福建重要生態(tài)功能區(qū)單木參數(shù)提取研究

馮 娟 林 彬 買吾拉夏·木巴熱克 張煜嫻

(1.昌吉州氣象局,新疆 昌吉 831100;2.平潭綜合實(shí)驗(yàn)區(qū)氣象局,福建 平潭 350400;3.中國氣象局烏魯木齊沙漠氣象研究所,新疆 烏魯木齊 830002;4.福建省氣象科學(xué)研究所,福建 福州 350001)

0 引言

單木是構(gòu)成森林的基本單元,同時(shí)也是森林資源調(diào)查所需的關(guān)鍵因素。單木信息的精準(zhǔn)測(cè)量不僅對(duì)其數(shù)據(jù)本身具有重要意義,也為后續(xù)外業(yè)數(shù)據(jù)的自動(dòng)獲取提供了可能[1]。傳統(tǒng)的單木調(diào)查需要人工外業(yè)測(cè)量,時(shí)效性往往很難滿足監(jiān)控需要,在精度上也存在誤差。高分辨率精細(xì)遙感技術(shù)為單木信息的快速、精確獲取提供了有利條件,也為掌握森林資源與管理提供有效保障[2]。利用無人機(jī)遙感技術(shù)獲取單木信息,不僅能夠提升空間與時(shí)間分辨率,也使森林資源調(diào)查研究更具經(jīng)濟(jì)效益和實(shí)用性[3]。

單木參數(shù)提取是指通過對(duì)遙感數(shù)據(jù)進(jìn)行分割得到單株樹木信息,包括單木的位置、樹冠、樹高等[4]。現(xiàn)階段通常使用的遙感數(shù)據(jù)主要有高分辨率光譜數(shù)據(jù)和激光雷達(dá)數(shù)據(jù)。無人機(jī)多光譜影像能為單木參數(shù)提取提供較高的空間分辨率,機(jī)載激光雷達(dá)(Light Detection and Ranging,LiDAR)則對(duì)森林有較強(qiáng)的穿透能力,可以直接、快速地獲取大面積、高精度的植被三維信息,不僅能提供水平結(jié)構(gòu)的地形信息,還能生成垂直結(jié)構(gòu)的森林冠層空間信息[5]。因此,融合無人機(jī)多光譜數(shù)據(jù)與機(jī)載雷達(dá)數(shù)據(jù)源,具有獲取樹木冠層光譜信息與空間結(jié)構(gòu)信息的優(yōu)勢(shì)。機(jī)載雷達(dá)數(shù)據(jù)通常運(yùn)用冠層高度模型(canopy height model,CHM)和點(diǎn)云數(shù)據(jù)處理兩種方式獲取單木垂直結(jié)構(gòu)的參數(shù)[6]。基于CHM的單木分割方法的核心思想是利用單木樹冠的頂部高于邊緣,且與四周的樹冠之間具有谷的特點(diǎn)進(jìn)行分析[7]。陳日強(qiáng)等[8]運(yùn)用局部極大值濾波算法和標(biāo)記控制分水嶺分割算法處理CHM,有效實(shí)現(xiàn)了果樹單木樹冠檢測(cè)與信息提取;解宇陽等[9]使用局部最大值法從CHM中提取植被冠層高度與單木位置,結(jié)果顯示,所提取植被的高度精度較高但位置精度一般;Peng等[10]使用不同密度的無人機(jī)LiDAR數(shù)據(jù),通過CHM提取松樹樹高,證明了樹高提取精度隨著點(diǎn)云密度的增加逐漸提高,且17 pts/m2是提取樹高的最低密度。基于點(diǎn)云的單木分割算法可以避免點(diǎn)云差值生成CHM過程帶來的誤差[11],Wu等[12]使用基于CHM的分水嶺算法與基于點(diǎn)云的區(qū)域生長分割算法計(jì)算銀杏林冠層覆蓋度的精度,與實(shí)測(cè)數(shù)據(jù)對(duì)比發(fā)現(xiàn),區(qū)域生長算法的精度較高;Corte等[13]針對(duì)高密度無人機(jī)點(diǎn)云,采用單木檢測(cè)算法獲取胸徑和樹高,得到相關(guān)系數(shù)分別為0.77和0.91,相對(duì)均方根誤差為11.3%和7.9%。無人機(jī)LiDAR能夠有效獲取森林冠層頂部信息,但難以獲取樹冠下方的信息,對(duì)林中小樹的探測(cè)能力有限。

