機(jī)載激光雷達(dá)在森林資源調(diào)查中的應(yīng)用與展望

王偉鵬 徐洋 王珩

(貴州師范大學(xué) 貴州省信息與計(jì)算科學(xué)重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550001)

森林資源是陸地生態(tài)系統(tǒng)的支撐，及時(shí)、高效、準(zhǔn)確地調(diào)查與監(jiān)測森林資源，對生態(tài)環(huán)境的保護(hù)與可持續(xù)發(fā)展具有重要意義。人工調(diào)查方式效率低、周期長，大范圍的森林資源調(diào)查成本較高；而光學(xué)遙感方式只能獲取森林冠層表面信息，不能獲取森林的垂直結(jié)構(gòu)信息。

激光雷達(dá)(LiDAR,Light Detection And Ranging)融合了激光技術(shù)、定位技術(shù)、姿態(tài)測量技術(shù)、計(jì)算機(jī)技術(shù)等多項(xiàng)高科技，是多學(xué)科、多領(lǐng)域深度融合的產(chǎn)品[1]。對LiDAR進(jìn)行針對航空平臺的改進(jìn)，衍生出了LiDAR產(chǎn)品的重要分支——機(jī)載LiDAR(Airbore LiDAR)。

機(jī)載LiDAR[2]作為一種主動式的遙感探測技術(shù)，可以精準(zhǔn)、快速地獲取地表與植被的三維空間信息[3]。機(jī)載LiDAR可以安裝在有人機(jī)、無人機(jī)等飛行平臺上，具有外業(yè)工作量小、可以夜間作業(yè)等特點(diǎn)，作業(yè)效率比較高[4]。相較于機(jī)載光學(xué)相機(jī)采集生成的光學(xué)圖像，機(jī)載LiDAR所采集生成的數(shù)據(jù)為點(diǎn)云數(shù)據(jù)(point cloud)[5]。點(diǎn)云數(shù)據(jù)當(dāng)中的每個點(diǎn)包含了經(jīng)緯度信息、高程信息、回波強(qiáng)度信息、回波次數(shù)信息，具有精度高、數(shù)據(jù)量大等特點(diǎn)。目前機(jī)載LiDAR已經(jīng)成為森林資源調(diào)查領(lǐng)域的重要技術(shù)手段[6]。

1 機(jī)載LiDAR調(diào)查森林資源的原理

機(jī)載LiDAR向外發(fā)射出激光脈沖，并且接收植被、地表等反射的回波，記錄回波的次數(shù)、強(qiáng)度、脈沖和回波之間的時(shí)間差等信息。由此可以計(jì)算出回波距離l。

回波距離l的計(jì)算公式為：

其中t是機(jī)載LiDAR記錄的從脈沖發(fā)出到收到該脈沖回波的時(shí)間，c是光速。

機(jī)載LiDAR的脈沖可以穿過部分樹葉和枝干，脈沖腳點(diǎn)可以落在樹葉、樹干或者地面上，從而形成多回波。多回波的脈沖腳點(diǎn)可以展示出樹冠的大小和形狀等信息，從而得到森林的垂直結(jié)構(gòu)。直接射向地面的脈沖，只形成一次回波。多回波特性使得機(jī)載LiDAR在森林資源調(diào)查方面相較于傳統(tǒng)的人工調(diào)查和光學(xué)影像調(diào)查等方式更有優(yōu)勢。

機(jī)載LiDAR進(jìn)行森林資源調(diào)查發(fā)射脈沖與接收回波如圖1所示。

圖1 機(jī)載LiDAR森林調(diào)查示意圖

2 機(jī)載LiDAR在森林資源調(diào)查中的應(yīng)用

機(jī)載LiDAR可以從單木層面或者林分層面進(jìn)行森林資源的調(diào)查。

2.1 機(jī)載LiDAR進(jìn)行森林資源調(diào)查的步驟

機(jī)載LiDAR進(jìn)行森林調(diào)查，大都需要進(jìn)行森林樣地劃分、外業(yè)人工調(diào)查、外業(yè)航飛采集、內(nèi)業(yè)點(diǎn)云數(shù)據(jù)處理等幾個步驟，如圖2所示。

