城市行道樹調(diào)查中無人機(jī)飛行方案的優(yōu)化

摘要：【目的】借鑒林業(yè)調(diào)查中的無人機(jī)遙感攝影測量技術(shù)，探索一套適用于城市行道樹調(diào)查的無人機(jī)飛行方案優(yōu)選流程，解決多種飛行參數(shù)和飛行方案導(dǎo)致的行道樹調(diào)查數(shù)據(jù)源參差不齊的問題?！痉椒ā酷槍?duì)行道樹調(diào)查，設(shè)計(jì)6種無人機(jī)飛行方案，使用層次分析法（AHP）優(yōu)選出兼顧精度與效率的飛行方案。根據(jù)優(yōu)選方案提取的樹高建立胸徑反演模型，通過決定系數(shù)（R2）、平均相對(duì)誤差（MRE）和均方根誤差（RMSE）等指標(biāo)選取最佳胸徑模型。對(duì)株數(shù)、樹高、冠幅和胸徑獲取精度與提取效率進(jìn)行比較，證明經(jīng)過優(yōu)選的飛行方案可以在保持一定精度的前提下提高行道樹調(diào)查效率?！窘Y(jié)果】經(jīng)過AHP分析，“井”字形（飛行模式）和70 m飛行高度為兼顧精度與效率的無人機(jī)飛行最佳方案；采用該方案提取的株數(shù)精度達(dá)到查準(zhǔn)率（Precision值）94.44%，查全率（Recall值）80.95%，以及二者衡量指標(biāo)（F1值）87.18%；提取樹高的平均相對(duì)誤差為8.66%，均方根誤差為1.22 m，決定系數(shù)為0.88；提取冠幅的平均相對(duì)誤差為27.77%，均方根誤差為1.30 m，決定系數(shù)為0.69；所建胸徑預(yù)測模型決定系數(shù)達(dá)到0.81。該方案節(jié)約時(shí)長70%，且獲取株數(shù)、樹高、冠幅和胸徑數(shù)值的準(zhǔn)確性在所有方案中較高?！窘Y(jié)論】經(jīng)過優(yōu)選的無人機(jī)飛行方案在達(dá)到行道樹調(diào)查所需精度的前提下節(jié)約了70%時(shí)長，并獲得較好株數(shù)、樹高、冠幅和胸徑數(shù)據(jù)。本研究提出的無人機(jī)飛行方案優(yōu)選流程有效，可應(yīng)用于城市行道樹調(diào)查。

關(guān)鍵詞：行道樹調(diào)查；傾斜攝影測量；無人機(jī)；層次分析法；回歸模型

中圖分類號(hào)：S757.3；P231；TP79""" 文獻(xiàn)標(biāo)志碼：A開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

文章編號(hào)：1000-2006（2024）06-0175-08

Optimization of a drone flight plan for an urban street tree survey

REN Huazhang1，SUN Yuan1，2*，LI Jilin1，HAO Yu1，LIN Zihang1

（1. College of Forestry and Grassland， College of Soil and Water Conservation， Nanjing Forestry University，Nanjing 210037， China；2. Co-Innovation Center for Sustainable Forestry in Southern China， Nanjing Forestry University， Nanjing 210037， China）

