森林垂直结构是陆地生态系统中重要的参数，提高遥感森林垂直结构的反演精度，对于提高森林生物量、叶面积指数估测精度和开展森林演替、碳循环、初级生产力研究具有重要意义。激光雷达技术是近年来国际上发展十分迅速的主动遥感技术，具有与被动光学遥感不同的工作机制，对植被空间结构和地形具有很强的探测能力，在森林参数的定量测量和反演上取得了成功的应用，特别是对森林高度和垂直结构的探测能力，具有传统光学遥感数据难以比拟的优势。机载激光雷达具有获取大区域森林垂直结构的能力，但是对林冠下层垂直结构描述不详细；地基激光雷达(terrestrial laster scanning，TLS)可以获取精细的森林垂直结构，尤其是林冠下层垂直结构，应用地基激光雷达可以提供一种快速、无破坏、自动的方式来获取如树干位置、胸径、树高、树冠尺寸等森林调查因子。

近年来，许多学者致力于TLS提取单木胸径与树高提取方法的研究。TLS数据获取近似于自下而上扫描，由于树干及枝叶的遮挡作用，与自上而下扫描的机载激光雷达相比，TLS对树高的估测精度有限。提取树高的一般方法是从DSM影像或者点云数据中单木所在位置一定半径范围内寻找最高点的高度，减去地面点高度，Maas等(2008)、Moskal等(2011)、Király等(2007)、Hopkinson等(2004)、Wezyk等(2007)对树高的提取误差分别为4.55，0.75，1.6，1.5和0.45 m。由于树高提取方法简单，因此其提取精度更多地与试验区林分状况及扫描设置有关。对于胸径的提取方法，主要有Hough变换算法(Chmielewski et al., 2010)、聚类及圆拟合算法(Bienert et al., 2007； Maas et al., 2008)、月牙法(Király et al., 2007)及圆柱体拟合算法(Pfeifer et al., 2004)，其中以栅格图像为输入数据的Hough变换算法较为常用。Hough变换算法识别单木位置并拟合胸径的步骤一般是： 首先分离地面点，生成DTM； 然后根据DTM将点云高程数据归一化到DTM上，去除地形对树高的影响； 最后将树干处某段数据分层后栅格化，用Hough变换检测每层树干并用圆拟合或椭圆拟合求树干直径(Aschoff et al., 2004)。国内外学者对使用TLS估测胸径进行了很多研究，估测精度较高，但是其研究对象大部分为林下条件简单的北方森林或者人工林(Maas et al., 2008； Litkey et al., 2008； Wezyk et al., 2007)。Maas等(2008)使用TLS估测森林样地中每木胸径，单木识别结果为97%，胸径估测结果的RMSE为1.8 cm，研究选取的样地大部分为成过熟林，与我国南方中幼龄林相比，林下灌草较少且株数密度小。由于树木的遮挡作用，TLS对林分环境复杂的天然林单木识别及胸径的估测结果较差。李丹等(2012)利用TLS从位于黑龙江省凉水自然保护区的红松(Pinus koraiensis)和白桦(Betula platyphylla)天然林中识别单木并估测胸径和树高，其中对红松和白桦的单木识别率分别为69.38%和77.39%，对胸径的估测结果较好(R²分别为0.91和0.87)，对树高的估测结果较差(R²分别为0.48和0.32)。TLS数据获取主要有单站获取及多站拼接2种方式。在样地中心架设扫描站可获取周围一定区域的树木信息，但是因为树木的遮挡，单站数据获取方式对树木的识别率较低；多站拼接数据获取依靠人为布设反射靶标将样地内外布设的多站扫描数据校正在一起，可更加精确获取样地树木信息。Liang等(2013)发展了一种利用多个单站扫描数据对森林自动干制图，与多站拼接扫描工作相比，减少了人为布设反射靶标及数据拼接处理工作，与单站扫描数据相比，提高了单木探测率，更能代表林分的真实情况。

