杉木人工林冠層高度無(wú)人機(jī)遙感估測(cè)

謝巧雅， 余坤勇， 鄧洋波， 劉 健， 范華棟， 林同舟

（1.福建農(nóng)林大學(xué) 林學(xué)院，福建 福州 350002；2.福建農(nóng)林大學(xué) “3S”技術(shù)與資源環(huán)境優(yōu)化利用福建省高校重點(diǎn)實(shí)驗(yàn)室，福建 福州350002）

冠層高度是森林資源調(diào)查的重要指標(biāo)，也是重要的測(cè)樹(shù)因子之一，與樹(shù)木長(zhǎng)勢(shì)、生長(zhǎng)量、林分蓄積量計(jì)算等密切相關(guān)［1-2］。快速、準(zhǔn)確估測(cè)樹(shù)高對(duì)于森林資源監(jiān)測(cè)，森林生物量計(jì)算具有重要意義。當(dāng)前，對(duì)于樹(shù)高的測(cè)定有傳統(tǒng)地面測(cè)量和遙感數(shù)據(jù)估測(cè)2類，傳統(tǒng)的地面測(cè)量調(diào)查依據(jù)測(cè)高儀對(duì)活立木進(jìn)行樹(shù)高測(cè)定，是森林資源調(diào)查中樹(shù)高測(cè)量最常用的方法［3］，但工作效率低，且受到人為因素、儀器質(zhì)量等影響，測(cè)量精度有一定的誤差［4］?，F(xiàn)階段出現(xiàn)的森林樹(shù)高遙感測(cè)定技術(shù)，如干涉合成孔徑雷達(dá)估算技術(shù)、機(jī)載小光斑激光雷達(dá)數(shù)據(jù)結(jié)合光數(shù)碼影像技術(shù)以及利用激光雷達(dá)數(shù)據(jù)點(diǎn)云數(shù)據(jù)提取樹(shù)高［5-7］等，能夠克服外界環(huán)境因素對(duì)樹(shù)高估測(cè)的影響，但存在成本相對(duì)高，在大比例尺下測(cè)定地物仍有較大誤差的缺陷。隨著民用無(wú)人機(jī)的興起，無(wú)人機(jī)遙感技術(shù)也得到了發(fā)展。無(wú)人機(jī)遙感影像具有分辨率高、重疊度大、信息量大等特點(diǎn)，并且小型民用無(wú)人機(jī)使用成本低、操作便捷、采集周期靈活等特點(diǎn)在很大程度上彌補(bǔ)了現(xiàn)有遙感估測(cè)樹(shù)高的不足［8-13］?；跓o(wú)人機(jī)平臺(tái)搭載不同傳感器，能夠獲取多光譜、高光譜、激光點(diǎn)云等多種類型的高精度數(shù)據(jù)，為遙感技術(shù)在森林資源調(diào)查和動(dòng)態(tài)監(jiān)測(cè)中的應(yīng)用提供了新的發(fā)展思路［14-17］，也將推動(dòng)小型無(wú)人機(jī)在林業(yè)方面的普及應(yīng)用［18］。杉木Cunninghamia lanceolata是中國(guó)重要的速生樹(shù)種和用材樹(shù)種，在森林資源中占有重要的地位［19-20］?？焖?、可靠地獲取杉木的樹(shù)高對(duì)于森林生物量的計(jì)算具有重要意義。為此，本研究選擇福建省閩清縣白云山國(guó)有林場(chǎng)的杉木林為對(duì)象，利用無(wú)人機(jī)多光譜影像數(shù)據(jù)，開(kāi)展杉木人工林冠層高度遙感估測(cè)，以期為無(wú)人機(jī)在森林資源的調(diào)查應(yīng)用提供理論借鑒和參考。

