基于機載LiDAR數據的林分平均高及郁閉度反演1)

穆喜云 張秋良 劉清旺 龐勇 胡凱龍

(內蒙古農業(yè)大學，呼和浩特，010019) (中國林業(yè)科學研究院資源信息研究所) (中國礦業(yè)大學)

責任編輯:王廣建。

激光雷達(LiDAR)，作為一種新興的技術手段，通過傳感器發(fā)射激光信號，探測目標物位置并接收其反射信號以達到測量傳感器與目標物之間距離的一種主動遙感技術。該項技術產生于20 世紀70年代，用于森林參數估測研究始于20 世紀80年代中期。激光雷達技術在林業(yè)領域(森林生態(tài)系統(tǒng)小氣候、徑流、能量循環(huán)、生物多樣性及立地質量評價)的應用具有重要的意義［1］。獲取高精度的森林結構參數，尤其是樹高和郁閉度，對于了解森林的內部屬性和結構特征具有重要作用。LiDAR 對于獲取植被的垂直結構信息具有一定的優(yōu)勢，在過去十年已成功應用于林業(yè)調查領域［2-3］。由于機載激光雷達數據獲取的高成本性，目前已經在典型小區(qū)域范圍內開展試驗［4］。機載LiDAR 已被證明可以成功地獲取各種森林調查參數［5-6］。何祺勝等［7］利用機載LiDAR 數據反演林分平均高，樹高識別的R2為0.78;趙峰等［8］利用機載LiDAR 和航空數碼影像，估測單木樹高的平均精度為74.89%;劉峰等［9］利用機載LiDAR 數據進行單木識別，識別精度為76%;龐勇等［10］在山東省泰安市徂徠山林場利用機載激光雷達技術估算樹高，總體平均精度為90.59%。

郁閉度既是森林生態(tài)系統(tǒng)狀態(tài)、評價環(huán)境指標的重要特征因子之一。郁閉度決定著林分結構以及光、水等生態(tài)因子透過林冠在林分內的分布狀況，郁閉度對森林蓄積量估測具有非常重要的作用［11-14］。郁閉度的定義為森林中林冠投影面積與林地面積之比。根據不同的測定方法，可劃分為垂直郁閉度和點郁閉度。樹冠投影法、樣線法、觀測管法與遙感影像判讀法為垂直郁閉度;球面密度計法、郁閉度測定器法、照片法、冠層分析法等測定的為點郁閉度［15］。本文主要探討結合Li-DAR 數據對林分郁閉度進行估測。在以往的研究中，基于不用數據源，通過提取遙感特征因子，對林分郁閉度進行估測。譚炳香等［16］利用星載EO-1 Hypersion 高光譜數據采用光譜特征選擇和光譜特征提取的方法估測林分郁閉度，最高估測精度達86.34%;琚存勇等［17］對比了偏最小二乘回歸與平均殘差平方和對郁閉度估測精度的差異，結果發(fā)現偏最小二乘法對于多變量間的復共線性問題有所改善，且估測精度提高了5%。蔡學成等［18］利用中巴資源衛(wèi)星數據提取的波段灰度值、波段比、植被指數與地面調查數據，對貴州省的主要林區(qū)(黎平、從江、榕江縣)進行森林郁閉度的估測，結果表明郁閉度與各因子之間存在顯著的線性回歸關系(R=0.864，R2=0.733);劉大偉等［19］利用Landsat TM5 數據，對6 個波段進行纓帽變化，對東北大興安嶺常青林場進行森林郁閉度遙感分級估測，結果表明:濕度因子與實測郁閉度之間相關性最強(R=0.56);吳飏等［20］利用spot5 數據結合提取的96 個紋理特征對森林郁閉度估測，采用主成分分析與逐步回歸分析，結果顯示:近紅外波段的光譜和紋理特征與郁閉度相關性最顯著，加入紋理特征后，模型判別系數R2由0.737 提高到0.805，估測精度從81.03%提高到84.32%。徐定等［21］利用TM5 數據的歸一化植被指數，基于像元二分模型對密云縣森林郁閉度進行估算，估測值與實測值相關系數為0.73，相對誤差為14.4%。李宇昊等［22］利用高分辨率航空數碼影像分辨率為5～10 m，結合色彩特征估測森林郁閉度，總體估測精度為99.89%。李明澤等［23］利用ETM+數據，采用郁閉度聯(lián)立方程組模型，對黑龍江省長白山地區(qū)進行了森林生物量的估算，結果表明，估測精度最高為83.1%，且比無郁閉度變量的生物量模型和有郁閉度變量常規(guī)回歸生物量模型2 個模型精度提高了6%～7%。

