基于無人機激光雷達點云的單木生物量估測

張虎

(三和數碼測繪地理信息技術有限公司,甘肅 天水 741000)

森林是地球上最大的碳庫,是維護地球碳的主要來源。因此,對我國林業的生物量和碳量進行了快速、精確的評估是一個迫切需要研究的課題。當前,林科院對生物量的測算一般是以林地地面生物量為單位,包括樹干、樹枝和樹葉等。但常規的林地生物量測量方法費時費力,效率低下,對林地生態環境有很大影響。因此,根據模型建立的可行性以及多組變量和生物之間聯系的研究,可根據精度對比來對最佳因子進行刪選,進而估算出森林單木生物具體的數量,為相關研究提供充足的理論依據。

1 數據獲取

1.1 獲取無人機激光雷達數據

本文所采用的是大疆M600(深圳大疆技術股份有限公司),SZT-250 型的激光雷達。資料收集于2021 年9月27 日,有好的氣候條件,沒有大風；該系統的平均地速為28.8km/h,相對高度50.2m,持續時間6min56s,掃描速率10-100 行/s,平均點濃度40 個點/m2,總共獲得了7 個區域的資料[1]。該系統使用了LiDAR 的標準儲存格式(.Las),并可以按照(.pcd)、(.txt)等形式進行數據的轉換。

1.2 獲取實測數據

在2021 年10 月3 日至5 號進行了對水曲柳和樟樹樣地的實地考察。根據林分的密度,在兩種樹種中隨機抽取3 個邊寬15m 的樣品,進行了試驗。按照東西、南北兩個方位進行了樹冠寬度的測定,計算出了單木的平均冠寬,并通過測高機獲得了單木的單木高度。

2 研究方法的實施

2.1 根據點云數據來提取單木參數

根據本研究區域的實際分析,區域內林分郁閉度相對較高,這樣所使用的無人機激光雷達很難在樹干上打到激光點,根本無法準確提取出單木的胸徑。所以為了對生物量單木結構參數進行反演和測量提取,本次選擇樹高、冠幅和樹冠的投影面積和體積來作為其所要提取的參數[2]。

2.1.1 預處理

本文在LiDAR360(北京數字綠土科技有限公司)的基礎上,完成了三個階段的點云數據預處理[3]。

2.1.1.1 本文提出了一種以距離為基礎的隔離點方法對噪聲進行消噪,將某一球面中的點數小于給定的點作為噪聲點[4]。在此樣點上,利用樣本資料的分配,設定了3個相鄰點和5m 的鄰近搜尋范圍。

2.1.1.2 利用逐步加密的三角形網絡過濾方法,將點云區分為地面和非地平面。在8°、1.4m 的情況下,地面平面的分選效率最高。

2.1.1.3 將分割后的地表點按0.5m 乘0.5m 作為基礎單位,利用反向加權方法進行局部插值,從而產生DSM和DEM。用DSM方法對DEM進行消解,可以獲得樹冠的高度。

2.1.2 提取單木冠幅和樹高

本次選擇k 均值聚類算法來進行樹高與單木冠幅的提取方法,該方法是一種根據迭代求解的聚類分析算法。首先,將K 組的元素隨機選取為初值,再分別求出各子簇與各子簇的間距,并將各子群向鄰近的子群中心指派[5]。在所有的元素都被指派之后,按照簇內已存在的單元進行再一次的運算,直至最終的目的功能完全收斂。在這種情況下,利用迭代法將每個點云塊分成若干簇,從而完成了對單個樹木的樹冠的辨識和分割。

在Visual Studio 2017 中,利用k-means 方法對冠層點云進行了分段,根據其結果提取東西冠幅和南北冠幅,并計算出冠幅的平均值。在此基礎上,利用最大值方法求出了最大的樹頂,得到了最大值,得到了最大值的Z值。

2.1.3 計算單木樹冠的投影面積和體積

二維凸包是一種以點群為基礎建立的樹頂區域的基本方法：在一個區域中,樹頂的投射面是一個區域的全部點的聚集,而二維凸包則是將頂點聚集的最外圍的幾個點結合在一起構造一個凸多邊形,并利用凸多邊形的區域計算出樹的投影區域[6]。而計算樹頂容積的方法是根據積分原理,將樹頂劃分成幾個層次,然后通過兩個平面凸包運算,計算出各層次的截面積。

通過對不同的層間容積進行分析,得出不同的層間容積,并將這些層間的容積進行相加,從而獲得不同的層間容積。

2.2 構建生物量模型

在林木單樹的成長模式中,應用最廣泛的是非線性模式。在這三種模式中,以相對增長模式(異速生長關系)最為典型,可歸納成CAR 與VAR 兩種模式。胥輝運用重新取樣的方式,證實了CAR 模式在相對增長模式下的參數估算更為精確。

