1、doi：10.11707/j.1001-7488.LYKX20210831点云密度对机载激光雷达大区域亚热带森林参数估测精度的影响*周相贝1,2李春干1代华兵3余铸1,3李振3苏凯1（1.广西大学林学院南宁 530004；2.广西自然资源职业技术学院扶绥 532199；3.广西壮族自治区林业勘测设计院南宁 530011）摘要：【目的】点云密度是影响机载激光雷达数据获取和预处理成本的关键因素，探明点云密度对森林参数估测精度的影响，为机载激光雷达大区域森林调查监测应用技术方案的优化提供参考依据。【方法】基于我国广西一个亚热带山地丘陵区域获取的机载激光雷达和样地数据，通过系统稀疏方法，将全密度点云（
2、4.35 点m2）分别稀疏至 4.0、3.5、3.0、2.5、2.0、1.5、1.0、0.5、0.2 和 0.1 点m2，得到 11 个样地尺度的点云数据集，包括 1 个全密度和 10 个稀疏密度点云数据集；应用配对样本 t 检验方法，分析 4 种森林类型（杉木林、松树林、桉树林和阔叶林）中稀疏密度点云和全密度点云之间 12 个激光雷达变量的差异；通过变量和结构固定的多元乘幂模型式，分别采用不同密度点云数据集对林分蓄积量（VOL）和断面积（BA）进行估测，比较模型优度统计指标决定系数（R2）、相对均方根误差（rRMSE）和平均预估误差（MPE）的差异，并应用 t 检验方法分析稀疏密度点云 VO
3、L 和 BA 估测值均值和全密度点云相应估测值均值的差异。【结果】1）点云密度较低时，稀疏密度点云分位数高度（ph25、ph50 和 ph75）的均值与全密度点云相应变量的均值存在显著性差异，但不同森林类型、不同变量出现显著性差异时的点云密度不同，各森林类型中稀疏密度点云平均高（Hmean）和点云高变动系数（Hcv）的均值与全密度点云相应变量的均值基本不存在显著性差异，但点云最大高（Hmax）的均值存在显著性差异；2）各森林类型中，稀疏密度点云冠层覆盖度（CC）和中下层分位数密度（dh25）的均值与全密度点云相应变量的均值差异不显著（阔叶林 dh25 除外），但中上层分位数密度（dh50 和
4、dh75）存在显著性差异；3）各森林类型中，稀疏密度点云平均叶面积密度（LADmean）的均值与全密度点云 LADmean的均值存在显著性差异，当点云密度较低时，稀疏密度点云叶面积密度变动系数（LADcv）的均值与全密度点云 LADcv的均值存在显著性差异；4）各森林类型中，不同密度点云 VOL 和 BA 估测值差异很小，且均不存在显著性差异，但随点云密度降低，杉木林、松树林和桉树林 VOL 和 BA 估测模型的 R2缓慢逐渐减小，rRMSE 和 MPE 缓慢逐渐增大，森林参数估测精度逐渐降低，阔叶林 VOL 和 BA 估测模型的 R2、rRMSE 和 MPE 受点云密度变化影响不大。【结论】
5、点云密度降低导致激光雷达变量标准差增大是造成森林参数估测模型精度降低的主要原因，在实际机载激光雷达森林资源调查监测应用中，点云密度以大于 0.5 点m2为宜。关键词：机载激光雷达；LiDAR 变量；林分蓄积量；断面积；模型中图分类号：S757文献标识码：A文章编号：10017488(2023)09002311Effects of Point Cloud Density on the Estimation Accuracy of Large-Area Subtropical ForestInventory Attributes Using Airborne LiDAR DataZhou Xian
6、gbei1,2Li Chungan1Dai Huabing3Yu Zhu1,3Li Zhen3Su Kai1（1.Forestry College of Guangxi UniversityNanning 530004；2.Guangxi Natural Resources Vocational and Technical CollegeFusui 532199；3.Guangxi Forest Inventory and Planning InstituteNanning 530011）Abstract：【Objective】Point cloud density is a critical
7、 factor affecting the cost of airborne LiDAR data acquisition and pre-processing.Therefore,exploring the influence of point cloud density on the estimation accuracy of forest inventory attributes canprovide a reference for optimizing technical schemes for airborne LiDAR-based large-area forest inven
8、tory and monitoring.【Method】In this study,we used airborne LiDAR data and field plot data collected in a subtropical mountainous and hilly regionin Guangxi,China.Firstly,the original point clouds with a density of 4.35 pointsm2 were reduced to 4.0,3.5,3.0,2.5,2.0,1.5,1.0,0.5,0.2,and 0.1 pointsm2 usi
