基于無人機傾斜攝影技術(shù)的單木參數(shù)提取及胸徑模型構(gòu)建

王 越 何 誠 劉柏良 李雙雙

（1. 南京森林警察學(xué)院，江蘇 南京 210023；2. 艾歐史密斯（中國）環(huán)境電器有限公司，江蘇 南京 211200）

林業(yè)資源調(diào)查評估中，調(diào)查標(biāo)準地內(nèi)的樣木高度、冠幅及胸徑等立木因子是最基本的工作[1]。傳統(tǒng)林業(yè)資源調(diào)查主要以地面抽樣調(diào)查的方式進行，在樣地的實際設(shè)置中，往往會根據(jù)森林內(nèi)林木的大小等因素進行調(diào)整。但是樣地面積的增加會造成調(diào)查工作量大的增加，并且設(shè)置的樣地面積越大，越難得到符合要求的區(qū)域[2-4]。樣地內(nèi)，工作人員使用胸徑尺、羅盤儀、測高器和皮尺等工具獲取森林的面積、樹高、胸徑、蓄積量、林齡等信息，林木的胸徑是林地資產(chǎn)評估的重要參數(shù)[5]，獲取精準的胸徑數(shù)據(jù)是計算森林蓄積量和生物量的關(guān)鍵。但是現(xiàn)階段對于胸徑的測量仍處于實測考察測量和人員評估的階段，如天氣惡劣或人員無法涉足的區(qū)域，給測量評估帶來了很大的難度。這樣的調(diào)查方法不但工作效率低下、操作方法繁瑣，且獲取的數(shù)據(jù)需要進行大量的計算，浪費了人力物力，不符合當(dāng)今社會對精準林業(yè)的要求[6-7]。隨著科學(xué)技術(shù)的發(fā)展，一些高精度的測量設(shè)備在森林資源調(diào)查中應(yīng)用也逐步增多，如三維激光掃描儀、全站儀、GPS 數(shù)據(jù)采集設(shè)備、GIS 系統(tǒng)、數(shù)據(jù)分析系統(tǒng)以及地圖制作系統(tǒng)，此類設(shè)備在林業(yè)中的應(yīng)用雖大大提升了林業(yè)信息提取精度，但除了需要較高的資金投入外，也具有一定的局限性，如難以獲取大面幅的林業(yè)信息以及人員難以到達的區(qū)域的林分信息[8-9]。

近年來，無人機傾斜攝影技術(shù)逐漸在林業(yè)、草原、采礦等測量中應(yīng)用，該方法通過在無人機上搭載五鏡頭相機；同時從垂直、傾斜等多個角度采集同一目標(biāo)的影像，獲得地面目標(biāo)更為完整準確的信息，突破了傳統(tǒng)無人機只能進行正攝影的局限[10-12]。因此從多個角度進行拍攝的影像數(shù)據(jù)成果也豐富多樣，主要包括垂直影像、傾斜影像、點云、實景三維模型、數(shù)字正射影像（DOM）、數(shù)字表面模型（DSM），同時在此基礎(chǔ)上衍生出數(shù)字高程模型（DEM）、數(shù)字線劃地圖（DLG）等成果[13-14]。劉文萍等[15]利用無人機正攝影圖像對數(shù)目胸徑進行預(yù)測；蒲瑩等[16]利用激光雷達技術(shù)對立木樹高及相關(guān)樹冠因子進行測定；蘇迪等[17]基于無人機航測數(shù)據(jù)的森林郁閉度和蓄積量進行了估測；Kachamba 等[18]利用無人機提取的3D 數(shù)據(jù)對林地的生物量進行了估算，證明了無人機三維數(shù)據(jù)在生物量估算中的可行性；Panagiotidis 等[19]利用無人機搭載單木相機提取的高清圖像對樹冠和樹高進行了估測，并驗證了其精度； Gatziolis等[20]利用無人機攝影測量技術(shù)獲取小群樹木的三維模型，評估了幾個無人機平臺及圖像處理算法的準確性。傾斜攝影可以從多個方向觀察地物，彌補正射影像不足，而且數(shù)據(jù)量小，相較激光雷達龐大的點云三維數(shù)據(jù)，傾斜攝影技術(shù)獲取的影像數(shù)據(jù)要小得多，且成本低，易于操作。利用無人機傾斜攝影技術(shù)對森林資源調(diào)查進行的研究，主要是林區(qū)的宏觀調(diào)查研究，如森林蓄積量、森林平均高度、森林郁閉度等，對單獨立木因子信息提取的精度及胸徑反演模型的建立及模型精度評價的研究較少。

