Page 32 - 亚洲木工业 2015.1/2

Green Moutain Timber Frames

程的效率和安全性。总而言之，能见度是影响 TLS 测 如枯枝）的差异所造成的。如果仅使用三种质量等级时，
定精度最重要的因素之一。 品质差异也变得更加清晰和显著。最重要的预测参数
树的胸径获得最高的估测精度。这些结果与之前发 是枯枝，这与先前的研究是一致的。
布的数据相似。以往的研究表明，使用自动化的树干曲 如果精确性是根据等级来评估的话，最高的分级精
线测量手段甚至能够获得更精准的胸径预估值。同时， 确性体现在等级 5 和等级 7 中。最低的精确性（0%）
树的高度的估测精度也与先前的研究结果相似。由于 则显示在等级 9 中。造成这种结果的最大可能性是由
树冠顶端部分的能见度有限，树的高度也在某种程度 小规模样本引起的，因此，为了进一步评估树木的质
上被低估。 量分级精度，便需要使用规模更大，更多样化的数据集。
木材外部质量的估测结果是令人满意的。结果表 此外，作为参考依据的树木质量测定的视觉评估所

明，在 NFI 中执行的与视觉评估相一致的质量分类结 体现的一致性对于预估精度产生某种影响。树木级别的
果可以根据树枝的高度特性（95% 的准确度）实现。 实地测量高度依赖于测量器并且可能呈现出显著变化。
此外，进一步密切对应的结果可以从这些属性所使用 鉴于此，在未来研究中，必须对视觉评估的一致性和
的地面激光扫描测定中获得。 质量进行预估，这一点是很重要的。
树的属性是根据 TLS 点云数据手动进行测定的，
分级精度 这是一个限制因素。手工测量在用于大面积的森林（资
树木使用从 TLS 数据测得的属性分别被归类为精确性 源）调查领域是不可行的，但它们能够有效地应用于

为 83.6% 的三个等级，以及精确性为 76.4% 的五个等 小规模范围。为了使用这些手段来操作林业活动，数
级。分级精确性较低的五个等级主要是由预测参数（例 据处理应该采用自动化。

30 亚洲木工业 二零一五年一月至二月份