林業調查新技術發展動態研析

閆保銀，姜文龍*

（南京國圖信息產業有限公司，江蘇 南京 210000）

2020 年，自然資源部印發了《自然資源調查監測體系構建總體方案》（以下簡稱《方案》），《方案》指出“以空間信息、人工智能、大數據等先進技術為手段，構建高效的自然資源調查監測技術體系,查清我國土地、礦產、森林、草原、水、濕地、海域海島等自然資源狀況，強化全過程質量管控，保證成果數據真實準確可靠”。按照要求，2021 年自然資源部制定了《自然資源調查監測標準體系（試行）》（自然資辦發〔2021〕5 號），明確了林業調查為專項調查，并組織制定相應的技術規程。

傳統的林業調查采用羅盤儀、全站儀、測繩等工具，定位至小班后，采用樣地實測或角規實測的方式完成，多依靠人力進行。雖然調查精度較高，但工作效率較低，人力投入量大。在推進構建統一的自然資源調查監測體系的大背景下，傳統的林業調查方式顯然不能滿足自然資源監測體系的需要，也有悖于《方案》提出的構建高效自然資源調查監測技術體系要求。

1 林業“3S ”技術

“3S”技術由全球定位系統（GPS）、遙感技術（RS）和地理信息系統（GIS）組成。在林業調查領域，該項技術的應用最早可追溯至二十世紀七八十年代，主要圍繞收集區域間隔期內的航片和衛片信息，實現森林資源動態監測的相關研究。經多年發展，基于“3S”技術的林業調查方法愈發成熟，主要流程包括：遙感影像數據的收集與處理、判讀解譯標志庫的建立、小班調查因子的提取、實地補充調查、建立回歸模型和成果產出。目前，國內外學者多采用高分遙感影像，基于植被紋理特征，開展森林植被分類、生物量估測、災害防控等專題研究。

1.1 植被分類研究

研究方法包括多源遙感分類法、機器學習分類法和其他分類法（含分類器、面向對象法、混合像元法等）。目前，在多源遙感及輔助信息分類法、機器學習分類法方面研究較多。

1.1.1 多源遙感分類法研究

該方法細分為基于植被指數的分類法、基于多時相的分類法、基于輔助信息的分類法。在基于植被指數的分類法方面，通過分析植被在不同波段的吸收性與反射率，確定最終具有強吸收性和高反射率的波段，一般為紅光波段（R）和近紅外波段（NIR），將R 和NIR 建立數學關系后，用于區分植被指數。歸一化植被指數（NDVI）應用較多，鄭維龍等基于2001 至2010 年黃淮平原MODIS—NDVI數據集，分析了黃淮平原間隔期內的植被覆蓋變化，結果較為理想；許新惠等基于RS 和GIS 技術，對昆明市2013 至2015 年植被分類和覆蓋度進行時空特征研究，分析了各植被類型的分布及動態變化狀況。除NDVI 外，也有學者采用土壤調節植被指數（SAVI）、比值植被指數（RVI）、垂直植被指數（PVI）等進行分類。總體而言，無論是采用NDVI 亦或是SAVI、RVI 等其他指數，在地形環境較為復雜，林相效果破碎的區域使用時會受到限制，同時，精度普遍不高。

多時相遙感影像能夠客觀反映植被不同季節特征。Aurdal 等在植被分類時加入午后因子，采用HMM模型對山地植被進行分類，其精度顯著提高；魏鵬飛等基于GF1/WFV 遙感影像，利用NDVI、EVI 和WDRVI 時序變化特征，對安徽省潁上縣主要農作物進行分類識別，成功獲取了農作物分布情況，總體精度達90%以上；黎良財等基于1987 至2013 年的Landsat TM/ETM+/OLI 時序遙感數據，研究了喀斯特山區植被覆蓋情況，客觀反映了所研究時段植被變化狀況及分布，為植被動態監測提供了參考。

由于單純依靠遙感影像易造成“同物異譜”和“同譜異物”的現象，因此可加入紋理、地形、光譜等輔助信息參與分類。Pouliot 等基于MODIS 數據，加入高程、水文、交通等輔助信息并采用TM影像采樣，較好地監測了加拿大森林覆蓋情況；Donager 等將遙感影像與LiDAR 技術融合，對美國Arizona 森林植被郁閉度監測，其方法雖具有一定的創新性，但其精度未達90%；李廣采用UAV 技術，獲取了植被紋理參數（TLVI）并用于農作物種植信息的提取，雖然提取精度較高，但其成本也較高，僅能在小范圍內應用。

1.1.2 機器學習分類法研究

機器學習分類法目前主要集中于人工神經網絡（ANN）的研究。在人工神經網絡（ANN）中，BP 神經網絡、模糊神經網絡多應用于植被分類的研究。近年來，卷積神經網絡（CNN）也逐漸成為分類領域的一大研究熱點。李永亮等以馬尾松、樟樹、荷花玉蘭為研究對象，將高光譜特征數作為輸入矢量，樹種類別作為輸出矢量，以此構建BP 神經網絡，對上述樹種進行分類，分類精度高達100%；劉旭升等基于ETM+影像，采用BP 神經網絡法對內蒙古九峰山森林植被進行分類，結果表明，采用神經網絡分類，精度較其他分類法均有所提高；左羽等將經典卷積神經網絡與全卷積網絡相結合，對植被圖像進行分類，結果表明，其準確度達到97.23%。采用人工神經網絡結合高分影像對植被分類是未來的趨勢，但其算法較為復雜，處理時間較長，有待進一步優化與完善。