圖2 機(jī)載LiDAR森林資源調(diào)查流程圖

森林進(jìn)行樣地劃分便于對樣地進(jìn)行人工調(diào)查以及統(tǒng)計(jì)森林信息。外業(yè)人工調(diào)查，通過每木檢尺等手段，可以獲取樣地具體的樹高、冠幅、胸徑、葉面積指數(shù)、郁閉度、生物量等信息。外業(yè)航飛采集可以獲得森林大尺度范圍的單木與林分信息。內(nèi)業(yè)點(diǎn)云處理可以對采集的森林點(diǎn)云數(shù)據(jù)進(jìn)行濾波、單木分割，提取樹高、冠幅、穿透率等數(shù)據(jù)，進(jìn)而獲得相關(guān)單木因子和林分因子。人工調(diào)查的數(shù)據(jù)可以與機(jī)載LiDAR采集的點(diǎn)云數(shù)據(jù)進(jìn)行相關(guān)反演模型的建立，或者對模型進(jìn)行精確度檢驗(yàn)。

2.2 機(jī)載LiDAR單木因子調(diào)查

單木因子主要包括單木冠幅、樹高、胸徑等。單木冠幅、樹高、胸徑可以作為回歸方程的參數(shù)估計(jì)林分尺度的生物量等參數(shù)。通過單木的識別，可以估算林分密度當(dāng)中的株數(shù)密度等參數(shù)。機(jī)載LiDAR可以對單木的冠幅、樹高進(jìn)行調(diào)查。

2.2.1 機(jī)載LiDAR調(diào)查單木冠幅

樹冠是樹木進(jìn)行光合作用與蒸騰作用的部位，冠幅是單木的重要因子。單木冠幅的提取目前主要有兩種方法：一種是基于冠層高度模型(CHM,Canopy Height Model)的提取方法，另外一種是針對原始點(diǎn)云進(jìn)行聚類分割的提取方法。

機(jī)載LiDAR穿過樹葉提取森林地形，后期生成數(shù)字表面模型(DSM,Digital Surface Model)、數(shù)字高程模型(DEM,Digital Elevation Model)，進(jìn)而由DSM減去DEM得到冠層高度模型。基于CHM進(jìn)行分割獲取單木冠幅，主要有區(qū)域增長法、分水嶺分割法等方法。針對原始點(diǎn)云的單木冠幅提取基于聚類的方法，主要有K-means聚類方法、高斯聚類[7]等方法。

李巖等使用Riegl LMS-Q680i機(jī)載LiDAR獲取了黑龍江省尚志市帽兒山林場的森林?jǐn)?shù)據(jù)，使用區(qū)域生長法、分水嶺分割法、區(qū)域分層橫截面分析法三種算法提取了單木的樹冠，其中區(qū)域分層橫截面的樹冠提取精度最高，達(dá)到83.64%[8]。

針對茂密的森林，王濮等提出了一種基于圖割的單木識別方法，整體精度達(dá)90%以上，能有效降低單木漏檢的情況[9]。為進(jìn)一步提高單木冠幅提取精度，霍達(dá)等提出了四次多項(xiàng)式的方法擬合提取單木冠幅，在相對稀疏的森林應(yīng)用效果較好[10]。

2.2.2 機(jī)載LiDAR調(diào)查單木樹高

單木樹高反映了單木的生長情況，是單木調(diào)查的重要因子。單木樹高的提取基于高密度的點(diǎn)云數(shù)據(jù)，目前單木樹高的提取方法主要有兩種：一種是基于CHM提取的方法，單木樹高提取的關(guān)鍵在于如何準(zhǔn)確提取單木的樹頂點(diǎn)[11]960[12]；另一種是基于原始點(diǎn)云提取的方法[13]1 074[14]142。

基于CHM提取單木的樹高，又分為在CHM中尋找局部極值的方法，以及在CHM中首先提取單木樹冠，然后尋找單木樹冠內(nèi)高程最大值的方法?；谠键c(diǎn)云提取單木樹高，一般使用地面以上的點(diǎn)云減去DEM得到歸一化的點(diǎn)云，使用聚類等方法識別單木的樹頂點(diǎn)。

王軼夫等使用Leica ALS70機(jī)載LiDAR獲取的點(diǎn)云數(shù)據(jù)，利用HASM-AD并行算法生成了DSM和DEM，二者做差得到CHM，在濾波窗口內(nèi)尋找極值提取了樹冠頂點(diǎn)，當(dāng)搜索半徑為0.5m的時(shí)候，樹頂點(diǎn)的搜索效果最好[11]961。

