林业碳汇项目(乔木林)在中国和国际市场上成交，对碳达峰碳中和起到了重要作用^[1-2]。新疆正在开展大规模的国土绿化行动，提升荒漠植被的碳汇能力^[3]。新疆荒漠植被碳储量丰富，具有巨大的碳汇潜力^[4-5]。梭梭是一种典型的荒漠灌木，具有重要的生态功能，可以通过光合作用吸收大量的二氧化碳，为荒漠地区提供重要的碳汇服务^[6-7]。梭梭树高和冠幅等参数是反映生长状况和生物量的重要指标^[8]，梭梭单木参数提取是研究荒漠植被碳汇方法学的基础，有助于评估其对荒漠植被碳汇的重要贡献。

由于荒漠腹地可及性差、极端干旱和高温等恶劣环境条件，导致野外工作非常困难，破坏性的采样也会加剧荒漠化的风险^[9]。梭梭分布稀疏，在光学遥感影像中的反射信号很弱，难以与土壤背景区分，从而影响生物量估算的精度^[10-12]。梭梭分枝多，部分梭梭无明显主干，外部形态复杂多样，使得单木参数提取变得较为困难^[13]。Xu等^[14]利用无人机影像获取了梭梭的单木位置，但没有进行单木分割及参数提取。有研究利用智能手机图像获取梭梭树高、侧面宽度等信息，但由于近地面分枝多不易与地面区分，影响了提取结果，且在梭梭密集区不易进行拍照^[15]。因此，需要更合适的方法提取荒漠梭梭的单木参数。

近年来，激光雷达技术(light detection and ranging，LiDAR)在森林单木参数提取和生物量估算中已经得到了广泛的研究和实践^[16-17]。LiDAR技术可以获取森林冠层的水平和垂直结构信息，从而提取出单木的树高、冠幅等信息。单木分割是单木参数提取的前提。目前，被广泛应用的单木分割算法有2种。一种是基于冠层高度模型(canopy height model，CHM)分割，这种算法先将点云栅格化生成CHM，再利用分水岭算法、局部最大值法、区域增长法等算法提取单木参数^[18]。另一种是基于点云的空间聚集性，利用K-means、Meanshift算法、基于空间距离等算法直接在归一化点云上进行分析^[19-20]。另外，人工智能的发展，使得深度学习等算法在点云单木分割中取得了良好效果。然而，这些基于深度学习的方法需要大量的人工标注数据来训练模型，对于不同的树种和区域植被，需要重新训练模型，因此其普适性较差，训练成本也较高^[21-22]。

提高单木分割精度(accuracy of segmentation，SA)，尤其是树种多样、形态不一的复杂林分，如何提高单木分割准确性一直是一个挑战。研究发现单一分割算法不具有普适性，森林的类型和复杂程度会影响分割结果的准确性。Ma等^[23]研究了CHM分割和点云分割方法在易、中、难3种林分中的适用性，发现点云分割优于CHM分割。CHM主要描述冠层上部，但对下部和垂直剖面信息描述不足，且插值方法和格网间距选择可能导致空间误差和不确定性，影响表面平滑度控制，引起树高估计偏差^[22-24]。而直接利用点云数据进行单木探测，可以提高冠层上部和次生冠层的探测准确率，基于空间距离的分割方法避免了CHM分割的误差。此外，在冠层重叠的密集林区，分割效果不理想。王濮等^[24]采用图割方法在密集的针叶林中实现了较高精度的单木分割，减少了单木的漏识。Qin等^[25]使用LiDAR数据分离出单个树木，并结合高光谱数据估算出森林生物量，研究表明LiDRA获取的结构信息和高光谱获取的光谱信息可以互补性提高碳储量的估算。因荒漠灌木在森林生态系统中生物量相对较小，LiDAR技术多应用在大型乔木林中^[26-27]，而在荒漠灌木林中的研究较少，需要进一步探索。

