基于無人機(jī)低空遙感數(shù)據(jù)的時序動態(tài)生物量計算研究

張海浪,廉旭剛,王鐳學(xué),高宇璐,石力帆,李宇

摘要：為解決林分自然生長和人工剪伐修枝引起的單木特征參數(shù)變化所造成的生物量變化問題，采用地基激光雷達(dá)數(shù)據(jù)（TLS）和無人機(jī)激光雷達(dá)數(shù)據(jù)（UAV-LS）為數(shù)據(jù)源，通過單木分割的方法，以地基激光雷達(dá)數(shù)據(jù)提供的高精度數(shù)字高程模型為基礎(chǔ)，提升無人機(jī)激光雷達(dá)數(shù)據(jù)的單木召回率；基于無人機(jī)激光雷達(dá)數(shù)據(jù)進(jìn)行單木樹高的提取及一致性評定，通過優(yōu)化的生物量模型，利用樹高參數(shù)計算2022年和2023年各樹種單木生物量。結(jié)果表明，聯(lián)合地面激光雷達(dá)數(shù)據(jù)可以將無人機(jī)激光雷達(dá)數(shù)據(jù)的單木召回率從60.0%提升至73.1%；對2022年、2023年樹高參數(shù)提取得到近兩年樹木自然生長、修剪狀況；對樹高一致性評定得到一致性相關(guān)系數(shù)（Concordance correlation coefficient， CCC）為0.98，均方根誤差（RMSE）為1.12 m；對生物量計算得到近兩年各樹種單木生物量、林分生物量，2022年、2023年單位面積生物量分別為77.39 、81.56 t/hm2。研究證實在研究區(qū)通過無人機(jī)低空遙感數(shù)據(jù)獲取樹高時序動態(tài)計算各樹種單木生物量可行，可以掌握林分自然生長和人工修剪引起的生物量變化。

關(guān)鍵詞：TLS；UAV-LS；樹高；生物量；無人機(jī)

中圖分類號：S771.8文獻(xiàn)標(biāo)識碼：A文章編號：1006-8023（2024）01-0017-09

Research on Time-series Dynamic Biomass Calculation Based on UAV Low-altitude Remote Sensing Data

ZHANG Hailang， LIAN Xugang*， WANG Leixue， GAO Yulu， SHI Lifan， LI Yu

（College of Mining Engineering， Taiyuan University of Technology， Taiyuan 030024， China）

Abstract：In order to solve the problem of biomass change caused by the change of the characteristic parameters of single wood caused by the natural growth of forest stand and the pruning of artificial shears， terrestrial laser scanning （TLS） and aerial vehicle laser scanning （UAV-LS） data were taken as data sources， through the single-wood segmentation method， the single-wood recall rate of UAV-LS data based on the high-precision digital elevation model provided by terrestrial laser scanning was improved. Based on the UAV-LS data， the extraction and consistency evaluation of individual tree height were carried out. The optimized biomass model was used to calculate the individual tree biomass of each tree species in 2022 and 2023 using tree height parameters. The results showed that the combined TLS data can increase the recall rate of UAV-LS data from 60.0% to 73.1%. The tree height parameters in 2022 and 2023 were extracted to obtain the natural growth and pruning status of trees in the past two years. The consistency correlation coefficient （Concordance correlation coefficient， CCC） of tree height consistency evaluation was 0.98 and the root mean square error （RMSE） was 1.12 m. And the biomass of single wood and stand biomass in the past two years was calculated and the stand biomass was 77.39 and 81.56 t/hm2 per unit area in 2022 and 2023， respectively. This study confirmed that it was feasible to obtain tree height time series dynamic calculation of individual tree biomass of each tree species by using UAV low-altitude remote sensing data in the research area and can grasp the biomass changes caused by natural growth and artificial pruning of forest stands.

