激光点云在园林城市绿地建库中的应用研究

吴国华

(福州市勘测院，福建 福州 350108)

1 引 言

福州市具有十分丰富的地理自然资源和历史人文资源，早在2003年就被评为国家园林城市。随着福州市城市建成区的不断扩展以及城区绿化改造提升、河岸串珠公园等园林绿化项目的建设，于2016年提出创建国家“生态园林城市”的目标。申报国家生态园林城市需依据《国家生态园林城市标准》中各项指标标准，并及时掌握福州市园林绿化现状及历年指标变化情况，以及时进行调整优化[1]。为能及时实现福州市城市园林绿地数据采集与更新，福州市园林中心启动建设福州规划区城市绿地数据库，并设立快速提取建库及年度更新的目标。

2 总体思路

根据已建设的 1∶500地形图库、激光点云数据库(点云区域密度为16点/m2)、高分辨率正射影像数据，制定绿地面和绿化覆盖面快速提取构建的作业流程。其中绿地面构建的作业方式相对传统，可以从地形图中直接提取构建。绿化覆盖面构建通过激光点云提取筛选树木点，然后根据树木点构建三角网形成首尾闭合多段线，再利用闭合段线构建融合生成绿化覆盖面，并对绿化覆盖面进行修复与效果评价。具体流程图如图1所示。

3 绿地构建

城市绿地数据库最主要的建设内容是绿地面和绿化覆盖面两部分内容，其分别对应生态园林城市的建成区绿地率、建成区人均公共绿地、建成区绿化覆盖率等不同统计指标。其中绿地面积一般理解为绿化占地面积，是指绿地边界围合之内所有的公共绿地、道路绿地等硬质景观[2]，以及生产绿地、风景林地等边界内由于郁闭度原因造成的裸露的土壤都归为绿地面积[3]；绿化覆盖面积是相对于绿化占地面积而言，其不仅包含绿地占地面积还包括高于地面的冠幅垂直投影面，具体是指城市中乔木、灌木、草坪等所有植被的垂直投影面积，包括屋顶绿化植物的垂直投影面积以及零星树木的垂直投影面积，乔木树冠下的灌木和草本植物以及灌木树冠下的草本植物垂直投影面积均不能重复计算[4]。二者主要区别是在乔木、灌木等高大绿植的冠幅投影面积一般大于其绿地占地面积，而相对于草坪等低矮近地绿植来说绿地面和绿化覆盖面则是相同的。

图1 绿地面及绿化覆盖面构建作业流程图

3.1 绿地面构建

绿地面构建方式采用传统的电子地图绿地面构建方式。首先通过分层提取城市 1∶500地形图库中的植被相关数据图层，对灌木林、疏林、苗圃、竹林、草地、人工绿地、农用地、林用地等面状绿地可直接作为绿地面。然后对提取的植被点、线数据进行拓扑构面，即可快速完成绿地面的构建。

3.2 绿化覆盖面构建

绿化覆盖面构建流程是以福州市机载激光点云数据(16点/m2)为源数据，首先提取点云高于地面一定数值(此处取高于地面 1.2 m以上)的点云数据，其次通过叠加建筑物、构筑物等矢量面数据剔除建筑物、构筑物点云数据，再根据德洛内三角网空外接圆特性对筛选树木点集构建三角网，最后根据构建的德洛内三角网拓扑构建多边形面要素并对多边形面要素进行相邻面融合，从而完成绿化冠幅覆盖面的快速构建。

3.2.1 一定高度地物点提取

LiDAR系统直接获取的是地球表面的三维坐标，因此可以用LiDAR点云数据直接生成数字表面模型DSM。这样生成的DSM中包含大量的建筑物点、构筑物点、树木点以及其他非地面点。要想分离提取树木点，首先需要生成数字地形模型DTM，采用Vosselman提出的以形态学理论为基础的坡度滤波算法，通过滤波处理，滤掉非地面点，最后使用逐点内插法生成DTM然后通过高程阈值对地面点与地物点进行区分，可采用原始的DSM减去DTM的方式得到规则化的DSM(nDSM)[5]。最后根据建筑物、构筑物与树木都具有一定高程的特性，再利用nDSM的值对LiDAR数据进行高程阈值分割提取出地物点。

此处相对高程的地物点云数据提取，采用FME Workbench作为具体提取操作软件，可使用Point Cloud Property Extractor、Point Cloud Coercer、Point Raster Value Extractor、Expression Evaluator、Point Cloud Combiner等转换器组合把点云生成的nDSM与DTM进行高程计算生成相对高程的点云。具体FME Workbench转换器的组合示意图如图2所示。

