林業(yè)調(diào)查新技術(shù)發(fā)展動(dòng)態(tài)研析

閆保銀，姜文龍*

（南京國(guó)圖信息產(chǎn)業(yè)有限公司，江蘇 南京 210000）

2020 年，自然資源部印發(fā)了《自然資源調(diào)查監(jiān)測(cè)體系構(gòu)建總體方案》（以下簡(jiǎn)稱(chēng)《方案》），《方案》指出“以空間信息、人工智能、大數(shù)據(jù)等先進(jìn)技術(shù)為手段，構(gòu)建高效的自然資源調(diào)查監(jiān)測(cè)技術(shù)體系,查清我國(guó)土地、礦產(chǎn)、森林、草原、水、濕地、海域海島等自然資源狀況，強(qiáng)化全過(guò)程質(zhì)量管控，保證成果數(shù)據(jù)真實(shí)準(zhǔn)確可靠”。按照要求，2021 年自然資源部制定了《自然資源調(diào)查監(jiān)測(cè)標(biāo)準(zhǔn)體系（試行）》（自然資辦發(fā)〔2021〕5 號(hào)），明確了林業(yè)調(diào)查為專(zhuān)項(xiàng)調(diào)查，并組織制定相應(yīng)的技術(shù)規(guī)程。

傳統(tǒng)的林業(yè)調(diào)查采用羅盤(pán)儀、全站儀、測(cè)繩等工具，定位至小班后，采用樣地實(shí)測(cè)或角規(guī)實(shí)測(cè)的方式完成，多依靠人力進(jìn)行。雖然調(diào)查精度較高，但工作效率較低，人力投入量大。在推進(jìn)構(gòu)建統(tǒng)一的自然資源調(diào)查監(jiān)測(cè)體系的大背景下，傳統(tǒng)的林業(yè)調(diào)查方式顯然不能滿足自然資源監(jiān)測(cè)體系的需要，也有悖于《方案》提出的構(gòu)建高效自然資源調(diào)查監(jiān)測(cè)技術(shù)體系要求。

1 林業(yè)“3S ”技術(shù)

“3S”技術(shù)由全球定位系統(tǒng)（GPS）、遙感技術(shù)（RS）和地理信息系統(tǒng)（GIS）組成。在林業(yè)調(diào)查領(lǐng)域，該項(xiàng)技術(shù)的應(yīng)用最早可追溯至二十世紀(jì)七八十年代，主要圍繞收集區(qū)域間隔期內(nèi)的航片和衛(wèi)片信息，實(shí)現(xiàn)森林資源動(dòng)態(tài)監(jiān)測(cè)的相關(guān)研究。經(jīng)多年發(fā)展，基于“3S”技術(shù)的林業(yè)調(diào)查方法愈發(fā)成熟，主要流程包括：遙感影像數(shù)據(jù)的收集與處理、判讀解譯標(biāo)志庫(kù)的建立、小班調(diào)查因子的提取、實(shí)地補(bǔ)充調(diào)查、建立回歸模型和成果產(chǎn)出。目前，國(guó)內(nèi)外學(xué)者多采用高分遙感影像，基于植被紋理特征，開(kāi)展森林植被分類(lèi)、生物量估測(cè)、災(zāi)害防控等專(zhuān)題研究。

1.1 植被分類(lèi)研究

研究方法包括多源遙感分類(lèi)法、機(jī)器學(xué)習(xí)分類(lèi)法和其他分類(lèi)法（含分類(lèi)器、面向?qū)ο蠓?、混合像元法等）。目前，在多源遙感及輔助信息分類(lèi)法、機(jī)器學(xué)習(xí)分類(lèi)法方面研究較多。

1.1.1 多源遙感分類(lèi)法研究

該方法細(xì)分為基于植被指數(shù)的分類(lèi)法、基于多時(shí)相的分類(lèi)法、基于輔助信息的分類(lèi)法。在基于植被指數(shù)的分類(lèi)法方面，通過(guò)分析植被在不同波段的吸收性與反射率，確定最終具有強(qiáng)吸收性和高反射率的波段，一般為紅光波段（R）和近紅外波段（NIR），將R 和NIR 建立數(shù)學(xué)關(guān)系后，用于區(qū)分植被指數(shù)。歸一化植被指數(shù)（NDVI）應(yīng)用較多，鄭維龍等基于2001 至2010 年黃淮平原MODIS—NDVI數(shù)據(jù)集，分析了黃淮平原間隔期內(nèi)的植被覆蓋變化，結(jié)果較為理想；許新惠等基于RS 和GIS 技術(shù)，對(duì)昆明市2013 至2015 年植被分類(lèi)和覆蓋度進(jìn)行時(shí)空特征研究，分析了各植被類(lèi)型的分布及動(dòng)態(tài)變化狀況。除NDVI 外，也有學(xué)者采用土壤調(diào)節(jié)植被指數(shù)（SAVI）、比值植被指數(shù)（RVI）、垂直植被指數(shù)（PVI）等進(jìn)行分類(lèi)?？傮w而言，無(wú)論是采用NDVI 亦或是SAVI、RVI 等其他指數(shù)，在地形環(huán)境較為復(fù)雜，林相效果破碎的區(qū)域使用時(shí)會(huì)受到限制，同時(shí)，精度普遍不高。

