基于機(jī)載激光雷達(dá)冠層高度模型的小班區(qū)劃

熊 昊，龐 勇＊，莢 文，李春干

(1.中國林業(yè)科學(xué)研究院資源信息研究所，國家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100091；2.廣西大學(xué)林學(xué)院，廣西 南寧 530004)

小班是內(nèi)部特征基本一致，與相鄰地段有明顯區(qū)別而需要采取相同經(jīng)營措施的森林地塊或小區(qū)，是森林資源統(tǒng)計(jì)、經(jīng)營和管理的基本單位[1]。小班區(qū)劃通常是依據(jù)高分辨率遙感影像目視判讀或?qū)嵉毓蠢L，工作量巨大，且會(huì)因調(diào)查員的知識水平、經(jīng)驗(yàn)、調(diào)查線路、觀察視角等主觀因素差異產(chǎn)生結(jié)果不一致的問題[2-3]。因此，對小班自動(dòng)區(qū)劃進(jìn)行研究十分必要。在小班的劃分條件[1]中，權(quán)屬、森林類別等因子是政策規(guī)定或造林時(shí)已經(jīng)確定的，這些因子通常不因林分狀態(tài)的變化而改變，且可以從上一期林相圖中提取。而優(yōu)勢樹種組成、齡級等因子可以通過遙感方法提取。

國內(nèi)已有一些研究采用遙感影像來進(jìn)行自動(dòng)或半自動(dòng)的小班區(qū)劃。這些研究通常采用Landsat、SPOT5、QuickBird、ALOS 等高分辨率衛(wèi)星遙感影像作為輔助數(shù)據(jù)，使用多尺度分割和分類的方法獲得小班界線[3-6]。但衛(wèi)星影像受到空間分辨率的約束，對小班區(qū)劃仍具有一定的局限性。國外有一些學(xué)者采用航空遙感影像進(jìn)行小班區(qū)劃[7-8]，但多限于區(qū)分內(nèi)部較均質(zhì)的林分，沒有對我國森林調(diào)查規(guī)劃規(guī)程中規(guī)定的優(yōu)勢樹種、小班面積等因子的嚴(yán)格界定。并且影像數(shù)據(jù)中不包含林分結(jié)構(gòu)信息，可能會(huì)有樹種相同，但樹高、密度等不同的林分被劃分為同一小班，同時(shí)影像也可能有云和陰影等干擾因素。

近年來機(jī)載激光雷達(dá)（ALS）技術(shù)在林業(yè)中的應(yīng)用日益廣泛[9]。ALS 數(shù)據(jù)是由搭載在有人機(jī)或無人機(jī)平臺上的激光雷達(dá)傳感器掃描獲取的，適用于森林結(jié)構(gòu)觀測[10]。由ALS 數(shù)據(jù)生成的森林冠層高度模型可以為小班區(qū)劃提供準(zhǔn)確的位置、林分平均高、林分密度、郁閉度等信息[11-12]。通過對CHM的分割可以將森林參數(shù)不同的地塊區(qū)分開，得到符合林區(qū)實(shí)際情況的小班邊界。Mustonen 等[13]比較了采用CHM 和RGB 航空遙感影像和綜合兩種數(shù)據(jù)的林分區(qū)劃，發(fā)現(xiàn)基于CHM 的區(qū)劃的林分比基于RGB 航空遙感影像和基于兩種數(shù)據(jù)區(qū)劃的林分更均勻。Koch 等[11]利用20 m 空間分辨率的低密度ALS 數(shù)據(jù)進(jìn)行小班區(qū)劃，采用特征提取、創(chuàng)建和基于柵格的分類方法。Wu 等[14]從點(diǎn)云中提取樹的大小、林分密度和樹種特征，使用非監(jiān)督均值漂移算法和區(qū)域生長法進(jìn)行分割。Dechesne 等[15]從點(diǎn)云和多光譜影像中計(jì)算并篩選出了94 個(gè)特征，并使用隨機(jī)森林方法進(jìn)行樹種監(jiān)督分類得到林分區(qū)劃結(jié)果。Pukkala 等[16-18]利用16 m 的ALS 數(shù)據(jù)和森林資源調(diào)查數(shù)據(jù)，使用元胞自動(dòng)機(jī)方法，通過調(diào)整柵格內(nèi)部屬性參數(shù)來進(jìn)行林分區(qū)劃。而國內(nèi)現(xiàn)有研究中，僅有少數(shù)研究利用ALS 數(shù)據(jù)在ArboLiDAR軟件中進(jìn)行了林分高度分割[19]，并用于反演云杉次生純林的林分平均高。Jia 等[20]討論了不同形狀和面積參數(shù)對元胞自動(dòng)機(jī)林分區(qū)劃的影響。