Keywords：TLS; UAV-LS; tree height; biomass; unmanned aerial vehicle （UAV）

0引言

森林生物量在減少溫室氣體（GHG）排放方面至關(guān)重要，及時準(zhǔn)確地估算森林生物量，對森林生態(tài)系統(tǒng)管理和氣候決策支持具有重要意義[1-2]。樹高、胸徑參數(shù)是生物量計算的關(guān)鍵指標(biāo)，也是評價森林生長狀況的重要參數(shù)，森林空間結(jié)構(gòu)受樹木自然生長、人工剪伐修枝的影響，單木參數(shù)會產(chǎn)生一定的變化?？焖佟?zhǔn)確地獲取林木信息，及時監(jiān)測森林資源的動態(tài)變化是林業(yè)部門的主要任務(wù)之一，但是人工調(diào)查單木樹高、胸徑的時間和人力成本較高，效率較低，不能滿足林業(yè)精準(zhǔn)化、精細(xì)化、時序監(jiān)測森林生物量的需求[3-4]。

地面激光雷達(dá)（TLS）依靠其高掃描精度和掃描密度，可用于單木樹高及胸徑測量，能夠節(jié)省人力，提高工作效率。根據(jù)地面激光點云數(shù)據(jù)通過最小二乘圓擬合算法得到單木胸徑（DBH），在獲取到DBH后根據(jù)種子點的三維坐標(biāo)搜索DBH半徑范圍內(nèi)的點或最近點作為初始種子點簇進(jìn)行單木分割，能夠提高單木召回率，可以保證研究區(qū)單木個數(shù)，同時對高密度點云采用自適應(yīng)不規(guī)則三角網(wǎng)濾波算法（ATIN）對其進(jìn)行點云濾波、反距離加權(quán)作插值處理可以得到高精度數(shù)字高程模型（Digital Elevation Model，DEM）。但對冠幅較大的單木采集數(shù)據(jù)時不易獲取樹木冠幅上方信息，不能很好地獲取樹高參數(shù)[5-6]。機(jī)載激光雷達(dá)數(shù)據(jù)可獲取較高精度的樹高參數(shù)信息，但獲取數(shù)據(jù)成本較高，很難進(jìn)行高頻訪問[7-8]。

隨著衛(wèi)星導(dǎo)航系統(tǒng)（GNSS）、慣性導(dǎo)航系統(tǒng)的小型化、低成本，無人機(jī)搭載激光雷達(dá)將激光測距技術(shù)、計算機(jī)技術(shù)、慣性測量單元和GNSS差分定位技術(shù)集成于一體，非常適合對林區(qū)進(jìn)行時序化動態(tài)監(jiān)測，成為近些年發(fā)展最為迅速的低空遙感技術(shù)[9-12]。激光雷達(dá)不受云層等天氣情況影響，可以快速獲得林分垂直方向結(jié)構(gòu)參數(shù)，將數(shù)字地表模型（Digital Surface Model，DSM）數(shù)據(jù)減去數(shù)字地形模型（Digital Terrain Models，DTM）數(shù)據(jù)獲取冠層高度模型（Canopy Height Model，CHM），通過冠層高度模型對樹木進(jìn)行單木分割，取得單木樹高參數(shù)，在計算森林生物量方面獲得很大優(yōu)勢。但是對于復(fù)雜林分中冠層較大的樹木，冠幅的遮擋造成其下方樹木點云密度稀少，激光雷達(dá)無法準(zhǔn)確得到地面信息，森林結(jié)構(gòu)信息具有較高的不確定性，造成冠幅下方樹木漏檢情況；同時也可能將一個較大的冠幅多分為幾個冠幅，造成冠幅多檢情況[13-14]。

為探究無人機(jī)低空遙感數(shù)據(jù)在便捷、高效、低成本和時序化估算森林生物量方面的可行性，本研究根據(jù)TLS數(shù)據(jù)提供的研究區(qū)單木召回率和高精度DEM，對2022年和2023年無人機(jī)激光雷達(dá)數(shù)據(jù)提取的樹木高度參數(shù)進(jìn)行生長變化評估及一致性評定，基于優(yōu)化的生物量模型利用樹高參數(shù)計算研究區(qū)的各樹種單木生物量，了解各樹種的自然生長變化及人工修剪情況，為今后無人機(jī)低空遙感數(shù)據(jù)高頻時序化監(jiān)測森林生物量提供理論支撐。

1材料與方法

1.1研究區(qū)概況

1.1.1研究區(qū)位置

以太原理工大學(xué)虎峪校區(qū)一綠地作為研究區(qū)，地理坐標(biāo)為37°27′～38°25′N， 111°30′～113°09′E。研究區(qū)最高點海拔為799 m，最低點海拔為786 m，平均海拔為792 m，占地面積為0.7 hm2。研究區(qū)位置如圖1所示。

1.1.2樣地數(shù)據(jù)