本研究旨在利用無人機搭載五目高清攝像頭對研究區(qū)域進行拍照掃描，獲取研究區(qū)域的三維模型，從而獲取任意立木的參數(shù)，以傳統(tǒng)高精度地面測量設(shè)備所測樣木因子為真值，對無人機傾斜攝影技術(shù)獲取單木因子的精度進行評價，并將提取的單木因子作為變量建立胸徑反演模型，并對反演模型的精度進行評價。研究的結(jié)果可為森林資源管理、生態(tài)保護、公安執(zhí)法提供參考，極大的促進森林資源調(diào)查向自動化方向發(fā)展，促進森林資源的動態(tài)監(jiān)測，對當(dāng)前國家合理開展生態(tài)環(huán)境保護工作具有重要的現(xiàn)實意義。

1 材料與方法

1.1 數(shù)據(jù)采集

試驗區(qū)（如圖1 所示）位于江蘇省南京市棲霞區(qū)南京森林警察學(xué)院，地處東經(jīng)118°54′51″，北緯32°06′45″，總面積約45 m2，海拔20～50 m，亞熱帶季風(fēng)氣候。本研究共選取了校園內(nèi)道路兩側(cè)的4 塊梧桐樹種植區(qū)作為研究對象，每塊樣地的大小為12 m × 140 m，共60 組有效數(shù)據(jù)，林齡50 a，行距約5 m，周圍無遮擋，地面手段可以精準獲取單木的信息。地面手段測量到的單木參數(shù)作為測量真值，用于檢測無人機獲取數(shù)據(jù)的精度。樹高、冠幅采用南方NTS-3401 全站儀進行測量，胸徑采用圍尺進行測量，在距離樹木根莖1.3 m 除測量樣木胸徑，記錄結(jié)果。

圖1 實驗地三維立體圖Fig. 1 Experimental 3D stereogram

使用全站儀測量樣本樹木的樹高，并將該數(shù)據(jù)作為測量真值，用于驗證無人機傾斜攝影技術(shù)獲取森林單木參數(shù)的精度，測量方法見圖2。本研究使用南方NTS–3401 全站儀進行樹高測量，該設(shè)備具有3R 級可見激光，無棱鏡精度為3 mm +2 × 10-6·D，測量的范圍在550 m 以內(nèi)，理想測距范圍為300 m 以內(nèi)。

圖2 全站儀測量樹高示意Fig. 2 Total station to obtain the tree height diagram

在東、南、西、北4 個方向樹冠投影處立棱鏡即可測量這些點的平面坐標(biāo)，再根據(jù)坐標(biāo)數(shù)據(jù)計算出東西、南北的寬度，取平均值，即為冠幅（圖3）。

圖3 全站儀測量冠幅示意Fig. 3 Total station to obtain the crown width diagram

1.2 航攝系統(tǒng)設(shè)置

采用的航攝系統(tǒng)是深圳市科衛(wèi)泰實業(yè)發(fā)展有限公司自主研制的KWT–X6L–15 無人機飛行系統(tǒng)，見圖4。它是由KWTX6L15 型多旋翼無人機飛行平臺、飛行控制系統(tǒng)、CCD 數(shù)碼相機組成的主體攝像系統(tǒng)，并配有地面站、遠程無線通訊裝置、地面數(shù)據(jù)處理系統(tǒng)等輔助設(shè)施。

圖4 無人機3D 攝影技術(shù)示意Fig. 4 Schematic diagram of 3D photography of UAV

研究區(qū)域的數(shù)據(jù)采集時間為2020 年6 月1 日中午，天氣晴朗、風(fēng)速1～2 級、PM2.5優(yōu)，選擇此時間的目的是盡量減少光照、風(fēng)速等天氣因素對航測效果的影響，并且正午時分可以保證樹冠的陰影面積小，減少后期冠幅提取時的影響。因為當(dāng)飛行高度大于50 m 或者飛行速度大于3 m/s時，建模效果不理想，有部分影像看不清楚。因此本次飛行預(yù)設(shè)的相對高度為35 m，飛行速度為2.5 m/s，相機垂直于地面，航向重疊率85%，旁向重疊率為75%，共布置了77 條航線（橫向38條，縱向39 條）。本研究區(qū)域共采集2 400 余張無人機遙感影像。

1.3 基于三維遙感數(shù)據(jù)提取單木參數(shù)

