基于無人機LiDAR的天然林與人工林林隙提取

毛學(xué)剛 杜子涵 劉家倩 陳樹新

(1.東北林業(yè)大學(xué)林學(xué)院，哈爾濱 150040；2.東北林業(yè)大學(xué)森林生態(tài)系統(tǒng)可持續(xù)經(jīng)營教育部重點實驗室，哈爾濱 150040)

0 引言

林隙是森林群落中某一上層林冠樹木死亡或森林經(jīng)營的間伐或采伐而在林地上形成的不連續(xù)林中空地，它是森林更新和樹木生長的潛在空間[1]。林隙在天然林的生態(tài)過程中占有重要的地位，并且影響著森林的結(jié)構(gòu)，特別是對成熟林和過熟林[2]。森林中林隙的空間特征(尺寸、形狀、分布、方向)是理解樹木再生、生態(tài)系統(tǒng)動力學(xué)、物種多樣性和其分布的核心[3-4]。近些年，國內(nèi)研究主要集中在林隙的特征規(guī)律以及其對周圍環(huán)境的影響方面，林隙獲得方法多為傳統(tǒng)的實地調(diào)查方法[5-7]，但在實際調(diào)查中目測林隙邊界較為困難，有研究證明，使用不同的實地調(diào)查方法對林隙的估計有顯著差異[8-11]。

與傳統(tǒng)林隙測量方法相比，利用遙感技術(shù)識別林隙及其結(jié)構(gòu)參數(shù)(林隙面積、形狀)具有高效性和準(zhǔn)確性。隨著遙感技術(shù)的不斷發(fā)展，高空間分辨率遙感數(shù)據(jù)的出現(xiàn)解決了中等空間分辨率影像對較小林隙(30 m以下)識別效果不佳的問題[12-14]。一些研究發(fā)現(xiàn)，多光譜傳感器在密集植被中的可見近紅外信號存在飽和現(xiàn)象，這可能使得郁閉林中的樹冠和植被間隙很難被區(qū)分[15]。高光譜數(shù)據(jù)雖可以用于減少傳統(tǒng)的多光譜傳感器中常見的飽和問題[16-18]，但其含有很多的連續(xù)光譜波段，容易造成數(shù)據(jù)冗余。航空遙感數(shù)據(jù)雖能夠檢測小面積林隙，但監(jiān)測的成本較高，限制了該技術(shù)的推廣和應(yīng)用[19-21]。

植被高度是定義林隙最常采用的標(biāo)準(zhǔn)，通常采用機載激光掃描技術(shù)評價森林高度，利用來自于機載激光掃描的點云數(shù)據(jù)、通過插值等操作得到的冠層高度模型(Canopy height model，CHM)描述林隙特征已經(jīng)應(yīng)用于大量的試驗探測[22-25]之中。激光雷達(Light detection and ranging，LiDAR)提取林隙的方法有多種，得到了較為理想的提取結(jié)果。毛學(xué)剛等[20]將面向?qū)ο蠓诸悜?yīng)用于林隙提取，最高分類精度為80%；BONNET等[26]利用閾值法和監(jiān)督分類的方法進行林隙識別，得到的最高精度為82%；GAULTON等[23]通過點云數(shù)據(jù)直接識別林隙，在高點云密度區(qū)的精度為88%，低點云密度區(qū)的精度為77%。劉峰等[27]利用多時相機載LiDAR和野外調(diào)查數(shù)據(jù)對林隙及幼樹進行監(jiān)測，分析比較林隙對幼樹密度分布和樹高生長變化的影響。目前隨著無人機(Unmanned aerial vehicle，UAV)的廣泛應(yīng)用，將UAV與LiDAR結(jié)合使小面積林隙的檢測識別成為可能[4]。

雖然無人機LiDAR可以提取并繪制小面積林隙，但在林隙的提取過程中受到方法及森林復(fù)雜程度的影響，仍然存在一定的不確定性。本研究采用閾值法、逐像元法和面向?qū)ο蠓?種方法對選取的天然林和人工林試驗區(qū)進行林隙識別，將兩試驗區(qū)的地物分為林隙、非林隙和其他類型3種，對比不同的分類方法在不同的研究區(qū)域進行地物分類和林隙識別的結(jié)果。