區(qū)域內(nèi)柳樹共16棵，12棵分布在場地外圍，4棵分布在研究區(qū)中央；楊樹共13棵，均分布在場地南部外圍，分布比較松散；丁香樹共67棵，集中分布在研究區(qū)西北角、東南角，白皮松15棵，分布在研究區(qū)內(nèi)道路旁，位于場地中央柳樹下方，圓柏共31棵，零散分布在研究區(qū)內(nèi)；槐樹21棵，均勻分布在場地北部和東部外圍，分布比較松散。樣地分布如圖2所示。

1.2激光雷達(dá)遙感數(shù)據(jù)采集

1.2.1地面激光掃描（Terrestrial Laser Scanning，TLS）數(shù)據(jù)

2022年4月使用全站掃描儀采集地面點云數(shù)據(jù)，距離掃描精度0.6 mm，掃描速率為30 m內(nèi)每秒1 000點。共布設(shè)21個測站，為保證不同測站之間掃描結(jié)果分辨率一致，在各測站開始掃描之前均設(shè)置相同的點云密度參數(shù)。設(shè)置掃描平距為15 m時，獲得的點云水平間隔10 cm，垂直間隔10 cm，掃描速度1 000 點/s，估算點數(shù)為4萬左右，耗時25 min。

1.2.2無人機(jī)低空（Light Detection And Ranging，LIDAR）遙感數(shù)據(jù)

2022年4月及2023年4月使用飛馬無人機(jī)D-LIDAR激光雷達(dá)采集了UAV-LS數(shù)據(jù)。飛機(jī)飛行高度為128 m，飛行速度為13.5 m/s。平均點密度286 點/m2，獲得了多達(dá)3次回波，回波強(qiáng)度為8 bits。激光脈沖波長和頻率為905 nm和240 kHz。收集的數(shù)據(jù)采用飛馬無人機(jī)的UAV-managing軟件進(jìn)行處理，包括全球衛(wèi)星導(dǎo)航系統(tǒng)（GlobalNavigationSatelliteSystem，GNSS）及慣性測量單元（Inertial? Measurement? Unit，IMU）處理。數(shù)據(jù)采集如圖3所示。

1.3無人機(jī)激光雷達(dá)數(shù)據(jù)處理

原始激光雷達(dá)點云數(shù)據(jù)需要進(jìn)行GPS格式轉(zhuǎn)換、網(wǎng)絡(luò)差分解算、緊耦合差分解算和精度評定，完成點云軌跡解算。軌跡解算后的點云數(shù)據(jù)進(jìn)行預(yù)處理，包括點云解算、質(zhì)量檢查（如分層，需要進(jìn)行航帶平差）、去冗余、坐標(biāo)轉(zhuǎn)換和精度檢查，得到激光雷達(dá)標(biāo)準(zhǔn)點云。

1.4 研究方法與技術(shù)路線

本研究以地基激光雷達(dá)數(shù)據(jù)和無人機(jī)激光雷達(dá)數(shù)據(jù)為數(shù)據(jù)源，通過單木分割的方法，以地基激光雷達(dá)數(shù)據(jù)提供的高精度數(shù)字高程模型為基礎(chǔ)，提升無人機(jī)激光雷達(dá)數(shù)據(jù)的單木召回率；基于無人機(jī)激光雷達(dá)數(shù)據(jù)進(jìn)行單木樹高的提取及一致性評定，通過優(yōu)化的生物量模型，利用樹高參數(shù)計算2022年和2023年各樹種單木生物量。研究技術(shù)路線如圖4所示。

1.4.1點云濾波

基于地面激光雷達(dá)掃描生成的研究區(qū)原始點云數(shù)據(jù)分為地面點云和非地面點云，為了準(zhǔn)確獲得DEM，需要進(jìn)行地面點分類。本研究采用改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法（Improved Progressive TIN Densification， IPTD）分類地面點，先通過種子點生成一個稀疏的三角網(wǎng)，然后通過迭代處理逐層加密，直到所有地面點分類結(jié)束[15]。點云濾波如圖5所示。

