基于無(wú)人機(jī)三維信息的杉木新造林林分參數(shù)遙感估測(cè)研究

郝振幫 林麗麗 余坤勇 劉 健,4 趙各進(jìn) 李明慧 宋賢芬 楊柳青

（1. 福建農(nóng)林大學(xué)林學(xué)院，福建 福州 350002；2. 3S 技術(shù)與資源優(yōu)化利用福建省高等學(xué)校重點(diǎn)實(shí)驗(yàn)室，福建 福州 350002；3. 閩南師范大學(xué)生物科學(xué)與技術(shù)學(xué)院，福建 漳州 363000；4. 福建農(nóng)林大學(xué)藝術(shù)學(xué)院園林學(xué)院，福建 福州 350002）

目前，許多國(guó)家為抵消溫室氣體排放而進(jìn)行了大規(guī)模的植樹(shù)造林活動(dòng)，實(shí)時(shí)、準(zhǔn)確地獲取這些新造林的基礎(chǔ)信息對(duì)科學(xué)制定森林經(jīng)營(yíng)管理方案極為重要[1]。實(shí)地調(diào)查可以獲取森林參數(shù)的準(zhǔn)確信息，但往往低效費(fèi)時(shí)[2-3]。遙感技術(shù)以高空間分辨率、便捷性等優(yōu)勢(shì)，為林分參數(shù)的快速、準(zhǔn)確獲取提供了有效的替代方法[4]。特別是無(wú)人機(jī)遙感技術(shù)的發(fā)展和完善，使其逐漸成為森林資源管理中越來(lái)越重要的監(jiān)測(cè)工具[5]。

在過(guò)去的十多年中，攝影測(cè)量技術(shù)的發(fā)展和普及使得無(wú)人機(jī)遙感技術(shù)在林業(yè)領(lǐng)域得到了廣泛的應(yīng)用。特別是運(yùn)動(dòng)結(jié)構(gòu)恢復(fù)算法（SfM）實(shí)現(xiàn)了從遙感光學(xué)圖像數(shù)據(jù)中獲取數(shù)字表面模型（DSM），以及大量的算法被開(kāi)發(fā)利用從DSM 中獲取冠層高度模型（CHM）來(lái)提取植物高度[6-7]和冠層大小[8-9]等森林基礎(chǔ)信息，如局部最大值/最小值檢測(cè)[10]、邊緣檢測(cè)[11]、分水嶺算法[12]、區(qū)域增長(zhǎng)法[8]、模板匹配[13]以及深度學(xué)習(xí)算法[4,14-15]等。已有研究通過(guò)對(duì)比分析了5 種不同遙感平臺(tái)對(duì)樹(shù)高估測(cè)精度的影響[6]，發(fā)現(xiàn)無(wú)人機(jī)遙感技術(shù)對(duì)樹(shù)高的估測(cè)精度最高。在使用深度學(xué)習(xí)算法實(shí)現(xiàn)樹(shù)冠邊界檢測(cè)的基礎(chǔ)上，研究者借助區(qū)域統(tǒng)計(jì)分析方法實(shí)現(xiàn)了樹(shù)高和樹(shù)冠的信息提取[16]。但這些技術(shù)主要集中在果樹(shù)和成熟林分的監(jiān)測(cè)中，鮮有研究關(guān)注遙感技術(shù)在新造林監(jiān)測(cè)中的應(yīng)用。

新造林的管理作為森林經(jīng)營(yíng)活動(dòng)中關(guān)鍵的一環(huán)，其經(jīng)營(yíng)的成功或失敗對(duì)林分的發(fā)展具有長(zhǎng)期的影響[17]。杉木（Cunninghamia lanceolata）是我國(guó)人工林中面積最大的造林樹(shù)種，實(shí)時(shí)且準(zhǔn)確地獲取杉木造林地的林分基礎(chǔ)信息對(duì)杉木新造林的經(jīng)營(yíng)管理尤為重要。本研究基于低成本無(wú)人機(jī)獲得的三維信息，結(jié)合局部最大值算法和分水嶺算法從單木和林分，2 個(gè)層次分析無(wú)人機(jī)遙感技術(shù)對(duì)杉木新造林樹(shù)高和南北冠幅的估測(cè)精度，進(jìn)而探討無(wú)人機(jī)遙感技術(shù)對(duì)杉木新造林林分參數(shù)監(jiān)測(cè)的可行性。