已有的研究中體現(xiàn)了ALS 數(shù)據(jù)用于林分區(qū)劃的潛力，但這些研究沒有針對小班區(qū)劃需求，并且未充分考慮樹種信息。機(jī)載高光譜影像具有較高的空間和光譜分辨率，大量研究表明[21-25]，機(jī)載高光譜數(shù)據(jù)可以產(chǎn)生高精度的森林樹種分類結(jié)果，為小班區(qū)劃提供準(zhǔn)確的樹種組成信息。因此，本研究利用機(jī)載激光雷達(dá)數(shù)據(jù)和高光譜影像樹種分類結(jié)果進(jìn)行小班區(qū)劃，并與人工區(qū)劃小班進(jìn)行對比，綜合探究在高光譜影像樹種信息的輔助下，ALS 數(shù)據(jù)生成的高精度CHM 在小班區(qū)劃中的應(yīng)用潛力。

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于黑龍江省佳木斯市樺南縣東北部的孟家崗林場，地理坐標(biāo)為130°32′～130°52′ E，46°20′～46°30′ N。地處完達(dá)山西麓余脈，以低山丘陵為主，坡度較為平緩，坡度在10°～20°之間。地勢東北高，西南低，平均海拔約為250 m。孟家崗林場人工林占林地面積的76.7%，其中落葉松（Larix olgensisHenry）、樟子松（Pinus sylvestrisvarmongolicaLitvin.）、紅松（Pinus koraiensisSieb.et Zucc.）約占80%。天然林主要分布在林場的東北方向，占全部森林面積27.5%，主要樹種包括白樺（Betula platyphyllaSuk.）、柞樹（Quercus mongolicaFisch.Ex Ledeb）和椴樹（Tilia tuanSzyszyl）。

1.2 數(shù)據(jù)

1.2.1 遙感數(shù)據(jù) 采用中國林業(yè)科學(xué)研究院的機(jī)載綜合遙感觀測平臺CAF-LiCHy[26]于2017 年5 月31 日至6 月15 日采集的LiDAR 數(shù)據(jù)，航攝平臺為運(yùn)-5 多用途飛機(jī)，絕對飛行高度為1 000 m。CAF-LiCHy 機(jī)載系統(tǒng)包含全波形機(jī)載激光雷達(dá)（LMS-Q680i）、機(jī)載推掃式高光譜掃描儀（AISA EagleⅡ）和高分辨率CCD 相機(jī)，3 個(gè)傳感器共用一套POS 位置和姿態(tài)系統(tǒng)。飛行時(shí)航向和旁向交并比分別為70%和50%，獲取的數(shù)字正射影像空間分辨率為0.1 m。LMS-Q680i 激光傳感器是奧地利Riegl 公司的全波形激光雷達(dá)系統(tǒng)，工作波長為1 550 nm，激光束發(fā)散角為0.5 mrad，波形數(shù)據(jù)的記錄間隔為1 ns，最大脈沖重復(fù)頻率為400 kHz。激光雷達(dá)點(diǎn)云數(shù)據(jù)的平均密度為12 pts·m-2，航帶間點(diǎn)云誤差為水平0.1 m，垂直0.12 m。高光譜AISA Eagle II 傳感器光譜范圍400～970 nm，光譜分辨率為3.3 nm，空間分辨率為0.5 m。CAFLiCHy 機(jī)載系統(tǒng)同步獲取的激光雷達(dá)數(shù)據(jù)、數(shù)字正射影像和高光譜影像的空間位置的一致性精度優(yōu)于1 m[27]。

