基于自适应半径DBSCAN的梯度郁闭林单木点云分割方法

尚家豪; 寇瑞雄; 石壮; 晋雪瑞; 覃世焯

doi:10.12404/j.issn.1671-1815.2505840

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (16) :6712-6719 DOI: 10.12404/j.issn.1671-1815.2505840

天文学、地球科学

基于自适应半径DBSCAN的梯度郁闭林单木点云分割方法

尚家豪 ¹ ,
寇瑞雄 ¹^,²^,³^,^* ,
石壮 ¹^,²^,³ ,
晋雪瑞 ¹ ,
覃世焯 ¹

作者信息 +

Single-tree Point Cloud Segmentation Method for Gradient Canopy Closure Forests Based on Adaptive Radius DBSCAN

SHANG Jia-hao ¹ ,
KOU Rui-xiong ¹^,²^,³^,^* ,
SHI Zhuang ¹^,²^,³ ,
JIN Xue-rui ¹ ,
QIN Shi-zhuo ¹

Author information +

文章历史 +

摘要

单木分割是获取森林单木信息的关键技术,高精度分割森林单木是精细化计算森林资源的基础。在非均匀分布和高郁闭度的梯度郁闭林中,仅依靠经验设置参数阈值的聚类方法难以实现高精度单木分割,严重影响森林资源精细化管理。为此,提出了一种基于自适应半径DBSCAN(density-based spatial clustering of applications with noise)的梯度郁闭林单木点云分割方法。首先,对预处理后的点云数据作z轴切片,进行初步DBSCAN聚类,计算各子簇的水平尺度,为后续聚类参数自适应提供依据。其次,通过剔除子簇尺度极值并计算中间尺度值均值,自适应确定每一切片的聚类半径,以适应不同高度层级的结构差异。最后,结合自适应聚类半径、核心点识别与基于k维树(k-dimensional tree, KD-Tree)的邻域搜索策略,实现单木点云的准确分割。结果表明:所提出的方法应用在5个梯度郁闭林样地单木分割的平均召回率和精确率分别达到0.94和0.99,相较于现有方法具有明显优势。该方法在梯度郁闭度复杂森林环境下具有良好的通用性和鲁棒性,本研究对于提高森林资源调查的精度和效率具有重要意义。

Abstract

Accurate single-tree segmentation plays a crucial role in obtaining detailed individual tree information, which underpins the precise estimation and sustainable management of forest resources. In forests with gradient canopy closure and non-uniform tree distribution, clustering methods that rely solely on empirically set parameters often fail to achieve accurate single-tree segmentation, which significantly constrains refined forest resource management. To address this challenge, an adaptive-radius density-based spatial clustering of applications with noise (DBSCAN) algorithm was proposed for single-tree point cloud segmentation in forests with gradient canopy closure.First, the preprocessed point cloud data were sliced along the z-axis and initially clustered using DBSCAN. The horizontal scale of each sub-cluster was analyzed to guide the adaptive adjustment of clustering in the subsequent steps. Second, removing extreme scale values, the mean of the remaining scales was used to determine an adaptive clustering radius for each slice, accommodating structural variations across different canopy heights. Finally, by integrating the adaptive clustering radius, core point identification, and a k-dimensional tree (KD-Tree)-based neighborhood search strategy, the accurate segmentation of individual tree point clouds was achieved. Experimental results show that the proposed method achieves an average recall of 0.94 and precision of 0.99 across five forest plots, outperforming existing segmentation techniques. The proposed method exhibits strong generalization capability and robustness in complex gradient canopy environments, providing a valuable tool for improving the accuracy and efficiency of forest resource surveys.