1 材料與方法

1.1 標(biāo)準(zhǔn)地設(shè)置與野外數(shù)據(jù)獲取

研究地點(diǎn)位于閩北杉木的中心產(chǎn)區(qū)之一——福建省南平市順昌縣埔上國(guó)有林場(chǎng)。屬于亞熱帶海洋性季風(fēng)氣候，年平均氣溫18.5 ℃，年平均降雨1 756 mm，地形以低山丘陵為主。研究區(qū)位于北緯26.922 623°，東經(jīng)117.756 697°；平均海拔174～226 m，坡度27.8°。選定的杉木為2018 年初種植的苗木，初植密度為1.5 m × 2 m，包含多個(gè)品種的杉木。根據(jù)不同品種在研究區(qū)內(nèi)共設(shè)置了15 個(gè)標(biāo)準(zhǔn)地，各標(biāo)準(zhǔn)地從山腳到山頂進(jìn)行劃分，每個(gè)標(biāo)準(zhǔn)地之間種植一行闊葉樹(shù)作為隔離帶。于2019年初對(duì)標(biāo)準(zhǔn)地內(nèi)的死亡杉木進(jìn)行補(bǔ)植，2019 年底進(jìn)行人工除草。

野外數(shù)據(jù)采集主要包括15 個(gè)標(biāo)準(zhǔn)地內(nèi)所有杉木的樹(shù)高和南北冠幅，研究采用測(cè)量桿共測(cè)定了標(biāo)準(zhǔn)地內(nèi)1 238 棵杉木的樹(shù)高和南北冠幅，將各標(biāo)準(zhǔn)地內(nèi)所有杉木樹(shù)高和南北冠幅的均值作為對(duì)應(yīng)標(biāo)準(zhǔn)地的平均樹(shù)高和平均南北冠幅，調(diào)查結(jié)果見(jiàn)表1。在此基礎(chǔ)上，根據(jù)單木水平的研究需要，將研究區(qū)劃分為區(qū)域一和區(qū)域二。在區(qū)域一和區(qū)域二內(nèi)，利用現(xiàn)有道路和大塊石頭等作為參照物，通過(guò)與影像圖進(jìn)行對(duì)比，實(shí)現(xiàn)研究區(qū)內(nèi)265棵杉木的實(shí)地位置與遙感圖中位置的精確對(duì)應(yīng)，其中區(qū)域一167 棵杉木，區(qū)域二98 棵杉木，樹(shù)高（0.95～4.01 m）基本涵蓋了整個(gè)研究區(qū)1 238 棵杉木的樹(shù)高分布范圍，區(qū)域一和區(qū)域二內(nèi)具有精確位置的所有杉木的樹(shù)高和南北冠幅的最小值、最大值和平均值的描述性統(tǒng)計(jì)見(jiàn)表2。

表1 研究區(qū)15 個(gè)標(biāo)準(zhǔn)地杉木樹(shù)高和冠幅大小描述性統(tǒng)計(jì)Table 1 Tree height and crown size statistics of Chinese fir in 15 standard plots

表2 研究區(qū)265 棵杉木樹(shù)高和冠幅大小描述性統(tǒng)計(jì)Table 2 Tree height and crown size statistics of 265 Chinese fir in study area

1.2 遙感數(shù)據(jù)獲取及預(yù)處理

2019 年12 月，采用大疆Phantom 4 Multispectral 無(wú)人機(jī)獲取除草后的研究區(qū)影像圖。受研究區(qū)地形起伏及研究需要，杉木新造林區(qū)域的無(wú)人機(jī)飛行作業(yè)分2 次完成，分別獲取區(qū)域一和區(qū)域二的遙感影像圖（圖1）。無(wú)人機(jī)飛行高度均設(shè)置為30 m，航向重疊率為80%，旁向重疊率為80%，且將各區(qū)域的最高點(diǎn)作為無(wú)人機(jī)的起飛點(diǎn)。同時(shí)為獲取高精度的航點(diǎn)GPS 數(shù)據(jù)，在飛行過(guò)程中將無(wú)人機(jī)與D-RTK 2 移動(dòng)站進(jìn)行連接（水平精度為2 cm，垂直精度為3 cm）。