綜上,本文選福建省漳州市云霄園嶺國有林場(chǎng)、龍巖市上杭白砂國有林場(chǎng)為研究區(qū),利用無人機(jī)多光譜數(shù)據(jù)與機(jī)載雷達(dá)數(shù)據(jù),將無人機(jī)雷達(dá)數(shù)據(jù)經(jīng)過點(diǎn)云數(shù)據(jù)處理后,運(yùn)用CHM模型分割單木,結(jié)合無人機(jī)光譜數(shù)據(jù)提取單木參數(shù),并通過實(shí)測(cè)數(shù)據(jù)檢驗(yàn)提取精度。同時(shí),對(duì)比不同復(fù)雜程度樣地的單木參數(shù)提取精度,以驗(yàn)證融合兩種數(shù)據(jù)的優(yōu)越性,為做好森林資源監(jiān)測(cè)管理工作提供有效保障。

1 數(shù)據(jù)與方法

1.1 研究區(qū)域概況

研究區(qū)域位于福建省,地處武夷山支脈的低山丘陵,年均降水量為1880 mm,屬亞熱帶季風(fēng)氣候。從該區(qū)域選擇具有代表性的不同樹種人工林為試驗(yàn)林,分別位于漳州市云霄園嶺國有林場(chǎng)和龍巖市上杭白砂國有林場(chǎng),在試驗(yàn)林設(shè)置無人機(jī)飛行區(qū)域作為典型區(qū),進(jìn)行單木參數(shù)的提取。

1.2 數(shù)據(jù)收集及預(yù)處理

1.2.1 LiDAR數(shù)據(jù)

2021年8月,通過RT470多旋翼無人機(jī)搭載平臺(tái)搭載R1350激光雷達(dá)測(cè)量系統(tǒng),在漳州市云霄園嶺國有林場(chǎng)和龍巖市上杭白砂國有林場(chǎng)進(jìn)行LiDAR數(shù)據(jù)采集。無人機(jī)飛行高度150 m,采集總面積18 km2,點(diǎn)云密度40～80 pts/m2,坐標(biāo)系統(tǒng)為WGS 84大地坐標(biāo)系統(tǒng),數(shù)據(jù)如表1所示 。

表1 無人機(jī)LiDAR數(shù)據(jù)

LiDAR點(diǎn)云數(shù)據(jù)預(yù)處理過程包含對(duì)點(diǎn)云去噪、濾波,對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行去噪處理是為了減少點(diǎn)云噪聲點(diǎn)對(duì)后續(xù)數(shù)據(jù)處理造成的影響。

1.2.2 無人機(jī)多光譜數(shù)據(jù)

高分辨率影像數(shù)據(jù)采集于2021年7—8月,使用大疆多光譜相機(jī),載有1個(gè)用于可見光成像的彩色傳感器和5個(gè)用于多光譜成像的單色傳感器,單個(gè)相機(jī)有效像素為208萬。航線設(shè)置為掃描航線,航線高度為188 m,分辨率為10 cm。數(shù)據(jù)采集完成后,使用大疆智圖對(duì)無人機(jī)航拍照片進(jìn)行預(yù)處理。

1.2.3 外業(yè)調(diào)查數(shù)據(jù)收集與整理

本研究外業(yè)調(diào)查數(shù)據(jù)如表2所示,獲取時(shí)間為2021年7—8月,樣地在福建省漳州市云霄園嶺國有林場(chǎng)和龍巖市上杭白砂國有林場(chǎng)。針對(duì)研究區(qū)域主要樹種杉木、馬尾松、桉樹分別各選取一塊20 m×20 m樣地進(jìn)行單木參數(shù)的提取,每個(gè)樣地都使用RTK定位樣地角點(diǎn)坐標(biāo),并記錄樣地內(nèi)每棵樹的胸徑和樹木示意圖,部分樹記錄樹高和RTK定位。此外,選擇一塊馬尾松樣地測(cè)量該樣地砍伐后真實(shí)樹高,用以衡量真實(shí)樹高與測(cè)高桿量測(cè)樹高、LiDAR提取樹高的誤差。

表2 外業(yè)調(diào)查數(shù)據(jù)統(tǒng)計(jì)

1.3 研究方法

單木參數(shù)的提取結(jié)合多光譜的樹種識(shí)別結(jié)果,采用無人機(jī)多光譜和LiDAR數(shù)據(jù),通過單木分割技術(shù)得到不同樹種的單木分布,并在此基礎(chǔ)上提取主要人工林樹種的單木樹冠。技術(shù)路線如圖1所示。