9、ng a systematic thinning method,respectively,resulting in 11 plot-level point cloud datasets,收稿日期：20211116；修回日期：20220110。基金项目：广西林业科技推广示范项目（GL2020KT02）；广西壮族自治区林业勘测设计院科研业务费项目（GXLKYKJ201601）。*李春干为通讯作者。本研究得到广西壮族自治区林业局资助并提供机载激光雷达数据，广西壮族自治区林业勘测设计院杨承伶和梁耀领导样地调查工作，众多人员参与样地调查，一并致谢。第 59 卷 第 9 期林业科学 Vol.59，No.9
10、2 0 2 3 年 9 月SCIENTIA SILVAE SINICAESept.，2 0 2 3including one full-density point cloud dataset and ten reduced-density point cloud datasets.Secondly,a paired sample t-test wasused to analyze the differences in 12 LiDAR-derived metrics between reduced-density point clouds and full-density point clou
11、ds infour forest types(Chinese fir,pine,eucalyptus,and broad-leaved).Thirdly,using a multiplicative power model formulation withfixed variables and stable structure,the stand volume(VOL)and basal area(BA)were estimated using various density datasets ofpoint clouds,respectively,and their goodness-of-
12、fit statistics,including coefficient of determination(R2),relative root square error(rRMSE),and mean prediction error(MPE),were compared.Finally,a t-test was used to analyze the differences in the means ofthe estimates between the reduced-density point clouds and full-density point clouds.【Result】1)
13、When the point cloud densitywas low,the means of the 25th,50th,and 75th height percentiles(ph25,ph50,and ph75)of the reduced-density point clouds showedstatistically significant differences from those of the corresponding variables of the full-density point clouds.However,whenstatistically significa
14、nt differences were found for different variables in various forest types,the point cloud densities differed.There were no statistically significant differences in the means of mean point cloud height(Hmean)and coefficient of variation ofpoint cloud height distribution(Hcv)between the reduced-densit
15、y point clouds and full-density point clouds in all forest types,butthere were statistically significant differences in the means of maximum height(Hmax)of point clouds between the reduced-densitypoint clouds and full-density point clouds for all forest types.2)The means of canopy cover(CC)and 25th
16、density percentile(dh25)of the reduced-density point clouds were not statistically significantly different from those of the corresponding variables ofthe full-density point clouds for all forest types(except dh25 for broadleaf forests),but statistically significant differences existedfor the 50th a
17、nd 75th density percentiles(dh50 and dh75).3)The means of the mean leaf area density(LADmean)of reduced-densitypoint clouds were statistically significantly different from those of the LADmean of full-density point clouds in all forest types,andwhile the means of the coefficient of variation of leaf