本文以林分条件复杂的云南山区森林为研究对象，利用国内外较多使用的Hough变换算法识别单木并估测胸径，根据树干形态特征及林分实际情况，发展一系列方法剔除Hough变换算法在非树干区域拟合出的圆，提高单木识别与胸径估测精度，最终利用获取的树干多层圆心位置，拟合树干生长方向，结合树冠组分垂直分布信息获取单木树高。针对国际上较多用到的多站拼接、多个单站及单站TLS扫描3种数据获取方式，本文分别分析了这3种方式在林分条件复杂的云南山区森林的单木识别率、胸径估测结果及胸高断面积估测精度，为森林调查工作提供参考。

研究区地处云贵高原西南缘、横断山脉的无量山南部，山地面积占总面积多达98%，海拔在1 000～1 500 m之间，地形起伏较大，为典型的高山地貌。气候类型复杂多样，主要受亚热带高原季风气候影响，降水量丰沛但季节分配极不均匀，表现为5—10月降水量占全年降水量的86.9%，年降水量在1 200 mm以上。年平均气温为20.3～22.6 ℃，≥10 ℃年活动积温7 326～8 176 ℃，稳定通过18 ℃的日数大于270天，年平均日照时数为1 875.2～2 228.9 h。全年无霜、长夏无冬，夏半年高温多雨、冬半年温暖多雾，温湿有效性高，为植被创造了优越的生长条件。研究区内人工林树种主要是思茅松(Pinus kesiya var.langbianensis)，天然林树种繁多。按中国植被区划，研究区属于西部亚热带常绿阔叶林和西部热带季雨林、雨林区，其中太阳河自然保护区保存着大量典型完整的原始季风常绿阔叶林。研究区内主要树种有短刺栲(Castanopsis echidnocarpa)、木荷(Schima superba)、西南桦(Betula alnoides)、青冈(Cyclobalanopsis glauca)、石栎(Lithocarpus glaber)、水青树(Tetracentron sinense)、乌饭(Vaccinium bracteatum)、思茅松。

本研究所用TLS设备为Trimble TX8，是一款较为轻便的地基激光扫描测量仪器，采用窄的红外激光束快速扫描机制，提供快速、非接触的数据获取，其主要性能指标见表 1。

表1 Trimble TX8的性能指标 Tab.1 Performance index of the Trimble TX8

表 1Trimble TX8的性能指标 Tab.1 Performance index of the Trimble TX8 性能指标Performance index 指标值Index value 一站扫描时间Scan duration/min 2 3 10 14 最大扫描距离Max. range/m 120 120 120 340 30 m处点间隔Point spacing at 30 m/mm 22.6 11.3 5.7 扫描镜旋转速度Mirror rotating speed/(r·min-1) 60 60 30 16 激光点数Number of points/million 34 138 555 312 扫描角度范围Field of view V: 317° H: 360° 激光脉冲重复频率Measurement rate/MHz 1 最小距离Min. range/m 0.6 激光波长Laser wavelength/nm 1 500 波束发散角Laser beam divergence/μrad 80

TLS数据采集时间为2013年12月，共扫描5块样地共25站数据。每块样地一般扫描5站，其中样地中心1站，扫描模式为10 min； 样地边缘4站，扫描模式为3 min。扫描站分布情况如图 1所示，底图为样地CHM，红色五角星为扫描站，样地为半径为15 m的圆形样地。

	图1 一个样地的扫描站分布 Fig.1 The distribution of scan stations in one plot

在TLS数据获取的同时，对每块样地中胸径大于5 cm的乔木进行每木检尺，并用全站仪确定其位置，5块样地共调查571株树，样地基本情况如表 2所示。从表 2可知，除S5样地为人工林外，其余4块样地均为天然林，样地内树种较多。其中S1样地位于云南省太阳河自然保护区，样地内树种多达20种，图 2为S1样地预览。

