无人机机载激光雷达提取果树单木树冠信息

陈日强，李长春，杨贵军，杨 浩※，徐 波，杨小冬，朱耀辉,3，雷 蕾,4，张成健,4，董 震,5

（1.河南理工大学测绘与国土信息工程学院，焦作 454000；2.农业农村部农业遥感机理与定量遥感重点实验室，北京农业信息技术研究中心，北京 100097；3.北京林业大学信息学院，北京 100083；4.西安科技大学测绘科学与技术学院，西安 710054；5.山东科技大学测绘科学与工程学院，青岛 266590）

0 引 言

果树树冠结构信息（如冠幅、树冠面积和树冠体积等）不仅反映着果树的生长状况和产量潜力，也是果园精准管理的重要依据，包括土壤灌溉施肥、枝条修剪、开花管理及病虫防治等[1-4]。定株管理是未来果园精准生产管理的趋势，而果树单木树冠信息的提取是果园定株管理的基础。因此，果园单木树冠结构信息的提取研究具有重大意义，将有利于果园的精准管理。

果园冠层结构信息提取是在果园单木水平上进行，所以单木树冠检测与提取是果园冠层结构信息提取的基础。从遥感图像中检测和提取单个树冠的半自动与自动算法，在及时、准确和高效率地提取树冠信息方面，发挥着重要作用。目前，基于遥感数据，实现单木树冠检测与提取主要有2种思路，1）二维图像分割：基于二维图像所包含的形态、光谱、纹理等特征，依据计算机图像处理技术对二维图像进行区域分割。常用的图像分割算法有控制分水岭分割算法（Controlled Watershed Segmentation，CWS）[5-6]、反流域分割算法[7]、基于目标对象的图像分析[8-9]等。基于数字表面模型（Digital Surface Model，DSM）或冠层高度模型（Canopy Height Model，CHM）进行单木分割是比较常见的方法[7,10]。Mu等[11]基于运动恢复结构算法（Structure From Motion，SFM）和多视角立体视觉技术（Multi-View Stereo，MVS）生成数字表面模型，利用自适应阈值控制的分水岭分割方法成功识别桃树个体。Yurtseven等[12]采用SFM技术对无人机图像进行摄影测量处理，生成点云和DSM，结合基于对象的图像分析技术，成功提取树冠。Panagiotidis等[13]使用二维图像成功构建树林的三维结构，利用点云数据生成的冠层高度模型，结合反流域分割算法成功实现单木的检测与分割。光谱和纹理等图像特征往往不能真正地实现单木的检测与分割，而是仅仅利用树木树冠与非树冠的光谱、纹理等差异实现树冠和非树冠的二分类，所以光谱、纹理等信息常常用于树木覆盖度的计算[14-15]。Chen等[14]利用图像颜色、纹理特征，建立支持向量机分类模型，实现孤立柑橘树的精确检测与分割。Tu等[15]利用无人机多光谱图像的光谱、纹理信息测量了鳄梨园的树木覆盖度。2）三维点云分割：基于三维点云数据具有的空间结构关系，以及树木所具有的真实三维特征，制定多种空间点云分类规则，直接针对点云数据进行单木检测及树冠分割。点云数据的获取途径有 2种：基于激光雷达技术直接获取三维点云数据和基于重叠二维图像的特征匹配，采用SFM实现三维结构的重建[16-17]。点云分割算法的核心就是点云的聚类问题，常用的分割算法有均值漂移算法[18-19]、区域生长法[20]、归一化分割算法[21]等。Xiao等[18]详细评价了均值漂移算法在针叶林和落叶林机载雷达数据分割中的应用，以及单木树冠检测对于分割的影响，认为均值漂移算法在树木单层数据处理上是有效的。Sun等[22]利用无人机成像系统建立了果园三维点云模型，基于苹果树点云数据的概率密度实现果树的快速检测与分割。

