基于無人機(jī)影像的無瓣海桑單木提取與地上生物量估算

余楚瀅，龔 輝，曹晶晶，劉燕君，劉 凱

[ 1. 中山大學(xué) 地理科學(xué)與規(guī)劃學(xué)院//廣東省公共安全與災(zāi)害工程技術(shù)研究中心//廣東省城市化與地理環(huán)境空間模擬重點(diǎn)實(shí)驗(yàn)室，廣州510006；2. 南方海洋科學(xué)與工程廣東省實(shí)驗(yàn)室（珠海），廣東 珠海 519000；3. 廣州市城市規(guī)劃勘測設(shè)計(jì)研究院，廣州 510060 ]

紅樹林是熱帶亞熱帶地區(qū)海岸潮間帶的木本植物群落，具有顯著的防風(fēng)消浪、促淤造陸和凈化海洋等效果（陳玉軍 等，2012；盧昌義 等，2019），其在保護(hù)海岸帶生態(tài)安全中發(fā)揮著重要作用。紅樹林擁有強(qiáng)大的固碳能力，準(zhǔn)確的紅樹林生物量估算是定量研究其生態(tài)系統(tǒng)生產(chǎn)力和生態(tài)系統(tǒng)碳循環(huán)的重要內(nèi)容（田義超 等，2019；王子予 等，2020）。無瓣海桑（Sonneratia apetala）是海?？坪Ｉ賳棠?，其具有良好的環(huán)境適應(yīng)性，且生物量積累快、固碳速率高，生產(chǎn)力水平處于中國紅樹林群落中的較高位置，是人工紅樹林營造應(yīng)用中重要的優(yōu)質(zhì)紅樹樹種之一（朱可峰 等，2011；周元滿 等，2012）。相比于傳統(tǒng)的紅樹林生物量估算方式，遙感技術(shù)已成為紅樹林生物量估算研究的重要手段和數(shù)據(jù)源。然而，基于衛(wèi)星遙感影像估算精度通常受限于較低的影像分辨率，且大多數(shù)的紅樹林生物量估算研究對(duì)所有樹種進(jìn)行整體建模，較少考慮不同樹種的生物量差異。由于紅樹林群落冠層密集、結(jié)構(gòu)復(fù)雜，目前，樹種尺度的紅樹林生物量估算研究仍較少。

單木尺度的森林結(jié)構(gòu)信息有助于提高紅樹林生物量估算精度。基于遙感技術(shù)的單木提取包括單株立木探測和單木樹冠提取兩部分（董新宇 等，2019）。單株立木探測指對(duì)單木樹冠的所在位置進(jìn)行探測，找出每個(gè)樹冠的中心點(diǎn)；單木樹冠提取指將探測到的樹冠中心點(diǎn)作為參照，找到樹木樹冠的邊界點(diǎn)，對(duì)樹冠輪廓進(jìn)行描繪（劉曉雙 等，2010）。目前，國內(nèi)外單木提取研究主要集中在針葉林（Dalponte et al., 2014; Yang et al., 2016），這是因?yàn)獒樔~林的樹冠呈尖塔形，樹冠高點(diǎn)明顯，而紅樹林由于樹冠比較密集，相鄰樹木之間高度差較小，在遙感數(shù)據(jù)中難以識(shí)別樹冠邊界，紅樹林的單木提取精度受限。近年來，廣受關(guān)注的低空無人機(jī)（Unmanned aerial vehicle, UAV）遙感技術(shù)為從高分辨率影像中提取單木樹冠信息提供新的機(jī)會(huì)，且已在紅樹林單木提取中得到應(yīng)用。如Yin 等（2019）基于無人機(jī)載激光雷達(dá)（Light Detection And Ranging, LiDAR）數(shù)據(jù)實(shí)現(xiàn)了紅樹林的樹冠分割和參數(shù)估計(jì)，并分析了樹冠聚集度和點(diǎn)云密度對(duì)單木提取精度的影響；Navarro 等（2020）使用無人機(jī)影像生成高分辨率的冠層高度模型（Canopy Height Model, CHM），基于可變窗口濾波（Variable Window Filter, VWF）和控制分水嶺分割方法（Controlled Watershed Segmentation Method, CWSM）實(shí)現(xiàn)紅樹林單木提取。