表2 样地基本情况 Tab.2 The general parameters of sample plots

表 2样地基本情况 Tab.2 The general parameters of sample plots 样地号 ID 样地类型 Type 林下条件 Understory Conditions 优势树种 Dominant species 株数 Number of trees 面积 Area/ m2 坡度 Slope/(°) S1 天然林，阔叶林 Natural&broad- leaved forest 灌木较多，通视较差 Poor intervisibility with many shrub 木荷 Schima superba 135 606 13.4 S2 天然林，针阔混交林 Natural& mixed forest 灌木较多，通视较差 Poor intervisibility with many shrub 思茅松 Pinus kesiya var. langbianensis 145 886 18.5 S3 天然林，针阔混交林 Natural& mixed forest 灌木较多，通视较差 Poor intervisibility with many shrub 思茅松 Pinus kesiya var. langbianensis 142 770 19 S4 天然林，针阔混交林 Natural& mixed forest 灌木较多，通视很差 Particularly poor intervisibility with dense shrub 思茅松 Pinus kesiya var. langbianensis 57 586 35 S5 人工林，针叶林 Natural& coniferous forest 灌木较少，通视较好 Good intervisibility with less shrub 杉木 Cunninghamia lanceolata 92 755 31

	图2 S1 样地预览 Fig.2 The preview of S1 plot

采集的TLS原始数据经拼接、坐标转换后输出las文件，然后进行样地内单木位置与胸径提取，具体技术路线见图 3。

	图3 TLS 样地单木位置与胸径提取流程 Fig.3 The workflow for extracting individual tree locations and DBH

Hough变换是图像处理中从图像中识别几何形状的基本方法之一，其所实现的是一种从图像空间到参数空间的映射关系，实质是将图像空间内具有一定关系的像元进行聚类，寻找能将这些像元用某一解析形式联系起来的参数空间累积对应点。Hough变换的基本原理在于利用点与线的对偶性，将原始图像空间给定的曲线通过曲线表达形式变为参数空间的一个点，这样就将原始图像中给定曲线的检测问题转化为寻找参数空间中的峰值问题，也即将检测整体特性转化为检测局部特性，如直线、椭圆、圆、弧线等。

使用Hough变换时，通过一种“投票”的方式探测形状，将激光回波点转换为所探测形状的参数，这些参数通常显示为参数空间中的曲线。激光点群对应的个体形状被认作曲线在参数空间中的最大交集( Van Leeuwen et al., 2010)。

Hough变换是模式识别中的经典算法，很多研究将其应用到地基激光雷达提取胸径中，但容易碰到不是树干处也能识别圆的情况，尤其在林层结构较复杂的林区，这种情况更是多见。因此，本文以Hough变换算法提取的圆作为初步结果，根据林下条件及树干形态特征，发展了一系列方法剔除不是树干处拟合圆，旨在提高使用Hough算法识别单木的精度。

圆识别是单木胸径和位置提取的基础，考虑到试验区林下灌木、草本分布高度及树干开始分叉高度，选取地面上0.75～2.15 m范围内点云，结合Hough变换算法进行分层识别圆。根据森林中树木的形态特征设置一系列阈值剔除Hough变换对非树干处识别圆，并判断不同高度处识别圆是否来自于同一株树，最终获取每木位置、胸径、树干在不同高度处的圆心位置。具体算法如下：

1)点云高度归一化 研究区位于山区，样地内树木所处高程不一，为了以一个统一的高度对点云数据进行切片处理，需要将配准和坐标转换后的点云数据进行高程归一化处理。为了减少TLS数据提取地面点的运算时间，首先对整个样地5站点云数据进行抽稀处理，每0.05 m×0.05 m×0.05 m立方体内保留1个回波点；然后利用TIN差值算法对抽稀后的点云数据提取地面点；最后利用生成的地面点对原始密度的点云数据进行高程归一化处理，即回波点的高度减去对应区域的地面点高度。

