無人機(jī)可見光遙感木麻黃人工林株數(shù)提取方法比較研究

趙各進(jìn)孫夢(mèng)蓮宋賢芬郝振幫李明慧武紅梅劉 健余坤勇

（1. 福建農(nóng)林大學(xué)林學(xué)院，福建 福州 350002；2. 3S 技術(shù)與資源優(yōu)化利用福建省高校重點(diǎn)實(shí)驗(yàn)室，福建 福州 350002）

濱海地區(qū)社會(huì)、經(jīng)濟(jì)發(fā)展離不開環(huán)境支持與保障，濱海地區(qū)特殊的氣候和土壤條件導(dǎo)致濱海防護(hù)林生態(tài)系統(tǒng)十分脆弱。木麻黃人工林作為濱海主要防護(hù)林，具有重要的生態(tài)功能[1-3]。林分株數(shù)是林分密度的重要指標(biāo)，能夠表征林分現(xiàn)狀，快速、實(shí)時(shí)、準(zhǔn)確地獲取林分株數(shù)利于及時(shí)監(jiān)測(cè)木麻黃人工防護(hù)林的健康狀況，同時(shí)，為科學(xué)管理森林資源提供便利[4]。傳統(tǒng)每木檢尺的調(diào)查方法結(jié)果雖然相對(duì)準(zhǔn)確，但需要消耗大量的人力物力，且只能獲得點(diǎn)上的數(shù)據(jù)，難以滿足精準(zhǔn)、快速獲取區(qū)域或更大尺度的林業(yè)調(diào)查需求[5]。近年來，隨著無人機(jī)科學(xué)、傳感器、計(jì)算機(jī)視覺的并行發(fā)展，促進(jìn)了無人機(jī)低空遙感在林業(yè)資源的監(jiān)測(cè)應(yīng)用[6-8]。機(jī)載LiDAR 對(duì)冠層具有較強(qiáng)的穿透性，可以探測(cè)到林下地表信息，機(jī)載LiDAR 點(diǎn)云數(shù)據(jù)經(jīng)濾波、插值等處理可生成高精度DEM[9-10]，從而可以極大地提高森林參數(shù)的提取精度。但由于機(jī)載LiDAR 設(shè)備非常昂貴，數(shù)據(jù)處理過程復(fù)雜，限制了機(jī)載LiDAR 在基層林業(yè)系統(tǒng)的推廣和應(yīng)用[11]。相比較之下，無人機(jī)可見光遙感數(shù)據(jù)處理簡(jiǎn)單、獲取成本低廉，成為了當(dāng)下研究的熱點(diǎn)[12]。

單木是森林的基本單元，林分株數(shù)提取的關(guān)鍵在于單木識(shí)別。目前，利用可見光遙感數(shù)據(jù)作為數(shù)據(jù)源識(shí)別單木的方法大致分為2 類：一是直接基于數(shù)字正射影像或其增強(qiáng)影像識(shí)別單木，主要方法包括：多尺度分割法[13-15]、分水嶺算法[16-18]、邊緣檢測(cè)[19]、光譜局部最大值法[20]等；二是基于運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)（SfM）算法構(gòu)建可見光影像匹配點(diǎn)云，將其轉(zhuǎn)化為具有高度信息的柵格表面模型（DSM/CHM），在此基礎(chǔ)上識(shí)別單木，主要方法包括：局部最大值法、局部最小值法[21-23]。其中，多尺度分割法、局部最大值法這兩種方法在單木識(shí)別中應(yīng)用較為廣泛。馮靜靜等[24]運(yùn)用改進(jìn)的數(shù)學(xué)形態(tài)學(xué)圖像增強(qiáng)技術(shù)處理數(shù)字正射影像，基于生成的灰度梯度圖像進(jìn)行面向?qū)ο蠖喑叨确指睿瑔文痉指罹葹?3.19%；張倉皓等[14]基于無人機(jī)不同飛行高度獲取的可見光正射影像，運(yùn)用面向?qū)ο蠖喑叨确指罘椒?，?shí)現(xiàn)了不同飛行高度的毛竹立竹度提取。郭偉等[25]以大興安嶺無人機(jī)可見光遙感數(shù)據(jù)為基礎(chǔ)，采用局部閾值法去除背景干擾，結(jié)合局部最大值法獲取了森林株數(shù)；劉江俊等[26]基于無人機(jī)可見光相片衍生的CHM，使用局部最大值法識(shí)別樹冠頂點(diǎn)，F(xiàn)1_score 為0.77；Hao 等[21]以杉木人工林為實(shí)驗(yàn)標(biāo)準(zhǔn)地，基于無人機(jī)可見光影像生成的CHM 進(jìn)行單木識(shí)別，整體F1_score 達(dá)0.99。

