Paper题目：A Novel Vegetation Point Cloud Density Tree-Segmentation Model for Overlapping Crowns Using UAV LiDAR

Abstract

由于常用的冠层高度模型(CHM)的局限性，在具有高密度和重叠树冠的森林生态系统中检测和分割单个树木经常会导致偏差。针对这种局限性，本文提出了一种新的方法来分割单棵树和提取树的结构参数。该方法包括以下关键步骤:(1)对无人机扫描的高密度激光点云进行分类，通过分析分类后的植被点云在平面投影中的空间密度分布，建立植被点云密度模型；(2)采用具有最佳窗口大小的局部极大值算法检测树种子点并提取树高，采用改进的分水岭算法提取树冠。在中国北方以松树为主的森林中的三个具有不同树冠覆盖率的地点测试了所提出的方法。结果表明:(1)提出的VPCDM与常用的CHM之间的kappa系数为0.79，表明VPCDM的性能与CHM相当；(2)采用具有最优窗口大小的局部极大值算法对单棵树进行分割，可以获得最优的单棵树分割精度和检测率结果；与原始分水岭算法相比，改进后的分水岭算法显著提高了冠层面积提取的精度。总之，提出的VPCDM可以为基于光探测和测距(LiDAR)的高密度点云提供一种创新的数据分割模型，并提高参数提取的准确性。

关键词： 单树分割；无人机；激光雷达；植被点云密度模型；改进的分水岭算法

1. Introduction

森林是全球生物圈中最重要的陆地生态系统之一。在陆地生态系统中，森林生态系统在涵养水源、储碳、减缓全球气候变化、维持生态平衡等方面发挥着重要作用[1-3]。树木是森林的基本单元，其空间结构和生物物理化学成分是森林资源调查和生态环境建模的关键因素。因此，获取森林中每棵树的准确结构信息对于实现林业资源管理现代化、制定适当的管理措施以及对全球碳储量进行定量估算具有重要意义 [4-6]。

传统的森林资源调查方法受人为因素的限制；它们需要大量的人力和物力资源，并且往往测量周期长、时效性差、测量误差大。此类调查只能获得点数据，很难获得区域或更大尺度的数据[7,8]。然而，遥感技术的快速发展为森林资源监测创造了有利条件。可见光谱遥感可以快速、准确地获取大面积的森林生长因子数据和生态环境信息[9]。该方法可为森林资源监测和管理提供有效验证，广泛应用于区域森林体积反演研究[10]。然而，可见光谱遥感获取单株树木三维 (3D) 结构参数的能力有限 [11–13]。

LiDAR是一种测量技术，涉及主动发射高频激光脉冲以检测目标。该技术可以直接从森林结构中的树枝和树叶中获取精确的三维空间坐标和回波信息[14]。激光雷达在估算森林冠层高度、进行冠层分割和提取特征参数方面具有独特的优势；这些优势提高了关键森林结构参数，尤其是垂直结构参数的估计精度[15]。应用于树木分割研究的激光雷达数据采集主要包括地面激光扫描（TLS）和机载激光扫描（ALS）。 TLS是一种自下而上的扫描方法，可用于获取丰富的林下信息。其特征参数提取精度很高，但数据采集过程存在效率低、需要清除遮挡扫描场的下层植被等缺点。 ALS是一种自上而下的扫描方法，主要从树冠的顶部获取信息。 ALS提取参数的精度没有TLS高，不能直接通过ALS获取胸径（DBH）参数。然而，由于其相对高效和方便的数据采集过程，特别是在使用无人机（UAV）进行时，并且与TLS相比，ALS对森林植被没有危害，因此受到森林资源调查的青睐。

目前，利用UAV-ALS进行树冠分割的研究有两种途径。第一种方法使用点数据。将点云数据分为地表点和植被点；然后，在地面点归一化之后，使用点云之间的位置信息和空间结构关系对点云数据进行聚类，以直接分割树冠。这种方法主要通过区域生长、聚类算法、归一化切割、体素空间投影和类似方法来实现[16–18]。李等[19]提出了一种基于区域生长和阈值判断的点云分割(PCS)方法。Wang等人[20]使用体素来表示不同高度水平的树冠，并通过将归一化点投影到二维水平面上来定义局部体素空间。Yan等人[21]提出了一种自适应带宽均值漂移算法，该算法可以自动估计最佳核带宽，而无需任何树冠大小的先验知识。Karel等人[22]基于子圆锥空间中体素密度的点密度分割树干，并使用霍夫变换、随机样本一致性(RANSAC)和稳健最小修剪平方(RLTS)估计器来拟合树干的横截面。