2)分层栅格化 为了提高单木的识别率，避免因遮挡错失树干，本文对单木树干进行多层Hough变换检测。首先取出高程归一化点云数据中高度在0.75～2.15 m之间的点云数据，然后以5 cm为间隔、层厚度为2 cm进行切片处理，共得28层点云数据。对这些层点云数据进行栅格化，像素大小为5 mm×5 mm，像素值为5 mm×5 mm×20 mm体元内激光点云数量，如果体元内点的个数n＜3，则像素值为0。

3)单木位置检测 以栅格图像为输入文件，并对栅格图像进行形态学开运算，去除噪声点，利用Hough变换算法识别每层栅格影像中的圆。Hough变换算法对树干处的圆识别精度很高，然而也能识别出栅格影像中其他位置(如枝叶处)的类似圆的像素，如图 4中棕色栅格为原始输入分层栅格图像，绿色三角则为Hough变换检测识别圆心位置。因此，需要设置一些控制参数去除非树干处识别圆并得到树干位置，各参数均根据实际扫描数据的基本情况及林分树木的分布情况得到：

	图4 Hough 变换算法识别圆 Fig.4 The circle detection using Hough algorithm a. 枝叶处Branch; b. 树干处Trunk．

(1)1/2半径内无像素点。由于树干的绝对遮挡，如果Hough变换识别圆心附近有回波点存在，则为非树干区域识别圆。

(2)圆周外扩和内缩0.05r范围内像素点组成的连续圆弧弧度较大。根据实际扫描数据情况，本文设置的连续圆弧阈值为100°，连续圆弧弧度少于100°的圆则剔除。

(3)多层连续性检测及不同树干位置的确定。枝叶等其他组分形成的圆往往在垂直方向上不连续，或者同一位置形成的圆直径及圆心坐标之间具有较大偏差，而根据该条件能较好地去除非树干处识别圆。经过以上筛选后，根据圆心坐标位置来确定其属于哪株树。首先以中间层如第12～16层为中心按x，y坐标进行分类，根据样地的实际情况，确定2株树(或2个类别)间的最小距离。然后依次往上和往下寻找同一株树的圆，距离中间层越近，寻找距离越近，最大寻找距离不超过0.5 m。所有识别圆被分类后，首先剔除检测层数小于5的树位置。同一株树不同高度检测出来的圆心x，y坐标的离散程度和直径之间的离散程度往往小于非树干处的圆，最后设定阈值剔除非树干处的识别圆。本文分别以直径间标准偏差和圆心坐标间两两之间的距离来描述直径之间离散程度和圆心x，y坐标之间的离散程度，计算公式如下：

本研究设置的直径阈值为小于3 cm，圆心坐标距离的阈值为小于10 cm。经过以上筛选，能剔除绝大部分非树干处拟合圆。

在单木位置的基础上取出1～1.6 m之间的检测圆直径，并计算平均值，作为该株树的胸径。

大部分树木沿一定的方向生长，树干较笔直。根据2.1中得到的多层树干直径与圆心位置，利用多层圆心位置在空间中拟合一条直线，即树干的生长方向。沿拟合出的直线自下而上裁剪出直线周围一定范围内的点云，这些点云被认为来自于同一株树。如图 5所示，这株树的树高被认为是这些点云中的最高点的高度，红色箭头为树干生长方向。

	图5 沿树干生长方向裁剪单木点云示意 Fig.5 The point clouds subset of a single tree along trunk direction

但是，对于下层木，不能直接利用沿树干生长方向点云的最高点作为树高，因为沿树干生长方向也会存在其他树木的点云，如图 6a所示。为了避免这种情况，需要对沿树干生长方向的点云进行垂直检测。首先沿树干生长方向裁剪出一定范围内的点云，然后对这些点云数据在整个三维空间中进行体元化，体元大小为0.05 m×0.05 m×0.1 m。如果某一体元内回波点数量小于3，则认为该体元没有被枝叶、树干等覆盖。然后在垂直方向上自下而上计算每层被覆盖的体元个数，进而画出该株树的垂直剖面，如图 6b所示。

	图6 下层木裁剪点云( a)及沿树干方向冠层垂直分布( b) Fig.6 The point clouds of an understory tree ( a) and the vertical profile of canopy (b)