皋廈等使用歸一化的點(diǎn)云數(shù)據(jù)，提出了基于點(diǎn)云距離的方法提取了單木的樹頂點(diǎn)[13]1075。林怡等將點(diǎn)云投影后進(jìn)行網(wǎng)格化再進(jìn)行搜索樹頂點(diǎn)，提高了樹頂點(diǎn)搜索精度和效率[14]144。

2.3 機(jī)載LiDAR進(jìn)行林分因子調(diào)查

林分因子主要包含：林分起源、平均高、平均胸徑、葉面積指數(shù)、郁閉度、生物量、立地質(zhì)量等指標(biāo)，反映了森林的外貌、生長速度、生長密度等信息。機(jī)載LiDAR在林分平均樹高、葉面積指數(shù)(LAI,Leaf Area Index)、郁閉度、生物量等方面的調(diào)查有著比較多的應(yīng)用。

2.3.1 機(jī)載LiDAR調(diào)查林分平均高

林分平均高是反映森林生長狀況的數(shù)量指標(biāo)，同時(shí)也反映了林分立地質(zhì)量高低。機(jī)載LiDAR可以直接提取林分樹高，目前主要有兩種方法：一種是基于提取單木樹高的方法，另一種是基于點(diǎn)云進(jìn)行統(tǒng)計(jì)處理的方法。

當(dāng)點(diǎn)云密度較高的時(shí)候，可以進(jìn)行基于CHM或者原始點(diǎn)云的單木分割，提取單木樹高，最后計(jì)算林分平均高[15]269。當(dāng)點(diǎn)云密度較低的時(shí)候，單個樹冠的激光點(diǎn)較少，無法準(zhǔn)確刻畫單個樹冠的表面形態(tài)，單木分割較為困難，此時(shí)需要對林分的點(diǎn)云進(jìn)行統(tǒng)計(jì)處理。

劉清旺等使用了國產(chǎn)機(jī)載LiDAR和國產(chǎn)高光譜組合系統(tǒng)，在湖北省的亞熱帶森林進(jìn)行了林分平均高的調(diào)查，使用了先提取單木樹高，后計(jì)算林分樹高的方法，其中LiDAR的樹高調(diào)查準(zhǔn)確率達(dá)到90.67%[15]270。

龐勇等使用RIEGL LMS-Q280機(jī)載LiDAR獲取的山東省煙臺市徂徠山林場的點(diǎn)云數(shù)據(jù)，采用點(diǎn)云不同高度的分位數(shù)作為統(tǒng)計(jì)變量，反演了林分平均高度，反演精度為90.59%[16]。穆喜云等使用Leica ALS60機(jī)載LiDAR獲取了內(nèi)蒙古根河轄區(qū)的森林?jǐn)?shù)據(jù)，生成CHM，使用了四分位數(shù)方法，對林分平均樹高進(jìn)行了估計(jì)，其中75%分位數(shù)處高度與樣地實(shí)測高度的相關(guān)系數(shù)達(dá)到了97.6%[17]86。

2.3.2 機(jī)載LiDAR調(diào)查林分葉面積指數(shù)

葉面積指數(shù)是樹木冠層的一個關(guān)鍵機(jī)構(gòu)參數(shù)，是反映森林群體生長狀況的重要指標(biāo)[18]。根據(jù)機(jī)載LiDAR的點(diǎn)云數(shù)據(jù)，葉面積指數(shù)的估算方法主要有兩種方法：孔隙度模型法和統(tǒng)計(jì)模型法。

孔隙度模型法需要利用機(jī)載LiDAR數(shù)據(jù)計(jì)算森林的激光穿透指數(shù)(LPI,Laser Penetration Index)，通過比爾-朗伯(Beer-Lambert)定律可以轉(zhuǎn)化為有效葉面積指數(shù)[19][20]1 469。統(tǒng)計(jì)模型法需要在森林劃分樣方實(shí)測葉面積指數(shù)，根據(jù)實(shí)測LAI與機(jī)載LiDAR數(shù)據(jù)提取特征變量進(jìn)行回歸分析建模，建模之后反演葉面積指數(shù)[21]40。