1.4.2地面高程模型的生成及精度評定

對分類后的地面點云數(shù)據(jù)進(jìn)行處理，采用反距離加權(quán)插值得到DEM。為消除地形起伏對點云數(shù)據(jù)高程值的影響，將原始點云數(shù)據(jù)投影到DEM上，得到與其相對應(yīng)的DEM高程值，再將每個點云的高程值減去對應(yīng)DEM地面高程值，得到地面點歸一化點云數(shù)據(jù)[6]。將分類后的地面點構(gòu)造三角網(wǎng)并進(jìn)行插值，獲取到實測單木在DEM對應(yīng)位置方向的高程值（h），與導(dǎo)入實測單木的高程值（H）作差，得到實測單木點與地面點的高程差值（Z）。計算均方根誤差（RMSE，式中記為RMSE）及平均誤差（MAE，式中記為MAE）來評估DEM的精度，公式為

RMSE=1n∑ni=1（Hi-hi）2 。 （1）

均方根誤差是實測高程（Hi）與估測高程（hi）之差的平方和與實測高程點個數(shù)（n）比值的平方根。

MAE=1n∑ni=1（hi-Hi）。（2）

平均誤差為估測高程（hi）與實測高程（Hi）之差的和再平均[16-18]。

1.4.3CHM模型生成

對無人機(jī)低空遙感數(shù)據(jù)獲取的標(biāo)準(zhǔn)點云數(shù)據(jù)進(jìn)行去噪、地面點分類、克里金插值得到精確數(shù)字地表模型（DSM）。無人機(jī)低空遙感點云數(shù)據(jù)和全站掃描儀點云數(shù)據(jù)都使用的是千尋網(wǎng)絡(luò)提供CGCS2000坐標(biāo)系統(tǒng)，兩者有相同的地理參考、相同的坐標(biāo)系，將數(shù)字地表模型（DSM）與地面激光掃描得到的數(shù)字高程模型（DEM）作差值，獲得冠層高度模型（CHM）。CHM模型生成完畢之后會存在冠層間隙及無效值這樣的黑色像素點，使得樹冠區(qū)域不完整，需將無效值進(jìn)行填充，并對填充后的CHM進(jìn)行高斯濾波處理，來解決過分割或欠分割現(xiàn)象。

1.4.4單木位置探測與分割及精度評定

地面激光點云經(jīng)過地面歸一化后根據(jù)最小二乘圓擬合算法得到DBH，在獲取到DBH后根據(jù)單木位置探測的種子點三維坐標(biāo)搜索DBH半徑范圍內(nèi)的點或最近的點作為初始的種子點簇進(jìn)行單木分割[19]，可以獲取到單木位置及胸徑參數(shù)；無人機(jī)點云數(shù)據(jù)根據(jù)冠層高度模型采用局部最大值算法提取單木頂點位置并作為種子點，該算法將樹冠最高點作為單木位置，通過移動窗口逐步對柵格數(shù)據(jù)進(jìn)行搜索，并判斷搜索窗口的中心點是否為局部極大值，若為局部極大值，則將此像素標(biāo)記為單木頂點。將種子點通過分水嶺分割算法進(jìn)行單木分割，把CHM的高點處當(dāng)作山峰，低點處為山谷，用水填充，在水匯合的地方建立屏障，屏障即為分割的結(jié)果。

以實測單木作為參考與提取的單木位置進(jìn)行匹配。若實測單木位置附近范圍內(nèi)存在唯一單木為正檢（True Positive， TP，式中記為TP）；不存在單木為漏檢（False Negative， FN，式中記為FN）；存在多個單木則為錯檢（False Positive， FP，式中記為FP）。單木檢測結(jié)果使用召回率 （r）、準(zhǔn)確率 （p）和F測度（F-score）進(jìn)行評價，其公式為[16]

r=TPTP+FN×100%。 （3）

P=TPTP+FP×100%。（4）

F=2×r×pr+p×100%。（5）

式中： r為召回率，表示正檢株數(shù)占實測株數(shù)額比例； p為準(zhǔn)確類，表示正檢株數(shù)與檢測的株數(shù)之比；F為測度，是對召回率r和準(zhǔn)確率p的綜合描述。

1.4.5生物量模型優(yōu)化

生物量模型是林木生物量估算的經(jīng)典方法，通過將生物量模型與胸徑、樹高等單木參數(shù)建立經(jīng)驗方程式來估算生物量。同種類型的生物量模型有較高的相似性，區(qū)域差異很小，對同種類型的林木可以采用相同的生物量模型。研究區(qū)蓄積量計算采用了單木二元材積模型蓄積量（V）

