機載激光雷達在森林資源調查中的應用與展望

王偉鵬 徐洋 王珩

(貴州師范大學 貴州省信息與計算科學重點實驗室，貴州 貴陽 550001)

森林資源是陸地生態系統的支撐，及時、高效、準確地調查與監測森林資源，對生態環境的保護與可持續發展具有重要意義。人工調查方式效率低、周期長，大范圍的森林資源調查成本較高；而光學遙感方式只能獲取森林冠層表面信息，不能獲取森林的垂直結構信息。

激光雷達(LiDAR,Light Detection And Ranging)融合了激光技術、定位技術、姿態測量技術、計算機技術等多項高科技，是多學科、多領域深度融合的產品[1]。對LiDAR進行針對航空平臺的改進，衍生出了LiDAR產品的重要分支——機載LiDAR(Airbore LiDAR)。

機載LiDAR[2]作為一種主動式的遙感探測技術，可以精準、快速地獲取地表與植被的三維空間信息[3]。機載LiDAR可以安裝在有人機、無人機等飛行平臺上，具有外業工作量小、可以夜間作業等特點，作業效率比較高[4]。相較于機載光學相機采集生成的光學圖像，機載LiDAR所采集生成的數據為點云數據(point cloud)[5]。點云數據當中的每個點包含了經緯度信息、高程信息、回波強度信息、回波次數信息，具有精度高、數據量大等特點。目前機載LiDAR已經成為森林資源調查領域的重要技術手段[6]。

1 機載LiDAR調查森林資源的原理

機載LiDAR向外發射出激光脈沖，并且接收植被、地表等反射的回波，記錄回波的次數、強度、脈沖和回波之間的時間差等信息。由此可以計算出回波距離l。

回波距離l的計算公式為：

其中t是機載LiDAR記錄的從脈沖發出到收到該脈沖回波的時間，c是光速。

機載LiDAR的脈沖可以穿過部分樹葉和枝干，脈沖腳點可以落在樹葉、樹干或者地面上，從而形成多回波。多回波的脈沖腳點可以展示出樹冠的大小和形狀等信息，從而得到森林的垂直結構。直接射向地面的脈沖，只形成一次回波。多回波特性使得機載LiDAR在森林資源調查方面相較于傳統的人工調查和光學影像調查等方式更有優勢。

機載LiDAR進行森林資源調查發射脈沖與接收回波如圖1所示。

圖1 機載LiDAR森林調查示意圖

2 機載LiDAR在森林資源調查中的應用

機載LiDAR可以從單木層面或者林分層面進行森林資源的調查。

2.1 機載LiDAR進行森林資源調查的步驟

機載LiDAR進行森林調查，大都需要進行森林樣地劃分、外業人工調查、外業航飛采集、內業點云數據處理等幾個步驟，如圖2所示。

圖2 機載LiDAR森林資源調查流程圖

森林進行樣地劃分便于對樣地進行人工調查以及統計森林信息。外業人工調查，通過每木檢尺等手段，可以獲取樣地具體的樹高、冠幅、胸徑、葉面積指數、郁閉度、生物量等信息。外業航飛采集可以獲得森林大尺度范圍的單木與林分信息。內業點云處理可以對采集的森林點云數據進行濾波、單木分割，提取樹高、冠幅、穿透率等數據，進而獲得相關單木因子和林分因子。人工調查的數據可以與機載LiDAR采集的點云數據進行相關反演模型的建立，或者對模型進行精確度檢驗。

2.2 機載LiDAR單木因子調查

單木因子主要包括單木冠幅、樹高、胸徑等。單木冠幅、樹高、胸徑可以作為回歸方程的參數估計林分尺度的生物量等參數。通過單木的識別，可以估算林分密度當中的株數密度等參數。機載LiDAR可以對單木的冠幅、樹高進行調查。

2.2.1 機載LiDAR調查單木冠幅

樹冠是樹木進行光合作用與蒸騰作用的部位，冠幅是單木的重要因子。單木冠幅的提取目前主要有兩種方法：一種是基于冠層高度模型(CHM,Canopy Height Model)的提取方法，另外一種是針對原始點云進行聚類分割的提取方法。

機載LiDAR穿過樹葉提取森林地形，后期生成數字表面模型(DSM,Digital Surface Model)、數字高程模型(DEM,Digital Elevation Model)，進而由DSM減去DEM得到冠層高度模型。基于CHM進行分割獲取單木冠幅，主要有區域增長法、分水嶺分割法等方法。針對原始點云的單木冠幅提取基于聚類的方法，主要有K-means聚類方法、高斯聚類[7]等方法。

李巖等使用Riegl LMS-Q680i機載LiDAR獲取了黑龍江省尚志市帽兒山林場的森林數據，使用區域生長法、分水嶺分割法、區域分層橫截面分析法三種算法提取了單木的樹冠，其中區域分層橫截面的樹冠提取精度最高，達到83.64%[8]。

