基于無人機(jī)光學(xué)遙感的森林生物量估算研究

李濱,劉可寧

(1.東北林業(yè)大學(xué) 機(jī)電工程學(xué)院，哈爾濱 150040；2.黑龍江工程學(xué)院 工程訓(xùn)練中心，哈爾濱 150050)

0 引言

森林是地球上分布最為廣泛的陸地生態(tài)系統(tǒng)，在世界環(huán)境、經(jīng)濟(jì)和社會中扮演著重要的角色[1-2]。森林資源也是自然界最重要的資源之一，不僅為人類社會的生產(chǎn)和日常的生活提供生存棲息地，同時(shí)也為野生動(dòng)物提供生存基礎(chǔ)。不但如此，森林通過調(diào)節(jié)氣候、涵養(yǎng)水源等方式影響著全球的生態(tài)環(huán)境[3]。森林生物量是森林生態(tài)系統(tǒng)生產(chǎn)能力的關(guān)鍵指標(biāo)。在進(jìn)行森林資源清算時(shí)，對森林生物量的準(zhǔn)確估算有著重要的意義[4-5]。森林生物量估算就是獲取森林的相關(guān)參數(shù)，如森林分布、樹木種類和單木冠幅等。由于森林環(huán)境極為復(fù)雜，具有多樣性、可變性等特征。因此提高構(gòu)建模型的能力進(jìn)行森林生物量的分析是不可或缺的。

國內(nèi)外有大量關(guān)于運(yùn)用遙感技術(shù)估算森林生物量的研究。以色列軍方利用無人機(jī)技術(shù)取得軍事領(lǐng)域的成功，間接地帶動(dòng)了無人機(jī)在民用領(lǐng)域的普及和應(yīng)用。自20世紀(jì)80年代開始，無人機(jī)技術(shù)在電力、通信和森林測繪等應(yīng)用領(lǐng)域發(fā)揮作用。Curran等[6]探索近紅外波段和喬木葉生物量之間的關(guān)系，發(fā)現(xiàn)二者之間具有較強(qiáng)相關(guān)性。Hame等[7]利用TM數(shù)據(jù)和AVHRR數(shù)據(jù)，結(jié)合森林實(shí)測數(shù)據(jù)，構(gòu)建光譜特征因子和地上生物量間的模型關(guān)系，最終可獲取精確度較高的歐洲地區(qū)的森林地上生物量。Dean[8]利用遙感影像提取林分?jǐn)嗝娣e、葉面積指數(shù)特征和冠層郁閉度，分析其與地面生物量的相關(guān)性。以上研究結(jié)果表明，林分?jǐn)嗝娣e與生物量存在較高的關(guān)聯(lián)性，但是難以從遙感影像中提取，而葉面積指數(shù)和冠層郁閉度可以充分表達(dá)森林生物量。曹慶先等[9]利用TM數(shù)據(jù)將紋理特征和廣西地區(qū)的紅樹林生物量數(shù)據(jù)結(jié)合，采用KNN算法與回歸分析法對比生物量精度，結(jié)果表明利用KNN算法的精度與尺度成正比，并且在像元尺度上K=5時(shí)，回歸分析法顯著優(yōu)于KNN算法。王月婷等[10]基于衛(wèi)星遙感數(shù)據(jù)的紋理信息，建立多元非線性回歸模型，表明紋理信息與生物量和碳儲量關(guān)系優(yōu)于光譜信息。申鑫等[11]基于樣地實(shí)測數(shù)據(jù)，結(jié)合無人機(jī)獲取的高光譜和高空間分辨率數(shù)據(jù)進(jìn)行多源遙感因子提取，建模估算了亞熱帶天然次生林生物量，R2為0.62，均方根誤差(RMSE)為11.42。