Graphical abstract

关键词

机载点云 / 单木分割 / 郁闭度 / 森林资源 / 聚类算法

Key words

unmanned aerial vehicle point cloud / individual tree segmentation / canopy closure / forest resource / clustering algorithm

引用本文

引用格式 ▾

尚家豪, 寇瑞雄, 石壮, 晋雪瑞, 覃世焯. 基于自适应半径DBSCAN的梯度郁闭林单木点云分割方法[J]. 科学技术与工程, 2026, 26(16): 6712-6719 DOI:10.12404/j.issn.1671-1815.2505840

SHANG Jia-hao, KOU Rui-xiong, SHI Zhuang, JIN Xue-rui, QIN Shi-zhuo. Single-tree Point Cloud Segmentation Method for Gradient Canopy Closure Forests Based on Adaptive Radius DBSCAN[J]. Science Technology and Engineering, 2026, 26(16): 6712-6719 DOI:10.12404/j.issn.1671-1815.2505840

登录浏览全文

4963

注册一个新账户忘记密码

在森林资源调查、生态建模和森林监管等工作中,高精度单木分割是获取森林精细化参数的前提^[1-2]。单木分割技术对于森林管理和生态监测至关重要,它能够提供精确的树木位置、数量、健康状况等关键信息,从而为森林保护与可持续管理提供科学依据^[3-4]。

目前,单木分割方法主要包括实地测量方法、基于图像和点云的方法。其中,实地测量方法能准确获取单木信息,但存在人力成本过高和测量效率低下等问题,难以满足大范围森林资源调查的需求^[5]。基于图像的单木分割方法是通过处理航片和卫片实现单木分割。相较之下,激光雷达(light detection and ranging, LiDAR)^[6]凭借其精确的测距能力和良好的树冠穿透性^[7-8],对森林形态的表达显著优于图像。为此,基于激光雷达点云的森林单木分割技术已经成为森林资源调查和生态监测中的关键技术^[9]。

在基于点云的单木分割方面,针对不同林型和树种特征,不同学者提出了多种单木分割策略。郭继富等^[10]融合核密度估计、利用点云生成的数字表面模型(digital surface model, DSM)与K-means聚类,实现了西北云杉林的单木分割。李阳等^[11]提出一种改进的K-means聚类算法进行单木分割,构建了适用于人工针阔混交林的分割模型。Kaisen等^[12]则采用层次聚类对中南林业科技大学芦头实验林场的7 块人工林,2 块天然林进行了有效的单木提取。Lino等^[13]提出一种基于DBSCAN聚类和圆柱体体素化的单木分割方法,该方法在Baixa Limia-Serra do Xurés自然公园的树木分割实验中取得了约90%的分割率。郁闭度是森林中乔木树冠在阳光直射下在地面的总投影面积(冠幅)与此林地(林分)总面积的比值,它是反映林分密度的指标,上述聚类方法均针对单一郁闭度样地进行分割,使得这些方法在大范围梯度郁闭林中存在一定局限性:一是预设聚类数或聚类半径对分类结果影响较大,增加模型对初始参数的依赖性;二是在不同郁闭度条件下分割精度波动较大,难以稳定适应梯度郁闭度的复杂森林环境^[14]。

为此,提出一种基于自适应半径DBSCAN的梯度郁闭林单木点云分割方法。该方法在点云数据的聚类过程中根据切片密度特征自适应调整聚类半径,将提高聚类精度,增强对不同郁闭度、不同分布森林点云数据的适应性。为森林资源调查、生态监测等领域提供更加精准和高效的技术支持。

1 自适应聚类半径的梯度郁闭度树木点云分割方法

提出一种基于自适应半径DBSCAN的梯度郁闭林单木点云分割方法。首先,对预处理完成的点云数据沿Z轴方向进行切片操作,并在每一切片内执行初步DBSCAN聚类,提取子簇的水平空间尺度,以支撑后续聚类参数的自适应设定。随后,通过排除尺度中的极端异常值,并对其余中间尺度进行平均计算,自适应生成各切片对应的聚类半径,以更好地匹配不同高度层级中树木结构的变化特征。最终,将自适应聚类半径与核心点判定方法相结合,引入基于k维树(k-dimensional tree,KD-Tree)的空间索引和最近邻搜索策略,实现对单木点云的精准分割。本文方法流程图如图1所示。

