翻译：Our algorithm makes use of the 3D structure inherent inthe lidar point cloud It makes use of the shape of trees in aforest by taking advantage of the relative difference inspacing between tree tops

我们的算法利用了激光雷达点云中固有的三维结构。它利用了森林中树木的形状，通过利用树冠和树干之间的相对距离差异，并且它包含了一种新型的树形状量化方法，该方法由树木的水平剖面定义。如果激光脉冲不均匀地采样了树冠，可能会发生分类错误，但是通过增加激光雷达点密度可以减少这个问题。在我们的研究中，平均激光雷达点密度大于每平方米6个点，并且可以达到每平方米20个点的植被区域，这足以捕捉单个树木的三维结构。

与其他树木分割方法类似，树冠检测是分割中最重要的步骤，因为它对结果的精度有显著影响。过去，局部最大值过滤技术被用于定位树木的顶部，但是在密集和变化的森林树冠中难以确定搜索窗口的大小(Popescu和Wynne，2004; Chen等，2006)。我们的算法通过找到全局最大值来避免这个常见问题，使用分类规则分割这个目标树，并从点云中删除结果树。随后，剩余点云中的最高点可以用作第二高树的顶部，以此类推。因此，树木是从最高到最低逐个分割的。这种方法相对于以前的努力也有助于我们的高精度率。

在我们的算法中，树木分割的不确定性主要来自间距阈值。在树木间距较大的稀疏森林中，我们可以使用相对较大的阈值来隔离树木。然而，在密集森林中很难确定适当的阈值。较高的阈值可能导致欠分割，而较小的阈值可能导致过分割。可以通过使用自适应阈值来减少过分割和欠分割，假设较高的树木具有较大的冠幅直径，因此在上层具有较大的间距。或者，我们可以使用相对较小的阈值来减少欠分割，并结合更多的分类规则（例如点的形状和分布）来减少过分割。我们的研究表明，这种自适应阈值方法在针叶林中是足够的。在其他森林中，例如由决策树主导的冠幅更大和更复杂的枝干，应该结合更多的面向对象和形状相关的规则来提高精度。我们计划在未来的工作中研究这个问题。

同时值得注意的是，该算法计算密集，因为点是一个接一个地分配到它们对应的树簇中。添加更多的规则将显著增加计算时间。因此，可以研究减少计算时间的策略（例如并行处理）。

我们的算法是新颖的，因为它直接使用原始激光雷达点云。大多数其他单个树木算法利用点云的网格化变换：通常是树冠高度模型(Chen等，2006)。这些方法面临两个挑战。首先，插值方法引入的不确定性会影响分割和树木测量的精度(Guo等，2010)。其次，这些树木对象没有充分利用激光雷达点云中固有的完整三维结构。使用这种新方法，一旦正确分割了树木，我们可以直接从包含在该树木中的点中测量树高、冠幅大小和其他重要的树木参数。优点是显而易见的：树木分割及其随后的测量不受插值不确定性的影响，重要的三维森林参数可以直接从构成每个树木的激光雷达返回中提取。在本研究中，我们专注于评估单个树木分割的精度，并计划在未来的研究中全面评估基于不同树木分割方法的树木测量的精度。

精度评估方法也需要进一步研究。在树木分割中，我们的目标是尽可能检测到更多的树木，同时最小化虚假检测的树木数量。存在两种类型的错误：过分割误差（FP）和欠分割误差（FN），分别由过分割和欠分割引起。为了评估算法的表现如何，有必要考虑精度评估中的这两种错误类型。请记住，我们的兴趣专注于一个类别，即树木提取（真正阳性），而真正阴性不予考虑。因此，传统的精度指标，如总体精度和kappa系数不适用。在这里，我们建议使用F分数，这是信息检索中常用的分数(Goutte和Gaussier，2005; Sokolova等，2006)。F分数是精度和召回率的调和平均值。请注意，召回率与欠分割误差成反比，而精度与过分割误差成反比。因此，更高的F分数表示过分割和欠分割误差都较低。在未来的研究中，有必要全面探讨树木分割中的精度评估方法，并提出可以一致应用的标准，这将促进文献中精度比较。