基于無人機(jī)可見光遙感的林分株數(shù)提取研究大多只探討了某一種方法的提取精度，并未在同一研究區(qū)對(duì)多種經(jīng)典方法的準(zhǔn)確性、適用性對(duì)比研究。鑒于此，選取平潭島一塊木麻黃人工林為研究區(qū)域，分別設(shè)置3 塊典型的幼齡林、成熟林標(biāo)準(zhǔn)地，以無人機(jī)可見光遙感為數(shù)據(jù)來源，使用基于冠層高度模型的局部最大值方法（LMC）、基于正射影像的局部最大值方法（LMD）、基于正射影像的多尺度分割方法（MST）提取幼齡林和成熟林的標(biāo)準(zhǔn)地株數(shù)，對(duì)3 種方法提取的株數(shù)和實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析，旨在探索基于無人機(jī)可見光遙感快速精確地提取木麻黃人工林林分株數(shù)方法的適用性。同時(shí)，為無人機(jī)可見光遙感技術(shù)監(jiān)測(cè)森林資源狀況、輔助資源調(diào)查，以及無人機(jī)可見光遙感的濱海防護(hù)林株數(shù)的快速提取等方面提供技術(shù)和方法支撐。

1 研究區(qū)概況

研究區(qū)位于福建省福州平潭境內(nèi)（25°15′～25°45′N, 119°32′～120°10′E）。平潭島上地形多以丘陵、平原為主；屬南亞熱帶海洋季風(fēng)性氣候，冬暖夏涼，濕潤(rùn)溫和，降雨時(shí)節(jié)分明；年平均氣溫19.5 ℃，年平均降水量900～1 200 mm，年平均風(fēng)速9 m/s，是福建省的強(qiáng)風(fēng)區(qū)之一。島上森林類型主要分為闊葉林、針葉林和針闊混交林。其中，常綠喬木主要有木麻黃（Casuarina equisetifolia）、臺(tái)灣相思（Acacia confusa）、黑松（Pinus thunbergia）等，植被結(jié)構(gòu)較為單一，優(yōu)勢(shì)樹種明顯，同時(shí)分布著海濱藜（Atriplex maximowicziana）、秋茄樹（Kandelia obovata）等濱海地區(qū)特有植物。研究區(qū)內(nèi)的常綠喬木為木麻黃純林，分別設(shè)置3 塊30 m × 30 m 的幼齡林標(biāo)準(zhǔn)地和成熟林標(biāo)準(zhǔn)地，見圖1。

圖 1 研究區(qū)地理位置及標(biāo)準(zhǔn)地分布Fig. 1 Location and sample distribution of the study area

2 材料與方法

2.1 數(shù)據(jù)來源與預(yù)處理

2.1.1 無人機(jī)影像數(shù)據(jù)的獲取及預(yù)處理

2021 年9 月8 日，采用搭載Mica Sense Red Edge 多光譜鏡頭（藍(lán)光、綠光、紅光、紅邊、近紅外）和普通可見光鏡頭的大疆精靈 4 無人機(jī)系統(tǒng)，于正午獲取研究區(qū)影像。無人機(jī)定位系統(tǒng)由GPS + BeiDou 組成，其中多頻多系統(tǒng)高精度RTK GNSS 使用的頻點(diǎn)為GPS：L1/L2；BeiDou：B1/B2，首次定位時(shí)間小于50 s，垂直定位精度為1.5 cm +1 ppm（RMS）；水平定位精度為1 cm + 1 ppm（RMS）；地面采樣距離 (H/18.9) cm/pixel，H為飛行器相對(duì)于起飛點(diǎn)的飛行高度（單位：m）；照片最大分辨率為：1 600 × 1 300（4∶3.25）；云臺(tái)可轉(zhuǎn)動(dòng)范圍為俯仰-90°～30°。本研究飛行參數(shù)設(shè)置為航線高度為80 m，航向重疊率和旁向重疊率分別為85%和75%，等時(shí)間間隔拍攝，拍攝間隔為2 s。