圖1 研究區(qū)的無(wú)人機(jī)影像Fig. 1 Images of unmanned aerial vehicle

Phantom 4 Multispectral 無(wú)人機(jī)搭載的集成一個(gè)可見(jiàn)光相機(jī)和5 個(gè)多光譜相機(jī)的一體式多光譜成像系統(tǒng)可以在1 次飛行中獲得可見(jiàn)光（RGB）、紅（Red）、綠（Green）、藍(lán)（Blue）、紅邊（Red edge）和近紅外（NIR）6 個(gè)不同的影像信息，其中2 個(gè)飛行區(qū)域分別獲得1 962 和3 654 張?jiān)加跋駡D。采用大疆智圖軟件（DJI Terra）完成原始影像的拼接，獲得研究區(qū)內(nèi)RGB、Red、Green、Blue、Red edge、NIR 的正射影像和DSM，并將Red、Green、Blue、Red edge、NIR 合成為研究區(qū)多光譜影像，分辨率為0.76 cm。其中，區(qū)域一的影像覆蓋面積為0.36 hm2，區(qū)域二的影像覆蓋面積為0.69 hm2。由于DJI Terra 不能自動(dòng)生成CHM，研究通過(guò)DSM 與數(shù)字高程模型（DEM）相減提取研究區(qū)的CHM。主要處理過(guò)程如下：1）結(jié)合研究區(qū)多光譜影像數(shù)據(jù)和DSM 數(shù)據(jù)，在ArcMap 10.6 軟件中通過(guò)目視識(shí)別影像中的非林地位置并手動(dòng)創(chuàng)建地面點(diǎn)，區(qū)域一和區(qū)域二分別獲得2 281和3 238 個(gè)地面點(diǎn)；2）通過(guò)Extract Multi Values to Points 工具提取地面點(diǎn)對(duì)應(yīng)DSM 的值，即地面高程，并采用Kriging 工具對(duì)地面點(diǎn)進(jìn)行插值創(chuàng)建DEM；3）使用Raster Calculator 工具從DSM 中減去DEM 獲得CHM。所有影像分辨率均重采樣為2 cm。

1.3 樹(shù)高遙感估測(cè)方法

本研究基于局部最大值算法的原理，使用ArcMap 10.6 軟件實(shí)現(xiàn)杉木的樹(shù)高提取。局部最大值算法實(shí)現(xiàn)樹(shù)高測(cè)定的原理是通過(guò)設(shè)置一個(gè)固定大小的最大值篩選窗口來(lái)尋找CHM 影像數(shù)據(jù)中對(duì)應(yīng)窗口內(nèi)局部最大值的點(diǎn)作為樹(shù)冠頂點(diǎn)，對(duì)應(yīng)位置的CHM 值即樹(shù)高。主要步驟如下：1）使用半徑為0.1 m 的圓形濾波窗口對(duì)CHM 進(jìn)行均值平滑處理；2）利用Focal Statistics 工具對(duì)濾波后的CHM 進(jìn)行局部最大值提取，其窗口屬性設(shè)置為圓形，半徑為0.5 m；3）對(duì)步驟1）和步驟2）中獲得的2 張影像進(jìn)行求差并提取值為0 的柵格；4）將柵格轉(zhuǎn)為點(diǎn)，提取每個(gè)點(diǎn)對(duì)應(yīng)CHM 上的值即樹(shù)高，并刪除高度值小于0.3 m 的點(diǎn)剔除地面雜草和石塊[18]（圖2）。