18、 area density(LADcv)of reduced-density point clouds were significantlydifferent from those of the LADcv of full-density point clouds when point cloud density was low.4)The differences in theestimates of VOL and BA for different density point clouds were small among the forest types,and none of the e
19、stimates werestatistically significantly different from each other.However,as the density of point clouds decreased,the R2 of the estimationmodels for VOL and BA for fir,pine,and eucalyptus forests slowly decreased,and the rRMSE and MPE slowly increased,indicating that the estimation accuracy of for
20、est inventory attributes gradually decreased.The R2,rRMSE,and MPE of theestimation models for VOL and BA for the broad-leaved forests were not obviously affected by the change in point cloud density.【Conclusion】The decrease in the density of point clouds leads to an increase in the standard deviatio
21、n of the LiDAR-derivedmetrics,which is the main reason for the decrease in the estimation accuracy of forest inventory attributes.In the operational forestresources investigation and monitoring,the airborne LiDAR point cloud density should be greater than 0.5 pointsm2.Key words：airborne LiDAR；LiDAR-
22、derived metrics；stand volume；basal area；model 机载激光雷达（light detection and ranging,LiDAR）点云数据详细、准确刻画森林冠层三维结构，全面反映林分冠层水平和垂直分布状况，为森林参数估测和制图奠定了坚实的生物物理基础，已逐步成为当前单木和林分尺度森林参数估测的先进遥感技术（李增元等，2016；曹林等，2013；Mascaro et al.,2011；Zolkos etal.,2013；Singh et al.,2015），并成功应用于各类森林，包括温带森林（庞勇等，2012；Ioki et al.,2010；Ahme
23、d etal.,2013）、北 方 森 林（Nsset,2004a；Thomas et al.,2006；Maltamo et al.,2016）、热带林（Drake et al.,2003；Garca et al.,2017）、地中海森林（Garca et al.,2010；Montealegre et al.,2016）、高 度 集 约 经 营 的 桉 树（Eucalyptus）人工林（Grgens et al.,2015）以及城市森林（He et al.,2013；Giannico et al.,2016）、灌 木 林（Estornell et al.,2011）、林下植被（Estorn
24、ell et al.,2011；2012；Li et al.,2017）等，从国家尺度（McRoberts et al.,2010；Watt et al.,2013）和省州尺度（Johnson et al.,2014）的森林资源监测到企业尺度（Straub et al.,2013）的森林资源调查评估均有大量成功应用案例。随着传感器技术的快速发展，机载激光雷达数据精度得到极大改善（Renslow et al.,2000），由离散激光雷达系统产生的点云密度和每个脉冲的回波数量呈指数增加趋势（Singh et al.,2016），一些传感器如 RieglQ680i 和YellowScan Mappe
25、r 等，点云密度达3040 点m2（Latifi et al.,2015），可提取枝条等十分详细的树冠结构信息（Vauhkonen et al.,2013）。在以直升机为平台进行低空飞行和窄扫描角的情况下，激光雷达点云密度高达每平方米上千个甚至数千个（Pearse et al.,2018），能够极为精确刻画林木的枝、干结构，减轻地面调查工作量（Kellner et al.,2019）。点云密度增加有24林业科学59 卷 助于提高冠层垂直剖面描述精度和森林参数估测精度；然而，点云密度与数据获取成本呈正相关关系，点云密度高，意味着飞行高度降低，扫描条带变窄，导致数据获取成本增大，且对于大面积森林监