1 試驗區(qū)與數(shù)據(jù)

1.1 試驗區(qū)

選擇黑龍江省哈爾濱市帽兒山試驗林場(45°19′N，127°38′E)為天然林試驗區(qū)(圖1a)，內(nèi)蒙古自治區(qū)赤峰市旺業(yè)甸試驗林場(41°30′N，118°20′E)為人工林試驗區(qū)(圖1b)。

天然林試驗區(qū)(帽兒山試驗林場)植被屬于長白山植物區(qū)系，是由地帶性頂級植被闊葉紅松(Pinuskoraiensis)林經(jīng)人為干擾破壞后形成的較典型的天然次生林。次生林類型多樣且具有代表性，群落類型有硬闊葉林、軟闊葉林、針葉林、針闊混交林。主要闊葉樹種包括柞樹(Querusmongolica)、白樺(Betulaphatyphylla)、楊樹(Populusdavidiana)、楓樺(Betulacostata)、水曲柳(Fraxinusmandshurica)、榆樹(Ulmuspumila)、色木(Acermono)、椴樹(Tiliaamurenisis)、胡桃楸(Juglansmandshurica)。主要針葉樹種為人工落葉松(Larixgmelinii)。人工林試驗區(qū)(旺業(yè)甸試驗林場)是一個綜合性的國有試驗林場，其所在區(qū)域位于草原向森林轉(zhuǎn)變的過渡地帶，也是華北優(yōu)勢植被向東北優(yōu)勢植被過渡地區(qū)，該林場同時具備華北闊葉林和東北大興安嶺優(yōu)勢樹種的特征，主要有山地森林植被、人工植被、草原植被、低濕地植被。林場內(nèi)優(yōu)勢樹種為落葉松(Larixgmelinii)、油松(PinustabuliformisCarrière)和山楊(Populusdavidiana)。

圖1 試驗區(qū)冠層高度模型

1.2 遙感數(shù)據(jù)

1.2.1無人機LiDAR數(shù)據(jù)

采用北京數(shù)字綠土科技有限公司研發(fā)的專業(yè)低空遙感應(yīng)用平臺Li-Air無人機激光雷達掃描系統(tǒng)(圖2，表1)，該系統(tǒng)屬于輕量級的多旋翼激光雷達系統(tǒng)，能夠?qū)崟r、動態(tài)、大量采集空間點云信息。系統(tǒng)將全球定位系統(tǒng)(Global positioning system，GPS)、慣性測量單元(Inertial measurement unit，IMU)、掃描儀和控制平臺進行集成，搭載Velodyne LiDAR PUCK(VLP-16)型激光掃描儀，無人機型號為GV1500。

天然林試驗區(qū)LiDAR數(shù)據(jù)采集于2017年7月7日，采集區(qū)域尺寸為314 m×344 m。該區(qū)域地勢較平坦，因此采用固定航高為60 m(冠層以上35～45 m)飛行；人工林試驗區(qū)LiDAR數(shù)據(jù)采集于2017年9月25日，采集區(qū)域尺寸為466 m×402 m，該區(qū)坡度較大，因此采用航高設(shè)定為70～120 m(冠層以上50～70 m)。兩試驗區(qū)均采用航線飛行的半自動飛行模式進行LiDAR數(shù)據(jù)采集，采集時天氣均為晴朗且無風(fēng)，航線間距為25 m，飛行速度為3.6 m/s。應(yīng)用北京數(shù)字綠土科技有限公司自主研發(fā)的Li-Acquire軟件生成點云數(shù)據(jù)。天然林和人工林試驗區(qū)點云數(shù)據(jù)的平均密度分別為40、44個/m2。

圖2 Li-Air無人機激光雷達掃描系統(tǒng)

表1 激光掃描參數(shù)

