版权所有©2021作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本v0.1此代码版本所用代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-21-00028法律代码许可证MIT使用git的代码版本控制系统使用Python的软件代码语言、工具和服务编译要求，操作环境依赖性Anaconda，Python 3.6，pip，open3d，laspy，pdal，gdal，pclpy，matplotlib，熊猫，科学如果可用，链接到开发人员文档/手册https://github.com/porteratzo/TreeTool/blob/master/BenchmarkTreeTool.ipynb问题支持电子邮件omar.alfonso. hotmail.com软件元数据当前软件版本0.1此版本可执行文件的永久链接https://github.com/porteratzo/TreeTool法律软件许可证MIT操作系统Microsoft Windows 10安装要求依赖项Anaconda，Python 3.6，pip，open3d，laspy，pdal，gdal，pclpy，matplotlib，pandas，scipy如果可用，请链接到用户手册-如果正式出版，请在参考列表中引用该出版物https://github.com/porteratzo/TreeTool/blob/master/BenchmarkTreeTool.ipynb问题支持电子邮件omar.alfonso. hotmail.com1. 动机和意义应对全球变暖需要人类活动能源的根本改变和应急能力的发展*通信：Joaquín Salas。CICATA Querétaro，Instituto Politécnico Nacional，Cerro Blanco 141，Colinas del Cimatario，Querétaro，76090，Mexico电子邮件地址：jsalasr@ipn.mx（Joaquín Salas）.https://doi.org/10.1016/j.softx.2021.100889计划从大气中减少温室气体，甚至比巴黎协定建议的速度更快[1]。这一努力的关键是扭转森林的退化，因为考虑到森林吸收了人类排放的四分之一，它们是陆地生态系统中最重要的二氧化碳汇[2]。二氧化碳在大气中的平均寿命是误导性的。虽然大部分将在排放后2至20个世纪被吸收，但20%2352-7110/©2021作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxOmar Montoya、Octavio Icasio-Hernández和Joaquín Salas沪公网安备31011502000119号2“十年，十年。因此，政府间气候变化专门委员会（IPCC）得出结论，即使人类现在停止排放二氧化碳，各国也无法阻止全球变暖在未来几十年内加剧[4]。因此，保护和增加森林--我们主要的陆地碳汇--并阻止温室气体排放是至关重要的在这方面，需要广泛使用自动森林调查方法，以制定更好的管理计划[5]。树木的检测和胸径的估计是一个重要的研究课题。研究人员报告了在处理通过摄影测量和激光传感器从陆地[6关于陆地平台，Hui等人。[16]应用随机森林的迁移学习来分类树干点。然后，他们聚类中心的初始树分割。然后，他们使用主成分分析（PCA）和核密度估计来确定数量 在分割中的混合成分。同样，Comesaña-Cebral et al.[17]提出了一种从TLS（陆地激光扫描）点云进行单树分割的算法他们将TLS安装在背包中，并在穿过森林时获得数据。他们的方法基于DBSCAN（基于密度）[18]聚类，然后进行圆柱拟合。沿着这些思路，Safaie等人。[19]提出了一个行道树库存系统。从TLS传感器获得的点云开始，过滤地面点。通过Hough变换检测树干。最后，树叶边界开始与一个粗略的近似Voronoi镶嵌和细化的活动轮廓模型。此外，Takahashi和Masuda[20]提出了一种使用移动TLS进行行道树提取和直径估计的方法。它们将点云映射到2D图像，并生成连接相邻点的线框。他们提取用ML技术检测到的几何特征，并在线框上测量DBH。Zhou等人。[21]介绍了一种用于TLS点云聚类的方法，以预测单个果树树冠的体积它们的聚类分割是基于k-d树（k维树的简称）的.冠层体积的获取是基于多元回归分析。一些旨在从激光扫描重建单个树并提供源代码的建议包括Du等人的AdTree。[22]，Hackenberg等人的SimpleTree[23]和Raumonen等人[24]（在后一种情况下，代码需要Matlab）。他们的方法将圆柱体与树枝相匹配，显示出预测地上树木体积的巨大潜力，使森林资源清查变得实用。