目前關(guān)于森林生物量的估算研究方法有很多，但是主要研究方法依然是運(yùn)用光學(xué)遙感技術(shù)。本研究選擇東北林業(yè)大學(xué)林場作為試驗(yàn)區(qū)域，通過實(shí)地勘察設(shè)置2塊面積相同的標(biāo)準(zhǔn)樣地，分別為建模樣地(plot1)和驗(yàn)證樣地(plot2)。對于樟子松的地上生物量利用無人機(jī)遙感技術(shù)獲取plot1和plot2的樣地圖，結(jié)合對2個(gè)樣地內(nèi)的每木檢尺測定的單木胸徑和遙感影像獲取的單木樹冠面積，建立精度高、效果好的樹冠面積-胸徑模型，并借助已有相同樹種的胸徑-生物量經(jīng)驗(yàn)?zāi)Ｐ?，間接建立樹冠面積-生物量模型，最終完成試驗(yàn)區(qū)域內(nèi)樹種單木地上生物量計(jì)算。

1 研究地區(qū)與研究方法

1.1 研究區(qū)概況

研究區(qū)設(shè)在黑龍江省哈爾濱市東北林業(yè)大學(xué)城市林業(yè)示范基地，其地理坐標(biāo)為126°37′15″E，45°43′10″N。東臨馬家溝河，西以哈爾濱師范大學(xué)為界。降水主要集中在5—9月，全年平均降水量約為569.1 mm。氣候?qū)僦袦貛Т箨懶约撅L(fēng)氣候，冬長夏短。夏季氣候溫?zé)岫嘤辏?月平均溫度為18.1～22.8 ℃，最高溫度達(dá)38 ℃，平均降水量高達(dá)全年的60%～70%。研究區(qū)域作為黑龍江省優(yōu)質(zhì)林業(yè)示范基地，樹木種類豐富多樣，示范基地內(nèi)有白樺樹、黑皮油松、樟子松樹、水曲松樹和胡桃樹等人工群落。

1.2 研究方法

1.2.1 試驗(yàn)設(shè)計(jì)

根據(jù)黑龍江省哈爾濱市東北林業(yè)大學(xué)城市林業(yè)示范基地的實(shí)際條件，由于示范基地的樟子松都是分好區(qū)域的純林，在較小的面積內(nèi)就有足夠數(shù)量的樣本進(jìn)行試驗(yàn)。樟子松樣地內(nèi)有喬木、灌木和草木3層。其中，喬木層樹種即為樟子松，灌木樹種主要為榆葉梅和文灌果，草本層植物主要為狗尾巴草等，分布比較廣泛且均勻。本研究在東北林業(yè)大學(xué)城市林業(yè)示范基地設(shè)置2塊面積均為30 m×30 m的實(shí)驗(yàn)樣地，稱為plot1和plot2，并進(jìn)行地上生物量的估測。

1.2.2 無人機(jī)數(shù)據(jù)獲取

本試驗(yàn)選取的航拍設(shè)備為無人機(jī)大疆MavicAir2，此無人機(jī)的飛行可以通過人工進(jìn)行遠(yuǎn)程操控，并配備了全球定位系統(tǒng)(GPS)。在啟動(dòng)無人機(jī)進(jìn)行試驗(yàn)之前，先進(jìn)行航路規(guī)劃，起飛后進(jìn)入自主飛行模式。所選取的無人機(jī)主要參數(shù)見表1。

表1 實(shí)驗(yàn)用無人機(jī)主要參數(shù)

無人機(jī)本身配備了影像傳感器，獲得的有效影像達(dá)到1 200萬像素，可獲得影像為RGB真彩圖像。相機(jī)主要參數(shù)見表2。

表2 相機(jī)主要參數(shù)

根據(jù)研究區(qū)域現(xiàn)狀和無人機(jī)的性能，試驗(yàn)于2020年9月2日9:00—13:00進(jìn)行。試驗(yàn)當(dāng)天天氣狀況良好，風(fēng)速低、無太陽、能見度高，適合對目標(biāo)樣地進(jìn)行無人機(jī)遙感影像的采集。綜合各種因素的考慮，設(shè)定無人機(jī)飛行高度為80 m。起飛前進(jìn)行無人機(jī)檢測，以保證無人機(jī)的參數(shù)穩(wěn)定并可以正常飛行。在無人機(jī)采集影像時(shí)，為了避免產(chǎn)生陰影數(shù)據(jù)，應(yīng)選擇陽光較弱甚至陰天時(shí)進(jìn)行無人機(jī)的飛行[12]。因?yàn)殛柟廨^強(qiáng)時(shí)，大的樹冠會在較小的樹冠上方形成陰影，可能使部分低齡樹種完全處于陰影中，不利于數(shù)據(jù)的正確采集。