26、测而言，高密度点云带来的海量 LiDAR 数据处理仍是一个挑战（Singh et al.,2016）。因此，大面积森林监测中几乎均使用有人驾驶固定翼飞机获取的低密度（4 点m2）至中密度（420 点m2）点云数据，极少使用高密度（20 点m2）点云数据（Pearse et al.,2018），且需要通过点云密度和估测精度的协调对获取参数进行优化，以平衡大面积森林资源监测的成本效率和精度（Jakubowski et al.,2013；Zhao et al.,2009）。众多学者在点云密度对森林参数估测模型的影响方面进行了大量研究。有 3 种点云数据产生方法：一是对原有较高密度的数据采用降低密度（
27、随机稀疏或系统稀疏）方法，得到一系列不同密度点云数据（Gobakken et al.,2008；Magnussen et al.,2010；Tesfamichael et al.,2010；Treitz et al.,2012；Strunk et al.,2012；Ruiz et al.,2014；Singh et al.,2015；2016；Ota etal.,2015；Garca et al.,2017）；二是在同一区域以不同方式（不同飞行高度或不同扫描设备等）获取不同密度点云数据（Parker et al.,2004；Nsset,2004b；Thomaset al.,2006）；三是模拟
28、数据（Lovell et al.,2005）等。第二种方法获取的点云数据最接近真实场景，但成本太高，第三种方法获取的点云数据与真实场景存在较大差异，第一种方法为常用方法。有研究表明，系统稀疏方法得到的点云较随机稀疏方法更接近真实场景（Raber et al.,2007；Treitz et al.,2012）。分析方法均是比较不同密度下估测模型的决定系数（R2）和均方根误差（RMSE）等，以评估不同密度数据对森林参数估测模型的影响，得到的普遍结论是降低点云密度会增加 LiDAR 变量的变动，但即使点云密度降至很低，其模型精度受到的影响也很小（Strunk et al.,2012）。然而，现有关于
29、点云密度影响的研究很少关注景观背景对森林结构和生物量估测的影响（Singh et al.,2015），也很少涉及人工林，尤其是高度集约经营的人工林。不同林木起源和经营管理方式形成的森林冠层结构相差很大，探明不同森林类型中不同密度点云的LiDAR 变量变动情况，是 LiDAR 点云密度优化需要面对的问题。此外，现有大多数研究均采用逐步回归法建立多元线性回归模型，得到的模型与数据集紧密相关，林分状况不同、森林参数不同、传感器不同，选取的模型变量相差很大（Grgens et al.,2015；Giannicoet al.,2016；Montealegre et al.,2016；Maltamo et
30、 al.,2016；Xu et al.,2018），不利于模型精度的比较分析。更为重要的是，现有研究只是分析不同点云密度对森林参数估测模型的影响，并未阐明点云密度对森林参数估测模型的影响机制。本研究利用我国广西一个亚热带山地丘陵区域获取的机载激光雷达数据和样地测量数据，分析不同密度点云的机载激光雷达变量差异，探明密度点云对林分尺度机载激光雷达森林参数估测精度的影响及其机制，以期为机载激光雷达大区域森林调查监测应用技术方案的优化提供参考依据。1研究区概况与方法 1.1研究区概况及样地和机载激光雷达数据以 广 西 南 宁 市 行 政 区（10745E10851E，2113N2332N）为研究区，面
31、积 22 112 km2，样地数量 383 块。研究区概况、样地和机载激光雷达数据详见李春干等（2021）。1.2机载激光雷达数据处理dip(%)=(1di/4.35)100通过系统稀疏方法（Treitz et al.,2012），将归一化全密度点云（4.35 点m2）分别稀疏至 4.0、3.5、3.0、2.5、2.0、1.5、1.0、0.5、0.2 和 0.1 点m2。具体方法为：对于某块样地，设需要稀疏至的点云密度为（点m2），则该样地需要剔除的点云比例为，然后，根据点云编号，按相同间隔去除激光点。如将点云密度稀疏至 2.5 点m2时，则去除 43%的点云，此时，可去除编号为 2、4、6、
32、8、12、14、16、18、，即每 100 个点云中先剔除 40 个点云，剩余待剔除的 3个点可去除编号为 30、60、90 的点云。依此类推，每种森林类型得到 1 个全密度（原始）点云数据集和 10个稀疏点云数据集。各数据集均采用由全密度点云数据集生产的数字高程模型（digital elevation model,DEM）进行高程归一化处理。对于各点云数据集，分别提取 12 个激光点云统计特征参数（LiDAR 变量），包括 25%、50%和 75%分位数高度（ph25、ph50 和 ph75），平均高度（Hmean），最大高度（Hmax），高度分布的变动系数（Hcv）；25%、50%和75%
33、分位数密度（dh25、dh50 和 dh75），郁闭度（CC）；叶面积密度（leaf area density,LAD）的均值（LADmean）和变动系数（LADcv）（Bouvier et al.,2015）。激光雷达传感器能够记录多次回波，尽管有研究表明由首次回波提取的 LiDAR 变量完全能够满足生物量估测需要（Singh et al.,2016；Chen et al.,2012；Kim et al.,2009），但本研究仍与大多数研究一样，采用全部回波提取LiDAR 变量。第 9 期周相贝等：点云密度对机载激光雷达大区域亚热带森林参数估测精度的影响25 1.3点云密度对激光雷达变量和森
