激光点云技术可用于苗圃树木生长状态监测与管理，为农业植保机器人提供有效的靶标信息。为了进一步提高树种分类和树冠、树干内部分割的精准性，提出一种基于改进PointNet++的激光点云苗圃树木分类与分割方法。首先，调整PointNet++深度网络邻居点云的相对特征值，同时融合三维点云的低维和高维特征，充分利用各层级点云的特征。然后，将坐标注意力模块与注意力池化融合，进一步增强局部特征提取的能力，提高分类和分割的准确性。最后，针对苗圃常见树木自制了包含7类苗圃景观树木点云的数据集并用于实验。实验结果表明，提出的树种识别方法总体精度可达92.50%，平均类别精度为94.22%；提出的树冠、树干分割方法的平均交并比为89.09%。所提方法在分类和分割性能方面均明显优于经典的PointNet和PointNet++，能够为苗圃树木检测识别和农业机器人作业提供更精确的信息。

为探索采用无人机（UAV）遥感影像进行亚热带树种识别的应用潜力，提出一种结合残差模块和有效通道注意力的网络（ECA-ResNet）对单木树冠影像数据集进行模型训练和识别。首先，利用单木分割算法提取单木树冠，构建不同尺度的UAV可见光影像单株树冠影像块样本数据集，并将其划分为训练数据、验证数据和独立测试集；其次，以ResNet50为主干网络，在瓶颈层插入有效通道注意力并调整网络结构，构建ECA-ResNet；最后，将数据集载入预训练的ECA-ResNet模型，进行参数迭代训练和验证并进行独立测试，择优确定单木树冠的合适窗口大小。结果表明：ECA-ResNet对64×64像素的单木树冠影像数据集中树种的识别效果更为理想，训练精度和验证精度分别达98.98%和96.60%，独立测试识别精度、Kappa系数分别达85.61%、0.8140；ECA-ResNet模型的训练、验证、独立测试精度分别高于ResNet50网络2.63个百分点、1.80个百分点、5.31个百分点。该研究结果证明卷积神经网络（CNN）能够充分提取可见光图像的空间特征，有效通道注意力能够有效提升CNN的单木树种识别能力。

从高分辨率遥感影像中提取单木树冠信息能够有效提高森林资源的调查与管理水平;针对现有单木树冠提取方法对郁闭度较高的阔叶林提取精度低的问题,提出一种基于迭代H-minima改进分水岭算法的高分辨率遥感影像单木树冠提取方法;首先利用形态学开操作对图像进行平滑处理,采用Sobel算子提取梯度图像,并利用均值滤波进行去噪处理;然后利用一组h值在梯度图像上迭代识别树冠标记,利用虚假标记检测方法过滤无效标记;最后引入对称原则来限制分水岭算法的淹没过程,避免树冠标记过生长与无标记树冠合并;以高分辨率遥感影像作为数据源,同时采用传统的标记控制分水岭算法和所算法提取单木树冠,从单木位置和树冠轮廓两个方面,以及样地和单木两个尺度上对单木树冠提取的精度进行评价。结果表明:所提算法提取树冠的F测度为92.71%,比标记控制分水岭算法提高了31.99%;所提算法能够有效抑制过分割、减少欠分割,从而提高单木树冠的提取精度。