樹高和郁閉度作為森林資源調查重要的結構參數，獲取高精度的樹高和郁閉度信息對于指導森林經營與評價森林立地價值及其生態(tài)效益具有重要意義。本文利用機載LiDAR 數據，對研究區(qū)林分平均高和郁閉度進行反演。

1 研究區(qū)概況

研究區(qū)位于內蒙古大興安嶺森林生態(tài)系統(tǒng)國家野外科學觀測研究站，地理坐標121°30'～121°31'E，50°49'～50°51'N，海拔810～1 116 m，屬寒溫帶濕潤氣候區(qū)，平均氣溫-5.4 ℃，極端最低氣溫-50 ℃，≥10 ℃積溫為1 403 ℃;年降水量為450～550 mm，60% 集中在7—8月份，無霜期為80 d。林下土壤為棕色針葉林土，土層厚度為20～40 cm，基巖以花崗巖與玄武巖為主。優(yōu)勢樹種為興安落葉松(Larix gmelinii)，伴生樹種有白樺(Betula platyphylla)、山楊(Populus davidiana Dode)等。主要林型:杜鵑興安落葉松林、杜香興安落葉松林、草類興安落葉松林、泥炭蘚興安落葉松林、偃松興安落葉松林、白樺林、山地樟子松林等［24］。

2 研究方法

2.1 地面數據獲取

2012年8—9月及2013年8—9月在大興安嶺生態(tài)站研究區(qū)內，設置固定樣地60 塊，涵蓋大興安嶺生態(tài)站典型森林類型(落葉松林、白樺林)。各樣地進行每木檢尺，并對樣地四角及中心點進行DGPS 定位，精度控制在1.0 m 內。測定的森林結構參數為:胸徑(DBH＞5 cm)、樹高、枝下高、冠幅(東西、南北)、每木相對位置(以樣地西南角為坐標原點)、郁閉度，同時記錄樣地的林分特征(樹種、灌木，草本的種類、覆蓋度和高度)相關參數。胸徑測量使用胸徑尺，樹高測量采用激光測高儀(Truplus-360B)，冠幅采用皮尺進行測量。

2.2 LiDAR 數據獲取

2012年8—9月在內蒙古根河轄區(qū)范圍內開展飛行試驗，獲取機載激光雷達數據。以“運-5”為機載平臺，載有 Leica 機載雷達激光掃描儀器(ALS60)，波長為1 550 nm，激光發(fā)射頻率為100～200 kHz，平均飛行高度2 700 m，飛行速度220 km/h，航帶平均掃描寬度約為1 000 m，掃描重疊率最高為80%，共獲得32 條航帶數據，覆蓋面積為213 km2，掃描角度為正負35°，獲取的激光點云密度平均為5.6 個/m2。LiDAR 數據包括:UTM 投影、WGS84 參考橢球、三維坐標、強度、類別等信息。本文以Terrasolid 軟件為平臺，采用不規(guī)則三角網(TIN)逐步加密的濾波算法，完成地面點、植被點和非地面點的分類［25］。

2.3 樣地樹高計算

以樣地為統(tǒng)計單位，對樣地內單木樹高進行胸高斷面積加權運算。公式為:

式中:hi為樣地內每棵樹的樹高，Gi為胸高面積，n為樣地內的林木株數。

2.4 樣地郁閉度獲取

本文采用樣線法，通過對方形樣地對角線方向進行每木冠幅的測定，以實測冠幅總長除以對角線長，計算林分郁閉度。樣線法是估計森林垂直郁閉度的最可靠的方法，可與遙感數據估測的郁閉度直接比較［26-27］。

