基于背包式激光雷達(dá)的天山云杉林單木因子估測

邱 琴,張文革,王 蕾,曹姍姍,孫 偉,

(1.新疆農(nóng)業(yè)大學(xué) 計算機(jī)與信息工程學(xué)院,烏魯木齊 830052；2.新疆天山西部國有林管理局,新疆 伊寧 835000；3.新疆林業(yè)科學(xué)院現(xiàn)代林業(yè)研究所,烏魯木齊 830052；4.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所,北京 100081)

0 引言

在森林資源數(shù)量、質(zhì)量及健康狀況等方面的調(diào)查、監(jiān)測與研究過程中,單木胸徑、樹高和冠幅等測樹因子的獲取至關(guān)重要,可為林地密度估計、生物量及碳儲量估算、林地變化趨勢分析、森林生長與收獲預(yù)估等方面提供切實有效的科學(xué)依據(jù)[1-3]。傳統(tǒng)的單木因子獲取以野外調(diào)查和地面實測為主,費(fèi)時耗力、自動化程度不高、效率較低,難以實現(xiàn)大尺度的森林結(jié)構(gòu)參數(shù)連續(xù)性監(jiān)測[4-5]。如何快速、精準(zhǔn)、無損、低成本獲取森林單木因子數(shù)據(jù),對森林資源高效管理和科學(xué)決策具有重要的現(xiàn)實意義。

近10多年來,國內(nèi)外許多學(xué)者開展了機(jī)載激光雷達(dá)系統(tǒng)單木因子估測的研究,進(jìn)而估算了森林單木或樣地尺度生物量[6-8]。與傳統(tǒng)地面調(diào)查方法相比,不僅顯著提高了單木因子估測精度,還減少了工作量、降低了勞動強(qiáng)度、有效提升了工作效率。Brolly等[9]通過三維激光掃描技術(shù)預(yù)測單木結(jié)構(gòu)參數(shù),建立DTM、樹冠表面模型和樹干模型,然后從模型中獲得測樹因子,通過精度分析發(fā)現(xiàn),利用該方法測得的數(shù)據(jù)與傳統(tǒng)方法的精度一致；Wallace等[10]使用無人機(jī)攜帶激光雷達(dá)通過對研究區(qū)內(nèi)單株樹木的識別,獲取樹木的位置、高度、冠幅等數(shù)據(jù),利用激光點云估測樣方尺度和單木尺度上的森林調(diào)查指標(biāo),得到了較高精度的調(diào)查結(jié)果；韋雪花等[11]利用TLS點云數(shù)據(jù),通過體元模擬法,計算各立方格網(wǎng)內(nèi)的點云并進(jìn)行投影,統(tǒng)計投影個數(shù)得到樹冠體積；Goodbod 等[12]采用無人機(jī)獲取充分的機(jī)載激光雷達(dá)點云數(shù)據(jù)并建立生物量預(yù)測模型,證明了利用激光雷達(dá)對森林生物量進(jìn)行預(yù)測具有較高精度；劉峰等[13]用機(jī)載激光雷達(dá)數(shù)據(jù),采用回歸模型估測中亞熱帶森林喬木層單木地上生物量,結(jié)果表明,以激光雷達(dá)獲取的多種參數(shù)信息構(gòu)成的模型相較于單一以林分樹高為因子的傳統(tǒng)回歸模型,其估測精度明顯提高。

