基于無人機遙感的云南松林冠參數提取研究

楊安蓉,張 超

(西南林業大學 林學院,云南 昆明 650224)

樹冠是樹木進行呼吸和光合作用的重要場所,冠幅作為樹冠結構的重要特征因子,可直接影響樹木的生產力和生命力。諸多研究表明,樹冠能很好地預測林分蓄積量[1-3]。近年來,傳統樹冠分割技術分割不穩定、識別率低等問題不斷暴露,樹冠的探測和分割方法呈現出多維化、智能化的發展趨勢。由于不同森林類型的復雜性,任何一種樹冠信息提取方法都不可能適用于所有立地環境內的林分,因此,更精確高效的樹冠信息提取方法有待進一步研究發掘。

進入21世紀以來,無人機遙感技術作為一種新型數據獲取手段,為快速、高效、準確獲取森林結構參數信息提供了重要技術支撐,在森林資源調查等領域已有初步探索[4],研究發現,無人機遙感技術可實現森林結構參數的信息提取[5-7],既滿足現代森林經營的需求,亦能提升調查效率,為森林資源數據更新提供重要保障。通過無人機獲取的數據包含了豐富的信息,如何有效地通過數字圖像處理技術進行興趣信息提取,并篩選研究所需的林分調查因子,是目前無人機遙感技術在森林資源調查與監測領域中的重點和難點。

目前,面向對象的分類方法已成為高分遙感影像分析的主流方式[8],該方法有3個優勢,一是可利用紋理特性、空間特征和鄰域信息輕松地將光譜特征相似而類型不同的影像區分開來;二是能構建多尺度網絡層次,為分類提供上下文拓撲關系信息,有利于信息的精確提取[9];三是將分割后的對象作為信息提取和分析的基本單元,分類結果有良好的整體性,可有效減少“椒鹽現象”的產生[10]。但在提取森林結構參數時由于沒有考慮高度因素,該法往往會將灌草錯誤識別為樹冠,給冠幅信息提取造成一定干擾。林分冠層高度模型(canopy height model,CHM)消除了地形起伏變化對數字表面模型中地表高層信息的影響,能反映林木高度和冠層的空間分布狀態,有效減少灌草的影響,因此常用于反演冠幅、樹高、郁閉度、蓄積量、生物量等森林參數[11-13]。

本研究采用傳統調查方法結合無人機遙感技術,以云南松(Pinusyunnanensis)純林林分為對象,采用傳統目視解譯,基于面向對象的多尺度分割方法及CHM的分水嶺分割方法,對無人機影像進行單木林冠參數的精準提取,并進行精度評價和分析,借此探索森林結構參數的遙感估測方法,為利用無人機遙感技術進行單木尺度的云南松蓄積量估測提供理論依據和技術支撐。

1 研究區概況

研究區位于云南省昆明市富民縣羅免鄉(102°20′46″-102°29′14″E、25°16′21″-25°25′26″N)。為典型的低緯度亞熱帶高原季風氣候,總面積約150 hm2,最高海拔2 306 m,最低海拔2 019 m,地勢較為平坦。氣候條件良好,有利于林木的生長發育。主要喬木樹種有云南松、櫟類、榿木(Alnuscremastogyne)、桉樹(Eucalyptusrobusta)和杏(Armeniacavulgaris)等。其中,云南松林分以天然純林為主,多數林木樹冠間不相連,視線通透良好。研究區地理位置見圖1。

圖1 研究區地理位置Fig.1 Geographical location of the study area

2 材料與方法

2.1 標準地調查

依據標準地的選擇和設置原則,結合研究區現狀,選擇未受或少受人為干擾的天然云南松純林林分。設置方形標準地(共54個)大小為25 m×25 m,面積為0.062 5 hm2。依據森林資源規劃設計調查技術規定,按郁閉度劃分為3個等級:Ⅰ級20個(0.20～0.39)、Ⅱ級18個(0.40～0.69)、Ⅲ級16個(0.70以上)。采用實測法調查標準地內所有活立木的胸徑、樹高、最長冠幅、最短冠幅,并對每木進行精確定位。共有849株樣木,將立木樹冠近似視作橢圓,長冠幅和短冠幅分別視為橢圓的長軸和短軸,計算林木的平均冠幅。