林木参数反演是森林资源管理与培育经营的关键环节。 迅速发展的激光探测与测量技术突破了传统测量方法, 可以快速的获取林木的空间三维信息, 在林业普查中具备高效率、 高精度的优势。 结合计算机图形学与图像学方法, 以中国最大的橡胶生产基地海南省儋州市长期受台风侵害下的两个不同品种橡胶林段(林段1 PR107, 林段2 CATAS7-20-59)为研究对象, 设计了面向离散激光点云的单株林木参数提取方法, 自动获取橡胶林木风害后的生物量指标。 首先, 通过人背负移动激光雷达获取林段点云数据并使用瑞利商求取台风造成的主枝干倾角, 以找寻每株橡胶树的树冠中心点。 其次, 对点云进行垂直投影, 并采用分水岭与Meanshift算法实现株株分离。 最后, 基于以上操作自动获取与实测值相近的林木参数, 例如冠幅、 冠径、 冠积、 叶面积密度、 叶面积分布以及主枝与分枝之间夹角等。 计算表明, 林段1与林段2东西冠幅分别为3.95和3.73 m, 与实测相差1.74%～6.27%; 林段1与林段2南北向冠幅分别为6.47和6.51 m, 与实测相差2.54%～4.02%; 林段1与林段2平均胸径分别为5.20和4.73 cm, 与实测相差0.64%～2.44%; 林段1与林段2平均冠积分别为168.01和141.80 m3, 与实测相差0.67%～0.85%; 林段1与林段2主枝干倾斜角分别为18.80°和13.11°, 与实测相差5.53%～7.09%; 林段1与林段2二级分支与主枝干的夹角分别为40.21°~69.23°和10.63°~32.14°, 它们相差62.63%; 林段1在不同天顶角下的叶面积指数均大于林段2。 通过对一定样本(150棵/每类林段)的分析结果与真实比对表明, 该方法对林木参数反演结果精度较高, 有效地评估了不同品种橡胶树在台风下的损伤度(如主枝干歪斜率、 叶面积密度及衰减分布)。 参数反演结果与实测值仅有8%的偏差, 此偏差主要由橡胶林分叶片稠密, 导致林分中叶面与枝干扫描数据获取缺失, 以及外界环境干扰如风力扰动、 点云拼接误差、 激光束发散率、 激光扫描范围等原因造成。 同时, 由于林段1(PR107)的橡胶树的主枝与分枝夹角、 冠积以及叶面积指数均大于林段2(CATAS7-20-59)的橡胶树, 导致林段1的橡胶树比林段的2橡胶树在台风侵害下更脆弱。 因此, 该研究可用于研究风力侵害对于不同森林地块的影响, 以及量化风害造成的生态系统紊乱的影响。 同时, 该方法解决了人背负激光扫描数据进行单株提取与林木参数反演的问题, 为激光测绘在林业中的应用提供了新思路。

植物冠层内光照分布决定了植物物理过程与生态环境之间的交互关系, 是植物冠层叶绿素荧光动力学研究的重要基础。 光谱技术在构建植株冠层组分含量的预测模型中发挥了重要的作用, 而针对自由纺锤形苹果树冠层不同光照区域的叶绿素荧光性状研究文献报道较少。 因此, 以自由纺锤形苹果树为研究对象, 将苹果树冠层空间划分为5层, 每层划分为边长50 cm的立方体网格, 并测定各个网格空间的光照强度, 确定其光照分布情况。 以此为基础, 获取不同光照区域的光谱数据及对应叶绿素荧光性状参数值, 通过光谱一阶微分去除系统误差干扰, 确定红边区域（660～760 nm）的一阶微分光谱曲线, 利用BP神经网络建立红光范围（680～760 nm）内一阶微分光谱最大值与叶绿素荧光性状参数关系模型, 创新性地提出了苹果树冠层不同光照区域的叶绿素荧光性状计算方法。 并采用决定系数、 均方根误差、 平均绝对百分比误差等对模型进行有效性评价, 试验结果表明: 该叶绿素荧光计算方法的计算精度均在80%以上, 研究成果可为苹果树的整形修剪, 获取充足光照分布提供理论依据。

在分析现存点云处理方法的特性后,通过改进三角网构网算法的算法机制,提出了一种基于空间分割的分块优先级机制的三角网表面重建算法,用于重构树冠表面,实现树冠体积的准确提取.通过可视化方法对比了多种算法的点云构网效果,以实验区选定的30棵树为研究对象,利用T-LiDAR获取树冠点云数据,通过人工方法、传统算法和本文的改进算法计算树冠体积,对这些结果进行了对比分析.分析发现: 四种方法之间均显示出较好的相关性(R2>=0.831), 其中所提出的改进Delaunay方法拥有理想的精度,较好稳定性和最少的耗费时间.实验结果表明,提出的算法在点云(尤其是T-LiDAR数据)树冠的体积提取中具有很大的优势.结合T-LiDAR数据还可以实现树冠表面积和生物量等树冠因子的高精度快速提取.