以往研究主要利用地面樣方數(shù)據(jù)，采用皆伐法、平均木法和異速生長法等方法（薛立 等，2004）構(gòu)建紅樹林地上生物量模型。其中，異速生長方程是一種通過部分單木參數(shù)得到單木生物量的方法，相比于皆伐法、平均木法，該法較為簡便，破壞性小，便于推廣（Castedo-Dorado et al.,2012； 金川 等，2012）?；谶b感技術(shù)的紅樹林地上生物量估算方法可分為兩類：一是提取光譜、指數(shù)、紋理等遙感特征，建立生物量反演模型（Lei et al., 2022）；二是通過高分辨率影像、LiDAR數(shù)據(jù)等獲取樹高、冠幅等林分因子，基于異速生長方程構(gòu)建生物量估算模型（Pham et al., 2019）。前者結(jié)合多個(gè)特征變量，可達(dá)到較高的精度，但反演模型可推廣性較差。后者基于異速生長法理論，具有較強(qiáng)解釋能力。但衛(wèi)星遙感影像通常受限于較低的影像分辨率（Zhu et al., 2017），難以實(shí)現(xiàn)單木尺度的紅樹林生物量估算。近年來，無人機(jī)遙感在精細(xì)尺度的植被生物量監(jiān)測中備受關(guān)注，部分學(xué)者也開始探討其在紅樹林生物量估算中的應(yīng)用潛力。如Qiu 等（2019）結(jié)合WorldView-2 高分辨率影像和無人機(jī)載LiDAR 數(shù)據(jù)進(jìn)行單木和格網(wǎng)尺度的紅樹林地上生物量估算；Navarro 等（2020）利用無人機(jī)影像進(jìn)行紅樹林單木檢測，并結(jié)合異速生長方程估算生物量。然而，無人機(jī)遙感在紅樹林生物量監(jiān)測中的應(yīng)用潛力仍有待進(jìn)一步探究，且當(dāng)前基于無人機(jī)遙感的單木尺度無瓣海桑生物量估算研究仍較少。

因此，本文以廣東省珠海市淇澳島紅樹林自然保護(hù)區(qū)為研究區(qū)，基于無人機(jī)影像和種子區(qū)域生長（Seed Region Growing, SRG）算法進(jìn)行無瓣海桑單木提取，通過確定研究區(qū)無瓣海桑樹高和胸徑之間的回歸關(guān)系，構(gòu)建基于樹高的無瓣海桑異速生長方程以準(zhǔn)確估算其地上生物量。以期為紅樹林生態(tài)恢復(fù)、保護(hù)與管理提供決策支持。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)介紹

廣東省珠海市淇澳島（22°23′40″-22°27′38″N，113°36′40″-113°23′40″ E）位于珠江口內(nèi)伶仃洋西側(cè)，東望深圳、香港，北鄰中山、東莞，海島總面積約24 km2（王樹功 等，2005；Cao et al.,2021）。淇澳島屬熱帶海洋性季風(fēng)氣候，雨量充沛、光照充足、雨熱同期（黃建榮 等，2011）。淇澳島紅樹林保護(hù)區(qū)內(nèi)有秋茄（Kandelia candel）、桐花樹（Aegiceras corniculatum）、銀葉樹（Heritiera littoralis Dryand）、老鼠簕（Acanthus ilicifolius）和無瓣海桑（Sonneratia apetala）等主要紅樹植物。本研究區(qū)位于淇澳島紅樹林保護(hù)區(qū)的中、高潮區(qū)域（圖1），面積為2.89 hm2。研究區(qū)的植被群落中上層木主要為無瓣海桑，中層木主要為桐花樹和老鼠簕，其中無瓣海桑為研究區(qū)的優(yōu)勢種。研究區(qū)的無瓣海桑為2001-2002年左右種植（Yu et al., 2020），2019年采集本文使用的無人機(jī)影像時(shí)無瓣海桑的樹齡約為17～18 a。