34、林参数估测模型精度的影响评价为探明点云密度对 LiDAR 变量的影响，应用配对样本 t 检验方法，分析各稀疏密度点云数据集中 12个 LiDAR 变量的均值与全密度点云数据集中相应变量的均值的差异。为评估点云密度对森林参数估测模型精度的影响，对于每个点云数据集，采用样地调查资料和LiDAR 变量分别建立各森林类型林分蓄积量（standvolume，VOL）和断面积（basal area，BA）估测模型。Bouvier 等（2015）提出由 Hmean、CC、LADcv和 Hstdev构成的普适性乘幂模型，可用于林分蓄积量、出材量、地上生物量和断面积估测。前期研究（李春干等，2021）发现，用
35、Hcv替换 Hstdev效果更好，蓄积量和断面积估测模型的结构式如下：y=a0Ha1meanCCa2LADa3cvHa4cv。（1）y式中：为各森林类型（层）的林分参数（VOL 或 BA）估计值；a0、a1、a4为模型参数。采用牛顿-高斯迭代法求解模型参数，选取决定系数（R2）、相对均方根误差（relative root mean squareerror，rRMSE）和平均预估误差（mean prediction error，MPE）评价模型拟合效果。MPE 计算公式见曾伟生等（2011）和 Zeng 等（2018）。为减少随机误差，对各森林类型的各点云数据集进行 50 次森林参数估测试验，每
36、次试验随机抽取70%样本数据用于建模，30%样本数据用于检验。通过检验样本 R2、rRMSE、MPE 的均值评价模型表现。应用 t 检验方法，对各稀疏密度点云数据集与全密集度数据集 VOL 和 BA 估测值的均值进行差异显著性检验。2结果与分析 2.1不同密度点云的 LiDAR 变量的差异 2.1.1高度变量各森林类型中，各稀疏数据集 ph25、ph50、ph75、Hmean与全密度数据集点云相应变量的差值的均值及其标准差很小，一般均小于 0.05 m，且标准差大于均值。当点云密度小于 0.5 点m2或0.2 点m2时，差值的均值及其标准差迅速增大（表 1）。随点云密度降低，稀疏密度点云的 H
37、max逐渐减小，与全密度点云 Hmax的差值的均值及其标准差逐渐增大。当点云密度由 4.0 点m2降至 0.1 点m2时，Hmax差值的均值（标准差）变化范围为：杉木林 0.013（0.048）1.847（1.167）m，松树林0.006（0.039）1.503（0.978）m，桉树林 0.025（0.087）1.277（0.812）m，阔叶林 0.016（0.074）2.066（1.335）m。当点云密度为 0.1 点m2时，4 种森林类型的 Hmax比全密度点云的 Hmax分别低12.1%、8.5%、6.3%和 13.2%。不同密度点云 Hcv的均值基本相等。配对样本 t 检验结果（表 1
38、）表明：1）点云密度较低时，4 种森林类型分位数高度（ph25、ph50 和 ph75）的均值与全密度点云相应变量的均值存在显著性差异（0.05），但不同森林类型、不同变量出现显著性差异时的点云密度不同，松树林 ph50、ph75 在点云密度1.5 点m2时存在显著性差异，ph25 在点云密度0.5 点m2时存在显著性差异，杉木林 ph25 在点云密度0.5 点m2时存在显著性差异；2）点云密度2.0 点m2时，各森林类型中虽然也出现某密度某变量的均值与全密度点云相应变量的均值存在显著性差异，但均不具有规律性；3）各森林类型不同密度点云Hmean和 Hcv的均值与全密度点云相应变量的均值不存在
39、显著性差异，松树林 Hmean在点云密度0.5 点m2时的均值存在显著性差异除外；4）所有森林类型中各稀疏密度点云 Hmax的均值与全密度点云的 Hmax的均值存在显著性差异。2.1.2密度变量随点云密度降低，LiDAR 密度变量具有如下变化特征（表 1）：1）各森林类型中各稀疏密度点云 CC 的均值与全密度点云 CC 的均值基本不存在显著性差异；2）阔叶林 dh25 的均值在点云密度1.5 点m2时与原始密度点云 dh25 的均值存在显著性差异，其余森林类型 dh25 的均值不存在这种情况；3）杉木林和松树林在点云密度3.0 点m2、阔叶林在点云密度3.5 点m2时，各稀疏密度点云 dh50
40、 的均值与全密度点云 dh50 的均值存在显著性差异，桉树林各稀疏密度点云 dh50 的均值与全密度点云 dh50的均值不存在显著性差异；4）松树林和桉树林各稀疏密度点云 dh75 的均值与全密度点云 dh75 的均值存在显著性差异，杉木林和阔叶林在点云密度分别小于3.0 点m2和 3.5 点m2时，各稀疏密度点云 dh75 的均值与全密度点云 dh75 的均值存在显著性差异。以上说明在各森林类型中，各稀疏密度点云 CC和中下层分位数密度（dh25）的均值与全密度点云相应变量的均值的差异不显著（阔叶林 dh25 除外），尽管差值的均值很小，但中上层分位数密度（dh50 和dh75）的均值与全密
41、度点云相应变量的均值存在显著性差异。2.1.3叶面积密度变量随点云密度降低，各森林类型中稀疏密度点云 LADmean与全密度点云 LADmean的差值的均值及其标准差逐渐减小，当点云密度26林业科学59 卷 表 14 种森林类型中各稀疏点云数据集 LiDAR 变量与全密度点云数据集 LiDAR 变量的差值的均值和标准差及其配对样本t检验结果Tab.1Mean and standard deviation(SD)of the differences of LiDAR-derived metrics between full-density point cloud dataset(4.35 pts
42、m-2)and various reduced-density point cloud datasets(4.0,3.5,3.0,2.5,2.0,1.5,1.0,0.5,0.2,0.1 ptsm-2)of four forest types and the result of paired sample t-test森林类型Forest types变量Metrics4.0点m24.0 ptsm23.5点m23.5 ptsm23.0点m23.0 ptsm22.5点m22.5 ptsm22.0点m22.0 ptsm21.5点m21.5 ptsm21.0点m21.0 ptsm20.5点m20.5 p