1.2.2 樹種分類圖 樹種類別圖由CAF-LiCHy 機(jī)載系統(tǒng)同步獲取的高光譜影像監(jiān)督分類獲得。對高光譜影像的每個(gè)波段使用灰度共生矩陣計(jì)算了均值、均勻性、異質(zhì)性、相關(guān)性、方差、二階矩、熵、對比度8 種紋理特征，對紋理特征用最小噪聲分離法降維。使用提取的紋理信息和光譜信息進(jìn)行SVM 監(jiān)督分類，分為落葉松、紅松、樟子松、云杉、闊葉樹、耕地和其他7 類[24-25]。經(jīng)2017、2019 和2020 年采集的679 個(gè)樣地調(diào)查數(shù)據(jù)驗(yàn)證，總體分類精度為91.28%，Kappa 系數(shù)為0.88。

1.2.3 樣地實(shí)測數(shù)據(jù) 2017 年對孟家崗林場70 塊固定樣地進(jìn)行每木檢尺，測量了樣地中每株樹的胸徑、樹高和冠幅，計(jì)算每個(gè)樣地的算術(shù)平均胸徑和算術(shù)平均高。采用差分GNSS 對樣地進(jìn)行精確定位，定位精度優(yōu)于1 m。70 個(gè)樣地中包括落葉松樣地40 個(gè)、樟子松樣地11 個(gè)和紅松樣地19 個(gè)。

1.2.4 人工區(qū)劃小班數(shù)據(jù) 2016 年以衛(wèi)星影像為底圖，通過目視解譯得到林場林相圖，與航空遙感數(shù)據(jù)存在時(shí)間和空間位置上的差異。因此，以2017年機(jī)載高光譜影像為底圖，對2016 年林相圖進(jìn)行修正，得到2017 年人工區(qū)劃小班數(shù)據(jù)。修正調(diào)整后的小班界線更符合實(shí)際情況，且保證了與機(jī)載高光譜和激光雷達(dá)數(shù)據(jù)空間位置的一致性。冠層高度模型、樹種類別圖、小班邊界和樣地分布見圖1。

圖1 孟家崗林場冠層高度模型、樹種類別圖及小班區(qū)劃圖Fig.1 Canopy height model,tree species map and related data for sub-compartments delineation in Mengjiagang forest farm

采用孟家崗林場2017—2019 年共有149 個(gè)伐區(qū)調(diào)查數(shù)據(jù)，面積為1～17 hm2。由于林分生長慢，對小班區(qū)劃而言，2017—2019 年的林分變化可以忽略不計(jì)，故采用3 個(gè)年度的主伐作業(yè)小班作為對照。

在森林資源調(diào)查監(jiān)測工作中，參考對象主要有人工區(qū)劃的小班圖和比用于自動(dòng)區(qū)劃的遙感數(shù)據(jù)分辨率更高的數(shù)據(jù)勾繪得到的小班圖，其中勾繪得到的小班圖誤差更少[4]。本研究基于0.1 m 空間分辨率DOM 屏幕勾繪了100 個(gè)小班作為參考小班。

2 研究方法

使用機(jī)載高光譜影像分類得到的樹種圖作為輔助數(shù)據(jù)，首先對1 m 空間分辨率的CHM 數(shù)據(jù)進(jìn)行多尺度分割，得到過分割結(jié)果圖；然后對1 m 空間分辨率的CHM 數(shù)據(jù)均值下采樣到5 m，并使用對稱近鄰均值濾波（SNN）平滑，再對其進(jìn)行多尺度分割，得到欠分割結(jié)果圖；最后將過分割和欠分割結(jié)果進(jìn)行融合優(yōu)化，得到最終小班區(qū)劃結(jié)果?？偭鞒虉D如圖2 所示。

圖2 基于機(jī)載激光雷達(dá)冠層高度模型和樹種類別的小班自動(dòng)區(qū)劃流程Fig.2 The flowchart of automatic delineation of forest stands based on CHM from airborne LiDAR data and tree species

2.1 LiDAR 數(shù)據(jù)預(yù)處理

采用Lastools 軟件對LiDAR 點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理。去除噪聲點(diǎn)，進(jìn)行點(diǎn)云分類，將分類后的地面點(diǎn)與非地面點(diǎn)分別采用TIN 內(nèi)插算法與最大高程插值方法生成空間分辨率為1 m 的數(shù)字高程模型（DEM）和數(shù)字表面模型（DSM），用DSM與DEM 相減獲得CHM 數(shù)據(jù)，其空間分辨率為1 m[28]。