圖 1 廣東珠海淇澳島地理位置（a）與研究區(qū)域（b、c）及野外調(diào)查樣方點(diǎn)位置（c）Fig.1 Geographical location of Qi'ao Island, Zhuhai, Guangdong (a);Location of the study area (b, c); Quadrat positions in the study area (c)

1.2 無人機(jī)影像獲取與預(yù)處理

采用大疆DJI精靈4 PRO V2.0四旋翼消費(fèi)級(jí)可見光無人機(jī)設(shè)備進(jìn)行研究區(qū)數(shù)據(jù)采集。該無人機(jī)質(zhì)量輕、體積小，搭載CMOS 傳感器，鏡頭焦距為8.8 mm，無人機(jī)平臺(tái)與RGB 傳感器集成一體，整機(jī)重量1 375 g。共有紅、綠、藍(lán)3個(gè)波段，傳感器分辨率為5 472×3 648（大疆創(chuàng)新，2021）。無人機(jī)影像的采集時(shí)間為2019-11-10，天氣狀況良好，飛行時(shí)段選擇正午T 10:00-14:00，風(fēng)速約為1～4 m/s。使用Altizure生成無人機(jī)傾斜攝影航線，航向重疊率設(shè)置為80%，旁向重疊率設(shè)置為75%，航高設(shè)置為100 m，飛行速度約為9 m/s，傾斜航線的俯仰角度為45°。共獲取覆蓋研究區(qū)的無人機(jī)傾斜攝影影像566幅。

基于傾斜攝影建模軟件ContextCapture 生成研究區(qū)無人機(jī)正射影像圖（Digital Orthophoto Map, DOM） 和數(shù)字表面模型（Digital Surface Model, DSM）以及密度點(diǎn)云（圖2）。其中DOM空間分辨率約為0.04 m，DSM 空間分辨率為0.25 m，密度點(diǎn)云面積為0.343 km2，空間分辨率為0.03 m。

圖2 基于無人機(jī)航片生成的研究區(qū)正射影像圖DOM（a）、數(shù)字表面模型DSM（b）和密度點(diǎn)云（c）Fig.2 Digital Orthographic Model DOM (a), Digital Surface Model DSM (b) and point cloud (c) of the study area based on UAV Imagery

1.3 地面數(shù)據(jù)采集與預(yù)處理

1.3.1 實(shí)測單株無瓣海桑樹高和胸徑數(shù)據(jù) 使用Trimble SX10三維激光掃描儀、測高儀和卷尺對(duì)無瓣海桑進(jìn)行調(diào)查，獲取無瓣海桑的樹高，并測量樹干1.3 m處的直徑（胸徑），以構(gòu)建無瓣海桑樹高與胸徑的回歸關(guān)系。由于紅樹林生長在潮間帶且生境復(fù)雜，研究區(qū)內(nèi)難以架設(shè)激光掃描儀設(shè)備，因而，采樣地點(diǎn)主要選取研究區(qū)邊緣的無瓣海桑群落。采集時(shí)間為2018-06-28，共采集了48棵無瓣海桑的樹高和胸徑數(shù)據(jù)，用于構(gòu)建兩者的回歸關(guān)系。

