王瑞璠 ，魏倪彬 ，张仓皓 ，鲍甜甜 ，刘健 ，余坤勇 ，王帆 *

1. 福建农林大学林学院，福建 福州 350002；2. 福建农林大学/3s技术与资源优化利用福建省高等学校重点实验室，福建 福州 350002

林下植被指在森林系统中位于乔木冠层下的灌草植被（Yolanda et al.，2018；焦桐等，2014），是森林生态系统中重要的组成部分。林下植被覆盖度是描述地表覆盖林下植被情况的重要参数，可作为探查水土流失情况的指标（Chen et al.，2021；Pandey et al.，2021；Sharda et al.，2021）。快速获取林下植被覆盖度的空间分布可为水土流失精准治理提供数据参考。

搭载近距离观测平台的无人机系统可在精细尺度上得到地面植被高分辨率图像，为林下植被覆盖度的遥感量化提供技术支撑（Yang et al.，2017；Tolga，2019；Hartley et al.，2020；Anderson et al.，2021）。由于无人机影像本身为二维数据，很难直接显示森林垂直结构，但无人机影像蕴含较丰富的三维信息。Li et al.（2020）利用无人机相片拟合点云，在高维视角中寻求信息并将其投回二维平面，以此提出了一种估算林下植被覆盖度的方法。然而现有研究中，无人机估算植被参数大多基于正射影像（韩文霆等，2021；徐逸等，2021；杨蜀秦等，2021；张仓皓等，2020），单角度无人机（包括点云）数据只能表征地物在一个方向的投影，缺乏足够的信息来反映其空间结构（Forrest et al.，2008）。多角度观测可以得到地物多方面信息，提高信息丰度（Yan et al.，2019）。相对于单一角度遥感，多角度遥感信息能提取出更详尽可靠的空间参数，从而降低定量过程中的不确定性（Yao et al.，2021；阎广建等，2021）。Lin et al.（2021）探讨了从无人机多角度相片所生成的点云来估算森林叶面积指数的方法，Yan et al.（2019）利用无人机多角度图像研究多角度遥感在植被精细分类中的应用，其结果证明多角度方案对植被参数的估算具有良好的效果。但地形起伏地区林下植被覆盖度无人机多角度遥感量化机制尚未得到充分阐释。

无人机测量林下植被需要反演林下地形。地形反演是指剔除非地面点后对地面点进行建模（Meng et al.，2017）。无人机影像包括林冠层与林下植被信息，需要利用高程差分离出林下植被信息。合理剔除冠层点的能力决定林下地形反演的精度（Na et al.，2020）。山地地形起伏通常会造成高程突变（Klápště et al.，2020），从而导致植被的离散分布（江海英等，2020）。Zhang et al.（2016）从点云的角度对植被与非植被进行区分。通过确认植被形态与地形缓急，按情景翻转点云并模拟布料下落，排除植被点，得出真实地形；植被离散意味着区域地表裸露程度高，利用点云布料滤波（Cloth Simulation Filter，CSF）算法，能较准确地保留地面点云，保证地形反演精度。而植被连续区域地形信息不明确，无人机点云数据只能表达森林表层信息，反演地形精度较差。地图森林密度算法（Map Forest Density）利用点云密度分离树冠与地面，并利用两者高程差模拟冠层高度模型（Canopy Height Model，CHM），从而得到地形信息。该方式对林下地形整体趋势把握较好，可为植被连续型区域的地形反演提供可行技术。

鉴于此，本文试图选取长汀县河田镇作为研究区域，基于无人机多角度遥感数据，运用图像处理与空间分析的思想，从而总结提出地形起伏区小尺度植被形态识别与地形反演方法，同时阐明无人机量化林下植被覆盖度的多角度耦合机质，旨在提出一种适合南方丘陵区林下植被覆盖度的遥感量化方法，为无人机定量林下植被提供理论依据与数据参考。

1 研究区域概况

河田镇位于福建省西部，地处 25°35′—25°46′N，116°16′—116°30′E 之间，总面积约 296 km2。全地多山地丘陵地貌，地形起伏较大且河网密布，年降雨量1700 mm，土壤以红壤为主。研究区主要乔木为马尾松（Pinus massoniana），其占所有林地面积的80%左右，林下植被则以芒萁（Dicranopteris dichotoma）为主(王敬哲等,2020)。根据当地情况，选取平坦地形（坡度5°—10°）样地4个，其中中郁闭度样地（郁闭度0.3—0.5）2个，低郁闭度（郁闭度＜0.3）样地2个；缓坡地形（坡度10°—20°）样地6个，其中中郁闭度样地2个，低郁闭度样地4个；陡坡地形（坡度20°—25°）样地4个，其中中郁闭度样地2个，低郁闭度样地2个，共14个20 m×20 m马尾松林实验样地，其分布如图1所示。

