點(diǎn)云與光譜影像產(chǎn)品在森林資源普查中的應(yīng)用

王義 張昊瓊 趙守杰

（1.河南省金地遙感測(cè)繪技術(shù)有限公司，河南 鄭州 450003；2.河南省遙感測(cè)繪院，河南 鄭州 450003）

1 引言

近年來(lái)，光學(xué)遙感利用衛(wèi)星影像與航空照片補(bǔ)充替代傳統(tǒng)的森林資源普查，獲取大區(qū)域森林生態(tài)、環(huán)境、氣候信息和生長(zhǎng)因子。雖然光學(xué)遙感技術(shù)無(wú)法獲取林木三維結(jié)構(gòu)參數(shù)，但激光雷達(dá)遙感技術(shù)可有效穿透森林，獲取三維結(jié)構(gòu)參數(shù)。傳統(tǒng)的森林普查信息采集困難，無(wú)法獲取林木結(jié)構(gòu)信息及空間位置，測(cè)量結(jié)果真實(shí)性差。而通過(guò)高精度激光雷達(dá)掃描，可提取點(diǎn)云數(shù)據(jù)中的森林參數(shù)和統(tǒng)計(jì)變量，包括林木高度、反射強(qiáng)度、郁閉度、密度大小、葉面積指數(shù)等。根據(jù)參數(shù)反演森林蓄積量、覆蓋率和間隙情況，分辨樹(shù)木年齡、種類、數(shù)量，依據(jù)森林地面DEM，實(shí)現(xiàn)森林單木分割，自動(dòng)提取林木結(jié)構(gòu)參數(shù)。本文通過(guò)介紹機(jī)載LiDAR 與光學(xué)遙感技術(shù)，分析點(diǎn)云及影像數(shù)據(jù)在森林資源普查中的應(yīng)用，旨在提供一種快速、高效的作業(yè)方法。

2 激光點(diǎn)云在森林普查中的應(yīng)用

2.1 點(diǎn)云數(shù)據(jù)獲取

激光雷達(dá)的主要工作原理為發(fā)射激光束對(duì)目標(biāo)物的距離和角度進(jìn)行量測(cè)。根據(jù)激光在空氣中的傳播速度，記錄激光脈沖從發(fā)射到到達(dá)目標(biāo)反射物的時(shí)間，計(jì)算出激光器到反射物的距離，同時(shí)利用角度編碼器記錄每一束激光脈沖的角度。激光雷達(dá)可以瞬間發(fā)射多束激光脈沖，借此可精確計(jì)算出樹(shù)木的高度、位置、樹(shù)冠、樹(shù)木邊界等，構(gòu)建真實(shí)三維模型，探測(cè)地面真實(shí)地形。機(jī)載LiDAR 獲取和林木處理流程如圖1 所示。

2.2 分塊抽稀

利用機(jī)載LiDAR 數(shù)據(jù)獲取樣地中的點(diǎn)云數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行處理分析，將飛行數(shù)據(jù)進(jìn)行分塊處理。由于單木提取需要大量點(diǎn)云數(shù)據(jù)，高密度的點(diǎn)云不一定能夠提高單木提取的精度。因此，需要對(duì)數(shù)據(jù)進(jìn)行抽稀處理。根據(jù)點(diǎn)云數(shù)據(jù)可直接量測(cè)樹(shù)高（如圖2 所示）。

圖1 Lidar點(diǎn)云獲取處理流程

圖2 點(diǎn)云數(shù)據(jù)采集成果

2.3 粗差識(shí)別剔除與點(diǎn)云濾波

激光雷達(dá)點(diǎn)云一般存在粗差，對(duì)后續(xù)的點(diǎn)云處理和信息提取有負(fù)面影響，需要進(jìn)行粗差的識(shí)別和剔除。地面點(diǎn)粗差剔除一般采用高程插值，由于點(diǎn)云數(shù)據(jù)量大，可進(jìn)行分批處理。對(duì)LAS文件采用相同的濾波參數(shù)，識(shí)別地面點(diǎn)數(shù)據(jù)后生成測(cè)區(qū)的數(shù)字高程模型。本文利用商業(yè)化點(diǎn)云處理軟件Terrasolid 插件功能完成。

3 光譜影像在森林資源普查中的應(yīng)用

3.1 多光譜影像對(duì)林地與非林地的判讀

多光譜影像可判讀物種信息，選取不同目標(biāo)對(duì)象獲取相應(yīng)光譜，植被光譜在680nm 以后分反射率會(huì)提高，非植被的紅邊效應(yīng)與真實(shí)植被的紅邊效應(yīng)有很大差別。對(duì)可見(jiàn)近紅外波段的數(shù)據(jù)進(jìn)行處理，利用歸一化植被指數(shù)和紅邊歸一化植被指數(shù)區(qū)分識(shí)別目標(biāo)物。