1.1 点云预处理

采用高斯核滤波方法对点云进行去噪^[15],利用高斯分布权重对每个点的邻域进行平滑滤波,从而保留地物原貌并削弱高频噪声。采用渐进加密三角网滤波算法将林分点云分为地面点云和非地面点云^[16],随后计算非地面点云的最小包围盒并进行归一化,以消除地面起伏对树木提取的影响。

1.2 DBSCAN聚类

密度聚类是一种基于点密度连接关系实现非监督划分的有效方法,适用于形状复杂、噪声点较多的点云数据分析场景。DBSCAN算法作为其中代表性算法,依赖于两个关键参数:聚类半径(ε)和最小邻域点数(MinPts)。算法通过识别“核心点”(邻域内包含至少MinPts个点的样本)并扩展其密度可达区域,逐步构建簇结构,从而在没有事先指定簇数的前提下,自动剔除噪声并识别形态各异的聚类单元^[17]。

核心点的定义为:如果点P的ε邻域内包含至少MinPts个点(包括P自身),则P被视为核心点,其表达式为

(1)$ \left|N_{\varepsilon}(P)\right| \geqslant \text { MinPts }$

式(1)中:N_ε(P)为点P的ε邻域,其表达式为

(2)$ N_{\varepsilon}(P)=\{Q \mid d(P, Q) \leqslant \varepsilon\}$

式(2)中:d(P,Q)≤ε定义了点P和点Q在距离ε内是邻近的。

通过扩展核心点的密度可达区域,将相互密度连接的点归为一类,并通过以下条件来实现密度可达。

(3)$ P \longleftrightarrow Q(\text {密度可达})$

DBSCAN能够自动剔除噪声点,并识别不同密度区域内的聚类结构。在林分点云处理任务中,DBSCAN可有效分离空间上彼此独立的单木区域,避免传统规则化切割方法带来的结构破坏。然而,值得注意的是,该方法的聚类性能高度依赖于聚类半径的设定。在实际应用中,点云密度在不同高度层级和局部空间区域内存在显著差异,尤其是在大规模混交林或高低冠层交错、枝干密度变化剧烈的森林环境中,这些差异对聚类结果的影响更加突出。若采用固定的ε值进行全局聚类,常会出现以下问题:在密集区域易发生多个树体合并为一簇(过聚类),而在稀疏区域又可能导致簇被破碎或丢失(欠聚类)。因此,固定半径策略难以适应森林结构的复杂性。

为此,在DBSCAN聚类框架中引入一种基于切片子簇尺度的自适应聚类半径估计机制,使聚类半径ε可根据局部结构特征自适应调整,增强该方法在梯度郁闭林单木分割的适应性。该方法的原理与实施将在1.3节中详细介绍。

1.3 基于自适应聚类的单木分割方法

1.3.1 聚类参数的自适应设计

在基于DBSCAN的密度聚类过程中,聚类半径(ε)和最小邻域点数(MinPts)是关键参数,其设置直接影响聚类结果的精度与稳定性。传统方法常采用固定聚类半径处理全局点云,然而林分点云在垂直方向上具有明显的结构异质性,冠层密度、枝条分布随高度而变化,导致全局参数难以兼顾不同层级的聚类需求,易出现过聚或漏聚现象,尤其在树冠边界模糊、结构复杂区域尤为显著。

为解决上述问题,提出一种基于自适应半径DBSCAN的梯度郁闭林单木点云分割方法。该方法的核心流程如图2所示,该方法步骤如下。

步骤1 点云切片处理。在处理林分点云时,首先将经预处理后的点云数据[图2(a)]沿z轴(树高方向)按设定的间隔(如0.6 m)进行切片[图2(b)]。每个切片视为一个局部的分析单元,聚焦于该切片内的点云,认为该切片内的点云分布较为均匀,有助于提升聚类的局部稳定性。对于每个切片P,其高度范围为{z_min,z_max},其中,z_min为当前切片的高度下限,z_max为当前切片的高度上限。