采用大疆智圖（DJI Terra）軟件對(duì)無人機(jī)可見光相片進(jìn)行校正、拼接等預(yù)處理，獲得無人機(jī)可見光正射影像（DOM）、數(shù)字表面模型（DSM）及點(diǎn)云數(shù)據(jù)，對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類，插值等處理生成數(shù)字地形模型（DEM），將DSM 與DEM 作差生成冠層高度模型（CHM），其中DOM 影像的分辨率為0.03 m，CHM 影像分辨率為0.06 m。

2.1.2 地面實(shí)測(cè)數(shù)據(jù)的獲取及單木位置確定

本研究共設(shè)置了6 塊標(biāo)準(zhǔn)地，幼齡林1、2、3 號(hào)標(biāo)準(zhǔn)地實(shí)測(cè)株數(shù)分別為182、175、170 株，共計(jì)527 株；成熟林1、2、3 號(hào)標(biāo)準(zhǔn)地實(shí)測(cè)株數(shù)分別為212、207、190 株，共計(jì)609 株。以正射影像為參考底圖，標(biāo)準(zhǔn)地西南角的頂點(diǎn)作為坐標(biāo)原點(diǎn)構(gòu)建平面坐標(biāo)系，確定標(biāo)準(zhǔn)地內(nèi)的單木的相對(duì)位置。使用RTK 對(duì)標(biāo)準(zhǔn)地的4 個(gè)頂點(diǎn)和個(gè)別單木進(jìn)行定位，實(shí)現(xiàn)標(biāo)準(zhǔn)地木麻黃的實(shí)地位置與遙感影像的精準(zhǔn)對(duì)應(yīng)。

2.2 單木提取方法

2.2.1 基于CHM影像的局部最大值濾波方法（LMC）

冠層高度模型（CHM）可以表達(dá)林分中每棵樹的冠層到地面的相對(duì)垂直距離[27]。木麻黃樹冠具有中心比四周高的特點(diǎn)，代表樹冠中心有更高的像元值，局部最大值法即通過固定窗口尋找CHM 中局部最高點(diǎn)來確定樹冠中心。前人研究表明，平滑窗口和固定窗口的大小是局部最大值檢測(cè)樹冠的關(guān)鍵，不同窗口組合會(huì)影響識(shí)別效果[21]。

為了突出局部最大值算法的最佳株數(shù)提取性能，本研究將3 種（0.1、0.2、0.3 m）平滑窗口和4 種（0.5、0.6、0.7、0.8 m）固定窗口相組合，共計(jì)12 個(gè)窗口組合，分別選擇1 塊幼林標(biāo)準(zhǔn)地和成熟林標(biāo)準(zhǔn)地進(jìn)行測(cè)試，選擇精度最高的窗口組合對(duì)其他標(biāo)準(zhǔn)地進(jìn)行株數(shù)提取。

2.2.2 基于DOM 影像的局部最大值濾波法（LMD）

在林分中，單木樹尖部分屬于新生部位且接收更多的光能，從而具有較高的光譜反射率[28]，正射影像的G 通道影像對(duì)綠色植物較為敏感，使用局部最大值濾波算法探測(cè)影像中冠狀最大值即單木樹冠最高值，從而實(shí)現(xiàn)單木識(shí)別。此外濱海地區(qū)土壤貧瘠，林下植被較少，木麻黃人工林裸地占比較高，而裸地的像素值高于植被，直接使用G 通道影像進(jìn)行局部最大值方法提取樹頂點(diǎn)效果較差，本研究使用過綠指數(shù)（EXG）[29]對(duì)G 通道進(jìn)行增強(qiáng)處理，能夠有效提高樹頂點(diǎn)的獲取精度。公式如下：

式中：R、G、B分別代表DOM 影像的紅、綠、藍(lán)3 個(gè)通道的像素值。

由于此方法也是基于局部最大值算法提取株數(shù)，故以LMC 方法獲得的最佳窗口組合作為本方法的最優(yōu)參數(shù)，提取6 塊標(biāo)準(zhǔn)地的株數(shù)。

2.2.3 基于DOM 影像的多尺度分割法（MST）

多尺度分割是一種自下而上的分割方法，通過合并相鄰的像素或小的分割對(duì)象，在保證不同對(duì)象之間平均異質(zhì)性最小、對(duì)象內(nèi)部像元之間同質(zhì)性最大的前提下，基于區(qū)域合并技術(shù)實(shí)現(xiàn)影像分割[30]。采用eCognitionDeveloper 8.9 軟件對(duì)6 塊木麻黃標(biāo)準(zhǔn)地進(jìn)行多尺度分割處理，提取樹冠，實(shí)現(xiàn)木麻黃人工林株數(shù)提取。