天山云杉(Piceaschrenkianavar.tianshanica)是新疆天山地區(qū)涵蓋范圍最廣、蓄積量最大、生態(tài)功能最為重要的針葉樹種[14],在山地森林水源涵養(yǎng)與水土保持及林區(qū)生態(tài)系統(tǒng)的形成和維護(hù)等方面發(fā)揮著關(guān)鍵作用[15-16]。遙感為快速準(zhǔn)確獲取天山云杉林單木因子提供了有效途徑,但現(xiàn)有研究多側(cè)重于應(yīng)用衛(wèi)星遙感影像[17-18]、無人機(jī)可見光影像[19-21]獲取天山云杉林樹冠、密度、蓄積量等信息,對于激光雷達(dá)數(shù)據(jù)估測天山云杉林關(guān)鍵參數(shù)的研究鮮有報道。目前,機(jī)載LiDAR和地基LiDAR在林業(yè)資源監(jiān)測方面的使用和研究較為廣泛,但在外業(yè)活動采集數(shù)據(jù)過程中工作量較大、成本較高、數(shù)據(jù)分析處理較繁瑣。背包式LiDAR具有真三維測量、成本低、易操作和覆蓋廣等技術(shù)特點,其數(shù)據(jù)采集時攜帶便捷、操作簡單,不受天氣、地形等外界環(huán)境因素的約束,測量范圍易操控。作為一種新興點云數(shù)據(jù)獲取手段,背包式LiDAR在獲取森林三維結(jié)構(gòu)參數(shù)方面具有良好的應(yīng)用潛力。但是,對于復(fù)雜地形條件下的天山云杉為代表的山地森林,背包式LiDAR數(shù)據(jù)的處理與分析方法及適用性有待進(jìn)一步研究和驗證。

本文以天山云杉為研究對象,使用背包LiDAR估測天山云杉的樹高、胸徑與冠幅面積,通過與樣地的地面實測結(jié)合目視解譯數(shù)據(jù)進(jìn)行相關(guān)性分析與驗證,建立背包LiDAR樹高和冠幅變量之間的回歸模型,以期為背包式激光雷達(dá)獲取森林三維結(jié)構(gòu)參數(shù)提供方法和應(yīng)用參考。

1 材料與方法

1.1 研究區(qū)概況與數(shù)據(jù)獲取

研究區(qū)為新疆西天山森林生態(tài)系統(tǒng)國家定位觀測研究站(簡稱西天山生態(tài)站),位于天山西部那拉提山北麓,伊犁河谷中部,屬于伊犁哈薩克自治州鞏留縣區(qū)域,地理坐標(biāo)為43°03′～43°15′N,82°51′～83°06′E。研究區(qū)高差明顯、起伏大,略呈三角形,地勢東南高,西北低,海拔677～4 181m[22]。研究區(qū)呈典型的中亞溫帶大陸性半干旱特征,年均氣溫0.7℃,年降水量400～900mm,雨季集中在6—8月份,年蒸發(fā)量980～1 150mm,年均相對濕度65%。研究區(qū)內(nèi)云杉林的單位蓄積量較高,每公頃高達(dá)800～900m3。在研究區(qū)通過背包式激光雷達(dá)采集實驗數(shù)據(jù),其地理位置如圖1所示。

圖1 研究區(qū)及數(shù)據(jù)采集地理位置Fig.1 Geographical location of study area and data acquisition

LiDAR數(shù)據(jù)采用LiBackpack D50背包式激光雷達(dá)設(shè)備于2019年10月12日至17日掃描獲取。通過在水平和垂直兩個方向分別設(shè)置激光雷達(dá)傳感器,同時配置高精度GNSS設(shè)備,結(jié)合同步定位與制圖構(gòu)建SLAM(simultaneous localization and mapping)技術(shù),獲取掃描范圍內(nèi)的高精度三維點云數(shù)據(jù)。LiBackpack D50背包激光雷達(dá)采取自下而上的掃描方式,獲取樹干/枝葉詳細(xì)的結(jié)構(gòu)信息,具有掃描范圍廣、高效率、高精度、多平臺、低成本和易操作等特點,其系統(tǒng)參數(shù)如表1所示。

表1 LiBackpack D50背包激光雷達(dá)掃描系統(tǒng)Tab.1 LiBackpack D50 Backpack LiDAR scanning system