第二种方法使用栅格数据。栅格表面模型，如数字表面模型（DSM）和树冠高度模型（CHM），是由点云数据生成的。利用栅格数据像素值的空间特征进行树木种子点识别和树冠分割，通常涉及局部极大值法、分水岭算法、K-均值聚类、多项式拟合等方法[23-25]。Morsdorf等[26]使用局部极大值聚类分析方法识别种子点来分割单个- LiDAR 点数据中的树；提取树位、树高、树冠直径，对森林场景进行几何重构。Gupta等[27]发现，应用使用外部种子点的改进K-means算法结合降低聚类初始化高度是提取单树特征的最有前途的方法，例如激光雷达点密度、森林条件、地形类型、树冠覆盖率和树木密度。 Heinzel 等人 [28] 提出了一种基于先验知识的分水岭分割方法。首先采用迭代粒度法对树冠大小进行分类，然后采用分水岭分割绘制树冠。 Chen 等人 [29] 使用具有可变窗口大小的局部最大值方法来检测基于树冠大小估计的树梢。其他个体冠层分割方法包括形态学图像分析方法、多尺度模板匹配、高斯拉普拉斯方法和计算 CHM 的最小曲率等 [30-32]。在树木密度较低的样地中，分水岭算法实现了较高的单树分割精度，将树冠边界分割识别为一条不规则的闭合曲线，与实际树冠边界重合度较高。然而，在树冠重叠的区域，不同树冠的分水岭平面重叠，分水岭算法无法正确分割树冠边界，导致参数提取错误[33-35]。

前人大量研究表明，基于栅格表面模型的冠层分割主要是根据UAV-ALS点云数据的高度特征生成，利用不同横截面像素值的空间分布特征进行分割个别树。然而，基于UAV-ALS点云数据空间密度特征或不同垂直剖面点云密度分布的树冠分割方法尚未开发或报道。在一个简单的样本图中，利用局部最大值和原始分水岭算法从低密度点云数据生成CHM，之后可以获得许多高精度的单树分割结果。在复杂的样本图中，应用此方法更加困难。随着点云数据密度的增加，可以利用点云数据的空间密度特性进行单树分割。

由于 UAV-ALS 高密度点云生成的 CHM 在复杂样本图中的分割能力有限，因此之前应用的所有方法都表现出分割不足或分割过度的情况。因此，本文提出了一种基于植被点云密度的单株树木分割数据模型。使用具有最佳窗口大小的局部最大值算法和改进的分水岭算法对个体树进行分割并提取其参数，并将结果与​​ CHM 的结果进行比较。本研究选取中国北方针叶林三个样地中不同树木密度的242株树木作为研究对象，采用创新的植被点云密度模型（VPCDM）进行单树分割。然后修改分割算法以提高参数提取的准确性。首先，利用UAV-ALS数据植被点云密度的空间分布特征，采用最优窗口大小的局部极大值算法检测树木种子点并提取树高参数。然后，利用改进的分水岭算法提取树冠面积参数。最后，结合地面调查数据和视觉解释方法，通过计算检测率、准确率和F-score来评估树木检测的准确性。分割精度评价包括两部分：树高精度和树冠精度。计算实测树高与提取树高的决定系数(R2)和均方根误差(RMSE)评价树高精度，通过提取值与树冠参考值比较，计算提取树冠面积的精度值。本研究的方法框架如图 1 所示。本文的其余部分组织如下：第 2 节详细介绍了研究领域和实验数据，以及提出的 VPCDM 树种子点检测和参数提取方法。第 3 节介绍实验结果，第 4 节分析和讨论分割精度。第 5 节给出结论。

图 1. 本研究的方法框架

2. Materials and Methods

2.1. Study Area and Field Experiments

研究区域位于中国北方内蒙古赤峰市王爷店林场(118° 90° ~ 118° 300° E和41° 21′~ 41° 390° N；图2)，平均海拔800-1890米。该地区属于典型的大陆性季风气候，年平均气温为4.2摄氏度，年平均降水量为300-500毫米，主要集中在7月至8月。王爷甸林场的优势树种是油松，其次是白桦。建立了三个不同种植密度的小区。地块的大小为25.8 × 25.8米(0.067公顷)。这些地块被标记为地块1、地块2和地块3，每个地块中分别有33、93和116棵单株树。确定了所有242棵树的树结构参数，如高度、胸径(DBH)和树冠大小(表1)。还记录了每棵树的位置及其与相邻树的距离，以便将这些数据与本研究中使用的方法检测到的树位置进行比较，并评估其准确性。