图2 利用FME提取相对高程点云的转换组合示意图

然后再利用Point Cloud Property Extractor、Point Cloud Spltter等转换器提取一定高度的地物点点云。按福州市乔灌木实际冠幅高度情况，对高于地面 1.2 m以上的地物点进行提取。具体FME Workbench转换器的组合示意图如图3所示，以福州市高新区一景激光点云(约 9.6 km2)提取的地物点效果部分截图如图4所示和局部放大图如图5所示。

图3 提取一定高度的地物点FME转换器示意图

图4 提取的地物点一景截屏效果图 图5 提取的地物点局部放大效果图

3.2.2 树木点筛选提取

通过3.2.1方式提取的地物点云，主要包含建筑物、构筑物点云和树木点云，而绿化覆盖面构建仅需要对树木点数据，因此需要剔除掉建筑物和构筑物点云数据的干扰。树木点的筛选提取操作可利用FME Workbench的cliper转换器，用提取出的地物点与建筑物、构筑物矢量面数据进行叠加筛除建筑物点云数据，即得到树木点数据。如图6是地物点与建筑物、构筑物面叠加局部放大图，图7是通过筛除建筑物点、构筑物点的方式提取的树木点效果局部放大图。

图6 地物点与建筑物、构筑物面叠加局部放大图

图7 提取的树木点效果局部放大图

3.2.3 构建Delaunay三角网

德洛内(Delaunay)三角网是一系列相连的但不重叠的三角形的集合[6]。Delaunay三角网的优点是结构良好，数据结构简单，数据冗余度小，存储效率高，与不规则的地面特征和谐一致，可以表示线性特征和叠加任意形状的区域边界，可适应各种分布密度的数据等[7]。正是本身的这些优点，常被应用于GIS中的网络分析中，成为描述地表形态的一种公认方法，是地表(地貌和地物)数字化表现的重要手段和常用分析工具[8]。

根据Delaunay三角网空外接圆特性，以待构建树木点集作为Delaunay三角网构建中各个三角形的顶点来构建Delaunay三角网。在构建Delaunay三角网的过程中，构建三角网外接圆半径参数值的设置决定了三角网的构网精度，需要参照预处理过程中树木点的点间距进行测试设置。设置的初始值一般与待处理树木点集的点间距相近时构建的效果最佳。其原理是通过Delaunay三角网内的各个Delaunay三角形的外接圆半径r进行计算，对外接圆半径r值大于设定初始值alpha的Delaunay三角形进行舍弃，并对组合的网格以单一的三角形为最小单元打散，从而以树木点集构建成覆盖植被冠幅区域范围的Delaunay三角网。

具体操作工具可利用FME平台的Point Cloud Property Extractor、Point Cloud Coercer(Individual Point)、Hullaccumulator、Triangulator、Deaggregator等转换器，对树木点集通过形成封闭凸壳，将封闭壳体范围内的几何对象分解成三角形单元网格，从而构建成覆盖树木点集区域范围的Delaunay三角网。如图8是树木点云构建三角网在FME Workbench平台的转换器组合示意图。

图8 绿化覆盖点云构建三角网的转换器组合示意图

图9 设置不同的alpha初始值时三角网构建效果局部示意图

如图9是分别设置外接圆alpha初始值为 0.20 m、0.40 m、 0.80 m时构建的Delaunay三角网效果局部示意图，从构图效果不难看出alpha初始值为 0.40 m左右时构图效果较好，alpha初始值过小则难以构成完整图形，alpha初始值过大则会出现相邻三角网粘连的情况。

3.2.4 创建拓扑多边形面要素

构建的Delaunay三角网中的每一个三角形都可以认为是首尾相连的Polyline(线)，从而经过拓扑处理可以构建成一系列无缝拼接的Polygon(三角形区域)[9]。在构建的一系列无缝拼接的Delaunay三角面网中，相邻接的两个三角形面都有一个公共边界线，通过删除相邻接三角形公共边界线来融合两个三角形面要素，从而创建一个更大的合并四边形面区域[10]。利用同样的方式对相邻接的两个四边形面进行融合成更大的多边形面区域，直至所有相邻接的Delaunay三角形面融合成一个完整的区域。