最近，基于深度学习技术的新方法开始出现。这就是Qi [26]的情况，他提出了一种从陆地点云识别个体树木并估计树干尺寸的方法。 他的方法使用pointNet++ [27]将点分类为地面，茎和冠，这是一种语义分割深度神经网络。使用基于密度的聚类来描绘各个树。最后，他从对应于树干的聚类中估计检测到的树木此外，Xi和Hopkinson [28]从密集的3D TLS和手动描绘的参考中检测单个牙冠位置点云将向高度方向投影。然后，他们使用centernet[29]，一种无锚深度学习模型来检测单个树。这些作者都没有为他们的方法提供源代码。关于空中平台，Chisholm等人。[30]提出了一种采用在树冠下方飞行的无人驾驶飞行器（UAV）进行他们让无人机提取ALS（空中激光扫描）信息，这有助于他们构建一个2D横截面地图，它们离线优化并用于直径测量。类似地，Yun等人。[31]通过分割树冠来检测单个树木。他们采用双高斯滤波器作为筛选策略来去除假树梢，用能量函数控制各向异性水膨胀。此外，Pang等人。[32]提出了通过谱聚类检测单个树。它们根据点对之间的距离构建相似性矩阵，并计算特征值的近似值。聚类发生在最大可变性的方向上，如由对应于最大特征值的特征向量所表示的。采用现代方法，Chen等人[33]将点云转换为体素，以训练深度学习架构来识别树冠。他们使用PointNet [34]并获得树高和人群宽度。此外，Zhu等人。[35]使用retinaNet [36]神经网络检测树。树检测位置用于初始化点云分割[37]，其中点的成员资格阈值用于将云中的点分配给各个树。在这篇综述中，Taubert等人。[38]和Reynsel等人。[39]是为他们的方法提供代码的研究人员之一。Taubert等人。[38]计算树尺寸分布符合观察到的叶面积密度分布。他们投影点云以生成垂直ALS剖面。利用这些信息，他们预测了一个树模型的几何形状和茎直径分布，适合这个配置文件。这种方法似乎在公顷水平上是有效的，而在较小的尺度上则不太准确。在他们的结束，Rehsel等人。[39]引入lidR，用于ALS数据分析的R软件包。lidR实现并提供了Li等人[40] Dalponte[41]，Silva et al. [42]，Vega et al. [43]，Hamraz et al. [44]，Ayrey et al.[45]，Eysn et al.[46 ]第46段。关于开放计算机代码的可用性，文献中存在显著差距，无法根据TLS的观察结果执行单独的树木分割，这可能会使自动普查更加困难。我们的软件可以利用ALS和TLS完成的数据采集来补充一个过程，与手动测量树木的替代方案相比，这个过程可以更快，需要更少的人力促进这些任务本文介绍了一种软件工具TreeTool，该软件工具扩展了Liang等人的的方法[47]来提取树的信息，它们的数量、位置和胸径。虽然其他树木TreeTool通过ALS、TLS或数码相机等传感器在地面或空中事实上，TreeTool是作为信息管道的一部分设计的，目的是使森林普查更快、更负担得起，减少普查之间的时间，并为环境决策提供可靠的信息。TreeTool使用Liang等人提出的方法进行过滤和检测。在此基础上，我们引入了一种新的方法来评估胸径，减少他们的错误估计。我们在第3.2节中提到了用这种评估胸径的新方法获得的结果。2. 软件描述TreeTool由Python模块组成，用于处理来自TLS、ALS或摄影测量系统的茂密森林点云，以提取树木的位置和胸径。TreeTool使用点数据抽象库（PDAL）[50]和点云库Python（pclpy）[51]来创建DBH分析的自定义函数。TreeTool执行的一般步骤包括过滤、检测和建模。Omar Montoya、Octavio Icasio-Hernández和Joaquín Salas沪公网安备31011502000119号3=−={个=++Fig. 1. TreeTool的流程管道。(a)原始点云（颜色渐变表示高度）。(b)地面分割步骤（棕色为地面点，蓝色为非地面点）。（c）过滤前具有法线的非地面点（紫色是过滤前的树法线（d）过滤后具有法线的非地面点（紫色是过滤后的树法线（e）使用欧几里德聚类（Euclidean clustering）分组的点（每种颜色表示找到的聚类）。（f）按共同词干分组的点（在下图中，每种颜色代表一个单独的词干）。(g)按离地高度截断的群体。(h)每组配一个气缸。(For对本图图例中所指颜色的解释，读者可参考本文的网络版2.1. 过滤此步骤旨在删除不必要的点，如地面点和树叶点。首先，创建一个3D网格，并将体素接下来，采用形态滤波[52]在点云中区分树木，以去除连接它们的地面点。在大多数情况下，剩余的点属于树干或其他树叶。 据观察，属于树干的点近似于具有水平法线的表面。因此，去除叶子涉及消除不满足此标准的点。