RGB、CIR 和NIR 多光譜影像數(shù)據(jù)如圖3 所示。標(biāo)準(zhǔn)假彩色合成（CIR）波段影像的獲取主要是通過(guò)RGB影像和NIR 影像數(shù)據(jù)相互融合，采取近紅外波段與RGB 影像中的紅波段和綠波段，主要用于植被、濕地監(jiān)測(cè)，也可區(qū)分部分植被的種類。通過(guò)CIR 影像可以區(qū)分針葉林、闊葉林、草地，以及建筑、耕地、水系等。CIR 影像對(duì)林地和非林地的判讀如圖4 所示。

圖3 RGB、CIR和NIR多光譜影像數(shù)據(jù)

圖4 CIR影像對(duì)林地和非林地的判讀

3.2 高光譜影像對(duì)樹(shù)種的判讀和植被類型的區(qū)分

數(shù)字遙感影像只能根據(jù)顏色簡(jiǎn)單地將樹(shù)種區(qū)分為針葉林和闊葉林，光學(xué)影像受光照影響，相同樹(shù)種可能顯示出不同光譜信息。然而，高光譜影像處理后，根據(jù)高光譜分辨率和大量光譜波段獲取不同地類的光譜曲線，建立樹(shù)種光譜數(shù)據(jù)庫(kù)，可提高識(shí)別和分類精度，清晰判讀出建筑物、林地、耕地、水系等的特征，辨別各種物體的細(xì)微光譜差異，然后根據(jù)不同介質(zhì)的波段反射對(duì)相同地類的種類進(jìn)行區(qū)分，如楊樹(shù)、樟樹(shù)、松樹(shù)等植被種類（如圖5 所示）。

3.3 全色彩影像數(shù)據(jù)的應(yīng)用

通過(guò)正射影像，根據(jù)針葉林及闊葉林的樹(shù)冠和樹(shù)干進(jìn)行數(shù)量統(tǒng)計(jì)。根據(jù)影像判讀，對(duì)變色樹(shù)、異常林地進(jìn)行精確定位，采集有效的影像資料，輔助判斷森林健康等級(jí)，還可清晰看出樹(shù)木病蟲(chóng)害及受損林地范圍、面積、程度。影像病蟲(chóng)害解譯如圖6 所示。

圖5 高光譜曲線對(duì)林木種類的判讀

圖6 病蟲(chóng)害解譯

通過(guò)全色彩影像可以清晰看到森林中的亂砍濫伐現(xiàn)象，精準(zhǔn)獲取盜伐濫伐的面積、株樹(shù)，為執(zhí)法人員提供有力證據(jù)，便于執(zhí)法人員前往實(shí)地執(zhí)法。全色彩影像及實(shí)地核查結(jié)果如圖7 所示。

圖7 全色彩影像及實(shí)地核查

4 點(diǎn)云與光譜影像在植被信息統(tǒng)計(jì)中的應(yīng)用

通過(guò)機(jī)載LiDAR 及多光譜相機(jī)獲取的成果數(shù)據(jù)對(duì)比，分析出森林經(jīng)營(yíng)區(qū)劃和林地小斑區(qū)劃界限，各類面積及權(quán)屬、森林類別等管理屬性，非林地上森林、人工造林、未成林的面積及其權(quán)屬、森林類別等管理屬性，林木資源株樹(shù)、蓄積，自然地理環(huán)境和生態(tài)環(huán)境，調(diào)查森林經(jīng)營(yíng)條件、措施與成效。點(diǎn)云數(shù)據(jù)及多光譜影像數(shù)據(jù)同步獲取的成果如圖8 所示。

圖8 多波段影像與點(diǎn)云數(shù)據(jù)

