基于無人機激光雷達的不同種類紅樹林單木分割

魏曉博, 李志強, 陳昭光, 劉潤

(廣東海洋大學電子與信息工程學院, 湛江 524088)

紅樹林是生長在熱帶和亞熱帶海岸線上的典型潮間帶植物,它是由紅樹植物為主體的常綠喬木或灌木組成的濕地木本植物群落[1]。紅樹林具有固碳存碳、防風消浪、保護堤岸、促淤造陸、凈化環境、改善生態狀況等多種功能,也是魚、蝦、蟹、貝類生長繁殖的場所[2]。由于氣候變化、自然災害和人為干擾的影響,紅樹林的生態功能在過去幾十年不斷退化[3]。研究表明,歷史上中國紅樹林面積曾多達25萬公頃,但到20世紀50年代,紅樹林面積卻僅留存有4萬公頃[4]。因此,開展紅樹林動態監測是進行有效紅樹林保護和管理的重要基礎工作。

傳統的紅樹林生長參數信息獲取是通過野外實際測量獲得,由于紅樹林位于潮間帶泥灘、受周期性潮水浸沒,并且林深樹密,難以進入紅樹林內進行大規模野外調查和采樣,給監測帶來困難[5]。最近二十年遙感技術被廣泛地應用于紅樹林監測與評估,其中包括光譜儀量測、高分辨率的航空影像、中、高空間分辨率的衛星遙感影像、高光譜影像等[6]。大多數遙感技術多用于紅樹林水平結構參數估測與大尺度規模森林資源調查,無法獲取精細的森林結構參數[7]。紅樹林結構參數(包括樹高、冠幅和郁閉度等)是量化紅樹林生長狀況的基本參數,也是進行紅樹林資源動態變化監測及保護的基礎數據[8]。結構參數的高精度估測對于紅樹林資源動態變化監測及保護工作的高效開展與實施具有重要的意義。

激光雷達(light detection and ranging,LiDAR)掃描技術,能夠準確獲取高精度的森林冠層3D點云,從而獲取三維特征細節[9]。無人機搭載激光雷達傳感器這一新興的遙感方式,使得獲取高精度的紅樹林結構參數成為了可能[10]。無人機激光雷達在提高森林結構參數掃描時效性的同時降低了人工成本,為紅樹林資源動態變化監測與保護提供高精度基礎數據,以及為開展區域尺度紅樹林的調查提供了一種新的思路[11]。

近年無人機激光雷達技術在紅樹林方面研究,大多數通過結合遙感影像進行紅樹林種類識別或生物量估算[12],如吳培強等[13]通過無人機多光譜遙感數據結合激光雷達點云數據進行了紅樹林種類識別以及地上生物量估測。Qiu等[14]利用無人機雷達點云數據和WorldView-2遙感數據對紅樹林生物量進行了精細估算。目前對于紅樹林單木分割研究較少,一般分為基于冠層高度模型(canopy height model, CHM)或基于點云數據本身進行單木分割[15],并通過結合實測數據對紅樹林的樹高與冠幅等參數進行精度評價[16-18]。Yin等[19]首次使用無人機激光雷達數據對紅樹林進行了單木分割,分析了不同空間分辨率對紅樹林單木分割影響。雷鵬[20]基于不同分辨率的CHM模型進行單木分割,對比分析不同算法對于分割精度的影響。上述研究大多從紅樹林整體方面進行單木分割,缺乏對于不同紅樹林種類之間的單木分割結果差異研究,而不同種類紅樹林的結構參數的變化對動態監測與保護紅樹林至關重要。因此采用不同精度評價指標分別從點云整體分割效果以及樹高與冠幅三個方面對不同類型紅樹林分割結果進行差異分析,探索不同種類紅樹林結構參數的反演變化情況。

以廣東省雷州市東海岸紅樹林示范區為研究區域,通過LiDAR掃描技術獲取樣地的高密度點云數據,并基于不同紅樹林種類樣方獲取的實測數據搭建紅樹林結構參數反演模型,分析不同紅樹林種類之間的反演參數精度差別。為紅樹林資源動態變化監測及保護提供高精度基礎數據,同時也為其他遙感衛星數據紅樹林結構參數估測提供精確地面驗證數據。