1.2.2數(shù)據(jù)預(yù)處理

采用芬蘭Terrasoild公司開發(fā)的Terrasoild軟件進行預(yù)處理操作，去除點云數(shù)據(jù)中的極高點和極低點，即異常點，通過自動分類分出默認(rèn)類(Default)和地面點類(Ground)。通過ArcGIS 10.2中的反距離權(quán)重法(Inverse distance weighted，IDW)完成點云數(shù)據(jù)的插值，提取出Default和Ground兩類點的集合插值得到空間分辨率為1 m的數(shù)字表面模型(Digital surface model，DSM)，提取出Ground類點插值得到空間分辨率為1 m的數(shù)字高程模型(Digital elevation model，DEM)，兩者的數(shù)據(jù)類型均為浮點型(32 bit)。對DSM 與 DEM 進行差值運算得到高程歸一化后的空間分辨率為1 m的冠層高度模型CHM，將CHM作為林隙識別的基礎(chǔ)數(shù)據(jù)。天然林和人工林兩處試驗區(qū)中的CHM 采用的坐標(biāo)系統(tǒng)分別為WGS84坐標(biāo)系下的UTM Zone 52N和UTM Zone 50N投影坐標(biāo)系。

1.2.3樣本數(shù)據(jù)

已有研究證明使用不同的實地調(diào)查方法對林隙的估計有顯著差異[11]。因此以空間分辨率為1 m的CHM為基礎(chǔ)圖，結(jié)合林隙、非林隙和其他類型3種地物在高度、面積、形狀等方面的特征，通過目視解譯，利用ArcGIS 10.2軟件手工數(shù)字化3種類型地物的參考多邊形，用于分類和驗證。為保證獨立性檢驗，將林隙、非林隙、其他類型3類參考多邊形隨機分成1∶1的訓(xùn)練樣本和檢驗樣本作為分類的訓(xùn)練樣本和檢驗樣本(表2)。采用空間分辨率為1 m的CHM并沒有采用航空正射影像的原因是：①本研究定義的林隙面積為10～100 m2，1 m空間分辨率完全能夠滿足條件。②以CHM為基礎(chǔ)數(shù)據(jù)，采用目視解釋進行林隙的識別非常明顯。③航空正射影像目視解釋識別林隙時受陰影影響嚴(yán)重。④與3種林隙識別方法采用相同的數(shù)據(jù)源，有利于識別和精度驗證。

表2 兩個試驗區(qū)訓(xùn)練樣本和檢驗樣本統(tǒng)計結(jié)果

2 研究方法

2.1 林隙提取

2.1.1閾值法

林隙提取最常用的方法是固定高度閾值方法[3]。林隙與其周圍的林分具有明顯的高度差異，除采用高度條件之外，還對林隙的面積進行了定義，以及確定了林隙的周圍地物的高度閾值[28]。首先將CHM進行密度分割，按照高度劃分為小于1 m、1～2 m、2～8 m、大于等于8 m共4部分，并轉(zhuǎn)換為面矢量圖。計算每個矢量面的周長和面積并對其進行面鄰域分析，可以得到每一個矢量化個體周圍的相鄰個體以及它們的公共邊長，導(dǎo)出面鄰域?qū)傩员怼＠肑ava程序?qū)傩员砀鶕?jù)閾值條件進行分類，結(jié)合影像得到分類圖。在此方法中，將高度小于1 m且面積在10～100 m2之間的分割矢量面和高度大于等于1 m小于2 m、周圍高度大于8 m的林分比例占80%以上且面積在10～100 m2之間的分割矢量面定義為林隙；將高度小于1 m且面積小于等于10 m2或大于等于100 m2的矢量分割面和高度大于等于1 m小于2 m、周圍高度大于8 m的林分比例占80%以上且面積小于等于10 m2或大于等于100 m2的矢量分割面定義為其他類型；將高度大于等于1 m小于2 m、周圍高度大于8 m的林分比例小于80%的矢量分割面和高度大于等于2 m的矢量分割面定義為非林隙。

2.1.2逐像元法

逐像元法是指分類處理時的最小單元為像元，主要根據(jù)單個像元對象的特征進行分類[29]。本研究逐像元法應(yīng)用監(jiān)督分類方法，即利用訓(xùn)練樣本(先驗知識)識別其他未知類別像元，采用支持向量機分類器(Support vector machine，SVM)實現(xiàn)林隙、非林隙和其他類型的分類[14]。支持向量機分類器通過非線性變換將輸入空間變換到高維的特征空間，然后在這個新的高維特征空間中求取最優(yōu)分類超平面[30]，輸入數(shù)據(jù)變換是通過核函數(shù)(線性、多項式、徑向基(Radial basis function，RBF)、S形)進行的。分類過程在ENVI 5.1中實現(xiàn)，SVM使用的核函數(shù)為RBF。