使用SVD（奇异值分解）来近似法线以获得它们的色散的特征化。由于特定区域中的大多数点将主要具有二维范围，因此假设表面的法线是对应于最小奇异值的右特征向量采用全局参考系，其中地面由平面xy和向上的z点表示，计算法线与向量（x， y，z）（0， 0，1）之间的点积水平法线的值接近于零。这里，曲率被解释为SVD 的最后一个分量中包含的信息量，或σλ2/（λ0λ1λ2）其中λi，对于i0 ， 1 ， 2 ， 是 奇 异 值 ，λ2<λ1<λ0.这个想法是过滤掉高曲率值，这些值表示不近似光滑曲面的点2.2. 检测本节介绍如何对相应树周围的点进行分组。在此过程中，使用欧几里德距离聚类附近的点扫描和测量噪声期间的遮挡可能会导致特定树的点分离到足以聚类到不同的点。每一组通常代表一个茎或树干，因此要检查它们的大致方向和位置是否相似。此操作验证这些点是否属于同一棵树，并将这些组合并为一个。为了创建这些组，计算每个聚类的特征向量及其质心。然后，计算从一组的质心到一条线的最短距离，该线从另一组的质心开始，线和点之间的最小距离是针对质心和特征向量的两个集合计算的。如果在两个测试中距离都在用户定义的阈值内，则将点云合并。2.3. 建模对于每个组，提取树木的胸径和在全球参考系统中的位置。林业工作者测量树的直径是指树距地面1.3米处的直径.为了计算它，地面点被拟合为二元二次函数。然后，Omar Montoya、Octavio Icasio-Hernández和Joaquín Salas沪公网安备31011502000119号4−图二. Liang等人[53]为简单、中等和困难场景的完整性和正确性方面建立的基准测试结果。的X轴表示算法，Y轴表示有效性百分比. * 其他算法获得的数量从梁等人提出的图形中直观地[53]因为没有数值对于任何（x， y）对，包括树的质心，从地板的高度是用结果模型来推断的。因此，没有点低于距地面给定高度的组将被丢弃。此外，由于树然后，使用随机样本一致性（RANSAC）将圆柱模型拟合到这些测量值。RANSAC是一种迭代方法，用于估计数学模型的参数，并可以丢弃数据中的离群值[ 54 ]。每棵树的RANSAC调整点相对于原点居中并旋转，使得描述它们指向上，方向为（0， 0， 1）。取在该参考系中表示的点，将点的z分量设置为零，从而有效地将它们投影到xy平面。使用最小二乘法将椭圆拟合到此投影。利用椭圆参数，其周长被近似并除以π以获得直径φ。该过程类似于使用卷尺手动获得DBH的手动过程。因此，有两种直径。一个是用圆柱φc得到的，另一个是用椭圆φe得到的。测试了各种方法来确定如何结合φc和φe。这些参数仅包括φc、φe、max（φc，φe）、min（φc，φe）和mean（φc，φe）。其中，选择max（φc，φe）是因为它Omar Montoya、Octavio Icasio-Hernández和Joaquín Salas沪公网安备31011502000119号5×图三. Liang等人[53]针对简单、中等和困难场景的位置和直径方面建立的基准结果。X轴表示算法，Y轴表示有效性百分比.* 其他算法获得的数量从梁等人提出的图形中直观地获得。[53]因为没有数值获得了最低的胸径RMSE。这种方法对性能的影响可以在图2中评估，其中our_imp仅使用φc，our_imp_2使用φc和φe的组合。最后，通过沿着圆柱体轴线找到对应于1.3 m高度的点来获得树3. 说明性实例和业绩评价下面，描述了QuickDemo.ipynb文件中包含的演示笔记本，并对计算机代码实现进行了性能评估。3.1. 笔记本代码该笔记本说明了软件要使用此库，需要将森林点云加载到大小为n3的NumPy.narray中，并使用pclpy、pclpy或open3d等库。现在，描述TreeTool其主要步骤（参见算法1）。首先，点云是VOX-用于快速下采样。下一个命令显示点云（见图1（a））。然后，初始化Tree_Tool对象，然后继续应用过滤器以分割出Omar Montoya、Octavio Icasio-Hernández和Joaquín Salas沪公网安备31011502000119号6←←−=n匹配i=1Qseg_tree.voxelize（p）;#减少点云体素utils.open3dpaint（q）;#显示点云ttree_tool.TreeTool（q）;#创建树工具对象t.step_1_remove_floor（）;t.step_2_normal_filtering（）;#减少树叶t.step_3_euclidean_clustering（）;#聚类邻近点t.step_4_group_stems（）;#检查方向t.step_5_get_ground_level_trees（）;#检测树木t.step_6_get_cylinder_tree_models（）;t.step_7_ellipse_fit（）;#测量胸径t.save_results（save_location =算法1：伪Python脚本，用于执行TreeTool库的分步演示。