無人機遙感技術在森林資源調查中的應用研究進展

賈 慧，楊 柳，鄭景飚

無人機遙感技術在森林資源調查中的應用研究進展

賈 慧1，楊 柳2，鄭景飚3

（1. 重慶文化藝術職業學院，重慶 401320；2. 河南農業大學 林學院，河南 鄭州 450002；3. 信息工程大學 地理空間信息學院，河南 鄭州 450001）

無人機遙感技術以其以低成本、低風險、高時效及可產生高分辨率影像的優勢，成為較先進的森林資源調查手段。本文闡述了可搭載于無人機平臺上的光學、紅外、高光譜、激光雷達和合成孔徑雷達載荷的發展現狀，并針對森林資源調查需求，總結了不同載荷下國內外森林特征參數提取方法和技術的優缺點。最后，分析了無人機遙感技術應用于森林資源調查中存在的問題，并對這一技術的未來發展趨勢進行展望，為無人機遙感技術在我國森林資源調查中應用提供參考。

無人機；遙感技術；森林資源調查；研究進展

森林資源調查與監測是森林經營與管理的基礎，查清和落實森林資源數量和質量是保證森林資源可持續發展的前提條件[1]。森林資源調查經過多年的發展，我國已經構建了以國家森林資源連續清查、森林資源規劃設計調查和森林資源作業調查為基礎的一、二、三類調查體系[2]。森林資源調查普遍采用角規輔助每木檢尺及加密樣地精度控制的方法，這種調查方法單一且周期較長，難以適應現代林業和精準林業的要求。近年來，森林資源調查與監測技術無論是在數據獲取還是在數據處理分析方面都有較大的創新與發展[3-4]。尤其是多載荷無人機遙感技術的日趨成熟，給森林資源調查注入了新的活力。多級無人機載荷的應用使森林資源調查數據采集多樣化、智能化，拓寬了遙感技術的時空尺度，比地面靜態觀測、衛星航天觀測更加靈活，所獲得的影像分辨率更高，滿足從小班到林場的探測需求。在無人機上搭載不同傳感器能夠獲得森林資源調查多層面的數據，但目前無人機遙感技術在森林資源調查中應用還處于探索階段。鑒于此，本文重點闡述了森林資源調查中可利用的無人機遙感的載荷，如：光學、紅外、高光譜、激光雷達和合成孔徑雷達傳感器國內外發展狀態，并針對森林資源調查內容和要求，分析了國內外該領域內的無人機森林特征參數提取及應用，最后對無人機遙感技術在森林資源調查中的應用前景進行了展望。

1 無人機森林資源調查可用載荷

無人機是一種機上無人駕駛的航空器，其具有動力裝置和導航模塊，在一定范圍內靠無線電遙控設備或計算機預編程序自主控制飛行[5]。無人機森林資源調查技術是利用無人駕駛飛行器結合遙感傳感器技術、遙測遙控技術、通信技術、POS定位技術、GPS差分定位技術和遙感技術對森林資源進行觀測和信息提取。載荷是無人機成像所依賴的工具，決定著無人機森林資源調查中影像應用的深度和廣度。由于市場需求的推動，無人機載荷發展迅速，逐漸向多維化和立體化方向發展[6-7]，可應用森林資源調查的載荷主要如下：

1.1 輕小型無人機光學載荷

數碼相機是無人機上常用的光學載荷[8]。利用光學載荷獲所獲取的森林樣地觀測圖像，符合人眼對自然界物體的觀察習慣，影像分辨率較高，能夠準確反映絕大多數森林地物的形狀、質地和色彩，僅依靠目視解譯就能夠實現林種識別，造林地成活率判別。利用無人機遙感影像可以制作高精度的數字表面模型和數字正射影像，可實現對觀測樣地林木的冠幅、樹高、郁閉度、林分密度等森林參數信息提取。由于無人機體積和承重能力有限，用于其森林資源調查的光學載荷一般要求質量輕、體積小。目前，國內外無人機搭載的光學載荷主要有飛思（Phase）、哈蘇（Hasselblad）等中畫幅數碼相機以及索尼、尼康、佳能、富士、萊卡、三星等小畫幅單反相機。這些光學相機分辨率一般在8 000萬像素上下，像素尺寸在3.9 ~ 6.4 μm之間[9]。小畫幅單反相機常用的型號為：Canon 5D Mark II，Nikon D800，Sony NEX-7。普通相機常見的有大疆Phantom3Professional的4K相機和大疆Phantom3Advanced的HD高清相機。傾斜攝影中常用的相機有微軟UCO相機、劉先林院士研發的SWDC-5相機、上海遙感公司的AMC580、中測新圖公司的TOPDC-5、紅鵬公司的2K相機、立得空間的leador AMMS等。

1.2 紅外譜段無人機遙感載荷

紅外譜段指的是頻率低于可見光譜段以外波長在0.76 ~ 1 000 μm范圍內，位于可見光和微波之間的電磁波波段[10]。無人機紅外譜段載荷是搭載于無人機上的將輻射能量轉化為紅外輻射強度成正比電信號的傳感器。目前，大面陣、高性能的紅外探測器價格較高，不太適合輕小型無人機遙感系統大面積推廣應用。紅外載荷在森林資源調查中可用于林火監測，如：火點分布、過火面積、火情蔓延趨勢分析以及林地土壤水分和土壤有機質含量探測等[11]。目前，常見的無人機紅外載荷產品有：Onca系列中紅外相機，光譜范圍在3.7 ~ 4.8 μm或2.5 ~ 5 μm之間。FLIR公司的熱紅外相機系列TAU和QUARK，ICI公司的熱紅外相機系列9640及Mirage640。NEC公司的H2640紅外熱像儀，日本Avionics無人機紅外相機。我國在紅外探測儀器方面，開展了從單元、線列到紅外焦平面的探測器研究工作[12]。產品覆蓋1 ~ 3 μm，3 ~ 5 μm和8 ~ 14 μm三個大氣窗口。可用的載荷產品有：浙江大力的D840、D740G、D900紅外熱成像儀，廣州颯特的HR640L，昆明北方紅外的X4UAV，上海巨哥的XM3/6，上海藍劍的LIRG01、RHV-MC2，中飛萬通的ZFWT-1R-E1。