1 研究區(qū)概況與數(shù)據(jù)收集

1.1 研究區(qū)概況

福建省閩清縣白云山國(guó)有林場(chǎng)（26°24′06.42″～26°28′44.10″N， 118°49′11.53″～118°55′46.19″E）， 海拔為800～1 200 m，坡度為26～35°。林場(chǎng)氣候溫和偏涼，年平均氣溫為19.5℃，雨水充沛，年均降水量約為1 800.0 mm，濕度大，適宜營(yíng)造杉木Cunninghamia lanceolata，馬尾松Pinus massoniana，濕地松Pinus elliottii，禿杉Taiwania flousiana，柳杉Cyptomeria fortunei等用材樹(shù)種。該林場(chǎng)經(jīng)營(yíng)總面積為3 858.3 hm2，森林覆蓋率為85.3%，林木蓄積量為58萬(wàn)m3，其中生態(tài)公益林面積為2 316.1 hm2，占林場(chǎng)經(jīng)營(yíng)面積60.0%。在白云山林場(chǎng)3個(gè)以杉木為主要樹(shù)種的人工林小班（004林班-25大班-040，050，070小班，分別簡(jiǎn)稱為A小班，B小班，C小班）開(kāi)展無(wú)人機(jī)遙感樹(shù)高估測(cè)研究，3塊小班總面積約11 hm2，優(yōu)勢(shì)樹(shù)種為杉木，西部林分密度較東部小，坡度約為25°，東、東南坡向，高程西高東低。

1.2 無(wú)人機(jī)遙感數(shù)據(jù)獲取

2018年1月16日，利用Eco Drone-UA無(wú)人機(jī)搭載的多光譜鏡頭［藍(lán)（380～500 nm），綠（500～600 nm），紅（600～760 nm），紅邊（紅光范圍680～760 nm內(nèi)反射光譜的一階導(dǎo)數(shù)最大值所對(duì)應(yīng)的光譜位置）和近紅外（760～860 nm）等5個(gè)光譜波段］獲取遙感影像，利用地面控制站軟件Mission Planner設(shè)置飛行相對(duì)航高為120 m，航帶重疊度50%以及航程、航時(shí)、飛行航線等一系列參數(shù)。

1.3 地面數(shù)據(jù)獲取

隨機(jī)選取研究區(qū)內(nèi)的60株樹(shù)，利用激光測(cè)高儀（型號(hào)TruPulse200）測(cè)量樹(shù)高，作為杉木實(shí)測(cè)高度；利用手持全球定位系統(tǒng)（GPS）采集研究區(qū)高程數(shù)據(jù)。地面數(shù)據(jù)還包括白云山林場(chǎng)二類調(diào)查小班數(shù)據(jù)、地形圖、林場(chǎng)概況等其他輔助資料。

2 數(shù)據(jù)處理及研究方法

2.1 數(shù)據(jù)預(yù)處理

無(wú)人機(jī)影像獲取過(guò)程中，受像素高、數(shù)量大以及氣流擾動(dòng)等因素影響，影像會(huì)產(chǎn)生幾何畸變［7,21］，需進(jìn)行信息檢測(cè)、拼接及幾何校正等預(yù)處理。預(yù)處理分為3個(gè)階段。一是利用人工手段初步檢驗(yàn)，剔除無(wú)關(guān)影像數(shù)據(jù)。二是將篩選好的原始影像導(dǎo)入Pix4D Mapper軟件進(jìn)行檢測(cè)，完成覆蓋研究區(qū)的影像拼接；為滿足制作高精度數(shù)字表面模型（DSM）影像精度要求，本次處理使用原始數(shù)據(jù)影像2 078張，各影像的校準(zhǔn)率為99%，重疊度為50%，初始焦距與最終焦距的相對(duì)差為1.69%，地理定位均方根誤差X為1.26%，Y為0.71%，Z為1.33%，同時(shí)基于無(wú)人機(jī)獲取的多幅正射照片生成研究區(qū)數(shù)字正射影像（DOM）［21］。三是利用空中三角測(cè)量，自動(dòng)計(jì)算、識(shí)別同名地物點(diǎn)，求得像方坐標(biāo)，得到研究區(qū)DSM影像［22］，實(shí)現(xiàn)遙感影像校正。