2.2 CHM 平滑濾波

CHM 空間分辨率小于研究區(qū)樹冠的平均冠幅，在圖像分割中將產(chǎn)生大量過分割的斑塊，為此，對1 m 空間分辨率的CHM 數(shù)據(jù)進(jìn)行適當(dāng)?shù)闹夭蓸雍推交瑸V波，對同一株樹的多個(gè)像元取平均值，以更好地顯示這株樹的信息。在林分尺度上，對CHM 數(shù)據(jù)適當(dāng)?shù)钠交粫?huì)對小班邊界產(chǎn)生大的影響。為減少像元重采樣和平滑對小班邊界的影響，確保邊界的突顯性，采用具有邊緣保持特性的平滑濾波器。

對KNN 均值、最小方差均值、Sigma 平滑和SNN4 種濾波器的5 m 空間分辨率CHM 數(shù)據(jù)平滑效果進(jìn)行比較分析，綜合考慮異質(zhì)區(qū)域間邊界的保持效果和同質(zhì)區(qū)域內(nèi)的平滑效果，選用SNN 濾波器進(jìn)行5 m 分辨率CHM 的平滑處理。

SNN 濾波的核心思想是：比較窗口范圍內(nèi)對稱像元的值，選取每對像元中與目標(biāo)像元值更相近的值，對窗口內(nèi)選取的所有像元取均值作為目標(biāo)像元值，并保留與目標(biāo)像元差異大的像元值不變。這樣在保持邊緣的同時(shí)，又可以以較低的計(jì)算量對圖像進(jìn)行平滑[29]。根據(jù)地面調(diào)查數(shù)據(jù)，研究區(qū)成熟林分的平均冠幅約為5 m。比較3 × 3、5 × 5、7 ×7 和9 × 9 像素窗口的濾波效果，發(fā)現(xiàn)當(dāng)窗口過小時(shí)會(huì)使平滑效果變差，最終區(qū)劃結(jié)果中產(chǎn)生過多面積較小的小班。窗口過大時(shí)不同小班的邊界更加模糊，難以區(qū)分不同小班，最終區(qū)劃結(jié)果中有很多差異較大的應(yīng)區(qū)劃為不同小班的區(qū)域未分割開，窗口大小為5 × 5 時(shí)濾波結(jié)果最優(yōu)。

2.3 多尺度分割

多尺度分割算法是從單像元對象開始的區(qū)域合并過程，合并規(guī)則基于局部光譜均勻性，即相鄰圖像對象之間的相似性。光譜均勻性標(biāo)準(zhǔn)定義為光譜值的標(biāo)準(zhǔn)偏差之和，每次合并時(shí)方差增加最小的對象被合并，當(dāng)最小增量高于用戶定義的閾值(尺度參數(shù))時(shí)，分割過程結(jié)束[30]。本研究中的過分割即分割出大量面積較小的對象，對象小于小班尺度。欠分割即分割出數(shù)量較少、面積較大的對象，對象接近小班尺度。其中面積很小的與周圍區(qū)域差異較大的區(qū)域沒有被分割出來，因此稱為欠分割。

將人工區(qū)劃小班疊加到樹種分類圖上，統(tǒng)計(jì)每個(gè)小班各樹種像元數(shù)占小班總像元數(shù)的比例，即樹種組成。選取樹種成數(shù)最大的優(yōu)勢樹種作為該小班的樹種。融合相同樹種的區(qū)域形成樹種矢量圖。在eCognition 軟件中用CHM 數(shù)據(jù)作為底圖，加入樹種矢量圖作為輔助數(shù)據(jù)，在同類樹種區(qū)域內(nèi)對CHM 進(jìn)行多尺度分割得到林分高度和密度一致的小班斑塊。分割方案中尺度參數(shù)設(shè)定為10～300，形狀參數(shù)和緊致度參數(shù)設(shè)定為0.1～0.9，進(jìn)行了多組試驗(yàn)，最終確定了分割效果最優(yōu)的參數(shù)。

2.4 分割結(jié)果優(yōu)化

對CHM 數(shù)據(jù)進(jìn)行多尺度分割的過程中，采用了多組參數(shù)進(jìn)行試驗(yàn)，結(jié)果顯示為1 m 和5 m 空間分辨率數(shù)據(jù)的分割結(jié)果最具互補(bǔ)性。5 m 空間分辨率CHM 的欠分割結(jié)果顯示了主要的林分區(qū)域，但其輪廓和林分邊緣的樹冠輪廓并不完全相符。1 m分辨率CHM 的過分割結(jié)果雖然形成了過多的斑塊，但其輪廓和林分邊緣的樹冠輪廓更相符。因此需要使用過分割結(jié)果來優(yōu)化欠分割結(jié)果。

