基于LiDAR点云数据的城市三维绿量分层测算方法研究

陈小祥，李嘉诚，徐雅莉

(深圳市城市规划设计研究院有限公司，广东 深圳 518028)

城市作为人类文明发展的产物，担负着人类生产生活所必备的各项功能，同时，随着我国城市化进程的快速发展，由此带来的生态环境问题也愈发严重[1]。城市绿化在提高城市环境质量和生态保护等方面作用显著，如缓和城市热岛效应、减少CO2排放、降低城市噪音、涵养水源、保护生物多样性等。如何测度城市绿化水平也成为当前城市研究的热点[2-3]。目前常用的二维绿化评价指标(如绿地率、绿化覆盖率、人均绿地面积等)，虽然可以在宏观上反映出一个区域植被的基本状况，但不能全面反映出不同植物种类，以及不同绿化结构的功能和水平，因此，有必要从空间三维的绿化量(即“三维绿量”)来评价城市生态环境质量。

目前，三维绿量测算多基于实地植株样方形态测量[4-5]和基于遥感对象形态、光谱等信息反演[6-7]。前者流程包括平面量模拟立体量、立体量推算立体量与平面量推算平面量，其精度取决于实地抽样调查的结果，属于“半自动化”模式，耗时费力，效率较低；后者通过遥感光谱波段组合，借助航天遥感建立三维绿量模型，虽然在一定程度上减少了人工采集和判读的工作量，但仍只能提供森林水平分布的信息，无法精确实现林木垂直结构信息的提取。

近年来，随着激光扫描测距技术(Light Detection and Ranging，LiDAR)的应用发展，其凭借在三维结构信息提取方面的优势，已被广泛应用于大规模森林监测、森林参数反演[8]，以及城市绿化量测算[9-11]。然而，现有的基于LiDAR三维绿量测算的方法大都基于单木建模或者单一树种生长参数的测算，无法应用于城市范围内树种繁多、林层结构复杂等状况，难以快速实现城区范围内三维绿量测算。鉴于此，本文基于LiDAR点云数据，并结合高分辨率遥感影像，顾及城区绿化植被层结构特征，引入“分隔带”法与特征边缘点提取算法，提出一种快速高效的分层三维绿量测算方法。

1 技术路线及数据预处理

1.1 研究技术路线

本文首先根据研究目标与研究区植被分布特征，选取实验样区，以确保样区内包含各类别城市绿化区(风景林地、居住区绿地、道路绿化区等)。然后，通过对LiDAR点云数据预处理与遥感影像数据监督分类，分别建立归一化数字表面模型nDSM，识别城市绿化区，进而得到归一化冠层高度模型nCHM。其次，利用“分隔带”法，将植被在林层尺度下分割，并快速提取植被冠体边缘特征点。最后，通过分割结果与提取的边缘特征点，分层构建不规则三角网TIN，计算三维绿量，并将计算结果进行精度验证。具体技术流程如图1所示。

图1 研究技术路线

1.2 研究数据与预处理

1.2.1 数字正射影像(DOM)处理

数字正射影像(Digital Orthophoto Map，DOM)是利用数字高程模型对扫描处理的数字化的航空像片/遥感影像，经逐个像元进行投影差改正，再按影像镶嵌，根据图幅范围剪裁生成的影像数据，本文选用的DOM影像分辨率为1 m×1 m。首先，为建立DOM数据与LiDAR点云数据的位置匹配关系，需要利用ArcGIS空间校正模块进行图像配准。

其次，本文通过监督分类方法，提取城区绿化区。目前，常用的监督分类方法包括：最小距离法、最大似然法、神经网络法和支持向量机法。其中，支持向量机(Support Vector Machine , SVM)方法是一种建立在统计学习理论基础上的机器学习方法，通过构造一个超平面作为决策平面，使正负模式之间的空白最大。其分类精度高，广泛应用于遥感影像土地覆被分类，故本文最终选用基于SVM的监督分类方法提取城区绿化区。

1.2.2 LiDAR点云数据处理

本文选用LiDAR点云数据为LAS格式，投影方式为UTM，参考椭球为WGS_1984。实验区点云平均密度为5.8 个/m2，其中点云密集区密度达8.3 个/m2。LiDAR点云数据处理主要包括点云数据预处理和后处理两个步骤。