(1)

表1 樣地數據匯總Table 1 Sample plot data summary table

2.2 無人機影像獲取與處理

標準地設置完成后,利用大疆Phantom 4 pro四旋翼無人機搭載單鏡頭可見光傳感器獲取無人機遙感影像,根據研究區現狀和技術方案,規劃設計飛行航線(完全覆蓋樣地)。利用目前廣泛應用的Pix4Dmapper、Menci APS和PhotoScan3無人機影像處理軟件對原始影像數據進行預處理,獲取研究區的數字正射影像(digital orthophoto map,DOM)、數字表面模型(digital surface model,DSM)、數字地面模型(digital terrain models,DTM)、三維點云和精度報告等[14],對3款軟件的處理結果對比擇優,發現APS軟件處理得到的DOM影像清晰、顏色對比鮮明,幾何形變程度較小,能明顯區分出林冠區與非林冠區,因此選擇APS軟件的預處理結果作為林冠參數提取的基礎數據。利用LiDAR360軟件對原始點云數據進行剪裁、去噪后,利用改進的漸進加密三角網濾波算法[15]對點云進行地面點分類,利用不規則三角網插值法對分類后的點云進行空間插值[16]生成DSM和DEM,最終處理得到CHM,并根據DEM對點云進行歸一化處理(圖2)。

圖2 點云歸一化Fig.2 Normalized point cloud

2.3 林冠參數提取

2.3.1 傳統目視解譯方法 目視解譯(visual interpretation)是遙感圖像解譯的一種技術手段[17],在冠幅提取中精度較高但比較費時費力。本研究在DOM基礎上,分析其形、色、位特點,把握解譯特征,結合研究區解譯標志,對地物進行目視解譯,手動勾繪云南松單木樹冠輪廓。

2.3.2 基于面向對象的多尺度分割方法

2.3.2.1 多尺度分割 該步驟需輸入3個參數:尺度、形狀、緊致度。尺度參數(scale)直接決定了分割對象大小、地物提取精度及分割質量[18]。形狀因子(shape)決定著分割對象的形狀因子和顏色因子在同質性準則中的占比。緊致度因子(compactness)基于一定的形狀規則對分割圖像進行緊致度約束,從而優化影像分割結果。由于不同樹種的樹冠存在尺度和形態差異,進行單木樹冠分割時需要設置不同參數才能達到較好的分割效果[19]。評判分割尺度是否合適的標準是,對象內部同質性最大,對象之間異質性最大[20],目標地物可被清晰地分割出來。在此前提下,分割尺度越大越好[21]。

設置形狀因子為0.1～0.6,尺度參數為300,緊致度因子為0.5,共進行6次試驗,確定最優形狀因子為0.1。取尺度參數為300,形狀因子0.1,緊致度因子為0.1～0.9,每次調整0.1,共進行9次試驗,確定最優緊致度因子為0.5。在此基礎上,采用eCognition軟件中的ESP2插件運算結果作為判斷分割效果好壞的標準。由圖3看出,橫坐標為分割尺度,左側縱坐標為局部方差LV,右側縱坐標為局部方差變化率ROC-LV。ROC-LV出現波峰時對應的尺度參數即為某一對象的最優分割尺度[22]。該圖像的最優尺度有210、218、230、246、278、284、328、336、344、363、379、387。設置形狀因子為0.1,緊致度因子為0.5,尺度參數分別為上述最優尺度參數值,進行12次分割試驗,得到不同尺度參數控制下的影像分割結果,通過對比分析發現,當尺度參數為344時,分割對象大小適中,樹冠輪廓也較為貼近實際情況,因此確定形狀因子為0.1、緊致度因子為0.5時,最優分割尺度為344。以最優分割參數組合對研究區所有樣地進行多尺度分割。

