尤号田，邢艳秋，王 萌，王 蕊，孙小添

(东北林业大学 森林作业与环境研究中心，哈尔滨 150040)

林业研究所用生物量通常指森林地上生物量，即除树桩、树根外，所有活林木的木质部分(树干、树皮、树叶、树枝和嫩枝)绝干质量之和(Food and Agriculture Organization of the United Nations-Global Forest Resources Assessment 2005)。近年来生物量的测定已受到广泛的重视，因为生物量可以很容易地转换成碳储量，而碳储量的定量化在理解碳循环中是非常重要的。虽然通常可以借助地面测量数据估算森林生物量，但人工调查费时费力，难于获取大区域的森林生物量，且更新较慢。遥感技术的出现弥补了传统调查方法的不足，借助遥感技术可以很容易的实现森林数据的大面积获取，数据的快速处理，数据获取成本相对低廉，数据更新频率较快等，甚至可以对条件恶劣不适宜人工采集的林区进行数据采集。凭借上述优点，遥感技术已成功用于森林生物量的研究，主要包括光学遥感影像、合成孔径雷达数据和激光雷达数据。激光雷达不仅克服了光学遥感影像和合成孔径雷达数据存在的信号饱和现象，而且能够同时获取森林的水平和垂直结构参数，如：树高、冠幅、胸径和生物量等，这对于碳循环、环境建模等一系列活动具有重要的意义。

激光雷达数据十分适合估计森林生物量，因为从森林冠层生成的点云或波形数据能够精确地描述冠层的物理特性。根据激光脉冲打到地面上形成光斑尺寸的差异，激光雷达又可以分为大光斑激光雷达和小光斑激光雷达。大光斑激光雷达光斑直径较大，通常在5 m以上，适于估计大区域的森林生物量；小光斑激光雷达光斑直径通常小于1 m，适于估计小区域森林生物量，其中数据获取成本是限制小光斑激光雷达广泛应用于林业的主要困难。随着科学技术的发展，小光斑激光雷达数据获取成本不断下降，因此得到研究人员越来越多的亲睐，其应用于林业方面的研究也越来越多。

1 小光斑激光雷达系统简介

小光斑激光雷达系统是一种以飞机为载体，集激光扫描系统、全球定位系统、惯性测量单元以及监视控制系统于一身的系统，通过上述系统记录的飞行器的高度、位置、激光扫描角和发射方向等一系列的数据，经过一定算法可以利用传感器记录的信息准确计算出激光束打到物体上形成光斑的精确坐标X，Y，Z。机载激光雷达系统组成如图1所示。

图1 激光雷达系统组成示意图

2 研究现状与分析

Hyyppä和Inkinen[1]在1999年将小光斑激光雷达引入到林业研究中，因成本、技术和点云密度等各方面的限制，并未在实际林业操作中得到广泛应用。直到近年技术的发展、数据获取成本的不断下降，小光斑激光雷达才广泛应用于林业研究中。由于小光斑激光雷达的光斑直径通常较小，所以可以精细到森林单木结构参数估计，因此小光斑激光雷达在估计森林结构参数时可以分为两个不同的尺度，即单木水平和样方水平。

2.1 小光斑激光雷达估计单木水平森林生物量和蓄积量

利用数字冠层模型估计森林单木生物量的主要步骤是首先将原始点云数据进行滤波处理，分离出地面点和非地面点，应用插值算法对分离得到的地面点和非地面点进行插值运算分别得到数字地形模型(Digital Terrain Model，DTM)和数字表面模型(Digital Surface Model，DSM)，之后对DSM和DTM做差值运算得到数字冠层模型(Digital Canopy Model，DCM)，得到DCM，接着在DCM上完成单木分割，从分割得到的单木中衍生出单木结构参数，对衍生得到的单木结构参数和实测参数进行回归分析，并与已存在的以实测单木参数为变量的生物量方程联立，得到相应的单木生物量预测方程，进而估计森林单木的生物量；或者利用从单木中衍生的单木结构参数直接和野外测量的单木生物量进行回归分析得单木生物量估测方程，进而用此生物量方程估测单木生物量。