43、tsm20.2点m20.2 ptsm20.1点m20.1 ptsm2MeanSDMeanSDMeanSDMeanSDMeanSDMeanSDMeanSDMeanSDMeanSDMeanSD杉木林Firph250.005 ns 0.0330.008 ns 0.0500.001 ns0.0470.003 ns0.0790.007 ns0.0800.004 ns0.1200.029 ns0.1440.009 ns0.2120.068 ns0.4760.192*0.690ph500.001 ns 0.0270.006 ns 0.0330.000 ns0.0400.000 ns0.0500.002 ns
44、0.0590.009 ns0.0710.011 ns0.1100.005 ns0.1780.087*0.3320.086 ns0.407ph750.003 ns0.0240.010*0.0450.006 ns 0.0470.015*0.0640.013 ns0.0960.010 ns0.1090.003 ns0.1270.034 ns0.2000.100*0.3730.187*0.513Hmean0.002 ns 0.0200.005 ns 0.0330.001 ns0.0350.000 ns0.0470.007 ns0.0660.008 ns0.0720.003 ns0.1030.023 n
45、s0.1730.011 ns0.3300.002 ns0.372Hmax0.013*0.0480.020*0.077 0.093*0.2000.114*0.2000.166*0.2390.258*0.3130.457*0.4390.768*0.6581.217*0.9961.847*1.167Hcv0.000 ns0.0040.001*0.0050.001*0.0050.000 ns0.0060.000 ns0.0060.000 ns0.0070.000 ns0.0090.003 ns0.0160.004 ns0.0310.005 ns0.033dh250.000 ns0.0030.001*0
46、.0040.000 ns0.0050.000 ns0.0060.002*0.0070.001 ns0.0100.001 ns0.0110.006*0.0150.005 ns0.0260.005 ns0.033dh500.001 ns0.0050.001 ns0.0080.003*0.0110.007*0.0160.011*0.0190.014*0.0230.023*0.0300.046*0.0700.066*0.1050.085*0.118dh750.001 ns0.0090.000 ns0.0070.012*0.0300.012*0.0250.020*0.0360.032*0.0440.05
47、2*0.0650.087*0.0880.137*0.1380.234*0.166CC0.001*0.0040.000 ns0.0040.001 ns 0.0060.001 ns0.0060.001 ns0.0060.001 ns0.0070.000 ns0.0090.003*0.0130.003 ns0.0230.003 ns0.029LADmean0.013*0.025 0.028*0.068 0.035*0.0750.077*0.0720.095*0.1200.138*0.1570.193*0.1680.276*0.1580.406*0.2010.514*0.217LADcv0.015 n
48、s0.0700.041*0.1310.022 ns0.1120.014 ns0.2010.061*0.1940.067*0.2460.116*0.2050.210*0.3100.419*0.3430.530*0.387松树林Pineph250.010 ns0.0580.007 ns 0.0900.002 ns0.0960.010 ns0.1550.009 ns0.1300.033 ns0.2490.036 ns0.2570.133*0.4520.334*1.1130.426*1.411ph500.004 ns0.0240.008 ns 0.0520.003 ns0.0590.007 ns0.0
49、810.006 ns0.0840.026*0.1060.041*0.1540.091*0.2620.126*0.3240.148*0.703ph750.008*0.0190.009*0.0350.003 ns0.0420.020*0.0590.004 ns0.0750.027*0.0920.031*0.1180.106*0.1680.196*0.4040.134*0.508Hmean0.007*0.0220.003 ns 0.0420.002 ns0.0500.004 ns0.0590.007 ns0.0710.012 ns0.1000.007 ns0.1370.063*0.1870.099*
50、0.3500.041 ns0.567Hmax0.006 ns 0.039 0.046*0.147 0.086*0.1800.160*0.2750.235*0.2810.294*0.3380.432*0.3880.812*0.6061.353*0.7981.503*0.978Hcv0.000 ns0.0050.000 ns0.0050.000 ns0.0060.001 ns0.0070.001 ns0.0090.001 ns0.0100.001 ns0.0140.000 ns0.0200.001 ns0.0340.003 ns0.045dh250.000 ns0.0030.000 ns0.006