針對茂密的森林，王濮等提出了一種基于圖割的單木識別方法，整體精度達90%以上，能有效降低單木漏檢的情況[9]。為進一步提高單木冠幅提取精度，霍達等提出了四次多項式的方法擬合提取單木冠幅，在相對稀疏的森林應用效果較好[10]。

2.2.2 機載LiDAR調查單木樹高

單木樹高反映了單木的生長情況，是單木調查的重要因子。單木樹高的提取基于高密度的點云數據，目前單木樹高的提取方法主要有兩種：一種是基于CHM提取的方法，單木樹高提取的關鍵在于如何準確提取單木的樹頂點[11]960[12]；另一種是基于原始點云提取的方法[13]1 074[14]142。

基于CHM提取單木的樹高，又分為在CHM中尋找局部極值的方法，以及在CHM中首先提取單木樹冠，然后尋找單木樹冠內高程最大值的方法。基于原始點云提取單木樹高，一般使用地面以上的點云減去DEM得到歸一化的點云，使用聚類等方法識別單木的樹頂點。

王軼夫等使用Leica ALS70機載LiDAR獲取的點云數據，利用HASM-AD并行算法生成了DSM和DEM，二者做差得到CHM，在濾波窗口內尋找極值提取了樹冠頂點，當搜索半徑為0.5m的時候，樹頂點的搜索效果最好[11]961。

皋廈等使用歸一化的點云數據，提出了基于點云距離的方法提取了單木的樹頂點[13]1075。林怡等將點云投影后進行網格化再進行搜索樹頂點，提高了樹頂點搜索精度和效率[14]144。

2.3 機載LiDAR進行林分因子調查

林分因子主要包含：林分起源、平均高、平均胸徑、葉面積指數、郁閉度、生物量、立地質量等指標，反映了森林的外貌、生長速度、生長密度等信息。機載LiDAR在林分平均樹高、葉面積指數(LAI,Leaf Area Index)、郁閉度、生物量等方面的調查有著比較多的應用。

2.3.1 機載LiDAR調查林分平均高

林分平均高是反映森林生長狀況的數量指標，同時也反映了林分立地質量高低。機載LiDAR可以直接提取林分樹高，目前主要有兩種方法：一種是基于提取單木樹高的方法，另一種是基于點云進行統計處理的方法。

當點云密度較高的時候，可以進行基于CHM或者原始點云的單木分割，提取單木樹高，最后計算林分平均高[15]269。當點云密度較低的時候，單個樹冠的激光點較少，無法準確刻畫單個樹冠的表面形態，單木分割較為困難，此時需要對林分的點云進行統計處理。

劉清旺等使用了國產機載LiDAR和國產高光譜組合系統，在湖北省的亞熱帶森林進行了林分平均高的調查，使用了先提取單木樹高，后計算林分樹高的方法，其中LiDAR的樹高調查準確率達到90.67%[15]270。

龐勇等使用RIEGL LMS-Q280機載LiDAR獲取的山東省煙臺市徂徠山林場的點云數據，采用點云不同高度的分位數作為統計變量，反演了林分平均高度，反演精度為90.59%[16]。穆喜云等使用Leica ALS60機載LiDAR獲取了內蒙古根河轄區的森林數據，生成CHM，使用了四分位數方法，對林分平均樹高進行了估計，其中75%分位數處高度與樣地實測高度的相關系數達到了97.6%[17]86。

2.3.2 機載LiDAR調查林分葉面積指數

葉面積指數是樹木冠層的一個關鍵機構參數，是反映森林群體生長狀況的重要指標[18]。根據機載LiDAR的點云數據，葉面積指數的估算方法主要有兩種方法：孔隙度模型法和統計模型法。

孔隙度模型法需要利用機載LiDAR數據計算森林的激光穿透指數(LPI,Laser Penetration Index)，通過比爾-朗伯(Beer-Lambert)定律可以轉化為有效葉面積指數[19][20]1 469。統計模型法需要在森林劃分樣方實測葉面積指數，根據實測LAI與機載LiDAR數據提取特征變量進行回歸分析建模，建模之后反演葉面積指數[21]40。

針對很多學者利用LPI來計算有效葉面積指數，沒有對回波強度進行校正。對原始回波強度根據距離和角度進行校正，并建立校正前后的回波強度計算得出LPI，再根據Beer-Lambert定律建立有效LAI估算模型，可以提高有效LAI的估測精度[20]1473。陳卓等使用不同回波數和校正之前和校正之后的回波強度為變量計算LPI，利用Beer-Lambert定律建立了有效LAI估算模型，可以估算不同種類森林的LAI[21]41。

點云密度是機載LiDAR點云數據的一個重要參數。尤號田等使用Leica公司的ALS70機載LiDAR采集了長春市凈月潭森林公園的森林數據，針對點云數據做了隨機稀疏化處理，分別用原始密度的點云數據、1/2密度的點云數據、1/4密度的點云數據、1/8密度的點云數據進行了LAI反演模型的實驗，證實了低密度點云數據也能進行LAI的反演[22]。