2.4 LiDAR 點云樹高提取

激光點云分類處理采用芬蘭Terrasolid 軟件進行。由于研究區(qū)域設在林區(qū)，因此，激光點云分類主要提取地面點和植被點。將分類后的地面點云數據見圖1a，通過不規(guī)則三角網TIN 鄰近像元內插算法生成研究區(qū)數字高程模型(DEM)，輸出柵格影像分辨率為0.5 m。通過最大值內插算法，生成數字表面模型(DSM)(見圖1b)。由生成的數字表面模型(DSM)與數字高程模型(DEM)進行差值，得到試驗區(qū)的冠層高度模型(CHM)(見圖1c)，由此消除了地形起伏變化對DSM 中樹木高度和形狀的干擾，可以獲取相對準確的樹木形態(tài)信息，即樹冠在水平表面上的水平和垂直分布模型［28］。

使用四分位數法可以很好的估計林分平均高，以CHM 作為輸入數據，根據樣地的邊界范圍，提取各樣地內點云數據的四分位高度變量、最大高度值、最小高度值及平均高［29］。

圖1 研究區(qū)局部數字模型

2.5 林分平均高反演

選取40 塊樣地數據作為模型訓練樣本，利用樣地實測胸高斷面積加權樹高與提取的四分位高度變量進行相關性分析。結果表明:75%分位高度(即上四分位數處高度)變量與樣地實測樹高的相關系數達0.976，明顯高于25%和50%分位數處高度。因此，選擇實測樹高與上四分位高度變量即H75 進行線性回歸分析。利用公式2 對樹高反演精度進行評價。精度計算公式為:

式中:實測值為樣地水平胸高斷面積加權樹高;估測值為反演樹高。

2.6 林分郁閉度反演

以樣地四角點為邊界，進行邊界范圍內的點云密度提取。點云密度即為高于2 m 的植被點回波與樣地內全部點云回波的比值。由于高于2 m 以上皆為喬木分布，而此時，點云密度可理解為樣地內喬木層回波與樣地內全部點云的比例，即為林分內的林木覆蓋度(林分郁閉度)。選取的40 塊訓練樣本數據，以LiDAR 點云密度變量為自變量與實測郁閉度進行線性回歸。并利用剩余20 塊樣地作為驗證數據，對郁閉度模型反演結果進行評價。

3 結果與分析

3.1 林分平均高與郁閉度反演

如圖2所示，為全部樣本25%、50%和75%分位高度與實測樹高相關性示意圖。由圖2可知，隨著分位高度的遞增，其與實測樹高的相關性逐漸升高，75%分位高度與實測樹高的高度相關性，可作為林分樹高估測的選擇變量。圖3為訓練樣本數據與CHM 提取的上四分位高度變量進行線性回歸的擬合結果，決定系數R2為0.951，可以解釋總體變異的95.1%，RMSE為0.820 m。生成的回歸方程如公式(3)所示。

式中:H 為估測林分平均高;H75為CHM 提取的林分上四分位高度。

圖2 四分位高度與實測樹高相關性

圖3 LiDAR 提取上四分位高度與實測樹高

選擇16 塊樣地對獲取的樹高反演方程進行精度驗證(見表1)。首先利用公式(3)分別計算樣地反演樹高，再利用公式(2)獲得各樣地樹高反演精度，同時利用公式(4)計算均方根誤差。