1.3.2 樣方數(shù)據(jù) 針對(duì)研究區(qū)開展無瓣海桑地面樣方調(diào)查，數(shù)據(jù)采集時(shí)間為2020-11-03，在研究區(qū)內(nèi)構(gòu)建5 個(gè)10 m×10 m 的樣方（見圖1）。借助測高儀和近距離目視估測無瓣海桑的樹高；使用軟尺測量樹干1.3 m處的直徑（胸徑）。獲取的樹高和胸徑數(shù)據(jù)主要用于代入異速生長方程以獲取樣方地上生物量，驗(yàn)證無人機(jī)獲取的結(jié)果。

1.4 技術(shù)路線

基于無人機(jī)傾斜攝影影像的無瓣海桑單木提取與地上生物量估算技術(shù)路線如圖3所示。首先，基于無人機(jī)影像生成冠層高度模型；然后，采用局部極大值算法和種子區(qū)域生長算法進(jìn)行無瓣海桑單木提取；同時(shí)，利用地面調(diào)查數(shù)據(jù)確定樹高和胸徑之間的關(guān)系，構(gòu)建基于樹高的無瓣海桑異速生長方程；最后，估算研究區(qū)的無瓣海桑地上生物量，并結(jié)合地面調(diào)查數(shù)據(jù)進(jìn)行驗(yàn)證分析。

圖3 無瓣海桑單木樹冠提取與地上生物量估算流程Fig.3 Flow chart of tree crown delineation and aboveground biomass estimation of Sonneratia apetala

2 基于無人機(jī)點(diǎn)云的無瓣海桑單木樹冠提取

2.1 點(diǎn)云濾波與冠層高度模型生成

基于無人機(jī)航片生成的研究區(qū)原始點(diǎn)云數(shù)據(jù)可分為植被點(diǎn)云和地面點(diǎn)云兩部分。為了精確獲取植被的冠層高度模型（Canopy Height Model, CHM），通常需先將地面點(diǎn)與非地面點(diǎn)分離開。已有研究證明，布料模擬濾波（Cloth Simulation Filtering,CSF）算法效果較好且所需參數(shù)較少（Zhang et al.,2016； 張昌賽 等，2018）。在CloudCompare 中采用CSF算法進(jìn)行點(diǎn)云濾波，進(jìn)而分離地面點(diǎn)與植被點(diǎn)。最終得到的點(diǎn)云濾波結(jié)果如圖4-a 所示，可以看出，地面點(diǎn)云主要包括林分外圍灘涂點(diǎn)云和林窗間隙內(nèi)的地面點(diǎn)云。對(duì)CSF濾波處理得到的地面點(diǎn)云數(shù)據(jù)進(jìn)行處理，采用最鄰近算法進(jìn)行插值，并在ArcGIS中使用低通濾波進(jìn)行平滑處理，生成數(shù)字高程模型（Digital Elevation Model, DEM），將DSM和DEM 進(jìn)行差值運(yùn)算得到研究區(qū)冠層高度模型（Canopy Height Model, CHM），重采樣后空間分辨率為0.25 m（圖4-b）。運(yùn)用CHM 模型描述研究區(qū)林木從地表至冠層的高度分布。

圖4 研究區(qū)地面點(diǎn)云（a）和CHM（b）Fig.4 Ground point cloud (a) and CHM (b) of the study area