三维点云最广泛的数据来源是激光雷达数据，具有高分辨率的三维激光雷达数据有助于获得大量难以从二维图像提取的结构特征信息，如树高、树冠体积、枝条长度及分枝角度等[23-24]。在前人的研究中，使用激光雷达点云进行单木树冠检测与提取的研究对象多为针叶林或落叶松等[18,20-21]，应用于果树林的研究不多，基于激光点云提取果树树冠信息的可能性是未知的。尽管直接基于树点云的单木检测与分割算法有很多，但均存在点云数据量大，计算难度大，硬件要求高等问题，而且多种点云分割算法均存在问题，均值漂移算法的核形状和权重参数针对不同的数据集有显著差异[18]；基于树间距的区域增长法针对相似结构的混合针叶林个体树分割具有良好的潜力，而对于其他森林类型个体树点云分割具有不确定性[20]。基于CHM或DSM的图像分析已经被证明在单木树冠检测与分割上有很好的应用潜力，但基于二维图像，使用SFM和MVS生成的三维点云及通过插值生成的数字高度栅格模型本身就不能很好地重建树木三维结构和反映树冠表面形态，尤其对于树冠互相遮挡严重的树木，三维点云和数字高度栅格模型往往均存在一定的误差[5,25]，而且分割精度还受到插值采样间隔（即空间分辨率）的影响，Picos等[25]基于冠层高度模型提取桉树高度，证明了不同空间分辨率下的树高估计结果具有明显差异，相比2 m分辨率，更高分辨率0.5 m有着更准确的高度估计。Yin等[26]使用无人机激光雷达数据对红树林进行单木检测与提取，结果证明冠层高度模型分辨率的提高会导致单木检测与提取的精度呈上升趋势，而针对该研究区的最佳分辨率为0.25 m。

本研究将探讨使用无人机机载激光雷达数据提取果树单木树冠信息的可能性，并定量分析空间分辨率对于单木树冠检测与信息提取的敏感性。首先，基于无人机激光雷达数据生成的冠层高度模型，使用局部极大值算法和标记控制分水岭分割算法实现果树单木树冠的检测与提取；其次，基于提取的树冠轮廓，计算树冠面积与直径。同时评估空间分辨率对于单木树冠检测与信息提取的影响，为基于最佳空间分辨率的冠层高度模型提取树冠信息提供参考。

1 材料与方法

1.1 研究区概况与数据获取

研究区位于中国山东省栖霞市（37°10′8″ N，120°41′23″ E），研究区东西总长度132 m，南北总长度108 m（图1）。多数果树品种为富士，种植时间超过7 a，树行种植间隔固定为4.5 m，株距为4 m，研究区共有果树 573棵，研究区边缘非果树或与其他明显物体（如电线）有严重交叉的果树将不参与精度验证。

图1 研究区位置Fig.1 Location of study area

无人机机载激光雷达数据采集于2019年7月5日，具体数据获取时间为 10:00—13:00。无人机型号为 DJI M600（SZ DJI Technology Co.，China），最大起飞质量15.1 kg，续航时间15～20 min，外形尺寸为1 668 mm×1 518 mm× 759 mm，飞行高度30 m，飞行速度5 m/s。无人机所携带的激光扫描仪主要参数如表1所示，激光雷达点云的旁向重叠率为90%。

表1 激光扫描仪的主要参数Table 1 Main parameters of laser scanner

为验证所提出的方法，在激光雷达数据获取同一天，使用DJI PHANTOM 4 PRO（SZ DJI Technology Co.，China）无人机相机系统采集高分辨率数码影像，该系统总质量1.388 kg，续航时间20～30 min，轴距350 mm，飞行高度35 m，飞行速度3 m/s。无人机所携带的影像传感器为CMOS，有效像素2 000万，数码影像的航向及旁向重叠度为75%。利用Agisoft PhotoScan Professional 实景三维建模软件（Agisoft LLC，俄罗斯）完成无人机数码影像的拼接，生成高清数码正射影像（图1b）。基于高清数码正射影像，目视判读描绘树冠轮廓，树冠面积（Crown Area，CA，m2）由树冠轮廓得出，将树冠视作圆形，通过树冠面积计算树冠直径（Crown Diameter，CD，m），计算如式（1）所示。树冠面积和树冠直径的参考数据统计分布情况如表2所示。

表2 树冠面积和树冠直径参考数据的统计分布Table 2 Statistical distribution of the referenced data of tree crown area and tree crown diameter