為了最大化突出本方法的株數(shù)提取性能，分別選取高、低密度林分的1 塊標(biāo)準(zhǔn)地來確定最佳分割尺度。使用ESP 工具來確定最佳分割尺度。在eCognition 軟件中加載ESP 插件，選擇Estimation of Scale Parameter 2 (ESP 2)算法，設(shè)置一系列的初始參數(shù)進(jìn)行迭代，處理結(jié)果將輸出1 個(gè)*txt 文檔，將文檔加載在ESP 后處理軟件ESP_Estimation_Scale_Parameter_Chart.exe 中，經(jīng)過計(jì)算將會(huì)生成最優(yōu)分割尺度折線圖（圖2）。其中橫坐標(biāo)表示分割尺度（Scale），縱坐標(biāo)分別表示影像對(duì)象的局部方差（LV）和局部方差變化率（ROC）。當(dāng)局部方差變化率（ROC）呈現(xiàn)波峰狀態(tài)時(shí)，表明此點(diǎn)的分割尺度為較優(yōu)分割尺度，選擇起伏程度較大的波峰點(diǎn)作為備選分割尺度。成熟林的備選分割尺度為28、33、38、40、47、57、61、73、80、91、97、113，幼齡林的備選分割尺度為27、33、46、50、54、59、68、87、95、108。在eCognition 軟件中創(chuàng)建多尺度分割進(jìn)程，形狀參數(shù)和緊致度參數(shù)都設(shè)計(jì)設(shè)置為0.5，然后改變分割尺度比較分割結(jié)果，經(jīng)比較，高、低密度林分最優(yōu)分割尺度分別為61、46。

對(duì)最優(yōu)分割結(jié)果進(jìn)行分類，篩選出木麻黃樹冠多邊形，樹冠多邊形的中心即為木麻黃樹冠中心。

圖 2 ESP 最佳分割尺度折線圖Fig. 2 The optimal segmentation scale line by estimation of scale parameter(ESP)

2.3 單木提取精度評(píng)價(jià)指標(biāo)

以實(shí)地調(diào)查單木位置點(diǎn)為中心，建立1 個(gè)半徑為0.8 m 的圓形緩沖區(qū)，當(dāng)識(shí)別到的潛在單木點(diǎn)位于緩沖區(qū)內(nèi)有且只有1 株，定義為正確識(shí)別；當(dāng)識(shí)別到的潛在單木點(diǎn)位于緩沖區(qū)內(nèi)有且大于1 株時(shí)，將距離緩沖區(qū)中心最近的1 株定義為正確識(shí)別，其他定義為錯(cuò)誤識(shí)別；當(dāng)識(shí)別到的潛在單木點(diǎn)位于緩沖區(qū)外，定義為錯(cuò)誤識(shí)別（圖3）。

圖 3 單木識(shí)別結(jié)果判斷流程圖Fig. 3 Flow of individual tree detection

使用準(zhǔn)確率（P）、召回率（RE）、F 測(cè)度（Fscore）[31-32]3 個(gè)評(píng)價(jià)指標(biāo)比較3 種方法識(shí)別精度。其中，P表示不同方法自動(dòng)提取的單木株數(shù)中正確的株數(shù)占比，RE 表示正確提取單木株數(shù)占標(biāo)準(zhǔn)地內(nèi)實(shí)際單木株數(shù)的比值，F(xiàn)score同時(shí)考慮準(zhǔn)確率和召回率，是衡量單木提取的方法的綜合指標(biāo)。

式中：TP 表示正確識(shí)別的株數(shù)，F(xiàn)P 表示錯(cuò)誤識(shí)別的株數(shù)，F(xiàn)N 表示遺漏的株數(shù)。

3 結(jié)果與分析

3.1 最佳參數(shù)的確定

3.1.1 局部最大值算法最佳窗口組合的確定

窗口組合識(shí)別結(jié)果見表1。

表 1 不同窗口組合單木識(shí)別結(jié)果對(duì)比Table 1 Comparison of individual tree detection with different combinations of window size