本研究使用ArcGIS 軟件中的update 工具實(shí)現(xiàn)多尺度分割結(jié)果的融合。其原理是對輸入圖層和用于更新的圖層進(jìn)行幾何相交的計(jì)算，其中輸入圖層被更新圖層覆蓋部分的屬性用更新圖層的屬性代替。在更新時(shí)可以調(diào)整容差值，即輸出圖層邊界的X,Y坐標(biāo)相對于輸入圖層邊界的X,Y坐標(biāo)可移動(dòng)的距離。將欠分割結(jié)果作為更新圖層，通過調(diào)整兩種尺度的分割結(jié)果間的容差值，經(jīng)過多次試驗(yàn)，確定容差值為3 m 時(shí)優(yōu)化效果最佳。

2.5 區(qū)劃結(jié)果精度驗(yàn)證

區(qū)劃結(jié)果采用形狀因子和定量因子2 種方式進(jìn)行精度驗(yàn)證。首先評估林分邊界的準(zhǔn)確程度，采用人工區(qū)劃小班、主伐作業(yè)小班和0.1 m 空間分辨率DOM 屏幕勾繪的小班作為參考。根據(jù)自動(dòng)區(qū)劃小班與參考小班的空間位置相對應(yīng)的原則，采用最終測量精度準(zhǔn)則，逐一測量自動(dòng)區(qū)劃小班與參考小班的特征。最終測量精度準(zhǔn)則評價(jià)的特征包括圓度（RO），緊致度（CO），形狀指數(shù)（SI），最小包絡(luò)圓短半徑（RE），橢圓度（EF）和形狀因子（P2A）[4]。

同時(shí)，使用交并比指標(biāo)[31-32]，比較自動(dòng)區(qū)劃小班和參考小班的重合情況。計(jì)算人工區(qū)劃小班與其對應(yīng)的自動(dòng)區(qū)劃小班的交集的面積與并集面積的比值[31]，即：

其次，采用樣地平均胸徑、平均樹高和5 m ×5 m CHM 的冠層平均高數(shù)據(jù)計(jì)算可解釋性方差精度，評價(jià)小班內(nèi)部的均質(zhì)性及不同小班之間的異質(zhì)性[16-17,20]。即計(jì)算小班內(nèi)部觀測值或冠層平均高的方差之和SSwithin，各樣地值與全研究區(qū)均值的方差之和SStotal的可解釋性方差R2，公式如下：

使用樣地?cái)?shù)據(jù)計(jì)算時(shí)，k為小班數(shù)，ni為小班i中的樣地?cái)?shù)，xij為小班i中樣地j的觀測值，為全研究區(qū)樣地觀測值的均值，為小班i中樣地觀測值的均值。使用CHM 數(shù)據(jù)計(jì)算時(shí)，ni為小班i中的柵格個(gè)數(shù)，xij為小班i中柵格j的冠層平均高度值，為全研究區(qū)冠層平均高的均值，為小班i中冠層平均高的均值?？山忉屝苑讲钤浇咏?，則小班內(nèi)部一致性越高，不同小班間的差異性越大。

3 結(jié)果與分析

3.1 定性分析

經(jīng)過多次試驗(yàn)，對1 m 空間分辨率CHM 數(shù)據(jù)進(jìn)行分割時(shí)，最優(yōu)尺度參數(shù)為100，形狀參數(shù)為0.1，緊致度參數(shù)為0.5，得到過分割結(jié)果。接著對平滑后的5 m 空間分辨率CHM 數(shù)據(jù)進(jìn)行分割，最優(yōu)尺度參數(shù)為37，形狀參數(shù)為0.1，緊致度參數(shù)為0.5，得到欠分割結(jié)果。