圖1 技術(shù)路線圖

1.3.1 基于機(jī)載LiDAR數(shù)據(jù)單木分割方法

首先,采用標(biāo)記控制分水嶺分割的方法進(jìn)行單木分割。分水嶺算法將影像看作地球科學(xué)層面上的拓?fù)鋱D形,地形的起伏通過灰度圖像上每個(gè)像素的灰度值表示[14-15]。分水嶺算法將獲取的輸入圖像轉(zhuǎn)換為梯度圖像來取得邊緣信息。

分水嶺算法對(duì)噪聲等十分敏感,樹冠不是一個(gè)平面,內(nèi)部結(jié)構(gòu)復(fù)雜,直接進(jìn)行局部最大值的提取會(huì)存在很多極大值,這樣破碎的樹冠圖像沒有任何意義。因此,一般要先采用高斯濾波對(duì)噪聲點(diǎn)及無效的極大值點(diǎn)進(jìn)行平滑處理。同時(shí),為了減少分水嶺算法過分割的現(xiàn)象,通常對(duì)樹頂點(diǎn)用局部最大值法進(jìn)行標(biāo)記。

1.3.2 單木樹冠提取方法

樹冠作為單木參數(shù)的重要部分,能夠直觀反映樹木生長的優(yōu)劣。由于部分單木分割單元中還包括林中空隙,因此,單木分割后得到的初步結(jié)果并不能直接作為單木樹冠提取的結(jié)果,將樹冠區(qū)域提取結(jié)果與單木分割結(jié)果結(jié)合能有效提升單木樹冠的提取精度[16-17]。

本文基于無人機(jī)多光譜影像,采用最大似然法對(duì)樹冠、非樹冠區(qū)域進(jìn)行分類,提取樹冠區(qū)域并進(jìn)行矢量化,采用ArcGIS中的消除面部件、平滑工具進(jìn)行后處理,消除樹冠內(nèi)部的小孔隙與不規(guī)整邊界。通過將單木分割結(jié)果與提取的樹冠區(qū)域進(jìn)行面相交,得到單木樹冠提取的最終結(jié)果,并以與冠面積大小一致的圓直徑作為單木冠幅。

1.3.3 精度驗(yàn)證

精度驗(yàn)證可以從單木和林分兩個(gè)評(píng)價(jià)層次上進(jìn)行驗(yàn)證[18],本文采用F測(cè)度作為主要評(píng)價(jià)指標(biāo)。通常將參考樹冠分為匹配、接近匹配、丟失、合并、分割等五類,其中,匹配和接近匹配被判定為正確的分割結(jié)果,丟失和合并判定為漏分誤差,分割判定為錯(cuò)分誤差。分割正確率p是整個(gè)提取結(jié)果中有效單木探測(cè)株數(shù)所占的比例,召回率r是真實(shí)參考數(shù)據(jù)中有效單木探測(cè)株數(shù)所占的比例,F測(cè)度是指正確率與召回率之間的調(diào)和值,其計(jì)算公式分別為:

(1)

(2)

(3)

式(1)～式(3)中,TP為正確分割的單木株數(shù);FP為錯(cuò)分割的單木株數(shù);FN為過分割的單木株數(shù)。

基于目視解譯結(jié)果,選用匹配較好的單木作為研究對(duì)象,對(duì)比單木樹冠與單木樹高的估測(cè)值與實(shí)測(cè)值來檢驗(yàn)估測(cè)精度。對(duì)估測(cè)結(jié)果的誤差將分別通過均方根誤差(RMSE)、相對(duì)均方根誤差(RMSEr)和估測(cè)精度(P)進(jìn)行分析,其計(jì)算公式分別為:

(4)

(5)

(6)