此处应用FME Workbench平台中的Line OnLine Overlayer、AreaBuilder等转换器，对构建的三角网多段线进行拓扑处理以获取一系列拓扑关系上连接的闭合多段线，然后对首尾闭合的多段线创建拓扑正确的多边形面要素，从而生成一系列无缝拼接的不规则三角面网。再利用Dissolver转换器，通过删除相邻接多边形公共边界来融合面要素的功能，从而创建更大的合并区域。对由Delaunay三角网拓扑构建的一系列无缝邻接的不规则三角面网进行相邻面融合合并，最终将Delaunay三角形要素面融合成绿化覆盖面。具体拓扑构建三角面网及邻接三角面网融合处理的流程图如图10所示，以福州市高新区一景激光点云(约 9.6 km2)融合生成的绿化覆盖构面截屏效果图如图11所示，其局部放大效果如图12所示。

图10 三角网拓扑构面及面区域融生成绿化覆盖面流程图

图11 点云融合生成的绿化覆盖面截屏效果图

图12 融合生成的绿化覆盖面局部放大效果图

3.2.5 绿化覆盖面毛刺修复

激光点云采集及提取筛选中产生的个别噪点，会在构建绿化覆盖面边缘生成尖锐的毛刺，具体如图13所示。这种毛刺的生成影响绿化覆盖面的构面精度和图面美观，需要对毛刺进行消除修复平滑以提升构面效果。此处具体可以采用FME Workbench平台中的Geometry Coercer、Spike Remover等转换器，通过设置一定角度和长度值来消除毛刺以修复平滑构建的绿化覆盖面。

图13 绿化覆盖面边缘毛刺示意图

3.2.6 绿化覆盖面效果评价

对激光点云提取树木点进行拓扑构建的绿化覆盖面的构面效果验核评价，其评价原理是绿化覆盖面与同时期正射影像进行叠加分析其数据拓扑关系一致性情况。具体评价因素包括如下三点：

(1)绿化覆盖面与正射影像中树木冠幅垂直投影一致性评价

对采用激光点云提取树木点进行拓扑构建的绿化覆盖面与同时期正射影像数据进行叠加比对分析，分别对独立灌乔木构面、成片灌乔木构面、空旷区域灌乔木构面、邻近建筑物灌乔木构面、灌乔木构面范围与正射影像中树木冠幅垂直投影一致情况、相临近灌乔木之间粘连构面等情况进行综合比对验核评价[11]。发现自动生成的绿化覆盖面与同时期正射影像的绿植垂直投影套合基本一致，能够比较准确地勾勒出各种情况的绿植垂直投影范围面。具体叠加效果如图14所示，局部放大图如图15所示。

图14 激光点云构建绿化覆盖面效果图

图15 构建绿化覆盖面叠加正射影像局部放大图

(2)激光点云中噪点误构面情况评价

随机选取福州市高新区9.6 km2范围的激光点云数据进行自动拓扑构建绿化覆盖面，然后对构建的绿化覆盖面进行人工比对筛查统计共计构建绿化覆盖面 51 139个，总计绿化覆盖面积 4 166 037.35 m2，筛选出噪点误构面 17 361个，累计面积 15 497.65 m2，总的噪点误构面面积占自动构建绿化覆盖面面积的0.372%。经过分析激光点云中干扰噪点误构面多为交通杆点、汽车、树木与建筑边缘衔接处等噪点，绝大部分噪点误构面面积小于 0.50 m2，可以通过面积过滤筛除掉，其他通过人工比对检查可剔除。

(3)激光点云构建与传统人工绘制绿化覆盖面效率对比评价

绿化覆盖面传统生产作业方式是以高分辨率正射影像为底图，进行人工判读绘制绿化覆盖面。主要存在植被冠幅边缘判读精度不高、生产作业效率相对较低等问题。尤其是生产作业效率问题，一般人均日作业面积仅 2 km2～3 km2，致使城市绿化建库生产更新工期相对较长。而采用激光点云提取树木点进行拓扑构建绿化覆盖面的方法，相比传统生产作业方式则可以很好地解决以上问题，尤其是在生产效率上有指数级的提升。

综上分析，采用激光点云提取树木点进行拓扑构建绿化覆盖面的方法，构建的植被覆盖面位置精度更优且作业效率有了极大的提升，能够更好、更快地满足国家园林城市绿化数据采集建库的应用要求。

4 结 论

相比以往传统人工影像判读绘制绿化覆盖面的作业方式，采用激光点云提取树木点拓扑构建绿化覆盖面的方法，大幅提升了城市园林绿地采集建库的效率和作业精度。通过对福州市规划区共 677 km2范围的城市园林绿地采集建库实践，激光点云自动构建城市绿地方法的应用实现了城市绿化数据的快速采集建库及年度更新的目标。为福州市园林中心及时掌握规划区园林绿化数据现状和历年城市园林绿化指标的变化提供了有效的数据支撑。