在小树树顶位置，小树与优势木之间具有明显分层，如图 6a，在5.7 m及以上若干层冠层组分的覆盖度为0，这个高度以上的冠层组分则来自其他优势木树冠，因此，该株树的树高为5.7 m。

由于实测单木位置为全站仪测量，激光点打到树干上高度不一且具有一定误差，因此以估测单木位置为中心，在0.2 m范围内寻找是否存在实测单木；若存在则为识别，不存在则为未识别。

本研究中，单木识别结果包括2类误差： 一类是实测为单木但没有检测出来的漏检误差；另一类为实测不是单木而被检测成单木的过检误差。通过对每个样地单木识别进行统计，计算各个样地漏检率与过检率。

采用最常用的决定系数和均方根误差对TLS森林参数的估测进行评价。

1)决定系数(R²)R²越大，则因变量与自变量之间的相关性越强，这是对回归直线拟合优度的检验。计算公式为：

2)实际值与预测值之间的均方根误差(RMSE)RMSE越小，则表明预测值的效果越好。计算公式为：

3)胸高断面积 胸高断面积反演精度计算公式为：

各个样地单木识别结果如表 3所示，表中统计了5块样地内的实测单木总数、TLS数据检测到的单木总数、漏检单木总数以及过检单木总数和检测率。

表3 各样地单木识别结果 Tab.3 The detection result of individual trees

表 3各样地单木识别结果 Tab.3The detection result of individual tree 样地号Plot ID S1 S2 S3 S4 S5 实测Measured tree 135 145 142 57 98 估测 Estimated tree 109 129 135 47 98 漏检Missed tree 26 17 7 10 0 过检Over-estimated tree 0 1 0 0 0 检测率Estimated proportion(%) 81 89 95 82 100

从表 3中可以看出，识别率最高的为杉木人工林样地，人工林林下灌木较少，通视条件较好。识别率较低的S1样地为天然林，林下灌木较多，小树较多。除了林下通视条件差导致有些树无法检测外，小树成丛状生长、2株树之间的距离较近都能引起错检，把2株树的检测圆合并为1个。识别率较低的S4样地林下灌木多且密，造成树木无法识别。S4样地中漏检树木胸径较大，原因是林下灌木的遮挡。其余样地漏检树木的直径绝大多数小于10 cm，其中以5～6 cm居多。通过分析这些漏检树木的位置发现，除了少数树木因距离其他树木太近而被合并外，大部分漏检树木分布在样地边缘，而且这些树木的胸径偏小，被扫描仪扫到的机会较少，因此造成这些地方容易存在漏检树木。

利用Hough变换算法对28层栅格图像进行圆识别后，根据设置的各种筛选阈值剔除非树干处识别圆，然后在识别单木位置处得到不同高度处树干直径，最终得到识别单木的胸径。图 7给出了5块样地和所有样地单木胸径的回归结果，其中S2样地中存在1株过检树，因此在图 7b中用128个估测胸径与实测胸径进行比较。

	图7 单木胸径估测结果 Fig.7 The estimated DBHs of single trees a. S1;b. S2;c. S3;d. S4;e. S5;f. 所有样地All five plots．

从图 7可以看出，S5样地估测结果最好，S4样地估测结果最差。通过对估测误差较大的树木进行分析发现，S4样地中的树木大多不规则，Hough变换圆检测到的圆的直径与实测胸径值相差很多，如图 8所示。

	图8 不规则树干某层栅格图像及圆检测结果 Fig.8 The raster image of an irregular trunk and the circle detected by Hough transform algorithm

S1，S2与S3样地中误差较大的几株树均属于这种情况，尤其是S3样地中的1株树实测胸径为41.8 cm，检测胸径为25.2 cm。剔除这个结果后，整个S3样地估测胸径与实测胸径线性回归的R²提高到0.954，RMSE减小到1.74 cm。