V=aDbHc。 （6）

式中：a、b、c為模型參數(shù)；D為胸徑；H為樹高。

生物量計算中研究區(qū)采用了喬木類生物量模型，地上部分總生物（WT）

WT=a（D2H）b。 （7）

地下部分生物量（WR）

WR=WT/3.85。（8）

生物量（W）

W=WT+WR。（9）

研究者將實地調(diào)查的樹高、胸徑值使用回歸方程建立樹高與胸徑的模型，通過模型利用樹高推測胸徑值。各樹種回歸方程公式見表1。

D的單位為cm；H的單位為m。利用上述回歸方程，將蓄積量與生物量模型的胸徑參數(shù)用樹高參數(shù)表達(dá)，得到優(yōu)化后的各樹種蓄積量、生物量模型。見表2。

2結(jié)果

2.1DEM精度評定

無人機(jī)低空遙感數(shù)據(jù)對于復(fù)雜林分中冠層較大的樹木，冠幅的遮擋造成其下方樹木點云密度稀少，激光雷達(dá)無法準(zhǔn)確得到地面信息，森林結(jié)構(gòu)信息具有較高的不確定性，需要準(zhǔn)確的地面高程信息提升獲取的樹高信息準(zhǔn)確度。根據(jù)地面激光點云數(shù)據(jù)獲得的DEM精度評價表見表3。

TLS得到的高精度的DEM均方根誤差為7.3 cm，既可為無人機(jī)低空遙感數(shù)據(jù)的樹高參數(shù)獲取提供很好的保障，又可作為長期時序觀測的數(shù)據(jù)分析基礎(chǔ)。

2.2單木檢測精度評價

研究區(qū)實測單木160株，以實測單木作為參考與提取的單木位置進(jìn)行匹配。據(jù)2022年地面激光掃描（TLS）數(shù)據(jù)提供的研究區(qū)單木高召回率可以提升無人機(jī)激光雷達(dá)數(shù)據(jù)（UAV-LS）的單木召回率，單木檢測見表4。

根據(jù)無人機(jī)點云的單木召回率，對于研究區(qū)內(nèi)樹冠較大的樹木，由于冠幅的遮擋造成冠幅下方樹木點云密度稀少，會存在漏檢冠幅下方樹木現(xiàn)象。根據(jù)地基點云的單木召回率往往會高于基于無人機(jī)點云的單木召回率，其與地基融合無人機(jī)點云的單木召回率一致，說明地基點云可以準(zhǔn)確識別出單木樹干，可以保證研究區(qū)的單木個數(shù)，利用TLS提供的單木召回率可以很大程度提升低空遙感數(shù)據(jù)的單木召回率，將地面激光掃描運用到研究區(qū)去獲取DEM及單木胸徑參數(shù)為后續(xù)生物量時序計算提供數(shù)據(jù)分析基礎(chǔ)及技術(shù)參考。

2.3樹高生長變化評估及一致性評定

本研究將激光雷達(dá)數(shù)據(jù)2022年和2023年的樹高進(jìn)行了比較，圖6評估了2022年—2023年樹木生長變化，X>Y表明了樹木的自然生長，X<Y表明園丁對樹木進(jìn)行了修剪，修剪的基本是位于校園道路旁的槐樹，為防止雷雨天氣樹枝受風(fēng)力的影響刮倒砸傷行人，園丁冬季會對道路旁的槐樹進(jìn)行修剪。同時為了評估激光雷達(dá)點云數(shù)據(jù)近兩年所獲取的樹高之間關(guān)系，使用了一致性相關(guān)系數(shù)（Concordance correlation coefficient， CCC）和 RMSE，CCC（式中記為CCC）相對于Pearson相關(guān)系數(shù)的優(yōu)勢在于其能檢測度量值的偏移和增益偏移[20]。計算公式為

CCC=2ρσ12σ21+σ22+（μ1-μ2）2（10）

式中：ρ為2個度量值的相關(guān)系數(shù)；σ2和μ分別是相應(yīng)的方差和均值。

RMSE用于量化建模體積偏差的大小和平均符號差（MSD）以評估偏差[20]。根據(jù)2022年和2023年激光雷達(dá)數(shù)據(jù)獲取的樹高進(jìn)行對比，很好地反映出了兩年內(nèi)樹木的生長程度，大部分樹木呈一個緩慢生長的態(tài)勢。樹高的一致性相關(guān)系數(shù)（CCC）為0.98，均方根誤差（RMSE）為1.12 m，樹高一致性很好。