(4)$ P=\left\{p_{i} \mid z_{\min } \leqslant z_{i} \leqslant z_{\max }\right\}$

式(4)中:p_i为点云中第i个点;z_i为点p_i的Z坐标。

步骤2 初步聚类。使用DBSCAN算法对每个切片的点云数据进行初步聚类,通过计算每个点的邻域密度来确定是否属于同一个簇。当点p_i和点p_j的欧氏距离d(p_i,p_j)不大于聚类半径(ε)时,则两点属于同一簇,即

(5)$ d\left(p_{i}, p_{j}\right) \leqslant \varepsilon$

步骤3 计算每个簇的水平尺度。在每个切片中,DBSCAN聚类后,计算每个簇在水平面(xy平面)上的尺度。具体地,对于每个簇,计算其在x轴和y轴方向上的范围,然后取两者的均值作为该簇的尺度。对于第i个簇,计算其在x轴和y轴方向的范围,计算公式为

(6)$ \Delta x_{i}=x_{\max }\left(C_{i}\right)-x_{\min }\left(C_{i}\right)$

(7)$ \Delta y_{i}=y_{\max }\left(C_{i}\right)-y_{\min }\left(C_{i}\right)$

式中:Δx_i为第i个簇在x轴方向上的范围;Δy_i为第i个簇在y轴方向上的范围;x_max(C_i)和x_min(C_i)分别为簇C_i在x轴方向的最大值和最小值;y_max(C_i)和y_min(C_i)分别为簇C_i在y轴方向的最大值和最小值。

簇C_i的水平尺度s_i定义为

(8)$ s_{i}=\frac{\Delta x_{i}+\Delta y_{i}}{2}$

步骤4 去除极值。在计算了每个簇的水平尺度后,去除最大值和最小值以避免极端异常值对整体聚类半径的估算造成干扰。去除最大值和最小值后的尺度集合(S_filtered),可表示为

(9)$ S_{\text {filtered }}=\left\{s_{2}, s_{3}, \cdots, s_{n-1}\right\}$

步骤5 计算自适应聚类半径(ε_adaptive)。计算集合S_filtered所有元素的平均值[图2(c)]作为该切片直径,则自适应聚类半径ε_adaptive可表示为

(10)$ \varepsilon_{\text {adaptive }}=\frac{1}{2} \operatorname{mean}\left(S_{\text {filtered }}\right)$

式(10)中:mean(S_filtered)为尺度集合S_filtered的平均值,该值作为ε_adaptive[图2(d)]的估计依据,用于当前切片的正式DBSCAN聚类,实现在不同高度层级的自适应聚类半径设定。

相比固定参数法,该自适应策略具备更强的空间适应性,能有效感知梯度郁闭林分中因树形差异、冠层重叠和密度变化引起的结构波动,使得在稀疏枝叶与密集冠层中均可保持合理聚类分辨率,从而提升单木识别的精度与稳定性。

1.3.2 基于自适应聚类半径的单木点云分割策略

所提出的单木分割方法基于z轴切片与局部密度自适应聚类机制,其核心目标是在复杂林分中准确识别并重构空间连续的单木结构。该方法主要包括三个阶段:局部聚类、关键顶点提取以及点归属判定与结构重建。首先,将滤波后的非地面点云沿z轴方向按固定间隔进行切片。针对每一切片,通过1.3.1节中提出的子簇尺度估计方法获得自适应聚类半径,进而在该尺度下执行DBSCAN密度聚类。该聚类策略能够自适应不同高度层的点云分布特征,有效避免在冠层密集区域出现的过聚类和枝条稀疏区域发生的欠聚类现象。聚类结果形成一组空间连通且结构明确的子簇,作为后续单木识别的基础。其次,为进一步明确各单木的空间拓扑核心,系统在聚类结果中提取关键结构信息。通过统计每个子簇中核心点的局部密度分布,筛选出密度显著高于邻域的区域作为潜在的冠顶点。这些点通常位于树冠上方或主枝末端,能够代表单木结构的主轴方向。该策略融合了空间密度与几何特征,并具备较强的鲁棒性,有效降低噪声点或孤立片段的干扰。最后,系统针对所有未归属点进行单木簇归属判定。基于KD-Tree构建的空间索引,利用最近邻搜索策略,根据每个未归属点与已识别单木之间的空间距离与密度匹配度进行归属分配。该过程沿切片高度顺序逐层推进,逐步完成点云的空间整合。通过该方式,单木的三维结构得以完整恢复,并保持了良好的结构连续性与边界一致性。