針對很多學(xué)者利用LPI來計(jì)算有效葉面積指數(shù)，沒有對回波強(qiáng)度進(jìn)行校正。對原始回波強(qiáng)度根據(jù)距離和角度進(jìn)行校正，并建立校正前后的回波強(qiáng)度計(jì)算得出LPI，再根據(jù)Beer-Lambert定律建立有效LAI估算模型，可以提高有效LAI的估測精度[20]1473。陳卓等使用不同回波數(shù)和校正之前和校正之后的回波強(qiáng)度為變量計(jì)算LPI，利用Beer-Lambert定律建立了有效LAI估算模型，可以估算不同種類森林的LAI[21]41。

點(diǎn)云密度是機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的一個重要參數(shù)。尤號田等使用Leica公司的ALS70機(jī)載LiDAR采集了長春市凈月潭森林公園的森林?jǐn)?shù)據(jù)，針對點(diǎn)云數(shù)據(jù)做了隨機(jī)稀疏化處理，分別用原始密度的點(diǎn)云數(shù)據(jù)、1/2密度的點(diǎn)云數(shù)據(jù)、1/4密度的點(diǎn)云數(shù)據(jù)、1/8密度的點(diǎn)云數(shù)據(jù)進(jìn)行了LAI反演模型的實(shí)驗(yàn)，證實(shí)了低密度點(diǎn)云數(shù)據(jù)也能進(jìn)行LAI的反演[22]。

機(jī)載LiDAR的森林LAI的調(diào)查依賴于LAI反演模型的準(zhǔn)確程度。多特征變量的LAI反演模型，效果更好，例如考慮光譜特征[23]，以及對回波信息等進(jìn)行細(xì)分等。

2.3.3 機(jī)載LiDAR調(diào)查林分郁閉度

郁閉度是森林樹冠在地面的投影面積與地面面積之比，是反映森林結(jié)構(gòu)和森林環(huán)境的一個重要因子。

機(jī)載LiDAR的森林郁閉度的調(diào)查數(shù)據(jù)處理方法一般基于回歸分析法。首先通過人工實(shí)測等方式獲取被調(diào)查森林的一塊樣方的郁閉度，然后通過機(jī)載LiDAR獲取要調(diào)查森林的點(diǎn)云數(shù)據(jù)并確定模型參數(shù)，最后對樣方郁閉度和模型參數(shù)進(jìn)行回歸分析，建立郁閉度反演模型。

穆喜云等使用Leica ALS60機(jī)載LiDAR獲取的數(shù)據(jù)，以LiDAR點(diǎn)云密度變量為自變量與實(shí)測郁閉度進(jìn)行線性回歸，與實(shí)測郁閉度相比較，模型反演準(zhǔn)確率達(dá)到88.29%[17]87。張瑞英等使用LANDSAT ETM+衛(wèi)星的影像數(shù)據(jù)和Leica ALS60機(jī)載LiDAR獲取的點(diǎn)云數(shù)據(jù)，構(gòu)建了多元逐步回歸模型、隨機(jī)森林模型和Cubist三種回歸模型，并進(jìn)行了對比分析，其中Cubist模型的預(yù)測精度最高、穩(wěn)定性最好[24]。

機(jī)載LiDAR的回波能量可以作為郁閉度反演模型的參數(shù)。尤號田等使用Leica ALS70機(jī)載LiDAR獲取的森林點(diǎn)云數(shù)據(jù)，使用校正過的回波能量作為模型參數(shù)，建立了以6個能量變量為參數(shù)的單變量郁閉度反演模型和多變量郁閉度反演模型。證實(shí)能量比值參數(shù)可以較好地反演森林郁閉度[25]。

2.3.4 機(jī)載LiDAR調(diào)查林分生物量

森林生物量指的是森林樹木樹干、樹枝、樹葉等器官生物量的總和，對生態(tài)環(huán)境的可持續(xù)發(fā)展具有重要意義。

回歸分析方法是機(jī)載LiDAR在生物量調(diào)查方面的數(shù)據(jù)處理的主流方法，操作流程一般是對森林進(jìn)行樣地劃分、樣地單木數(shù)據(jù)的人工測量、機(jī)載LiDAR進(jìn)行森林?jǐn)?shù)據(jù)采集、根據(jù)機(jī)載LiDAR數(shù)據(jù)提取的特征變量和人工采集數(shù)據(jù)進(jìn)行回歸分析，建立生物量反演模型。