2.4生物量計算

根據(jù)優(yōu)化生物量模型的無人機(jī)低空遙感數(shù)據(jù)生物量時序計算，可以在很大程度上反映研究區(qū)由于林分自然生長和人工剪伐、修枝引起的單木特征參數(shù)變化所造成的生物量變化問題。研究區(qū)生物量計算見表5。

地面激光掃描可以提供高精度的DEM及單木召回率，利用優(yōu)化后的生物量模型及兩期研究區(qū)無人機(jī)低空遙感數(shù)據(jù)對研究區(qū)近兩年各樹種生物量進(jìn)行計算，2022年研究區(qū)單位面積生物量為77.39 t/hm2，2023年研究區(qū)單位面積生物量為81.56 t/hm2，柳樹、楊樹、白皮松、丁香樹和圓柏2023年相比2022年生物量都略有增長，反映出研究區(qū)由于自然生長所造成的生物量變化；由于園丁對于槐樹的修剪，造成槐樹2022年的生物量比2023年的生物量略多，反映出研究區(qū)由于修剪所造成的生物量變化。研究結(jié)果表明將無人機(jī)低空遙感數(shù)據(jù)運用于林業(yè)生物量時序估算具有很好的可行性。

3討論

1）激光雷達(dá)掃描數(shù)據(jù)采集過程中由于飛機(jī)、飛鳥等空中物體或者大氣懸浮物造成的高空噪點與地表有較大的高差，容易去除；由激光回波多路徑效應(yīng)產(chǎn)生的低空噪點距離地表較近，容易被誤分為地面點，對濾波結(jié)果影響較大。無人機(jī)采集數(shù)據(jù)時，在植被密集的地方，激光脈沖難以穿透冠層到達(dá)地面，無法獲取林下數(shù)據(jù)，沒有相對連續(xù)的地面數(shù)據(jù)，會造成植被密集地方地面點分類誤差較大，通過借助地面激光雷達(dá)掃描數(shù)據(jù)可以獲取到植被密集地方的林下數(shù)據(jù)，提高地面點分類。在植被落葉季節(jié)，樹冠層對脈沖到達(dá)地面百分比影響較小，地面點密度大大增加，減小了植被對DEM精度的影響，應(yīng)盡量選擇植被落葉后進(jìn)行無人機(jī)激光掃描數(shù)據(jù)采集。地面點為分布不均勻的三維離散點，需要對其進(jìn)行插值生成連續(xù)變化的（Digital Elevation Model， DEM），插值方法不同生成DEM的精度會略有不同，根據(jù)研究區(qū)獲取數(shù)據(jù)點云密度大，分布均勻的特性選取反距離加權(quán)插值。

2）試驗中在進(jìn)行種子點提取時，依賴手動設(shè)置搜索窗口寬度以進(jìn)行局部最大值過濾，由于柳樹及楊樹的樹冠較大，每個樹枝上都可能包含一個以上的局部最大值，可能會將一棵樹識別為幾棵樹，造成多分現(xiàn)象使得單木提取后的樹木比實際樹木要多；同時由于CHM只反映樹木冠層的表層高度，基于CHM數(shù)據(jù)的分割方法對林木冠層下的小樹識別能力較弱，直接影響樹木株數(shù)及樹高參數(shù)的估算精度，需要借助計算機(jī)算法與人工交互編輯種子點并基于編輯后的種子點對CHM進(jìn)行分割，提高單木分割的準(zhǔn)確性，還需要進(jìn)一步研究基于CHM數(shù)據(jù)利用分水嶺算法進(jìn)行單木分割。

3）實時、準(zhǔn)確地對森林結(jié)構(gòu)參數(shù)進(jìn)行動態(tài)化監(jiān)測，從而了解森林健康狀況、探究資源儲備和制定管理措施的數(shù)據(jù)基礎(chǔ)和關(guān)鍵環(huán)節(jié)，基于單木分割的監(jiān)測方法主要從點云數(shù)據(jù)中分割出單木，然后在單木尺度上監(jiān)測單棵樹木的參數(shù)變化，其監(jiān)測結(jié)果很大程度上受單木分割精度影響，分割精度與激光點云數(shù)據(jù)的密度、質(zhì)量密不可分，錯分和漏分現(xiàn)象在單木分割中不可避免，研究區(qū)丁香樹和圓柏由于分布在樹高較高、小枝條較多的柳樹附近，無人機(jī)在進(jìn)行數(shù)據(jù)采集時，被其所遮擋，造成丁香樹及圓柏的點云密度相對較低。點云密度是影響單木生物量參數(shù)準(zhǔn)確獲取的關(guān)鍵因素，通過改善飛行路徑、多角度飛行和選用合適的飛行高度來提升點云密度，高效、精準(zhǔn)獲取單木參數(shù)[21]。