综上所述,本文方法在充分考虑梯度郁闭林分点云局部结构异质性与密度波动的基础上,实现了聚类半径自适应调整、树冠顶点精准识别以及跨层点云归属的连续整合,显著提升了复杂森林场景中单木分割的准确性与鲁棒性。

2 实验与分析

2.1 实验数据

以塞罕坝林场与兰州交通大学的部分区域为实验样地,选择郁闭度不同的5 块样地,样地大小为50 m×50 m,5 块样地共有树高在3~8 m的树木477 株,包括雪松、国槐、落叶松、云杉等树种。不同郁闭度水平下的各样地点云如图3所示,其郁闭度与实际树木数量如表1所示。

2.2 评价指标

为评估树木分割效果,采用识别率(R)、召回率(r)、精确率(p)、调和均值(F)及点云完整度(C)^[18]共5个量化指标,其计算公式分别为

(11)$ R=\frac{n}{N}$

(12)$ r=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}$

(13)$ p=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}$

(14)$ F=\frac{2 r p}{r+p}$

(15)$ C=\frac{M_{\mathrm{al}}}{M_{\mathrm{art}}}$

式中:N为样地实际树木数量;n为检测到的树木数;TP为正确分割的树木数;FN为漏检数量,FP为误检数量;M_al为本文方法分割结果的点云数量;M_art为人工分割结果的点云数量。

识别率反映检测到的树木占实际树木的比例,数值越高说明检测能力越强;召回率衡量正确识别的树木在所有实际树木中的比例,数值越大表明漏检越少;精确率表示正确识别的树木占所有检测结果的比例,数值越高代表误检越少;调和均值F综合考虑了召回率和精确率,是评价整体分割性能的重要指标,数值越接近1则表示分割效果越优;点云完整度表示正确分割的单木点云占人工分割的单木点云的比例,数值越高代表单木点云分割越精确。

2.3 对比方法

为评估所提方法的有效性,将其与基于距离判别的树木分割方法(tree segmentation based on distance discrimination, TSDD)和基于固定聚类半径的DBSCAN方法(fixed-radius DBSCAN, FD)进行对比,基于距离判别的方法^[19]通过归一化点云数据,选取局部极大值点作为种子点,并依据点与种子点的距离关系进行树木分割。固定聚类半径的DBSCAN方法^[20]通过设定固定的聚类半径和最小邻域点数,利用密度聚类的思想将点云数据划分为不同的树木个体。

2.4 实验结果

三种方法在树木分割上的表现如图4所示,第一行至第三行依次为低、中、高郁闭度的单木分割结果,第一~三列依次为TSDD方法、FD方法、所提出的自适应聚类半径DBSCAN方法(adaptive clustering radius DBSCAN, ACRD)的处理结果。对比分析图4,ACRD方法在高郁闭度林区中展现出较好的树木识别与分割能力,而TSDD方法与FD方法则容易出现树木漏检或分割不准确的问题。

表2展示了三种树木分割方法的实验结果:ACRD方法成功提取了447株树木;TSDD方法提取了393株树木;FD方法提取了406株树木。随着郁闭度的增加,三种方法的识别率和平均F值均有所下降。然而,ACRD方法在高郁闭度情况下仍保持较高的单木分割性能,平均识别率达到0.92,平均F值达到0.96。在高郁闭度时,ACRD方法的平均识别率比TSDD方法高出8%,比FD方法高出10%;同时,高郁闭度条件下ACRD方法的平均F值比TSDD方法高出12%,比FD方法高出7%。

