張煜恒 周宏平

摘要：樹木的特征信息是進行農林業(yè)生產研究的重要參數(shù)，快速化提取信息對于農林業(yè)研究具有重要意義。因此，基于激光點云技術，綜述國內外在樹木信息提取的研究進展，重點從二維激光雷達、車載激光雷達、地基激光雷達三個方面總結研究現(xiàn)狀。指出二維激光雷達通用性較差，戶外采集困難；車載激光雷達數(shù)據(jù)精度較低，算法依賴嚴重；地基激光雷達數(shù)據(jù)運算量大等問題。提出快速處理算法的研究、數(shù)據(jù)集中復雜特征的剔除與修復、精準探測集成系統(tǒng)的研發(fā)與產品化等展望。為后續(xù)的基于點云技術的樹木特征信息提取研究提供參考。

關鍵詞：樹木特征提取；無損測量；激光雷達；三維點云；點云重建

中圖分類號：S68； TP391.4

文獻標識碼：A

文章編號：2095-5553 （2024） 06-0142-07

收稿日期：2022年9月18日

修回日期：2022年12月16日

*基金項目：國家重點研發(fā)計劃項目（2018YFD0600202）

第一作者：張煜恒，男，1996年生，江蘇蘇州人，碩士；研究方向為林業(yè)裝備與信息化。E-mail： linji20_zyh@njfu.edu.cn

通訊作者：周宏平，男，1964年生，南京人，碩士，教授，博導；研究方向為植保機械裝備與技術、光譜檢測技術。E-mail： hpzhou@njfu.edu.cn

Research progress of tree canopy feature information extraction based on laser point cloud

Zhang Yuheng， Zhou Hongping

（School of Mechanical and Electronic Engineering， Nanjing Forestry University， Nanjing， 210037， China）

Abstract： The characteristic information of trees is an important parameter for the research of agro-forestry production， and the rapid extraction of information is of great significance for the research of agro-forestry. Therefore， based on laser point cloud technology， the research progress for the extraction of tree feature information at home and abroad is reviewed， and the research status is summarized from three aspects such as 2D LiDAR， vehicle-mounted LiDAR and ground-based LiDAR. At the same time， it is pointed out that the universality of 2D LiDAR is poor and outdoor acquisition is difficult. The data accuracy of vehicle-mounted LiDAR is low and the algorithm method depends on serious ones. The ground-based LiDAR data calculation is extensive and computation time is lengthy. Finally， the research of new rapid processing algorithms， the elimination and repair of complicated characteristics in datasets and the development and commercialization of integrated systems for precision detection are proposed， which provides reference for subsequent research on tree feature information extraction based on point cloud technology.

Keywords： tree feature extraction; non-destructive measurement; LiDAR; 3D point cloud; point cloud reconstruction

0 引言

樹木的結構特征對農林研究具有重要的意義。樹葉所占空間決定了樹葉資源獲取及與大氣交換的潛能，樹木結構特征會影響樹葉生長的大部分生理過程。植物幾何特征直接關系到其生長及生產力，可以用作植物生物量及生長的估算，產量的估算、用水量估算、健康評估和長期生產力測試的指標^[1-3]。傳統(tǒng)的樹木特征測量均采用手工進行^{[4， 5]}，隨著傳感器技術的發(fā)展，國內外研究了多種無損檢測技術用在測量樹木冠層體積、葉面積和葉面積指數(shù)等特征^{[6， 7]}。目前常見的有圖像分析技術、冠層光穿透分析、超聲波傳感器和激光掃描技術等。圖像分析以圖像分割技術為重點，是指在樹木圖像上分離出不同的有特殊含義的區(qū)域，對樹木二維圖像進行處理以獲取有用信息，但也丟失了部分樹木的三維數(shù)據(jù)信息；冠層光穿透分析采用光學儀器，依據(jù)穿透冠層輻射得到林隙分數(shù)，從而計算葉面積指數(shù)，試驗儀器的操作比較復雜；超聲波傳感器根據(jù)樹木內部超聲波能量的傳播變化，能夠分析樹木內部結構，由此分析了木材的特性，目前多應用在木材質量分析中。