点云数据预处理主要指数据的去噪与配准处理，一方面可剔除异常点，避免建模出现错误；另一方面又提高点云空间精度。后处理主要包括：地面点与非地面点点云分离、点云数据归一化。首先，本文使用商业软件LiDAR360并结合人工交互方式，分离地面点与非地面点点云；其次，使用分离后的点云数据分别建立数字高程模型(DEM)与数字表面模型(DSM)，如图2、图3所示。由两模型差值可消除地面起伏对植被绝对高度的影响。则有，任意一点(记为P)归一化的高程值为

Z归-化=ZDSM-ZDEM.

(1)

由式(1)可创建归一化数字表面模型(nDSM)，如图4所示。

图3 DSM

图4 nDSM

最后，为精确提取城区绿化点云数据，借助SVM分类后城市绿化区，以掩膜形式提取归一化点云数据，即生成归一化冠层高度模型(nCHM)。

2 基于“分隔带”的绿化植被层分割

城区绿化植被在垂直方向上存在明显的分层现象，高大的植被与低矮的植被交错分布，无法直接构建绿化植被模型，一定程度上限制了三维绿量的测定。同时，不同高度的绿化植被，在客观上又存在没有植被或植被较少的空隙，呈不规则曲面分布，即存在空隙上的高大绿化植被冠层和空隙下的低矮绿化植被层。为提取绿化区垂直尺度的结构信息，本文参考文献[12]提及的“分隔带”方法。根据研究区绿化植被层分布特征，确定垂直尺度分辨率，统计各LiDAR点云高度分布特征，继而识别绿化植被层“分隔带”，分离绿化植被层。

首先，通过对垂直分辨率进行多次迭代，并依据分割结果，确定研究区垂直分辨率为0.25m。点云高度频率计算结果如图5所示，在0～0.4m处存在明显峰值，点云数达30余万，该高度主要来自于城市绿化草地。为进一步识别绿化植被层次，突出其他植被层的点，去掉最高值影响，如图6所示。点云数据在高度0.4～1.5m区间内，数量急剧下降，其中0.75～1.5m之间点云数量最少，出现明显的低谷区，故在该高度区间内绿化植被出现分层。综上得，研究区内分隔带下界值Hmin=0.75 m，上界值Hmax=1.5 m。野外实地调查也证明，该高度值可作为绿化植被层分隔带。

图5 LiDAR点云高度频率统计

图6 去最大值LiDAR点云高度频率统计

为便于三维绿量测算，本文将绿化植被点云划分至若干格网内。格网尺寸直接影响到建模精度，一般情况下，当格网尺寸较大时，多植被对象作为整体进行建模，三维绿量偏大；反之，三维绿量偏小。经检验，当格网尺寸为3 m×3 m时，效果最佳。统计格网内点云数据，按如下规则确定分层：

1)位于Hmin值下方的点云占绝对优势，则该格网为低矮绿化植被区，定义为Llow。

2)位于Hmax值上方的点云占绝对优势，则该格网为高大绿化植被区，定义为Lhigh。

3)位于Hmin值下方与Hmin值上方的点云均不占绝对优势， 则该格网为绿化植被混合区，定义为Lmix。

3 基于边缘特征点提取算法的三维绿量测算

3.1 边缘特征点提取算法

本文采用分层建模方式，针对高大植被绿化区，将侧重于上层冠体绿量测算。植被上层冠体主要由外部廓体与内部实体构成，即包含外部廓体点云与内部实体点云。为避免建模数据量过大，影响建模效率，需在建模前提取冠体边缘特征点。参考文献[13]在论文中提到的特征点提取方法，设计冠体边缘特征点提取算法，运算流程如图7所示。

图7 冠体边缘特征点提取算法流程

本文基于Python编程语言实现冠体边缘特征点提取算法：

1)将格网定为最小分析单元，提取格网内边缘特征点。

2)LiDAR点云数据是具有三维坐标(X，Y，Z)信息的点状数据，将LAS格式转为三维坐标格式文件，在Python中读取并唯一标识记录Z坐标唯一值Zi(i=1，2，3，…，n)，即确定由Zi界定的唯一XY二维平面。