圖2 研究區(qū)樹(shù)高測(cè)定示意圖Fig. 2 Diagram of tree height detection in study area

1.4 冠幅遙感估測(cè)方法

本研究采用基于極值標(biāo)記的分水嶺算法，在ArcMap 10.6 軟件中實(shí)現(xiàn)自動(dòng)化的杉木冠幅提取。分水嶺算法實(shí)現(xiàn)樹(shù)冠分割的原理是先將樹(shù)冠進(jìn)行反向處理，將樹(shù)冠變?yōu)橐粋€(gè)集水區(qū)，之后基于地理形態(tài)分析的圖像分割算法，通過(guò)模仿地理結(jié)構(gòu)將一幅圖像分為若干個(gè)互不相交的小局域來(lái)實(shí)現(xiàn)對(duì)樹(shù)冠的分割。主要處理步驟如下：1）使用研究區(qū)的任意常數(shù)柵格與CHM 影像相減獲得研究區(qū)的反向冠層高度模型；2）借助局部極值原理獲取負(fù)冠層高度模型中的局部最小值作為集水區(qū)算法的傾瀉點(diǎn)數(shù)據(jù)；3）以填挖后的負(fù)冠層高度模型為輸入數(shù)據(jù)獲取流向數(shù)據(jù)；4）結(jié)合流向和傾瀉點(diǎn)數(shù)據(jù)獲取研究區(qū)對(duì)應(yīng)每棵杉木的集水區(qū)shp 圖；5）用0.3 m 的常數(shù)柵格截取研究區(qū)的CHM 圖并將結(jié)果轉(zhuǎn)為矢量圖[18]，并與集水區(qū)shp 圖相交，相交結(jié)果即為研究區(qū)杉木的樹(shù)冠區(qū)域；6）最后獲取每棵杉木樹(shù)冠區(qū)域的四至圖，其南北距離即對(duì)應(yīng)杉木遙感估測(cè)的南北冠幅（圖3）。

圖3 研究區(qū)樹(shù)冠檢測(cè)和冠幅測(cè)量示意Fig. 3 Example of tree crown delineation and crown size measurement in the study area

1.5 數(shù)據(jù)精度驗(yàn)證

為了評(píng)估無(wú)人機(jī)三維遙感提取樹(shù)高和冠幅的可靠性，本研究分別從單木和林分兩個(gè)層次評(píng)價(jià)其估測(cè)精度。在單木水平上，以265 棵具有精確位置信息的杉木實(shí)測(cè)樹(shù)高和南北冠幅作為參考，對(duì)遙感估測(cè)的樹(shù)高與南北冠幅進(jìn)行精度驗(yàn)證。在林分水平上，使用15 個(gè)標(biāo)準(zhǔn)地的實(shí)測(cè)平均樹(shù)高和平均南北冠幅對(duì)相應(yīng)標(biāo)準(zhǔn)地的遙感估測(cè)平均樹(shù)高和平均南北冠幅進(jìn)行精度驗(yàn)證。采用決定系數(shù)（R2）、均方根誤差（RMSE）和估測(cè)精度（EA）3 個(gè)指標(biāo)對(duì)遙感估測(cè)的樹(shù)高和南北冠幅進(jìn)行精度評(píng)價(jià)。

式中：yi為實(shí)測(cè)數(shù)據(jù)，xi為估測(cè)數(shù)據(jù)，為實(shí)測(cè)數(shù)據(jù)平均值，為估測(cè)數(shù)據(jù)平均值，n為樣本數(shù)。

2 結(jié)果與分析

2.1 單木水平杉木樹(shù)高和冠幅提取精度分析

在單木水平上，樹(shù)高估測(cè)結(jié)果見(jiàn)圖4。由圖4可知，分別對(duì)兩個(gè)區(qū)域遙感估測(cè)的樹(shù)高進(jìn)行精度評(píng)估時(shí)，區(qū)域一R2為0.89、RMSE 為23.58 cm、EA為90.86%，區(qū)域二R2為0.88、RMSE 為20.14 cm、EA 為91.34%。兩個(gè)區(qū)域合并時(shí)（265 棵杉木），R2為0.89、RMSE 為22.37 cm、EA 為91.00%。

冠幅估測(cè)結(jié)果見(jiàn)圖5。遙感估測(cè)的區(qū)域一和區(qū)域二南北冠幅均值分別為1.54 m 和1.50 m。與實(shí)測(cè)的南北冠幅相比，可知區(qū)域一R2為0.77、RMSE為25.39 cm、EA 為83.55%，區(qū)域二R2為0.64、RMSE 為24.02 cm、EA 為83.95%。兩個(gè)區(qū)域合并 時(shí)，R2為0.70、 RMSE 為27.33 cm、 EA 為82.22%。