2.2 單木位置探測與樹冠分割

單木提取通常包括2個(gè)步驟：首先，進(jìn)行單木位置探測，即將搜索到的樹冠頂點(diǎn)作為單木的空間位置；再以提取的樹冠頂點(diǎn)為標(biāo)記點(diǎn)，進(jìn)行單木的樹冠分割。采用經(jīng)典的局部極大值算法（Yin et al.,2019）進(jìn)行單木頂點(diǎn)提取。該算法將樹冠最高點(diǎn)作為單木位置，通過移動(dòng)窗口逐步對(duì)柵格數(shù)據(jù)進(jìn)行搜索，并判斷搜索窗口的中心點(diǎn)是否為局部極大值，若為局部極大值，則將此像素標(biāo)記為單木頂點(diǎn)。單木探測結(jié)果的準(zhǔn)確性通常與搜索窗口大小、影像分辨率和冠幅大小等因素有關(guān)。采用可變窗口濾波（Variable Window Filter, VWF） 算法（Popescu et al., 2004）確定搜索窗口大小。VWF算法基于樹高與冠幅的相關(guān)關(guān)系假設(shè)，即樹木越高則冠幅越大。該算法根據(jù)窗口中心的像素值確定移動(dòng)窗口的大小，其中可變窗口函數(shù)的選擇非常關(guān)鍵。根據(jù)前期地面調(diào)查數(shù)據(jù)和多次試驗(yàn)，進(jìn)而確定函數(shù)y=0.06x為窗口變換函數(shù)（其中y為窗口大小，單位為m；x為樹高，單位為m）。以上步驟通過R 語言Forest Tools工具包實(shí)現(xiàn)，最終得到研究區(qū)紅樹林單木頂點(diǎn)的局部探測結(jié)果（圖5）。

圖5 無瓣海桑單木頂點(diǎn)探測結(jié)果局部（a. 局部位置示意圖；b. 局部區(qū)域正射影像；c. 局部區(qū)域單木頂點(diǎn)檢測結(jié)果）Fig.5 Partial result of individual tree detection of Sonneratia apetala (a. Location of the partial area; b. DOM of the partial area;c. Individual tree detection result of the partial area)

結(jié)合研究區(qū)CHM 影像，在SAGA GIS 中采用種子區(qū)域生長（Seed Region Growing,SRG）算法（Yin et al., 2019）進(jìn)行單木樹冠分割。SRG 算法將圖像種子點(diǎn)標(biāo)記為生長區(qū)域，進(jìn)一步判斷相鄰像素與種子點(diǎn)的相似度，若相似度在閾值以內(nèi)則并入生長區(qū)域。不斷循環(huán)上述操作直到滿足停止條件或遍歷結(jié)束。該算法利用特征閾值和距離閾值控制分割對(duì)象的生長。使用樹冠頂點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域生長，以進(jìn)行樹冠分割，得到的研究區(qū)域無瓣海桑群落分割結(jié)果及局部分割效果（圖6）。

圖6 無瓣海桑單木分割結(jié)果（a. 研究區(qū)總體單木分割結(jié)果與局部區(qū)域位置示意圖；b. 局部區(qū)域正射影像；c. 局部區(qū)域單木分割結(jié)果）Fig.6 The individual tree crown delineation result of Sonneratia apetala (a. Individual tree crown delineation result and the location of the partial area; b. DOM of the partial area; c. Individual tree crown delineation of the partial area)

2.3 單木提取精度

利用研究區(qū)的DOM影像、CHM影像，采用目視解譯，同時(shí)結(jié)合前期實(shí)地調(diào)研，人工隨機(jī)選取100 個(gè)無瓣海桑樣點(diǎn)，勾繪樣點(diǎn)的樹冠邊界，進(jìn)而生成單木提取結(jié)果的驗(yàn)證樣本，驗(yàn)證效果如圖7所示?？紤]到樹冠分割結(jié)果與樣本之間存在多種空間關(guān)系，參考已有研究，將分割結(jié)果與驗(yàn)證樣本之間存在重合且重合部分同時(shí)占分割結(jié)果與驗(yàn)證樣本樹冠50%以上（Zhen et al., 2013）定義為正確分割。采用探測精度（Detection Accuracy, DA）指標(biāo)進(jìn)行樹冠分割精度評(píng)價(jià)（Yin et al., 2019），公式為：

圖7 研究區(qū)局部無瓣海桑單木樹冠提取結(jié)果與驗(yàn)證樣本（a. 局部位置示意圖；b. 局部區(qū)域正射影像；c. 局部區(qū)域單木分割結(jié)果與驗(yàn)證樣本）Fig.7 Individual tree crown delineation result and reference samples of Sonneratia apetala (a. Location of the partial area;b. DOM of the partial area; c. Individual tree crown delineation result and reference crowns of the partial area)