圖3 ROC-LV折線Fig.3 ROC-LV broken lines

2.3.2.2 面向對象分類 選擇面向對象影像分類(樣本模式)的分類方法將分割結果分為林冠區與非林冠區,分別為2種地物類別選取圖像特征指標以構建特征空間,并對其進行優化,選擇分割特征的最佳組合。在此參考前者研究選擇了以下3大類特征指標[23-25]:1)光譜特征,包括在R、G、B波段上的像素平均值、亮度、標準差、VI值、Max.diff;2)紋理特征,包括灰度共生矩陣的紋理均值、相異性和相關性;3)形狀特征,包括長寬比、形狀指數。按照林冠區和非林冠區利用樣本采集器采樣,當分類依據>0.85,錯分到其他類別的概率<0.7時表示采樣具有代表性[21]。將上述14個分類特征全部選入特征空間優化工具,結果見圖4,圖4中橫坐標為數量特征維度,縱坐標為分割距離。當數量特征維度為11時,最低分離度最高,分割特征的最佳組合為:Rmean、Gmean、Bmean、RStd Dev、GStd Dev、BStd Dev、VI值、Max.difff、Length/Width、shape index、GLCMmean?；趦灮蟮奶卣?采用最近鄰分類方法進行影像對象的面向對象分類。

圖4 分割距離與分類特征數量關系Fig.4 The relationship between segmentation distance and the number of categorical features

2.3.3 基于CHM的分水嶺分割方法 森林的樹冠見圖5(a),若在2個集水盆匯合處構建大壩,形成區分樹冠的分水嶺見圖5(b),利用分水嶺分割算法對CHM柵格進行分割的結果見圖5(c),圖中綠色線即為分水嶺分割線,中心位置即為集水盆中的最小值位置,也就是每木樹冠的最高點(樹木所在位置)。

圖5 CHM分水嶺分割原理Fig.5 The theory of CHM watershed division

在LiDAR360軟件中輸入CHM數據,根據實際調查情況及多次嘗試,確定分割參數設置見表2。

表2 基于CHM的分水嶺分割算法參數設置Table 2 Parameter setting of watershed segmentation algorithm based on CHM

2.3.4 精度評價 目前,國內外對于單木冠幅提取的精度評價并無統一標準[26],一般包括:1)提取的單木位置、數量與實測單木位置、數量的比較;2)單木樹冠輪廓描述精度驗證,此處稱為單木分割精度;3)單木平均冠幅精度驗證,此處稱為單木冠幅提取精度。

2.3.4.1 冠幅計算 與標準地調查數據處理相似,求出單株樹冠輪廓的周長L和面積CW's后,按下式計算云南松的單木提取冠幅

(2)

(3)

(4)

2.3.4.2 單木分割精度 參考目視解譯結果,利用準確率(Pd)、召回率(Pr)和F測度進行單木分割精度評價,同時以標準地為單位計算單木分割百分比(Pi)

(5)

(6)

(7)

(8)

式中:Nc為正確分割的樹冠數目;Nd為分割出來的樹冠總數;Nr為參考樹冠個數;Nt為標準地分割的總株數;Ns為標準地實測的總株數。

2.3.4.4 林分郁閉度估測 現地測定郁閉度的方法較多,常用的有目測法、統計法、樹冠投影法、測線法、樣點法和平均冠幅法,但這些方法只能大致確定一個郁閉度值,且受個人因素影響較大。目視解譯雖然費時費力,但精度較高,因此使用目視解譯提取結果作為林分郁閉度遙感估測的參考值。

(9)

式中:PC為郁閉度;SC為林冠投影面積,SO為標準地總面積。

3 結果與分析

3.1 單木林冠參數提取

基于樣地無人機遙感數據,分別利用目視解譯、多尺度分割和分水嶺分割方法進行影像分割提取樹冠輪廓,3種方法最終的影像提取結果疊加到正射影像上的效果見圖6(以1號標準地為例)。對應外業調查結果進行冠幅提取的精度分析(表3)。 結果表明,849株樣木通過目視解譯方法被完全識別提取出來,冠幅的實測值與目視解譯提取值總體非常相近,但局部有差異。實測值與提取值之間的平均相對誤差為0.09,提取精度達91.48%。多尺度分割方法正確識別提取了759株樣木,實測值與提取值之間平均相對誤差為0.13,相比目視解譯來說,分割誤差有所上升,但總體提取精度為87.33%,僅降低了4.16%。分水嶺分割方法正確識別提取了744株樣木,實測值與提取值之間平均相對誤差為0.16,相比目視解譯來說,提取誤差再次上升,總體提取精度為84.04%,降低了7.44%。