1 研究區域與數據獲取

1.1 研究區概況

選擇廣東省雷州市東海岸紅樹林示范區(110°16′70″E,20°92′88″N)(圖1)為研究區域。研究區位于中國大陸南端北熱帶向南亞熱帶的過渡區域,受季風氣候和海洋氣候影響較大。不同鹽度海灘為耐鹽能力不同的紅樹植物提供適宜的生存環境,研究區主要的紅樹林森林植被群落為白骨壤、秋茄、無瓣海桑等,生長在由淺海沉積、潮汐及河流搬運的堆積物發育形成的鹽漬沼澤土。

A為無瓣海桑;B為秋茄;C為白骨壤圖1 實驗區域與樣方分布Fig.1 Distribution of experimental area and quadrat

1.2 無人機點云數據獲取

采用大疆經緯M300RTK無人機搭載大疆禪思L1(DJI L1)激光雷達系統進行點云數據收集,其測繪相機獲取的航拍影像為輔助驗證數據。DJI L1由Livox激光雷達模塊、高精度慣導、測繪相機、三軸云臺等模塊組成,其單架次作業面積可達2 km2,測量距離450 m(80%反射率),擁有3 cm的測距精度、5 cm高程精度和10 cm平面精度。

數據采集時間為2022年10月28日上午低潮時期,天氣晴朗無風,海水低潮,可以保證點云數據質量。無人機航線高度100 m,航線速度15 m/s,主航線角度330°,平均點云密度100點/m2。

1.3 樣地實測數據獲取

雷州東海岸的潮汐為不規則半日潮,因此野外調查于2022年10月28日上午低潮時,根據研究區主要的紅樹林種類白骨壤、秋茄、無瓣海桑分別設置樣方(圖1),進行實地數據采集。根據樹高與林分密度,無瓣海桑、秋茄設置15 m×15 m的正方形樣地,白骨壤為小型灌木叢設置5 m×5 m正方形樣地。通過儀器測量記錄單木樹高,通過皮尺來測量南北冠幅、東西冠幅并求出其平均冠幅,在樹干1.3 m處測量并求出胸徑。

2 研究方法

2.1 數據預處理

對于無人機LiDAR點云數據的處理,首先使用DJI Terra軟件進行點云處理,將點云進行重建獲得原始點云數據(las.格式)。再通過LiDAR360軟件對原始點云數據進行后處理(圖2)。

圖2 不同樣方點云效果Fig.2 Effect of different square point clouds

(1)去噪:將無人機在采集數據中受到高位粗差(鳥類或飛機等飛行物的影響)和低位粗差(測量過程中誤差產生的極地點)影響產生的噪點移除。

(2)地面點分類:對去噪后的原始點云數據使用漸進加密三角網濾波算法(improved progressive TIN densification, IPTD)分類為地面點與非地面點。

(3)數字高程模型(digital elevation model,DEM):利用不規則三角網插值法生成數字高程模型。

(4)數字表面模型(digital surface model,DSM):利用反距離權重插值法生成數字表面模型。

(5)冠層高度模型(canopy height model, CHM):通過DEM與 DSM的差值生成CHM。對于樣地實測數據與航拍影像圖的處理,整理不同實測樣地的樹高和冠幅的最大值、最小值、平均值等數據,并通過影像拼接生成研究區的整幅影像,作為點云數據單木分割的輔助驗證數據。

2.2 單木參數提取

對于紅樹林的單木參數的提取,本研究采用分水嶺算法進行單木分割。分水嶺算法是基于CHM模型進行分割,它將CHM的高點處可以看做山峰,低點處可以看做山谷。在水匯合的地方建立屏障,這些屏障對應于分水嶺的分界線即形成樹冠邊界。由于使用默認參數進行CHM分割可能會造成紅樹林點云數據出現過度分割與弱分割的情況,導致樹高和冠幅等單木參數的反演值估測精度降低。本實驗根據實測數據設置最佳參數最小樹高0.8 m,冠幅起算高度1 m,獲得較為精確的研究區點云數據的樹高、冠幅等參數。