最終區(qū)劃結(jié)果與過分割結(jié)果、欠分割結(jié)果和人工區(qū)劃小班的對比如圖3 所示。圖3-a 中顯示過分割結(jié)果劃分出了一些相對于小班尺度不必要分割開的區(qū)域。圖3-b 顯示欠分割結(jié)果沒有分割出相對于小班來說不必要的區(qū)域，但其邊界與小班邊緣的符合性較差。對比圖3-a 和3-b 可以看出欠分割結(jié)果對于小班區(qū)域的劃分效果比過分割結(jié)果好，但過分割結(jié)果與小班邊緣的符合性更好。優(yōu)化后的最終區(qū)劃結(jié)果比欠分割結(jié)果與林分邊緣更相符，比過分割結(jié)果更好地區(qū)分了不同的林分區(qū)域。最終區(qū)劃結(jié)果與人工區(qū)劃小班的對照如圖3-c 所示，結(jié)果顯示最終區(qū)劃結(jié)果與人工區(qū)劃小班大體上近似，且最終區(qū)劃結(jié)果與林分邊界真實(shí)樹冠邊緣的一致性更高。

圖3 基于CHM 的最終區(qū)劃結(jié)果與欠分割結(jié)果、過分割結(jié)果、人工區(qū)劃小班對比Fig.3 Under-segmentation results,over-segmentation results,manual sub-compartments and automatic sub-compartments on CHM

3.2 定量分析

3.2.1 形狀因子一致性 自動(dòng)區(qū)劃結(jié)果與參考小班邊界一致性的對比如表1 所示。表中各UMA特征從形狀和面積等多個(gè)角度反映了自動(dòng)區(qū)劃結(jié)果邊界的準(zhǔn)確程度，自動(dòng)區(qū)劃結(jié)果與基于DOM 勾繪的小班、主伐作業(yè)小班和人工區(qū)劃的小班的各特征都較接近，相近程度依次遞增。當(dāng)IoU＞0.7時(shí)，自動(dòng)區(qū)劃結(jié)果與人工區(qū)劃小班相符性非常好，IoU＞0.5時(shí)，自動(dòng)區(qū)劃結(jié)果與人工區(qū)劃結(jié)果相符性較好。

表1 自動(dòng)區(qū)劃結(jié)果與參考小班的UMA 特征均值及l(fā)OU＞0.7、lOU＞0.5 的自動(dòng)區(qū)劃小班占總數(shù)的百分比Table 1 The mean values of UMA features and the proportion of automatic sub-compartments with lOU＞0.7、lOU＞0.5compared with reference sub-compartments

由此可知自動(dòng)區(qū)劃結(jié)果中46%、37%、43%與人工區(qū)劃小班、主伐作業(yè)小班、基于DOM 勾繪的小班相符性非常好，61%、54%、55%與人工區(qū)劃小班、主伐作業(yè)小班、基于DOM 勾繪的小班相符性較好。

交并比較低的小班主要對應(yīng)以下3 種情況：①人工區(qū)劃小班邊界與地面真實(shí)小班邊界不符，而自動(dòng)區(qū)劃結(jié)果邊界與真實(shí)邊界相符。②人工區(qū)劃小班人為地將同質(zhì)的林分劃分為多個(gè)小班，而自動(dòng)區(qū)劃時(shí)對這部分林分劃分的界線與人工區(qū)劃的不一致。③幼苗幼樹小班的樹高過低，接近耕地，CHM自動(dòng)區(qū)劃方法沒有劃分開。

3.2.2 林分內(nèi)部的均質(zhì)性和外部異質(zhì)性 自動(dòng)區(qū)劃結(jié)果的平均胸徑可解釋性方差為0.97，平均樹高可解釋性方差為0.98，和人工區(qū)劃小班相同。可解釋性方差精度較高，說明自動(dòng)區(qū)劃的小班和人工區(qū)劃的小班都具有內(nèi)部一致性高，且不同小班之間區(qū)分度好的特點(diǎn)。自動(dòng)區(qū)劃結(jié)果中小班與樣地個(gè)數(shù)的對應(yīng)情況與人工區(qū)劃小班近似，并且二者的可解釋性方差一致，說明自動(dòng)區(qū)劃方法產(chǎn)生了近似人工區(qū)劃結(jié)果的合理的小班。人工區(qū)劃小班的平均冠層高度的可解釋性方差為83.04%，自動(dòng)區(qū)劃小班的平均冠層高度的可解釋性方差為84.81%。自動(dòng)區(qū)劃小班比人工區(qū)劃小班的可解釋性方差提高了1.77%。說明自動(dòng)區(qū)劃小班對不同林分的區(qū)分效果比人工區(qū)劃小班更優(yōu)。