表3 單木冠幅提取精度分析Table 3 Analysis of extraction accuracy of single tree crown width

圖6 單木分割結果Fig.6 Single tree segmentation results

由表4可知,3個密度等級林分相比,多尺度分割方法中,就準確率來說,Ⅰ級林分>Ⅱ級林分>Ⅲ級林分;就召回率而言,Ⅰ級林分>Ⅲ級林分>Ⅱ級林分;F測度方面,Ⅰ級林分>Ⅲ級林分>Ⅱ級林分?？傮w來說,Ⅰ級林分的冠幅分割精度最高。在54個標準地中,單木分割百分比平均值為93.40%,單木分割百分比達100%的共28個,其中,Ⅰ密度等級13個,Ⅱ密度等級9個,Ⅲ密度等級6個。分水嶺分割方法中,就準確率來說,Ⅰ級林分>Ⅱ級林分>Ⅲ級林分;就召回率而言,Ⅰ級林分>Ⅱ級林分>Ⅲ級林分;F測度方面,Ⅰ級林分>Ⅱ級林分>Ⅲ級林分?？傮w來說,Ⅰ級林分的冠幅分割精度最高。在54個標準地中,單木分割百分比平均值為93.76%,單木分割百分比達100%的共26個,其中,Ⅰ密度等級11個,Ⅱ密度等級11個,Ⅲ密度等級4個。

表4 不同密度等級單木尺度分割精度評價Table 4 Evaluation of segmentation accuracy of single wood scale with different density grades

由表5可知,目視解譯方法中各密度等級林分冠幅提取的平均絕對誤差分別為0.38、0.38和0.41,平均相對誤差較小,分別為0.08、0.08和0.09,冠幅提取精度分別為92.34%、91.74%和90.69%。說明3個密度等級林分中目視解譯方法獲取的冠幅提取值與實測值相差較小,提取精度較好。多尺度分割方法中各密度等級林分中冠幅提取的平均絕對誤差分別為0.57、0.63和0.66,平均相對誤差分別為0.11、0.12和0.14,冠幅提取精度分別為88.70%、87.57%和86.14%。分水嶺分割方法中各密度等級林分中冠幅提取的平均絕對誤差分別為0.81、0.80和0.84,平均相對誤差分別為0.15、0.16和0.17,冠幅提取精度分別為84.74%、84.44%和82.83%。

表5 不同密度等級林分單木冠幅提取精度分析Table 5 Analysis on the extraction accuracy of single tree crown width in stands with different density grades

3.2 林分郁閉度的遙感估測

由表6可知,多尺度分割方法中,郁閉度識別提取的平均絕對誤差為0.04,平均相對誤差為0.10,總體估測精度達90.24%,將目視解譯獲取的郁閉度與多尺度分割獲取的郁閉度進行擬合,兩者的R2達0.884 5。分水嶺分割方法中,郁閉度識別提取的平均絕對誤差為0.05,平均相對誤差為0.12,總體估測精度達87.40%,將目視解譯獲取的郁閉度與分水嶺分割獲取的郁閉度進行擬合,兩者的R2達0.743 7。

表6 林分郁閉度提取精度分析Table 6 Analysis on the extraction accuracy of stand canopy closure

4 討論

對比影像原圖發現,目視解譯方法的誤差來源有2個,一是數據處理過程中有部分影像發生形變和圖像模糊的情況;二是部分樹木聚集分布使樹冠重疊,提取時無法分清樹冠輪廓。目視解譯在判定過程中易產生人為誤差導致數據提取精度下降,且該法在實施過程中需輔助大量的人工解譯工作,內業工作量較大,說明通過無人機遙感目視解譯提取林冠參數的方法仍有一定進步空間。