1.3 無人機激光雷達載荷

激光雷達是激光探測與測距系統的簡稱，無人機機載激光雷達系統集激光掃描儀、全球定位系統、（GPS）、慣性導航系統（IMU）等技術于一體，是一種主動式航空遙感設備[13]。它通過激光掃描測距測角，IUM進行姿態測量以及利用GPS進行差分定位，能夠獲取高分辨率、高精度的地物表面三維坐標以及數字地面模型，同時通過系統集成的航空相機獲取地物的高分辨率影像。機載激光雷達技術作為森林資源調查的手段，可用于快速獲取大范圍森林結構信息，如林分平均高、平均胸徑、冠層垂直結構、冠層體積、郁閉度、地上生物量、蓄積量、胸高、斷面積、葉面積指數等森林資源調查參數。激光雷達數據可直接獲取森林三維結構信息，能夠對林木垂直分布進行參數估計，能在多重時空獲取森林的三維地形、植被結構參數。目前，無人機激光雷達載荷主要有微型激光雷達、多脈沖激光雷達、全波形激光雷達、多光譜激光雷達、凝視成像激光雷達、多源傳感器融合激光雷達等。其產品主要有美國航空航天局的激光植被成像傳感器和激光林冠掃描成像系統，以及奧地利的Riegl、美國Velodyne、法國的L AvionJaune、德國SICK、日本Hokuyo、德國的IBEO、中國科學院光電研究院研制的的Lair-LiDAR、北京數字綠土研制的Li-Air機載激光雷達系統等。

1.4 無人機成像光譜載荷

無人機成像光譜載荷是在無人機上搭載高光譜成像儀，它可以在紫外、可見光、近紅外及中紅外波段內，獲取多個光譜連續的圖像數據，能夠實時地獲取研究對象的影像及每個像元的光譜分布。無人機成像光譜載荷實現了成像技術和光譜技術的融合，能夠同時獲取森林的光譜信息和空間信息。無人機高光譜載荷由于其具有超細的窄波段設計，光譜響應比寬波段的多光譜數據更靈敏, 可更好地描述植被特征，實現冠層生物物理參數和化學參數的估測。它較好地彌補了光學無人機遙感的不足。與傳統成像光譜儀有所不同，輕小型無人機成像光譜儀受質量約束，在原始數據處理以及檢校方面都有自己的特點。目前高光譜成像系統的遙感平臺仍以衛星和載人機為主。國外經過多年的發展，已經積累了數十款各種性能的成像光譜儀。較為著名的有美國JPL實驗室、HeadWall公司，加拿大的ITRES公司，芬蘭Specim公司的產品等。國內成像光譜儀主要用于大飛機平臺，輕小型成像光譜儀的研制剛剛起步。常用的成像光譜儀有上海技術物理所研制的WHI、長春光機所的海洋水色成像儀、西安光學機械研究所的傅里葉變換型高光譜成像儀等。國內外輕小型無人機成像光譜儀還在試驗階段，距大規模商業化應用還有一段距離。

1.5 無人機合成孔徑雷達載荷

合成孔徑雷達是一種主動式相干微波遙感成像技術，其工作波段位于P波段到Ka波段之間，它能夠提供大尺度、高分辨率的地表反射率圖像。星載SAR受到軌道的限制，無法滿足對連續覆蓋和快速重復性觀測方面的需求，相比之下，無人機微型SAR在分辨率，精度、性能、成本等方面有很大的優勢。合成孔徑雷達對植被有一定的穿透性，與可見光相比，可以更多的獲取森林表層和冠層體散射信息，在生物量估測方面，具有無可替代的優勢。無人機合成孔徑雷達載荷可以聯合多光譜載荷和激光雷達載荷進行森林類型分類和生長監測。在合成孔徑雷達無人機載荷產品方面，1998年美國Sandia實驗室和通用院子公司為捕食者無人機聯合研制了輕型Lynx SAR。2005年開始，該實驗室研制第二代輕量化系統Mini SAR，與第一代Lynx SAR相比，質量更輕、性能更加優越。隨著輕小型無人機的快速發展，對更輕的載荷提出了更高要求，傳統的脈沖體質SAR載荷在質量、功耗和作用距離方面都無法滿足無人機載荷發展的需要。目前人們開始研究更具有潛力的調頻連續波體制FMCW，使用體質FMCW調頻連續波體制，結合芯片技術實現芯片雷達。常用的微型SAR載荷產品有美國的Lynx SAR和Mini SAR、NanoSAR，德國的MISAR，中國科學院電子所的MSAR。

2 無人機遙感影像森林資源調查應用

我國森林資源調查主要包括一、二、三類調查。森林資源一類調查主要是以森林固定樣地為主進行每木檢尺的調查。森林資源二類調查主要以小班為單位進行調查，記錄小班的面積、林分蓄積量、林分平均高、郁閉度、立體條件等信息。森林資源三類調查是以采伐區為單位進行調查，實質上為主伐作業和營林作業服務的。利用無人機搭載光學數碼相機、高光譜掃描儀以及紅外相機、合成孔徑雷達，可以獲取林木和林地的幾何輪廓等信息，獲取激光背散射強度、高光譜和紅外數據，可以實現對森林特征參數的多源信息獲取。多源無人機載荷不僅能夠對單株立木實現信息特征提取，還能夠進行林場級森林資源調查數據采集和與信息處理。目前，多載荷無人機森林資源調查方面應用主要集中在森林特征參數信息提取、森林小班區劃與造林成活率核查、森林植被覆蓋率提取、森林火災與病蟲害監測方面[14]。