1.2 研究方法

1.2.1 数据预处理

数据预处理主要有3个步骤：1）基于无人机位置与姿态测量系统数据（Position and Orientation System，POS）和地面基站定位数据（Global Position System，GPS），采用差分解算和GPS Level Arm 反算方法精准解算无人机飞行轨迹，该操作是在POSPac定位定姿数据处理软件（Applanix Co.，加拿大）中完成；2）使用 RiPROCESS点云数据处理软件（REIGL Co.，奥地利）对原始激光数据进行处理，处理步骤包括原始激光数据的在线波形处理；基于无人机的精准飞行轨迹、仪器安装方向以及视轴调整参数，将激光雷达扫描数据转换到无人机轨迹数据坐标系统中，精准匹配激光雷达扫描数据与轨迹数据；最后导出三维可视化激光点云数据；3）使用 LiDAR360点云处理软件（GreenValley Co.，中国）对点云进行去噪处理，采用的是基于空间分布的移除统计离群值（Statistical Outlier Removal，SOR）去噪算法。经过去噪处理，研究区平均点云密度为2 093点/m2。

1.2.2 冠层高度模型的生成

采用改进的渐进加密三角网滤波算法（Improved Progressive TIN Densification，IPTD）[27]将地面点云与非地面点云分离，基于初始选取的种子点构建稀疏三角网，然后通过迭代处理逐层加密，直到所有激光雷达点分类完毕。由于无人机机载激光雷达所扫描的点云密度较大，地面点云较厚，为提高数字地形模型的准确性，所以提取较厚地面点中间一层较薄且相对平滑的地面点用来生成数字地形模型，称中位地面点，基于中位地面点生成的数字地形模型相比基于全部地面点生成的数字地形模型更加平滑，更能精确地反映地形变化。基于离散的点云数据实现地面地形和地表上物体的连续数字化模拟，生成数字地形模型（Digital Elevation Model，DEM）、数字表面模型（Digital Surface Model，DSM），分别反映地面的地形变化和地面物体上的高度变化。因此，基于中位地面点和非地面点，采用反距离权重插值算法（Inverse Distanced Weighted，IDW），使用附近点计算栅格单元的值，并通过点距栅格单元中心点的距离判断加权平均值，生成DEM和DSM。以上步骤都是在LiDAR360点云处理软件中完成的，其处理步骤的参数设置如表3所示。数字高度模型（Digital High Model，DHM）是通过DSM减去DEM生成，数字高度模型是指包含地表包括建筑物、树木和杂草等物体高度的高度模型。

表3 用于生成数字地形模型和数字表面模型的参数设置Table 3 Setting parameters for generating the Digital Elevation Model (DEM) and the Digital Surface Model (DSM)

基于已有关于空间分辨率对于单木树冠检测与分割影响的研究[25-26,28]，并考虑到果树树冠较小，需要更高分辨率图像来描述树冠形状，因此本研究选取 5种不同的空间分辨率：0.1、0.2、0.3、0.4和0.5 m。分辨率从0.1 m降低到0.5 m，平均每个像素内的点从16个增加至484个，对于树冠直径2 m的树冠，树冠覆盖平均像素个数从400个降低至16个。

研究区除了果树，还包括低矮的杂草和土壤。为只将果树树冠高度像素输入到分割算法中去，通过设定一个高度阈值，将果树树冠像素和非果树树冠像素分开，因为果园内的其他物体均低于果树树冠。通过设置适当的高度阈值，数字高度模型只保留树冠高度信息，即生成冠层高度模型（Canopy Height Model，CHM），冠层高度模型是指仅包含果树树冠高度的数字高度模型，冠层高度模型是其余数据处理的基础。

1.2.3 基于局部极大值算法的果树单木检测

果树单木树冠检测是通过将局部极大值滤波算法应用在冠层高度模型上实现。这种方法利用的是果树树冠的高度信息，一个树冠内至少有一个最高点，即树顶位置。为消除冠层高度模型存在的图像噪声，在使用局部极大值算法之前，使用高斯滤波算法对图像进行平滑处理，减少图像噪声对后续局部极大值识别的影响。为保证在整张图像上获取适量的局部极大值点，局部极大值算法及高斯滤波算法的滤波窗口大小设置为果树株距大小。图像中的局部极大值像素点坐标位置，即果树树顶位置坐标被保存到点要素矢量文件中，该坐标信息被当作果树的位置信息，树顶位置坐标点数量作为检测果树的数量被统计。