對于面向對象的多尺度分割方法來說,造成提取結果產生部分樹冠漏提、錯提的原因除影像形變和樹冠重疊之外,還有2個重要原因,一是標準地內有灌草分布,而灌草的像素特征值與樹冠相似,難以將兩者區分;二是部分樹冠葉片分布較稀疏,難以通過像素特征將其與周圍的地物區別出來。在今后的研究過程中可著重考慮空間特征指標的選擇,以更好地區分灌草、目標樹種和非目標樹種,進而提高林冠參數的提取精度。另外,溫昱婷等[27]基于無人機遙感平臺,采用面向對象的方法進行樹種分類研究,發現DSM與RGB特征融合圖像提取樹種的精度較RGB單一圖像提高了6.69%,表明特征融合圖像結合面向對象分類方法可提高無人機可見光影像的樹種分類精度。后續研究考慮利用特征融合結合多種圖像分割方法進行森林參數提取,探索更高精度的森林參數提取方法。

本研究中的實地冠幅調查,與孫釗等[28]使用8個方向冠幅均值決定樹冠大小相比,可能會導致人為誤差增大進而影響冠幅提取精度,但在形狀、尺度和緊致度參數的設置上本研究考慮較為全面,可能是多尺度分割提取效果較好的原因。同時,徐永勝等[29]研究發現無人機在50 m飛行高度下獲取的遙感影像林隙識別效果最好,本研究中的無人機飛行高度設置與此相同,且林分郁閉度多數較低,可能是本研究中林冠參數提取結果較好的原因。另外,許多學者在進行林冠參數提取時采用了基于冠層高度模型的標記控制分水嶺方法[30]、基于點云的層堆疊分割、區域增長算法等分割方法[31],這些方法在樹冠信息提取時考慮了高度因素和林木的整體性,有效避開了灌草的干擾,在今后的研究中可嘗試這些方法以提高林冠參數的提取精度。另外,利用基于CHM和點云的單木分割不僅可以獲取單木位置、冠幅、郁閉度信息,還可獲取樹高等空間三維信息,由此即可為林分蓄積量、生物量的估測提供堅實的數據基礎,后期研究將從林分蓄積量生物量的估測方面著手,探索基于無人機遙感技術,利用不同單木分割方法獲取森林參數進行林分蓄積量、生物量估測。

利用無人機遙感技術雖然可高效、實時獲取研究區的影像數據,且基于影像數據可直接獲取森林參數,相比衛星遙感技術來說,為森林資源調查提供了很大的便利,但對研究區的選擇具有很大限制性,目前該法多用在地勢平坦地區的稀疏林分,隨著研究區的坡度上升,林冠參數的提取精度大幅下降,對于坡度較大的研究區,林冠參數提取方法還有待進一步探討。另外,無人機遙感影像在航拍和預處理過程中,或多或少會受到光照、風速、傳輸和處理機制的影響,從而造成影像質量不高的結果,如何消除或者減小這些影響有待進一步研究。本研究的對象為地勢相對平坦地區的云南松純林,使得結果具有一定局限性,今后可在不同地區、不同樹種的樣地上驗證本研究的結果。

5 結論

隨著傳感器和遙感技術的發展,當前的無人機低空高光譜遙感影像以及小光斑雷達影像在空間分辨率、光譜成像、數據處理、估算模型等方面具有顯著優勢,且這些影像不受或少受大氣影響,可實現全天候監測,能提取林木株數、樹冠、樹高等信息,在林分蓄積量、生物量等參數估算方面表現出廣闊的應用前景。本研究利用無人機獲取高分影像,采用目視解譯、多尺度分割和分水嶺分割方法,對林木冠幅和郁閉度進行了提取,結果表明,3種分割方法按冠幅提取精度排列依次為目視解譯(91.48%)、多尺度分割(87.33%)、分水嶺分割(84.04%)。多尺度分割方法提取結果中,各郁閉度等級的林分冠幅提取誤差依次上升,分水嶺分割方法提取結果中,Ⅱ級林分誤差降低幅度最小,說明分水嶺分割方法較適用于本研究中的Ⅱ級林分林冠參數的識別提取。在樹冠輪廓貼合度方面,多尺度分割結果輪廓較為貼近目視解譯結果,分水嶺分割結果與目視解譯結果之間的貼合度則較差。以目視解譯結果為參考,多尺度分割方法提取郁閉度的精度達90.24%,R2達0.884 5,分水嶺分割方法提取郁閉度的精度達87.40%,R2達0.743 7,說明面向對象的多尺度分割方法能很好地提取云南松純林林冠參數信息。