2.1 森林特征參數提取

森林特征參數是森林資源調查不可或缺的內容，其中包括森林分布范圍、樹高、胸徑、生物量、蓄積量和碳儲量的測算。通過搭載多源無人機載荷，可提取森林經營信息因子，如樹高、冠幅和郁閉度等測樹因子，可以建立航空森林模型估測模型。實現森林資源信息的快速、高效和低成本地獲取。

2.1.1 樹種識別 樹種類別是森林資源調查中的重要指標，許多森林資源參數都是基于樹種來進行估測的。國內外利用無人機進行樹種識別研究，主要從高空間分辨率影像和高光譜影像兩個方面進行。光學無人機遙感影像的分辨率較高，通過目視解譯，結合林相圖，根據不同樹種的紋理，形狀就可進行樹種識別。如：馮家莉等[15]利用固定翼無人機，搭載Sony NEX-7相機對廣西英羅港紅樹林自然保護區進行3個架次航拍，借助IPS 3.1攝影測量軟件對1 469張照片進行了拼接，利用目視解譯方法提取紅樹林空間分布信息，研究結果表明基于無人機影像和面向對象遙感分類方法提取的紅樹林空間分布信息精度超過了90%，研究結果表明，無人機遙感可成為調查和監測紅樹科Rhizophoraceae資源的重要技術手段。無人機高光譜影像進行樹種識別的主要依據是因為植被光譜一般具有一些獨特的吸收譜帶，不同樹種的獨特譜帶的特征形態和波長位置往往比較穩定，能反映出樹種之間的差異。在利用高光譜無人機影像進行森林資源調查信息獲取方面，勾志陽等[16]利用無人機搭載了中國科學院長春光學精密機械與物理研究所研制的128個波段的高光譜儀，在內蒙古烏拉特前旗開展了無人機高光譜成像儀場地絕對輻射定標及驗證分析。吳振洲等[17]研制了Offner微型成像光譜儀的系統，提出了適用于精細農業的成像光譜儀技術指標，在國內建立了基于無人機的低空農作物成像光譜遙感平臺。趙旦[18]基于激光點云數據進行了單木分離，從高光譜遙感影像中提取單木樹冠對應的光譜，對單木光譜分別進行了支持向量機和光譜角制圖法分類，得到單木樹種，研究結果表明，基于LiDAR和高光譜遙感數據的單木樹種識別夠較好的識別大多數的單木樹種，優勢樹種的識別正確率大于90%，優勢與亞優勢樹種識別平均正確率大于70%。

2.1.2 冠幅估測 冠幅是重要的森林資源調查因子，傳統方法是用皮尺測量樹冠垂直投影地面的東西方向和南北方向的長度，即得到東西和南北方向的冠幅值。這種地面量測冠幅的方法費時費力。

無人機遙感影像，空間分辨率可以達到0.1 m，在中低郁閉度的林區，可以清晰看清樹冠的空間特征和紋理特征。利用無人機航空攝影測量進行林區成像，數碼相機一般是采用垂直地面的方式對地拍攝，獲得到的影像通常是樹木的頂部信息，在影像上樹木以顆粒狀的樹冠呈現。通過樹冠和林窗間的顏色和色調差異，就可以識別樹冠的輪廓和范圍。常用的樹冠信息提取方法是人工目視解譯，此方法精度高，但無法實現大規模樹冠信息提取，目前較多研究采用面向對象法進行冠幅信息提取。樊江川[19]對無人機影像先按照計算機自動分類的方法進行了林地信息提取，針對林地利用ENVI軟件進行了影像分割，在考慮光譜、紋理、顏色等信息的基礎之上，進行了高、中、低郁閉度條件下的冠幅信息提取,研究結果表明提取精度達到92.19%。Lin等[20]利用K-均值聚類法和基于RGB的植被指數對無人機影像進行了植被蓋度信息提取，利用形狀分析法和標記分水嶺法對單木林木進行了樹冠信息提取，研究結果表明標記分水嶺樹冠提取法精度較高，達到74%。Honkavaara等[21]利用無人機搭載高光譜掃描儀，采用高光譜影像結合可見光影像的方法對研究區的林木樹冠進行了分割，在冠幅分割的基礎之上利用運動場景法構建了三維場景。

2.1.3 胸徑估測 冠幅和胸徑存在很大的相關關系，一般來講，對于同種樹種來講，冠幅越大，其胸徑也越大。無人機遙感技術用于胸徑估測，可通過典型樹種冠幅與胸徑之間的線性關系，建立回歸模型，從而利用影像上的量測值對胸徑進行估測。樊仲謀[22]利用大地鷹D-III無人機對黃泥河大川林場進行了航飛成像，對研究區按針葉樹、闊葉樹利用線性經驗模型、異速生長模型、邏輯斯蒂模型等建立了冠幅——胸徑模型，利用二元模型建立了冠幅、樹高——胸徑模型。孫夢營等[23]利用固定翼無人機對北京松山自然保護區進行了攝影測量實驗，分樹種根據冠幅和胸徑擬合關系方程，通過冠幅信息進而獲取到了胸徑值。研究結果表明油松最優胸徑—冠幅冪函數模型擬合效果最佳，相關系數達到0.962。Zhao等[24]利用無人機搭載激光配搭傳感器，對蘇格蘭地區的林木進行了成像，在單木分割的基礎之上，建立了冠幅、樹高—胸徑模型，利用隨機森林和線性函數模型對區域內林木的生物量進行了估測，結果表明精度達到0.86以上。