2.1.3面向?qū)ο蠓?/p>

面向?qū)ο蠓诸愂歉鶕?jù)影像的多種特征信息，設(shè)置一定的均質(zhì)標(biāo)準(zhǔn)參數(shù)，將遙感影像進行分割以形成影像對象，每一個影像對象都是具有相似特征的像素的集合[29]。最優(yōu)分割尺度的確定是面向?qū)ο蠓诸愔械年P(guān)鍵步驟[14]。本文采用eCognition 8.7中的尺度評價工具(Estimation of scale parameter，ESP)獲取最優(yōu)分割尺度[31]，該工具通過計算不同分割尺度參數(shù)下影像對象同質(zhì)性的局部變化(Local variance，LV)，作為分割對象層的平均標(biāo)準(zhǔn)差，以此判別分割效果，并用變化率指示對象分割最佳尺度參數(shù)。天然林試驗區(qū)和人工林試驗區(qū)采用的尺度分別為8和17。分類特征采用高度、紋理和空間(周長、面積)3方面特征。為了同逐像元法的算法和分類過程保持一致，面向?qū)ο蠓ㄖ蟹诸愃惴ㄍ瑯硬捎脦в蠷BF核函數(shù)的SVM分類器。

2.2 精度驗證

采用用戶精度(User accuracy，UA)、生產(chǎn)者精度(Producer accuracy，PA)、總精度(Overall accuracy，OA)和Kappa系數(shù)4個指標(biāo)進行精度評價[32]。LANDIS 等[33]將Kappa系數(shù)劃分為6個區(qū)段，表示一致性的強弱程度。當(dāng)Kappa系數(shù)小于0時，一致性程度極差；0～0.20，一致性程度微弱；0.21～0.40，一致性弱；0.41～0.60，一致性中度；0.61～0.80，一致性顯著(或一致性高)；0.81～1.0，一致性極佳。試驗的技術(shù)路線見圖3。

圖3 技術(shù)路線

3 結(jié)果與分析

3.1 精度評價

天然林試驗區(qū)(帽兒山林場)和人工林試驗區(qū)(旺業(yè)甸林場)中面向?qū)ο蠓ň@得了最高的分類精度和Kappa系數(shù)。人工林試驗區(qū)面向?qū)ο蠓ǐ@得的林隙PA、林隙UA、OA和Kappa系數(shù)最高(PA為85.27%，UA為90.48%，OA為91.74%，Kappa系數(shù)為0.88)。天然林試驗區(qū)中面向?qū)ο蠓椒ㄍ瑯荧@得了最高的林隙PA、林隙UA、OA和Kappa系數(shù)，但與人工林試驗區(qū)相比4個指標(biāo)分別低了27.60個百分點、13.86個百分點、9.31個百分點和0.15。閾值法在兩個試驗區(qū)的結(jié)果精度相差較大，人工林試驗區(qū)OA為79.12%，Kappa系數(shù)為0.69，一致性顯著，而天然林試驗區(qū)，OA僅為50.54%，Kappa系數(shù)為0.27，一致性微弱。逐像元法在兩個試驗區(qū)的精度結(jié)果相近，OA和Kappa系數(shù)均理想，在天然林中為76.62%(0.64)，在人工林中為78.68%(0.68)。在天然林試驗區(qū)中，面向?qū)ο蠓ǖ姆诸惥?Kappa系數(shù))最高，逐像元法次之，閾值法最低。在人工林試驗區(qū)中，面向?qū)ο蠓ǖ姆诸惥?Kappa系數(shù))仍然優(yōu)于逐像元法和閾值法，但是閾值法的分類精度(Kappa系數(shù))優(yōu)于逐像元法。相同分類方法中，人工林的分類精度(Kappa系數(shù))優(yōu)于天然林(表3)。