2.2 無(wú)人機(jī)遙感杉木樹(shù)高提取

2.2.1 單木樹(shù)冠頂點(diǎn)識(shí)別 冠層高度數(shù)據(jù)提取關(guān)鍵在于樹(shù)冠頂點(diǎn)的識(shí)別。首先利用無(wú)人機(jī)遙感影像的紋理特征和光譜信息，面向?qū)ο蠓诸惡Y選樣木，通過(guò)遙感圖像處理平臺(tái)（ENVI）將數(shù)字正射影像信息分為森林、道路、林隙3類，得到研究區(qū)實(shí)際森林覆蓋區(qū)域。其次基于塊統(tǒng)計(jì)分析原理（即統(tǒng)計(jì)生成的值會(huì)賦予指定鄰域的最小外接矩形中的所有像元，各鄰域間無(wú)重疊），根據(jù)研究對(duì)象的樹(shù)冠特征，將鄰域設(shè)置為圓形，利用地圖單位結(jié)合DOM目視判定半徑，反復(fù)試驗(yàn)后，確定鄰域半徑為1.5 m。據(jù)指定的半徑值計(jì)算出準(zhǔn)確的圓面積，再計(jì)算出另外2個(gè)圓面積值，一個(gè)是指定半徑值向下舍入后的圓面積，另一個(gè)是指定半徑值向上舍入后的圓面積。這2個(gè)面積分別與用指定半徑計(jì)算出的準(zhǔn)確面積值進(jìn)行比較，兩者中更為接近準(zhǔn)確值的一個(gè)將被用于運(yùn)算過(guò)程中（圖1）。最后利用DSM塊統(tǒng)計(jì)后新的影像與原始DSM影像相減，結(jié)合鄰域分析塊統(tǒng)計(jì)原理，搜索目標(biāo)區(qū)中的最大值，并認(rèn)定為潛在樹(shù)頂點(diǎn)（圖2）；對(duì)于判定混合的點(diǎn)，選取歸一化植被指數(shù)（NDVI），比值植被指數(shù)（SR），增強(qiáng)植被指數(shù)（EVI），大氣阻抗植被指數(shù)（ARVI）等植被指數(shù)，以及紅、綠、藍(lán)、紅邊、近紅外5個(gè)波段進(jìn)行樹(shù)冠頂點(diǎn)識(shí)別，采用隨機(jī)森林算法對(duì)冠頂點(diǎn)特征差異識(shí)別的指標(biāo)重要性進(jìn)行排序，獲取實(shí)際樹(shù)冠頂點(diǎn)作為提取冠層的基礎(chǔ)數(shù)據(jù)。

圖1 單木樹(shù)冠的頂點(diǎn)識(shí)別Figure 1 Vertex identification of single tree canopy

圖2 樹(shù)頂點(diǎn)分布示意圖Figure 2 Probability of distribution of vertices of potential trees

2.2.2 杉木樹(shù)高的判定 用DSM表示研究區(qū)林分樹(shù)冠表面的海拔變化，用DEM表示立木基部的海拔高度變化，兩者相減即為數(shù)字冠層高度模型（CHM）［23］，可作為杉木樹(shù)高基礎(chǔ)數(shù)據(jù)（圖3）。構(gòu)建CHM模型，以研究區(qū)1∶10 000地形圖（圖4）為基礎(chǔ)，在地理信息系統(tǒng)軟件（GIS）上生成不規(guī)則三角網(wǎng)（TIN），利用TIN的轉(zhuǎn)柵格功能，重采樣生成與DSM像元大小一致的DEM影像，即像元0.15 m［24-26］；DSM模型的實(shí)現(xiàn)則基于DOM影像利用計(jì)算機(jī)相鄰影像匹配，量測(cè)每個(gè)像素的視差，利用空中三角測(cè)量，自動(dòng)計(jì)算、識(shí)別同名地物點(diǎn)，求得其像方坐標(biāo)，經(jīng)解算獲得物方空間坐標(biāo)DSM［27-29］，然后將DSM影像進(jìn)行配準(zhǔn)和裁剪，生成覆蓋研究區(qū)的DSM影像。

