冯 娟 林 彬 买吾拉夏·木巴热克 张煜娴

(1.昌吉州气象局,新疆 昌吉 831100;2.平潭综合实验区气象局,福建 平潭 350400;3.中国气象局乌鲁木齐沙漠气象研究所,新疆 乌鲁木齐 830002;4.福建省气象科学研究所,福建 福州 350001)

0 引言

单木是构成森林的基本单元,同时也是森林资源调查所需的关键因素。单木信息的精准测量不仅对其数据本身具有重要意义,也为后续外业数据的自动获取提供了可能[1]。传统的单木调查需要人工外业测量,时效性往往很难满足监控需要,在精度上也存在误差。高分辨率精细遥感技术为单木信息的快速、精确获取提供了有利条件,也为掌握森林资源与管理提供有效保障[2]。利用无人机遥感技术获取单木信息,不仅能够提升空间与时间分辨率,也使森林资源调查研究更具经济效益和实用性[3]。

单木参数提取是指通过对遥感数据进行分割得到单株树木信息,包括单木的位置、树冠、树高等[4]。现阶段通常使用的遥感数据主要有高分辨率光谱数据和激光雷达数据。无人机多光谱影像能为单木参数提取提供较高的空间分辨率,机载激光雷达(Light Detection and Ranging,LiDAR)则对森林有较强的穿透能力,可以直接、快速地获取大面积、高精度的植被三维信息,不仅能提供水平结构的地形信息,还能生成垂直结构的森林冠层空间信息[5]。因此,融合无人机多光谱数据与机载雷达数据源,具有获取树木冠层光谱信息与空间结构信息的优势。机载雷达数据通常运用冠层高度模型(canopy height model,CHM)和点云数据处理两种方式获取单木垂直结构的参数[6]。基于CHM的单木分割方法的核心思想是利用单木树冠的顶部高于边缘,且与四周的树冠之间具有谷的特点进行分析[7]。陈日强等[8]运用局部极大值滤波算法和标记控制分水岭分割算法处理CHM,有效实现了果树单木树冠检测与信息提取;解宇阳等[9]使用局部最大值法从CHM中提取植被冠层高度与单木位置,结果显示,所提取植被的高度精度较高但位置精度一般;Peng等[10]使用不同密度的无人机LiDAR数据,通过CHM提取松树树高,证明了树高提取精度随着点云密度的增加逐渐提高,且17 pts/m2是提取树高的最低密度。基于点云的单木分割算法可以避免点云差值生成CHM过程带来的误差[11],Wu等[12]使用基于CHM的分水岭算法与基于点云的区域生长分割算法计算银杏林冠层覆盖度的精度,与实测数据对比发现,区域生长算法的精度较高;Corte等[13]针对高密度无人机点云,采用单木检测算法获取胸径和树高,得到相关系数分别为0.77和0.91,相对均方根误差为11.3%和7.9%。无人机LiDAR能够有效获取森林冠层顶部信息,但难以获取树冠下方的信息,对林中小树的探测能力有限。

综上,本文选福建省漳州市云霄园岭国有林场、龙岩市上杭白砂国有林场为研究区,利用无人机多光谱数据与机载雷达数据,将无人机雷达数据经过点云数据处理后,运用CHM模型分割单木,结合无人机光谱数据提取单木参数,并通过实测数据检验提取精度。同时,对比不同复杂程度样地的单木参数提取精度,以验证融合两种数据的优越性,为做好森林资源监测管理工作提供有效保障。

1 数据与方法

1.1 研究区域概况

研究区域位于福建省,地处武夷山支脉的低山丘陵,年均降水量为1880 mm,属亚热带季风气候。从该区域选择具有代表性的不同树种人工林为试验林,分别位于漳州市云霄园岭国有林场和龙岩市上杭白砂国有林场,在试验林设置无人机飞行区域作为典型区,进行单木参数的提取。

1.2 数据收集及预处理

1.2.1 LiDAR数据

2021年8月,通过RT470多旋翼无人机搭载平台搭载R1350激光雷达测量系统,在漳州市云霄园岭国有林场和龙岩市上杭白砂国有林场进行LiDAR数据采集。无人机飞行高度150 m,采集总面积18 km2,点云密度40～80 pts/m2,坐标系统为WGS 84大地坐标系统,数据如表1所示 。