4結(jié)論

本研究利用TLS點云數(shù)據(jù)獲取高精度DEM及單木召回率，通過無人機(jī)低空遙感數(shù)據(jù)獲取樹高參數(shù)，并基于優(yōu)化的生物量模型對研究區(qū)單木生物量進(jìn)行長期有序動態(tài)計算，研究結(jié)果如下。

1）無人機(jī)低空遙感數(shù)據(jù)對冠幅下方的單木召回率較低，根據(jù)TLS提供的單木召回率可以很大程度地提升單木召回率，聯(lián)合地面激光雷達(dá)數(shù)據(jù)可以將無人機(jī)激光雷達(dá)數(shù)據(jù)的單木召回率從60.0%提升至73.1%。將地面激光掃描數(shù)據(jù)運用到研究區(qū)提取單木位置等參數(shù)，可為后續(xù)基于無人機(jī)低空遙感的生物量監(jiān)測提供技術(shù)參考。

2）無人機(jī)低空遙感生成的點云數(shù)據(jù)在復(fù)雜林分處無法提供準(zhǔn)確的地面信息，TLS采集數(shù)據(jù)可以獲取到準(zhǔn)確的地面信息，DEM精度評定為：均方根誤差為7.3 cm，利用TLS提供的高精度DEM，無人機(jī)低空遙感可以獲得準(zhǔn)確的單木高度，樹高一致性精度評定中樹高的一致性相關(guān)系數(shù)（CCC）為0.98，均方根誤差（RMSE）為1.12 m，高精度DEM可作為長期時序觀測的數(shù)據(jù)分析基礎(chǔ)。

3）運用優(yōu)化的生物量模型及無人機(jī)低空遙感數(shù)據(jù)可以根據(jù)獲取的單木樹高計算出單木生物量，2022年蓄積量為48.27 m3，單位面積生物量為77.39 t/hm2，2023年蓄積量為50.85 m3，單位面積生物量為81.56 t/hm2。反映出研究區(qū)由于樹木生長及修剪造成的生物量變化，無人機(jī)低空遙感的介入為森林管理提供低成本、高分辨率和持續(xù)更新的林業(yè)信息，使得時序動態(tài)生物量計算可行。

【參考文獻(xiàn)】

[1]ROBBIE H， WERNER K. Low tree-growth elasticity of forest biomass indicated by an individual-based model[J]. Forests， 2018， 9（1）： 21.

[2]ZENG W S， FU L Y， XU M， et al. Developing individual tree-based models for estimating aboveground biomass of five key coniferous species in China[J]. Journal of Forestry Research， 2018， 29： 1251-1261.

[3]MOE K T， OWARI T， FURUYA N， et al. Comparing individual tree height information derived from field surveys， LiDAR and UAV-DAP for high-value timber species in northern Japan[J]. Forests， 2020， 11： 223.

[4]TORRESAN C， BERTON A， CAROTENUTO F， et al. Forestry applications of UAVs in Europe： A review[J]. International Journal of Remote Sensing， 2017， 38： 2427-2447.

[5]郭慶華，劉瑾，陶勝利，等.激光雷達(dá)在森林生態(tài)系統(tǒng)監(jiān)測模擬中的應(yīng)用現(xiàn)狀與展望[J].科學(xué)通報，2014，59（6）：459-478.

GUO Q H， LIU J， TAO S L， et al. Perspectives and prospects of LiDAR in forest ecosystem monitoring and modeling[J]. Chinese Science Bulletin， 2014， 59（6）： 459-478.

[6]廉旭剛，韓雨，劉曉宇，等.無人機(jī)低空遙感礦山地質(zhì)災(zāi)害監(jiān)測研究進(jìn)展及發(fā)展趨勢[J].金屬礦山，2023（1）：17-29.