LiDAR（Light Detection and Ranging）是一種非破壞性遙感技術，具有測量速度快、精度高、受環(huán)境影響小等特點，主要分為脈沖式和相位式激光雷達。脈沖式激光雷達通過高頻率發(fā)射出的脈沖激光束，根據(jù)反射回的激光回波，測量周圍物體各點到傳感器的距離；相位式激光雷達將一調制信號對發(fā)射光波的光強進行調制，通過測量相位差來間接測量時間以對測量點進行定位。用不同的方法標記或者定位測量點，以及在指定的坐標系下產生X、Y、Z點云坐標，對點云信息進行分析，可以提取樹木特征信息^[8-10]。常見的激光雷達依據(jù)搭載平臺的不同可以分為機載激光雷達（Airborne Laser Scanner，ALS）、無人機激光雷達（Drone Laser Scanner，DLS）、車載激光雷達（Vehicle-mounted Laser Scanner，VLS）和地基激光雷達（Terrestrial Laser Scanner，TLS）。

目前，常用的激光雷達有機載激光雷達和地面激光雷達。機載激光雷達在森林結構和樹木特征提取研究中較為常用。地面激光雷達可以多角度地獲得樹木較高分辨率點云數(shù)據(jù)，而高分辨率點云利于樹木幾何特征提取。

1 地面激光雷達探測

地基激光雷達（TLS）和車載激光雷達（VLS）是地面激光雷達探測的主要應用方式?；赥LS的激光探測的激光雷達通常架設在樣地內，以一定掃描頻率和轉速繞著水平軸在垂直面內震蕩或旋轉獲取垂直剖面內的掃描數(shù)據(jù)，同時按照一定轉速繞著垂直軸在水平面內旋轉360°獲取球形空間內的掃描數(shù)據(jù)，也常稱作3D激光雷達。三維地基激光雷達因成本高且掃描時間較長，主要用于高精度的數(shù)據(jù)分析和模型的建立。生產實際中二維激光傳感器使用較為廣泛，實際使用中通常將2D激光傳感器安裝在載具上進行大面積的長距離靶標探測以提高測量效率，采用執(zhí)行時間為隱式地標的GPS坐標定位，測量物體三維點云數(shù)據(jù)由測量區(qū)域內載具運動得到^[11-13]。

國內外學者將全球定位系統(tǒng)（GPS）、全球衛(wèi)星導航系統(tǒng)（GNSS）技術與LiDAR測量技術相結合，用RTK-GPS和IMU獲取的信息記錄和修正激光點云的空間位置，得到更準確的點云信息^[12-14]。Garrido等^[15]搭建了一個集合全站儀、慣性測量單元（IMU）和多個安裝在不同方位的二維 LiDAR傳感器的測量裝置，基于ICP匹配算法實現(xiàn)對點云的地理參考重疊，并實現(xiàn)對整株作物的三維重建。Underwood等^[16]提出一種同時搭載激光雷達和攝像機的移動式杏園掃描系統(tǒng)，可用于計算樹木的冠層體積和估算花果密度，并對園內杏樹產量和系統(tǒng)測量的數(shù)據(jù)進行分析。在室內較為理想的環(huán)境，大多使用導軌作為載具，搭載LiDAR傳感器在空間位置移動。

對需要實時和大范圍獲得樹木信息，以移動式或者車載為基礎的二維激光雷達，能夠滿足生產的需求。二維激光雷達通過實時獲取樹木二維點云，快捷地獲得樹高、胸徑、冠層高度等信息，并可對點云信息進行回歸分析，從而獲取冠層體積、葉面積、葉面積指數(shù)等表征參數(shù)。二維激光雷達本身參數(shù)的改變將給計算結果帶來誤差。因此，許多學者都在深入研究誤差所引起的各種變量。

Palleja等^[17]針對二維激光雷達的探測距離、高度以及安裝角度等參數(shù)誤差對果樹冠層體積計算的影響進行了試驗研究，結果表明二維激光雷達的探測速度和高度偏差對體積計算的影響較小，而水平探測距離和探測角度偏差會導致較大計算誤差。

針對測量偏差，目前大多使用GPS、IMU等高精度傳感器獲取位置信息來修正。Ignacio等^[13]用RTK-GPS和IMU獲得的位置和角度信息，通過矩陣變換精確定位點云坐標，減少拖拉機在行駛過程中因運行軌跡和運行不平穩(wěn)造成的誤差，采用這種方式進行誤差消除很大程度上取決于傳感器的定位精度和各傳感器觸發(fā)的同步性。Guevara等^[18]分析了GNSS在激光掃描測量中的誤差傳播，將掃描信息與GNSS（全球導航衛(wèi)星系統(tǒng)）測量融合以消除誤差。試驗結果表明在較低定位誤差下，果園參數(shù)估計總體提高50%。Liu等^[19]設計了一種基于嵌入式計算機的數(shù)據(jù)采集和三維冠層圖像構建算法，試驗證實了激光傳感器和算法精確測量復雜形狀目標的能力。隨后進行室內模擬復雜地形激光檢測矯正研究，消除激光傳感器姿態(tài)角的偏移對噴霧靶標檢測的影響。