表 1. 本研究调查的三个林地的特征。

图 2. 研究区的位置 (a)，其中红色数字表示三个地块的位置；三个采样地块 (b–d) 中调查的树木（红色圆圈）。

激光雷达点云数据是使用DJ-M600无人机平台和RIEGL VUX-1(http://www . RIEGL . com/products/unmanned-scanning/RIEGL-VUX-1 UAV/)获得的。数据扫描于2019年11月。该无人机飞行高度为100 m，速度为6 m/s。为了增加点云数据的密度，在采样区域设计了一个Y形飞行带，以增强航线重叠。传感器记录来自激光脉冲返回波形的完整信息，采样重复间隔为2 ns。在测区建立地面控制点，通过后差分处理获得所有点云的实际坐标。视场为330♀，扫描频率为500 KHz。测量级精度为10毫米，点云的平均密度超过100点/平方米。在分割之前，使用Lidar360软件从原始无人机激光点云数据中去除噪声，如鸟点和低点。为了准确有效地对点云数据进行分类，布料模拟滤波(CSF)算法用于对地面点和非地面点(植被点)进行分类[36]。

2.2. Vegetation Point Cloud Density Model and Local Maximum Algorithm

植被点云密度是单位面积平面投影上植被点的数量。过滤后的点云数据分为地面点云和植被点云[37]。将植被点云投影到地面点归一化的平面上，选取0.2 m × 0.2 m的正方形作为目标单元。根据每个单元邻域内的投影点计算每个单元面积的数量级。研究区域的树冠形状会产生非常密集的局部植被点云，从而导致分割错误。因此，对所有植被点云密度值进行了归一化处理。所有网格的归一化植被点云密度值构成VPCDM。此外，反距离加权(IDW)插值用于从激光扫描的分类地面点云生成数字高程模型(DEM )[ 38–40 ], DSM通过第一个回波的激光点云插值生成。网格单元大小为0.2 m × 0.2 m。从DSM中减去DEM，得到归一化的数字表面模型，以消除DSM中地形起伏对表面特征高程的干扰。为了证明VPCDM的可行性以及单棵树分割和参数提取的准确性，所有的实验结果都与CHM的结果进行了比较。

使用具有最佳窗口大小的局部最大值算法来检测树种子点和提取树高数据。在该算法中，当给定窗口内网格的像素值大于周围网格的像素值时，该网格被定义为窗口的局部最大值[41，42]。由于林分密度和树冠形状等因素，采用固定的局部极大值算法进行单木种子检测时，经常会出现分割点缺失或多次分割的情况。因此，有必要选择合适的窗口大小进行种子提取。在这项研究中，测试了范围从1 × 1到9 × 9的9个窗口大小来设置窗口的顶点。如果一个给定的顶点是相应窗口区域的最大值，它被保存；不然就删了。油松是针叶树种。与其他树种不同，针叶树种的最高点通常位于树冠中心[43–45]。在单树CHM中，每个栅格的像素值代表树冠的高度，像素值最高的是树顶。在单树VPCDM中，每个栅格的像素值代表树冠的密度，最大值对应树干中心附近的区域，树高是栅格空间内点云高度的最大值。

2.3. Improved Watershed Segmentation Algorithm

分水岭分割算法是一种基于拓扑理论的数学形态学分割方法[46–48]。它将图像视为测地线拓扑地形。图像中每个像素的灰度值代表该像素的高程，每个局部最小值及其影响区域视为一个汇水盆地，汇水盆地的边界形成一个分水岭。该算法可以被认为是沿着流域边界(树冠边界)自动构建屏障，以防止来自两个相邻流域(树模型)的水合并。分水岭算法在树木密度较低的样地中具有较高的分割精度。然而，对于高密度的样地，树冠重叠区域的分割线是基于距离变换的图像，不能准确表达树冠的真实范围。在单木参数提取研究中，单木树冠分割精度较低，主要是由于树木密度较高导致树冠重叠。因此，本研究提出了一种改进的分水岭算法，可以准确地识别树冠之间的重叠区域，并对该区域进行重新分割。