进一步分析显示,ACRD方法的平均召回率达到0.94,平均精确率为0.99,表明其在应对欠分割和过分割问题时具有较强的鲁棒性,基于树干点云定位的树木提取策略准确性较高。相比之下,TSDD方法平均召回率为0.80,平均精确率为0.97;FD方法平均召回率为0.86,平均精确率为0.97,存在显著的漏检问题。

郁闭度分析表明,TSDD方法和FD方法在中高郁闭度下表现较差,受限于初始参数依赖和种子点误判,而ACRD方法在处理中高郁闭度林分时仍有较高的分割精度。从点云完整度看,郁闭度越高三种方法的C值越小,呈负相关,三种方法的平均C值分别为0.77、0.82和0.93,其中ACRD方法的正确分割率超过90%,点云完整度较高。

3 结论

选择郁闭度不同的5 块林区样地,针对固定参数聚类方法难以对梯度郁闭林单木点云高精度分割的问题,提出了自适应聚类半径的DBSCAN方法(ACRD)开展单木分割实验,并与基于距离判别的树木分割方法(TSDD)和固定聚类半径的DBSCAN方法(FD)进行对比分析,得出如下结论。

(1)在5 个典型样地中,ACRD方法的平均召回率r为0.94、平均精确率p为0.99、平均F值达到0.96,表明在冠层密集、枝干交错等复杂场景下仍具良好鲁棒性与分割稳定性,对单木点云精细分割具有较高的可行性。

(2)随森林郁闭度不断增大,TSDD和FD方法的识别率R与点云完整度C下降明显,而ACRD方法在高郁闭度(0.72~0.79)样地中仍保持平均识别率R为0.92、平均F值为0.95、平均点云完整度C达到0.91,整体分割性能优于对比方法,适应性与稳定性更强。

(3)在高郁闭度条件(样地4和5)下,ACRD方法的平均识别率R相较于TSDD与FD方法分别提升了8.5%和9.5%,平均F值分别提升了12%和7%。在样地5中,ACRD方法相较于TSDD和FD方法提取的树木总数分别增加了13 株和16 株,充分证明自适应半径可有效缓解固定参数或距离阈值导致的欠/过分割,提高边界保持与结构连续性。

(4)自适应聚类半径策略显著提升单木提取的完整性与准确性,平均点云完整度C达到0.93,可为梯度郁闭林大范围精细化调查与后续冠层参数和株数统计等林分参数反演提供重要参考。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Siepielski M A, Morrissey B M, Buoro M, et al. Response to comment on precipitation drives global variation in natural selection[J]. Science, 2018, 359(6374): e5760.

[2]	魏晓博, 李志强, 陈昭光, 等. 基于无人机激光雷达的不同种类红树林单木分割[J]. 科学技术与工程, 2024, 24(3): 963-969.

[3]	Wei Xiaobo, Li Zhiqiang, Chen Zhaoguang, et al. Study on single tree segmentation of mangrove trees of different species based on UAV LiDAR[J]. Science Technology and Engineering, 2024, 24(3): 963-969.

[4]	Zhao K G, Suarez C J, Garcia M, et al. Utility of multitemporal lidar for forest and carbon monitoring: tree growth, biomass dynamics, and carbon flux[J]. Remote Sensing of Environment, 2018, 204: 883-897.

[5]	王良松, 李宁, 王成, 等. 基于机载LiDAR的树冠形态特征因子对单木生物量估算的影响[J]. 科学技术与工程, 2024, 24(31): 13304-13311.

[6]	Wang Liangsong, Li Ning, Wang Cheng, et al. Effect of canopy morphological characteristics on individual tree biomass estimation based on airborne LiDAR[J]. Science Technology and Engineering, 2024, 24(31): 13304-13311.

[7]	朱宁宁, 杨必胜, 董震. 基于遥感的森林碳储量显式计算模型[J]. 测绘学报, 2024, 53(1): 36-49.

[8]	Zhu Ningning, Yang Bisheng, Dong Zhen. The explicit model of forest carbon storage based on remote sensing[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(1): 36-49.

[9]	武晓康, 王浩宇, 冯宝坤, 等. 基于无人机LiDAR的单木生物量估测[J]. 科学技术与工程, 2022, 22(34): 15028-15035.