2.1.4 樹高估測 樹高是反映材積和林地質量的重要參數，在森林資源調查中，樹高分為單木樹高和林分平均高。利用無人機遙感影像，可進行單木樹高的提取。王偉[25]利用大地鷹DIII型無人機，搭載SONY NEX-5N相機對黃泥河林業局大川林場進行了航飛成像，利用不規則三角網TIN鄰近像元內插算法得到數字高程模型，通過DSM和DEM求差的方法得到了數字冠層模型DEM，并建立了胸徑—冠幅模型和胸徑—冠幅樹高模型，實驗驗證兩種模型決定系數達0.67以上。韋雪花[26]利用輕小型機載LiDAR數據，進行了森林特征參數提取研究，結果表明，利用輕小型機載LiDAR點云數據提取的林分平均高與地面角規樣地調查相比，精度達到83%，單木樹高提取精度為88%，單木樹冠提取精度為72%，林分平均冠幅平均精度為87%。劉清旺等[27]利用高采樣密度的機載激光雷達數據，研究了單株木的樹高提取和樹冠邊界識別算法，針對單株木的樹冠特征, 提出了一種雙正切角的樹冠識別算法。Wallace等[28]研制了一種適合于林業調查的無人機激光雷達系統，該系統搭載GPS接收機、IMU、高清攝像機、激光雷達，通過對獲取的圖像進行卡爾曼濾波等處理后，樹高精度誤差減少到0.26 m,冠幅提取精度從0.69 m下降到了0.61 m。Mohan等[29]利用無人機對研究區懷俄明州內的林木進行了成像，利用所獲取的數字正射影像對研究區內的林木圖像進行了分割，在數字表面模型基礎上構造了數字冠層高度模型，研究結果表明，單木高度信息提取精度達到85%。Tejada等[30]利用無人機搭載包含紅外波段的數碼相機和激光雷達，對西班牙南部的阿爾科萊阿、科爾多瓦果園進行了成像實驗，利用pix4UAV軟件生成了研究區域20，25，30，35，40，50 cm/pix大小的開DSM數字表面模型，結合地面調查點，對果園樹木的高度進行了估測，研究結果表明樹高預測誤差在1.16 ~ 4.38 m之間。

2.1.5 郁閉度估測 林分郁閉度是指林分樹冠投影面積與林地總面積的比值。它反映了森林的疏密度、林木競爭狀況，是森林資源調查中一個重要指標。應用無人機遙感影像對林分密度進行估測，需要對單木樹冠進行識別和分割，才能準確提取單位面積內林木株數。林分密度大是運用傳統方法估測郁閉度最大障礙[31]。周艷飛等[32]以無人機航空影像為數據源，采用目視解譯和面向對象方法提取了胡楊，檉柳樹冠信息，獲得了樹木的冠幅和林分郁閉度。研究結果表明，利用面向對象進行無人機樹冠信息提取，能克服目視解譯速度慢的缺點，對于大面積林分調查因子定量獲取具有優勢。穆喜云等[33]基于機載LiDAR數據利用點云密度法對內蒙古根河轄區森林進行了林分郁閉度提取。研究結果表明LiDAR點云數據提取的郁閉度與實測郁閉度呈高度相關性，相關系數為0.852，但LiDAR數據提取的郁閉度與實測值存在明顯低估現象。王聰等[34]基于光學幾何模型，利用無人機影像對毛竹‘’林郁閉度進行了定量反演研究，實驗表明幾何光學模型在一定程度上能夠實現毛竹郁閉度的估算，但存在不同混合像元分界精度差異較大的問題。國外最初利用無人機探測大田農作物的郁閉度[35-36]。Chianucci等[37]利用eBee無人機搭載紅綠藍三個波段的數碼相機對意大利托斯卡納森林進行了航攝，利用綠葉算法和CIE模型，結合魚眼鏡頭相機獲取郁閉度，對山毛櫸林進行了冠層覆蓋度研究。McNeil等[38]大疆精靈3無人機和魚眼鏡頭，結合數字攝影測量的方法對歐洲和美國的5種闊葉樹進行了葉傾角信息的獲取，結果表明安裝在無人機上的數碼相機是闊葉樹葉傾角測量的有效工具，無人機遙感技術避免了從地上很難看清林冠的障礙，可以準確、詳細的進行葉傾角的測量。

2.1.6 蓄積量估測 材積和蓄積量是森林經營中常用的評價指標。目前，利用無人機進行蓄積量的估測多采用冠幅-蓄積量回歸模型進行。何游云等[39]利用四旋翼無人機搭載SONY NEX-5N相機以王朗自然保護區岷江冷杉為研究對象，利用ArcGIS軟件目視解譯后的方法提取樹冠面積，利用回歸方程和異速生長方程結合樣地調查數據建立了岷江冷杉DBH遙感估算模型，估測精度達0.752。付凱婷[40]以EBEE無人機搭載數碼相機，提取桉樹單木冠幅、林分平均冠幅、郁閉度林分參數因子，與實地調查林木胸徑建立胸徑一冠徑回歸模型，結合胸徑與單木材積之間的關系模型得到航空單木材積模型從而估測了桉樹蓄積量。Puliti等[41]對利用無人機系統進行小區域的森林資源調查進行了研究，采用無人機系統對挪威的沃爾威林區進行了成像，結合地面調查數據，進行了優勢木樹高估測、林木株數、蓄積量估測，精度分別達到0.97%，0.60%，0.85%。