1.2 生物量估測

早期基于“3S”技術的生物量估測方法：利用遙感數據（如TM、NOAA-VHRR 等），提取相關植被指數（如歸一化植被指數NDVI），結合樣地實測數據，建立不同樹種或不同植被類型的生長模型，以此來推算生物量。近年來，隨著研究不斷深入，逐步改進并完善了原有技術方法，提高了估測精度。

劉常瑜等以嶗山林場為對象，基于TM和GF-1 號影像，結合地面實測數據，建立了生物量反演模型，并對比在不同數據源下的模型精度，結果表明，GF-1 號生物量反演模型精度優于TM影像；溫小榮等基于泗陽縣森林資源連續清查數據與TM 影像，對植被指數（RVI、NDVI、TNDVI 等）進行提取并分析其相關性，挑選相關性較高的因子參與生長模型的構建，并估算出全縣楊樹生物量；陳中如等以河南省商城縣黃柏山林場為研究對象，基于SPOT 影像對森林生物量進行估測，結果表明，生物量與第三近紅外波段相關性顯著。此外，估測精度依樹種而定，通常葉片密度越大，估測精度越高。

1.3 災害防控

“3S”技術在災害防控方面的應用主要包括森林火災防控和森林有害生物防控。

目前，對于森林火災防控方面的研究較少，多偏向于火險發生規律總結以及火險的評估與區劃。何誠等基于MODIS 數據所提取的8+9 波段，對黑龍江省2000 至2010 年森林火災時空規律進行研究，闡明了火災發生規律以及與氣候、地形、植被類型的關系，認為MODIS 特別適用于森林火災監測。在火險評估與區劃方面，主要研究方法包括：通過提取林火影響因子進行火險區劃，和采用風險評價原理進行火險評估。

在森林有害生物防控方面，主要是以GIS 為平臺，利用遙感數據反射光譜的特性，通過對比不同時相的影像數據，發現森林有害生物的動態變化，實現區域的信息管理，掌握發生的范圍，最后對災害進行風險評估以及預測預報。陳春葉等以遙感數據和地面實測數據為信息源，對小隴山有害生物現狀和生態系統進行監測，結果較為理想；劉福臣采用TM影像，對大興安嶺黃褐天幕毛蟲危害區域進行動態監測，研究方法達到國內領先水平，但研究未考慮林分結構的差異，對于復層林監測精度不高。

2 LiDAR 技術

LiDAR 技術在林業上的應用最早可追溯至20世紀80 年代，因其具有成本低、精度高的優點，被林業調查工作者青睞，已成為林業調查領域的一大熱點。LiDAR 系統主要有星載雷達、機載雷達和地基雷達，目前，在林業調查領域多偏向于機載雷達和地基雷達的研究，其研究內容可總結概括為數據獲取階段（LiDAR 數據獲取和地面實測數據獲取）、數據預處理（濾波、降噪、地面點分割等）、點云分割（DSM/DTM/CHM 生成、單木分割等）、參數反演（胸徑、樹高、生物量等）。

機載激光雷達可直接獲得樹冠上部的空間特征（如樹高、冠幅等），將其與實測數據建立反演模型后，即可獲得胸徑、生物量、蓄積量等因子。馬驤等采用機載激光雷達，對金壇區碳匯監測點77、250 號小班進行LiDAR 估測研究，其胸徑、樹高、公頃蓄積量估測誤差分別在5%、5%、15%以內，符合相關規程要求；龐勇等同步獲取了小興安嶺溫帶森林的LiDAR 數據和地面實測數據，對森林生物量開展估測研究，結果表明，LiDAR 估測的生物量與實測值相關性較強，其中針葉林估測精度優于闊葉林。

地基激光雷達能直接測得林冠下部結構信息（如單木位置、胸徑等），通過回歸分析計算其他調查因子，測樹原理與機載激光雷達類似。劉芳等隨機抽取6 個樹種進行三維激光掃描，對樹冠體積的求算方法進行研究，實現了樹木的無損高精度測量。除三維掃描外，還對不同種植密度下的估測精度進行了研究，研究發現：種植密度與估測精度呈反比關系。若種植密度過大（如1 000 株/hm），可考慮在樣地內設置多個測站，提高探測率。

3 數字攝影測量技術

目前，國內外對于數字攝影測量技術在林業調查方面的研究較少，主要是通過無人機航空攝影結合林業專項調查數據，建立相關模型提取林分因子（株數、樹高等），再通過實測數據對比、驗證數據的可信度。徐攻博等提出一種基于DSM、DTM、正射影像的自動化解譯技術，通過采集航空攝影數據，采用開閉合算法提取所需的調查因子用于估測蓄積量，其結果符合技術規程的精度要求；李明澤等采用航空影像，構建立木數字立體模型，并進行立木高度測量，對比實測數據發現，兩者呈線性正相關，采用攝影測量立木高度方法精度較高。除利用航空攝影直接測量外，還可將其與LiDAR 技術配合使用。地基激光雷達可直接獲取林下地形等數據，結合無人機航空攝影獲得冠層表面高度信息，在保證數據位置匹配的情況下，實現優勢互補。

4 結語

當今信息化時代，“3S”技術、LiDAR 等新技術的應用，不僅顯著提升了林業調查工作效率，而且減少人力、物力投入。但林業調查屬于綜合性領域，涉及林學、測繪學、遙感學等多學科門類，調查時還受地形、森林植被生長季節等因素影響。目前，在林業調查領域尚未形成成熟推廣的新技術應用體系。盡管新技術的應用可能存在成本高、精度不太理想等問題，但隨著技術的發展，數據獲取及處理流程將會更加智能化、低成本化，可以滿足林業調查新的更高需求。