1.2.4 基于标记控制分水岭分割算法的果树树冠提取

标记控制分水岭分割算法（Marked-Controlled Watered Segmentation，MCWS）是目前应用最广泛的一种分割树冠的方法[29-30]，这是一种基于拓扑理论的数字形态分割算法[31]。其基本思想就是将冠层高度模型看作是测绘学上的拓扑地貌，其高度像素值对应海拔高度，冠层高度模型的高点处看作山峰，低点处看作山谷，山峰及其影响区域为一个树冠，而山谷为树冠的边界，将山峰倒立于水中，然后在山峰最低处穿孔，当水慢慢浸入，在山谷位置修建大坝防止其聚合，这些大坝就形成了分水岭，即树冠边界[32]。算法中所提到的最低处就是标记点，该方法的前提就是确定标记点。本研究将单木检测中局部极大值点，即果树树顶位置当作标记点，将冠层高度模型输入到标记控制分水岭分割算法中去实现果树树冠的分割，之后将果树单木树冠轮廓结果保存到面要素矢量文件中，面要素的面积为树冠面积，之后，通过式（1）计算树冠直径。

1.3 精度评价

1.3.1 果树数量与位置

通过对比参考树冠与果树树顶位置之间的空间关系，来评价单木检测的精度，会出现 3种情况：真阳性（True Positive，TP），果树被正确地检测；假阳性（False Positive，FP），将非果树物体或者部分果树当作一棵树；假阴性（False Negative，FN），果树没有被检测到；然后按照式（2）～式（4）计算果树检测的查全率（Recall，%），果树检测的查准率（Precision，%），综合考虑查全率和查准率的F1得分（F1，%）。其中查全率表示正确检测树顶数量占真实树顶数量的比例，查准率表示正确检测树顶数量占整个检测结果的比例[20,28]。

1.3.2 果树树冠提取

通过对比参考树冠与提取树冠轮廓的空间关系，来评价果树树冠提取的精度。两者空间匹配精度分成6类[5,33]：

1）优-匹配（Perfect-Match，PM）：1个提取树冠和1个参考树冠的重叠面积超过两者自身面积的50%，这个参考树冠被认为是优匹配；

2）良-匹配（Good-Match，GM）：1个提取树冠和1个参考树冠的重叠面积仅超过提取树冠或参考树冠面积的50%，这个参考树冠定义为良-匹配；

3）遗漏（Missed，Mi）：1个提取树冠和1个参考树冠的重叠面积不超过两者自身面积的 50%，这个参考树冠被认为是遗漏树冠；

4）合并（Merged，Me）：1个提取树冠覆盖多个参考树冠，且至少2个参考树冠与提取树冠的重叠面积均超过参考树冠面积的 50%，这些参考树冠被认为是合并树冠；

5）分解（Split，Sp）：1个参考树冠覆盖多个提取树冠，且至少2个提取树冠与参考树冠的重叠面积均超过提取树冠面积的50%，这个参考树冠被认为是分解树冠；

6）错误（Wrong，Wr）：树冠被错误地提取，即FP，这种提取树冠被定义为错误树冠。

基于以上定义，将优-匹配和良-匹配树冠定义为准确提取树冠，合并和遗漏树冠为欠分割错误，分解和错误树冠为过分割错误。然后，通过准确率（Accuracy Rate，AR，%）、欠分割误差（Omission Error，OE，%）和过分割误差（Commission Error，CE，%）总体评价树冠提取精度[33]，其计算如式（5）～式（8）所示：

式中NPM、NGM、ΝΜi、NMe、NSp、NWr分别代表优-匹配、良-匹配、遗漏、合并、分解及错误6种匹配精度对应下的树冠数量。

1.3.3 树冠面积与树冠直径

为验证使用该方法提取的果树树冠面积与直径的精度，采用线性回归方法对提取数据集和参考数据集进行建模分析，使用决定系数（coefficient of determination，R2）来评价提取数据集和参考数据集的相关性[34]，此外，使用均方根误差（Root Mean Square Error，RMSE）来评估提取数据和参考数据之间的误差。考虑到RMSE对于数据集之间的差距没有实际的含义，所以计算归一化均方根误差（Normalized Root Mean Square Error，NRMSE，%）来比较数据集之间的差异[35]。