图1 实验样地示意图Fig. 1 Schematic diagram of experimental plot

本研究认为，当乔木冠层连续面积超过总面积40%情况下，认定该样地植被为连续型，反之则为离散型，具体图示如图2所示（为使描述准确，示意图采用DSM数据表示）。

图2 植被类型示例图Fig. 2 Sample graph of vegetation types

2 数据与方法

2.1 数据来源

2.1.1 地面数据

地面数据用于无人机定量林下植被覆盖度结果的精度验证与误差评估（赵长森等，2019）。本研究使用尼康D7000单反相机，拍摄前对相机光圈优先模式、自动曝光、自动对焦、ISO 100和植物与风景场景等参数进行设置。沿实验样地对角线，每隔3 m在距地面约1.5 m处（Niederheiser et al.，2021），分别拍摄林下植被与林冠层相片（Maalek，2021）。相片分辨率为4000×6000 pixels。同时在每个样地放置4个白板并记录其位置与高程信息。

2.1.2 无人机数据

镜头倾斜视角过大会导致同名点匹配关系较低（Lin et al.，2021），因此，研究设置3个倾斜角度（10°、20°、30°）。采用搭载 Mica Sense Red Edge多光谱镜头（可见光+近红外+红边波段）的大疆精灵4无人机系统，通过正交飞行方式在无风且阳光充足（11:00—02:00）时段采集无人机倾斜视角和天顶视角（0°）的多光谱影像数据。无人机飞行高度50—70 m，航向和侧向的重叠率均为85%，其影像分辨率为0.05 m。为保证样地影像的完整性，实际拍摄范围在样地边界做了 15 m外延。采用PhotoScan（https://www.agisoft.com）软件对无人机可见光波段进行预处理，生成数字正射影像图（Digital Orthophoto Map，DOM）及±10°/±20°/±30°的倾斜摄影影像图。通过白板数据校正与纹理参数调整，完成倾斜摄影影像在样地中心的角度校正，从而确保对植物垂直投影面积的有效提取。

2.2 研究方法

2.2.1 整体技术流程

本研究先期预处理无人机相片从而得到正射影像与倾斜摄影影像及其点云数据，而后利用半高斯拟合法分离出绿色像元。此时绿色像元包括林冠层与林下植被层。将点云数据栅格化得到样地表面模型，利用区域最大值法区分植被形态，并依照形态各自反演地形得到高程模型，利用两者高程差分离出林下植被，并依照公式进行林下植被覆盖度计算，最后利用地面调查数据验证精度。

具体流程如图3所示。

图3 植被参数估算流程示意图Fig. 3 Flow chart of vegetation inversion technology

2.2.2 地形反演方法

地形反演用来剔除树冠以突出图像绿色中林下植被信息。布料滤波算法是将点云翻转并模拟布料下落，并假定布料最先触碰到的物体为地面，通过多个布料下落结果拟合地面高程；地图森林密度算法利用点云高程密度的不同拟合出树冠高度，得到数字高程模型。

利用ArcGIS空间分析模块中的焦点统计工具，对数字表面模型数据进行山顶点分析，通过分析顶点缓冲区重叠率，判断该地区植被是否连续（Na et al.，2020）。若植被为离散型分布，采用开源的布料模拟滤波算法工具获取数字高程模型；若植被为连续型分布，则植被与地面之间的区别不明显，采用地图森林密度算法（Map Forest Density）反演地形，该算法由 ENVI 5.5.3提供（https://www.l3harrisgeospatial.com/docs/SampleLiDARForestDen sity.html）。

2.2.3 林下植被覆盖度计算公式与估算方法

本研究以高程2 m为阈值，区分林冠层和林下植被（Li et al.，2020）。林下植被覆盖度（Understory vegetation cover，CUV）计算公式如下：

式中：

PAll——相片总像元；

PGreen——绿色植被所占据的像元。

准确分离出林下植被是量化林下植被覆盖度的关键。作为一种针对无人机影像中绿色覆盖的估计方法，基于直方图的半高斯拟合阈值法（HAGFVC）主要解决分离无人机绿色与非绿色像元的问题（Li et al.，2018），可精准提取林下植被。

单角度无人机图像测量林下植被，首先采用基于直方图的半高斯拟合（HAGFVC）方法分离植被与非植被点，随后利用地形反演后林冠层和林下植被的高程差，分离林冠层与林下植被层。长汀林下植被主要为芒萁，芒萁的高度一般不超过1.3 m，故设置高度阈值为2 m，分离出林下植被范围。