與高精度傳感器相結合，可很大程度上減小因設備和裝置安裝誤差引起的數(shù)據(jù)綜合誤差，但是受地形限制和測量距離影響較大，傳統(tǒng)方法難以得到準確可靠的數(shù)據(jù)。如果要獲取較為完整的樹冠點云數(shù)據(jù)需要在內部樹冠同時安置激光傳感器，或者采用手持式激光雷達對樹冠內部進行數(shù)據(jù)獲取。

基于車載激光雷達獲得的點云數(shù)據(jù)，高效的使用模型和算法得到木胸徑，樹冠體積等、葉面積指數(shù)和其他參數(shù)，可以促進林業(yè)信息化發(fā)展。

2 基于車載激光雷達的樹木特征信息提取

樹木生長分析指標中，胸徑為重要指標，這對于林業(yè)作業(yè)和林業(yè)機械發(fā)展都有很大的指導作用。傳統(tǒng)樹木胸徑的測量采用人工測量，用皮尺、胸徑測量尺等工具進行，效率低、耗費的時間長。激光掃描能快速獲得樹木點云，進而提取出胸徑。孫浩等^[20]基于激光雷達對樹木胸徑測量進行了性能分析，采用pvc管模擬樹干，分析了不同樹木胸徑以及不同測量距離在多種算法下的測量誤差。試驗分析發(fā)現(xiàn)，邊緣補償角度Taubin算法的平均誤差最小為4.89%。固碳量是衡量樹木固碳能力的重要指標參數(shù)，對行道樹的固碳量可以根據(jù)樹高和胸徑利用公式進行估算。趙穎怡等^[21]采用車載激光雷達對道路的行道樹進行試驗，基于點云數(shù)據(jù)計算行道樹樹高、胸徑，并估計行道樹固碳量，與傳統(tǒng)公式計算相比可以快速地計算固碳量，提高了估算效率。

樹冠（Canopy）是樹木形態(tài)結構的重要組成部分之一，影響了樹木生長狀態(tài)和未來生長預期。對比手動測量、超聲波測量，激光測量和其他樹冠體積的測量方法，激光測量對樹冠體積的估算效果較好，并有高度相關。二維激光雷達可以搭載于車輛實現(xiàn)樹木更精確的分割、識別、樹冠體積的計算和三維綠量的測量^[22]。凸包法是一種分割點云的方法，對分割后的點云進行包圍，用包圍框對應立方實體代替樹冠實體，并計算體積?；邳c云生成果園的點云地圖^[23]，并采用分段凸包法、圓柱法、網(wǎng)格法等三維激光點云處理方法計算探測靶標的體積，可大幅節(jié)約計算資源和計算時間^[24]。

激光雷達還可以通過對樹冠葉片進行測量，然后對冠層內葉片密度進行分析來實現(xiàn)對樹冠生長狀態(tài)估測。為了分析點云與葉密度問題，通常采用網(wǎng)格法，映射法以及體積法來實現(xiàn)點云數(shù)據(jù)到真實葉密度指數(shù)的映射關系，如表1所示。

描述樹木冠層稠密程度時，常用葉面積指數(shù)（LAI）和葉面積密度（LAD）進行表示。葉面積指數(shù)（LAI）指單位土地面積上植物葉片總面積占土地面積的倍數(shù)，是表示植被利用光能狀況和冠層結構的一個綜合指標，而葉面積密度（LAD）則是表征植被垂直方向上不同分層內葉面積差異的參數(shù)，其定義為單位地面面積、單位高度范圍內的單面葉面積總和，其在高度上的積分為葉面積指數(shù)^{[30， 31]}。

間隙頻率計算在葉面積指數(shù)計算方面應用較為廣泛，基于泊松分布建立幾何間隙模型^[32]，并通過最大似然估計量來估測葉面積指數(shù)，其方法有很高的準確性，與經(jīng)典Lang-Jump法相差26%，但是更接近真實LAI值^[33]；而采用點云數(shù)據(jù)投影法對樹木LAI進行估測，則測量誤差在LAI值0.05以內，也在可接受范圍中^[34]。Woodgate等^[35]提出了木本元素投影系數(shù)（Gw），基于Gw進行估計LAI，計算值相較基于經(jīng)驗數(shù)據(jù)重建的3D模型估計值提高了25%以上。體素化模型也可以通過三維點云進行建立，從而對分析葉面積指數(shù)具有重要意義，建立基于點云的體素化模型^[36]，可以在體素的尺度下對不同方向上樹木間隙率進行計算^[37]，從而估測出葉面積指數(shù)，具有較小的絕對誤差^[38]。