3.2 地物識別結(jié)果

對分類識別得到的地物和選取的原始樣本邊緣進行可視化比較。對于林隙(圖4a、4e)，閾值法在兩試驗區(qū)的結(jié)果相差較大，在人工林得到的結(jié)果與原始樣本的接近程度極高，但是在天然林得到的識別結(jié)果的邊緣范圍要小于真實情況(圖4b、4f)；逐像元法得到的結(jié)果與原始樣本的吻合程度均不理想，僅僅只是識別了林隙邊緣的部分甚至是極少像元(圖4c、4g)；面向?qū)ο蠓ň霈F(xiàn)了過度識別的情況，在人工林的過度分割現(xiàn)象更為嚴(yán)重(圖4d、4h)。

圖4 林隙識別結(jié)果對比

對于其他類型(空地)(圖5a、5e)，閾值法在兩試驗區(qū)的差異極大，人工林試驗區(qū)其他類型(空地)的分類結(jié)果能夠在很高程度上與原始樣本吻合，但是在其他類型內(nèi)部有極少像元未被正確識別，在天然林試驗區(qū)閾值法僅僅識別了極少的該類型地物的像元(圖5b、5f)；逐像元法雖能夠?qū)⒌匚镞吘壿^好地識別出來，但是識別結(jié)果較為破碎，即在其他類型(空地)的內(nèi)部有較多像元被識別為非其他類型的地物，多被識別為林隙，人工林試驗區(qū)的破碎化現(xiàn)象尤其嚴(yán)重(圖5c、5g)。面向?qū)ο蠓ㄈ匀粚⑻烊涣值钠渌愋偷匚镞^度分割，但是只是輕微的過度分割，在地物識別的邊緣部分容易出現(xiàn)細微的誤差(圖5d、5h)。

圖5 其他類型識別結(jié)果對比

3.3 分類結(jié)果

由圖6可知，在面向?qū)ο蠓ǖ玫降慕Y(jié)果中，其他類型地物的邊緣部分較容易被錯分為林隙，非林隙當(dāng)中有部分區(qū)域被識別為林隙，在人工林試驗區(qū)非林隙被識別為林隙的現(xiàn)象尤為嚴(yán)重，存在過度分割現(xiàn)象。對于逐像元法和閾值法，均存在一定程度上的椒鹽現(xiàn)象，逐像元法椒鹽現(xiàn)象較為嚴(yán)重，且這兩種分類方法都沒有準(zhǔn)確地將帽兒山研究區(qū)中典型的其他類型(建筑物)正確識別，逐像元法將其劃分成了林隙，閾值法將其劃分成了非林隙。逐像元法對于林隙的識別效果較差，很容易將林隙識別為其他類型。閾值法在兩試驗區(qū)的識別效果差別較大，在天然林中，其將大部分其他類型地物識別為林隙，但是在人工林中，其都能夠?qū)?種類型地物進行正確劃分。

圖6 分類結(jié)果

4 討論

4.1 林隙提取結(jié)果的不確定分析

閾值法、逐像元法和面向?qū)ο蠓椒ㄔ谔崛×窒兜倪^程中采用的基本單元、分類特征有所不同，從而造成了林隙提取結(jié)果不一致。閾值法和逐像元法均是以像元為基本單元，兩者的分類結(jié)果均存在一定程度上的椒鹽現(xiàn)象。閾值法出現(xiàn)輕微的椒鹽現(xiàn)象，因為CHM上像元灰度的不連續(xù)變化，密度分割中產(chǎn)生較小的分割單元。逐像元法容易將某一類型地物當(dāng)中的部分像元識別為其他類別地物，造成了分類結(jié)果中較為嚴(yán)重的椒鹽現(xiàn)象。面向?qū)ο蠓▌t是在對象的基礎(chǔ)上進行分類，分類結(jié)果較閾值法和逐像元法更加完整，能夠有效減少某一類地物中的個別像元的錯分情況，而且不存在椒鹽現(xiàn)象，并且獲得了最高的精度(Kappa系數(shù))。逐像元法只采用了高度特征，閾值法采用了高度與面積兩種特征，而面向?qū)ο蠓ú捎昧烁叨?、紋理和空間(面積、周長)3種特征。面向?qū)ο蠓ㄝ^閾值法和逐像元法采用的特征更多，能夠結(jié)合更多的信息進行分類，因此獲得了更高的分類精度，該研究結(jié)果與BONNET等[26]研究結(jié)果一致。