機載LiDAR的森林LAI的調查依賴于LAI反演模型的準確程度。多特征變量的LAI反演模型，效果更好，例如考慮光譜特征[23]，以及對回波信息等進行細分等。

2.3.3 機載LiDAR調查林分郁閉度

郁閉度是森林樹冠在地面的投影面積與地面面積之比，是反映森林結構和森林環境的一個重要因子。

機載LiDAR的森林郁閉度的調查數據處理方法一般基于回歸分析法。首先通過人工實測等方式獲取被調查森林的一塊樣方的郁閉度，然后通過機載LiDAR獲取要調查森林的點云數據并確定模型參數，最后對樣方郁閉度和模型參數進行回歸分析，建立郁閉度反演模型。

穆喜云等使用Leica ALS60機載LiDAR獲取的數據，以LiDAR點云密度變量為自變量與實測郁閉度進行線性回歸，與實測郁閉度相比較，模型反演準確率達到88.29%[17]87。張瑞英等使用LANDSAT ETM+衛星的影像數據和Leica ALS60機載LiDAR獲取的點云數據，構建了多元逐步回歸模型、隨機森林模型和Cubist三種回歸模型，并進行了對比分析，其中Cubist模型的預測精度最高、穩定性最好[24]。

機載LiDAR的回波能量可以作為郁閉度反演模型的參數。尤號田等使用Leica ALS70機載LiDAR獲取的森林點云數據，使用校正過的回波能量作為模型參數，建立了以6個能量變量為參數的單變量郁閉度反演模型和多變量郁閉度反演模型。證實能量比值參數可以較好地反演森林郁閉度[25]。

2.3.4 機載LiDAR調查林分生物量

森林生物量指的是森林樹木樹干、樹枝、樹葉等器官生物量的總和，對生態環境的可持續發展具有重要意義。

回歸分析方法是機載LiDAR在生物量調查方面的數據處理的主流方法，操作流程一般是對森林進行樣地劃分、樣地單木數據的人工測量、機載LiDAR進行森林數據采集、根據機載LiDAR數據提取的特征變量和人工采集數據進行回歸分析，建立生物量反演模型。

劉峰等使用LiteMapper5600機載LiDAR獲取的森林點云數據反演的冠幅、點云密度、樹高等特征變量與樣地實測生物量進行回歸分析，建立了線性模型、非線性模型、多元逐步回歸模型。結果顯示，多元回歸模型的反演精度最高[26]。

最小二乘回歸方法[27]840[28]也被應用于生物量的估測，相較于多元回歸方法，最小二乘回歸方法在存在多變量時效果更好。袁鈺娜等對東北林區的四種樹木使用RIEGL VUX-1UAV機載LiDAR獲取的點云數據分別建立了逐步回歸模型和偏最小二乘回歸模型，結果顯示，偏最小二乘方法的模型優于逐步回歸方法的模型[27]842。

在生物量調查方面，有學者采用了多數據源的形式進行生物量估算。羅洪斌等使用中國林科院的LiCHy 機載雷達系統、Landsat8/OLI衛星對云南省景洪市的試驗區的橡膠樹森林采集的點云數據和影像數據，采用偏最小二乘回歸模型，建立試驗區的綜合生物量估測模型。這種采用多種數據源方式建立綜合生物量估測模型的方法，發揮了不同數據的優勢，但是所選擇的遙感影像精度受到干擾，限制了估測模型的精度[29]60。針對森林郁閉度比較高的森林遙感信息飽和的現象，胡凱龍等采用了機載LiDAR數據、樣地人工測量數據、Landsat 8衛星數據三種數據融合的方式建立了生物量估測模型。相較于單一數據特征，準確率有所提高[30]。

3 結語

由于森林冠層的遮擋，機載LiDAR在調查單木胸徑、林分平均胸徑等方面存在困難，目前鮮有機載LiDAR調查森林胸徑的研究。樹木胸徑的測量，可以使用地面激光雷達。地面激光雷達由于沒有冠層遮擋以及點云密度較大等優勢，可直接獲取樹木胸徑。

森林郁閉度、生物量等林分因子的調查依賴于回歸分析，樣方郁閉度、生物量的精確度模型的選擇影響調查因子的反演效果，模型的不同參數的組合需要結合實際情況進行探索。

在森林資源調查數據采集方面，機載LiDAR與其他遙感方式進行組合是未來數據采集的發展方向。例如，機載LiDAR與衛星、航空光學遙感、背負式激光雷達、地面激光雷達相結合，可以發揮多種傳感器的優勢，采集信息更全面。光學影像遙感可以獲取森林冠幅的紋理信息，地面激光雷達、背負式激光雷達可以精確獲取胸徑、樹干等信息，將三者結合，可以發揮各種傳感器的優勢，提高單木和林分相關調查因子的精確性。

在森林資源調查點云數據的處理方面，準確提取CHM是數據處理的關鍵。結合以相關開源的點云處理軟件和開源庫為依托的機器學習、深度學習算法建立訓練自動分類模型，將會提高森林資源調查的速度與準確性。