劉峰等使用LiteMapper5600機(jī)載LiDAR獲取的森林點(diǎn)云數(shù)據(jù)反演的冠幅、點(diǎn)云密度、樹高等特征變量與樣地實(shí)測生物量進(jìn)行回歸分析，建立了線性模型、非線性模型、多元逐步回歸模型。結(jié)果顯示，多元回歸模型的反演精度最高[26]。

最小二乘回歸方法[27]840[28]也被應(yīng)用于生物量的估測，相較于多元回歸方法，最小二乘回歸方法在存在多變量時(shí)效果更好。袁鈺娜等對東北林區(qū)的四種樹木使用RIEGL VUX-1UAV機(jī)載LiDAR獲取的點(diǎn)云數(shù)據(jù)分別建立了逐步回歸模型和偏最小二乘回歸模型，結(jié)果顯示，偏最小二乘方法的模型優(yōu)于逐步回歸方法的模型[27]842。

在生物量調(diào)查方面，有學(xué)者采用了多數(shù)據(jù)源的形式進(jìn)行生物量估算。羅洪斌等使用中國林科院的LiCHy 機(jī)載雷達(dá)系統(tǒng)、Landsat8/OLI衛(wèi)星對云南省景洪市的試驗(yàn)區(qū)的橡膠樹森林采集的點(diǎn)云數(shù)據(jù)和影像數(shù)據(jù)，采用偏最小二乘回歸模型，建立試驗(yàn)區(qū)的綜合生物量估測模型。這種采用多種數(shù)據(jù)源方式建立綜合生物量估測模型的方法，發(fā)揮了不同數(shù)據(jù)的優(yōu)勢，但是所選擇的遙感影像精度受到干擾，限制了估測模型的精度[29]60。針對森林郁閉度比較高的森林遙感信息飽和的現(xiàn)象，胡凱龍等采用了機(jī)載LiDAR數(shù)據(jù)、樣地人工測量數(shù)據(jù)、Landsat 8衛(wèi)星數(shù)據(jù)三種數(shù)據(jù)融合的方式建立了生物量估測模型。相較于單一數(shù)據(jù)特征，準(zhǔn)確率有所提高[30]。

3 結(jié)語

由于森林冠層的遮擋，機(jī)載LiDAR在調(diào)查單木胸徑、林分平均胸徑等方面存在困難，目前鮮有機(jī)載LiDAR調(diào)查森林胸徑的研究。樹木胸徑的測量，可以使用地面激光雷達(dá)。地面激光雷達(dá)由于沒有冠層遮擋以及點(diǎn)云密度較大等優(yōu)勢，可直接獲取樹木胸徑。

森林郁閉度、生物量等林分因子的調(diào)查依賴于回歸分析，樣方郁閉度、生物量的精確度模型的選擇影響調(diào)查因子的反演效果，模型的不同參數(shù)的組合需要結(jié)合實(shí)際情況進(jìn)行探索。

在森林資源調(diào)查數(shù)據(jù)采集方面，機(jī)載LiDAR與其他遙感方式進(jìn)行組合是未來數(shù)據(jù)采集的發(fā)展方向。例如，機(jī)載LiDAR與衛(wèi)星、航空光學(xué)遙感、背負(fù)式激光雷達(dá)、地面激光雷達(dá)相結(jié)合，可以發(fā)揮多種傳感器的優(yōu)勢，采集信息更全面。光學(xué)影像遙感可以獲取森林冠幅的紋理信息，地面激光雷達(dá)、背負(fù)式激光雷達(dá)可以精確獲取胸徑、樹干等信息，將三者結(jié)合，可以發(fā)揮各種傳感器的優(yōu)勢，提高單木和林分相關(guān)調(diào)查因子的精確性。

在森林資源調(diào)查點(diǎn)云數(shù)據(jù)的處理方面，準(zhǔn)確提取CHM是數(shù)據(jù)處理的關(guān)鍵。結(jié)合以相關(guān)開源的點(diǎn)云處理軟件和開源庫為依托的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法建立訓(xùn)練自動分類模型，將會提高森林資源調(diào)查的速度與準(zhǔn)確性。