福建重要生態功能區單木參數提取研究

馮 娟 林 彬 買吾拉夏·木巴熱克 張煜嫻

(1.昌吉州氣象局,新疆 昌吉 831100;2.平潭綜合實驗區氣象局,福建 平潭 350400;3.中國氣象局烏魯木齊沙漠氣象研究所,新疆 烏魯木齊 830002;4.福建省氣象科學研究所,福建 福州 350001)

0 引言

單木是構成森林的基本單元,同時也是森林資源調查所需的關鍵因素。單木信息的精準測量不僅對其數據本身具有重要意義,也為后續外業數據的自動獲取提供了可能[1]。傳統的單木調查需要人工外業測量,時效性往往很難滿足監控需要,在精度上也存在誤差。高分辨率精細遙感技術為單木信息的快速、精確獲取提供了有利條件,也為掌握森林資源與管理提供有效保障[2]。利用無人機遙感技術獲取單木信息,不僅能夠提升空間與時間分辨率,也使森林資源調查研究更具經濟效益和實用性[3]。

單木參數提取是指通過對遙感數據進行分割得到單株樹木信息,包括單木的位置、樹冠、樹高等[4]?，F階段通常使用的遙感數據主要有高分辨率光譜數據和激光雷達數據。無人機多光譜影像能為單木參數提取提供較高的空間分辨率,機載激光雷達(Light Detection and Ranging,LiDAR)則對森林有較強的穿透能力,可以直接、快速地獲取大面積、高精度的植被三維信息,不僅能提供水平結構的地形信息,還能生成垂直結構的森林冠層空間信息[5]。因此,融合無人機多光譜數據與機載雷達數據源,具有獲取樹木冠層光譜信息與空間結構信息的優勢。機載雷達數據通常運用冠層高度模型(canopy height model,CHM)和點云數據處理兩種方式獲取單木垂直結構的參數[6]?；贑HM的單木分割方法的核心思想是利用單木樹冠的頂部高于邊緣,且與四周的樹冠之間具有谷的特點進行分析[7]。陳日強等[8]運用局部極大值濾波算法和標記控制分水嶺分割算法處理CHM,有效實現了果樹單木樹冠檢測與信息提取;解宇陽等[9]使用局部最大值法從CHM中提取植被冠層高度與單木位置,結果顯示,所提取植被的高度精度較高但位置精度一般;Peng等[10]使用不同密度的無人機LiDAR數據,通過CHM提取松樹樹高,證明了樹高提取精度隨著點云密度的增加逐漸提高,且17 pts/m2是提取樹高的最低密度?；邳c云的單木分割算法可以避免點云差值生成CHM過程帶來的誤差[11],Wu等[12]使用基于CHM的分水嶺算法與基于點云的區域生長分割算法計算銀杏林冠層覆蓋度的精度,與實測數據對比發現,區域生長算法的精度較高;Corte等[13]針對高密度無人機點云,采用單木檢測算法獲取胸徑和樹高,得到相關系數分別為0.77和0.91,相對均方根誤差為11.3%和7.9%。無人機LiDAR能夠有效獲取森林冠層頂部信息,但難以獲取樹冠下方的信息,對林中小樹的探測能力有限。

綜上,本文選福建省漳州市云霄園嶺國有林場、龍巖市上杭白砂國有林場為研究區,利用無人機多光譜數據與機載雷達數據,將無人機雷達數據經過點云數據處理后,運用CHM模型分割單木,結合無人機光譜數據提取單木參數,并通過實測數據檢驗提取精度。同時,對比不同復雜程度樣地的單木參數提取精度,以驗證融合兩種數據的優越性,為做好森林資源監測管理工作提供有效保障。

1 數據與方法

1.1 研究區域概況

研究區域位于福建省,地處武夷山支脈的低山丘陵,年均降水量為1880 mm,屬亞熱帶季風氣候。從該區域選擇具有代表性的不同樹種人工林為試驗林,分別位于漳州市云霄園嶺國有林場和龍巖市上杭白砂國有林場,在試驗林設置無人機飛行區域作為典型區,進行單木參數的提取。

1.2 數據收集及預處理

1.2.1 LiDAR數據

2021年8月,通過RT470多旋翼無人機搭載平臺搭載R1350激光雷達測量系統,在漳州市云霄園嶺國有林場和龍巖市上杭白砂國有林場進行LiDAR數據采集。無人機飛行高度150 m,采集總面積18 km2,點云密度40～80 pts/m2,坐標系統為WGS 84大地坐標系統,數據如表1所示 。