車載激光雷達對于樹木體積，樹高等、測量葉面積指數(shù)等有較好的用途，當前已能應用到某些林業(yè)機械產品中。但車載激光雷達測量的精度低于地基激光雷達，對林業(yè)研究，特別是植物保護領域的數(shù)據(jù)精度仍需進一步提高才能滿足需要。因此，可以利用地基激光雷達三維點云來獲取更精細的點云數(shù)據(jù)。

3 基于地基激光雷達的樹木信息提取

3.1 基于三維點云的樹冠體積計算

計算樹冠體積的傳統(tǒng)方法是通過點云數(shù)據(jù)提取冠幅、冠高和其他信息，并使樹冠近似于一個規(guī)則的幾何體，根據(jù)規(guī)則幾何體體積公式估算樹冠體積。但樹冠結構復雜且不對稱，這種方法計算樹冠體積易造成較大誤差。對此，很多學者都提出過改進方案，對于三維冠層點云，將樹冠劃分為若干個不規(guī)則臺體進行累加，近似計算樹冠體積。

Miranda-Fuentes等^[39]對比了樹冠垂直投影面積法（VCPA）、橢圓體積法（VE）和樹冠輪廓體積法（VTS）3種基于激光點云數(shù)據(jù)估算樹冠冠層體積方法對橄欖樹進行體積估算，3種方法的決定系數(shù)分別為0.783、0.843和0.824。王佳等^[40]通過對單木掃描獲取點云數(shù)據(jù)，基于球極平面投影和Lambert 方位角等面積投影法計算冠層孔隙度，運用不規(guī)則面投影法和體元法提取樹冠的體積和表面積。

Fernández-Sarría等^[41]采用傳統(tǒng)測量方法和地面激光對30棵梧桐樹進行采樣，采用全局凸包法、分段凸包法、平面三角剖分和體素法對點云數(shù)據(jù)進行處理，獲得樹木相關參數(shù)與實際測量值比較，測定系數(shù)大于0.78。Colao等^[42]采用凸包法和α曲面重構算法對柑橘園的25棵樹進行了測試，結果顯示不同算法對計算結果具有很大的差異性，但相較傳統(tǒng)人工測量，激光測量的結果更加準確。

3.2 基于地基激光雷達的葉面積指數(shù)計算

目前計算葉面積指數(shù)或葉面積密度多以Beer-Lambert光衰減理論為主，采用接觸頻率法和間隙概率模型等方法。一些學者針對三維激光點云這一特點，開發(fā)了其他高效計算方法。Hosoi等^[43]提出通過點樣方法直接計數(shù)每一層的波束接觸頻率的體素模型估算方法計算在不同條件下精確估計小喬木（山茶和多角茶樹）葉面積密度（LAD）和累積葉面積指數(shù)（LAI）剖面，最佳估計誤差0.7%。Yun等^[44]采用多重掃描方法分析遮擋對基于激光雷達的樹木葉面積估計的影響，提出了一種基于Delaunay三角剖分算法和自適應閾值選擇的方法，從模擬的離散LiDAR點云中構造掃描葉面，結合掃描點的比例和數(shù)目，評估每層中激光束覆蓋的葉面積。

3.3 三維結構重建

對比車載激光點云，地基激光掃描儀提供的高密度點云信息能夠建立植物更為完整的三維結構模型，獲取植物更細節(jié)的信息，例如樹木的骨架重建，統(tǒng)計測量葉長、葉寬、葉方位角、葉傾角等信息。

3.3.1 枝干骨架重建

葉片點云的噪聲較大，大多是對落葉或者葉片稀疏的樹木進行樹木骨干提取。Livny等^[45]通過使用加權生成樹的方法構建樹分枝結構圖（branch structure graph，BSG），將表示一個或多個樹對象的點云合并為骨架結構，實現(xiàn)了稀疏且缺失嚴重的樹木點云冠層重建。Raumonen等^[46]基于鄰域關系和局部曲面擬合算法，通過局部聯(lián)通曲面逐步建立全局的樹干結構，開發(fā)了一種基于地面激光點云的快速樹木重建方法。Bucksch等^[47]利用點云幾何信息，采用循環(huán)折疊和合并方法構建點云八叉樹結構，實現(xiàn)了樹木點云骨架的快速重建。張冬等^[48]通過構建點云Delaunay鄰域關系，利用Laplace變換實現(xiàn)點云的收縮，然后利用聚類算法實現(xiàn)了樹木枝干重建。