式中：T為正確分割的樹冠數(shù)量（株）；R為所有樣本的數(shù)量；DA 為正確分割的樹冠數(shù)量T與所有樣本數(shù)量R的比例。

由于研究區(qū)內(nèi)無瓣海桑冠層十分密集、群落內(nèi)部冠層相互交疊、樹冠間縫隙較小，且樹冠之間的高度變化較為平滑，使得單木尺度的無瓣海桑提取工作具有挑戰(zhàn)性。使用SRG算法得到的無瓣海桑單木樹冠探測精度DA 為67%，基本能較為準(zhǔn)確地將研究區(qū)的無瓣海桑單木樹冠分割出來。

3 單木尺度的無瓣海桑地上生物量估算

3.1 無瓣海桑生物量估算模型構(gòu)建

異速生長方程是林木生物量估算的經(jīng)典方法，其通過建立樹高、冠幅、胸徑等林木參數(shù)與生物量之間的經(jīng)驗(yàn)方程估算林木生物量（武高潔 等，2014）。已有研究表明，異速生長方程具有較高的生物量估算精度，且相比傳統(tǒng)的皆伐法和平均木法，其能夠大幅降低對(duì)森林的破壞性采樣，適用于自然保護(hù)區(qū)等特殊政策環(huán)境下的受保護(hù)樹種（Navarro et al., 2020）。同種樹種的異速生長關(guān)系往往有較高的相似性，區(qū)域差異較小。因此，對(duì)不同地域的同一樹種可以使用同一異速生長方程（Komiyama et al., 2008）。

參考Ren 等（2010）利用實(shí)地調(diào)查數(shù)據(jù)建立的無瓣海桑異速生長方程（表1）構(gòu)建無瓣海桑單木地上質(zhì)量估算模型。Ren 等的實(shí)驗(yàn)區(qū)域?yàn)閺V東省雷州灣紅樹林，該區(qū)域與廣東省珠海市淇澳島處于相近的緯度，且具有相似的紅樹林生境與樹種組成。同時(shí)，Zhu等（2021）也將該異速生長方程應(yīng)用于深圳福田紅樹林保護(hù)區(qū)17～18年樹齡的無瓣海桑單木地上質(zhì)量估算?；诒?中地上部分的干、枝、皮和葉生物量求和，得到無瓣海桑單木地上質(zhì)量。

表1 基于胸徑和樹高建立無瓣海桑異速生長方程Table 1 The allometric growth equation of Sonneratia apetala based on DBH and tree height

已有研究表明，無瓣海桑的樹高和胸徑之間有較強(qiáng)的相關(guān)性（朱可峰 等，2011），因此，通過建立樹高和胸徑的回歸方程，利用樹高推算胸徑，進(jìn)而代入異速生長方程以估算無瓣海桑單木地上質(zhì)量。利用地面采集工作獲取的48株無瓣海桑單木樹高和胸徑，并采用最小二乘法進(jìn)行回歸擬合，得到研究區(qū)無瓣海桑的樹高和胸徑的回歸方程，其公式為：

式中：D為胸徑，單位為cm；H為樹高，單位為m。

基于地面調(diào)查數(shù)據(jù)構(gòu)建的無瓣海桑的樹高和胸徑線性回歸趨勢線（圖8），可以看出，樹高和胸徑具有較高的相關(guān)性，相關(guān)系數(shù)R2為0.871 3。

圖8 基于地面調(diào)查數(shù)據(jù)得到的無瓣海桑樹高-胸徑回歸線Fig.8 Regression line of height-DBH of Sonneratia apetala based on ground survey data