經(jīng)分析，在幼齡林或成熟林中，較小的平滑窗口和較小的固定窗口相組合均能獲得較高的RE 值。當(dāng)窗口組合為0.1～0.5 m 的組合時(shí)，低、成熟林的RE 值都達(dá)到最高，分別為0.97、0.98。隨著平滑窗口和局部最大值窗口的增大，RE值呈現(xiàn)降低趨勢(shì)。其中，成熟林的RE值在窗口組合為0.2～0.7 m 趨于穩(wěn)定。P值則與RE值的情況相反，隨著窗口的增大而升高。當(dāng)窗口組合為0.2～0.8 m 時(shí)，幼齡林的P值最大，達(dá)到了0.98；窗口組合為0.3～0.7 m 和0.3～0.8 m 時(shí)，成熟林的P值都為1。研究表明，當(dāng)平滑窗口和固定窗口較小時(shí)，遺漏株數(shù)較少，但誤判株數(shù)較多；當(dāng)平滑窗口和局部最大值窗口較大時(shí)呈現(xiàn)與之相反的結(jié)果。Fscore同時(shí)考慮了遺漏株數(shù)和誤判株數(shù)，將RE 值和P值的結(jié)果進(jìn)行調(diào)和，進(jìn)而全面評(píng)價(jià)識(shí)別結(jié)果。

經(jīng)過對(duì)比發(fā)現(xiàn)，窗口組合為0.3～0.5 m 時(shí)，幼齡林的遺漏株數(shù)和誤判株數(shù)都相對(duì)較低，F(xiàn)score最高；窗口組合為0.2～0.6 m 時(shí)，成熟林的遺漏株數(shù)和誤判株數(shù)都相對(duì)較低，F(xiàn)score最高。因此，幼齡林最佳窗口組合為0.3～0.5 m；成熟林最佳窗口組合為0.2～0.6 m。

3.1.2 面向?qū)ο蟮亩喑叨确指罘ㄗ罴逊指畛叨鹊拇_定

為了獲得最佳的多尺度分割效果，將形狀參數(shù)（0.1～0.9）和緊致度參數(shù)（0.1～0.9）進(jìn)行組合，得到共計(jì)81 組分割結(jié)果，對(duì)比分割效果，確定成熟林林分的形狀參數(shù)和緊致度參數(shù)都為0.8 時(shí)，單木分割效果最佳。使用相同方法，設(shè)置形狀參數(shù)和緊致度參數(shù)分別為0.8 和0.7 時(shí)，幼齡林分割效果最佳。

3.2 LMC、LMD、MST 最佳尺度下的識(shí)別結(jié)果對(duì)比單木提取結(jié)果

運(yùn)用基于CHM 的局部最大值法（LMC）、基于DOM 的局部最大值法（LMD）、基于DOM 的多尺度分割法（MST）3 種方法分別在2 種林齡中識(shí)別單木。3 種方法最佳結(jié)果見表2 和圖4，標(biāo)準(zhǔn)地總體Fscore從高到低為L(zhǎng)MC、LMD、MST，分別為0.97、0.90、0.78。

表 2 不同方法單木識(shí)別精度對(duì)比Table 2 Accuracy comparison of individual tree detection with different methods

LMC 方法在幼齡林和成熟林的RE、P、Fscore都相近，F(xiàn)score皆為0.97，說明LMC 方法能較全面地識(shí)別幼齡林和成熟林中的單木，具有很好的穩(wěn)定性和適用性；LMD 方法在不同林齡間的RE 值比較穩(wěn)定（0.97、0.94），且與LMC 方法的RE 值（0.96、0.97）也相近，而該方法對(duì)幼齡的誤判株數(shù)較多，導(dǎo)致幼齡林的P值比成熟林低0.9；MST 方法在幼齡林、成熟林的Fscore分別為0.76、0.81，精度相近且明顯低于上述兩種方法。

圖 4 方法對(duì)比及標(biāo)準(zhǔn)地結(jié)果展示Fig. 4 Method comparison and sample plot results