利用沿树干方向垂直检测方法估测TLS树高，并与实测结果相比较(图 9)。结果表明，树干干形规则的人工林树高估测结果远远好于天然林。天然林中较大的估测误差主要来源于以下几方面： 1)树干生长方向不规律，无法按照下层树干拟合出的方向去寻找树顶； 2)对于较大的阔叶树，树干在较高处分出若干主枝，沿下层树干生长方向已不能包括这些主枝； 3)下层木与优势木之间分层不明显，造成下层木树高被高估； 4)实测结果存在一定误差。由于天然林较茂盛，人工测量树高尤其是优势木树高时存在一定的误差。

	图9 TLS 单木树高估测结果 Fig.9 The estimated tree height of single tree using TLS data a. 天然林Natural forests;b. 人工林Plantations．

	图10 多个单站平均( a)及中心站( b)单木识别率 Fig.10 The detection rate of DBH estimation using averaged multi-scan ( a) and single-scan ( b) methods

本研究在统计多站拼接TLS数据估测精度的同时，对单站TLS数据进行了分析。将每站TLS数据按半径5，10，15 m分别识别并提取单木胸径，共获取5块样地75组数据，计算了包括单木识别率、与实测数据之间的决定系数R²和RMSE、胸高断面积。为了评价不同范围单站TLS数据对单木识别、胸径估测精度的影响，本研究首先对来自同一样地、同一半径的TLS估测结果进行平均，并与样地实测结果、多站拼接结果相比较，然后评价位于样地中心的扫描站在不同范围内的估测精度。

首先对同一样地、同一范围的单木估测结果进行平均，与多站拼接单木识别结果进行比较，然后评价单站的单木识别结果。这里比较的是位于样地中心的中心站单木识别率与多站拼接单木识别率。

除S4样地中半径为5 m的单木识别结果相差较大外，其余的中心站单木识别结果均比多个单站平均识别结果略低。各样地中多个单站扫描平均识别结果与单站扫描识别结果一般均随着半径的增加而降低。林下条件较简单的人工林S5识别结果最好，林层结构复杂、小树较多的天然林S1与林下灌木茂密的天然林S4识别结果较差。

从图 11b和12b可以看出，S4样地在多站拼接、多个单站平均及中心站扫描方式下RMSE最差，S5样地结果最好，这说明样地林下条件对TLS估测胸径影响很大。由于多个单站扫描比单站扫描更能代表林分真实情况，因此多个单站平均结果整体好于只扫一站的结果。多个单站平均情况下，各样地一般随着半径的增加误差逐渐增加，除S4样地外，增加的幅度不大。但是中心站的估测结果中，S3与S4样地在半径为5 m时误差最大，其余3个样地在半径为5 m时误差较小，半径为10 m与15 m结果相差不多。5 m半径圆包括范围较小，具有一定的偶然性，不能代表样地平均水平。

	图11 多个单站平均胸径估测结果的Ｒ2(a)与ＲMSE(b) Fig.11 The Ｒ2 ( a) and ＲMSE ( b) of DBH estimation using average multi-scan data

	图12 中心站胸径估测结果的Ｒ2 ( a)与ＲMSE( b) Fig.12 The Ｒ2 ( a) and ＲMSE ( b) of DBH estimation using central scan ( single-scan) data

多个单站平均结果(图 13a)中，除S2样地在5 m半径处的估测精度外，其余样地一般随着半径的增加估测精度变低，尤其S4样地的估测精度明显比其他样地的估测精度低，S5样地的估测精度整体最好。在S2，S3，S5样地的多个单站扫描平均结果中，除了S2样地在半径为5 m范围扫描数据估测的胸高断面积结果较差外，其余样地的估测精度均能达到85%以上。中心站估测的结果(图 13b)中，估测精度没有随着半径显示出增加或减少的趋势，且波动剧烈，与多个单站平均结果相比，精度变化不稳定。只扫一站不能很好地代表林分真实情况，具有偶然性。