多時(shí)相遙感影像能夠客觀反映植被不同季節(jié)特征。Aurdal 等在植被分類(lèi)時(shí)加入午后因子，采用HMM模型對(duì)山地植被進(jìn)行分類(lèi)，其精度顯著提高；魏鵬飛等基于GF1/WFV 遙感影像，利用NDVI、EVI 和WDRVI 時(shí)序變化特征，對(duì)安徽省潁上縣主要農(nóng)作物進(jìn)行分類(lèi)識(shí)別，成功獲取了農(nóng)作物分布情況，總體精度達(dá)90%以上；黎良財(cái)?shù)然?987 至2013 年的Landsat TM/ETM+/OLI 時(shí)序遙感數(shù)據(jù)，研究了喀斯特山區(qū)植被覆蓋情況，客觀反映了所研究時(shí)段植被變化狀況及分布，為植被動(dòng)態(tài)監(jiān)測(cè)提供了參考。

由于單純依靠遙感影像易造成“同物異譜”和“同譜異物”的現(xiàn)象，因此可加入紋理、地形、光譜等輔助信息參與分類(lèi)。Pouliot 等基于MODIS 數(shù)據(jù)，加入高程、水文、交通等輔助信息并采用TM影像采樣，較好地監(jiān)測(cè)了加拿大森林覆蓋情況；Donager 等將遙感影像與LiDAR 技術(shù)融合，對(duì)美國(guó)Arizona 森林植被郁閉度監(jiān)測(cè)，其方法雖具有一定的創(chuàng)新性，但其精度未達(dá)90%；李廣采用UAV 技術(shù)，獲取了植被紋理參數(shù)（TLVI）并用于農(nóng)作物種植信息的提取，雖然提取精度較高，但其成本也較高，僅能在小范圍內(nèi)應(yīng)用。

1.1.2 機(jī)器學(xué)習(xí)分類(lèi)法研究

機(jī)器學(xué)習(xí)分類(lèi)法目前主要集中于人工神經(jīng)網(wǎng)絡(luò)（ANN）的研究。在人工神經(jīng)網(wǎng)絡(luò)（ANN）中，BP 神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)多應(yīng)用于植被分類(lèi)的研究。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）也逐漸成為分類(lèi)領(lǐng)域的一大研究熱點(diǎn)。李永亮等以馬尾松、樟樹(shù)、荷花玉蘭為研究對(duì)象，將高光譜特征數(shù)作為輸入矢量，樹(shù)種類(lèi)別作為輸出矢量，以此構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)，對(duì)上述樹(shù)種進(jìn)行分類(lèi)，分類(lèi)精度高達(dá)100%；劉旭升等基于ETM+影像，采用BP 神經(jīng)網(wǎng)絡(luò)法對(duì)內(nèi)蒙古九峰山森林植被進(jìn)行分類(lèi)，結(jié)果表明，采用神經(jīng)網(wǎng)絡(luò)分類(lèi)，精度較其他分類(lèi)法均有所提高；左羽等將經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)與全卷積網(wǎng)絡(luò)相結(jié)合，對(duì)植被圖像進(jìn)行分類(lèi)，結(jié)果表明，其準(zhǔn)確度達(dá)到97.23%。采用人工神經(jīng)網(wǎng)絡(luò)結(jié)合高分影像對(duì)植被分類(lèi)是未來(lái)的趨勢(shì)，但其算法較為復(fù)雜，處理時(shí)間較長(zhǎng)，有待進(jìn)一步優(yōu)化與完善。

1.2 生物量估測(cè)

早期基于“3S”技術(shù)的生物量估測(cè)方法：利用遙感數(shù)據(jù)（如TM、NOAA-VHRR 等），提取相關(guān)植被指數(shù)（如歸一化植被指數(shù)NDVI），結(jié)合樣地實(shí)測(cè)數(shù)據(jù)，建立不同樹(shù)種或不同植被類(lèi)型的生長(zhǎng)模型，以此來(lái)推算生物量。近年來(lái)，隨著研究不斷深入，逐步改進(jìn)并完善了原有技術(shù)方法，提高了估測(cè)精度。