点云（见图1（b））。下一个命令将过滤掉树叶。读者可以分别在图1（c）和图1（d）中找到去除树叶之前和之后的点云状态的图示接下来，用欧几里德聚类对这些点进行分组（见图1）。 1（e））。之后，不连续性，导致单树被分为两个或更多的填充（见图。1（f））。接下来，树木的高度被截断，使上部不影响测量（见图）。1（g））。随后，圆柱体模型被近似为每个点群，将其直径作为树的DBH的第一近似值接下来，将圆柱体点投影到XY平面上;并且在提取DBH估计之前将椭圆拟合到它们。最后，我们保存XYZ位置，树的DBH保存在逗号分隔变量（CSV）文件中。3.2. 绩效评价为了评估该算法，使用了Liang等人[ 53 ]提供的数据集，并将结果与其他算法进行了比较（见图1和图2）。第2和第3段）。该数据由六个点云采集不同的森林地块在南部的北方森林在芬兰埃沃。样地的选择，代表不同的发展阶段，干密度和丰富的亚冠层生长在北方森林，并分为三个复杂性类别。 将样地分为三个复杂性类别：容易，中等和困难，容易的地块具有低茎密度，而困难的地块包含高密度地块[53]。在那里，完整性，准确性，位置误差，和直径误差进行评估。完整性计算为分数n_match/n_ref，其中n_match是正确检测到的树的数量，n_ref是树的参考数量准确度为n_match/n_extr，其中n_extr是检测到的树的总数，包括真阳性和假阳性。最后给出了定位误差和直径误差的表达式1∑n_matc h（yi−yi）2，其中yi是参考位置，或者结论越来越需要开发旨在改进森林清查任务的自动化工具。ALS和TLS已成为收集详细和一致的点云的基本要素对现有文献的分析表明，目前有一些开源计算机软件可以检测ALS的树木。这一贡献的主要成果包括：（a）TLS可用的开放源代码，这很重要，因为由于树冠，ALS可能难以可靠地估计关键的树木信息，如DBH，这对树木特征化和碳含量估计至关重要;（b）这一原始软件出版物提出了一个点云分割，树木检测和定位，以及DBH估计算法，特别适用于TLS;以及（c）该软件应用于点云，作为地面激光扫描森林资源调查方法的标准基准，在树木检测和胸径估测中取得了良好的效果。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢本 研 究 部 分 由 墨 西 哥 城 （ CDMX ） 的 Secretariat de Edu-cación，Ciudad，Tecnología e Innovación（SECTEI）奥马尔·蒙托亚获得了国家科学技术委员会的奖学金。引用[1]放大图片作者：J. 3D中的最佳气候政策：缓解，碳去除和太阳能地球工程。攀登张经济2021;2150008。http://dx.doi.org/10.1142/S2010007821500081网站。[2]陈克，蔡勤，郑南，李英，林春，李英。森林碳汇评估--对碳中和的重要贡献。在：IOP会议系列：地球和环境科学。811，IOP出版; 2021，012009。http://dx.doi.org/10.1088/1755-1315/811/1/012009网站。[3]Archer D ，Eby M，Brovkin V，Ridgwell A， Cao L， Mikolaeuvicz U，Caldeira K ， Matsumoto K ， Munhoven G ， Montenegro A ， et al.Atmospheric lifetime of fossil fuel carbon dioxide. Annu Rev Earth andPlanetSci2009;37：117-34.http://dx.doi.org/10.1146/annurev.earth.031208.100206网站。[4]IPCC。2021年气候变化：物理科学基础。联合国;2021年。[5][10]张文辉，张文辉. SIMREG，一个树级距离独立模型，从国家森林清查（ NFI ） 数 据 模 拟 森 林 动 态 和 管 理 。 Ecol 模 型 2021;440 ： 109382 。http://dx.doi.org/10.1016/j.ecolmodel.2020.109382网站。[6]Pierzchaapa M，Giguère P，Astrup R.使用带有3D LiDAR和graph-SLAM的无 人 驾 驶 地 面 车 辆 绘 制 森 林 地 图 。 计 算 机 电 子 农 业 2018;145 ： 217-25 。http://dx.doi.org/10.1016/j.compag.2017.12.034网站。[7]Seki S，Tsubouchi T，Saratat S，Hara Y.