2.1.7 生物量估測 區域尺度的森林生物量反演多通過回歸分析建模進行整個研究區內森林地上生物量估算。通過直接或間接測定森林植被生產量與生物現存量再乘以生物量中碳元素的含量可得到碳儲量。Zahawi等[42]利用無人機搭載激光雷達載荷，對墨西哥州的拉斯克魯塞斯生態站按照航向重疊度為90%，旁向重疊度為75%的重疊率，利用Trimble geoxt 2008進行了航飛實驗，獲取了三維激光點云和多光譜點云，構建了數字地形和冠層高度模型，借助ArcGIS 10.1生成了單獨的樹冠高度模型,估算了冠層高度和地上生物量，其與實測值對比，決定系數依次為0.83和0.87。Hopkinson等[43]利用機載激光雷達研究了加拿大薩斯喀徹溫省Prince Albert林場的地上生物量、總初級生產量和碳儲量，并和渦度相關方法進行了對比，研究了活碳使用效率和積累生物量總初級生產量之間的關系。Saremi等[44]利用機載激光雷達對新南威爾士，澳大利亞的輻射松Monterey pine進行了航飛成像，構建了DBH模型，借助于異性生長模型計算了蓄積量、生物量和碳儲量，對樹高、胸徑和激光雷達的獨立派生指標的實地調查分析。研究結果表明，保證有足夠的點密度情況下，機載激光雷達數據可估計一系列的森林生物物理屬性，且具有高的精度。

2.2 森林小班區劃

森林小班區劃是森林資源調查中的首要任務和主要內容,也是森林資源管理與動態監測的主體業務，傳統的“對坡勾繪”小班區劃方法，主觀性強、工作強度大，由于調查員知識水平、野外調查線路與視角等的差異，容易造成小班區劃結果的邊界不一致。利用無人機遙感影像進行計算機自動或半自動小班邊界提取，可以極大的提高森林小班區劃的效率和精度。李蘊雅[45]利用固定翼無人機搭載SONY NEX-5N相機對北京延慶松山國家自然保護區進行航拍，對無人機遙感影像通過空三加密后得到的高精度DOM和DEM，利用ArcGIS軟件提取出的保護區內坡度、坡向信息，結合針葉林、闊葉林兩種林型，將測區區劃為了15個森林小班。張園等[46]利用千里眼固定翼無人機搭載索尼DSC-T90相機，對浙江農林大學東湖校區周邊進行成像，將測區地類，分為竹林、馬尾松林、杉木林、闊葉林、農業、居民地等6類，通過其EDITOR功能模板對無人機遙感圖像進行了森林區劃。史潔青等[47]針對無人機遙感影像，利用C#語言結合ArcGIS Engine構建了用于林業調查管理的森林資源調查系統，可實現森林區劃、面積平差和高精度大比例尺的森林小班調查。

2.3 造林成活率核查

目前，全國營造林綜合核查采用分層抽樣的方法，各省核查縣數抽樣比例為10% ~ 15%工造林更新實績2%、飛播造林出苗成效5%、封山育林實績及成效1%、退耕還林工程歷年退耕地造林1%。在利用無人機進行森林成活率核查方面，李宇昊[48]對無人機在營林造林核查中的應用進行了研究，對無人機影像進行了色彩增強處理，以便識別病死苗和正常苗，結合地面調查，建立了樹種病死苗判讀標志，采用株數統計和面積統計的方法計算了成活率。Getzin等[49]利用無人機對德國南部10 hm2的示范林地進行了攝影成像，進行了森林成活率研究。通過無人機影像提取分割了不同林木之間的空隙，應用空間統計分析方法揭示了不同類型林隙正負相關關系，研究結果表明利用多邊形相關函數適合從無人機影像上提取林隙，從而進行林木成活率的研究。

2.4 森林火災監測

森林火災是森林資源調查中的重要內容，利用無人機遙感技術進行森林火災監測快捷、高效。張增等[50]將無人機遙感可見光圖像用于森林火災監測，利用HSV顏色空間對圖像進行了分割，得到完整的火災區域，基于灰度共生矩陣和火災邊緣圖像提取了火災區域特征，用支持向量機方法完成火災識別過程，提出的算法對森林火災的檢測率可達到87.7%，識別率達到89.2%。郭偉等[51]依據無人機影像提出了基于混合高斯模型和顏色模型的多級火災隱患驗證算法，經試驗驗證提高了火焰像素監測準確度和圖像處理速度，滿足了林火監測實時性要求。馬瑞升等[52]構建了微型無人機林火監測系統，以像素RGB值為基礎對林區火場影像進行了分類。使用聚類方法得到了顏色特征煙霧識別模型，利用該模型煙霧識別率在77%以上。Henry等[53]利用無人航空影像和視頻，提出了一種用于檢測森林火災新的方法，利用顯色指數，用于圖像分類和檢測火焰的色調和煙，并構建了森林火災檢測指標。開發了基于無人機遙感的森林防火算法，利用該算法，無人機獲取的燃燒和已經燒毀的數據，利用手機軟件可以實時獲取。Yuan等[54]對無人機的發展與計算機視覺系統進行了回顧，同時指出小型化的紅外攝像機有很低的敏感性，可應用于火災報警，無人機在森林火災監測和檢測中的應用，需要載荷硬件技術和圖像處理技術的進一步發展。Casbeer等[55]對利用多個低海拔、短航程無人機進行森林火災協同觀測進行了研究，并提出了一種利用紅外傳感器進行火災實時監測跟蹤的算法，利用該算法使用6個自由度無人機對森林火災進行了數值模擬。森林病蟲害多發生在人煙稀少、交通不便的林區，常規地面調查監測方法很難迅速、全面、客觀地反映病蟲害的發生發展動態，從而不能及時地、有針對性地采取防治措施。Merino等[56]考慮了不同種類的傳感器，即紅外攝像機、攝像機、火災探測器提出了一種多個異構的協同感知系統無人機，對森林火災利用無人機多載荷進行了協同探測、監測與測量。何誠等[57]提出了一種基于GPS和微波測距的森林著火點定位方法，通過多旋翼無人機獲取林火影像，判斷林火位置，實驗表明基于多旋翼無人機林火火點定位精度在10 m之內。