[10]	Wu Xiaokang, Wang Haoyu, Feng Baokun, et al. Individual tree biomass estimation based on UAV airborne LiDAR[J]. Science Technology and Engineering, 2022, 22(34): 15028-15035.

[11]	刘清, 朱宁宁, 余万东, 等. 一种林区无人机和地基点云的自动化配准方法[J]. 地理空间信息, 2022, 20(5): 96-101.

[12]	Liu Qing, Zhu Ningning, Yu Wandong, et al. A method for automatic registration of unmanned aerial vehicle and terrestrial laser scanning point clouds in forest areas[J]. Geospatial Information, 2022, 20(5): 96-101.

[13]	Dai W X, Yang B S, Dong Z, et al. A new method for 3D individual tree extraction using multispectral airborne LiDAR point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 144: 400-411.

[14]	Chen X Y, Yu K Y, Yu S H, et al. Study on single-tree segmentation of Chinese fir plantations using coupled local maximum and height-weighted improved K-means algorithm[J]. Forests, 2023, 14(11): 2130.

[15]	郭继富, 孙建宇, 候金亮, 等. 基于UAV-LiDAR点云数据的西北云杉单木分割算法研究[J]. 遥感技术与应用, 2025, 40(1): 156-166.

[16]	Guo Jifu, Sun Jianyu, Hou Jinliang, et al. Research on single-tree segmentation algorithm for Northwest spruce based on UAV-LiDAR point cloud data[J]. Remote Sensing Technology and Application, 2025, 40(1): 156-166.

[17]	李阳, 许洪波, 凌成星, 等. 背包激光雷达单木分割与单木材积估测方法研究[J]. 遥感技术与应用, 2025, 40(3): 568-581.

[18]	Li Yang, Xu Hongbo, Ling Chengxing, et al. Research on the method of individual tree segmentation and individual tree volume estimation using backpack LiDAR[J]. Remote Sensing Technology and Application, 2025, 40(3): 568-581.

[19]	Kaisen M, Chen Z X, Fu L Y, et al. Performance and sensitivity of individual tree segmentation methods for UAV-LiDAR in multiple forest types[J]. Remote Sensing, 2022, 14(2): 298.

[20]	Lino C, Joaquín M, Henrique L, et al. Individual tree segmentation method based on mobile backpack LiDAR point clouds[J]. Sensors, 2021, 21(18): 6007.

[21]	朱泊东, 罗洪斌, 金京, 等. 高郁闭度人工林无人机激光雷达单木分割方法优化[J]. 林业科学, 2022, 58(9): 48-59.

[22]	Zhu Bodong, Luo Hongbin, Jin Jing, et al. Optimization of individual tree segmentation methods for high canopy density plantation based on UAV LiDAR[J]. Scientia Silvae Sinicae, 2022, 58(9): 48-59.

[23]	Zheng J J, Xiang M, Zhang T, et al. An improved adaptive grid-based progressive triangulated irregular network densification algorithm for filtering Airborne LiDAR Data[J]. Remote Sensing, 2024, 16(20): 3846.

[24]	Yun T, Jiang K, Li G C, et al. Individual tree crown segmentation from airborne LiDAR data using a novel Gaussian filter and energy function minimization-based approach[J]. Remote Sensing of Environment, 2021, 256: 112307.

[25]	Xue J K, Shen B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.

[26]	Yin H, Zhang W, Lu C W, et al. Rapid characterization of high-steep slope rock mass integrity using fractal dimension of thermal infrared point cloud[J]. Engineering Geology, 2025, 354: 108161.

[27]	孔丹, 庞勇, 梁晓军, 等. 基于分层叠加的机载 LiDAR 点云单木分割[J]. 林业科学, 2024, 60(3): 87-99.

[28]	Kong Dan, Pang Yong, Liang Xiaojun, et al. Individual tree segmentation of airborne LiDAR point cloud based on layer-stacking method[J]. Scientia Silvae Sinicae, 2024, 60(3): 87-99.