4.1 點(diǎn)云著色及紋理映射

高精度、高密度、精準(zhǔn)表達(dá)三維地物是點(diǎn)云數(shù)據(jù)的特點(diǎn)，但是缺乏色彩信息無(wú)法對(duì)林地進(jìn)行準(zhǔn)確判斷。通過(guò)多波段影像對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行色彩紋理映射，點(diǎn)云數(shù)據(jù)和影像數(shù)據(jù)轉(zhuǎn)化在同一坐標(biāo)系下，即賦予點(diǎn)云真實(shí)色值（RGB），實(shí)現(xiàn)真色彩點(diǎn)云可視化三維模型。點(diǎn)云著色有兩種：一種是相機(jī)標(biāo)定；一種是通過(guò)點(diǎn)云和影像，利用反射率圖像和強(qiáng)度信息進(jìn)行紋理匹配。相機(jī)標(biāo)定直接利用線性變換將紋理圖像與點(diǎn)云進(jìn)行匹配，具體方法為：同名點(diǎn)選擇、根據(jù)DLT 建立點(diǎn)云及影像像素的幾何對(duì)應(yīng)關(guān)系，求出點(diǎn)云中所有點(diǎn)與影像中的像素對(duì)應(yīng)值，得到具有顏色真實(shí)感的三維模型[1]。著色后的點(diǎn)云主要應(yīng)用于去噪后點(diǎn)云分類檢查使用，如高壓線、通信塔等非植被數(shù)據(jù)分類是否準(zhǔn)確。

點(diǎn)云數(shù)據(jù)著色后，由于點(diǎn)云數(shù)據(jù)具有離散性，并非結(jié)構(gòu)化數(shù)據(jù)，一般情況下需要對(duì)點(diǎn)云數(shù)據(jù)構(gòu)建TIN三角網(wǎng)，然后通過(guò)紋理映射，使其富有質(zhì)感，更接近真實(shí)場(chǎng)景。LiDAR360 中點(diǎn)云工具插件中的紋理映射功能可以實(shí)現(xiàn)。點(diǎn)云數(shù)據(jù)根據(jù)RGB 顏色顯示后，可得到接近影像數(shù)據(jù)的點(diǎn)云數(shù)據(jù)（如圖9 所示）。

圖9 紋理映射后的點(diǎn)云數(shù)據(jù)

4.2 單木分割法

單木分割法分歸一化點(diǎn)云單木分割和CHM 單木分割兩種。點(diǎn)云單木分割是基于地面點(diǎn)云歸一化算法，點(diǎn)云數(shù)據(jù)經(jīng)過(guò)地面點(diǎn)分類后獲取DEM，去除地表模型起伏對(duì)植被點(diǎn)云高程的影響。其原理是將植被點(diǎn)云Z值減去至貼近地面高程值。點(diǎn)云單木分割法是將樹(shù)木單株分別顯示得出。PCS 算法基本原理如圖10 所示。

圖10 PCS算法基本原理圖

種子點(diǎn)A 為最高點(diǎn)即樹(shù)高點(diǎn)，是待分割的點(diǎn)，dAB、dAC、dBC、dBD、dCE、dDE分別表示兩點(diǎn)間的距離。PCS 算法原理可以簡(jiǎn)單描述為當(dāng)目標(biāo)點(diǎn)（B、C、D、E）到已分出樹(shù)A 中所有點(diǎn)的二維投影最小值大于設(shè)定閾值d（2D 歐式距離）時(shí)，則認(rèn)為目標(biāo)點(diǎn)屬于另一棵樹(shù)B；如果閾值小于d 且到目標(biāo)點(diǎn)的距離小于到B 的距離，則認(rèn)為目標(biāo)點(diǎn)屬于樹(shù)A，否則屬于樹(shù)B[2]。

分水嶺分割算法為CHM 分割，基于CHM 柵格的單木分割就是一種基于柵格圖像的分割方法，所以基于CHM 的單木分割方法可以視作針對(duì)灰度圖像的處理技術(shù)，其中典型算法有注水算法、分水嶺分割算法等，亮度高點(diǎn)為山峰，陰暗面為山谷。假如用水填充并建立屏障，禁止不同山谷的填充水匯合，屏障即為分割成果。相較于點(diǎn)云分割，分水嶺分割方法速度快，且對(duì)圖像灰度的細(xì)微變化更加敏感，在目標(biāo)物體周?chē)煞忾]的輪廓線更加準(zhǔn)確清晰，從而獲取單棵林木的位置、冠幅直徑、冠幅面積及高度等信息[3]（如圖11 所示）。

圖11 （a） CHM （b）分割算法 （c）分割成果

4.3 根據(jù)林木ID 提取點(diǎn)云

基于分割后的點(diǎn)云數(shù)據(jù)，生成種子點(diǎn)及單棵樹(shù)位置，然后對(duì)點(diǎn)云進(jìn)行分割，同時(shí)檢查錯(cuò)分、漏分等情況。當(dāng)單木分割精度較差時(shí)，可通過(guò)紋理映射后的點(diǎn)云數(shù)據(jù)人工增加和刪除種子點(diǎn)，增加種子點(diǎn)應(yīng)在剖面窗口進(jìn)行，盡可能選擇樹(shù)頂。本文主要利用商業(yè)軟件LiDAR360 軟件實(shí)現(xiàn)（如圖12 所示）。