2.3 單木分割精度檢驗

2.3.1 單木分割結果精度檢驗

本實驗使用識別率R、召回率r、精確率p以及調和值F來檢驗單木分割結果精度[15],召回率r代表著正確分割的單棵樹木占總體實際樹木的百分比,精確率p代表點云分割后正確分割單株樹木的比例,識別率R表示在一定面積的樣地內樹木分割情況,調和值F則是從總體角度出發對單木分割結果進行精度評估,這些指標都是數值越接近1,點云的單木分割結果越好。表達式為

(1)

式(1)中:N為樣地實際的單木數;n為算法分割的單木數;TP為正確分割的單木數;FN為漏檢的單木數;FP為分割錯誤的單木數。

2.3.2 單木參數分割精度檢驗

本實驗使用精度指標對單木樹高參數進行檢驗[20],以樣地數據為實測值,點云數據為估測值,計算單木樹高參數精度。計算公式為

(2)

本實驗使用偏差度量指標偏差(bias)、相對偏差(bias_%)、均方根誤差(root mean square error,RMSE)以及相對誤差對單木冠幅參數分割結果精度進行檢驗[17]。偏差(bias)、相對偏差(bias_%)、均方根誤差(RMSE)是估測單木冠幅反演值與樣地實測值的偏差,誤差率是檢驗點云冠幅數據偏離實測數據的比例。上訴指標的最佳值為0,數值越接近0,點云的冠幅參數反演效果越好。公式為

bias=∑(xest-xobs)/(n-1)

(3)

bias_%=bias/xobs

(4)

(5)

式中:n為匹配的樹冠個數;xest和xobs分別為單木冠幅參數的點云反演值和樣地實測值。

3 結果與分析

3.1 單木分割結果分析

對于不同紅樹林種類樣方的分割結果,由表1中可以明顯看出,對于樣地內的單木分割情況,無瓣海桑R=90%,r=85%,p=89%,代表90%的無瓣海桑樣地的點云數據可以被有效識別,單木分割過程中產生的欠分割與過分割現象較少。秋茄R=81%,r=79%,p=85%,表明81%單木數量的秋茄可以被有效識別,其中85%為正確分割,出現了一定的單木漏檢。白骨壤R=75%,r=73%,p=89%,表示75%的單木數量的白骨壤可以被有效識別,其算法分割的單木精度較高(p=89%),但單木漏檢導致出現過多錯誤分割(r=73%)。

表1 不同種類紅樹林單木分割效果評估

從總體角度來看單木分割情況較好,以無瓣海桑的效果最好F=87%,其次為秋茄F=81%,白骨壤的單木分割精度最低F=80%。不同種類紅樹林存在的分割差異,主要是因為紅樹林樹種的高度不同,無瓣海桑為喬木,秋茄屬于小喬木或者低矮灌木,白骨壤屬于低矮灌木。

3.2 單木樹高參數提取結果與精度檢驗

經過數據處理后,對于紅樹林單木樹高參數的統計如圖3所示,采用樹高的平均值、最大值、最小值為不同樣方紅樹林的高度特征,其中無瓣海桑點云數據的樹高估測為9.82～13.4 m,平均值為10.81 m,樹高精度94.4%。秋茄點云數據的樹高估測為1.51～2.4 m,平均值為1.78 m,樹高精度85.5%。白骨壤點云數據的樹高估測為0.88～1.91 m,平均值為1.47 m,樹高精度78.5%。結果表明不同種類紅樹林之間,因樹木的高度不同,反演值的樹高精度也有較大差異,以無瓣海桑精度最高,其次為秋茄,白骨壤精度最低。

圖3 樹高結果統計分析Fig.3 Statistical analysis of tree height results

通過對不同樣方的紅樹林樹高進行回歸擬合,得到LiDAR點云樹高提取值與實測值的線性回歸模型圖4所示。由圖4可知,樣方秋茄的相關系數R2=0.896 4,均方根誤差RMSE=0.49,無瓣海桑的相關系數R2=0.916 9,均方根誤差RMSE=0.42,白骨壤的相關系數R2=0.688 1,均方根誤差RMSE=0.43。對于不同樣方的回歸擬合結果來看,無瓣海桑的擬合結果最優,秋茄的擬合結果稍低于無瓣海桑,而白骨壤的擬合結果最差。