閾值法的關(guān)鍵在于閾值條件的確定，本研究結(jié)合了已有研究閾值和研究數(shù)據(jù)源進行確定[28]。逐像元法的關(guān)鍵為分類器的選擇，本研究選擇的是SVM分類器[14,19-21]。分割作為面向?qū)ο蟮年P(guān)鍵，研究使用ESP工具確定單一的最優(yōu)分割參數(shù)。閾值法和逐像元法的關(guān)鍵步驟均是在現(xiàn)有的研究經(jīng)驗基礎(chǔ)上進行操作，而面向?qū)ο蠓ǖ姆指顒t是使用eCognition 8.7中的ESP工具計算得到，提取林隙的過程更加科學(xué)嚴(yán)謹(jǐn)，能夠避免人為選擇尺度參數(shù)而產(chǎn)生的誤差[31]。雖然面向?qū)ο蠓ǖ木群蚄appa系數(shù)最高，但是其也存在一定的不足，即在不同類型地物的識別上出現(xiàn)了不同程度的過度分割現(xiàn)象，其他類型只出現(xiàn)了輕微的過度分割，但是林隙過度分割情況較為嚴(yán)重，非林隙不存在過度分割的現(xiàn)象。分析認(rèn)為雖然ESP工具能夠得到最優(yōu)分割尺度，但是由于林隙和其他類型同其周圍的地物在一定程度上具有一定的相似性(灰度相近)，容易造成兩個距離相近的不同類型的地物或相同類型的地物在分割時被合并為同一個地物，從而出現(xiàn)過度分割的情況。林隙、其他類型以及非林隙3種地物面積差異較大，林隙面積相對較小，其他類型面積較大，非林隙面積最大，大尺度產(chǎn)生大面積對象，小尺度產(chǎn)生小面積對象，容易使得在分割小面積對象時出現(xiàn)過度分割的現(xiàn)象。

面向?qū)ο蠓椒▋H選擇了單一最優(yōu)尺度，存在無法滿足分割得到不同面積地物的準(zhǔn)確邊緣的需要，在一定程度上造成了不同面積地物分割和分類結(jié)果的邊緣和真實邊緣的誤差，所以單一的最優(yōu)分割尺度可能并不適合于同一幅圖像中面積差異較大的地物的區(qū)分，尋求最優(yōu)分割尺度和多種分割尺度的共同作用能否顯著提高分割和分類情況有待進一步研究。閾值法只采用了面積和高度作為分類閾值條件，其他的閾值(如郁閉度)以及閾值的臨界條件對于分類結(jié)果的影響值得深入探究。

4.2 天然林與人工林林隙提取的差異

閾值法在兩試驗區(qū)中的分類結(jié)果差異較大，天然林試驗區(qū)的分類精度和Kappa系數(shù)和地物識別情況極差，人工林試驗區(qū)的結(jié)果正好相反，不僅精度和Kappa系數(shù)較高，而且識別的地物邊緣與原始的真實邊緣吻合度極高。造成差異原因主要是兩個試驗區(qū)的地物分布特征差異較大。天然林林分中的地物分布雜亂無章，農(nóng)田、道路等多種其他類型地物的存在易在高度上與林隙混淆，房屋等建筑的面積與林隙面積條件范圍相近，也對林隙的分類造成干擾，天然林林分中高度變化波動較大，林隙周圍地物分布形式不均也是影響分類精度的因素；而人工林林分中的地物類別分布均勻，同時房屋道路等地物對林隙的干擾也較少，且人工林的長勢和高度趨于一致，沒有特別明顯的變化。因此本研究認(rèn)為閾值法更適合于干擾項少、林分長勢一致且地物分布均勻規(guī)則的區(qū)域。