圖12 種子點(diǎn)數(shù)據(jù)的生成及剖析

整理編輯準(zhǔn)確的種子文件后，對(duì)單木信息進(jìn)行提取，比如坐標(biāo)、樹(shù)高、冠幅直徑、覆蓋面積等信息（如圖13 所示）。

圖13 單木信息屬性提取

4.4 根據(jù)多波段影像數(shù)據(jù)解譯樹(shù)種信息

僅依靠點(diǎn)云數(shù)據(jù)無(wú)法對(duì)樹(shù)種進(jìn)行解譯分析，可利用ArcGIS 軟件，根據(jù)樹(shù)種解譯標(biāo)志，基于真色彩影像和近紅外影像進(jìn)行樹(shù)種解譯，極大減少外業(yè)調(diào)查的工作量。真色彩影像圖像平淡、色調(diào)灰暗、顏色不飽和，通常運(yùn)用于林地和非林地的辨認(rèn)，以及針葉林、闊葉林等明顯色彩差異的區(qū)分。近紅外影像反射率高、吸收率低，可反映植被顏色及紋理信息，輔助對(duì)樹(shù)種進(jìn)行辨認(rèn)。同時(shí)，可以根據(jù)樹(shù)冠的形狀、大小、紋理、分布規(guī)律及生活習(xí)性等特征判讀樹(shù)種。在樹(shù)種判讀時(shí)，對(duì)真色彩影像無(wú)法判讀相似顏色，或容易造成判讀錯(cuò)誤的區(qū)域，可以參照近紅外影像的紋理特征加以區(qū)分[4]。

4.5 森林生物量和儲(chǔ)積量估測(cè)

由于森林普查面積廣泛，圖斑種類繁雜，在獲取大面積點(diǎn)云數(shù)據(jù)時(shí)，點(diǎn)云密度無(wú)法精確計(jì)算位置、樹(shù)高和樹(shù)冠直徑、面積、體積等，因此需要在影像圖斑中采集不同種類的樣地實(shí)地測(cè)量，統(tǒng)計(jì)不同圖斑中實(shí)際的林儲(chǔ)量和林木參數(shù)，為后期大范圍計(jì)算提供依據(jù)。 樹(shù)木種類、數(shù)量、地域、生長(zhǎng)情況等都與樹(shù)木生長(zhǎng)的方程參數(shù)有關(guān)，但較難計(jì)算。外業(yè)人員需實(shí)地采樣獲取樹(shù)種的生長(zhǎng)特征和詳細(xì)參數(shù)，制作參數(shù)計(jì)算公式，利用樹(shù)高、樹(shù)木數(shù)量、樹(shù)木胸徑等數(shù)據(jù)庫(kù)建立回歸模型，用計(jì)回歸方法進(jìn)行估測(cè)，從而獲取森林儲(chǔ)積量。

獲取林木詳細(xì)參數(shù)后，與實(shí)際點(diǎn)云測(cè)量的結(jié)果相對(duì)比，對(duì)樣地范圍內(nèi)的樹(shù)種進(jìn)行區(qū)分、編繪、統(tǒng)計(jì)、計(jì)算參數(shù)，獲得森林儲(chǔ)積成果，林木材積算法如圖14所示。根據(jù)歸一化點(diǎn)云數(shù)據(jù)，提取一系列森林參數(shù)，比如郁閉度、間隙率、葉面積指數(shù)等信息。

圖14 林木材積算法示意圖

5 結(jié)語(yǔ)

本文利用機(jī)載LiDAR 和多光譜相機(jī)，獲取點(diǎn)云數(shù)據(jù)和多波段影像數(shù)據(jù)，并利用單木分割方法精確分割出單個(gè)樹(shù)木點(diǎn)云，獲取單木位置、冠幅直徑、覆蓋面積等信息，有效估算森林生物量、郁閉度、葉面積指數(shù)。光譜影像具有波段多、光譜分辨率高等特點(diǎn)，利用光譜影像疊加分析，可以進(jìn)行樹(shù)種分類、病蟲(chóng)害分析等，確保調(diào)查準(zhǔn)確性和地類識(shí)別精度，有效減輕調(diào)查人員的勞動(dòng)強(qiáng)度。點(diǎn)云和光譜數(shù)據(jù)能夠輔助完成森林資源年度出數(shù)、一類清查和二類調(diào)查等工作，可提高調(diào)查效率，破解造林核查、荒漠化監(jiān)察、林業(yè)執(zhí)法、災(zāi)害評(píng)估等方面的技術(shù)難題，為森林普查提供技術(shù)支撐。