Abstract： 【Objective】Drawing on unmanned aerial vehicle （UAV） remote sensing and photogrammetry techniques from forestry surveys， this study aims to develop an optimal selection process for UAV solutions tailored to the investigation of urban street trees. This approach addresses the problem of uneven data sources caused by the various flight parameters and flight plans. 【Method】Six different drone flight plans for urban street tree surveys were designed， and the analytic hierarchy process （AHP） was applied to select a flight plan that balanced accuracy and efficiency. Based on the selected plan， a corresponding model for estimating tree height using tree diameter at breast height （DBH） was established. The best predictive model for DBH was determined by evaluating the coefficient of determination， mean relative error （MRE）， and root mean square error （RMSE）. By comparing the accuracy of the tree number， tree height， crown width， and DBH， as well as the efficiency of data extraction， it was demonstrated that an optimized flight plan for urban tree surveys could improve efficiency， while maintaining the required level of accuracy. 【Result】After conducting an AHP analysis， a Tic-Tac-Toe" flight plan at a flight altitude of 70 m was identified as the optimal solution that balances accuracy and efficiency. The optimized flight plan achieved a precision of 94.44%， a recall of 80.95%， and an F1-score of 87.18% for tree number extraction. The average MRE for tree height extraction was 8.66%， with an RMSE of 1.22 m， and a coefficient of determination of 0.88. The average MRE for crown width extraction was 27.77%， with an RMSE of 1.30 m and a coefficient of determination of 0.69. The established model for predicting DBH achieved a coefficient of determination of 0.81. Compared to other flight plans， the optimized flight plan was conducted in 70% less time， while maintaining a high level of accuracy in tree number， tree height， crown width， and DBH measurements." 【Conclusion】The optimized UAV flight plan， after achieving the required accuracy for street tree surveys，" was" 70%" faster and obtained better quality data for tree number， tree height， crown width， and DBH. The UAV flight plan optimization process adopted in this study was proven to be effective and can be applied to the selection for urban street tree surveys.

Keywords：street tree survey; oblique imagery; unmanned aerial vehicle （UAV）; analytic hierarchy process （AHP）; regression model

行道樹以“線”的形式聯(lián)系著城市中分散的“點(diǎn)”和“面”的綠化[1]，是城市森林生態(tài)系統(tǒng)的重要組成部分，具有減少噪聲、改善微氣候、凈化空氣、美化城市等重要作用?？焖贉?zhǔn)確地掌握城市行道樹的結(jié)構(gòu)特征和健康狀況，有利于城市森林建設(shè)與管理，進(jìn)而提升其生態(tài)服務(wù)功能[2]。

近年來，以小型無人機(jī)為平臺(tái)搭載多種傳感器的技術(shù)被農(nóng)林業(yè)領(lǐng)域所接受和重視[3]。傾斜攝影測量技術(shù)是一種構(gòu)建三維模型的自動(dòng)化方法，能夠從無人機(jī)的垂直和傾斜等多個(gè)角度采集影像數(shù)據(jù)，為三維建模提供完整準(zhǔn)確的紋理數(shù)據(jù)和定位信息，大大提高了三維建模的效率[4-6]。與高光譜影像數(shù)據(jù)和激光雷達(dá)數(shù)據(jù)相比，無人機(jī)傾斜攝影測量具有操作簡單、效率高、成本低等優(yōu)點(diǎn)[7]，在林業(yè)調(diào)查中，對(duì)工作效率和成本的要求往往大于對(duì)精度的要求[8]。因此，無人機(jī)傾斜攝影測量在林業(yè)調(diào)查中具有廣泛的應(yīng)用前景。

隨著無人機(jī)技術(shù)的飛速發(fā)展，很多研究者深入挖掘數(shù)據(jù)，以期得到更高的精度和效率。王越等[9]通過無人機(jī)搭載五目攝像機(jī)對(duì)研究區(qū)進(jìn)行傾斜攝影測量，在單木參數(shù)提取和胸徑模型構(gòu)建方面得到較好結(jié)果；杜意鴻等[10]探索了傾斜攝影照片分辨率與單木提取能力的關(guān)系，比較了基于點(diǎn)云數(shù)據(jù)的均值漂移算法和基于冠層高度模型的分水嶺算法兩種分割方法的準(zhǔn)確度及最優(yōu)分辨率；Wang等[8]采用無人機(jī)傾斜攝影測量對(duì)北京市和張家口郊區(qū)6種具有代表性的行道樹種進(jìn)行調(diào)查，使用4種常用的機(jī)器學(xué)習(xí)分類算法對(duì)樹種進(jìn)行分類，證明無人機(jī)傾斜攝影測量結(jié)合機(jī)器學(xué)習(xí)分類算法是一種低成本、高效率、高精度的樹種分類方法。然而，無人機(jī)型號(hào)多樣且性能千差萬別，同一機(jī)型還提供多種飛行模式，設(shè)計(jì)飛行方案時(shí)還需要考慮數(shù)據(jù)獲取精度的需求和研究區(qū)具體條件的限制。因此在城市行道樹無人機(jī)傾斜攝影時(shí)需要提前進(jìn)行試飛，通過調(diào)整飛行高度與飛行模式設(shè)計(jì)多種飛行方案，并優(yōu)選適合于研究區(qū)的飛行方案。本研究采用層次分析法（AHP）[11]，以校園行道樹調(diào)查為例，對(duì)無人機(jī)傾斜攝影生成點(diǎn)云模型工作中的各項(xiàng)因素賦予權(quán)重，包括飛行方式和飛行高度，再從點(diǎn)云模型中提取相應(yīng)立木參數(shù)，對(duì)比和分析不同飛行方式和高度下立木參數(shù)的獲取精度與效率，從而對(duì)試驗(yàn)區(qū)的無人機(jī)飛行方案進(jìn)行評(píng)價(jià)并優(yōu)選流程，以期為今后城市行道樹調(diào)查中無人機(jī)飛行方案優(yōu)選提供流程參考。