使用3D-LiDAR的森林制图和坡度树干 参 数 测 量 。在 ： 系 统 集 成 国 际 研 讨 会 。 IEEE; 2017 年 ， 第 380-6 页 。http://dx.doi.org/10.1109/SII的网站。2017.8279242。[8]Zhou J，Zhou G，Wei H，Zhang X，Wang X.三种方法的评价DBH和yi分别是检测到的位置或DBH该实现获得的结果在完整性和正确性测试中略低于中间，除了在硬数据集上的完整性，它是第四好的。在定位误差方面，它在所有难度尺度中都是前三名，在直径误差方面，它在所有难度尺度中都是前六名，而且在总体上，没有一种方法是明确的。赢家用拟合圆、椭圆和两者结合的方法对胸径模型进行了检验，误差分别为3.1cm、3.25cm和2.83cm。因此，得出结论，在三种选择中，联合方法表现最好国 际 地 球 科 学 和 遥 感 专 题 讨 论 会 。 IEEE; 2019 ， 第 6674-7 页 。http://dx.doi.org/10.1109/IGARSS.2019.8898005网站。[9]Heo H，Lee D，Park J，Thorne J.使用移动LiDAR估计城市公园和街道上树木 的 高 度 和 直 径 。 LandscEcolEng2019;15 （ 3 ） ： 253-63.http://dx.doi.org/10的网站。1007/s11355-019-00379-6。[10]Ye W，Qian C，Tang J，Liu H，Fan X，Liang X，Zhang H. 改进的三维树干制图方法和基于椭圆假设的地面激光扫描数据胸径估计远程传感器2020;12（3）：352。http://dx.doi的网站。org/10.3390/rs12030352。[11]Burt A，Disney M，Calders K.使用TreeSeg从LiDAR点云中提取单个树木。方 法 EcolEvol2019;10 （ 3 ） ： 438-45 。 http://dx.doi 的 网 站 。org/10.1111/2041-210X.13121。根据地面激光扫描数据估算胸高直径。Omar Montoya、Octavio Icasio-Hernández和Joaquín Salas沪公网安备31011502000119号7[12]2005年10月28日，李文辉.城市公园林冠结构对树木制图方法性能的影响。城市林业城市绿化2019;44：126441. http://dx.doi.org/10.1016/j.ufug.2019.126441网站。[13]KuželkaK，SlavíkM，Surovy`P. 无人机激光扫描的高密度点云用于自动树干检测和 直 接 直 径 测 量 。 远 程 传 感 器 2020;12 （ 8 ） ： 1236 。http://dx.doi.org/10.3390/rs12081236.[14][10]杨文，杨文，杨文.利用数字地面模型和无人驾驶航空系统获得的正射影像估算日本柏树林的树高和远程传感器2018;10（1）：13。http://dx.doi的网站。org/10.3390/rs10010013。[15] Kattenborn T，Hernández J，Lopatin J，Kattenborn G，Fassnacht F.基于无人机的正射投影法反演落叶林分胸径和直径分布的初步研究。AnnPhotoRemoteSensSpatialInfSci2018;4（1）.http://dx.doi.org/10.5194/isprs-annals-IV-1-93-2018.[16]Hui Z，Jin S，Li D，Ziggah YY，Liu B.基于迁移学习和高斯混合模型分离的陆 地 LiDAR 点 云 单 株 树 提 取 。 远 程 传 感 器 2021;13 （ 2 ） ： 223 。http://dx.doi.org/10.3390/rs13020223.[17]Comesaña Cebral L，Martínez-Sánchez J，Lorenzo H，Arias P.基于移动背包 LiDAR 点 云 的 个 体 树 分 割 方 法 。 传 感 器 2021;21 （ 18 ） ： 6007.http://dx.doi.org/10.3390/s21186007网站。[18]Ester M，Kriegel H，Sander J，Xu X.一种基于密度的含噪声大型空间数据库聚类发现算法。In：Kdd.第96卷，1996年，p. 226比31[19]Safaie A，Rastiveis H，Shams A，Sarasua W，Li J.基于Hough变换和活动轮廓的移动LiDAR点云自动化街道树木库存。J. Photogramm Remote Sens2021;174：19网址：//dx.doi.org/10.1016/j.isprsjprs.2021.01.026网站。