逐像元法和面向?qū)ο蠓ㄔ趦稍囼瀰^(qū)的分類結(jié)果一致，分類精度均較理想，一致性均較好。兩種分類方法在兩試驗區(qū)的地物識別情況也得到了相似的結(jié)果，逐像元法在林隙的識別中均只識別出林隙邊緣的個別像元，在其他類型的識別中雖能夠識別出較為真實的輪廓，但是存在有部分像元被錯誤識別的情況。天然林和人工林采用逐像元法提取林隙均會出現(xiàn)較為嚴(yán)重的椒鹽現(xiàn)象，但是人工林更為嚴(yán)重，原因是人工林中林分周圍株行距的存在，CHM的灰度變化較大。面向?qū)ο蠓軌蜃R別出林隙和其他類型，但是均存在一定程度的過度分割。人工林的過度分割情況更為嚴(yán)重(圖6)，原因同樣也是株行距的存在，使得CHM上呈現(xiàn)樹木與株行距交替出現(xiàn)，同時人工林的林分平均高度較低，分類時容易在株行距的識別中并入部分林分的像元。

4.3 最佳林隙提取方法的確定

閾值法、逐像元法和面向?qū)ο蠓?種方法在人工林試驗區(qū)中的分類精度和Kappa系數(shù)普遍高于天然林試驗區(qū)，其中逐像元法和面向?qū)ο蠓ㄔ趦蓚€試驗區(qū)的分類精度和Kappa系數(shù)均理想且具有較高的一致性，因此，逐像元法和面向?qū)ο蠓ㄔ谔烊涣趾腿斯ち值姆诸愔衅毡檫m用。但是閾值法在兩試驗區(qū)的分類精度和Kappa系數(shù)差別較大，人工林試驗區(qū)理想，一致性高，天然林試驗區(qū)的精度很差而且一致性微弱，閾值法的普遍適用性較低，更適合于人工林的分類。

天然林試驗區(qū)中，面向?qū)ο蠓ǖ姆诸惥群蚄appa系數(shù)最高，雖存在過度分割現(xiàn)象，但是能夠在較高程度上還原研究區(qū)地物的分布情況，因此面向?qū)ο蠓樘烊涣衷囼瀰^(qū)的最佳分類方法。人工林試驗區(qū)中，雖然面向?qū)ο蠓ǖ姆诸惥群蚄appa系數(shù)最高，但是通過區(qū)域的分類結(jié)果可以發(fā)現(xiàn)，閾值法的分類效果較面向?qū)ο蠓椒ǜ咏趯嶋H情況。由于該試驗區(qū)郁閉度較低的稀疏林分中的株行距被面向?qū)ο蠓ù罅康刈R別為林隙，林隙的過度分割情況極其嚴(yán)重，但實際上稀疏林分中的株行距的面積超出了林隙面積(10～100 m2)的要求，同時也造成了林隙和其他類型分類中的較大程度的混淆；然而閾值法可以得到理想的分類效果，稀疏的株行距更多地被識別為其他類型，得到的林隙結(jié)果也與目視解譯的實際情況相吻合。雖然閾值法的分類精度和Kappa系數(shù)低于面向?qū)ο蠓ǎ情撝捣ㄈ匀贿_到了理想的分類精度和顯著的一致性，因此認(rèn)為閾值法為人工林試驗區(qū)分類的最佳方法。

5 結(jié)論

(1)面向?qū)ο蠓樘烊涣至窒短崛〉淖罴逊椒?，閾值法為人工林林隙提取的最佳方法。逐像元法和面向?qū)ο蠓ㄔ趦蓚€試驗區(qū)域的研究結(jié)果相近，是普遍適用的方法。

(2)閾值法與逐像元法、面向?qū)ο蠓ㄏ啾龋偩群蚄appa系數(shù)在兩個試驗區(qū)的差別較大。閾值法更適合于干擾項少、林分長勢一致且地物分布均勻規(guī)則的區(qū)域的分類。

(3)逐像元法在兩個試驗區(qū)的分類精度(Kappa系數(shù))均理想，具有顯著的一致性。

(4)面向?qū)ο蠓軌虻玫阶罡叩姆诸惥?Kappa系數(shù))，并且能夠還原不同類型地物分布的真實情況。