单木的准确分割不仅是单木树高估计的瓶颈，也是单木生物量估计的瓶颈，对于如何提高单木的分割率及开发出不受单木分割精度影响的生物量模型一直是林业工作者研究的热点。Yu等[2]用最小曲率分割和随机森林法估计了森林单木的蓄积量，R2为0.87。Yao等[3]分别用分水岭分割和标准化切割三维分割法对研究区单木分割，进而估计森林单木蓄积量，结果表明针叶树的精度相对较高，RMSE分别为0.46 m3和0.43 m3，阔叶树精度相对比较低，产生差异的主要原因是阔叶树的树冠结构比较复杂难以准确分割。为了减小分割时的误差，提高分割精度，Breidenbach等[4]对分割方法进行改进，将单木探测和面积统计法想结合共同用于单木分割，此方法也有效地减少了单木分割的误差，提高了蓄积量估计精度。Chen等[5]对单木模型进行改进，将从小光斑激光雷达数据中衍生得出冠层几何量用于估算单木茎蓄积量，经过试验得出不受单木分割影响的估测模型。用改进模型对加利福尼亚落叶栎树林的单木进行估计，当树冠错误分割时，模型的R2为 0.78；当树冠正确分割时，模型R2为0.79。此研究的缺点是未用不同的数据对模型进行验证，模型的适用性有待进一步验证。Shrestha等[6]对模型的外推性进行了一定的探索，将林区单木生物量模型用于估计城区单木的生物量，结果精度较低，总体R2仅为0.67，主要是由于林区得到的生物量模型不适于估计城区单木生物量；若能采用适合的生物量模型及做到单木的准确分割，估测精度会得到相应的提高因此单木的准确分割仍是单木生物量估计的一大难点。

除了单木分割外，不同生物量模型对单木生物量估计的影响也是研究人员关注的热点。Popescu[7]用两种方法估计了美国东南部火炬松的单木生物量，一种是用从DCM上衍生的得到的单木树高和冠幅为变量估计单木胸径，再以估计得到的胸径为线性回归方程的自变量得到单木生物量，精度为87％；另一种以从DCM上衍生的得到的单木树高和冠幅为自变量，用非线性回归方程估计单木生物量，精度大于85％，双变量非线性回归模型精度比单变量线性回归模型的精度稍低，表明有时增加模型变量并不能提高模型估计精度。刘清旺等[8]同样以从分割单木衍生得到的树高和冠幅为自变量，分别用线性和对数回归模型对单木生物量进行估计，结果两种模型精度都较高，在72％以上，且两种生物量模型精度相差很小，说明不同的回归模型对单木生物量的估计产生的差别不大，Gleason等[9]也得出类似的结论，用支持向量回归等4种方法分别估计了森林单木生物量，结果表明4种方法得到的生物量模型精度差别不大，采用相同变量估计精度产生差异的原因可能是地形坡度、点云密度、模型差异及单木分割精度的影响。

综上所述，与单木树高估计类似，点云滤波、单木分割及模型建立仍是单木生物量估计的重点和难点。

2.2 小光斑激光雷达估计样方水平森林生物量和蓄积量

小光斑激光雷达凭借其光斑直径较小的优势，既能做到单木水平结构参数的准确估计又能做到样方水平结构参数的估计。因此用小光斑激光雷达估测森林样方生物量时可以分2种方法，一种是以单木探测为基础的单木集成法，一种是以树冠高度分布为基础的林分回归法。

2.2.1 单木集成法

单木集成法估计样方生物量的计算思路是首先从激光雷达点云数据中得到单木生物量，然后将样方内所有单木的生物量相加得到森林样方生物量。因此单木集成法估计森林样方生物量的精度在于单木生物量的估计精度以及森林单木探测率。Yu等[10]用单木集成法估计了样方的平均蓄积量，单木分割精度一般时，样方平均蓄积量的R2为0.75，RMSE为35％；但当单木分割精度提高时，R2提高到0.95，RMSE提高到15.35％。Vastaranta等[11]用单木自动分割法，即最小曲率区域探测法，对CHM进行处理，然后采用局部最大值寻找单木树顶并进行标记，之后采用标记控制分水岭分割算法对单木树冠进行划分，最后采用单木自动分割和目视解译相结合的方法对森林样方蓄积量进行估计，结果表明相结合的方法得到的样方蓄积量精度较高，RMSE为53.8 m3/hm2，但偏差也较大，为15.0 m3/hm2；自动分割法估计得到的蓄积量RMSE为56.7 m3/hm2，偏差为4.6 m3/hm2，结合法能更有效地估计森林蓄积量主要是目视解译法能够有效地消除单木探测时产生的过分割和遗漏分割，提高了单木分割精度。

虽然在某些特定林分环境下建立的森林生物量估测模型精度较高，但因森林环境差异的影响使得模型推广到其他区域时精度下降甚至不能估计森林生物量，如Shrestha等[6]将林区所建生物量模型推广到城区时模型的精度大幅下降。为了克服模型无法区域推广的难题，Bortolot等[12]开尝试发了一种适用于不同区域不同森林类型生物量估计的计算机可视化算法，此算法以单木分割为基础，用生物量、密度和LiDAR数据已知的样方为训练数据，通过在训练数据衍生得到的参数和生物量之间建立回归方程，之后用得到的回归方程估计新区域不同类型的森林生物量。结果表明：生物量的实测值和预测值之间的相关性介于0.59和0.82之间，RMSE随着选择训练、测试样方的不同在13.6和140.4t/hm2之间变化，首次使用训练数据来估计不同区域得森林生物量，精度不算太高，但仍成功的估计了森林的生物量。