[20] 作者：Jiangsu G.基于点云图像的MMS LIDAR道路树木提取及直径AnnPhotogrammRemoteSensSpatialInfSci2021;2：67http://dx.doi.org/10.5194/isprs-annals-V-2-2021-67-2021.[21]周华，张杰，葛玲，余新，王毅，张春。基于3D LiDAR和聚类分割的单木冠层蓄积量预测研究。Int J Remote Sens 2021;42（2）：738网址：//dx.doi.org/10.1080/01431161.2020.1811917网站。[22]杜S，林登伯格R，勒杜H，斯托特J，南L。 Adtree：精确、详细和自动化的激 光 扫 描 树 木 建 模 。 远 程 传 感 器 2019;11 （ 18 ） ： 2074 。http://dx.doi.org/10.3390/rs11182074网站。[23]Hackenberg J ， Spiecker H ， Calders K ， Disney M ， Raumonen P.SimpleTree- 一 个 从 TLS 云 构 建 树 模 型 的 高 效 开 源 工 具 。 Forests 2015;6（11）：4245-94. http://dx.doi.org/10.3390/f6114245网站。[24]Raumonen P，Kaasalainen M，Kaiskerblom M，Kaasalainen S，KaartinenH，Vastaranta M，Holopainen M，Disney M，Lewis P.来自地面激光扫描仪 数 据 的 快 速 自 动 精 确 树 模 型 。 Remote Sens 2013;5 （ 2 ） ： 491-520.http://dx.doi.org/10.3390/rs5020491网站。[25]放 大图 片 作者 ： Bengio Y， Lecun Y， Hinton G. AI的 深度 学 习CommunACM 2021;64（7）：58-65. http://dx.doi.org/10.1145/3448250网站。[26]齐角基于地面点云的单木检测与测量。俄勒冈州立大学; 2020年。[27]李文，李文. Pointnet++：度量空间中点集的深度层次特征学习。2017年，arXiv预印本arXiv：1706.02413。[28] Xi Z，Hopkinson C.使用无锚深度学习模型从陆地激光扫描中检测单个树冠 区 域 。可 以J Remote Sens 2021;47 （ 2 ） ： 228-42.http://dx.doi.org/10.1080/07038992的网站。2020.1861541。[29]Duan K，Bai S，Xie L，Qi H，Huang Q，Tian Q. CenterNet：用于对象检测的关键点三元组。在IEEE计算机视觉国际会议上。2019年，第6569-78[30]Chisholm RA，Rodríguez-Ronderos ME，Lin F.从装有LiDAR的自主树冠下无 人 机 估 计 树 木 直 径 。 远 程 传 感 器 2021;13 （ 13 ） ： 2576 。http://dx.doi.org/10.3390/rs13132576网站。[31]Yun T，Jiang K，Li G，Eichhorn MP，Fan J，Liu F，Chen B，An F，CaoL.基于高斯滤波和能量函数最小化的机载LiDAR数据树冠分割方法。 环境监测2021;256：112307。http://dx.doi.org/10.1016/j.rse.2021的网站。112307[32]庞毅，王伟，杜立，张智，梁旭，李毅，王正。基于Nyström的谱聚类使用机载 LiDAR 点 云 数 据 进 行 单 树 分 割 。 Int J Digit Earth 2021;1-25.http://dx.doi.org/10.1080/17538947.2021.1943018.[33]陈X，姜K，朱Y，王X，云T.使用深度学习的PointNet直接从无人机搭载的LiDAT 数 据 中 分 割 单 个 树 冠 。 Forests2021;12 （ 2 ） ： 131.http://dx.doi.org/10.3390/f12020131网站。[34]张文辉，张文辉，张文辉. Pointnet：点集深度学习，用于3D分类和分割。在IEEE计算机视觉和模式识别。2017年，p. 652比60[35]朱伟，朱聪，张勇.研究了耦合RetinaNet和点云聚类的深度学习单株树分割方法 。 IEEE Access 2021. http://dx.doi.org/10.1109/ACCESS.2021.3111654 网站。