为了确定不同树木的树冠区域是否重叠，使用了密度图方法来分析不同树冠的点云密度的变化[49]。这种方法的思想是观察密度值d与对应的不规则闭合曲线所围成的面积Sd之间的关系。根据植被点云绘制密度等值线。单木的点密度等值线是以顶部为中心，向树冠边缘扩展，点密度递减的一系列不规则闭合曲线。不规则曲线的理论半径确定为sqrt(Sd)，并计算理论半径增量的导数。理论上，当理论半径增量的导数等于0时，密度曲线是均匀的——即该区域是一个独立的单木。当理论半径增量的导数小于0时，密度等值线不均匀，理论半径的增量，即多个树冠之间的重叠面积减小。密度图的空间分布特征如下。(1)单树分布结构:密度图是一条直线，因为点云的密度从树顶的最大值到周围区域均匀减小。(2)树冠重叠分布结构:从树冠边缘到中心，点云密度由低到高变化。密度图还显示，在树冠边缘的重叠区域中具有高增量线，然后，当它离开树冠的重叠区域时，密度图开始下降，最终在高密度的树冠中心显示低增量线。

通过分析相邻树木识别的重叠树冠区域再次通过几何关系进行分割，以提高树冠区域的分割精度。树木A和B的几何模型和点云分布特征模型如图3所示。对于树木A和B，最大树冠高度为HA和HB。对应于由分水岭算法分离的树冠边界的树冠高度是枝下高度hA和hB。树A和树B重叠区域的树冠高度为HAB，与树A和树B最大值的水平距离分别为LA和LB。根据它们之间的几何关系，树冠重叠区域中树木A和B的实际树冠边界相对于分水岭算法提取的边界的增加值为D：

图 3. 续。

( c)
图 3. 用于提取树冠区域的改进分水岭算法。在几何模型中，(a,b)分别是两棵树的俯视图和侧视图。红色虚线（a）是原始分水岭算法分割的重叠树的冠边界。 DA 和 DB 是实际树冠边界与原始分水岭算法分割边界之间的距离。点云分布模型（c）中，红色点为网格中的最大高度，用于提取高度参数（HA、HB、HAB），黄色点为冠点云，即用于提取非重叠树冠边界处的分枝高度 (hA, hB)。

2.4. Accuracy Evaluation Method

为了评估模型的准确性，将 CHM 和 VPCDM 获得的结果与使用 kappa 系数、单树检测率（等式（2））、单树准确率（等式（3） )), 和 F-score (等式 (4)) [50,51]。

其中r表示单树的检测率； p表示单树的检测准确率； F-score 由 r 和 p 计算得出； Nc、Nm和No分别表示正确分割、缺失分割和过分割实例的个数。 F-score 越高表示单树检测结果越准确。 F值和kappa系数在SPSS软件中计算。

为了评估模拟树高和树冠面积，使用了决定系数 (R2)、相对精度 (RA) 和相对 RMSE。

其中 n 是正确分割的个体树的数量； Xi 表示个体分割树的参数； xi 表示个体树参数的平均值； xi 表示分割树对应的个体树的测量参数； xi表示分割后的树对应的单棵树的实测参数的均值。

3. Results

3.1. Single-Tree Detection

单树检测评价标准包括正确检测、漏检和过检分析（图4）。分析了局部窗口取最大值的单树检测方法的准确率(表2)。在图 1 中，CHM 的检测率和准确率分别为 0.94 和 1，VPCDM 的检测率和准确率均为 0.97，两种模型的 F 分数均为 0.97。在图 2 中，CHM 的检出率为 0.88，而 VPCDM 的检出率更高，为 0.92；然而，CHM 实现了比 VPCDM 更高的准确度，分别为 0.92 和 0.90。 VPCDM 在单树检测方面也有更高的 F 分数； CHM 和 VPCDM 的 F 值分别为 0.90 和 0.91。在图 3 中，CHM 和 VPCDM 的检出率分别为 0.76 和 0.81，准确率分别为 0.87 和 0.78，F 值分别为 0.81 和 0.80。总的来说，两种数据模型的单树检测精度随着地块树密度的增加而降低。基于VPCDM的分割方法的检测率普遍高于基于CHM的分割方法，但在树数最多的地块上前者的准确率低于后者。同时，两个模型的F值相似，各有优缺点。