利用CAR 技術建立了樹冠寬度、樹冠體積、樹冠投影區域等生物量的計算公式,并與國家林業局發布的異速生長公式進行了比較(如表1)。因為所有的冠層因素都符合相關增長的規律,CAR 的表達可以用它們的各個變項或結合變數的乘積來表達。

表1 國家林業局公布的水曲柳和樟子松的異速生長方程

根據上述方程可得到樹高、冠幅、樹冠體積與投影面積的生物量模型,具體公式如下：

其中W 表示生物量,H 表示樹高,C 表示冠幅平均值,S 表示樹冠投影的面積,V 表示樹冠體積,且a1、a2、a3與a4、a5均為模型參數。

2.3 本模型的評價與驗證

本研究采用五種統計方法,分別評價了確定因子R2、RMSE、總相對誤差、MRE、MREA 等5 種統計方法,評價了該模式的擬合準確率和預測能力[7]。每個指數的計算方法的描述如下：

公式中,n 表示樣本單元數,y^i表示模型預測值,yi表示樣本的實測值,yi表示樣本平均值。

3 結果與分析

3.1 提取單木冠幅與樹高的結果分析

3.1.1 采用k-means 方法進行樣地點云的聚類,并根據研究區域的方向,對單木進行了冠幅的采集。以冠點云的最大值之差為東、西兩個冠幅的最大、最大的差異為南、北兩個冠幅的均值。采用水曲柳樣地和樟子松樣地的單木平均冠幅進行了統計,并用k-means 方法對其進行了統計。從圖1、2 可以看出,根據該方法所獲得的單株的冠幅為3.47-8.10m,平均為5.54m；結果表明,樟子松類的單株冠幅為2.27-5.78m,平均為4.11m。由表2可知,k-means 法的平均冠幅x 和實際的平均冠幅y 之間有良好的線性相關性,R2和RRMSE 分別為0.82 和0.61m；結果表明,在樟子松中,R2與RMSE 各占0.43 m。研究結果顯示：采用k-means 方法對單木冠幅進行檢測,其準確率是比較高的。

圖1 水曲柳樣地中提取冠幅平均值與實測冠幅平均值的回歸關系

圖2 樟子松樣地中提取冠幅平均值與實測冠幅平均值的回歸關系

表2 提取與實測平均冠幅的回歸關系

3.1.2 根據點云的分割資料,采用最大值方法對樹冠進行檢測,得到的Z 值為單個樹木的高度。采用水曲柳樣地和樟子松樣品地的實際樹高測量資料與計算方法進行了統計,并將其與實際數據進行了比較。如從圖3和4 中可以看出,以該方法為基礎,得到的單木樹高為17.97-23.27m,平均為20.78m；結果表明,該樹種的個體高度為15.54-19.12m,平均為17.25m。由表3 中所列的抽吸率與實際觀測值的回歸分析可知,水曲柳樣品地的平均高度R2分別為0.86 和0.49m；結果表明,在樟子松類地中,R2和RMSE 分別為0.84 和0.40m。實驗結果顯示,該方法所得到的數據與實際數據有著良好的相關關系。

圖3 水曲柳樣地中提取樹高與實測樹高的回歸關系

圖4 樟子松樣地中提取樹高與實測樹高的回歸關系

表3 提取與實測樹高的回歸關系

3.2 兩塊樣地統計樹冠投影面積與體積的結果分析

利用兩個樣本地的平面凸包方法,將點云的剖面數據進行了求解,并利用逐步凸包法求出了兩個樣本地的樹冠投影面積和體積,并在表格4 與5 中給出了相應的結果：

表4 兩塊樣地樹冠投影面積統計結果

表5 兩塊樣地樹冠體積統計結果

4 結論

本文采用無人駕駛的激光雷達對兩個樣品進行了掃描,并采用計算機程序和計算機程序進行了分析。根據所提取的單一木質構件的特征,構建了包括樹高、樹冠寬度、樹冠投影區域和樹冠容積的新的生物量模式,并與已發布的水曲柳、樟子松的生物量表進行了比較。本文的具體結論是：

4.1 將該方法所獲得的單木冠幅和樹高與實際數據進行了比較,結果表明：水曲柳類地的冠幅為3.47-8.10m,樹高為20.78m；結果表明,研究區內各樹種的生長狀況符合,各樹種的單木因素與實測資料具有較強的相關性。因此,利用無人機雷達所獲得的單一樹木的參量,可以將其用于生物量模式。

4.2 選擇以樹高、樹冠寬度、樹冠投影面積、樹冠容積等參數來擬合,以水曲柳和樟樹的生物量模式最佳,R2值為0.834,0.792,RMSE 值為18.912、8.120kg/株,綜合評價指數都很好,與以上分析相吻合。