劉常瑜等以嶗山林場(chǎng)為對(duì)象，基于TM和GF-1 號(hào)影像，結(jié)合地面實(shí)測(cè)數(shù)據(jù)，建立了生物量反演模型，并對(duì)比在不同數(shù)據(jù)源下的模型精度，結(jié)果表明，GF-1 號(hào)生物量反演模型精度優(yōu)于TM影像；溫小榮等基于泗陽(yáng)縣森林資源連續(xù)清查數(shù)據(jù)與TM 影像，對(duì)植被指數(shù)（RVI、NDVI、TNDVI 等）進(jìn)行提取并分析其相關(guān)性，挑選相關(guān)性較高的因子參與生長(zhǎng)模型的構(gòu)建，并估算出全縣楊樹(shù)生物量；陳中如等以河南省商城縣黃柏山林場(chǎng)為研究對(duì)象，基于SPOT 影像對(duì)森林生物量進(jìn)行估測(cè)，結(jié)果表明，生物量與第三近紅外波段相關(guān)性顯著。此外，估測(cè)精度依樹(shù)種而定，通常葉片密度越大，估測(cè)精度越高。

1.3 災(zāi)害防控

“3S”技術(shù)在災(zāi)害防控方面的應(yīng)用主要包括森林火災(zāi)防控和森林有害生物防控。

目前，對(duì)于森林火災(zāi)防控方面的研究較少，多偏向于火險(xiǎn)發(fā)生規(guī)律總結(jié)以及火險(xiǎn)的評(píng)估與區(qū)劃。何誠(chéng)等基于MODIS 數(shù)據(jù)所提取的8+9 波段，對(duì)黑龍江省2000 至2010 年森林火災(zāi)時(shí)空規(guī)律進(jìn)行研究，闡明了火災(zāi)發(fā)生規(guī)律以及與氣候、地形、植被類(lèi)型的關(guān)系，認(rèn)為MODIS 特別適用于森林火災(zāi)監(jiān)測(cè)。在火險(xiǎn)評(píng)估與區(qū)劃方面，主要研究方法包括：通過(guò)提取林火影響因子進(jìn)行火險(xiǎn)區(qū)劃，和采用風(fēng)險(xiǎn)評(píng)價(jià)原理進(jìn)行火險(xiǎn)評(píng)估。

在森林有害生物防控方面，主要是以GIS 為平臺(tái)，利用遙感數(shù)據(jù)反射光譜的特性，通過(guò)對(duì)比不同時(shí)相的影像數(shù)據(jù)，發(fā)現(xiàn)森林有害生物的動(dòng)態(tài)變化，實(shí)現(xiàn)區(qū)域的信息管理，掌握發(fā)生的范圍，最后對(duì)災(zāi)害進(jìn)行風(fēng)險(xiǎn)評(píng)估以及預(yù)測(cè)預(yù)報(bào)。陳春葉等以遙感數(shù)據(jù)和地面實(shí)測(cè)數(shù)據(jù)為信息源，對(duì)小隴山有害生物現(xiàn)狀和生態(tài)系統(tǒng)進(jìn)行監(jiān)測(cè)，結(jié)果較為理想；劉福臣采用TM影像，對(duì)大興安嶺黃褐天幕毛蟲(chóng)危害區(qū)域進(jìn)行動(dòng)態(tài)監(jiān)測(cè)，研究方法達(dá)到國(guó)內(nèi)領(lǐng)先水平，但研究未考慮林分結(jié)構(gòu)的差異，對(duì)于復(fù)層林監(jiān)測(cè)精度不高。

2 LiDAR 技術(shù)

LiDAR 技術(shù)在林業(yè)上的應(yīng)用最早可追溯至20世紀(jì)80 年代，因其具有成本低、精度高的優(yōu)點(diǎn)，被林業(yè)調(diào)查工作者青睞，已成為林業(yè)調(diào)查領(lǐng)域的一大熱點(diǎn)。LiDAR 系統(tǒng)主要有星載雷達(dá)、機(jī)載雷達(dá)和地基雷達(dá)，目前，在林業(yè)調(diào)查領(lǐng)域多偏向于機(jī)載雷達(dá)和地基雷達(dá)的研究，其研究?jī)?nèi)容可總結(jié)概括為數(shù)據(jù)獲取階段（LiDAR 數(shù)據(jù)獲取和地面實(shí)測(cè)數(shù)據(jù)獲?。?、數(shù)據(jù)預(yù)處理（濾波、降噪、地面點(diǎn)分割等）、點(diǎn)云分割（DSM/DTM/CHM 生成、單木分割等）、參數(shù)反演（胸徑、樹(shù)高、生物量等）。