图 4. 单树检测精度的评估标准。红色圆圈表示单个树的测量位置（图 2），黄色圆圈表示单个树的检测位置 (a–c)。在（a）中，测量的树木位置和检测到的树木位置在同一树冠上几乎重合； (b) 显示了一个有树木的区域，其中分割算法没有检测到树木；和 © 显示了在同一树冠内检测到两棵树以及在没有树冠的区域中检测到树木

表 2 单树检测精度评价

注：M，实测； D、检测到； CD，正确检测； MD，缺失检测； OD，过度检测； DR，检测率； AR，准确率； F，F 分数。

3.2. Accuracy of Tree Height Parameters

从CHM和VPCDM得到了基于局部极大值算法和最佳窗口大小的正确的单木检测结果，并评估了提取的结构参数和匹配样地实测值的准确性。三个样地中提取的树高和测量的树高绘制在图 5中。

图 5. 提取高度与测量高度的关系图。 (a–c) 是使用 CHM 基于局部最大值算法提取三个地块中树高的结果； (d–f) 是使用 VPCDM 在三个地块中提取树高的结果。

提取树高与实测树高比较的R2和RMSE如表3所示。结果表明，在样地1中，由于树木密度较低，CHM和VPCDM的检测精度相对较高。提取树高和实测树高的R2值分别为0.92和0.91，RMSE值分别为0.68和0.71。在地块2和3中，随着树木密度的增加，两个数据模型的R2显著降低。RMSE在地块3中最高，CHM和VPCDM的值分别为1.55和1.63。总体而言，两种数据模型提取树高的精度非常相似，主要受每个样地中树木密度的影响。就RMSE而言，CHM的方法误差小于VPCDM。

表 3. 基于局部极大值算法的两种数据模型对树高提取精度的评价。

3.3. Accuracy of Crown Area Parameters

三个地块的冠层边界是从高分辨率数字正射影像中直观解释的，冠层边界是使用原始分水岭算法分割的。 结果如图6所示。在树冠面积提取的精度分析中（表4），参考值是视觉解释边界的冠层面积结合每个范围内实测的东西冠长和南北冠长 样地。 将这些值与提取的树冠面积以及原始和改进分水岭算法的结果进行比较。结果表明，原始分水岭算法在三个样地中的相对精度分别为 0.94 、0.87 和 0.92 ，相对精度 改进后的分水岭算法的精度分别为0.96、0.93和0.95。 在样地2中，由于平均单株树冠较大，因此有很多重叠的树冠区域。 改进的分水岭算法将树冠区域提取的相对精度从0.87提高到0.93，这是一个显着的改进。 在样地1中，虽然平均树冠大小较大，但样地中树木的数量低于其他样地，树冠之间的间隙较大。 图1中原始分水岭算法的直接提取相对精度为0.94。 样地 3 中树木数量为 116 棵，但树木的平均冠幅较小，原分水岭算法的直接提取相对精度为 0.92。 在三个样地中，改进后的分水岭分割算法均比原分水岭分割算法具有更高的冠层面积提取精度。

图 6. 由目视判读和原始分水岭算法确定的冠层边界。(a–c)是三个图中的视觉解释结果；(d–f)是三个地块中的原始分水岭算法结果；(g–I)是散点图，其中包含三个图中的参考面积值和原始分水岭算法值。

表 4. 树木冠层面积提取精度评估

4. Discussion

4.1.VPCDM与CHM

从U V激光雷达数据生成的CHM和VPCDM结果如图7所示。对于圆锥形树冠的针叶林树，树的中心区域枝叶较多，只有少量的点云能够穿透树冠到达地面。相比之下，树木边缘的树冠分支较少，数量较多的点云可以穿透树枝到达地面。单棵树点云密度的变化趋势为:越靠近树干中心，地面点越少，植被点云密度越大；离树干中心越远，地面点越多，植被点云密度越低。

图 7. CHM和VPCDM。(a–c)分别是地块1、地块2和地块3的CHM结果；灰度越浅，树冠高度越高。(d–f)分别是地块1、地块2和地块3的VPCDM结果；灰度越浅，归一化植被点云密度越高。