圖3 樹(shù)冠高度模型（CHM）構(gòu)建原理Figure 3 Canopy height model（CHM）construction principle

圖4 地形圖點(diǎn)選示意圖Figure 4 Topographic map selection point

3 結(jié)果與分析

3.1 樹(shù)冠頂點(diǎn)的識(shí)別

基于鄰域分析得到的潛在樹(shù)冠頂點(diǎn)，結(jié)合無(wú)人機(jī)獲取的DOM影像，通過(guò)目視抽樣的方法檢測(cè)隨機(jī)森林算法的訓(xùn)練集，再利用不同指數(shù)在訓(xùn)練集的樹(shù)冠頂點(diǎn)識(shí)別中重要性進(jìn)行排序，得到歸一化植被指數(shù)（NDVI）＞比值植被指數(shù)（SR）＞大氣阻抗植被指數(shù)（ARVI）＞近紅外波段（NIR）＞藍(lán)色波段（BLUE）＞增強(qiáng)植被指數(shù)（EVI）＞紅色波段（RED）＞綠色波段（GREEN）＞紅邊波段（REDEDGE）（圖5）。選擇重要性較大的NDVI，SR，ARVI和NIR作為樹(shù)冠頂點(diǎn)識(shí)別指標(biāo)，疊加隨機(jī)森林算法識(shí)別的樹(shù)頂點(diǎn)分類結(jié)果，剔除偽樹(shù)冠頂點(diǎn)（圖6），得到真實(shí)樹(shù)冠頂點(diǎn)（圖7）。試驗(yàn)共得到潛在樹(shù)頂點(diǎn)6 629個(gè)，其中偽樹(shù)冠頂點(diǎn)1 483個(gè)，真樹(shù)冠頂點(diǎn)5 146個(gè)；C小班的潛在樹(shù)冠頂點(diǎn)和偽樹(shù)冠頂點(diǎn)數(shù)量均最多，分別為3 549個(gè)和977個(gè)，A小班最少，分別為984個(gè)和101個(gè)，基本實(shí)現(xiàn)潛在樹(shù)頂點(diǎn)的準(zhǔn)確分類。結(jié)合研究區(qū)概況可知，A小班海拔高程較高，林分密度較小，C小班總體海拔高程低，而林分密度較大；由此推測(cè)，真實(shí)樹(shù)冠頂點(diǎn)識(shí)別的效果可能與林分密度和海拔高程有關(guān)。

圖5 變量重要性指標(biāo)Figure 5 Variable importance index

圖6 偽樹(shù)冠頂點(diǎn)分布圖Figure 6 Pseudo-tree vertex distribution map

圖7 真實(shí)樹(shù)冠頂點(diǎn)分布圖Figure 7 Real tree vertex distribution map

3.2 冠層高度估測(cè)結(jié)果分析

基于無(wú)人機(jī)遙感影像判定杉木的真實(shí)樹(shù)冠頂點(diǎn)及樣地的DEM信息，提取隨機(jī)選取的60株杉木冠層高度信息，并將高度信息與實(shí)測(cè)的杉木高度進(jìn)行比較分析，顯著性值小于0.000 01，表明提取樹(shù)高與實(shí)測(cè)樹(shù)高顯著相關(guān)，樹(shù)高相關(guān)性分析具有統(tǒng)計(jì)學(xué)意義。以無(wú)人機(jī)遙感影像提取數(shù)據(jù)為自變量，外業(yè)實(shí)測(cè)數(shù)據(jù)為因變量，建立線性函數(shù)關(guān)系（圖8）；相關(guān)性分析得到?jīng)Q定系數(shù)R2為0.85，提取樹(shù)高與實(shí)測(cè)樹(shù)高的相對(duì)誤差最小值為0.81%，最大值為23.48%，計(jì)算得到標(biāo)準(zhǔn)誤差（RMSE）為1.48 m，樹(shù)高估測(cè)精度為90.8%。由此可知：提取效果較佳，利用無(wú)人機(jī)高分辨率影像實(shí)現(xiàn)樹(shù)高估測(cè)的方法具有可行性。