圖4 單木水平的樹(shù)高估測(cè)精度比較Fig. 4 Comparison of the accuracy of tree height estimation at the tree-level

圖5 單木水平的南北冠幅估測(cè)精度比較Fig. 5 Comparison of the accuracy of tree crown delineation at the tree-level

從單木提取的樹(shù)高和冠幅結(jié)果來(lái)看，兩個(gè)區(qū)域遙感估測(cè)的樹(shù)高和樹(shù)冠精度較為接近，表明在不同飛行區(qū)域和飛行作業(yè)之間，無(wú)人機(jī)遙感對(duì)杉木樹(shù)高和南北冠幅的估測(cè)具有較好的穩(wěn)定性。

2.2 林分水平杉木樹(shù)高與冠幅遙感提取精度分析

在實(shí)現(xiàn)樹(shù)高和冠幅提取的基礎(chǔ)上，分別統(tǒng)計(jì)各標(biāo)準(zhǔn)地內(nèi)所有杉木樹(shù)高與南北冠幅的平均值，并與對(duì)應(yīng)標(biāo)準(zhǔn)地的實(shí)測(cè)樹(shù)高和南北冠幅的均值進(jìn)行對(duì)比，結(jié)果見(jiàn)表3。通過(guò)對(duì)比實(shí)測(cè)數(shù)據(jù)與遙感估測(cè)數(shù)據(jù)之間的差異，發(fā)現(xiàn)林分水平上遙感估測(cè)的平均樹(shù)高比實(shí)測(cè)的平均樹(shù)高的值小0.07 m，平均南北冠幅比實(shí)測(cè)的平均南北冠幅的值小0.04 m。

表3 遙感估測(cè)與實(shí)測(cè)的各標(biāo)準(zhǔn)地杉木平均樹(shù)高和南北冠幅對(duì)比結(jié)果Table 3 Comparison of the average tree height and north-south crown size of Chinese fir in each sample plot between remote sensing estimation and field measurement

使用每個(gè)標(biāo)準(zhǔn)地的實(shí)測(cè)平均樹(shù)高與平均南北冠幅對(duì)遙感估測(cè)的平均樹(shù)高和平均南北冠幅進(jìn)行精度驗(yàn)證（圖6），發(fā)現(xiàn)林分水平上遙感估測(cè)的平均樹(shù)高遙感估測(cè)精度R2為0.95、RMSE 為12.27 cm、估測(cè)精度EA 為94.61%。南北冠幅的遙感估測(cè)精度R2為0.82、RMSE 為11.24 cm、估測(cè)精度EA 為92.20%。

圖6 林分水平杉木平均樹(shù)高和南北冠幅精度驗(yàn)證Fig. 6 The accuracy of average tree height and north-south crown size of Chinese fir at the stand-level

3 結(jié)論與討論

本研究結(jié)果表明，使用無(wú)人機(jī)三維信息可以實(shí)現(xiàn)杉木樹(shù)高和冠幅的精確估測(cè)，且技術(shù)的穩(wěn)定性較高，在不同飛行批次、不同飛行區(qū)域下杉木樹(shù)高和冠幅的估測(cè)精度均相近。與傳統(tǒng)野外調(diào)查相比，使用無(wú)人機(jī)遙感技術(shù)能夠快速、有效地獲取杉木新造林地的樹(shù)高和冠幅數(shù)據(jù)，為杉木生長(zhǎng)變化的長(zhǎng)期監(jiān)測(cè)和經(jīng)營(yíng)管理提供參考。研究中15 個(gè)標(biāo)準(zhǔn)地的劃分主要考慮了林分水平的杉木樹(shù)高和冠幅的提取精度分析。使用0.3 m 的常數(shù)柵格截取研究區(qū)的CHM 圖主要是為了刪除CHM 影像中非樹(shù)冠的區(qū)域，這個(gè)數(shù)值的確定主要參考已有研究和實(shí)地調(diào)查的杉木樹(shù)高范圍（0.78～4.22 m）確定[18]。若設(shè)置較小的值，林地的雜草和石塊無(wú)法被剔除；較大的值則可能將矮小的杉木刪除。經(jīng)綜合考慮，將0.3 m 設(shè)置為提取杉木樹(shù)高的閾值。