2.5 森林病蟲害監測

傳統森林病蟲害防治主要采用人工藥物方法，其效率低、周期長。利用無人機進行森林病蟲害檢測，具有覆蓋范圍廣、監測周期短等優勢。在利用無人機進行森林病蟲害監測方面，李衛正等[58]利用固定翼無人機搭載單反數碼相機獲取了研究區松材線蟲病影像，利用LPS軟件正射處理后導入Geolink，實現了病死木位置信息采集，經地面差分GPS測量驗證，水平位置偏差在0.24－2.82之間。費運巧等[59]利用C-Means、FCM、PCM、Type-2 FCM、G-MW及FC-MW六種方法及分水嶺的圖像分割算法對無人機采集的油松及沙棘正射圖進行了圖像分割，研究結果表明，C-Means簡單快速，可滿足實時性要求，對受災油松和沙棘圖像分割效果較好。胡根生等[60]利用安裝在無人機平臺上的雙光譜相機所獲取的可見光和近紅外遙感圖像，采用改進的加權支持向量數據描述多分類算法，實現了病害松樹識別。Lehmann等[61]借助無人機獲取了高分辨率的彩色紅外識別圖像，對德國西部橡樹的甲蟲病害進行了研究，提出了一種改進的歸一化植被指數算法，借助該算法和應用不同的濾波器組合對該區域內的橡樹災害進行了評價和監測。

3 研究展望

無人機遙感為森林資源調查提供了新的技術方法，多載荷無人機平臺的應用極大地擴展了森林資源調查的深度和廣度，為實現精準林業奠定了基礎。目前，無人機遙感技術在森林資源調查中應用已取得了一定的研究成果[62-63]，但多數研究偏重于搭載普通數碼相機和激光雷達進行森林資源調查信息的提取，利用紅外遙感載荷、高光譜成像載荷和合成孔徑雷達載荷的研究較少。利用無人機遙感進行森林資源調查信息獲取，仍處于起步和發展階段，要使其發揮很好的作用, 還有多個關鍵技術需要解決。

（1）無人機光學載荷應用方面，由于樹木紋理特征相似性，利用影像進行空三加密時，特征點不容易匹配，適用于林區的無人機影像匹配算法需要進一步研究。目前，多數研究偏重于利用無人機影像進行單木信息提取[64-65]，利用無人機影像進行林分空間特征和結構特征的研究還需進一步加強，再次，由于光學載荷影像，不具有穿透性，只能獲取森林植被冠層表面信息，可考慮光學影像和激光雷達影像結合進行森林資源調查信息提取的形式。

（2）無人機紅外遙感影像應用方面，多數研究在可見光紅綠藍三個波段之外，增加了紅外波段，從而構造多種植被指數，進行生態環境信息提取。由于無人機具有機動快速的特點，利用無人機紅外遙感進行快速森林病蟲害監測和森林火災監測具有較大的優勢，無人機紅外遙感病蟲害監測機理和森林火災決策指揮系統需要進一步研究。

（3）無人機激光雷達具有極高的角度分辨力、距離分辨力，可以直接獲取地表的三維信息，在林木高度測量以及林分垂直結構信息提取方面具有獨特的優勢。但由于無人機激光雷達數據量比較大，在加上森林內部結構復雜，不同林木之間遮擋嚴重，利用無人機激光雷達數據進行單木和林分分割的算法需要進一步研究，以提高其提取精度。再次，無人機激光雷達數據不僅可以利用其空間信息，還可以利用其回波波形信息，如何挖掘波形信息進行森林資源信息提取還需要進一步研究。

（4）無人機高光譜遙感由于其具光譜分辨率高、波段范圍窄、圖譜合一、成像連續的特點，可廣泛應用于森林植被類型識別，植物生化參數探測，病蟲害信息探測等。但輕小型無人機系統搭載推掃式高光譜相機時，由于震動會造成成像質量下降，利用高光譜遙感數據進行森林資源調查信息提取時，需要對圖像進行配準，幾何校正方法，無人機高光譜遙感監測森林病蟲害的機理需要進一步研究。無人機合成孔徑雷達森林資源調查應用還處于起步階段，其應用廣度和深度都需要進一步探索。

由于無人機遙感不受軌道和重訪周期的限制，具有云下作業、厘米級超高分辨率數據獲取和小時級響應能力，可廣泛應用于森林資源連續清查、森林經理調查和森林作業設計調查等。通過在無人機上搭載各種傳感器，可以獲取豐富的地表信息，但由于載荷成像機理、成像條件不同，影像之間的差別較大，不同傳感器需要進行優勢互補。隨著技術的發展，無人機載荷技術將進一步成熟，無人機遙感系統在森林資源調查中應用范圍將進一步擴大，更加有效地服務于生態環境建設。

[1] 趙芳. 測樹因子遙感獲取方法研究[D]. 北京：北京林業大學，2014.

[2] 閆飛. 森林資源調查技術與方法研究[D]. 北京：北京林業大學，2014.

[3] 馮仲科，孟憲宇，韓熙春. 建立我國多級分辨率的森林資源調查技術體系[J]. 北京林業大學學報，2002，24（6）：160－163.

[4] 馮仲科，黃曉東，劉芳. 森林調查裝備與信息化技術發展分析[J]. 農業機械學報，2015，46（09）：257－265.

[5] 李德仁，李明. 無人機遙感系統的研究進展與應用前景[J]. 武漢大學學報：信息科學版，2014，39（5）：505－513.

[6] 汪沛，羅錫文，周志艷，等. 基于微小型無人機的遙感信息獲取關鍵技術綜述[J]. 農業工程學報，2014，30（18）：1－12.

[7] 胡健波，張健. 無人機遙感在生態學中的應用進展[J]. 生態學報，2018，38（01）：20－30.