因此，本研究尝试将LiDAR数据应用于荒漠梭梭灌木林，探讨使用无人机LiDAR点云数据识别单棵梭梭的可能性，并结合实测数据评估其提取梭梭树高和冠幅的潜力。

1 数据与方法 1.1 研究区

研究区位于新疆古尔班通古特沙漠南缘，范围为44°21′~44°38′N，87°46′~88°2′E(图 1)。研究区为典型的温带干旱荒漠，干燥、少雨且蒸发量大^[25]。研究区内以梭梭属植物为优势树种，植被盖度为20 % ~45 %，梭梭密度为110~490株/hm²，梭梭树高0.4~6 m，大部分在2 m左右，很好地代表了干旱区荒漠稀疏植被和荒漠灌木林^{[5, 26]}。研究区内共有6处样地(图 1)：样地1和2位于沙漠南缘，靠近绿洲；样地3、4和样地5、6分别位于距沙漠南缘10 km处和20 km处。这6个样地很好地代表了沙漠中梭梭的不同生长情况。

1.2 数据收集 1.2.1 样地实测数据

野外样地实测数据收集于2023年5月30日至6月2日。使用林业罗盘仪和花杆确定样地边界后，用木桩和红绳标记样地，样地大小为30 m×30 m(水平投影)。因为梭梭分布杂乱无序，在野外调查时将每个样地分为9个10 m×10 m的小样地(图 1)，以便于记录样地内梭梭的位置分布。对样地的梭梭进行每木检尺，记录每棵梭梭的位置分布、地径、树高、冠幅等数据(表 1)。

1.2.2 无人机LiDAR数据获取及预处理

2023年8月获得梭梭林的LiDAR点云数据。使用搭载ZENMUSE L1一体化激光负载的大疆MATRICE 300 RTK无人机对研究区梭梭林样地进行航飞拍摄，激光旁向重叠率设为70 %，相对起飞点飞行高度70 m，速度2.5 m/s。采用单回波模式，最终获得的原始LiDAR数据的平均点云密度为2 500个/m²。

首先利用大疆智图软件将LiDAR点云数据融合光学影像数据生成真彩色点云。在LiDAR360软件中进行点云预处理，包括点云去噪和地面点分类。无人机在采集数据的过程中，往往会收集到一些孤立点，也被称为噪声点，将对研究结果造成一定的影响^[21]。对于原始LiDAR数据，采用基于空间距离的算法^[28]去除噪声点，以保证研究的精度。为了生成CHM，需要将点云中地面点与非地面点分离。采用改进的渐进加密三角网滤波算法^[29]将LiDAR数据分为地面点和植被点。由于样地地形起伏不大，故设置迭代角度为8°、迭代距离为1.4 m。

1.3 方法 1.3.1 样地分级

在野外实地调查的基础上，根据梭梭生长情况，包括形态结构、丛生程度、树高、冠幅、郁闭度等^[27-28]，将研究区的6个样地分为3个等级(图 2，示例样地为10 m×10 m)。Ⅰ级(样地1、2)距离绿洲最近，梭梭生长茂密，树冠大且生长杂乱，树冠间交错重叠，从点云剖面图中难以区分树冠边界；Ⅱ级(样地3、4)梭梭生长茂密程度和树高次于Ⅰ级样地，长势中等，大部分树冠独立；Ⅲ级(样地5、6)位于沙漠腹地，梭梭呈半枯状态，树高和树冠较小，树冠独立。

1.3.2 不同空间分辨率的CHM生成

为研究不同空间分辨率对荒漠梭梭林单木分割的影响，测试了0.1、0.25、0.5、1 m共4种不同空间分辨率的单木分割率。考虑到样地内梭梭平均树冠值最小约1 m，0.5 m分辨率用于描述梭梭树冠可能仍然较为粗糙。因此，选择1 m作为最粗的空间分辨率，通过加倍分辨率选择较精细的0.5、0.25和0.1 m的分辨率。

CHM是表示地表包括建筑物、树木和杂草等物体高度的高度模型，消除了地形起伏对树木高度的影响，能直观地反映冠层的水平及垂直分布情况，是反演树高、冠幅、林分郁闭度、林分株数、林分蓄积量等森林参数的基础^[18]。CHM可以由数字表面模型(digital surface model，DSM)和数字高程模型(digital elevation model，DEM)差值运算得到。在对LiDAR数据进行预处理的基础上，基于地面点生成0.1、0.25、0.5和1 m这4种分辨率的DEM，基于植被点生成对应的4种不同分辨率的DSM，基于上述4种不同分辨率的DEM与DSM，生成4种分辨率的CHM。

