激光雷达(light detection and ranging,LiDAR)作为一种主动遥感技术,在林业调查中起到越来重要的作用。近年来,随着激光雷达搭载平台的不断发展,获取的林业参数的尺度也变得越来越精细化。为探究无人机激光雷达(unmanned aerial vehicle laser scanning,UAVLS)获取单木树冠三维结构的能力,本研究利用一种高效率、灵活便捷的无人机载激光雷达对人工长白落叶松进行了单木树冠特征因子的提取以及树冠轮廓的模拟,并与机载激光雷达(airborne laser scanning,ALS)单木探测和单木树冠特征因子的提取精度进行了比较。首先对采集的UAVLS和ALS数据进行了一系列的预处理,得到用于单木探测和分割的树冠高度模型(canopy height model,CHM)以及高程归一化的点云数据。然后进行了单木的探测和分割,对比了两种单木分割方法(标记控制分水岭和改进的K-means聚类),选取所有正确分割的单木进行了树冠特征因子(树高、冠基高、冠幅、体积及表面积)的提取。利用UAVLS单木点云数据获取了树冠外部最大轮廓点,用四种方程(二次抛物线、单分子式、幂函数、修正的Weibull分布)构建了树冠轮廓模型,并且对模型进行旋转重建了树冠三维几何结构,同时估算了几何体的体积及表面积作为树冠的体积及表面积,并与直接从点云中估算的树冠体积及表面积进行了对比。研究结果表明,UAVLS相比于ALS不仅具有更高的单木探测精度,也具有更高的单木树冠结构参数提取精度,其中单木探测率提高了约37%,单木位置探测的精度提高了 0.19m,树高的估算提高了 1.29m,冠幅的估算提高了 0.19m。对于单木树冠的分割,标记控制分水岭方法比改进K-means方法分割落叶松树冠的效果更好。相比于其他无人机估算树冠特征因子的研究结果,本研究无人机激光雷达数据对于树冠特征因子的提取有着较高的精度,尤其是对于树高和冠幅的提取,RMSE分别为0.58m和0.39m。对于树高的低估,研究证明了树高的低估程度随着点云密度的增加有所改善。UAVLS对于冠基高的估算略有不足,高估了 0.6m,主要是由于激光雷达传感器能量回波次数少,导致穿透冠层的点云分布不均匀。树冠轮廓的模拟结果表明,四种的轮廓模型都能够很好的描述UAVLS构建的树冠外部轮廓,四种模型的拟合R2均高于0.75,对于模型的检验来说,修正的Weibull模型和二次抛物线模型均具有较强的预测能力。对于树冠体积和表面积的估算,基于树冠轮廓模型估算的树冠体积和表面积结果相比于基于三维凸包估算的树冠体积和表面积更为准确。总的来说,该研究为无人机激光雷达提取单木树冠三维结构提供了一个高效的方案,一定程度上可以代替部分外业实测,避免伐木与复杂的人工测量,进而提高林业调查的效率。