式中:Hf為樣地實測樹高數據;He為模型反演樹高數值;n 為樣地內林木株數。

表1 驗證樣本點樹高反演結果和精度評價

由表1可知，全部樣本估測精度范圍84.40%～99.15%，平均估測精度為93.61%，16 個驗證樣本中有13 個樣本的估測精度高于90%?？紤]到林分郁閉情況對樹高反演結果的影響，一般而言，較高郁閉度的林分，其樹高估測誤差應該較大，估測精度低。但也有例外，如CC29 樣地林分郁閉度為0.81，但其樹高估測精度高達99.01%，出現此種結果的原因為，該樣地為中齡林，林下更新幼樹較少，且樹木高度垂直差異性較小，LiDAR 點云探測林分冠層高度，所獲取最大高程處樹高對于林分樹高代表性較強，因此，在其樹冠較為郁閉的情況下，獲取冠頂回波與林分實際情況一致，所以最終估測精度較高;而CC26樣地落葉松多為成熟林，且樣地林木株數僅為48 株，林分郁閉度最低，但其樹高反演精度卻并不理想，僅為88.57%，最低的郁閉度，也不是最高的樹高反演結果，出現此現象的原因是該樣地為落葉松成熟林，樹高垂直分布較穩(wěn)定，但由于林分稀疏且落葉松冠頂結構特征為圓錐形，導致其截獲LiDAR 點云的幾率較小，傳感器所獲取的該樣地點云回波信息不能很好地代表該樣地的真實情況，因此，出現明顯的低估現象，導致其樹高反演精度較差。對于不同森林類型，樹高反演精度呈現顯著性差異，由于研究區(qū)內白樺林多為次生，純林分布范圍較少，因此，獲取的闊葉林樣地數木有限，多為針葉林和針闊葉混交林。3 種森林類型樹高反演精度分別為混交林95.66%、闊葉林94.11%、針葉林90.71%，RMSE為1.13 m。

3.2 林分郁閉度反演

如圖4所示，圖4(a)為全部60 快樣地數據構建的郁閉度模型，LiDAR 點云數據提取的郁閉度與實測郁閉度呈高度相關性，相關系數為0.852。圖4(b)為模型訓練結果，R2為0.784，RMSE為0.077 生成的回歸方程為:Yc=1.203Lden-0.044。式中:Yc為模型估測林分郁閉度，Lden為LiDAR 點云提取的郁閉度。

圖4 LiDAR 提取點云密度與實測郁閉度散點圖

圖5為20 塊驗證樣本數據，不同方法獲取的林分郁閉度的分布情況。由圖5可知，LiDAR 提取的郁閉度其與實測郁閉度間存在明顯的低估現象。造成此現象的原因:一是冠層截獲部分激光點云后，仍有部分可以穿透冠層以及通過冠層間的空隙進入林內，形成地面回波點，因此，在植被點與全部回波點的比值運算中，造成低估的現象。二是樣地多以針葉林型和混交林型為主，在每平方米5.6 個點的點云覆蓋情況下，對于以針葉林為優(yōu)勢林型的區(qū)域，其截獲點云的能力較差，因而，造成LiDAR 直接提取林分郁閉度值低于實測值。通過回歸方程獲取的估測郁閉度值，與實測郁閉度間仍存在一定差異，但更接近真實值。

如表2所示，為20 塊檢驗樣地的林分郁閉度模型反演精度結果。其平均估測精度為88.29%，估測精度范圍為56.62%～99.54%。CC02 樣地估測精度最低，僅為56.62%。一方面，參與郁閉度模型構建的樣地，森林類型主要為針葉林和混交林，而白樺林樣地數目較少，因此，模型自身對于白樺林的代表性較差。另一方面，該樣地為白樺幼齡純林，其冠型為橢球形，截獲點云的幾率較大，因此，獲取的冠層垂直信息較豐富，造成高估的現象。不同森林類型估測精度分別為混交林92.73%、闊葉林56.62%、針葉林85.19%。

圖5 驗證樣本點實測郁閉度與估測郁閉度

表2 驗證樣本點林分郁閉度反演

4 結論與討論

LiDAR 75%分位高度變量與林分平均高相關性顯著;不同森林類型估測精度存在一定差異，混交林優(yōu)于闊葉林，闊葉林優(yōu)于針葉林;激光點發(fā)射密度對林分平均高估測精度有顯著性影響;林分平均高反演精度可以滿足林業(yè)調查的基本需求;樣本數據的數量及不同森林類型樣本間的比例是否均衡，直接影響模型的構建與反演精度。由于機載激光雷達數據的獲取成本較高，因此，選擇在具有典型代表性的小區(qū)域范圍內進行試驗，實現區(qū)域森林高度估測及制圖研究，也可為其他高時間分辨率影像提供驗證數據。

LiDAR 點云密度比值變量與林分郁閉度相關性顯著。不同森林類型估測精度差異性顯著，混交林高于針葉林，針葉林高于闊葉林;其估測結果取決于訓練模型的普適性與整體代表性，均衡各類型樣本數量，可提高模型訓練精度與預測精度。