数据处理时，CHM由不同空间分辨率下采用不同插值方法生成的DSM与同一DEM作差得到。LiDAR360软件中包含克里金插值、反距离权重插值、不规则三角网插值等常用的3种插值方法。克里金插值通过优化协方差和使用高斯过程进行插值^[30]。这个过程可以看作是对未知区域变量的期望值进行加权滑动平均，然后将这个值作为栅格单元的值。反距离权重插值则是根据相近相似的原理，利用附近的点计算栅格单元的值，其中权重是根据点到栅格单元中心的距离的倒数来计算的，距离越近的点权重越大^[31]。不规则三角网插值则是根据地面点数据生成的不规则三角网，推导出每个三角形的双变量函数，然后用这个函数估计未采样位置的值，每个生成的三角形平面都用于插值^[32]。克里金插值适用于地形起伏较大的区域，且点云密度较大时，反距离权重和克里金插值的变化不大^[31-33]。因此，本研究对比分析了反距离权重插值和不规则三角网插值方法，优选适合梭梭单木分割的CHM插值方法。基于反距离权重插值的各样地不同空间分辨率的CHM如图 3所示。

1.3.3 单木分割算法

本研究采用一种基于CHM生成种子点的点云分割方法。首先，对CHM进行高斯平滑处理，去除噪声点的影响；对于每个样地，将窗口半径设置为各自平均冠幅的大小。根据各样地实测单木树高的最大和最小值，设定种子点提取树高阈值(如样地1阈值为0.5~4 m)，排除了超出梭梭高度阈值范围的值(即高于或低于该阈值的不被认定为树木)，从而确定梭梭的分布范围；接着，搜索冠层范围内局部最大值，进而得到种子点^[34]。在此基础上，采用面向点云的距离判断聚类算法来提取单木的空间信息和冠幅数据。其基本原理是从最高点至最低点进行迭代分类，除去大于指定阈值的点，根据间距临界值和最小间距规则对小于阈值的点进行分类^[35]。研究中，间距临界值设置为各样地平均冠幅半径大小；根据实测数据设置最小树高值，以提取参与分割的点云和最低能识别的单木高度。最终，获得点云分割结果和单木树高、冠幅等信息。

以分割出来的树顶点的点云高度作为树高；冠幅的计算基于点云中分离出每棵树，将单棵树的点云投影到平面上，计算投影区域的凸包或凹包，即可得到树冠投影面积，将与树冠面积相同的圆的直径作为冠幅^[36-37]。

1.3.4 精度评估

如果一棵树被正确分割，则称为正确分割；如果一棵树没有被分割，而是被分配给附近的一棵树，则称为未被检测；如果树不存在，但从点云中分割出来，则称为错误检测。这3种情况被分别归类为正确分割、欠分割和过分割^[38]。通过与地面实测值比较，目视解译分别记录分割得到的正确分割棵数、过度分割棵数、欠分割棵数。在本研究中，梭梭分割的正确性使用SA来量化^[39]。SA为正确分割的梭梭数量与实测梭梭数量的比值。为了验证树高和冠幅的提取精度，将提取值与实测值进行线性拟合，用决定系数R²、均方根误差(root mean squared error，RMSE)进行评价。

$ \mathrm{SA}=\frac{n}{N}, $

(1)

$ R^2=1-\frac{\sum\nolimits_{i=1}^n\left(y_{\mathrm{obs}}-y_{\mathrm{est}}\right)^2}{\sum\nolimits_{i=1}^n\left(y_{\mathrm{obs}}-\bar{y}_{\mathrm{obs}}\right)^2}, $

(2)

$ \text { RMSE }=\sqrt{\frac{\sum\nolimits_{i=1}^n\left(y_{\mathrm{obs}}-y_{\mathrm{est}}\right)^2}{n}} . $

(3)

式中：SA为单木分割精度，n为正确分割的梭梭数量，N为样地实测梭梭棵数量；R²为决定系数，越接近1表示模型的拟合程度越好；RMSE为均方根误差，越小表示模型预测精度越高；y_obs为野外实测的单木参数，y_obs为野外实测参数的均值，y_est为lidar提取的单木参数。