1.3.1 獲取樹高數(shù)據(jù)

使用Context Capture Center 軟件對無人機搭載五目相機所獲取的航拍數(shù)據(jù)進行三維建模。完成三維模型后，使用Acute3D Viewer 軟件可以在獲取的三維立體遙感數(shù)據(jù)上，提取任意樣木樹頂?shù)降孛骈g的距離即為樹高（圖5）。

圖5 無人機3D 攝影提取樹高技術(shù)Fig. 5 Extracting tree height by UAV 3D photography

1.3.2 獲取冠幅數(shù)據(jù)

樹冠的提取方法選用目視解譯法，依據(jù)目標(biāo)地物的色調(diào)、亮度、陰影、紋理和結(jié)構(gòu)等方面的特征，以無人機拍攝的地物圖像為底圖，手動勾繪出樹冠的邊緣，邊緣形成的閉合面積即為樹冠的冠幅面積，然后量取東西、南北走向?qū)挾鹊钠骄导礊楣诜▓D6）。

圖6 無人機3D 攝影獲取冠幅技術(shù)Fig. 6 Crown amplitude extraction by UAV 3D photography

1.4 構(gòu)建胸徑模型

林木的胸徑是林地資產(chǎn)評估的重要參數(shù)，自動獲取胸徑數(shù)據(jù)是準確高效計算森林蓄積量和生物量的關(guān)鍵。無人機獲取林木的樹高和冠幅相對容易，而獲取胸徑具則有一定的局限性。因此，本研究擬以樹高（H）、冠幅（CW）2 個參數(shù)為自變量，胸徑（DBH）為因變量，構(gòu)建胸徑模型，分別構(gòu)建樹高–胸徑模型、冠幅–胸徑模型以及樹高&冠幅–胸徑模型。試驗共獲取60 組樣木的冠幅、樹高及胸徑數(shù)據(jù)，將這些數(shù)據(jù)按4∶1 隨機分成2 組，80% 的數(shù)據(jù)用于建立胸徑反演模型，20%的數(shù)據(jù)用于驗證模型精度。常用的胸徑反演模型見表1。

表1 胸徑建模常用模型Table 1 Commonly used models for diameter inversion

1.5 精度評價

1.5.1 測量精度評價

單木樹高的測量精度采用絕對誤差（Δ）和相對誤差（ER）進行評價。將地面測量獲取的60 組樹高、冠幅值作為真值，與無人機獲取的60 組樹高、冠幅精度進行評價，無人機傾斜攝影技術(shù)提取的樹高、冠幅的絕對誤差、相對誤差計算方法見式（1）～（2），相對誤差滿足B 類森林資源樹高因子誤差值（10%）規(guī)定[1]即可。

式中：VG為無人機傾斜影像提取的樹高、冠幅數(shù)據(jù)，VT為全站儀測量的樹高、冠幅數(shù)據(jù)真值。

單木冠幅的提取精度根據(jù)全站儀測量的單木樹冠冠幅與投影面積大小與目視解譯法提取的樹冠冠幅和投影面積大小進行精度評價，計算方法見式（3）：

式中：P參數(shù)表示樹冠冠幅和樹冠投影面積提取精度，S實測表示全站儀測量的樹冠面積和投影面積大小，S提取表示無人機提取的樹冠冠幅和投影面積大小。

1.5.2 模型精度評價

將48 組隨機抽取的數(shù)據(jù)進行胸徑模型擬合，采用決定系數(shù)（R2）和殘差平方和（RSS）來驗證模型的精度，其中R2越大，RSS 的值越小，代表擬合程度越好；在模型擬合之后，利用剩余的12 組數(shù)據(jù)用于模型獨立性檢驗，采用決定系數(shù)（R2）、均方根誤差（RMSE）和相對誤差（ER）3 個指標(biāo)進行評價，其中R2越大，RMSE 越小，ER的波動范圍越小，代表模型預(yù)估的精度越高。

2 結(jié)果與分析

2.1 單木參數(shù)提取精度評價

2.1.1 無人機提取樹高精度分析

無人機三維立體圖上獲取的樹高值與全站儀實測樹高值的分布見圖7。提取的樹高值與實際測量的樹高值分布趨勢大體一致，差異性較小，精度較為準確。通過三維數(shù)據(jù)提取的最大樹高值為23.89 m，最小樹高值為15.17 m，全站儀測量的最大樹高值為23.56 m，最小值為14.89 m?；谌S數(shù)據(jù)提取的60 株樣木的樹高值的絕對誤差范圍為0.21～1.66 m，相對誤差范圍為0.53%～5.39%，平均誤差率為2.07%，滿足B 類森林資源樹高因子誤差值規(guī)定（10%），提取結(jié)果良好。