以西天山生態(tài)站為中心,選取6個20m×20m的正方形樣地進(jìn)行背包雷達(dá)數(shù)據(jù)采集,其中:1號、2號和3號樣地屬于人工林,分別含有140株、82株和89株天山云杉；4號、5號和6號樣地屬于天然林,分別含有19株、15株和18株天山云杉。路徑規(guī)劃對背包激光雷達(dá)數(shù)據(jù)采集至關(guān)重要,合理的路徑規(guī)劃能采集到樹木的完整信息,并減少數(shù)據(jù)冗余。針對20m×20m的樣地,考慮樹木分布比較密集,采用圖2所示的路徑規(guī)劃(序號從小到大表示采集人員行走的路線順序)。

圖2 行走路徑規(guī)劃Fig.2 Path planning

1.2 研究方法

通過LiDAR 360 V 3.2軟件對樣地的背包激光雷達(dá)點云數(shù)據(jù)進(jìn)行預(yù)處理,包含的步驟為去噪、濾波、生成DEM、點云歸一化。在此基礎(chǔ)上,由圖3所示,進(jìn)行單木分割處理、胸徑擬合和單木參數(shù)提取。背包激光雷達(dá)單木分割處理步驟如圖4所示(序號(a)—(j)依次表示處理順序)。

圖3 背包激光雷達(dá)單木分割流程圖Fig.3 Flow chart of single wood segmentation of backpack LiDAR

圖4 背包激光雷達(dá)單木分割處理步驟Fig.4 The processing steps of single wood segmentation for backpack LiDAR

1.2.1數(shù)據(jù)預(yù)處理

首先,對原始數(shù)據(jù)的空中點、低于地表點(高位粗差及低位粗差)及孤立點等噪聲點進(jìn)行分類并去除,進(jìn)而提高數(shù)據(jù)質(zhì)量。其算法原理:對每一個點搜索指定鄰域點個數(shù)的相鄰點,計算點到相鄰點的距離平均值,計算這些平均值距離的中值和標(biāo)準(zhǔn)差,如果這個點的平均值距離大于最大距離(中值+標(biāo)準(zhǔn)差倍數(shù)×標(biāo)準(zhǔn)差),則認(rèn)為是噪點，將被去掉。其次,為減小地形起伏對樹冠分割和樹冠特征因子估測的影響,采用改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法(Improved Progressive TIN Densification,IPTD)進(jìn)行激光雷達(dá)地面點分類。包含點云格網(wǎng)化、選取種子點、使用種子點構(gòu)建三角網(wǎng)和迭代加密三角網(wǎng)。最后,由于實驗樣地存在一定的坡度,樹木點云起始高程不同,需要采用文獻(xiàn)[23]中提出的方法,即:將點云高程歸一化，以獲得樹木點云的相對高度,降低地形對單木樹高估測精度的影響，去除地形對樹高估測的影響。公式為:

Z高度=Z絕對-Z地面

(1)

式中:Z高度為歸一化后各點高程；Z絕對為各點真實高程,即絕對高程；Z地面為各點臨近的地面點高程。

1.2.2單木參數(shù)估測

估測背包雷達(dá)高程在1.3 m范圍內(nèi)的點云數(shù)據(jù),采用二維Hough變換結(jié)合圓擬合的方法進(jìn)行單木識別,并獲取單木的胸徑(DBH)值。根據(jù)樹木生長特點還可以選擇擬合橢圓和擬合圓柱的方式,即:如果樹干為傾斜生長,可采用擬合圓柱的方法；如果樹干呈現(xiàn)為橢圓,則可利用最小二乘擬合二維橢圓提取胸徑信息。擬合完成后,對聚類出的樹干進(jìn)行置信度判斷,并采用單木篩選完成對擬合結(jié)果的分析與檢查,進(jìn)而提高估測精度。同時,對點云數(shù)據(jù)進(jìn)行歸一化處理后,每個點的歸一化高程值即為該點與地面的高度差,因此,通過獲取單木點云數(shù)據(jù)的Z坐標(biāo),即可實現(xiàn)對樹高準(zhǔn)確的估測。