[8] 李祥，鄭淯文，戴楚彥，等. 基于無人機影像的森林信息獲取研究進展[J]. 世界林業研究，2017，30（04）：41－46.

[9] 廖小罕，周成虎. 輕小型無人機遙感發展報告[M]. 北京：科學出版社，2016：109－112.

[10] 趙英時，李小文，陳冬梅，等. 遙感應用分析原理與方法[M]. 北京：科學出版社，2016：94－95.

[11] 樊浩然，王云，張宏偉. 無人機載森林防火告警系統設計[J]. 大氣與環境光學學報，2017，12（01）：74－80.

[12] 范晉祥，楊建宇. 紅外成像探測技術發展趨勢分析[J]. 紅外與激光工程，2012，41（12）：3145－3153.

[13] 李增元，劉清旺，龐勇. 激光雷達森林參數反演研究進展[J]. 遙感學報，2016，20（05）：1138－1150

[14] 張紹飛. 森林資源調查中無人機遙感的應用[J]. 農技服務，2017，34（6）：104－104.

[15] 馮家莉，劉凱，朱遠輝，等. 無人機遙感在紅樹林資源調查中的應用[J]. 熱帶地理，2015，35（1）：35－42.

[16] 勾志陽，晏磊，陳偉，等. 無人機高光譜成像儀場地絕對輻射定標及驗證分析[J]. 光譜學與光譜分析，2012，32（2）：430－434.

[17] 吳振洲. 微型Offner成像光譜儀和光譜數據處理[D]. 合肥：中國科學技術大學，2012.

[18] 趙旦. 基于激光雷達和高光譜遙感的森林單木關鍵參數提取[D]. 北京：中國林業科學研究院，2012.

[19] 樊江川. 無人機航空攝影測樹技術研究[D]. 北京：北京林業大學，2014.

[20] Lin Y，Jiang M，Yao Y J，. Use of UAV oblique imaging for the detection of individual trees in residential environments[J]. Urban Forst and Urban Greening，2015，14（2）：404－412.

[21] Honkavaara E，Rosnell T，Oliveira R，. Band registration of tuneable frame format hyperspectral UAV imagers in complex scenes [J]. ISPRS Journal of Photogrammetry and Remote Sensing，2017，134（1）：96－109.

[22] 樊仲謀. 攝影測樹原理與技術方法研究[D]. 北京：北京林業大學，2015.

[23] 孫夢營，馮仲科，李蘊雅. 九棵樹法提取林分調查因子原理與應用[J]. 中南林業科技大學學報，2017，37（4）：70－74.

[24] Zhao K G，Suarez J C，Garcia M，. Utility of multitemporal lidar for forest and carbon monitoring： tree growth，biomass dynamics， and carbon flux[J]. Remote Sensing of Environment，2017，204（2018）：883－897.

[25] 王偉. 無人機影像森林信息提取與模型研建[D]. 北京：北京林業大學，2015.

[26] 韋雪花. 輕小型航空遙感森林幾何參數提取研究[D]. 北京：北京林業大學，2013.

[27] 劉清旺，李增元，陳爾學，等. 利用機載激光雷達數據提取單株木樹高和樹冠[J]. 北京林業大學學報，2008，30（6）：83－89.

[28] Wallace L，Lucieer A，Watson C S. Evaluating tree detection and segmentation routines on very high resolution UAV lidar data[J]. IEEE Transactions Geoscience and Remote Sensing，2014，52（12）：7619－7628.

[29] Mohan M，Silva C A，Klauberg C，. Individual Tree detection from unmanned aerial vehicle（uav）derived canopy height model in an open canopy mixed conifer forest[J]. Forests，2017，8（9）：340－357.

[30] Zarco-tejada P J，Diaz-varela R，Angileri V，. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle（UAV）and automatic 3D photo-reconstruction methods [J] .European Journal of Agronomy，2014，55（2）：89－99.

[31] Angelini A，Corona P，Chianucci F，. Structural attributes of stand over story and light under the canopy[J]. Cra Journals，2015， 39（1）：23－31.

[32] 周艷飛，張繪芳，李霞，等. 不同方法提取無人機影像樹冠信息效果分析[J]. 新疆農業大學學報，2014（3）：231－235.

[33] 穆喜云，張秋良，劉清旺，等. 基于機載LiDAR數據的林分平均高及郁閉度反演[J]. 東北林業大學學報，2015（9）：84－89.

[34] 王聰，杜華強，周國模，等. 基于幾何光學模型的毛竹林郁閉度無人機遙感定量反演[J]. 應用生態學報，2015，26（5）：1501－1509.

[35] Hunt E R，Hively W D，Fujikawa S J，. Acquisition of nir-green-blue digital photographs from unmanned aircraft for crop monitoring.[J]. Remote Sensing，2010，2（1）：290－305.

[36] Guillen-climent M L，Zarco-tejada P J，Berni J A J，. Mapping radiation interception in row-structured orchards using 3D simulation and high-resolution airborne imagery acquired from a UAV[J]. Precision Agriculture， 2012， 13（4）： 473－500.

[37] Chianucci F，Disperati L，Guzzi D，. Estimation of canopy attributes in beech forests using true colour digital images from a small fixed-wing UAV[J]. International Journal Applied Earth Observational and Geoinformation，2016，47：60－68.

[38] Mcneil B E，Pisek J，Lepisk H，. Measuring leaf angle distribution in broadleaf canopies using UAVs[J]. Agricultural for Meteorology， 2016：218－219，204－208.

[39] 何游云，張玉波，李俊清，等. 利用無人機遙感測定岷江冷杉單木樹干生物量[J]. 北京林業大學學報，2016，38（5）：42－49.

[40] 付凱婷. 無人機遙感技術估算桉樹蓄積量的研究[D]. 南寧：廣西大學，2015.