4 結(jié)論與討論

4.1 討論

本研究以福建省平潭島沿海防護(hù)林為研究區(qū)，設(shè)置了2 種林齡實(shí)驗(yàn)標(biāo)準(zhǔn)地，對(duì)基于冠層高度模型的局部最大值方法（LMC）、基于正射影像的局部最大值方法（LMD）、基于正射影像的多尺度分割方法（MST）木麻黃人工林株數(shù)提取結(jié)果進(jìn)行對(duì)比分析，發(fā)現(xiàn)3 種方法的單木識(shí)別的精度存在較大差異。對(duì)LMD 方法進(jìn)行精度評(píng)價(jià)后發(fā)現(xiàn)，相較于成熟林，幼齡林的P值降低了0.1，表明該方法對(duì)幼齡林的錯(cuò)誤識(shí)別株數(shù)較多，錯(cuò)誤識(shí)別是影響該方法的單木識(shí)別精度的主要因素。LMD 方法對(duì)幼齡林的單木識(shí)別精度較差，是因?yàn)橛g林郁閉度較低，地表附著著一些其他植被，其像素值與木麻黃冠層像素值相近[25]，存在同譜異物的現(xiàn)象，使用像素閾值刪除非樹冠點(diǎn)會(huì)導(dǎo)致誤刪樹冠點(diǎn)或漏刪非樹冠點(diǎn)。對(duì)MST 方法進(jìn)行精度評(píng)價(jià)后發(fā)現(xiàn)，其整體精度遠(yuǎn)低于LMC 和LMD，原因是其步驟更加繁瑣，需要先獲得樹冠輪廓，再將樹冠輪廓轉(zhuǎn)換為樹冠中心點(diǎn)，分割效果受分割尺度、光譜異質(zhì)性、形狀異質(zhì)性等諸多因素影響[33]。不同林齡識(shí)別精度也呈現(xiàn)了差異，幼齡林的P值更低，說明其錯(cuò)誤識(shí)別率較高，原因是雖然幼齡林具有更低的郁閉度，但其分布并不均勻，標(biāo)準(zhǔn)地同時(shí)出現(xiàn)了聚集和分散兩種分布情況，增加了分割參數(shù)選取的難度；其次，較低的郁閉度增加了地面植被以及陰影的影響。對(duì)LMC 方法進(jìn)行精度評(píng)價(jià)后發(fā)現(xiàn)，其在不同林齡中的精度相近且較高，原因在于相較于LMD，其使用高度閾值刪除非樹冠點(diǎn)克服了陰影和地面植被的影響。

由于LMC 方法通過設(shè)置高度閾值篩除掉了非樹冠點(diǎn)，去除了地面誤判點(diǎn)的干擾，最終單木檢測(cè)結(jié)果中的誤判點(diǎn)全部來源于樹冠。本研究試驗(yàn)了平滑窗口和局部最大值探測(cè)窗口的不同組合對(duì)局部最大值方法的單木識(shí)別效果，發(fā)現(xiàn)平滑窗口和局部最大值固定窗口的大小對(duì)單木識(shí)別結(jié)果具有影響。保持平滑窗口不變，發(fā)現(xiàn)幼林和成熟林具有相同規(guī)律，即隨著局部最大值探測(cè)窗口和平滑窗口的增大，RE 值呈現(xiàn)降低趨勢(shì)，P值呈現(xiàn)升高趨勢(shì)。研究表明較小的固定窗口可以獲得更高的單木檢測(cè)率，但是存在較高的誤判率。當(dāng)樹冠尺寸較大或者冠形較復(fù)雜時(shí)，偏小的固定窗口導(dǎo)致重復(fù)檢測(cè)同一棵樹；偏大的固定窗口則會(huì)過濾掉較小的樹冠，從而導(dǎo)致單木漏檢。因此，不同林齡的木麻黃林分需要設(shè)置不同的窗口進(jìn)行單木株數(shù)的提取。

4.2 結(jié)論

本研究以典型沿海防護(hù)林樹種木麻黃為研究對(duì)象，基于無人機(jī)可見光遙感數(shù)據(jù)，選取了6 個(gè)標(biāo)準(zhǔn)地（2 種林齡類型，共1 136 株），結(jié)合地面實(shí)測(cè)數(shù)據(jù)，通過計(jì)算召回率（RE）、準(zhǔn)確率（P）和Fscore，比較3 種方法（LMC、LMD 、MST）的株數(shù)提取精度。結(jié)果表明：3 種方法中LMC 總體株數(shù)提取精度較高，F(xiàn)score達(dá)0.97，MST 總體株數(shù)提取精度最差，F(xiàn)score僅為0.78；LMC 方法對(duì)不同林齡木麻黃人工林的株數(shù)提取精度相近，而LMD、MST 在成熟林的株樹提取精度高于幼齡林；經(jīng)綜合分析，3 種方法中，LMC 總體株數(shù)提取精度最高，且適用于不同林齡的木麻黃人工林株數(shù)提取，可以滿足實(shí)時(shí)、快速提取木麻黃人工林株數(shù)的需求。