树冠投影面积和树冠体积是研究单木生物量估测、 三维绿量测算等的重要测量因子。 针对树冠结构复杂、 形态各异， 树冠因子难以精确测量等问题， 为实现单木树冠投影面积和树冠体积的自动提取和精准测量， 以三维激光扫描获取的树木点云数据为数据源， 运用平面散乱点集凸包算法——Graham扫描算法和不规则体切片分割累加算法， 以VC++6.0和Matlab 7.0混合编程， 实现树冠投影面积和树冠体积的自动提取。 以实验区选取具有代表性的22株不同树种的样木为研究对象， 并与传统人工测量方法进行了对比分析。 试验结果表明， 树冠投影面积人工测量（A4）结果与点云数据的自动计算（AV）结果相关性较好， r=0.964（p<0.01）， A4高于AV的平均值为25.5%。 近似规则几何体方法树冠体积测量（VC）结果与基于点云数据的自动计算（VVC）结果之间呈现较强的相关性， r=0.960（p<0.001）， VC低于VVC的平均值为8.03%。 该方法基于高精度单木点云数据， 实现了树冠结构的高精度快速重构、 单木树冠投影面积和树冠体积的无损自动提取， 可以为单木树冠结构的研究提供参考， 在精准林业领域具有推广应用价值。

构建了基于彩色相机和光学混合探测(PMD)相机的多源视觉系统，旨在建立具有真彩色信息的果树冠层三维点云模型，为果树的剪枝、疏花疏果和采摘等果园管理提供技术支持。针对PMD相机获取的目标场景三维点云，结合PMD相机的幅度图像和密度聚类算法提取有效点，利用前期研究的图像配准方法得到多源图像之间的坐标转换关系，完成了果树冠层多源信息融合。通过主成分分析法得到较好的初始位置，再采用最近点迭代算法，实现两组三维点云之间的拼接。对自然场景下的开花期和坐果期的果树冠层三维点云拼接方法进行了实验验证，结果表明多视角三维点云拼接误差为2.62 cm，可以较好地弥补单个角度下拍摄造成的数据缺失，实现了果树冠层完整的三维显示。

利用高光谱技术估测了苹果树冠层的磷素含量。先用ASD Field Spec 3型地物光谱仪测定了春梢停止生长期苹果树冠层的高光谱反射率，并对光 谱数据进行了多种变换处理。然后对其与磷素含量进行了相关分析，找出了与磷素相关性较显著的光谱参量，并通过逐步回归分析建立了磷素估测模型。结果表明，近红外波 段是苹果树冠层磷素的敏感波段；808 nm、921 nm、1195 nm、1272 nm及其组合的归一化红外光谱指数与苹果树冠层磷素高度相关。在构建的估测模型中， 以808 nm、921 nm、1195 nm、1272 nm及其组合的归一化红外光谱指数为自变量构建的高光谱估测模型的估测效果最佳。该研究实现了苹 果树冠层磷素含量的快速估测，同时也为苹果的实时营养诊断提供了理论依据。

分割算法的改进和特征空间的优化是采用面向对象技术提高退耕地树冠信息提取精度的关键, 也是利用高分辨率影像提取树冠信息急需解决的问题。 文章采用光谱阈值对QuickBird多光谱影像进行一级分割, 获得了植被区域, 并采用改进的基于边缘的算法对非线性滤波处理后的全色影像进行二级分割, 选取光谱、 形状和纹理特征组成的特征空间对退耕还林地树冠信息进行提取。 结果表明, 提取总体精度为84.67%, 较传统方法提高17%, KAPPA系数为0.795 3, 较传统方法提高0.168。 该研究方法能实现较为精确的树冠信息提取, 可为管理部门实施准确的监测提供依据, 对快速评价退耕还林效果具有重要意义。