2 结果与分析

2.1 数字地形模型（DEM）、数字表面模型（DSM）和数字高度模型（DHM）的生成

由上述方法生成的不同空间分辨率的DEM、DSM和DHM如图2所示。经果园实地调查，本研究选取0.5 m作为区分果树树冠和低矮杂草、土壤的高度阈值，将果树树冠像素与非树冠像素分开，只保留树冠高度信息，生成冠层高度模型。

2.2 果树单木检测

基于不同空间分辨率的CHM，使用本方法检测的果树数量及精度如图3所示，代表果树检测精度的F1得分均超过90%，且当冠层高度模型空间分辨率为0.3 m时，F1得分最高，为 95.03%，其中查全率为 93.37%，查准率为96.75%。

图2 不同空间分辨率的数字地形模型、数字表面模型和数字高度模型Fig.2 Digital Elevation Model (DEM), Digital Surface Model (DSM) and Digital Height Model (DHM) under different spatial resolutions

图3 不同空间分辨率下的果树检测结果及精度Fig.3 Detection results and accuracy of fruit trees under different spatial resolutions

2.3 果树树冠提取

将基于不同空间分辨率的CHM，使用该方法提取的树冠和参考树冠进行叠加，提取树冠和参考树冠在轮廓边缘上不能完全重叠（图4）。果树树冠提取结果与精度如表4所示，果树树冠提取准确率均超过80%，当空间分辨率由0.1 m降低到0.5 m时，使用该方法提取果树树冠过分割误差增大，欠分割误差减小，且当冠层高度模型空间分辨率为 0.3 m时，树冠提取的准确率最高，为86.39%，欠分割误差11.52%，过分割误差5.24%。

2.4 树冠信息的提取

为评估使用该方法提取果树单木树冠信息的精度，本研究对基于冠层高度模型提取的果树树冠面积及直径进行统计分析。其中，基于不同空间分辨率0.1、0.2、0.3、0.4和0.5 m的优-匹配的树冠分别为456、472、461、439和 394棵树，提取的树冠面积和直径统计箱型图如图5所示，通过分析可得出，研究区的果树树冠大小具有较大差异，树冠面积极差＞20 m2，树冠直径极差＞4 m，这导致该方法提取的树冠面积和直径精度降低；同时基于不同空间分辨率的冠层高度模型，使用此方法提取的树冠面积和直径均被高估。

图4 不同空间分辨率下由冠层高度模型所提取树冠与参考树冠的轮廓叠加Fig.4 Contours of the extracted crown by Canopy Height Model (CHM) and the referenced crown be superposed under different spatial resolutions

表4 不同空间分辨率下提取树冠与参考树冠的匹配结果及精度Table 4 Matched results and accuracy of extracted crown and referenced crown under different spatial resolutions

除上述统计分析，本研究还采用线性拟合的方法来确定参考数据集和提取数据集的数学关系，结果如表5所示，提取数据集和参考数据集的线性拟合结果R2均高于0.7，但NRMSE均低于26%，表明树冠面积和树冠直径均被高估。其中，当空间分辨率为0.3 m时，树冠面积的提取数据集和参考数据集的线性拟合结果R2和NRMSE分别为0.81和20.56%，树冠直径的提取数据集和参考数据集的线性拟合结果R2和NRMSE分别为0.85和14.79%。

表5 提取数据集与参考数据集的线性拟合结果Table 5 Linear fitting results of the extracted dataset and the referenced dataset

图5 提取数据集与参考数据集间的统计差异Fig.5 Statistical difference between the extracted dataset and the referenced dataset

3 讨 论

3.1 误差来源

3.1.1 果树单木检测

在本研究中，果树单木树冠检测，即树顶位置的识别，是实现果树树冠分割的关键步骤。本研究为保证获取适量的局部极大值点，设置局部极大值算法和高斯滤波算法的滤波窗口大小为果园中果树的株距4 m，但使用固定窗口大小的局部极大值滤波算法对于不同大小的树冠检测效率不一致，本研究区中果树树冠大小具有较大差异，树冠面积的标准差和极差分别为1.126 m2和21.579 m2，树冠直径的标准差和极差分别为0.373 m和4.204 m，所以低矮、树冠较小的果树就很难检测到。因此，在后续研究中，为提高果树的检测效率，可以基于树冠直径与树高的异速生长关系使用不同大小的滤波窗口，但这需要实地调查数据或先验知识的支撑。