圖7 無人機提取的樹高值與人工實測值的對比Fig. 7 Comparison and distribution of tree height extracted by UAV and measured manually

2.1.2 無人機提取冠幅精度分析

無人機三維立體圖上獲取的冠幅值與全站儀實測冠幅值的分布見圖8。提取的冠幅值與實際測量的冠幅值分布趨勢大體一致，差異性較小，精度較為準確。提取的最大冠幅值為16.75 m，最小冠幅值為7.26 m，全站儀測量的最大冠幅值為16.89 m，最小值為7.42 m。60 株樣木的冠幅提取值的絕對誤差范圍為0.06～0.7 m，相對誤差范圍為1.3%～8.17%，平均相對誤差為3.45%。通過計算可知，提取樹冠冠幅的精度為94.6%～99.5%，提取結(jié)果良好。

圖8 無人機提取的冠幅值與人工實測冠幅值的對比Fig. 8 Comparison and distribution of canopy amplitude extracted by UAV and measured manually

2.2 胸徑模型精度評價

2.2.1 樹高–胸徑模型及精度分析

樹高–胸徑（H–DBH）模型是將樹高（H）作為自變量，胸徑（DBH）作為因變量構(gòu)建模型，各模型的精度分析結(jié)果見表2。在模型擬合精度方面，R2均大于0.95，其中R2最高、RSS 最小的模型均是二次多項式模型，一次多項式和冪函數(shù)模型的R2相近，而冪函數(shù)的RSS 明顯小于一次多項式模型的，因此二次多項式模型的模型擬合效果最好，其次是冪函數(shù)模型，一次多項式模型擬合效果在這3 個模型中表現(xiàn)略差。在獨立性檢驗方面，R2最大、RMSE 最小、ER最小的模型均是二次多項式模型，冪函數(shù)和一次多項式模型的獨立性檢驗指標(biāo)均相近，因此二次多項式模型的估測效果最優(yōu)，其次是一次多項式和冪函數(shù)模型。綜合2 個方面的模型精度評價結(jié)果可知，二次多項式樹高–胸徑模型的模型精度最佳。

表2 樹高-胸徑各模型精度評價Table 2 Fitting parameters of H-DBH models

2.2.2 冠幅-胸徑模型及精度分析

冠幅–胸徑（CW–DBH）模型是將冠幅（CW）作為自變量，胸徑（DBH）作為因變量構(gòu)建模型，各模型的精度分析結(jié)果見表3。在模型擬合精度方面，R2均大于0.96，其中R2最高、RSS 最小的模型均是二次多項式模型，一次多項式和冪函數(shù)模型的R2相近，而冪函數(shù)的RSS 明顯小于一次多項式模型的，因此二次多項式模型的模型擬合效果最好，其次是冪函數(shù)模型，一次多項式模型擬合效果在這3 個模型中表現(xiàn)略差。在獨立性檢驗方面，R2最大、RMSE 最小、ER最小的模型均是二次多項式模型，一次多項式模型的3 個指標(biāo)均優(yōu)于冪函數(shù)，因此二次多項式模型的估測效果最優(yōu)，其次是一次多項式，冪函數(shù)模型的預(yù)估能力在這3 個模型中表現(xiàn)略差。綜合兩個方面的模型精度評價結(jié)果可知，二次多項式樹高–胸徑模型的模型精度最佳。

表3 冠幅-胸徑各模型擬合參數(shù)Table 3 Fitting parameters of crown width-diameter models

2.2.3 樹高&冠幅-胸徑模型及精度分析

樹高&冠幅–胸徑（H&CW–DBH）模型是將樹高（H）、冠幅（CW）為自變量，胸徑（DBH）作為因變量構(gòu)建模型，各模型的精度分析結(jié)果見表4。在模型擬合精度方面，R2均大于0.97，其中R2最高、RSS 最小的模型均是二次多項式模型，一次多項式模型的2 個指標(biāo)均次于二次多項式模型，因此二次多項式模型的模型擬合效果最好，其次是一次多項式模型。在獨立性檢驗方面，R2最大、RMSE 最小、ER最小的模型均是二次多項式模型，一次多項式模型次之，因此二次多項式模型的估測效果最優(yōu)，其次是一次多項式和冪函數(shù)模型。綜合2 個方面的模型精度評價結(jié)果可知，二次多項式樹高–胸徑模型的模型精度較佳。