3)依次确定Zi平面内X，Y坐标的最小值与最大值，即Xmin，Xmax，Ymin，Ymax，由此确定特征点(Xmin，Y2，Zi)，(Xmax，Y1，Zi)，(X2，Ymin，Zi)，(X1，Ymax,Zi)。

在实际提取过程中，由于最小值或最大值可能对应的点不止一个，易出现特征点多于4个，为提高冠体外廓建模精度，保留多余的特征点；依次计算最小值或最大值，若会出现同一点位多次提取只保留一个，如图8所示。LiDAR点云数据经边缘特征点提取后，冗余点显著消除，通过各平面内Xmin，Xmax，Ymax，Ymin特征值控制其外部轮廓，基本保证绿化植被冠层的廓体结构完整性，避免植被冠体内部点云参与不规则三角网的构建，极大提高运算效率。

图8 二维平面内特征点提取

3.2 不规则三角网构建与三维绿量测算

不规则三角网TIN是将离散点数据建立连续覆盖整个研究区域且互不交叉、互不重叠的不规则三角形网络，其三角面的每一个节点都有坐标X，Y和高程值Z的信息。其中，Delaunay三角网法计算效率优于基于等高线的方法，与规则网格相比又减少了数据冗余，故本文选用此方法作为绿化植被廓体构建的基本方法。

除上述绿化植被外，草地是城市范围内分布最广的绿化植被类型，在本文中，一方面考虑到城市范围内草地空间结构的一致性；另一方面，草类植物较其他绿化植被高度较低，故在三维绿量计算中，草地对象被假设为具有相同的高度。参考前人研究与实地调查，本文选取0.12 m作为草类植被的高度，筛选高度低于0.12 m的绿化区点云作为草地对象，则有草地绿量算式为

VGrass=SGrass×HGrass.

(2)

式中：VGrass为草地三维绿量，m3;SGrass为草地对象的占地面积，m2;HGrass定义为0.12 m。

综上，三维绿量Vgreen可定义为，

Vgreen=Vkigk+VGrass,Lhigh,

Vlow+Vgrass,Llow,

Vkigk+Vlow+VGrass,Lmix.

(3)

同时，一方面考虑到城市区域内植被多非自然生长，林木经人工规划及养护；另一方面，本文数据采用机载激光雷达摄影获取，高度较低，点云密度较大，经检验得，格网间点云空隙对不规则三角网构建的影响较小。

4 结果与分析

通过计算各类别绿化植被区的三维绿量，经图层合并处理，得到研究区三维绿量统计结果为658 878.37m3。在ArcGIS平台下，采用自然断点法分类，得到研究区三维绿量分类结果，如图9所示。基于ArcGIS平台的3D分析模块，实现研究区三维绿量的3D展示效果，如图10所示。

图9 三维绿量计算结果

图10 3D视角下三维绿量结果

为验证本文三维绿量计算结果，通过ArcGIS软件在实验区内随机生成15个点，依次确定各点所在格网。同时，为提高实地测量中绿化植被体积测量的准确度，实际测量中将随机点所在格网周围9个格网(9m×9m)作为采样区，如图11所示。

图11 采样区选择

表1 三维绿量精度验证

5 结束语

本文基于LiDAR点云数据与遥感影像等辅助数据，在城市区域内，通过“分隔带”法将点云数据在植被层尺度上进行分割，经边缘特征点提取后，去除冗余数据点，并分别对其构建不规则三角网TIN，有效实现城市内三维绿量的计算。随后，本文选取15个随机点并创建样区进行检验。检验结果表明，本文所提出的三维绿量测算方法，在95%和99%的置信度下精度分别为90.42%和86%，基本可以满足城市区域内三维绿量测量的需求。

然而，本文提出的三维绿量测算方法仍存在一定的局限性。一方面，绿化植被建模精度取决于点云数据的密度，高密度的点云数据更有助于提高三维绿量计算结果；另一方面，数据后处理较为复杂，特别是在城市范围内使用困难更大，其测算精度有待提高。