4 討論

本研究得到的全場小班區(qū)劃結(jié)果優(yōu)于人工區(qū)劃結(jié)果，說明CHM 應(yīng)用于小班區(qū)劃能夠提高邊界區(qū)劃精度，減少主觀性。高光譜圖像樹種分類結(jié)果圖使小班自動(dòng)區(qū)劃結(jié)果包含了樹種屬性。此外，自動(dòng)區(qū)劃結(jié)果的可解釋性方差較高，說明自動(dòng)區(qū)劃結(jié)果符合小班內(nèi)部特征基本一致，與相鄰小班有明顯區(qū)別的要求，而定性分析也顯示自動(dòng)區(qū)劃的小班大部分符合實(shí)際情況。本研究方法在約15 000 hm2林場范圍的應(yīng)用時(shí)間約為10 h，而人工區(qū)劃約1 周時(shí)間，工作效率顯著提高。

在交并比較低的3 種原因中，前2 種是由于人工區(qū)劃小班結(jié)果與地表真實(shí)小班的邊界不符造成的。這些交并比低的小班，不代表自動(dòng)區(qū)劃不合適，而是表現(xiàn)出了自動(dòng)區(qū)劃與真實(shí)值更加一致，不受主觀及其他因素影響的優(yōu)勢。第3 種原因中，在人工區(qū)劃目視判讀時(shí)也會(huì)有部分幼苗幼樹和耕地難以區(qū)分開，這些區(qū)域需要進(jìn)行實(shí)地調(diào)查才能確定。

不同于Dechesne 等[15]的研究需要計(jì)算大量的林分特征，本研究的方法可以直接利用高精度的CHM 和樹種圖進(jìn)行自動(dòng)區(qū)劃來得到和人工小班接近的區(qū)劃結(jié)果。Mustonen 等[13]計(jì)算的平均胸徑可解釋性方差為74%，平均樹高可解釋性方差為83%。Pukkala 等[16-18]計(jì)算的平均樹高、平均胸徑、斷面積可解釋性方差為66%～87%，最大樹高可解釋性方差為84.7%～94.2%。本研究自動(dòng)區(qū)劃的小班的平均胸徑和平均樹高可解釋性方差精度相對于這些研究有所提高。本研究的方法在一個(gè)完整林場范圍內(nèi)取得了內(nèi)部一致性精度高且和人工區(qū)劃小班接近的結(jié)果。另外，其他相關(guān)區(qū)劃研究中沒有與人工區(qū)劃小班邊界對比，有的林分區(qū)劃結(jié)果雖然絕對精度較高，但圖斑較破碎，面積過小，與人工小班差異較大。本研究引入U(xiǎn)MA 準(zhǔn)則和交并比分析方法，定量計(jì)算了使用遙感數(shù)據(jù)自動(dòng)區(qū)劃的小班與人工小班的相符性，并分析了其不同的原因，以及自動(dòng)區(qū)劃小班的優(yōu)勢和不足，有利于后續(xù)對自動(dòng)分割小班更好的符合甚至優(yōu)于人工區(qū)劃小班的進(jìn)一步研究。

5 結(jié)論

本研究采用機(jī)載激光雷達(dá)數(shù)據(jù)提取的CHM 和高光譜影像產(chǎn)生的樹種類別圖進(jìn)行了小班自動(dòng)區(qū)劃的研究，主要結(jié)論如下：（1）本方法充分利用了樹高、林分密度、郁閉度等林分結(jié)構(gòu)信息和高精度的樹種信息，區(qū)劃效率遠(yuǎn)高于人工小班區(qū)劃；（2）自動(dòng)區(qū)劃小班的內(nèi)部一致性高，外部差異性大，在形狀、面積、交并比等多個(gè)指標(biāo)上與人工區(qū)劃小班相符，自動(dòng)區(qū)劃小班的邊界較人工區(qū)劃小班邊界更為精準(zhǔn)；（3）本方法不需要計(jì)算大量特征，適用于林場及更大尺度的小班自動(dòng)區(qū)劃。此外，采用機(jī)載遙感數(shù)據(jù)進(jìn)行自動(dòng)區(qū)劃能更好地應(yīng)用于高精度的森林參數(shù)提取等工作，符合小班區(qū)劃精細(xì)化和森林質(zhì)量精準(zhǔn)提升的發(fā)展趨勢。