[36]Lin T，Goyal P，Girshick R，He K，Dollár P.密集目标检测的焦点损失。在IEEE计算机视觉国际会议上。2017年，第2980-88页。[37]李军，胡波，李军，李军.通过多尺度分析和分割从LiDAR数据自动描绘单个树 冠 PhotogrammEngRemoteSens2012;78 （ 12 ） ： 1275-84.http://dx.doi.org/10.14358/PERS的网站。78.11.1275[38][10]杨文，李文，李文.导出树的大小分布激光雷达拍摄的热带森林远程传感器2021;13（1）：131。http://dx.doi的网站。org/10.3390/rs13010131。[39][10]张文辉，张文辉. lidR：用于分析机载激光扫描（ALS）数据。远程传感环境2020;251：112061。网址：//dx.doi.org/10.1016/j.rse.2020.112061网站。[40]李W，郭Q，Jakubowski MK，Kelly M.一种从激光雷达点云数据中分割树木的新方 法。 PhotogrammEngRemoteSens2012;78 （1 ） ：75-84.http://dx.doi.org/10.14358/PERS.78.1.75网站。[41] Dalponte M，Coomes D.基于机载激光扫描和高光谱数据的以树木为中心的 森 林 碳 密 度 制 图 。 方 法 生 态 进 化 2016;7 （ 10 ） ： 1236-45 。http://dx.doi.org/10.1111/2041-210X.12575网站。[42][14]李晓，李晓.单棵长叶松（Pinus palustris Mill.）来自野外和LiDAR数据的树属性。CanJRemoteSens2016;42（5）：554-73.http://dx.doi.org/10.1080/07038992.2016.1196582.[43]2005年10月27日，第一届世界卫生组织（WHO）大会在北京举行。Ptrees：从 激光 雷 达数 据 中 提取 森 林树 木 的基 于 点的 方 法 。Int J Appl Earth ObsGeoinf 2014;33：98-108. http://dx.doi.org//j.jag.2014.05.001.[44]Hamraz H，Contreras MA，Zhang J.使用小足迹机载LiDAR数据进行落叶林树 木 分 割 的 鲁 棒 方 法 。 Int J Appl Earth Obs Geoinf 2016;52 ： 532-41.http://dx.doi.org/10.1016/j.jag.2016.07的网站。006.[45][10]张文辉，张文辉. Layer stacking：a novel algorithm for individual foresttree segmentation from LiDAR point clouds.Can J Remote Sens 2017;43（1）：16网址：//dx.doi.org/10.1080/07038992.2017.1252907网站。[46]Eysn L ， Hollaus M ， Lindberg E ， Berger F ， Monnet J ， Dalponte M ，Kobal M，Pellegrini M，Lingua E，Mongus D.利用高山空间异质森林数据的 基 于激 光 雷 达的 单 树 检测 方 法 的 基准 。 Forests 2015;6 （ 5） ： 1721-47.http://dx.doi.org/10.3390/f6051721网站。[47]梁X，李基P，海帕J，Kaartinen H，Vastaranta M，Holopainen M.使用单扫描地面激光扫描的自动树干测绘。IEEE TransGeosci Remote Sens 2011;50（2）：661-70. http://dx.doi.org/10.1109/TGRS.2011.2161613。[48] 宾·夏兹尼异速生长模型预测马来西亚沙捞越相思人工林地上生物量和碳储量。Bioburg2018;13：7381-94.http://dx.doi.org/10.15376/BIORES.13.4.7381-7394网站。[49]Návar J.墨西哥西北部森林树种和碳储量的异速生长方程。森林生态管理2009;257（2）：427-34. 网址：//dx.doi.org/10.1016/j.foreco.2008.09.028网站。[50] 贡献者P.点数据抽象库。2018年，http://dx.doi.org/10.5281/zenodo.255673