LIAN X G， HAN Y， LIU X Y， et al. Study progress and development trend of mine geological disaster monitoring by UAV low-altitude remote sensing[J]. Metal Mine， 2023（1）：17-29.

[7]ABDOLLAHNEJAD A， SUROVY P， CHITECULO V， et al. Determining tree height and crown diameter from high-resolution UAV imagery[J]. International Journal of Remote Sensing， 2017， 38： 2392-2410.

[8]耿林，李明澤，范文義，等.基于機(jī)載LiDAR的單木結(jié)構(gòu)參數(shù)及林分有效冠的提取[J].林業(yè)科學(xué)，2018，54（7）：62-72.

GENG L， LI M Z， FAN W Y， et al. Individual tree structure parameters and effective crown of the stand extraction base on air born LiDAR data[J]. Forestry Science， 2018， 54（7）： 62-72.

[9]CHEN R， LI C， ZHU Y， et al. Extraction of crown information from individual fruit tree by UAV LiDAR[J]. Nong Ye Gong Cheng Xue Bao/Transaction China Social Agriculture Engineering， 2020， 36（22）： 50-59.

[10]REASON M， IAIN W， FRANCE G， et al. Structure from motion （SFM） photogrammetry with drone data： A low cost method for monitoring greenhouse gas emissions from forests in developing countries[J]. Forests， 2017， 8（3）： 68.

[11]CAO L， LIU H， FU X， et al. Comparison of UAV LiDAR and digital aerial photogrammetry point clouds for estimating forest structural attributes in subtropical planted forests[J]. Forests， 2019， 10（2）： 145.

[12]XU D， WANG H， XU W. LiDAR applications to estimate forest biomass at individual tree scale： Opportunities， challenges and future perspectives[J]. Forests， 2021， 12： 550.

[14]LI W K， GUO Q H， JAKUBOWSKI M K， et al. A new method for segmenting individual trees from LiDAR point cloud[J]. Photogrammetric Engineering and Remote Sensing， 2012， 78（1）： 75-84.

[15]WANG H， WANG S， CHEN Q， et al. An improved filter of progressive TIN densification for LiDAR point cloud data[J]. Wuhan University Journal National Science， 2015， 20（4）： 362-368.

[16]何少東，黃洪宇，陳崇成.影像采集參數(shù)對無人機(jī)遙感估測樹高精度的影響[J].福州大學(xué)學(xué)報（自然科學(xué)版），2020，48（5）：558-565.

HE S D， HUANG H Y， CHEN C C. Influence of image collection parameters on the accuracy of tree height estimation based on UAV remote sensing[J]. Journal of Fuzhou University （Natural Science Edition）， 2020， 48（5）： 558-565.

[17]劉彥楓，李紫荊，吳勇，等.西雙版納櫟林和思茅松林地上生物量遙感估測[J].西部林業(yè)科學(xué)，2023，52（1）147-155.

LIU Y F， LI Z J， WU Y， et al. Incorporating stratification of age groups and topography for aboveground biomass estimation of Quercus spp. forests and Pinus kesiya var. langbianensis forests in Xishuangbanna by remote sensing[J]. Journal of West China Forestry Science， 2023， 52（1）：147-155.

[18]景維鵬，張明偉，林敬博.一種神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索遙感圖像分類方法[J].哈爾濱理工大學(xué)學(xué)報，2021，26（1）25-29.

JING W P， ZHANG M W， LIN J B. A network architecture search remote sensing image classification method[J]. Journal of Harbin University of Science and Technology， 2021， 26（1）：25-29.

[19]柯敏，解靜，劉昔.基于單站三維激光掃描數(shù)據(jù)的林木胸徑提取方法[J].浙江林業(yè)科技，2019，39（2）：87-91.

KE M， XIE J， LIU X. Extraction method of DBH based on 3D laser scanner of single station[J]. Journal of Zhejiang Forestry Science and Technology， 2019， 39（2）： 87-91.

[20]李?？诇Y才.中國森林植被生物量和碳儲量評估[M].北京：中國林業(yè)出版社，2010：1-58.

LI H K， LEI Y C. Estimation and evaluation of forest biomass carbon storage in China[M]. Beijing： China Forestry Publishing House， 2010.

[21]BREDE B， CALDERS K， LAU A， et al. Non-destructive tree volume estimation through quantitative structure modelling： Comparing UAV laser scanning with terrestrial LIDAR[J]. Remote Sensing Environment， 2019， 233： 111355.