機(jī)載激光雷達(dá)可直接獲得樹(shù)冠上部的空間特征（如樹(shù)高、冠幅等），將其與實(shí)測(cè)數(shù)據(jù)建立反演模型后，即可獲得胸徑、生物量、蓄積量等因子。馬驤等采用機(jī)載激光雷達(dá)，對(duì)金壇區(qū)碳匯監(jiān)測(cè)點(diǎn)77、250 號(hào)小班進(jìn)行LiDAR 估測(cè)研究，其胸徑、樹(shù)高、公頃蓄積量估測(cè)誤差分別在5%、5%、15%以內(nèi)，符合相關(guān)規(guī)程要求；龐勇等同步獲取了小興安嶺溫帶森林的LiDAR 數(shù)據(jù)和地面實(shí)測(cè)數(shù)據(jù)，對(duì)森林生物量開(kāi)展估測(cè)研究，結(jié)果表明，LiDAR 估測(cè)的生物量與實(shí)測(cè)值相關(guān)性較強(qiáng)，其中針葉林估測(cè)精度優(yōu)于闊葉林。

地基激光雷達(dá)能直接測(cè)得林冠下部結(jié)構(gòu)信息（如單木位置、胸徑等），通過(guò)回歸分析計(jì)算其他調(diào)查因子，測(cè)樹(shù)原理與機(jī)載激光雷達(dá)類(lèi)似。劉芳等隨機(jī)抽取6 個(gè)樹(shù)種進(jìn)行三維激光掃描，對(duì)樹(shù)冠體積的求算方法進(jìn)行研究，實(shí)現(xiàn)了樹(shù)木的無(wú)損高精度測(cè)量。除三維掃描外，還對(duì)不同種植密度下的估測(cè)精度進(jìn)行了研究，研究發(fā)現(xiàn)：種植密度與估測(cè)精度呈反比關(guān)系。若種植密度過(guò)大（如1 000 株/hm），可考慮在樣地內(nèi)設(shè)置多個(gè)測(cè)站，提高探測(cè)率。

3 數(shù)字?jǐn)z影測(cè)量技術(shù)

目前，國(guó)內(nèi)外對(duì)于數(shù)字?jǐn)z影測(cè)量技術(shù)在林業(yè)調(diào)查方面的研究較少，主要是通過(guò)無(wú)人機(jī)航空攝影結(jié)合林業(yè)專(zhuān)項(xiàng)調(diào)查數(shù)據(jù)，建立相關(guān)模型提取林分因子（株數(shù)、樹(shù)高等），再通過(guò)實(shí)測(cè)數(shù)據(jù)對(duì)比、驗(yàn)證數(shù)據(jù)的可信度。徐攻博等提出一種基于DSM、DTM、正射影像的自動(dòng)化解譯技術(shù)，通過(guò)采集航空攝影數(shù)據(jù)，采用開(kāi)閉合算法提取所需的調(diào)查因子用于估測(cè)蓄積量，其結(jié)果符合技術(shù)規(guī)程的精度要求；李明澤等采用航空影像，構(gòu)建立木數(shù)字立體模型，并進(jìn)行立木高度測(cè)量，對(duì)比實(shí)測(cè)數(shù)據(jù)發(fā)現(xiàn)，兩者呈線性正相關(guān)，采用攝影測(cè)量立木高度方法精度較高。除利用航空攝影直接測(cè)量外，還可將其與LiDAR 技術(shù)配合使用。地基激光雷達(dá)可直接獲取林下地形等數(shù)據(jù)，結(jié)合無(wú)人機(jī)航空攝影獲得冠層表面高度信息，在保證數(shù)據(jù)位置匹配的情況下，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)。

4 結(jié)語(yǔ)

當(dāng)今信息化時(shí)代，“3S”技術(shù)、LiDAR 等新技術(shù)的應(yīng)用，不僅顯著提升了林業(yè)調(diào)查工作效率，而且減少人力、物力投入。但林業(yè)調(diào)查屬于綜合性領(lǐng)域，涉及林學(xué)、測(cè)繪學(xué)、遙感學(xué)等多學(xué)科門(mén)類(lèi)，調(diào)查時(shí)還受地形、森林植被生長(zhǎng)季節(jié)等因素影響。目前，在林業(yè)調(diào)查領(lǐng)域尚未形成成熟推廣的新技術(shù)應(yīng)用體系。盡管新技術(shù)的應(yīng)用可能存在成本高、精度不太理想等問(wèn)題，但隨著技術(shù)的發(fā)展，數(shù)據(jù)獲取及處理流程將會(huì)更加智能化、低成本化，可以滿足林業(yè)調(diào)查新的更高需求。