式中：

H(x)——半高斯分布函数；

μ——均值；

σ——标准差。

多角度无人机图像测量林下植被，则以正射影像为基础数据，首先计算正射影像中林下植被范围，再分别计算10°、20°、30°影像林下植被范围，对比倾斜摄影影像林下植被范围与正射影像林下植被范围的不同，并计算不同处的像元数量。将其与正射影像得到林下范围叠加，采用SLIC函数超像素分割叠加结果以求二值化更贴合植被形态，同时对二值掩模图像进行形态学膨胀。使用15×15（Li et al.，2020）的膨胀参数，从而得到膨胀的掩模图像，即可得到较准确的林下植被覆盖度。

2.2.4 地面数据计算方法

本研究使用MATLAB 2018a内置的SLIC函数实现超像素分割（Achanta et al.，2012）。将每个相机拍摄的RGB图像分割成超像素图像，每个超像素图像结果大约包含10000个分割结果，保留每个分割结果中的平均颜色。该方法能降低相片曝光程度，并较好勾勒出植被形态。利用阈值分割将林下植被范围显示出来，从而得到单点的林下植被覆盖度。

利用ArcGIS 10.2的克里金插值模块拟合变异函数，从而对样地的郁闭度与林下植被覆盖度进行内插。再结合地理统计分析，得到样地郁闭度与林下植被覆盖度的平均值。克里金插值（胡小芳等，2020）的通用公式为：

式中：

Z(Xi)——i处位置的实测郁闭度与林下植被覆盖度；

λi——i处的权重；

n——实测值数量；

X0——预测位置。

3 结果与分析

3.1 基于无人机遥感影像反演地形

通过局部最大值分析先期判断植被形态，并依据植被形态采用不同方法反演各样地地形。典型样地处理结果如表1所示。

表1 典型样地处理结果Table 1 Treatment results of typical sample plots

为验证地形反演精度，利用无人机 RTK测得样地白板高程。将 14个样地实测高程与反演高程做回归分析，反演精度用决定系数R2与均方根误差RMSE表示（陈秋计等，2020）。

表2显示各样地植被形态、地形因子与地形反演精度情况，其中，地形起伏是样地中最大高程与最低高程之差，RMSEcloth是由RTK所测白板高程与布料滤波算法反演地形后所得白板高程计算得到，RMSEmap是由白板高程与地图森林密度算法反演地形后白板高程计算得到。由表可知，样地平均坡度集中于5—10°与17—22°区间，地形起伏多在2—10 m区间。RMSEcloth值在0.069—3.528 m之间，其中RMSEcloth＞1部分均为植被连续型样地，同时，RMSEmap值在0.210—1.856 m之间，但该方法反演地形植被离散型样地结果整体低于布料滤波算法。若植被离散型样地采用布料滤波算法，植被连续型样地采用地图布料滤波算法，则离散型样地平均RMSE为0.400 m，连续型样地平均RMSE为0.518 m，两者RMSE均未超过1 m。此时，各植被形态样地按照其技术路线反演地形，其验证结果如图4所示。

图4 地形反演精度Fig. 4 Accuracy of terrain inversion

表2 样地信息与地形情况Table 2 Plot information and topography

图4表明不同植被形态样地采用相应方法反演地形，其结果具有较高的精度，同时展示出本文方法对不同植被形态样地蕴含的地形特征均具有较好的自适应性。由此可认为本文中数字表面模型与数字高程模型的高程差能够较精准地分离出冠层与地面，为林冠层与林下植被的分离提供良好的数据支撑。

3.2 单一角度无人机遥感定量林下植被

林下植被计算如图5所示：图5a所示为剔除冠层的无人机正射影像；图5b所示无人机影像进行超像素分割后结果；图5c所示为利用半高斯拟合阈值法分割图5b后得到的二维掩膜图像，图5d所示对二维掩膜图像进行形态学上膨胀方法所得出结果。

图5 林下植被覆盖范围计算Fig. 5 Calculation of understory vegetation coverage

为验证单一角度定量植被精度，将实测参数与估算得到的植被参数进行线性回归分析，其结果如图6所示。

由图6所示，在各角度无人机影像定量林下植被的结果中，20°无人机遥感影像反演得到的植被参数精度最高，R2为0.459，RMSE为0.166；正射影像的精度次之，R2为0.445，RMSE为0.169；10°影像精度次之，R2为0.413，RMSE为0.190；30°影像精度最差，R2为0.337，RMSE为0.243。