利用上述樹高-胸徑回歸方程，將異速生長方程（見表1）的胸徑參數(shù)用樹高參數(shù)表示，從而得到優(yōu)化后的異速生長方程（表2）。

結(jié)合無瓣海桑單木提取結(jié)果，搜索每個(gè)樹冠多邊形內(nèi)的最大值，將其作為無瓣海桑的單木樹高，代入優(yōu)化后的異速生長方程（見表2），得到無瓣海桑單木地上質(zhì)量。進(jìn)而計(jì)算無瓣海桑地上生物量，公式為：

表2 優(yōu)化后的無瓣海桑異速生長方程Table 2 The optimized allometric growth equation of Sonneratia apetala

式中：AGB是單位面積內(nèi)無瓣海桑地上生物量，單位為t/hm2；W為單位面積內(nèi)無瓣海桑單木地上質(zhì)量總和，單位是kg；A為單位面積，單位為hm2。

3.2 地上生物量估算結(jié)果與精度評(píng)價(jià)

從研究區(qū)無瓣海桑單木地上質(zhì)量分布（圖9）可以看出，無瓣海桑單木地上質(zhì)量的范圍為29.60～388.44 kg，平均值為145.72 kg，地上質(zhì)量總和為368.97 t。

總體上，研究區(qū)內(nèi)無瓣海桑單木地上質(zhì)量分布存在部分空間集聚現(xiàn)象。采用全局Moran'sI指數(shù)（Moran, 1950）進(jìn)一步評(píng)估研究區(qū)內(nèi)無瓣海桑單木地上質(zhì)量分布的空間集聚程度，得到其Moran'sI指數(shù)值為0.594（顯著性檢驗(yàn)結(jié)果p值為0，Z檢驗(yàn)結(jié)果為50.934），表現(xiàn)為較強(qiáng)的空間聚集性?？梢钥闯?，林分邊緣和林窗部分的無瓣海桑單木地上質(zhì)量較小，如圖10所示，主要可能有2個(gè)原因，一是部分研究區(qū)內(nèi)的無瓣海桑正常死亡后留下林窗，其周圍的幼苗仍處于生物量累積階段，二是可能是由于林分邊緣的無瓣海桑易受自然和人為因素的干擾，其單木地上質(zhì)量常常受到損失。

圖10 林分內(nèi)部（a）與林分邊緣和林窗處（b）的無瓣海桑單木地上質(zhì)量對(duì)比Fig.10 Comparison of individual tree mass of Sonneratia apetala inside the forest (a) with that at the edge of the forest and at the gap (b)

通過對(duì)比基于無人機(jī)影像估算的無瓣海桑單木地上生物量、他人估算的研究區(qū)地上生物量與實(shí)地樣方調(diào)查獲得的地上生物量，進(jìn)而驗(yàn)證利用無人機(jī)影像估算地上生物量的適用性和準(zhǔn)確性。參考地面調(diào)查樣方大小，將無人機(jī)估算得到的研究區(qū)無瓣海桑地上生物量分布分割為399個(gè)10 m×10 m的格網(wǎng)。圖9-b 為按研究區(qū)10 m×10 m 樣方尺度統(tǒng)計(jì)的無瓣海桑地上生物量分布，計(jì)算得到每個(gè)樣方內(nèi)無瓣海桑平均單木數(shù)為6.3棵，樣方內(nèi)最多單木數(shù)為17棵，最少為1棵；得到的樣方平均地上生物量為92.14 t/hm2，最小值為2.99 t/hm2，最大值為247.24 t/hm2。根據(jù)前期實(shí)地樣方數(shù)據(jù)顯示，研究區(qū)內(nèi)5 個(gè)10 m×10 m 無瓣海桑樣方的平均單木數(shù)為5.3 棵，平均地上生物量為130.89 t/hm2，最小值為52.69 t/hm2，最大值為269.09 t/hm2?？梢钥闯?，基于無人機(jī)影像估算得到的研究區(qū)無瓣海桑生物量總體上低于地面實(shí)測生物量數(shù)據(jù)。Zhu 等（2020）利用WorldView-2高分辨率影像和無人機(jī)DSM 數(shù)據(jù)，采用隨機(jī)森林算法對(duì)廣東珠海淇澳島紅樹林保護(hù)區(qū)地上生物量進(jìn)行估算。首先將淇澳島內(nèi)植被主要分為秋茄、無瓣海桑與其他植物3種類型，將遙感影像的波段特征和植被指數(shù)作為輸入變量，實(shí)地考察并通過異速生長方程得到的地上生物量作為輸出變量對(duì)模型進(jìn)行訓(xùn)練，進(jìn)而得到整個(gè)保護(hù)區(qū)的地上生物量，RMSEr為30.48%。其得到的2016 年研究區(qū)平均地上生物量為92.53 t/hm2，最小值為39.24 t/hm2，最大值為249.99 t/hm2，總體上與本文估算的地上生物量結(jié)果一致。