2 影像分類與樹冠信息提取

2.1 影像分割技術(shù)

本試驗(yàn)對于提取樹冠輪廓選取面向?qū)ο蠓诸惖幕痉椒?。面向?qū)ο蠓诸惖幕痉椒ㄍǔＳ?個(gè)步驟，包括影像的分割和面向?qū)ο蟮姆诸怺13]。

在本試驗(yàn)中選取多尺度影像分割方法，該方法是一種既可以自動(dòng)生成遙感影像又能將影像對象按等級結(jié)構(gòu)連接起來的技術(shù)。多尺度分割是從多種角度多圖像進(jìn)行影像分割，從而使分割結(jié)果和實(shí)際情況更加吻合，達(dá)到較高的精度[14]。分割尺度較大的對象層中多邊形包含的像元數(shù)目較多，而分割尺度最小的對象層中包含的多邊形較多。多尺度分割方法是指在影像中起點(diǎn)可以為任意像元，采取從上至下的合并方式形成目標(biāo)對象，合并后所有對象間在光譜和形狀上存在異質(zhì)性[15]。由于影像分割受尺度、顏色和光滑度的影響，需要經(jīng)過多尺度分割比較，選出最合適的分割尺度。在分割過程中，若分割尺度參數(shù)設(shè)置較大，會使得影像欠分割，造成一個(gè)分割對象中包含多個(gè)樹冠；而分割尺度過小，會使得影像分割過于細(xì)碎，可能將一個(gè)樹冠分割成多塊[16]。

在本試驗(yàn)中，使用eCognition軟件對樟子松遙感圖像進(jìn)行影像分割[17]。通過反復(fù)分割試驗(yàn)對比，選取最合適的分割參數(shù)，進(jìn)行目視比較，在最大滿足分割目的的情況下確定分割尺度和設(shè)置參數(shù)。

不同參數(shù)下分割效果如圖1所示，其中Scale是設(shè)置尺度參數(shù)，尺度參數(shù)越大，分割得到對象越大; 尺度參數(shù)越小，得到的分割對象越細(xì)碎。括號內(nèi)數(shù)值分別為形狀因子(Shape，用S表示)和緊致度(Compactness，用C表示)。由圖1可以看到，在影像分割的尺度參數(shù)設(shè)置為100時(shí)，影像被過度分割；而在分割尺度設(shè)置過大時(shí)，分割的對象形狀較大，且不能與林分邊界相吻合，而適宜的分割尺度通常通過目視即可很好地識別。

圖1 不同參數(shù)分割效果圖

分割的具體操作步驟如下。

(1)將圖像分解為基本對象：打開eCognition軟件，在Process Tree窗口，右擊選擇Append New，將Name改為新建規(guī)則(Segmentation)，選擇插入子規(guī)則(Insert Child),在Algorithm下選擇多尺度分割算法(Multiresolution Segmentation)，并將尺度參數(shù)(Scale parameter)設(shè)定為200，形狀因子(Shape)為0.1，緊致度(Compactness)為0.5。分割界面如圖2所示。

圖2 分割界面

(2)尺度分割運(yùn)行后，會發(fā)現(xiàn)遙感圖像被分成了許多對象(Objects)，對樟子松圖像分割完畢，分割效果如圖3所示。

圖3 分割效果圖

經(jīng)過目視對比和反復(fù)試驗(yàn)，得出尺度參數(shù)為200、形狀因子為0.1、緊致度為0.5最符合本次試驗(yàn)影像分割的分割結(jié)果。