图6 各角度线性回归结果Fig. 6 Linear regression results of each angle

3.3 多角度耦合无人机遥感影像定量林下植被

以正射影像林下信息为基础，加之倾斜摄影影像林下信息进行补充，最终得到林下植被覆盖度与郁闭度的多角度估算结果。将实测参数与估算得到的植被参数进行线性回归分析验证多角度定量植被精度，结果如图7所示。

图7 多角度UVC线性回归结果Fig. 7 Multi angle linear regression results of UVC

多角度耦合精度较高，R2为0.675， RMSE为0.102。将多角度无人机影像定量林下植被的结果与单一角度对比，多角度估算精度明显提高，其中多角度 R2较倾斜 0°R2提高 51%，较倾斜 10°R2提高65%，较倾斜 20°R2提高 44%；较倾斜 30°R2提高94%。多角度RMSE较倾斜0°RMSE降低39%；较倾斜 10°RMSE降低 41%；较倾斜 20°RMSE降低45%；较倾斜30°RMSE降低58%。

4 讨论

4.1 植被形态对林下地形反演精度的影响

在本研究中，林下地形反演方法需依据该区域植被形态而定。植被离散型地区采用点云布料滤波算法滤除植被点云得到地面；植被连续型区域采用地图森林密度算法拟合冠层并降低冠高来拟合地面。不同形态得到的反演精度也不同。本研究结果表明，提取地形起伏区植被高度信息上离散植被区域的反演精度更高，其平均RMSE为0.400 m；植被连续型区域精度略低，其平均RMSE为0.518 m，这主要是由于植被形态与地形差异所致。

本研究发现布料滤波算法反演植被离散型区域地形显著有效，精度也较高。原因是植被离散意味着植被间裸露的地面较多，暴露的地形信息也较明显。利用布料滤波算法移除植被点云，利用空间插值算法填补移除植被后的空白，即可较精准地得到地面点云，从而得到数字高程模型。但是，同时也发现，点云布料滤波算法并不适用于植被连续型区域。因为植被连续型区域中地面裸露较少或者不裸露，地形信息显示不明显。由于无人机点云数据只能体现森林表面，树冠高会干扰布料下落，导致树冠点云剔除不完全，反演地形的结果较差。此时，地图森林密度算法从数据角度拟合地形，拟合结果趋于保守。结果体现林下地形整体趋势较好，单个点的精度稍差一些。但较之布料滤波算法而言，该方法对植被连续型区域的地形反演显著有效。

4.2 无人机多角度对林下植被覆盖度量化的影响

无人机单一角度影像显示的林下植被信息并不全面，导致单一角度影像定量林下植被的精度不高。本研究发现，20°影像反定量林下植被精度最高，正射影像的精度次之，10°影像精度再次之，30°影像计算出的林下植被覆盖度精度最低。导致该现象的原因是不同角度影像会显示出不同的林下植被。

以正射影像为基准，10°影像可能由于偏转角度过低，树冠对林下植被的遮蔽仍然存在，导致精度不高；30°影像可能由于偏转角度的过大导致点云匹配错位，其栅格化结果与0°影像栅格化结果存在较大差距，导致精度较低；而 20°影像可能是偏转角度较适宜，树冠遮蔽情况较少，其DSM数据与正射影像拟合的DSM数据差距也不大，所以精度最高，但也不足以精准计算林下植被覆盖度。

多角度遥感可以提取在相近时间段内获取目标地物多个角度的观测影像。利用不同观测角度得到的影像，可以填补单角度信息的空白，因此，多角度影像耦合提高了林下植被的信息丰度，定量林下植被的精度也显著增加。

5 结论

以长汀县河田镇为研究区域，以无人机多角度遥感数据为基础，依据植被形态反演出林下地形，利用高程差分离出林下植被，在倾斜摄影影像中提取正射影像未显现的林下信息，利用形态学膨胀弥合树冠遮挡的误差，计算林下植被覆盖度。同时结合地面采集数据验证精度并评判定量结果。结果表明：本论文提出的植被形态划分标准在小尺度上评判植被形态较准确，并且针对不同植被类型样地提出的地形反演方法精度达到分离冠层与地面的要求；无人机单角度测量林下植被覆盖度的精度不足以准确评判样地林下植被情况，而无人机多角度影像耦合得到的信息凭借其充足的信息丰度能够较精准地测量林下植被覆盖度，可为林下植被定量估测提供理论依据与技术支持。

本研究在样地选取时，过多集中于研究区域的北部，所能体现的空间异质信息不足。在后续的研究中，将继续补充河田镇其他区域的数据，以保证研究样地在空间上的多样性。同时，针对无人机点云只能获取表层数据的问题，后续研究将考虑利用激光雷达采集样地数据，探求森林内部信息。