1.2.3參數(shù)估測的評價

1.2.3.1單木分割精度

通過地面調(diào)查結(jié)合目視解譯值(以下簡稱實測值)的分析,分別獲取分割后的樹木總數(shù)、正確分割的棵數(shù)、錯誤分割的棵數(shù)、漏分的棵數(shù),通過(2)—(4)式計算單木分割的召回率(R)、精確率(P)和F測度(F)的值。

(2)

(3)

(4)

式中:TP表示樹木被正確分割,FN表示樹木未被檢測,FP表示錯誤檢測。

其中：1)召回率(Recall)也叫查全率,針對數(shù)據(jù)集中的所有正例(TP+FN)而言,模型正確判斷出的正例(TP)占數(shù)據(jù)集中所有正例的比例。召回率可表示樹木的檢測率,以單木識別為例,把背包雷達(dá)數(shù)據(jù)中的樹木作為正例,召回率高，代表可以識別出更多的天山云杉。2)精確率(precision)也叫查準(zhǔn)率,針對模型判斷出的所有正例(TP+FP)而言,其中真正例(TP)占的比例。精確率可表示樹木分割的正確率,以單木識別為例,精確率高，表示模型識別出的樹木中基本正確,少量識別對象不是樹。3)F測度(F)為精確率和召回率的調(diào)和平均數(shù),從兩個視角綜合考慮錯分和漏分的總體精度。以上三者的變化范圍均在0～1之間。

1.2.3.2單木參數(shù)估測精度

單木參數(shù)估測的擬合效果采用決定系數(shù)(R2)和均方根誤差(RMSE)2個指標(biāo)進(jìn)行評價。決定系數(shù)是用來表征方程對實測值的擬合程度；均方根誤差用于評估擬合值與實測值的偏差,進(jìn)而評價模型的回歸效果。決定系數(shù)值越高,則實測值與估測值的相關(guān)性越強(qiáng),擬合效果越好；均方根誤差越小,則表明預(yù)測值的效果越好[24]。

(5)

(6)

式中:n為正確分割的單木數(shù)量；Xi為分割單木參數(shù)；xi為與分割出的單木對應(yīng)的實測單木參數(shù)。

2 結(jié)果與分析

2.1 單木分割結(jié)果與分析

對于6個樣地內(nèi)的363株天山云杉,正確分割出320株,單木分割精度F值均大于0.90,平均值為0.93,精確率均值是0.96,召回率均值是0.90(表2)。各樣地單木識別率都在80%以上,平均為86.61%,總體精度較高,但漏分現(xiàn)象普遍存在。通過分析點云數(shù)據(jù)后發(fā)現(xiàn),人工林的識別率略高于自然林。人工林識別率均值為88.48%,天然林識別率均值為84.74%。因為人工林幼樹較多,分布規(guī)整,樹木間距較為整齊,林下灌木雜草偏少,因此識別率較高；而天然林樹高整體較高,林下灌木雜草較多且密集,很大程度上影響了對樹木的識別與分割。此外,由于樣地林分郁閉度較高,樹冠之間遮擋和競爭造成樹冠信息獲取不完全,對背包激光雷達(dá)單木分割結(jié)果產(chǎn)生了一定的影響。