圖4 不同樣方紅樹林樹高點云數據與實測數據的回歸擬合Fig.4 Regression fitting between mangrove tree high point cloud data and measured data in different directions

3.3 單木冠幅分割結果精度分析

對于不同紅樹林種類樣方的單木冠幅精度檢驗,現將估測值與實測值的數據對比進行差異分析,結果如表2所示。從分析的整體結果來看,由于不同種類紅樹林樣方的森林郁閉度(樹冠密度)不同,且紅樹林冠層結構茂密復雜,分割精度差異明顯。樹木高大,枝干樹干明確的無瓣海桑識別效果最優,誤差率僅為10.8%。其次為秋茄,秋茄屬于小喬木或灌木群,枝干叢雜相互交錯,識別效果低于無瓣海桑,誤差率為19.3%。白骨壤識別效果較差,因其為低矮灌木叢冠層重疊,能夠穿透樹冠的點云數量少,誤差率高達64.1%。

表2 單木冠幅分割精度分析

4 討論

無人機LiDAR單木分割研究,通常選取單一類型的針葉林、闊葉林或針闊混交林作為研究對象,而對于紅樹林這種常綠灌木或喬木組成的濕地木本植物物群落研究很少[21]。本研究通過對紅樹林點云數據進行單木結構分割,將紅樹林樣地實測數據作為研究結果輔助驗證數據,研究紅樹林單木分割精度以及對不同種類紅樹林分割效果。本文結果體現出無人機LiDAR技術在提取復雜的紅樹林垂直結構方面有著較高的可行性與準確性。

研究結果表明通過CHM單木分割方法,可以有效識別出紅樹林點云數據的單木參數(單木樹高以及單木冠幅)。單木樹高的結果最優的為無瓣海桑,其次為秋茄,白骨壤則分割結果較差。主要原因是紅樹林種類的不同所導致其樹高差異明顯,紅樹林較高其高分辨率點云數據的獲取也相對較為準確。而低矮的小喬木與灌木從激光點云難以穿透冠層到達地面,單木分割效果較差。無人機激光雷達技術對于紅樹林林上信息獲取較好,而對于復雜的紅樹林森林冠層以下可以采用地基激光雷達技術進一步提高林下信息的獲取。

紅樹林單木冠幅的分割結果大致與樹高一致,但分割精度差別較大,其中無瓣海桑、秋茄、白骨壤的誤差率分別為10.8%、19.3%、64.1%。這與吳培強等利用聚類分割方法計算出的秋茄冠幅結果(誤差率=21%)比較接近[14]。結果差異的主要原因是秋茄與白骨壤生長茂密,樹干層疊交錯,冠幅緊密起伏平緩,導致點云數據分割時冠幅邊界的劃定不清,出現弱分割現象以及冠幅識別困難誤差較大。通過對比紅樹林的單木冠幅分割精度與單木樹高分割精度,發現單木樹高的識別效果整體優于單木冠幅,而不同紅樹林種類中無瓣海桑識別精度最高。

無人機激光雷達技術可以有效提取紅樹林結構參數,但因為紅樹林種類不同且冠層茂密復雜,單木樹高與冠幅識別精度差異較大,在接下來的研究中應進一步將紅樹林點云數據與多源遙感數據相結合探索獲取高精度點云數據,以及在單木分割過程中冠幅邊界的精確劃分與圈定以及更為精確的單木參數提取方法。

5 結論

本研究選擇廣東省雷州市東海岸紅樹林示范區為研究區域,通過無人機激光雷達獲取高密度點云數據,結合不同紅樹林種類的樣方實測數據,利用分水嶺算法對研究區不同種類的紅樹林進行單木分割,得出結論如下。

(1)基于對不同種類紅樹林實地樣方進行單木樹高提取和反演,結果表明無瓣海桑估測結果最優,其次為秋茄,白骨壤精度最低。

(2)紅樹林單木冠幅參數整體反演效果一般,識別精度最高的是無瓣海桑(誤差率10.8%),白骨壤最差(誤差率64.1%),其中秋茄誤差率為19.3%。

(3)由于紅樹林獨特的生態結構以及不同種類之間的高度差異,導致不同單木結構參數的識別效果差異明顯,單木樹高的識別效果整體優于單木冠幅。