2 结果与分析 2.1 CHM插值方法对单木分割结果的影响

为了得到更精确的单木分割结果，尽可能减小CHM插值方法的影响，对比分析采用反距离权重插值和不规则三角网插值生成CHM的单木SA(表 2)。

对于Ⅰ级样地，仅当空间分辨率为1 m时，不规则三角网插值生成CHM的单木SA高于反距离权重插值法；在0.1、0.25、0.5 m分辨率下，反距离权重插值法生成CHM的单木SA要远高于不规则三角网插值法。对于Ⅱ级样地，只有0.1 m分辨率下，不规则三角网插值法生成CHM的SA高，其余均是反距离权重插值生成CHM的SA较高。对于Ⅲ级样地，4种空间分辨率下反距离权重插值法生成CHM的SA均优于不规则三角网法。总之，12组数据对比，只有2组以不规则三角网插值法生成CHM的单木SA较高，且与反距离权重生成CHM的SA差距不大，最终优选反距离权重插值法。在以下的单木分割结果分析中，均是基于反距离权重插值生成CHM进行分割的。

2.2 荒漠梭梭林单木分割结果分析

表 3总结了4种不同空间分辨率下3级样地的单木分割结果，每级样地都选择2块样地以验证结果的可靠性。雷达图(图 4)外边界代表更高的单木SA，Total代表 3级样地的整体水平。当分辨率为0.25 m时，单木分割的精度是最高的。考虑3个样地的梭梭生长情况，Ⅲ级样地的SA最高。

由图 4可知，对荒漠梭梭林进行单木分割的最优空间分辨率是0.25 m。对于Ⅰ级样地，SA_0.25>SA_0.5>SA_0.1>SA₁，0.25 m空间分辨率下单木SA比0.5和0.1 m分辨率下高16 %，比1 m分辨率下SA高26 %；但整体上，Ⅰ级样地在各空间分辨率下的SA都较差。对于Ⅱ级样地，SA_0.25>SA_0.5>SA_0.1>SA₁，0.25 m分辨率下SA比0.5 m分辨率高6 %，比0.1和1 m分辨率高32 % 以上；各空间分辨率下，Ⅱ级样地单木SA高于Ⅰ级样地。对于Ⅲ级样地，SA_0.25>SA_0.1>SA_0.5>SA₁，0.25 m分辨率下SA比0.1 m分辨率高23 %，比0.5 m分辨率下高38 %，比1 m分辨率下高70 % 以上；各空间分辨率下，Ⅲ级样地SA较高。

单木分割结果如图 5所示。无论哪个样地，当空间分辨率变粗时，欠分割现象严重，主要是由于梭梭高差变化不明显。总体上，当分辨率从1 m增加到0.1 m时，欠分割梭梭从211棵减少到3棵(表 3)，欠分割程度降低，因为更精细的分辨率解释了更多的高度变化。同时，过分割梭梭也从8棵增加到171棵，这是因为像素被误识别为树冠边界。图像的空间分辨率越高，树冠的细节就越清晰，从而可为单木分割提供更详细的信息。随着空间分辨率的降低，图像所代表的树冠边界变得模糊，单株树木的分割结果逐渐降低。一般，我们期望更高的分辨率能够产生更高的精度。然而，本研究中CHM在0.25 m空间分辨率下，比0.1 m空间分辨率具有更高的SA。这是因为，当分辨率较高时，树冠内部和高度变化差异不大，造成过分割现象。

总之，对于3级样地，均在0.25 m空间分辨率下达到最高的SA；Ⅲ级样地的SA最高，优于Ⅱ级样地27 %、Ⅰ级样地44 %；Ⅱ级样地的SA优于Ⅰ级样地17 %，Ⅰ级样地的SA最差。这一结果表明树冠独立的梭梭可以得到更准确的分割，树冠的交错重叠使得单木难以分割。总的趋势是完全或部分树冠独立，梭梭长势较好时SA较高；而当梭梭生长茂密且杂乱，树冠间相连严重时，SA降低。

2.3 荒漠梭梭林单木树高和冠幅提取结果分析

通过上述分析，0.25 m空间分辨率下梭梭的SA最高。此外，对比不同分辨率下已准确分割的单木发现，不同分辨率可以提取到不同位置的梭梭。基于野外实测的单木参数，评估0.25 m空间分辨率以及各分辨率综合提取梭梭单木参数的能力。在0.25 m分辨率和综合分辨率下，每级样地中的2块样地精度差异不大，表明本研究得到的结果具有一定的可靠性。最终，各级样地的树高与冠幅提取精度如图 6所示。