表1 無人機LiDAR數據

LiDAR點云數據預處理過程包含對點云去噪、濾波,對點云數據進行去噪處理是為了減少點云噪聲點對后續數據處理造成的影響。

1.2.2 無人機多光譜數據

高分辨率影像數據采集于2021年7—8月,使用大疆多光譜相機,載有1個用于可見光成像的彩色傳感器和5個用于多光譜成像的單色傳感器,單個相機有效像素為208萬。航線設置為掃描航線,航線高度為188 m,分辨率為10 cm。數據采集完成后,使用大疆智圖對無人機航拍照片進行預處理。

1.2.3 外業調查數據收集與整理

本研究外業調查數據如表2所示,獲取時間為2021年7—8月,樣地在福建省漳州市云霄園嶺國有林場和龍巖市上杭白砂國有林場。針對研究區域主要樹種杉木、馬尾松、桉樹分別各選取一塊20 m×20 m樣地進行單木參數的提取,每個樣地都使用RTK定位樣地角點坐標,并記錄樣地內每棵樹的胸徑和樹木示意圖,部分樹記錄樹高和RTK定位。此外,選擇一塊馬尾松樣地測量該樣地砍伐后真實樹高,用以衡量真實樹高與測高桿量測樹高、LiDAR提取樹高的誤差。

表2 外業調查數據統計

1.3 研究方法

單木參數的提取結合多光譜的樹種識別結果,采用無人機多光譜和LiDAR數據,通過單木分割技術得到不同樹種的單木分布,并在此基礎上提取主要人工林樹種的單木樹冠。技術路線如圖1所示。

圖1 技術路線圖

1.3.1 基于機載LiDAR數據單木分割方法

首先,采用標記控制分水嶺分割的方法進行單木分割。分水嶺算法將影像看作地球科學層面上的拓撲圖形,地形的起伏通過灰度圖像上每個像素的灰度值表示[14-15]。分水嶺算法將獲取的輸入圖像轉換為梯度圖像來取得邊緣信息。

分水嶺算法對噪聲等十分敏感,樹冠不是一個平面,內部結構復雜,直接進行局部最大值的提取會存在很多極大值,這樣破碎的樹冠圖像沒有任何意義。因此,一般要先采用高斯濾波對噪聲點及無效的極大值點進行平滑處理。同時,為了減少分水嶺算法過分割的現象,通常對樹頂點用局部最大值法進行標記。

1.3.2 單木樹冠提取方法

樹冠作為單木參數的重要部分,能夠直觀反映樹木生長的優劣。由于部分單木分割單元中還包括林中空隙,因此,單木分割后得到的初步結果并不能直接作為單木樹冠提取的結果,將樹冠區域提取結果與單木分割結果結合能有效提升單木樹冠的提取精度[16-17]。

本文基于無人機多光譜影像,采用最大似然法對樹冠、非樹冠區域進行分類,提取樹冠區域并進行矢量化,采用ArcGIS中的消除面部件、平滑工具進行后處理,消除樹冠內部的小孔隙與不規整邊界。通過將單木分割結果與提取的樹冠區域進行面相交,得到單木樹冠提取的最終結果,并以與冠面積大小一致的圓直徑作為單木冠幅。

1.3.3 精度驗證

精度驗證可以從單木和林分兩個評價層次上進行驗證[18],本文采用F測度作為主要評價指標。通常將參考樹冠分為匹配、接近匹配、丟失、合并、分割等五類,其中,匹配和接近匹配被判定為正確的分割結果,丟失和合并判定為漏分誤差,分割判定為錯分誤差。分割正確率p是整個提取結果中有效單木探測株數所占的比例,召回率r是真實參考數據中有效單木探測株數所占的比例,F測度是指正確率與召回率之間的調和值,其計算公式分別為:

(1)

(2)

(3)

式(1)～式(3)中,TP為正確分割的單木株數;FP為錯分割的單木株數;FN為過分割的單木株數。

基于目視解譯結果,選用匹配較好的單木作為研究對象,對比單木樹冠與單木樹高的估測值與實測值來檢驗估測精度。對估測結果的誤差將分別通過均方根誤差(RMSE)、相對均方根誤差(RMSEr)和估測精度(P)進行分析,其計算公式分別為:

(4)

(5)

(6)

式(4)～式(6)中,Xobj,i為實測值;Xmodel,i為估測值;n為檢測樣本數量。

2 結果驗證與分析

2.1 單木分割結果分析

不同CHM分辨率對單木分割的結果也有較大影響。CHM分辨率較小時,樹冠內部異質性大,可能導致單木的過分割及錯分割;CHM分辨率較高時,像元間的差異性變小,模糊了樹冠之間的高度差異,使得該方法對樹冠的識別效果變差。因此,找到分水嶺分割最佳的像素分辨率對單木識別精度的提升有著至關重要的作用?；诓煌瑯浞N,分別選取一塊高郁閉度樣地,采用3種CHM分辨率進行分水嶺分割。通過比較分割效果,得到當采用0.4 m CHM分辨率進行分割時,桉樹與馬尾松均得到了相對較高的分割精度;杉木采用0.4 m CHM與0.5 m CHM分辨率所得F測度一致,當采用0.4 m CHM分辨率時存在過分割現象,當采用0.5 m CHM分辨率時存在欠分割現象,對比分割單元的形狀,采用0.4 m CHM分割效果較好。表3為選擇最佳CHM分辨率的分割結果及其分割精度,可以看出,基于CHM進行單木分割總體易導致過分割,桉樹的分割精度顯著高于杉木與馬尾松的分割精度。

注:底圖為無人機影像,紅線標注樹冠邊界。

表3 不同樹種最優CHM分辨率的單木分割精度

2.2 單木樹冠提取結果分析

為提高單木樹冠提取精度,首先需要對多光譜影像進行分類,獲取樹冠范圍,提取結果見圖3(a)。由于提取的樹冠范圍中除了林中空隙,還包含了樹冠內部的縫隙,因此,需進行后處理。在ArcGIS中將單木分割結果與樹冠提取范圍進行面相交,提取出兩組數據重疊的區域,通過消除面部件工具按面積大小消除樹冠內部小于一定面積的孔隙,從而提取最終單木樹冠。圖3(b)、圖3(c)以Sample3馬尾松樣地為例對比兩種方式提取單木樹冠的結果,加入多光譜影像后,明顯提升了單木樹冠的提取精度。

(a)基于無人機多光譜數據的樹冠區域提取結果 (b)馬尾松樣地基于LiDAR數據單木樹冠提取結果 (c)馬尾松樣地LiDAR數據結合多光譜數據單木樹冠提取結果

針對不同樹種的樣地選擇匹配單木進行精度分析可得(圖4),3個樣地的相關系數為0.40～0.75,估測精度均在80%以上。桉樹與杉木的估測精度達到85%以上且高于馬尾松樣地,而RMSE和RMSEr低于馬尾松樣地。由于3個樣地均選自高郁閉度林分,樹冠與樹冠之間存在一定重疊,目視勾繪的參考冠幅由于無法準確勾繪出樹冠重疊的部分,大部分樹冠易造成高估的情況,且目視方法無法勾繪出林下樹木,可能會將林下單木的冠幅與旁邊高大林木勾繪在一起,造成部分單木冠幅低估。由于桉樹與杉木樹冠特征更易識別,且馬尾松樣地包含較多林下樹木,使馬尾松樣地單木參數的提取精度相對較低。

(a)桉樹樣地 (b)杉木樣地 (c)馬尾松樣地

3 結論

本文以福建省上杭白砂國有林場、云霄園嶺國有林場為研究對象,利用機載LiDAR數據結合多光譜數據對典型區不同樹種單木參數進行提取。得到以下結論:

①基于CHM,采用分水嶺分割的方法在單木分割中的應用是可行的,但在單木分割過程中易造成過分割;桉樹的單木分割精度顯著高于杉木與馬尾松,精度可達87.6%;當采用0.4 m CHM分辨率進行單木分割時,各樹種均可以得到較好的分割效果。

②從單木樹冠提取結果可見,采用多光譜數據與機載LiDAR數據相結合的方式提取效果較好。桉樹與杉木的提取精度高于馬尾松,估測精度均可達到85%以上,RMSE也在0.5 m2以內,對馬尾松冠幅的估測出現明顯高估,這與參考樹冠勾繪的準確度有關,準確獲取單木冠幅的大小仍是一項挑戰。