式(4)～式(6)中,Xobj,i為實(shí)測(cè)值;Xmodel,i為估測(cè)值;n為檢測(cè)樣本數(shù)量。

2 結(jié)果驗(yàn)證與分析

2.1 單木分割結(jié)果分析

不同CHM分辨率對(duì)單木分割的結(jié)果也有較大影響。CHM分辨率較小時(shí),樹冠內(nèi)部異質(zhì)性大,可能導(dǎo)致單木的過分割及錯(cuò)分割;CHM分辨率較高時(shí),像元間的差異性變小,模糊了樹冠之間的高度差異,使得該方法對(duì)樹冠的識(shí)別效果變差。因此,找到分水嶺分割最佳的像素分辨率對(duì)單木識(shí)別精度的提升有著至關(guān)重要的作用。基于不同樹種,分別選取一塊高郁閉度樣地,采用3種CHM分辨率進(jìn)行分水嶺分割。通過比較分割效果,得到當(dāng)采用0.4 m CHM分辨率進(jìn)行分割時(shí),桉樹與馬尾松均得到了相對(duì)較高的分割精度;杉木采用0.4 m CHM與0.5 m CHM分辨率所得F測(cè)度一致,當(dāng)采用0.4 m CHM分辨率時(shí)存在過分割現(xiàn)象,當(dāng)采用0.5 m CHM分辨率時(shí)存在欠分割現(xiàn)象,對(duì)比分割單元的形狀,采用0.4 m CHM分割效果較好。表3為選擇最佳CHM分辨率的分割結(jié)果及其分割精度,可以看出,基于CHM進(jìn)行單木分割總體易導(dǎo)致過分割,桉樹的分割精度顯著高于杉木與馬尾松的分割精度。

注:底圖為無人機(jī)影像,紅線標(biāo)注樹冠邊界。

表3 不同樹種最優(yōu)CHM分辨率的單木分割精度

2.2 單木樹冠提取結(jié)果分析

為提高單木樹冠提取精度,首先需要對(duì)多光譜影像進(jìn)行分類,獲取樹冠范圍,提取結(jié)果見圖3(a)。由于提取的樹冠范圍中除了林中空隙,還包含了樹冠內(nèi)部的縫隙,因此,需進(jìn)行后處理。在ArcGIS中將單木分割結(jié)果與樹冠提取范圍進(jìn)行面相交,提取出兩組數(shù)據(jù)重疊的區(qū)域,通過消除面部件工具按面積大小消除樹冠內(nèi)部小于一定面積的孔隙,從而提取最終單木樹冠。圖3(b)、圖3(c)以Sample3馬尾松樣地為例對(duì)比兩種方式提取單木樹冠的結(jié)果,加入多光譜影像后,明顯提升了單木樹冠的提取精度。

(a)基于無人機(jī)多光譜數(shù)據(jù)的樹冠區(qū)域提取結(jié)果 (b)馬尾松樣地基于LiDAR數(shù)據(jù)單木樹冠提取結(jié)果 (c)馬尾松樣地LiDAR數(shù)據(jù)結(jié)合多光譜數(shù)據(jù)單木樹冠提取結(jié)果

針對(duì)不同樹種的樣地選擇匹配單木進(jìn)行精度分析可得(圖4),3個(gè)樣地的相關(guān)系數(shù)為0.40～0.75,估測(cè)精度均在80%以上。桉樹與杉木的估測(cè)精度達(dá)到85%以上且高于馬尾松樣地,而RMSE和RMSEr低于馬尾松樣地。由于3個(gè)樣地均選自高郁閉度林分,樹冠與樹冠之間存在一定重疊,目視勾繪的參考冠幅由于無法準(zhǔn)確勾繪出樹冠重疊的部分,大部分樹冠易造成高估的情況,且目視方法無法勾繪出林下樹木,可能會(huì)將林下單木的冠幅與旁邊高大林木勾繪在一起,造成部分單木冠幅低估。由于桉樹與杉木樹冠特征更易識(shí)別,且馬尾松樣地包含較多林下樹木,使馬尾松樣地單木參數(shù)的提取精度相對(duì)較低。

(a)桉樹樣地 (b)杉木樣地 (c)馬尾松樣地

3 結(jié)論

本文以福建省上杭白砂國有林場(chǎng)、云霄園嶺國有林場(chǎng)為研究對(duì)象,利用機(jī)載LiDAR數(shù)據(jù)結(jié)合多光譜數(shù)據(jù)對(duì)典型區(qū)不同樹種單木參數(shù)進(jìn)行提取。得到以下結(jié)論:

①基于CHM,采用分水嶺分割的方法在單木分割中的應(yīng)用是可行的,但在單木分割過程中易造成過分割;桉樹的單木分割精度顯著高于杉木與馬尾松,精度可達(dá)87.6%;當(dāng)采用0.4 m CHM分辨率進(jìn)行單木分割時(shí),各樹種均可以得到較好的分割效果。

②從單木樹冠提取結(jié)果可見,采用多光譜數(shù)據(jù)與機(jī)載LiDAR數(shù)據(jù)相結(jié)合的方式提取效果較好。桉樹與杉木的提取精度高于馬尾松,估測(cè)精度均可達(dá)到85%以上,RMSE也在0.5 m2以內(nèi),對(duì)馬尾松冠幅的估測(cè)出現(xiàn)明顯高估,這與參考樹冠勾繪的準(zhǔn)確度有關(guān),準(zhǔn)確獲取單木冠幅的大小仍是一項(xiàng)挑戰(zhàn)。