表2 背包激光雷達(dá)單木分割驗證Tab.2 Single-wood segmentation verification of backpack LiDAR

2.2 胸徑估測精度結(jié)果與分析

研究區(qū)6塊樣地單木胸徑的背包式激光雷達(dá)估測值與實測值的回歸關(guān)系(圖5)表明,胸徑估測值與實測值線性相關(guān)性較為明顯。在基于點云數(shù)據(jù)估測單木胸徑時,若胸徑位置處無灌木、雜草和樹枝樹葉等遮擋,估測精度較高,但如有雜物干擾,會對胸徑估測的擬合圓算法產(chǎn)生不利影響,導(dǎo)致擬合圓偏大,進(jìn)而無法實現(xiàn)單木胸徑的精準(zhǔn)估測。6塊樣地決定系數(shù)R2均大于0.90,最低是0.923 7,最高值可達(dá)0.987 3,但在人工林和天然林中差異較為明顯。3塊人工林胸徑集中分布在5～25cm內(nèi),R2均值為0.939 9；RMSE均值為1.11,最低為0.89,最高為1.38。天然林胸徑集中分布在30～120cm內(nèi),R2均值為0.972 7；RMSE均值為4.03,最低為2.55,最高為5.02。人工林和天然林之間的誤差:一方面,可能是人工林的胸徑分布較為集中,天然林胸徑分布差異較大造成；另一方面,由于單木樹干不成標(biāo)準(zhǔn)圓形或者呈現(xiàn)畸形,采集的點云數(shù)據(jù)成畸形,導(dǎo)致擬合胸徑的結(jié)果中不正確或誤差較大。結(jié)果說明,利用背包式激光雷達(dá)估測單木胸徑具有一定可靠性,可以獲取精度較高的點云數(shù)據(jù),但對于形狀復(fù)雜的樹干,其胸徑估測精度略低。

圖5 6塊樣地胸徑實測值與估測值回歸關(guān)系圖Fig.5 Relationship between measured and estimated values of diameter at breast height of 6 plots

2.3 樹高估測精度結(jié)果與分析

研究區(qū)6塊樣地單木樹高的背包式激光雷達(dá)估測值與實測值的回歸關(guān)系(圖6)表明,6塊樣地決定系數(shù)R2均在0.90以上,最低為0.903 6,最高可達(dá)0.998 5,RMSE均值為1.05,具有較好的擬合和預(yù)測效果。人工林樹高普遍較低,集中分布在3～18m內(nèi),3塊人工林R2均值為0.936 6,RMSE分布均衡,均值為0.49。天然林樹高較高,集中分布在20～40m內(nèi),3塊天然林R2均值為0.981 3；RMSE均值為1.61,最低為0.57,最高為3.02。林分密度是導(dǎo)致人工林和天然林之間差異的重要因素,在林分密度低的人工林條件下,LiDAR很容易探測到樹木的頂端部分,從而估測樹木高度值。在林分密度較大的天然林條件下,受到樹枝和相鄰樹木的部分遮擋,LiDAR難以準(zhǔn)確地探測到樹木頂端部分。結(jié)果表明,樹高實測值與估測值的相關(guān)性較高,說明,利用背包式激光雷達(dá)對單木樹高進(jìn)行估測具有較高的可行性。

圖6 6塊樣地樹高實測值與估測值回歸關(guān)系圖Fig.6 Relationship between the measured and the estimated values tree heights of 6 plots

2.4 冠幅面積估測精度結(jié)果與分析

研究區(qū)6塊樣地單木冠幅面積的背包式激光雷達(dá)估測值與實測值的回歸關(guān)系(圖7)表明,6個樣地R2均大于0.80,均值為0.862 7,最小值為 0.835 6,最大值為0.895 5；RMSE均值為3.21。3塊人工林冠幅面積集中分布于2～14m2內(nèi),R2均值為0.861 1,RMSE均值為1.2,3塊樣地之間差異不大。3塊天然林冠幅面積集中分布于20～60m2內(nèi),R2均值為0.864 2；RMSE均值為5.23,最小值為4.13,最大值為 5.96。分析發(fā)現(xiàn)由于背包式激光雷達(dá)設(shè)備的空間采樣率較低,并且樹木和雜物之間的遮擋,導(dǎo)致未能獲取樹冠頂部完整的點云數(shù)據(jù)。結(jié)果表明,利用背包式激光雷達(dá)估測的冠幅面積的精度與胸徑和樹高相比較低。由于背包式激光雷達(dá)獲取的樹冠頂部數(shù)據(jù)不完整,極大程度上影響了樹冠的估測精度。分布不規(guī)則的天然林誤差明顯高于分布規(guī)整的人工林。

圖7 6塊樣地冠幅面積實測值與估測值回歸關(guān)系圖Fig.7 Relationship between measured and estimated crown area of 6 plots