	图13 多个单站平均( a)及中心站( b)胸高断面积估测精度 Fig.13 The accuracy of basal area at breast-height estimation using averaged multi-scan ( a) and single-scan ( b) methods 35

本研究利用在云南山区扫描的TLS数据提取5块样地的每木胸径与树高，5块样地基本情况差异较大，既有林下灌木杂多的天然林，也有林下灌木稀少的人工林。通过这些工作，得出以下结论：

1)本研究根据树干垂直向的特征，设置一系列参数来剔除非树干处识别圆，结果表明，设置这些参数能剔除几乎所有的非树干处识别圆，5块样地只有一个过检结果。Hough变换算法对树干处圆识别能力较强，但是也能在不属于树干(如灌木和枝叶)的地方识别出圆。Hough变换算法的识别率直接与TLS激光点云对树干的探测率有关，样地中绝大部分未识别的树木均存在样地边缘地区，并且这些树木胸径偏小，这些地区由于扫描站布设情况和林下灌木的遮挡情况，存在未被扫描到的盲区。其中，这些未被识别出的树木中存在一些树生长在其他树的附近，算法中对识别结果进行筛选时，把 2株树的识别结果合并为1个。因此，为了提高样地中树木的探测率，需要根据样地实际情况进行布设扫描站，并适当增加扫描站数量。

2)确定单木位置后，取出1～1.6 m之间检测圆的平均直径作为胸径，与实测结果相比，除S4样地外，其余样地胸径估测结果均较好。由于TLS架设高度一般在1.5 m左右，天然林中林下茂密灌木丛对TLS森林调查工作影响较大。从原始点云数据可以看出，估测误差较大的树木均为树干形状不规则的树木，如图 8。比如S4样地中胸径较大的思茅松大多被当地农民割胶，导致实测结果与估测结果相差较大。

3)本研究利用树干生长方向垂直检测方法提取单木树高，结果表明TLS数据对树干干形规则的人工林单木树高估测结果较好(R²=0.93，RMSE=0.96 m)，对树干干形不规则的天然林单木树高估测结果较差(R²=0.77，RMSE=1.46 m)。估测结果较差的树木多存在于S1样地，S1样地位于太阳河自然保护区内核心区域，一些树木生成方向不规则，无法根据多层Hough变换检测出的下层树干生长方向去寻找树顶；另外天然林较郁闭，一些受压木与优势木之间没有明显界限，也造成了天然林受压木树高被高估。

4)多站拼接相比单站扫描更加接近于样地实测结果，多个单站平均更能代表样地实际情况，只用一站数据具有偶然性。由于本研究试验区林下条件复杂，单站扫描由于灌草、树干的遮挡作用，估测结果与实测结果相差较大。非拼接情况下，随着半径增加，单木识别率降低。5 m半径代表范围较小，15 m半径单木识别结果较差，10 m半径、多站扫描更适合估测样地胸径及胸高断面积。

5)考虑到单站布设要比拼接更加容易，不需要对反射球或者反射片进行布设及对数据进行拼接处理。若把TLS应用于森林调查中，则需要考虑林分实际情况进行扫描站的布设。在林下通视条件较好的林分，应用多个单站平均既能保证调查精度、又能降低工作量。在林下通视条件较差的林分，为了保证调查精度，需要布设反射标靶进行多站拼接，与此同时，还要根据林分实际情况灵活布设扫描站。

本研究利用地基激光雷达数据进行了单木识别与胸径、树高提取。从提取和反演的结果上看出还存在许多需要解决的问题，这需要在下一步工作中完成：

1)需要发展一种更好的胸径识别算法，对规则圆或椭圆及不规则形状树干均具有较好的识别结果与精度，提高胸径估测精度，大大增加TLS替代一部分人工样地调查的可能性。

2)直接利用点云数据识别树干，并拟合树干生长方向可以大大提高天然林树高估测精度； 但是由于TLS数据量较大，直接针对点云数据的算法时间成本都较大，需要发展一种针对点云数据的、低时间成本的树干识别算法。