表4 樹高&冠幅-胸徑各模型擬合參數(shù)Table 4 Fitting parameters of each model of CW&H-DBH

2.2.4 各類胸徑模型比較

經(jīng)過上述對比，從上述3 類模型中的選出最優(yōu)模型，各類型最優(yōu)模型參數(shù)見表5。由表5 可知，H&CW–DBH 的二次多項式模型的擬合效果最高最好，H–DBH 二次多項式模型擬合效果次之，CW–DBH 二次多項式擬合效果相較于前兩者略差。在獨立性檢驗方面，H&CW–DBH 的二次多項式模型估測效果最好，但CW–DBH 的估測能力要強于H–DBH 的估測能力，這可能是因為除了模型的擬合程度，還存在模型泛化的問題。綜上所述，H&CW–DBH 模型精度最佳。

表5 最優(yōu)模型比對參數(shù)Table 5 Comparison parameters of optimal model

3 結(jié)論與討論

本研究利用無人機傾斜攝影技術(shù)獲取了冠幅、樹高等單木參數(shù)，并對這些獲取參數(shù)進行了精度比對，同時利用這些參數(shù)，建立了胸徑的反演模型，通過研究得結(jié)論如下：

1）無人機傾斜攝影技術(shù)只需要利用無人機搭載五目相機在目標(biāo)區(qū)域飛行后，便可獲得該區(qū)域的三維立體影像數(shù)據(jù)，利用相關(guān)軟件對飛行數(shù)據(jù)進行建模，便可在三維影像中進行樣木參數(shù)的提取，此技術(shù)操作簡單、成本較低，提高外業(yè)效率的同時，還能在飛行過程中進行地理空間的實景三維模型的重建，獲取被測區(qū)域全方位的空間信息。

2）無人機傾斜攝影技術(shù)獲取的立木參數(shù)與人工實測立木參數(shù)分布趨勢大體一致，計算得到的絕對誤差為0.21～1.66 m，相對誤差波動范圍為0.53%～5.39%，平均相對誤差為2.07%，滿足國家規(guī)定的B 類森林資源樹高因子的誤差率小于10%的規(guī)定，樹高提取結(jié)果良好；冠幅的絕對誤差為0.06～0.7 m，相對誤差波動范圍為1.3%～8.17%，平均相對誤差為3.45%，提取冠幅精度為94.6%～99.5%，冠幅提取結(jié)果良好。因此，無人機獲取單木因子的精度較高。

3）試驗所得的擬合模型中，H&CW–DBH 的二元胸徑反演模型效果是最好的，此模型擬合的決定系數(shù)高達0.983，殘差平方和為35.62，擬合度較好；從模型的預(yù)估能力來看，其決定系數(shù)高達0.9，均方根誤差為0.83，相對誤差為2.21%。滿足國家規(guī)定的A 類森林資源調(diào)查胸徑因子誤差率小于5%的要求[1]，精準度高。說明無人機獲取樣木參數(shù)構(gòu)建胸徑反演模型的方法精度高，具有較高的實用性和推廣性。

利用全站儀測量樹高、冠幅均需要至少2 個外業(yè)人員，1 個人負責(zé)測量，1 個負責(zé)固定控制點，并且要在樣地內(nèi)進行每木調(diào)查，調(diào)查方式繁瑣、數(shù)據(jù)處理復(fù)雜，并且在看不到邊界或者路況不佳的山區(qū)，此方法有很大局限性。無人機傾斜攝影技術(shù)可以多個角度獲取地物的信息，快速獲取研究區(qū)域的影像并導(dǎo)入相關(guān)軟件，即可獲取研究區(qū)域的三維立體圖，再對所需數(shù)據(jù)進行量取，并且無人機價格相對低廉、大幅提高作業(yè)效率、飛行高度低等優(yōu)勢可深入林區(qū)進行拍攝，很大程度上減少外業(yè)的工作量，降低了外業(yè)難度，在森林信息資源獲取中具有極高的應(yīng)用價值。但利用無人機進行航空測量仍存在一些缺點，如續(xù)航能力差，不適合大范圍的航攝；受森林林分、郁閉度的影響，精度會出現(xiàn)不同的差異，這些還有待于考究，且本研究對于無人機立體攝影中提取的胸徑的方法僅限人工純林，對于多種樹種混交的林區(qū)是否可用，還需要進一步探索。