作為樹木整體結構之一，樹木的骨架影響樹木整體的結構。八叉樹、聚類算法作為骨架重建的重要算法，在單木樹干重建中得到了廣泛的應用。學者基于其進行算法改進可以進一步提高重建的精度，從而提升重建模整體的重建效果，例如增強型PyrLK方法相較PyrLK方法提高了近37.5%的識別準確率。

3.3.2 葉片分割重建

Huang等^[49]利用植物的形態(tài)特征，提出一種從全局到局部的非剛性配準算法，實現(xiàn)基于點云的植物葉片的精準重建。Xu等^[50]通過對葉形進行統(tǒng)計學習，采用葉片模板匹配安裝的方法，實現(xiàn)了帶葉致密點云的植物冠層重建。Boudon等^[51]提出一種樹冠層分支結構的評價框架，用以評定重建冠層結構的準確性。

吳升等^[52]根據(jù)帶葉果樹點云的局部和全局特征，建立橢球分層的點云密度收縮方法實現(xiàn)器官點云分離，然后利用鄰近傳播主成分分析算法實現(xiàn)葉片特征參數(shù)的求解，利用Laplacian收縮算法實現(xiàn)冠層骨架點的連通，從而實現(xiàn)冠層葉片的快速自動重建，獲取的葉面積指數(shù)正確率大于95%，能準確識別的葉片數(shù)占總葉片數(shù)的90%以上。雖然這些基于三維點云的樹特征提取技術能夠實現(xiàn)特征的精確提取，但是因為點云數(shù)量較多，所需的計算量較大，對算法與計算機均有很高的要求，也不能用于大范圍植物特征提取。

基于點云的葉片重建廣泛運用于工業(yè)以及機械生產，針對飛行器葉片點云的模型重建已經(jīng)逐步完善，基于重建方法和算法，基于Laplacian等算法已經(jīng)能實現(xiàn)較高精度的植物葉片的三維重建。但是因為重構數(shù)據(jù)量大、重構時間長，不能應用到海量高精度植物葉片重構中。因此，在對植物葉片精度需求不高的模型上，常采用點云映射葉片面積、葉片數(shù)量，將其數(shù)據(jù)化從而達到快速、高效地重建具有一定精度的植物樹冠的模型。

4 存在問題與展望

4.1 存在問題

1） 二維激光雷達通用性較差，戶外采集困難。使用時需要選擇合適的載體，并在合適的環(huán)境中應用?；诙S激光雷達的提取通常應用在室內或者更理想環(huán)境場地中，以導軌為載具，實現(xiàn)移動采集。應用到戶外時，需要在多傳感器數(shù)據(jù)矯正的基礎上，降低誤差。使用的條件比較復雜，影響因素也很多，不能很快應用到林業(yè)特征提取中去。

2） 車載激光雷達提取精度不足，算法依賴嚴重?；谲囕d激光雷達提取樹木特征的研究主要圍繞點云后處理算法展開。當點云精度高時，采用網(wǎng)格法與映射法對樹木進行LAI與LAD計算，精確度高，但是計算時間長，運算量也較大。使用投影法和體積法具有較高的計算速度，計算精度有所降低。對林業(yè)研究而言，點云的數(shù)據(jù)精度有待進一步提升，有必要提出一種新型算法來彌補車載激光雷達數(shù)據(jù)精度上的缺陷。

3） 地基激光雷達數(shù)據(jù)運算量較大。地基激光雷達對林作物體積計算、葉面積指數(shù)計算有很好的應用，其所提供的高密度點云應用于林作物三維重建中顯得尤為突出。高精度點云數(shù)用于骨架重建、葉片分割重建研究，進一步提升針對林作物特征信息的提取精度。當前受設備條件所限，對海量點云數(shù)據(jù)進行計算還需很長時間，不能應用到大面積植物特征提取中。

4.2 展望

1） 快速處理算法及在線探測研究。雷達探測獲取點云數(shù)據(jù)是海量的，處理點云數(shù)據(jù)需要花費大量的計算資源和時間，一方面取決于計算機的計算能力，另一方面需要開發(fā)快速準確的點云處理算法。在需要實時獲取樹冠特征的場合，開發(fā)在線探測技術、實時顯示測量結果是十分必要的。隨著計算機技術的發(fā)展，神經(jīng)網(wǎng)絡、機器學習、支持向量機等人工智能算法為點云數(shù)據(jù)處理提供新思路。

2） 特征剔除的和缺失特征的修補。復雜的樹木結構和測試環(huán)境會引入許多非目標特征點云。計算樹冠體積是需要去除樹冠內部的空隙和樹干特征，計算葉面積指數(shù)和葉面積密度時需要剔除枝干的影響，非目標點云會大大影響計算精度，如何合理地去除和規(guī)避非目標點云的影響是今后研究的難點和重點。在樹木重建中還需對未探測到的特征通過算法進行修補，以獲得完整的樹木結構特征。