3.1.2 果树树冠提取

标记控制分水岭分割算法是将树顶之间的局部最小值点当作树冠边界，当树顶检测不足时，就会出现果树欠分割的现象，相反，树顶检测数量多于真实数量时，过分割的现象就会增多，因此树冠检测结果一定程度上影响着树冠提取的准确性。树冠边界的确定还受到果树聚集密度的影响，树冠之间的重叠、交叉使得树冠边界变的模糊，此时，树顶之间的局部最小值往往不是树冠的真实边界。

为分析果树聚集密度对树冠轮廓提取的影响，本研究基于 0.3 m分辨率的冠层高度模型树冠提取结果做了进一步的分析，在参考数据获取的基础上，根据果树的聚集密度将其分成 3组，没有与任何树冠相连的果树为孤立果树；在东西南北4个方向中，1到2个方向与其他树冠相连的果树为中等密集果树；3到4个方向与其他树冠相连的果树为密集果树。不同聚集密度果树的树冠提取结果如表6所示。

表6 不同果树聚集密度下提取树冠与参考树冠的匹配结果及精度Table 6 Matched results and accuracy of the extracted crown and the referenced crown under different clumping densities of fruit trees

根据分析可得，树冠提取的准确性随着果树聚集密度的增加总体呈下降趋势，由91.75%下降至85.96%，因为孤立果树树冠有明确的边界，而密集果树树冠往往重叠严重，对于果树树冠提取来说，聚集性是一个严重的问题。事实上，在野外实地调查时，也很难找到密集果树的树冠边界，相邻果树枝干重叠严重，当前方法无法解决这种情况，树冠提取准确率也会降低，从而造成树冠面积和树冠直径估计的误差。我们考虑可能解决方案来提高密集果树冠提取的准确率，直接基于点云数据来提取单个果树树冠，因为点云数据可以揭示更多的三维冠层细节，保留树冠垂直方向上的个体差异，从而更好地分割果树单木。

3.2 空间分辨率

随着无人机激光雷达技术的发展，激光雷达点云密度越来越高，空间分辨率范围也越来越大，在这种情况下，针对不同场景，不同果园，可选择的空间分辨率也越来越多。通常来讲，更高分辨率的图像会产生更高的精度，更多的细节能够被观察，但在本研究中，冠层高度模型的最佳分辨率为0.3 m，而不是最高分辨率0.1 m，其中一个原因是使用固定窗口滤波造成果树树冠检测错误以及漏检错误，从而造成树冠过度分割以及欠分割；另一个原因是，当分辨率增高时，图像细节被扩大的同时，图像中的噪声也被放大，由于果树树冠高度变化相似，导致过分割与欠分割错误的出现。在本研究区中，果树的平均树冠直径为3.87 m，所以可以认为冠层高度模型的空间分辨率应接近树冠直径的1/10，以便有效检测果树单木树冠以及提取树冠轮廓，从而准确提取果树单木树冠信息。

4 结 论

本研究探索了使用无人机激光雷达技术提取果树单木树冠信息的可能性，并分析了空间分辨率对结果的影响。结果表明：

1）基于无人机机载激光雷达数据生成冠层高度模型（空间分辨率0.1、0.2、0.3、0.4和0.5 m），采用局部极大值算法和标记控制分水岭分割算法，可以准确地检测果树并提取果树树冠，从而基于树冠轮廓提取果树单木树冠信息，代表果树检测精度的F1得分均高于90%，只有个别低矮、树冠较小的果树没有被检测到；树冠轮廓提取准确率均高于 80%；对果树单木树冠面积和树冠直径也进行了高精度的提取，参考数据集和提取数据集的决定系数均高于0.7，归一化均方根误差均低于26%，这表明使用该方法可以实现果树单木树冠信息的提取。

2）果树单木检测与树冠提取的结果还受到冠层高度模型空间分辨率的影响，分辨率的增大会导致果树检测错误减少和漏检错误增加，造成树冠过分割错误减少和欠分割错误增加。本研究中，当空间分辨率为0.3 m时，其总体精度是最高的，其中代表果树检测精度的F1得分为95.03%，树冠提取准确率为86.39%，树冠面积的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.81和20.56%，树冠直径的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.85和14.79%。因此，提出一个经验法则，冠层高度模型的分辨率应接近果树平均树冠直径的1/10，以便有效检测果树单木树冠以及提取树冠轮廓，从而准确提取果树单木树冠信息。