3.3 高程對(duì)冠層高度提取的影響

對(duì)60株樣木樹(shù)高實(shí)測(cè)值和提取值的相對(duì)誤差與對(duì)應(yīng)的DEM值作相關(guān)性分析，得到R2為0.84；樹(shù)高相對(duì)誤差隨著高程的變化而變化（圖9），兩者具有顯著相關(guān)性。基于60株樣木的不同高度信息，將其按高程劃分為 A 組（551.4～625.2 m）， B 組（498.6～551.4 m）和 C 組（434.8～498.6 m）3 組， 20 株·組-1，研究不同高程對(duì)杉木樹(shù)高無(wú)人機(jī)估測(cè)的影響。通過(guò)計(jì)算不同高程的樹(shù)高標(biāo)準(zhǔn)誤差和決定系數(shù)發(fā)現(xiàn)，高程對(duì)樹(shù)高提取有影響，3組樹(shù)高值的誤差分別為0.67，1.17和1.99 m；表現(xiàn)為隨著高程的降低樹(shù)高估測(cè)的標(biāo)準(zhǔn)誤差明顯增大。對(duì)3組樹(shù)高的測(cè)量值與真實(shí)值進(jìn)行擬合（圖10），其決定系數(shù)分別為0.97，0.84和0.78；表明在相同影像空間分辨率下，高程較高的杉木由于距離無(wú)人機(jī)較近，提取精度更高，山坳或者山谷的杉木則不容易分辨。對(duì)采集到的影像進(jìn)行分析發(fā)現(xiàn)，高程較低的區(qū)域林分密度較大，偽樹(shù)冠頂點(diǎn)總體增多，這些因素也是提取杉木樹(shù)高時(shí)精度存在較大差異的原因。

圖8 研究區(qū)杉木提取樹(shù)高與實(shí)測(cè)樹(shù)高結(jié)果的驗(yàn)證分析Figure 8 Verification analysis of the tree height and the tree height of cunninghamia lanceolata in the research area

圖9 高程與相對(duì)誤差相關(guān)性分析Figure 9 Correlation analysis of DEM and relative error

圖10 不同高程杉木提取樹(shù)高與實(shí)測(cè)樹(shù)高比較Figure 10 Comparison of measured tree height and real tree height of different elevation