在樹(shù)高估測(cè)精度方面，雖然研究區(qū)內(nèi)的樹(shù)高范圍差異較大（0.78～4.22 m），但本研究中的杉木樹(shù)高在單木和林分水平的估測(cè)精度分別為91.00%和94.61%，特別是在單木水平上，無(wú)人機(jī)遙感估測(cè)的樹(shù)高與使用265 棵具有精確定位的杉木樹(shù)高相比，其RMSE 為0.22 m，估測(cè)精度可以滿足研究的需要。這一結(jié)果與已有研究中使用無(wú)人機(jī)影像進(jìn)行樹(shù)高估測(cè)的精度較為接近[19-20]，且優(yōu)于高空間分辨率的衛(wèi)星影像。此外，由于林分的復(fù)雜程度會(huì)直接影響DEM 精度，從而影響到樹(shù)高的估測(cè)精度。在森林覆蓋率高、林下植被豐富的地區(qū)較難準(zhǔn)確識(shí)別地面的位置，導(dǎo)致樹(shù)高被低估[6,18,20]。在本研究中，研究對(duì)象為杉木新造林，其林分尚未郁閉、裸地較多，可以有效地避免因地面識(shí)別誤差而造成樹(shù)高估測(cè)精度降低的問(wèn)題。同時(shí)新造林階段獲取的DEM 數(shù)據(jù)可以在森林郁閉后作為精確的地面數(shù)據(jù)來(lái)使用，從而彌補(bǔ)森林郁閉后無(wú)人機(jī)遙感無(wú)法獲取到精確DEM 數(shù)據(jù)的缺陷；另一方面，影像分辨率也會(huì)影響到樹(shù)高的估測(cè)精度。已有研究表明，在分辨率為5～30 cm的范圍內(nèi)，樹(shù)高的估測(cè)精度較為穩(wěn)定，當(dāng)分辨率低于35 cm，樹(shù)高估測(cè)精度則迅速降低[21]。本研究中使用0.02 m 分辨率的CHM 作為估測(cè)杉木樹(shù)高的基礎(chǔ)數(shù)據(jù)，獲得了較高的樹(shù)高估測(cè)精度。并以實(shí)地測(cè)量的兩個(gè)區(qū)域的杉木樹(shù)高和冠幅數(shù)據(jù)對(duì)兩個(gè)區(qū)域之間的精度進(jìn)行對(duì)比分析，發(fā)現(xiàn)兩個(gè)區(qū)域之間的估測(cè)精度相近。這與已有研究對(duì)兩個(gè)區(qū)域的橄欖樹(shù)（Canarium album）樹(shù)高估測(cè)結(jié)果一致[21]，表明使用無(wú)人機(jī)的三維數(shù)據(jù)對(duì)樹(shù)高和冠幅的監(jiān)測(cè)具有較強(qiáng)的穩(wěn)定性和通用性。

在冠幅估測(cè)精度方面，樹(shù)冠邊緣的檢測(cè)精度直接影響南北冠幅的估測(cè)精度。而值得注意的是，影像分辨率大小影響樹(shù)冠的檢測(cè)結(jié)果。已有研究使用無(wú)人機(jī)影像或激光雷達(dá)對(duì)樹(shù)冠檢測(cè)的研究中發(fā)現(xiàn)，樹(shù)冠直徑與分辨率的比值是影響樹(shù)冠檢測(cè)精度的關(guān)鍵。例如，通過(guò)分析四種不同的樹(shù)冠直徑與分辨率的比值（17∶1、8∶1、6∶1、3∶1）對(duì)樹(shù)冠檢測(cè)精度的影響，研究者發(fā)現(xiàn)樹(shù)冠直徑與分辨率的比值小于3∶1 且大于6∶1 時(shí)樹(shù)冠檢測(cè)精度最高[8]。在此基礎(chǔ)上，相關(guān)研究的學(xué)者進(jìn)一步提出影像分辨率應(yīng)至少大于樹(shù)冠直徑的四分之一[22]。本研究中用于樹(shù)冠提取的影像分辨率為0.02 m，野外實(shí)測(cè)中杉木的最小樹(shù)冠直徑為0.40 m，其樹(shù)冠直徑與分辨率的比值為20∶1，可以滿足樹(shù)冠的提取需求。