0.25 m空间分辨率下，Ⅰ、Ⅱ、Ⅲ级样地树高的模型拟合R²分别为0.73、0.76、0.70；综合情况下，Ⅰ、Ⅱ、Ⅲ级样地树高的拟合R²分别为0.84、0.79、0.83，优于0.25 m空间分辨率下的模型拟合效果。从RMSE来看，Ⅲ级样地提取值与实测值的误差最小，RMSE为0.21 m，而Ⅰ级样地和Ⅱ级样地的RMSE为0.30 m左右，误差比Ⅲ级样地高0.1 m。通过分析比较，综合各分辨率提取各样地梭梭树高值精度较高，R²可达0.80，且误差较小。

对于冠幅，0.25 m空间分辨率下，Ⅰ、Ⅱ、Ⅲ级样地的拟合R²分别为0.74、0.72、0.27，综合各分辨率下的拟合R²分别为0.79、0.70、0.44。2种结果对比表明，综合各空间分辨率并没有显著提高模型的拟合效果。2种情况下，Ⅲ级样地的冠幅提取精度都较差，可能与梭梭树冠较小、干枯等生长情况有关。然而，在树冠重叠严重的Ⅰ级样地，冠幅提取效果最好，在0.25 m空间分辨率下，R²可达0.79。Ⅰ级和Ⅱ级样地冠幅提取的RMSE分别为0.49和0.46 m，误差略高。

Ⅰ级样地虽然树冠交错重叠使得单木SA较低，但冠幅的参数提取结果却是最优的；相反，Ⅲ级样地虽树冠独立，SA较高，但冠幅的提取精度低。冠幅提取误差可能来源于3个方面：一是梭梭树干和枝条的形状复杂、布局稀疏，可能导致点云数据的不完整或者误差，从而使得提取冠幅误差较高；二是在单木分割和参数提取时，多以样地水平的平均冠幅作为经验值设置窗口大小。但由于梭梭灌木分布的不规律和复杂性，样地内梭梭单木间距不等，且冠幅大小及形态差异较大，一定程度上会降低冠幅提取的精度；三是由于测量人员的不同，地面实测也可能存在误差。

3 结论

本研究将无人机LiDAR数据用于荒漠梭梭林，对比分析不同空间分辨率及不同生长情况对荒漠梭梭林单木分割结果的影响，得出以下结论：1)图像空间分辨率是影响梭梭林单木SA的关键因素。较低的空间分辨率使树冠模糊，导致分割不足；较高的空间分辨率过度关注细节信息，导致过分割。在本研究中，0.25 m空间分辨率下荒漠梭梭林的单木分割效果最优。2)梭梭的生长情况也是影响SA的重要因素。Ⅲ级样地的SA最高，优于Ⅱ级样地27 %、Ⅰ级样地44 %，Ⅰ级样地的SA最差。树冠交错重叠严重影响了单木分割，独立树冠更容易进行准确分割。3)梭梭树高的提取精度较高，树高拟合R²可达0.80左右，RMSE小于0.31 m。Ⅰ级样地和Ⅱ级样地冠幅拟合R²在0.70左右，RMSE为0.46~0.49 m。Ⅲ级样地枝冠干枯且树冠较小，导致冠幅的提取精度较差。

以上结论表明了应用无人机LiDAR对干旱区荒漠梭梭林进行单木分割的巨大潜力。因为梭梭林树冠丛生，树冠重叠，形态结构复杂加剧了单木分割的困难。事实上，在野外实地调查时，有时也难以找到梭梭的树冠边界。即使是独立的梭梭，由于其树枝严重弯曲，形态不一，使得欠分割或过分割误差较高，也导致参数估算的高误差。而且，本研究是对干旱区荒漠灌木进行单木分割的初步尝试。在近几十年研究中，北方乔木的单木SA也是从低到高逐步发展的。因此，未来有望进一步提高梭梭的SA。另外，研究中通过LiDAR数据提取的树高参数精度较高，可以用来估算梭梭林生物量。

荒漠植被碳汇是碳中和不可或缺的一部分，而荒漠植被碳中和计量缺少系统的方法学和基础数据。本研究是使用无人机LiDAR数据对荒漠梭梭林进行单木分割的初步尝试，研究方法为干旱区荒漠植被碳汇计量方法的研发奠定了基础，研究结果为荒漠植被碳汇核算提供了基础数据。未来研究将着重于提高梭梭单木分割及参数提取精度，结合梭梭的形态结构，融合多源数据以优化分割算法。