对于单木，CHM和VPCDM的变化趋势如下(图8): (1)在单木的树顶中心，CHM的高度和VPCDM的归一化密度达到最大值。(2)由于针叶树树冠高度从树顶向外逐渐降低，CHM模型中高度值的降低趋势相对平缓。然而，由于枝条分布不均匀等因素，不同树冠区域的VPCDM归一化密度值变化较大，分布图呈现急剧下降或凹陷。单木结构参数的结果证明了基于植被点云密度的单木分割方法的可行性。

图 8. 单棵树的两种数据模型的趋势。(a)显示数字正射影像和树冠边界。(b，d)将CHM及其高度值显示为中间的绿色切线。(c–e)将VPCDM及其标准化密度值显示为中间的红色切线。(f)是(d，e)的组合图。横轴表示从左下到右上的正切值的序列位置号；纵轴代表高度和点密度。

从三个地块中的每个地块的CHM和VPCDM中随机采样500个点，并提取相应的冠层高度和归一化植被点云密度值，以形成新的数据集(图9)。数据集及其网格位置(X，Y)形成混淆矩阵，该矩阵用于执行诸如一致性测试和kappa系数评估之类的分析。结果表明，对于针叶林物种，由于其相似的锥形空间结构，植被点云的密度与冠层高度之间有很强的一致性。对于单个树木，最大点云密度和最大树冠高度所在的区域为树顶点；在小区尺度上，kappa系数达到0.79。这一结果表明，基于VPCDM的单树分割方法在数据格式和理论模型方面是可行和准确的。本部分基于植被点云密度在单木尺度和样地尺度上验证了单木分割方法和实验的可行性。

基于VPCDM和CHM的单树分割在三个研究地块中各有优势。在树密度最低的样地，两种数据模型的分割精度较高；然而，随着树木密度的增加，分割精度大大降低。基于VPCDM的单树分割方法的优势主要体现在单树检测结果上。

图 9. 冠层高度和标准化点云密度图。横轴为500个样本点的归一化植被点云密度，纵轴为冠层高度。

4.2. Advantage of VPCDM

这项研究提出了初步的发现，从使用VPCDM分割个别树木，并提取其参数。VPCDM是利用从UA V-ALS获得的植被点云投影到平面上的点云密度分布的空间特征形成的栅格数据模型。该数据模型充分考虑了树木植被点云的空间结构特征，因此完全不同于之前使用每个平面层堆栈中的点云高度信息的研究[17，19]。基于CHM的树检测算法快速高效，但容易产生遗漏和错误[21，52]。基于CHM的单树分割方法使用来自点云数据的冠层高度信息。在树木较少的样地中，树与树之间的距离较大，点云分离程度较高，在树顶有明显的最大冠层高度。因此，以前的研究使用CHM [33，38，45]获得了许多高精度的研究结果。但在种植密度较高的样地中，株间距较短，重叠树冠面积较大；而且在自然的、不规则的森林中，很多较高的树木会遮挡和覆盖周围矮小的树木，造成点云的混合。在这些情况下，使用CHM的单棵树检测只能检测最高的树，这会影响树检测的准确性[23，24]。在有树的区域，树冠和树干的点云密度更高，越靠近树干中心密度越大。基于VPCDM的单树分割可以在具有较高树密度的样本地块中检测更多的单个树位置，这也是这种数据模型相对于CHM的主要优势。

同时，需要强调的是，基于VPCDM的单木分割方法对形状相似的圆锥形针叶林树种具有较好的准确性，但不适用于其他树冠结构或阔叶林树种。一方面，阔叶林的树叶显著阻挡了基于光的传感系统，点云穿透林冠的能力非常弱；只有少数点云会到达树冠覆盖区域内的地面。另一方面，具有其他树冠结构的树木形成具有多个侧枝的多中心树冠结构；这导致单棵树存在多个局部点云密度最大值，影响分割结果。

鉴于VPCDM在单棵树检测精度方面的优势，它可以为具有更高树密度或更大复杂性的天然林提供更显著的分割精度改进。此外，树种、年龄组、直径级和林分的其他属性可能会影响两个数据模型的分割精度[30，53]。因此，在单棵树尺度的点云分割改进领域，基于VPCDM的分割方法将有可能在未来几年得到更广泛的应用。