无论是用机器学习法还是人机协同估计森林样方生物量，所得结果都依赖于单木生物量估计结果的好坏，归根结底在于点云数据滤波的好坏、单木分割的准确性以及单木探测的准确率。

2.2.2 林分回归法

林分回归法是通过在样方水平的冠层结构参数和激光雷达脉冲统计量之间建立起回归模型，然后利用建立的回归模型估计样方或更大区域的森林生物量。通过对先前文献进行统计分析得出建立回归模型所采用的变量主要有平均树高、树冠高度、冠幅大小、胸高断面积、样方单木数量和树冠回波百分比等。

Holmgren等[13]以从激光雷达数据衍生得到的平均树高、冠幅和样方内的单木数量为自变量，分别采用2种方法对样方的蓄积量进行估计，一种是以平均树高和冠幅为变量的非线性回归模型，R2为0.90；另一种是以平均树高和单木数量为变量的非线性回归模型，R2为0.82。结果表明冠幅对蓄积量估计精度的提高有显著影响。Nsset等[14]对其他变量估计森林生物量的能力进行了尝试，得出了不受森林类型影响的生物量估计模型。以树冠高度和郁闭度为回归方程的自变量，对样地内的幼龄和成熟针叶林的地上生物量和地下生物量进行估计，结果精度较高，都在85％以上，其中阔叶林的比例对地上生物量有着显著影响，树木的年龄等级对地下生物量模型影响显著，但森林类型对估计模型没有显着影响。Zhao等[15]以激光雷达衍生的树冠高度分布和树冠高度位数函数为自变量，分别采用线性函数模型和等效的非线性模型对特克萨斯州东部温带森林的生物量进行估计，结果表明不同模型之间的差异不大，生物量R2的范围从0.80到0.95，RMSE从14.3 Mg/hm2到33.7 Mg/hm2。刘东起等[16]以胸高断面积和样地单木数量为变量，对不同林分类型的蓄积量、生物量进行估计，结果精度都在90％以上且林分回归法的精度比单木集成法要高。虽然林分回归法的精度较高，但和单木集成法相比，林分回归模型的建立需要很多样方或林分的地面真实树冠结构测量值，这样就极大地增加了野外调查的工作量。尽管单木集成法在野外调查方面有着很大的优势，但并没有许多研究用单木集成法进行大规模的森林生物量估计，因为研究表明，树冠表面的复杂性使得单木分割的准确性通常较低，进而会影响大规模森林生物量的估计。由于单木集成法能够减少野外工作量，若能建立起一些不受单木分割误差影响的单木生物量模型，单木集成法便可广泛用于大规模森林资源清查。

全波形数字化小光斑激光雷达数据的出现改变了森林结构参数的估测方法，克服了离散点云数据因单木分割对森林结构参数估测造成的影响，因为全波形激光雷达记录的是地物的波形和强度，不同地物或同一地物不同高度的波形形态和强度不同，所以可以通过对小光斑激光雷达的波形进行分析来获得与森林结构参数相关的信息。Marianoa等[17]分别激光雷达高度、强度、高度和强度数据相结合的生物量模型对西班牙中部地中海天然林不同组分的生物量进行了估计，结果表明不同组分生物量的R2值都大于0.58，若将每个样方内的主要树种带入具体的树种生物量模型，结果会得到极大地提高，黑松、西班牙杜松和霍尔姆橡木的R2值分别大于0.85，0.70和0.90。

3 结论与展望

小光斑激光雷达凭借自身的优点现已成功用于森林生物量的研究中，所得结果精度相对较高，但由于系统本身及估测过程中所用方法和技术的限制，致使其在应用中仍存在一定的问题。

3.1 局限性

虽然小光斑激光雷达已经广泛应用于森林生物物理参数的估计，但仍有局限性，主要有以下几方面。

(1)数据获取时对天气条件要求比较苛刻，不能在阴雨天获取数据，否则影响数据的准确性，而且数据获取成本相对较高，难以应用于大区域。

(2)生物量估计方面，单木生物量主要受点云滤波和单木分割精度的影响；用林分回归法估计样方生物量时需要大量的野外数据建立生物量模型，费时费力；单木集成法估计样方生物量时受点云滤波、单木分割精度和单木探测率的影响。