3 結(jié)論與討論

以西天山生態(tài)站6塊天山云杉林樣地作為研究區(qū)域,基于背包式激光雷達(dá)進(jìn)行天山云杉林單木因子估測,單木識別率平均為86.61%,單木分割精度F值均大于0.90,精確率均值是0.96,召回率均值是0.90,總體精度較高。單木胸徑和樹高估測結(jié)果決定系數(shù)R2均大于0.90,胸徑均方根誤差RMSE均值為1.11,樹高為1.05。胸徑和樹高估測差異主要與天然林與人工林的林分密度和樹干形狀有關(guān),在林分密度較大的天然林中,導(dǎo)致小樹的樹冠被大樹樹枝部分遮擋,其胸徑值被高估,大樹高度被低估則是由于小樹及其樹枝的遮擋未能獲得大樹頂端充分的點云數(shù)據(jù),這一結(jié)論與陳世林[25]基于激光雷達(dá)單木參數(shù)估測結(jié)論一致；由于單木樹干不成標(biāo)準(zhǔn)圓形或者呈現(xiàn)畸形,導(dǎo)致擬合胸徑的結(jié)果誤差較大,與白少博[26]所得結(jié)論相仿。本研究胸徑、樹高和冠幅面積信息估測結(jié)果與黃旭等[27]基于背包式激光雷達(dá)估測落葉松單木因子信息精度相符合,且高于金忠明等[28]基于無人機(jī)遙感影像采用深度卷積神經(jīng)網(wǎng)絡(luò)U-Net和標(biāo)記控制分水嶺算法估測天山云杉單木樹冠面積和冠幅的精度,證明了使用背包激光雷達(dá)估測天山云杉林單木因子信息具有較高的可靠性和可行性,能夠滿足林下三維參數(shù)高精度無損快速采集需求。但是,受限于本研究僅在地面開展了背包雷達(dá)數(shù)據(jù)采集,林木樹冠部分掃描并不完全,與胸徑和樹高提取精度相比,單木冠層信息估測精度略低。

基于背包式激光雷達(dá)估測單木胸徑、樹高、冠幅面積信息,可以極大減少人工調(diào)查的工作量,提高單木因子信息估測效率。但由于背包式激光雷達(dá)測量手段尚處于蓬勃興起階段,隨著新一代信息技術(shù)的飛速發(fā)展,背包式激光雷應(yīng)用研究將會呈現(xiàn)如下趨勢:

1)與天基、空基和地基激光雷達(dá)數(shù)據(jù)多尺度融合。近年來,研究人員對單木尺度樹木冠層構(gòu)型精細(xì)化處理要求越來越高,但由于背包式激光雷達(dá)設(shè)備不能獲取樹冠頂層完整的點云數(shù)據(jù),尤其是對于高郁閉度林分條件下的單木冠幅和樹高等因子估測的局限性較明顯,因此,可與機(jī)載激光雷達(dá)[29-30]、地基激光雷達(dá)[31]等多源數(shù)據(jù)進(jìn)行多尺度聯(lián)合監(jiān)測,獲取森林單木全息立體信息,有利于進(jìn)一步提升估測精度。

2)與被動式光學(xué)遙感數(shù)據(jù)多源融合。激光雷達(dá)傳感器在獲取森林關(guān)鍵參數(shù)的時空分布上有一定局限性,而被動光學(xué)遙感在獲取森林生物物理參數(shù)的光譜信息方面具有獨特優(yōu)勢,因此,將光學(xué)影像[32]、多光譜[33]、高光譜[34]和激光雷達(dá)技術(shù)相融合已成為激光雷達(dá)硬件發(fā)展的方向之一。

3)深度學(xué)習(xí)融合的激光雷達(dá)單木因子提取算法研究有待增強(qiáng)。隨著深度學(xué)習(xí)方法在圖像識別與分類領(lǐng)域的深入研究與應(yīng)用,基于深度學(xué)習(xí)方法融合三維激光雷達(dá)[35]的點云數(shù)據(jù)進(jìn)行單木識別并獲取單木因子信息,將極大提高識別精度及其效率。