圖9 研究區(qū)無瓣海桑單木地上質(zhì)量分布（a）和樣方尺度地上生物量分布（b）Fig.9 Aboveground mass distribution (a) and quadrat scale biomass distribution (b) of Sonneratia apetala in the study area

4 結(jié)論

針對(duì)廣東珠海淇澳島紅樹林保護(hù)區(qū)的無瓣海桑群落，基于無人機(jī)影像和種子區(qū)域生長算法實(shí)現(xiàn)單木樹冠提取，構(gòu)建了無瓣海桑樹高-胸徑回歸模型以優(yōu)化生物量異速生長方程，進(jìn)而實(shí)現(xiàn)了研究區(qū)無瓣海桑地上生物量的精確估算。得到的主要結(jié)論為：

1）基于無人機(jī)影像能夠?qū)崿F(xiàn)無瓣海桑的單木分割，且單木樹冠探測精度為67%，并驗(yàn)證其在單木尺度無瓣海桑地上生物量估算中的可用性，可為后續(xù)基于無人機(jī)遙感的紅樹林生物量監(jiān)測提供技術(shù)參考。

2）利用地面生物量調(diào)查數(shù)據(jù)分析了研究區(qū)無瓣海桑的樹高和胸徑間較高的相關(guān)性，相關(guān)系數(shù)R2為0.871 3，進(jìn)而構(gòu)建了基于樹高估算無瓣海桑地上生物量異速生長方程。

3）基于無人機(jī)遙感估算得到研究區(qū)無瓣海桑的平均地上生物量為92.14 t/hm2，最低為2.99 t/hm2，最高為247.24 t/hm2，整體上略低于實(shí)地調(diào)查的地上生物量。

此外，本研究存在以下幾點(diǎn)不足：1）由于無人機(jī)未攜帶RTK 系統(tǒng)，可能會(huì)造成垂直定高上約1 m的誤差，同時(shí)無瓣海桑的樹種特點(diǎn)為同一植株樹冠可能存在多個(gè)樹頂點(diǎn)，這些因素會(huì)造成單木分割的誤差從而影響地上生物量計(jì)算；2）受到局地氣候條件與潮汐等因素的影響，研究區(qū)內(nèi)有部分無瓣海桑處于倒伏狀態(tài)，樹冠被其他未倒伏無瓣海桑樹冠遮蓋，而這些情況在高空視角往往難以獲取，該部分無瓣海桑地上生物量在基于遙感的研究中通常不被考慮，但在研究區(qū)林下實(shí)地調(diào)查時(shí)卻可以被統(tǒng)計(jì)，因而，基于無人機(jī)影像與高分辨率衛(wèi)星影像估算的無瓣海桑地上生物量相比地面實(shí)測數(shù)據(jù)總體上偏低；3）由于研究區(qū)的無瓣海桑屬于人工種植，相比灘涂區(qū)自然生長的無瓣海桑群落密度較低，因而本文單木分割算法中閾值的適用性在群落密度較高的區(qū)域仍有待探究。