3） 精確探測系統(tǒng)集成與產品化開發(fā)。目前基于雷達的樹木特征探測系統(tǒng)大多是將現(xiàn)成的激光傳感器搭建的測量系統(tǒng)，目前大多還在試驗研究階段，還未形成專門的測量裝置以及相應的處理軟件。在實際應用中由于價格和技術原因未得到大范圍的推廣。面向市場需求，根據(jù)科研單位和企業(yè)各自優(yōu)勢，通過多層次合作，有針對性的集成開發(fā)出一系列商業(yè)化產品迫在眉睫。

參 考 文 獻

[1]Pereira A R， Green S， Nova N A V. Penman-Monteith reference evapotranspiration adapted to estimate irrigated tree transpiration [J]. Agricultural Water Management， 2005， 83（1）： 153-161.

[2]Zaman Q U， Schumann A W， Hostler H K. Estimation of citrus fruit yield using ultrasonically-sensed tree size [J]. Applied Engineering in Agriculture， 2006， 22（1）： 39-44.

[3]Li F S， Cohen S， Naor A， et al. Studies of canopy structure and water use of apple trees on three rootstocks [J]. Agricultural Water Management， 2002， 55（1）： 1-14.

[4]Zheng G， Moskal L M. Retrieving leaf area index （LAI） using remote sensing： Theories， methods and sensors [J]. Sensors， 2009， 9（4）： 2719-2745.

[5]Zande D V D， Hoet W， Jonckheere I， et al. Influence of measurement set-up of ground-based LiDAR for derivation of tree structure [J]. Agricultural and Forest Meteorology， 2006， 141（2-4）： 147-160.

[6]Llorens J， Gil E， Llop J， et al. Ultrasonic and LiDAR sensors for electronic canopy characterization in vineyards： Advances to improve pesticide application methods [J]. Sensors， 2011， 11（2）： 2177-2194.

[7]郭彩玲， 宗澤， 張雪， 等. 基于三維點云數(shù)據(jù)的蘋果樹冠層幾何參數(shù)獲取[J]. 農業(yè)工程學報， 2017， 33（3）： 175-181.

Guo Cailing， Zong Ze， Zhang Xue， et al. Apple tree canopy geometric parameters acquirement based on 3D point clouds [J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（3）： 175-181.

[8]劉慧， 李寧， 沈躍， 等. 模擬復雜地形的噴霧靶標激光檢測與三維重構[J]. 農業(yè)工程學報， 2016， 32（18）： 84-91.

Liu Hui， Li Ning， Shen Yue， et al. Laser detection and 3D reconstruction of spray target for simulating complex terrain [J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（18）： 84-91.

[9]N?rremark M， S?gaard H T， Griepentrog H W， et al. Instrumentation and method for high accuracy geo-referencing of sugar beet plants [J]. Computers and Electronics in Agriculture， 2007， 56（2）： 130-146.

[10]Ehsani M R， Upadhyaya S K， Mattson M L. Seed location mapping using RTK GPS [J]. Transactions of the ASAE， 2004， 47（3）： 909-914.

[11]Sun H， Slaughter D C， Ruiz M P， et al. RTK GPS mapping of transplanted row crops [J]. Computers and Electronics in Agriculture， 2009， 71（1）： 32-37.

[12]Jordi L， Emilio G， Jordi L， et al. Georeferenced LiDAR 3D vine plantation map generation [J]. Sensors， 2011， 11（6）： 6237-6256.

[13]Ignacio D， Jaume A， Alexandre E， et al. Georeferenced scanning system to estimate the leaf wall area in tree crops [J]. Sensors， 2015， 15（4）： 8382-8405.

[14]俞龍， 黃健， 趙祚喜， 等. 丘陵山地果樹冠層體積激光測量方法與試驗[J]. 農業(yè)機械學報， 2013， 44（8）： 224-228.

Yu Long， Huang Jian， Zhao Zuoxi， et al. Laser measurement and experiment of hilly fruit tree canopy volume [J]. Transactions of the Chinese Society for Agricultural Machinery， 2013， 44（8）： 224-228.

[15]Garrido M， Paraforos D， Reiser D， et al. 3D maize plant reconstruction based on georeferenced overlapping LiDAR point clouds [J]. Remote Sensing， 2015， 7（12）： 17077-17096.