表1 无人机LiDAR数据

LiDAR点云数据预处理过程包含对点云去噪、滤波,对点云数据进行去噪处理是为了减少点云噪声点对后续数据处理造成的影响。

1.2.2 无人机多光谱数据

高分辨率影像数据采集于2021年7—8月,使用大疆多光谱相机,载有1个用于可见光成像的彩色传感器和5个用于多光谱成像的单色传感器,单个相机有效像素为208万。航线设置为扫描航线,航线高度为188 m,分辨率为10 cm。数据采集完成后,使用大疆智图对无人机航拍照片进行预处理。

1.2.3 外业调查数据收集与整理

本研究外业调查数据如表2所示,获取时间为2021年7—8月,样地在福建省漳州市云霄园岭国有林场和龙岩市上杭白砂国有林场。针对研究区域主要树种杉木、马尾松、桉树分别各选取一块20 m×20 m样地进行单木参数的提取,每个样地都使用RTK定位样地角点坐标,并记录样地内每棵树的胸径和树木示意图,部分树记录树高和RTK定位。此外,选择一块马尾松样地测量该样地砍伐后真实树高,用以衡量真实树高与测高杆量测树高、LiDAR提取树高的误差。

表2 外业调查数据统计

1.3 研究方法

单木参数的提取结合多光谱的树种识别结果,采用无人机多光谱和LiDAR数据,通过单木分割技术得到不同树种的单木分布,并在此基础上提取主要人工林树种的单木树冠。技术路线如图1所示。

图1 技术路线图

1.3.1 基于机载LiDAR数据单木分割方法

首先,采用标记控制分水岭分割的方法进行单木分割。分水岭算法将影像看作地球科学层面上的拓扑图形,地形的起伏通过灰度图像上每个像素的灰度值表示[14-15]。分水岭算法将获取的输入图像转换为梯度图像来取得边缘信息。

分水岭算法对噪声等十分敏感,树冠不是一个平面,内部结构复杂,直接进行局部最大值的提取会存在很多极大值,这样破碎的树冠图像没有任何意义。因此,一般要先采用高斯滤波对噪声点及无效的极大值点进行平滑处理。同时,为了减少分水岭算法过分割的现象,通常对树顶点用局部最大值法进行标记。

1.3.2 单木树冠提取方法

树冠作为单木参数的重要部分,能够直观反映树木生长的优劣。由于部分单木分割单元中还包括林中空隙,因此,单木分割后得到的初步结果并不能直接作为单木树冠提取的结果,将树冠区域提取结果与单木分割结果结合能有效提升单木树冠的提取精度[16-17]。

本文基于无人机多光谱影像,采用最大似然法对树冠、非树冠区域进行分类,提取树冠区域并进行矢量化,采用ArcGIS中的消除面部件、平滑工具进行后处理,消除树冠内部的小孔隙与不规整边界。通过将单木分割结果与提取的树冠区域进行面相交,得到单木树冠提取的最终结果,并以与冠面积大小一致的圆直径作为单木冠幅。

1.3.3 精度验证

精度验证可以从单木和林分两个评价层次上进行验证[18],本文采用F测度作为主要评价指标。通常将参考树冠分为匹配、接近匹配、丢失、合并、分割等五类,其中,匹配和接近匹配被判定为正确的分割结果,丢失和合并判定为漏分误差,分割判定为错分误差。分割正确率p是整个提取结果中有效单木探测株数所占的比例,召回率r是真实参考数据中有效单木探测株数所占的比例,F测度是指正确率与召回率之间的调和值,其计算公式分别为:

(1)

(2)

(3)

式(1)～式(3)中,TP为正确分割的单木株数;FP为错分割的单木株数;FN为过分割的单木株数。

基于目视解译结果,选用匹配较好的单木作为研究对象,对比单木树冠与单木树高的估测值与实测值来检验估测精度。对估测结果的误差将分别通过均方根误差(RMSE)、相对均方根误差(RMSEr)和估测精度(P)进行分析,其计算公式分别为:

(4)

(5)

(6)

式(4)～式(6)中,Xobj,i为实测值;Xmodel,i为估测值;n为检测样本数量。

2 结果验证与分析

2.1 单木分割结果分析

不同CHM分辨率对单木分割的结果也有较大影响。CHM分辨率较小时,树冠内部异质性大,可能导致单木的过分割及错分割;CHM分辨率较高时,像元间的差异性变小,模糊了树冠之间的高度差异,使得该方法对树冠的识别效果变差。因此,找到分水岭分割最佳的像素分辨率对单木识别精度的提升有着至关重要的作用。基于不同树种,分别选取一块高郁闭度样地,采用3种CHM分辨率进行分水岭分割。通过比较分割效果,得到当采用0.4 m CHM分辨率进行分割时,桉树与马尾松均得到了相对较高的分割精度;杉木采用0.4 m CHM与0.5 m CHM分辨率所得F测度一致,当采用0.4 m CHM分辨率时存在过分割现象,当采用0.5 m CHM分辨率时存在欠分割现象,对比分割单元的形状,采用0.4 m CHM分割效果较好。表3为选择最佳CHM分辨率的分割结果及其分割精度,可以看出,基于CHM进行单木分割总体易导致过分割,桉树的分割精度显著高于杉木与马尾松的分割精度。

注:底图为无人机影像,红线标注树冠边界。

表3 不同树种最优CHM分辨率的单木分割精度

2.2 单木树冠提取结果分析

为提高单木树冠提取精度,首先需要对多光谱影像进行分类,获取树冠范围,提取结果见图3(a)。由于提取的树冠范围中除了林中空隙,还包含了树冠内部的缝隙,因此,需进行后处理。在ArcGIS中将单木分割结果与树冠提取范围进行面相交,提取出两组数据重叠的区域,通过消除面部件工具按面积大小消除树冠内部小于一定面积的孔隙,从而提取最终单木树冠。图3(b)、图3(c)以Sample3马尾松样地为例对比两种方式提取单木树冠的结果,加入多光谱影像后,明显提升了单木树冠的提取精度。

(a)基于无人机多光谱数据的树冠区域提取结果 (b)马尾松样地基于LiDAR数据单木树冠提取结果 (c)马尾松样地LiDAR数据结合多光谱数据单木树冠提取结果

针对不同树种的样地选择匹配单木进行精度分析可得(图4),3个样地的相关系数为0.40～0.75,估测精度均在80%以上。桉树与杉木的估测精度达到85%以上且高于马尾松样地,而RMSE和RMSEr低于马尾松样地。由于3个样地均选自高郁闭度林分,树冠与树冠之间存在一定重叠,目视勾绘的参考冠幅由于无法准确勾绘出树冠重叠的部分,大部分树冠易造成高估的情况,且目视方法无法勾绘出林下树木,可能会将林下单木的冠幅与旁边高大林木勾绘在一起,造成部分单木冠幅低估。由于桉树与杉木树冠特征更易识别,且马尾松样地包含较多林下树木,使马尾松样地单木参数的提取精度相对较低。

(a)桉树样地 (b)杉木样地 (c)马尾松样地

3 结论

本文以福建省上杭白砂国有林场、云霄园岭国有林场为研究对象,利用机载LiDAR数据结合多光谱数据对典型区不同树种单木参数进行提取。得到以下结论:

①基于CHM,采用分水岭分割的方法在单木分割中的应用是可行的,但在单木分割过程中易造成过分割;桉树的单木分割精度显著高于杉木与马尾松,精度可达87.6%;当采用0.4 m CHM分辨率进行单木分割时,各树种均可以得到较好的分割效果。

②从单木树冠提取结果可见,采用多光谱数据与机载LiDAR数据相结合的方式提取效果较好。桉树与杉木的提取精度高于马尾松,估测精度均可达到85%以上,RMSE也在0.5 m2以内,对马尾松冠幅的估测出现明显高估,这与参考树冠勾绘的准确度有关,准确获取单木冠幅的大小仍是一项挑战。