2.2 影像分類算法

2.2.1 常見分類算法

常用的分類算法包括多尺度分割算法、區(qū)域生長算法和分水嶺分割算法。本試驗(yàn)所選用的多尺度分割算法，是一種可以生成任意尺度的、屬性信息相似的影像多邊形，采用模糊的數(shù)學(xué)方法獲取每個(gè)對象的屬性信息，遙感影像的信息提取以影像對象為基本單元，從而實(shí)現(xiàn)分類和信息提取。面向?qū)ο蟮倪b感影像分類有2個(gè)獨(dú)立分支，影像的分割和影像分類對象生成，采用多尺度分割技術(shù)生成同質(zhì)對象是進(jìn)行分類識別和信息提取的必要條件。信息提取的基本思想是基于模糊邏輯分類，建立特征屬性的判別規(guī)則體系，獲取單個(gè)目標(biāo)對象屬于某一類別的概率，達(dá)到分類識別和信息提取的目的。

2.2.2 Assign class模糊分類算法

本次試驗(yàn)采用非監(jiān)督分類方法，使用Ecognition 9.0軟件，選定其中的Assign class算法進(jìn)一步對分割后的樟子松影像分類以區(qū)分出樟子松的林窗和樹冠[18]。Assign class算法是一種簡單的分類算法，其構(gòu)建的分類規(guī)則就是在目標(biāo)類別和背景類別存在差異時(shí)，可將其正確區(qū)分。該方法根據(jù)預(yù)先設(shè)置好的閾值條件，判斷識別范圍內(nèi)的分割對象是否為同一類別。本文將需提取的樟子松樹冠類別設(shè)定為目標(biāo)類別，而林窗等其他類別看作背景類別。

由于樣地樟子松為純林，因此樟子松在無人機(jī)遙感影像呈現(xiàn)亮度高、顏色淺等特征，則分類時(shí)將亮度值(Brightness)大于等于127的部分設(shè)為樟子松樹冠覆蓋區(qū)，剩下的部分則為林窗[19]。圖4為東北林業(yè)大學(xué)城市林業(yè)示范基地樟子松樹冠覆蓋區(qū)提取效果圖。

圖4 東北林業(yè)大學(xué)城市林業(yè)示范基地樟子松樹冠覆蓋區(qū)提取效果圖

2.3 單木樹冠提取

東北林業(yè)大學(xué)城市林業(yè)示范基地樟子松的分布較為規(guī)律，樹木間相對緊湊且研究的目標(biāo)樹木為純林，因此可直接對影像進(jìn)行分割，在分割好的影像基礎(chǔ)上提取目標(biāo)樣木的樹冠。

在提取樹冠時(shí)，存在樹木的樹冠相互堆疊的情況，不利于準(zhǔn)確地分割，因此，提出了陽性冠幅的概念。陽性冠幅是指森林中單木垂直投影不與其他林木重疊的冠幅，相對于樹木其他組織，是單木光合效率最強(qiáng)，有機(jī)物合成最多的部分，而除這部分冠幅外所吸收的光照較弱，對林木生長貢獻(xiàn)較小，所以陽性冠幅足夠體現(xiàn)單木的營養(yǎng)空間，利用其進(jìn)行生物量的估算是有效的。因此，本試驗(yàn)提取的樹冠采用陽性冠幅。

本次分割目的為提取樹冠，因此分割尺度小于分類尺度，經(jīng)過目視和經(jīng)驗(yàn)判斷，最終確定了分割尺度為200、形狀因子為0.1、緊致度為0.5。由于目標(biāo)樣地內(nèi)樹木密集，分類后必須進(jìn)行二次人工分割分類以保證精確提取樟子松樹冠覆蓋區(qū)的單木樹冠。分割完成后通過目視，對分割過程中出現(xiàn)的欠分割和過分割情況進(jìn)行人工校正。人工校正后，將樹冠輪廓矢量導(dǎo)入ArcGIS10.2軟件中，計(jì)算出目標(biāo)樹種相應(yīng)的樹冠面積。樟子松樹冠輪廓如圖5所示。