[16]Underwood J P， Hung C， Brett W， et al. Mapping almond orchard canopy volume， flowers， fruit and yield using LiDAR and vision sensors [J]. Computers and Electronics in Agriculture， 2016， 130： 83-96.

[17]Palleja T， Tresanchez M， Teixido M， et al. Sensitivity of tree volume measurement to trajectory errors from a terrestrial LiDAR scanner [J]. Agricultural and Forest Meteorology， 2010， 150（11）： 1420-1427.

[18]Guevara J， Cheein F A A， Gené-Mola J， et al. Analyzing and overcoming the effects of GNSS error on LiDAR based orchard parameters estimation [J]. Computers and Electronics in Agriculture， 2020， 170： 105255.

[19]Liu H， Zhu H. Evaluation of a laser scanning sensor in detection of complex-shaped targets for variable-rate sprayer development [J]. Transactions of the ASABE， 2016， 59（5）： 1181-1192.

[20]孫浩， 劉晉浩， 黃青青， 等. 基于二維激光掃描的立木胸徑計算方法性能分析[J]. 農業(yè)機械學報， 2017， 48（8）： 186-191.

Sun Hao， Liu Jinhao， Huang Qingqing， et al. Performance analysis of calculation method for DBH of standing tree based on two dimensional laser scanning [J]. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（8）： 186-191.

[21]趙穎怡， 胡慶武. 基于車載激光點云的行道樹固碳量估算研究[J]. 林業(yè)資源管理， 2017（2）： 131-138.

Zhao Yingyi， Hu Qingwu. Carbon sequestration estimation of roadside trees based on vehicle-borne laser point cloud [J]. Forest Resources Management， 2017（2）： 131-138.

[22]李秋潔， 袁鵬成， 鄧賢， 等. 基于移動激光掃描的靶標葉面積計算方法[J]. 農業(yè)機械學報， 2020， 51（5）： 192-198.

Li Qiujie， Yuan Pengcheng， Deng Xian， et al. Calculation Method of target leaf area based on mobile laser scanning [J]. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（5）： 192-198.

[23]Arnó J， Escolà A， Vallès J M， et al. Leaf area index estimation in vineyards using a ground-based LiDAR scanner [J]. Precision Agriculture， 2013， 14（3）： 290-306.

[24]Cheein F A A， Guivant J， Sanz R， et al. Real-time approaches for characterization of fully and partially scanned canopies in groves [J]. Computers and Electronics in Agriculture， 2015， 118： 361-371.

[25]Arnó J， Escolà A， Masip J， et al. Influence of the scanned side of the row in terrestrial laser sensor applications in vineyards： Practical consequences [J]. Precision Agriculture， 2015， 16（2）： 119-128.

[26]Sanz R， Llorens J， Escolà A， et al. LiDAR and non-LiDAR-based canopy parameters to estimate the leaf area in fruit trees and vineyard [J]. Agricultural and Forest Meteorology， 2018， 260-261： 229-239.

[27]Sanz-Cortiella R， Llorens-Calveras J， Escolà A， et al. Innovative LiDAR 3D dynamic measurement system to estimate fruit-tree leaf area [J]. Sensors， 2011， 11（6）： 5769-5791.

[28]Rosell Polo J R， Sanz R， Llorens J， et al. A tractor-mounted scanning LiDAR for the non-destructive measurement of vegetative volume and surface area of tree-row plantations： A comparison with conventional destructive measurements [J]. Biosystems Engineering， 2009， 102（2）： 128-134.

[29]Rosell J R， Llorens J， Sanz R， et al. Obtaining the three-dimensional structure of tree orchards from remote 2D terrestrial LiDAR scanning [J]. Agricultural and Forest Meteorology， 2009， 149（9）： 1505-1515.

[30]Hosoi F， Omasa K. Detecting seasonal change of broad-leaved woody canopy leaf area density profile using 3D portable LiDAR imaging [J]. Functional Plant Biology Fpb， 2009， 36（11）： 998-1005.

[31]Weiss M， Baret F， Smith G J， et al. Review of methods for in situ leaf area index （LAI） determination [J]. Agricultural and Forest Meteorology， 2004， 121（1-2）： 37-53.

[32]Nilson T. A theoretical analysis of the frequency of gaps in plant stands [J]. Agricultural Meteorology， 1971， 8： 25-38.

[33]Zhao K， García M， Liu S， et al. Terrestrial lidar remote sensing of forests： Maximum likelihood estimates of canopy profile， leaf area index， and leaf angle distribution [J]. Agricultural and Forest Meteorology， 2015， 209-210.

[34]趙方博， 王佳， 高赫， 等. 地面激光雷達的單木真實葉面積指數(shù)提取[J]. 測繪科學， 2019， 44（4）： 81-86.