[41] Puliti S，Olerka H，Gobakken T，. Inventory of small forest areas using an unmanned aerial system[J]. Remote Sensing，2015，7（8）：9632－9654.

[42] Zahawi R A，Dandois J P，Holl K D，. Using lightweight unmanned aerial vehicles to monitor tropical forest recovery[J]. Biological Conservation，2015，186：287－295.

[43] Hopkinson C，Chasmer L，Barr A G，. Monitoring boreal forest biomass and carbon storage change by integrating airborne laser scanning，biometry and eddy covariance data[J]. Remote Sensing Environment，2016，181：82－95.

[44] Saremi H，Kumar L，Stone C，. Sub-compartment variation in tree height， stem diameter and stocking in ad. don plantation examined using airborne lidar data[J]. Remote Sensing，2014，6（6）：7592－7609.

[45] 李蘊雅. UAV-RS3D像對森林信息提取方法研究[D]. 北京：北京林業大學，2016.

[46] 張園，陶萍，梁世祥，等. 無人機遙感在森林資源調查中的應用[J]. 西南林業大學學報，2011，31（3）：49－53.

[47] 史潔青，馮仲科，劉金成. 基于無人機遙感影像的高精度森林資源調查系統設計與試驗[J]. 農業工程學報，2017，33（11）：82－90.

[48] 李宇昊. 無人遙感飛機在營造林核查中應用可行性的研究[J]. 林業資源管理，2006（1）：91－94.

[49] Getzin S，Nuske R S，Wiegand K. Using unmanned aerial vehicles（UAV）to quantify spatial gap patterns in forests[J]. Remote Sensing，2014，6（8）：6988－7004.

[50] 張增，王兵，伍小潔，等. 無人機森林火災監測中火情檢測方法研究[J]. 遙感信息，2015（1）：107－110.

[51] 郭偉，昂海松，張思玉. 小型無人機林火監測與圖像處理技術[J]. 森林防火，2014（4）：26－29.

[52] 馬瑞升，楊斌，張利輝，等. 微型無人機林火監測系統的設計與實現[J]. 浙江農林大學學報，2012，29（5）：783－789.

[53] Cruz H，Eckert M，Meneses J，. Efficient forest fire detection index for application in unmanned aerial systems（uass）[J]. Sensors，2016，（6）：893－909.

[54] Yuan C，Zhang Y M，Liu Z X. A survey on technologies for automatic forest fire monitoring，detection，and fighting using unmanned aerial vehicles and remote sensing techniques[J]. Canadian Journal for Research，2015，45（7）：3573－3575.

[55] Casbeer D W，Kingston D B，Beard R W，. Cooperative forest fire surveillance using a team of small unmanned air vehicles[J]. International JournalofSystems Science，2006，37（6）：351－360.

[56] Merino L，Caballero F，Martnez-De dios J R，. A cooperative perception system for multiple uavs： Application to automatic detection of forest fires[J]. Journal of Field Robotics，2006，23（3－4）：165－184.

[57] 何誠，張思玉，姚樹人. 旋翼無人機林火點定位技術研究[J]. 測繪通報，2014（12）：24－27.

[58] 李衛正，申世廣，何鵬，等. 低成本小型無人機遙感定位病死木方法[J]. 林業科技開發，2014，28（6）：102－106.

[59] 費運巧，劉文萍，駱有慶，等. 森林病蟲害監測中的無人機圖像分割算法比較[J]. 計算機工程與應用，2017，53（8）：216－223.

[60] 胡根生，張學敏，梁棟，等. 基于加權支持向量數據描述的遙感圖像病害松樹識別[J]. 農業機械學報，2013，44（5）：258－263.

[61] Lehmann J R K，ieberding F，Prinz T，. Analysis of unmanned aerial system-based cir images in forestry—a new perspective to monitor pest infestation levels[J]. Forests，2015，6（3）：594－612.

[62] 郭慶華，劉瑾，陶勝利，等. 激光雷達在森林生態系統監測模擬中的應用現狀與展望[J]. 科學通報，2014，59（06）：459－478.

[63] 李亞東，馮仲科，明海軍，等. 無人機航測技術在森林蓄積量估測中的應用[J]. 測繪通報，2017（04）：63－66.

[64] 李赟，溫小榮，佘光輝，等. 基于UAV高分影像的楊樹冠幅提取及相關性研究[J]. 林業科學研究，2017，30（04）：653－658.

[65] 劉清旺，李世明，李增元，等. 無人機激光雷達與攝影測量林業應用研究進展[J]. 林業科學，2017，53（07）：134－148.

Advances of UAV Remote Sensing Applied in Forest Resources Investigation

JIA Hui1，YANG Liu2，ZHENG Jing-biao3

（1.Chongqing Vocational College of Culture and Arts, Chongqing 401320,China; 2. Forestry College, Henan Agriculture University, Zhengzhou 450002, China; 3. Institute of Geographic Space, Information Engineering University, Zhengzhou 450001,China）

Descriptions were made on current situation of UAV equipped with different sensors such as in frared optics, high spectrum, laser radar and synthetic aperture radar. Summaries were conducted on forest resources survey like forest characteristic parameters, division of subcompartment, conservation rate of afforestation, forest fire, forest pest by different sensors equipped on UAV at home and abroad. The problems were analyzed and development trend in the future was prospected.

UAV; remote sensing; forest resources investigation; research progress

10.3969/j.issn.1001-3776.2018.04.015

TP79

A

1001-3776（2018）04-0089-009

2018-01-11；

2018-06-03

賈慧，碩士研究生，講師，從事地理信息系統與自然資源保護開發管理研究；E-mail：276197619@163.com。

楊柳，博士，講師，從事3S技術森林資源調查應用研究；E-mail：yangliutj@163.com。