(3)大多数模型和算法受区域条件限制，不具有外推性，模型和算法都是在特定区域条件下得到，区域改变时条件也会发生变化，应用结果不理想，如何找到不受区域条件限制的普遍适用模型和方法是未来的研究方向。

3.2 展 望

针对小光斑激光雷达在林业应用中的局限性，结合自己的见解现提出几点建议，希望能够提高未来生物量的估计精度，具体如下。

(1)应用全波形数字化小光斑激光雷达代替离散点云小光斑激光雷达，减小天气情况对获取数据的影响，而且对波形数据进行分解还能增加点云密度，提高单木点云的三维分割精度。

(2)针对激光雷达点云滤波处理问题，因为现有算法都不能实现点云的精确分类，且适应性较差，未来可以尝试多种滤波算法的联合应用，实现优势互补；可以开发出自适应的滤波算法，增强算法的适用性。

(3)针对单木分割及单木识别问题，采用点云三维分割代替DCM分割并辅助一定的人工修正；尝试多源数据融合提高单木分割精度，如可以将激光雷达点云数据和影像数据相结合共同用于单木分割和识别。

(4)多源遥感数据综合应用，利用其他遥感数据在密林区域的优势来弥补小光斑激光雷达数据在密林地区的不足，进而提高估计结果的精度。

(5)采用机器学习法来训练数据，通过采用不同区域的数据集作为训练数据来获得不受区域条件影响的估测模型和算法，进而做到大区域推广。

【参 考 文 献】

[1]Hyyppä J，Inkinen M.Detecting and estimating attributes for single trees using laser scanner[J].The Photogrammetric Journal of Finland，1999，16(2)：27-42.

[2]Yu X，Hyyppä J，Vastaranta M，et al.Predicting individual tree attributes from airborne laser point clouds based on the random forests technique[J].Isprs Journal of Photogrammetry and Remote Sensing，2011，66(1)：28-37.

[3]Yao W，Krzystek P，Heurich M.Tree species classification and estimation of stem volume and DBH based on single tree extraction by exploiting airborne full-waveform LiDAR data[J].Remote Sensing of Environment，2012，123：368-380.

[4]Breidenbach J，Erik N，Vegard L，et al.Prediction of species specific forest inventory attributes using a nonparametric semi-individual tree crown approach based on fused airborne laser scanning and multispectral data[J].Remote Sensing of Environment，2010，114(4)：911-924.

[5]Chen Q.Airborne lidar data processing and information extraction[J].Photogrammetric Engineering and Remote Sensing，2007，73(2)：109.

[6]Shrestha R，Wynne R H.Estimating biophysical parameters of individual trees in an urban environment using small footprint discrete-return imaging lidar[J].Remote Sensing，2012，4(2)：484-508.

[7]Popescu S C.Estimating biomass of individual pine trees using airborne lidar[J].Biomass and Bioenergy，2007，31(9)：646-655.

[8]刘清旺，李增元，陈尔学，等.机载LIDAR点云数据估测单株木生物量[J].高技术通讯，2010，20(7)：765-770.

[9]Gleason C J，Im J.Forest biomass estimation from airborne LiDAR data using machine learning approaches[J].Remote Sensing of Environment，2012，125：80-91.

[10]Yu X，Hyyppä J，Holopainen M，et al.Comparison of area-based and individual tree-based methods for predicting plot-level forest attributes[J].Remote Sensing，2010，2(6)：1481-1495.

[11]Vastaranta M，Kankare V，Holopainen M，et al.Combination of individual tree detection and area-based approach in imputation of forest variables using airborne laser data[J].Isprs Journal of Photogrammetry and Remote Sensing，2012，67：73-79.

[12]Bortolot Z J，Wynne R H.Estimating forest biomass using small footprint LiDAR data：An individual tree-based approach that incorporates training data[J].Isprs Journal of Photogrammetry and Remote Sensing，2005，59(6)：342-360.

[13]Holmgren J，Nilsson M，Olsson H.Estimation of tree height and stem volume on plots using airborne laser scanning[J].Forest Science，2003，49(3)：419-428.

[15]Zhao K G，Sorin P，Ross N.Lidar remote sensing of forest biomass：A scale-invariant estimation approach using airborne lasers[J].Remote Sensing of Environment，2009，113(1)：182-196.

[16]刘东起，范文义，李明泽.利用小光斑激光雷达估测林分参数和生物量[J].东北林业大学学报，2012，40(1)：39-43.

[17]Mariano G，David R，Emilio C，et al.Estimating biomass Carbon stocks for a Mediterranean forest in central Spain using LiDAR height and intensity data[J].Remote Sensing of Environment，2010，114(4)：816-830.

[18]邢艳秋，王立海.基于森林生物量相容性模型长白山天然林生物量估测[J].森林工程，2008，24(2)：1-4.