Zhao Fangbo， Wang Jia， Gao He， et al. Extraction of real leaf area index of individual tree based on terrestrial laser scanner [J]. Science of Surveying and Mapping， 2019， 44（4）： 81-86.

[35]Woodgate W， Disney M， Armston J D， et al. An improved theoretical model of canopy gap probability for leaf area index estimation in woody ecosystems [J]. Forest Ecology and Management， 2015， 358： 303-320.

[36]Béland M， Widlowski J， Fournier R A. A model for deriving voxel-level tree leaf area density estimates from ground-based LiDAR [J]. Environmental Modelling and Software， 2014， 51.

[37]Pfeiffer S A， Guevara J， Cheein F A， et al. Mechatronic terrestrial LiDAR for canopy porosity and crown surface estimation [J]. Computers and Electronics in Agriculture， 2018， 146.

[38]Zande D， Stuckens J， Verstraeten W W， et al. 3D modeling of light interception in heterogeneous forest canopies using ground-based LiDAR data [J]. International Journal of Applied Earth Observation and Geoinformation， 2011， 13（5）： 792-800.

[39]Miranda-Fuentes A， Llorens J， Gamarra-Diezma J， et al. Towards an optimized method of olive tree crown volume measurement [J]. Sensors， 2015， 15（2）： 3671-3687.

[40]王佳， 張芳菲， 高赫， 等. 地基激光雷達提取單木冠層結構因子研究[J]. 農業(yè)機械學報， 2018， 49（2）： 199-206.

Wang Jia， Zhang Fangfei， Gao He， et al. Extracting crown structure parameters of individual tree by using ground-based laser scanner [J]. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2018， 49（2）： 199-206.

[41]Fernández-Sarría A， Martínez L， Velázquez-Martí B， et al. Different methodologies for calculating crown volumes of Platanus hispanica trees using terrestrial laser scanner and a comparison with classical dendrometric measurements [J]. Computers and Electronics in Agriculture， 2013， 90： 176-185.

[42]Colao A F， Trevisan R G， Molin J P， et al. Orange tree canopy volume estimation by manual and LiDAR-based methods [J]. Advances in Animal Biosciences， 2017， 8（2）： 477-480.

[43]Hosoi F， Omasa K. Voxel-based 3D modeling of individual trees for estimating leaf area density using high-resolution portable scanning LiDAR [J]. IEEE Transactions on Geoscience and Remote Sensing， 2006.

[44]Yun T， An F， Li W. A novel approach for retrieving tree leaf area from ground-based LiDAR [J]. Remote Sens-Basel， 2016， 8（11）.

[45]Livny Y， Yan F， Olson M， et al. Automatic reconstruction of tree skeletal structures from point clouds [J]. ACM Transactions on Graphics， 2010， 29（6）： 151.

[46]Raumonen P， Kaasalainen M， kerblom M， et al. Fast automatic precision tree models from terrestrial laser scanner data [J]. Remote Sensing， 2013， 5（2）： 491-520.

[47]Bucksch A， Lindenbergh R. CAMPINO： A skeletonization method for point cloud processing [J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2007， 63（1）： 115-127.

[48]張冬， 云挺， 薛聯(lián)鳳， 等. 復雜拓撲結構的樹木枝干重建算法[J]. 南京師大學報（自然科學版）， 2015， 38（1）： 128-136.

Zhang Dong， Yun Tin， Xue Lianfeng， et al. Reconstruction algorithm with complex topology of tree branches [J]. Journal of Nanjing Normal University （Natural Science Edition）， 2015， 38（1）： 128-136.

[49]Huang H， Sharf A， Long P， et al. Full 3D plant reconstruction via intrusive acquisition [J]. Computer Graphics Forum： Journal of the European Association for Computer Graphics， 2016， 35（1）： 272-284.

[50]Xu H， Gossett N， Chen B. Knowledge and heuristic-based modeling of laser-scanned trees [J]. ACM Transactions on Graphics， 2007， 26（4）： 19.

[51]Boudon F， Preuksakarn C， Ferraro P， et al. Quantitative assessment of automatic reconstructions of branching systems obtained from laser scanning [J]. Annals of Botany， 2014， 114（4）： 853-862.

[52]吳升， 趙春江， 郭新宇， 等. 基于點云的果樹冠層葉片重建方法[J]. 農業(yè)工程學報， 2017， 33（S1）： 212-218.

Wu Sheng， Zhao Chunjiang， Guo Xinyu， et al. Method of fruit tree canopy leaf reconstruction based on point cloud [J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（S1）： 212-218.