本文利用地面實測樹高與郁閉度數據，結合Li-DAR 點云數據反演林分平均高及郁閉度，林分平均高建模精度R2為0.951，RMSE為0.82 m，模型平均估測精度93.61%，RMSE為1.13 m。其估測結果優(yōu)于何祺勝等［7］、龐勇等［29］的結果，略低于Anderson等［30］的結果。估測結果的差異主要與研究區(qū)的地理特性、森林結構特征和點云密度有關(如點云分類精度、激光點云采樣密度等因素的影響)［31］。結果表明:不同林型樹高反演精度存在一定差異，混交林樹高反演精度最高，針葉林樹高反演精度較低。由于不同林型樹種組成不同，導致各樣地四分位高度變量提取過程中存在一定的誤差。除此之外，針葉林冠形為圓錐形，小光斑激光雷達在發(fā)射激光束的過程中容易錯失冠頂，而闊葉樹的冠頂呈橢球形，截獲點云的概率較高，相對于針葉樹提取冠頂的概率較大，估測精度較高。因此，混交林樹高反演精度高于闊葉樹，針葉樹的估測精度最低。

林分郁閉度估測結果高于譚炳香等［16］、劉大偉等［19］、徐定等［21］、李明澤等［23］的估測結果，低于吳飏等［20］、李宇昊等［22］的估測結果。可能是因為所用機載LiDAR 點云密度比值變量呈現林分整體特征表現突出，而基于光學遙感數據的估算結果，依靠影像的光譜特征，受季節(jié)、時相影響較大，特征變量對于林分郁閉度的代表性較不穩(wěn)定;紋理特征考慮像元之間的空間關系，加入紋理特征后，提取的信息精度更高［32-33］。

模型訓練過程中有限的樣本數量及不同森林類型比例分布不均的現象，均導致估測結果的誤差。為提高估測精度，達到滿足林業(yè)實際應用的目的［34］?？紤]利用已有的高密度激光雷達點云數據，參考前人對單木結構參數的研究成果，結合研究區(qū)森林類型分類數據，構建不同森林類型的林分高度反演模型，并生成研究區(qū)域范圍內的森林高度等級分布圖。同時，探討以林分提取的點云密度變量與高度變量相結合的方法，對研究區(qū)蓄積量與碳儲量進行估測。

［1］ Hansen A J，Phillips L B，Dubayah R，et al.Regional-scale application of lidar:Variation in forest canopy structure across the southeastern US［J］.Forest Ecology and Management，2014，329:214-226.

［2］ Means J E，Acker S A，Brandon J F，et al.Predicting forest stand characteristics with airborne scanning LiDAR［J］.Photogrammetric Engineering ＆ Remote Sensing，2000，66(11):1367-1371.

［3］ Lefsky M A，Cohen W B，Harding D J，et al，LiDAR remote sensing of above-ground biomass in three biomes［J］.Global ecology and Biogeography，2002，11(5):393-399.

［4］ Swatantran A，Dubayah R，Goetz S，et al.Mapping migratory bird prevalence using remote sensing data fusion［J］.Plos One，2012，7(1):1-11.

［5］ Naesset E.Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data［J］.Remote Sensing of Environment，2002，80(1):88-99.

［6］ Lefsky M A，Cohen W B，Acker S A，et al.Lidar remote sensing of the canopy structure and biophysical properties of Douglas-fir western hemlock forests［J］.Remote Sensing of Environment，1999，70(3):339-361.

［7］ 何祺勝，陳爾學，曹春香，等.基于LiDAR 數據的森林參數反演方法研究［J］.地球科學進展，2009，24(7):748-755.

［8］ 趙峰，龐勇，李增元，等.機載激光雷達和航空數碼影像單木樹高提取［J］.林業(yè)科學，2009，45(10):81-87.

［9］ 劉峰，楊志高，龔健雅.利用機載激光雷達的林木識別與參數反演［J］.中國農學通報，2012，28(1):80-84.

［10］ 龐勇，趙峰，李增元，等.機載激光雷達平均樹高提取研究［J］.遙感學報，2008，12(1):152-158.

［11］ 趙蕊.Hyperion EO-1 森林郁閉度反演的研究［D］.哈爾濱:東北林業(yè)大學，2007.