4.3. Local Maximum Algorithm with an Optimal Window Size

CHM和VPCDM的单树检测结果是使用局部最大值方法在三个地块中使用最佳窗口大小获得的(图10)。纵轴表示检测到的树的数量，横轴表示窗口大小。在地块1中，有33棵树。当窗口大小为6 × 6时，基于CHM的单树检测准确率最高；检测结果为31。当窗口大小为9 × 9时，基于VPCDM的单树检测精度最高；检测结果为33。在2号地块，有93棵树。当窗口大小为3 × 3时，基于CHM的单树检测准确率最高；检测结果为31。当窗口大小为4 × 4时，基于VPCDM的单树检测准确率最高，检测结果为33。在3号地块，有116棵树。当窗口大小为2 × 2时，基于CHM的单树检测和基于VPCDM的单树检测的准确率最高，检测结果分别为101和120。换句话说，窗口大小是影响基于栅格数据的局部最大值检测的最重要因素。基于CHM和VPCDM，在每个图中，窗口大小和检测数量之间有相似的关系。窗口越小，检测结果越高；相反，窗口越大，检测结果越低。

图 10. 不同窗口大小的单树提取结果。(a–c)在三个图中显示了当窗口大小设置为1 × 1至9 × 9时，使用局部窗口的最大值进行单棵树检测的结果。

Lee等人[53]提出了一种自动生成局部最优树冠簇或自适应搜索半径的方法。Yan等人[21]提出了一种自适应带宽估计方法来估计最优核带宽，以提高种子点检测的准确性。所有这些结果表明，建立最优的窗口大小是基于局部极大值算法的单树检测的关键。

4.4. Improved Watershed Segmentation Algorithm

本研究采用改进的分水岭算法来提高树冠面积参数提取的精度。通过密度曲线识别树冠重叠区域，利用重叠树冠之间的几何关系再次分割树冠。改进的分水岭算法能够拟合完整的树冠边界，获得比原始分水岭算法更准确的树冠面积参数。在三个小区的实验中，CHM提取的树高参数略好于VPCDM提取的树高参数。这种差异是由使用CHM的单棵树分割的效果造成的，CHM使用树冠点云的高度信息来直接检测树梢位置，与使用VPCDM的单棵树分割形成对比，VPCDM使用最大点云密度的面积来检测树梢位置[46，48]。CHM中的树顶高度是栅格数据的像素值，而VPCDM中的树顶高度是最大点云密度所在网格中植被点云的最高值[47]。但是，改进的分水岭算法在提取冠层面积方面明显优于原分水岭算法。实验结果表明，样地平均树冠越大，树冠面积重叠越多，对提取的树冠面积参数的改善效果越明显。因此，改进的分水岭算法在识别重叠冠层区域后，显著提高了冠层区域参数的提取精度。改进的分水岭算法确实有缺点。它可以使用重叠区域的几何关系来执行重新分割，并计算更精确的树冠区域参数。然而，重叠区域中的两个相邻的树，树冠实际边界交叉，不能由2D图像直观地显示。因此，由改进的分水岭算法分割的树冠边界不能像由原始分水岭算法分割的树冠边界那样被可视化地表示[54]。

5. Conclusions

基于VPCDM的单树分割和改进的分水岭算法对于针叶林单树检测和结构参数提取是完全可靠的。 VPCDM 和 CHM 的单树分割利用具有最佳窗口大小的局部最大值算法来识别单树种子点。但是，这两种模型的数据组成原理是完全不同的。CHM 由点云数据的高度特征构成，而 VPCDM 由使用树木结构信息投影到水平面上的植被点云的密度分布特征组成。结果表明：

(1) CHM 和 VPCDM 实现了单树检测和结构参数提取的高精度。在他们的单树检测结果评价中，CHM在检测准确率上有一定优势，而VPCDM在检测率上有一定优势；

(2) 局部极大值算法的窗口大小与检测数目成正比，窗口大小最优的局部极大值算法对单树数目和位置检测提供了最准确的结果；

(3)改进后的分水岭算法较原分水岭算法显着提高了冠层面积参数的提取精度。

本研究表明基于VPCDM的单树分割和改进的分水岭算法在单树检测和结构参数提取等领域具有巨大的研究潜力。与基于 CHM 的分割一样，基于 VPCDM 的分割检测和参数提取的准确性主要受实验样地林分条件的影响，不易改变。此外，该领域的主要挑战是复杂阔叶林和针阔叶混交林中的树木检测。进一步的研究将涉及结合使用多种技术来应对这些挑战。