圖5 樹冠輪廓圖

為驗(yàn)證單木冠幅提取效果，對單棵樟子松的冠幅輪廓進(jìn)行展示，如圖6所示。從圖6中可以看到，單木冠幅提取效果良好，樟子松冠幅輪廓較為清晰。

(a)樟子松1局部圖(a)Partial view of Pinus sylvestris var.mongolica1

利用ArcGIS軟件，統(tǒng)計(jì)出研究區(qū)域內(nèi)plot1和plot2內(nèi)所有樟子松的樹冠面積，再結(jié)合對2塊樣地內(nèi)的100棵樟子松進(jìn)行每木檢尺，記錄下胸徑。

表3為東北林業(yè)大學(xué)城市林業(yè)示范基地內(nèi)plot1和plot2樟子松胸徑及冠幅統(tǒng)計(jì)情況。

表3 東北林業(yè)大學(xué)城市林業(yè)示范基地樣地內(nèi)樟子松統(tǒng)計(jì)情況

3 森林生物量估算

3.1 模型常用評價(jià)指標(biāo)

對于建立單木生物量的模型而言，評價(jià)指標(biāo)有很多種[20-21]。目前，殘差平方和、剩余標(biāo)準(zhǔn)差等指標(biāo)是常見的生物量預(yù)測模型?？傉`差、預(yù)估精度、平均相對誤差和相對誤差是選擇合適的模型預(yù)估生物量時(shí)必須考慮的，而模型評價(jià)的核心是選擇適宜的評價(jià)指標(biāo)。黃勁松等[22]用到了平均相對誤差絕對值指標(biāo)；Parresol等[23]利用標(biāo)準(zhǔn)差和殘差的平均值，擬合了殘差的高斯分布。在已有研究中，地上生物量模型常用的指標(biāo)有決定系數(shù)(R2)、模型顯著性指標(biāo)值(F)、總相對誤差、均方根誤差(RMSE，公式中用RMSE表示)和相對均方根誤差(RMSE%)。本文采用R2、RMSE來評價(jià)模型的擬合效果。其中R2也稱為擬合系數(shù)，是由總平方和(TSS)和殘差平方和(RSS)計(jì)算得出的；RMSE反映模型的精度。其具體公式如下。

(1)

(2)

3.2 模型的選擇

本文選擇具有代表性的樹冠面積-胸徑模型對建模樣地內(nèi)的數(shù)據(jù)進(jìn)行擬合，選擇最優(yōu)模型，通過提取樹冠面積，估測樟子松的胸徑值，進(jìn)而完成樟子松地上生物量的估算。

由于此試驗(yàn)?zāi)康臑楣浪銌文镜厣仙锪浚诮档鸵巴夤ぷ髁康那疤嵯?，選擇樹冠面積(Canopy area，CA，公式中用CA表示)作為胸徑(Diameter at Breast Height，DBH，公式中用DBH表示)的解釋變量參與最優(yōu)模型的選擇。依次選取擬合線性函數(shù)、冪函數(shù)、多項(xiàng)式和指數(shù)函數(shù)模型。并采用R2和RMSE來評價(jià)模型的擬合效果。

以plot1內(nèi)統(tǒng)計(jì)到的CA值和DBH值作為樣本點(diǎn)，分別對6種模型進(jìn)行擬合，并對擬合效果進(jìn)行評價(jià)。各模型的擬合效果如圖7所示。

a、b、c為擬合參數(shù)

擬合結(jié)果及評價(jià)分析見表4。

表4 樟子松各類CA-DBH模型擬合參數(shù)及評價(jià)

由表4對擬合效果的分析可知，6個(gè)模型中，除指數(shù)函數(shù)模型外，均有良好的擬合效果(R2>0.5)，其中多項(xiàng)式和冪函數(shù)的擬合效果最為理想，R2均達(dá)到了0.95以上，RMSE也都很低。因此本試驗(yàn)選取計(jì)算量少、結(jié)構(gòu)更為簡單的冪函數(shù)模型作為東北林業(yè)大學(xué)城市林業(yè)示范基地樟子松的樹冠面積-胸徑擬合模型。