［12］ 朱教君，康宏樟，胡理樂.應用全天空照片估計林分透光孔隙度(郁閉度)［J］.生態(tài)學雜志，2005，24(10):1234-1240.

［13］ 陳宏偉，殷鳴放，劉娜，等.遼東林山區(qū)林下人參生長與林內溫度和光照因子關系初步研究［J］.西北林學院學報，2007，22(2):20-23.

［14］ 李崇貴，蔡體久.森林郁閉度對蓄積量估測的影響規(guī)律［J］.東北林業(yè)大學學報，2006，34(1):15-17.

［15］ 李永寧，張賓蘭，秦淑英，等.郁閉度及其測定方法研究與應用［J］.世界林業(yè)研究，2008，21(1):40-46.

［16］ 譚炳香，李增元，陳爾學，等.Hyperion 高光譜數據森林郁閉度定量估測研究［J］.北京林業(yè)大學學報，2006，28(3):95-101.

［17］ 琚存勇，邸雪穎，蔡體久.變量篩選方法對郁閉度遙感估測模型的影響比較［J］.林業(yè)科學，2008，43(12):33-38.

［18］ 蔡學成，楊永彰.基于中巴資源衛(wèi)星數據的森林郁閉度估測研究［J］.安徽農業(yè)科學，2007，35(34):10961-10962.

［19］ 劉大偉，孫國清，龐勇.利用LANDSAT TM 數據對森林郁閉度進行遙感分級估測［J］.遙感信息，2006(1):41-42.

［20］ 吳飏，張登榮，張漢奎，等.結合圖像紋理特征的森林郁閉度遙感估測［J］.林業(yè)科學，2012，48(2):48-53.

［21］ 徐定，彭道黎.基于像元二分模型的森林郁閉度估測方法［J］.東北林業(yè)大學學報，2013，41(2):119-122.

［22］ 李宇昊，石田.利用航空數碼影像的色彩特征估測森林郁閉度［J］.西北林學院學報，2014，29(1):148-154.

［23］ 李明澤，毛學剛，范文義.基于郁閉度聯(lián)立方程組模型的森林生物量遙感估測［J］.林業(yè)科學，2014，50(2):85-91.

［24］ 玉寶，張秋良，王立明，等.不同結構落葉松天然林生物量及生產力特征［J］.浙江農林大學學報，2011，28(1):52-58.

［25］ 劉清旺，李增元，陳爾學，等.利用機載激光雷達數據提取單株木樹高和冠幅［J］.北京林業(yè)大學學報，2008，30(6):83-89.

［26］ Fiala A C S，Garman S L，Gray A N.Comparison of five canopy cover estimation techniques in the Western Oregon Cascades［J］.Forest Ecology and Management，2006，232(1):188-197.

［27］ OBrien R A.Comparison of overstory canopy cover estimates on forest survey plots［R］.Research Paper INT-417.Ogden，UT:USDA Forest Service，1989.

［28］ 趙峰，李增元，王韻晟，等.機載激光雷達(LiDAR)數據在森林資源調查中的應用綜述［J］.遙感信息，2008(1):106-110.

［29］ 龐勇，李增元，譚炳香，等.點云密度對機載激光雷達林分高度反演的影響［J］.林業(yè)科學研究，2008，21(增刊):14-19.

［30］ Andersen H E，Reutebuch S E，McGaughey R J.A rigorous assessment of tree height measurements obtained using airborne Li-DAR and conventional field methods［J］.Canadian Journal of Remote Sensing，2006，32(5):355-366.

［31］ 邢艷秋，尤號田，霍達，等.小光斑激光雷達數據估測森林樹高研究進展［J］.世界林業(yè)研究，2014，27(2):29-34.

［32］ Atkinson P M，Lewis P.Geostatistical classification for remote sensing:an introduction［J］.Computers ＆ Geosciences，2000，26(4):361-371.

［33］ Kayitakire F，Hamel C，Defourny P.Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery［J］.Remote Sensing of Environment，2006，102(3/4):390-401.

［34］ 劉東起，范文義，李明澤.利用小光斑激光雷達估測林分參數和生物量［J］.東北林業(yè)大學學報，2012，40(1):39-43.