4 結(jié)論與討論

以杉木人工林為對(duì)象，利用無(wú)人機(jī)獲取遙感影像，通過(guò)隨機(jī)森林算法結(jié)合DSM多光譜波段和植被指數(shù)識(shí)別真實(shí)樹(shù)冠頂點(diǎn)，疊加DSM數(shù)據(jù)和地面DEM數(shù)據(jù)差值來(lái)構(gòu)建CHM模型，實(shí)現(xiàn)杉木樹(shù)高提取。結(jié)果表明：①樹(shù)冠頂點(diǎn)識(shí)別的過(guò)程存在非樹(shù)冠頂點(diǎn)錯(cuò)分現(xiàn)象；利用隨機(jī)森林算法結(jié)合植被指數(shù)和DSM多光譜波段可剔除錯(cuò)分的樹(shù)冠頂點(diǎn)，同時(shí)可避免點(diǎn)云分割算法在提取樹(shù)冠頂點(diǎn)中的繁瑣運(yùn)算，提高了樹(shù)冠頂點(diǎn)提取效率及精度。C小班的偽樹(shù)冠頂點(diǎn)數(shù)量最多，A小班最少，各小班偽樹(shù)冠頂點(diǎn)均為山坳處多，高程較低處多；分析原因是C小班的高程較低，地勢(shì)較為平坦，人工林的森林密度大，樹(shù)冠頂點(diǎn)識(shí)別錯(cuò)誤的可能性增加；A小班的高程較高，不利于杉木人工林生長(zhǎng)，造成森林密度較小，因而偽樹(shù)冠頂點(diǎn)誤分的概率減小；山坳和高程較低處距離無(wú)人機(jī)較遠(yuǎn)，影像易產(chǎn)生形變，樹(shù)冠頂點(diǎn)識(shí)別偏差。②點(diǎn)云數(shù)據(jù)生成DEM時(shí)，常因遮擋無(wú)法獲取完整的地面信息，精度誤差大［30］。本研究基于冠層高度模型等于數(shù)字表明模型與數(shù)字高程模型之差的估測(cè)思路，以根據(jù)地形圖生成的DEM作為樹(shù)高提取的基礎(chǔ)數(shù)據(jù)之一，很大程度上改善了DEM對(duì)樹(shù)高提取所帶來(lái)的影響；結(jié)合無(wú)人機(jī)獲取的DSM，有效實(shí)現(xiàn)杉木樹(shù)高的提取。提取樹(shù)高值與實(shí)測(cè)樹(shù)高值的偏差［31］，更多歸因于同一像元值的平均化，并非樹(shù)冠頂點(diǎn)真實(shí)值的反映，因而樹(shù)高估測(cè)中低值高估，高值低估的現(xiàn)象仍然存在；同時(shí)由于樹(shù)冠的遮擋，無(wú)人機(jī)搭載的多光譜鏡頭無(wú)法獲取林冠層以下的影像數(shù)據(jù)，只能將林分的最高點(diǎn)當(dāng)作林木的樹(shù)高，是估測(cè)值存在一定誤差的另一原因。本試驗(yàn)中提取樹(shù)高的決定系數(shù)R2為0.85，精度為90.8%，在總體上滿足林業(yè)對(duì)于樹(shù)高估測(cè)的精度要求［32］。③高程與估測(cè)樹(shù)高的相對(duì)誤差分析結(jié)果表明，高程與樹(shù)高相對(duì)誤差具有顯著相關(guān)性，其決定系數(shù)為0.84；不同高程下樹(shù)高的提取值與實(shí)測(cè)值存在相關(guān)性，A組（625.2～551.4 m），B組（551.4～498.6 m），C組（498.6～434.8 m）的決定系數(shù)分別是0.97，0.84和0.78，標(biāo)準(zhǔn)誤差分別是0.67，1.17和1.99 m。由此可知，高程變化對(duì)樹(shù)高提取精度有影響，高程越高相對(duì)誤差越小，其原因是高程對(duì)無(wú)人機(jī)獲取樣木影像的完整度和森林密度有影響。以上分析可以看出，DEM在南方丘陵山區(qū)數(shù)據(jù)應(yīng)用上存在一定局限，因此將來(lái)可以使用與實(shí)際地形相似度更高的DEM數(shù)據(jù)進(jìn)行樹(shù)高估測(cè)；DSM精度也是影響樹(shù)高提取精度的要素之一，改進(jìn)DSM提取方法對(duì)提高樹(shù)高的提取精度具有重要意義。

基于無(wú)人機(jī)獲取的高分辨率遙感影像，經(jīng)過(guò)模型構(gòu)建、空間分析、技能算法識(shí)別等一系列處理，實(shí)現(xiàn)樹(shù)高遙感估測(cè)，能夠?yàn)楦呔攘帜緲?shù)高估測(cè)提供有效途徑，表明高精度無(wú)人機(jī)遙感系統(tǒng)在林業(yè)調(diào)查中具有可行性，能夠快捷、有效且準(zhǔn)確地獲取森林特征參數(shù)數(shù)據(jù)。