3.3 最優(yōu)模型的預(yù)測效果

利用東北林業(yè)大學(xué)城市林業(yè)示范基地內(nèi)的plot2中采集到的數(shù)據(jù)進(jìn)行模型有效性的驗(yàn)證。將樣地內(nèi)基于影像提取的CA值代入選定的冪函數(shù)模型，并得到DBH的估計(jì)值，將其與樣地內(nèi)觀測到的真實(shí)值進(jìn)行比較。

模型預(yù)測值與樣地觀測值對比效果如圖8所示。

由圖8可知，樟子松實(shí)際測量的胸徑和建模樣地估計(jì)的胸徑偏差不顯著，由此可以驗(yàn)證樟子松胸徑-樹冠面積擬合模型的有效性，可用于進(jìn)一步估測其地上生物量。

圖8 樟子松DBH觀測值與預(yù)測值對比圖

3.4 森林生物量估算

接下來進(jìn)行樟子松地上生物量的估算，采用文獻(xiàn)中已有的胸徑-生物量經(jīng)驗(yàn)方程，根據(jù)數(shù)學(xué)關(guān)系間接建立樹冠面積-生物量模型。而后利用模型進(jìn)行單木生物量的估算，計(jì)算得出目標(biāo)樹種總地上生物量。根據(jù)胸徑-生物量經(jīng)驗(yàn)方程得出

W=0.024D2.703。

(3)

式中：W為生物量；D為胸徑。

根據(jù)樹冠面積-生物量經(jīng)驗(yàn)方程得出

W=6.995 2C1.173 1。

(4)

式中：C為樹冠面積。

根據(jù)所得樹冠面積-生物量經(jīng)驗(yàn)方程計(jì)算出plot1和plot2中的地上生物量，具體結(jié)果見表5。

表5 plot1和plot2內(nèi)樟子松生物量估計(jì)結(jié)果

4 結(jié)論

以東北林業(yè)大學(xué)城市林場示范基地的樟子松為研究對象，使用無人機(jī)遙感技術(shù)獲取目標(biāo)樣地內(nèi)的樟子松遙感影像，對目標(biāo)樣地進(jìn)行實(shí)地人工調(diào)查，通過實(shí)測獲取目標(biāo)樣地內(nèi)所有樟子松的胸徑數(shù)據(jù)。利用eCognition軟件對樟子松進(jìn)行分割和分類，提取遙感影像內(nèi)的單木樹冠，通過ArcGIS軟件計(jì)算單木的樹冠面積后將樣地實(shí)測胸徑和樹冠面積一一匹配，進(jìn)而通過胸徑數(shù)據(jù)和樹冠面積數(shù)據(jù)擬合得到最優(yōu)模型，結(jié)合經(jīng)驗(yàn)方程胸徑-生物量模型計(jì)算目標(biāo)樣地內(nèi)的地上生物量。本文的主要研究結(jié)果如下。

(1)運(yùn)用eCognition軟件對無人機(jī)獲取的遙感影像進(jìn)行信息提取，從而進(jìn)行影像分割。結(jié)果表明，分割尺度設(shè)定為200，形狀因子為0.1, 緊致度為0.5，可以有效對樟子松遙感影像進(jìn)行分類，提取單木樹冠。

(2)結(jié)合實(shí)測數(shù)據(jù)，擬合出研究區(qū)樟子松的樹冠面積-胸徑6種模型類型，其中包括線性函數(shù)、冪函數(shù)、多項(xiàng)式函數(shù)和指數(shù)函數(shù)。對比擬合效果，結(jié)果表明最合適的冪函數(shù)方程為樹冠面積-胸徑模型類型：DBH=aCAb。

(3)根據(jù)擬合得到的樹冠面積-胸徑模型，結(jié)合已有的胸徑-生物量經(jīng)驗(yàn)方程，通過數(shù)學(xué)運(yùn)算得到樟子松與樹冠面積有關(guān)的生物量方程，結(jié)果表明plot1和plot2中樟子松的總地上生物量估計(jì)值為12 117 kg。