1 材料與方法

1.1 研究對(duì)象

研究區(qū)位于江蘇省南京市玄武區(qū)的南京林業(yè)大學(xué)校園（118.823°E，32.085°N），屬于亞熱帶季風(fēng)氣候，冬冷夏熱，四季分明，年降水量在1 000 mm以上，屬于濕潤地區(qū)。選擇研究區(qū)內(nèi)行道樹特征明顯的區(qū)域，樹種組成主要為30年生銀杏立木，計(jì)107株，約占校園銀杏立木總數(shù)的50%，調(diào)查的行道樹分布在研究區(qū)東部，道路總長約450 m。

1.2 無人機(jī)飛行方案

采用大疆Phantom4 RTK無人機(jī)搭載配套相機(jī)，其影像傳感器尺寸為1/2.3英寸（0.058 4 m）CMOS，有效像素1 240萬像素，是目前林地調(diào)查工作中使用頻率較高的機(jī)型，在晴朗無風(fēng)、陽光充足的正午對(duì)研究區(qū)進(jìn)行航空拍攝，以保證樹木樹冠的陰影面積最小。數(shù)據(jù)采集時(shí)間為2021年10月1日與次日正午，選用該機(jī)型兩種傾斜攝影模式，即“井”字形飛行和五向飛行模式及3種飛行高度，共6種飛行方案對(duì)研究區(qū)行道樹進(jìn)行信息采集。飛行高度設(shè)置50、70、100 m，對(duì)應(yīng)的最大飛行速度分別為3.9、5.5、7.9 m/s；“井”字形飛行旁向重疊率和縱向重疊率均為80%，五向飛行的旁向重疊率、縱向重疊率、斜射旁向重疊率和斜射縱向重疊率分別設(shè)為70%、80%、70%和80%，航線示意如圖1。飛行過程中的POS數(shù)據(jù)通過無人機(jī)平臺(tái)上搭載的全球定位系統(tǒng)（GPS）獲取，同時(shí)通過實(shí)時(shí)動(dòng)態(tài)（real-time kinematic，RTK）載波相位差分技術(shù)進(jìn)行實(shí)時(shí)解算并記錄[12]。

1.3 攝影測量立木參數(shù)提取與精度分析

將無人機(jī)獲取的影像數(shù)據(jù)通過Pix4Dmapper 4.4.12 軟件進(jìn)行初始化處理和點(diǎn)云紋理處理等操作[13]。處理過程包括：①輸入帶有POS數(shù)據(jù)的影像數(shù)據(jù)；②設(shè)置影像屬性，自動(dòng)識(shí)別影像及相機(jī)的相關(guān)信息；③選擇全面高精度處理的預(yù)處理方式；④生成加密點(diǎn)云數(shù)據(jù)并導(dǎo)出為.las格式點(diǎn)云文件。

在Lidar360 5.1.4.0 程序中對(duì)無人機(jī)影像建立的點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理[14]，主要包括：①去除非研究區(qū)影像數(shù)據(jù)；②去噪處理，提高數(shù)據(jù)質(zhì)量；③進(jìn)行地面點(diǎn)分類，生成數(shù)字高程模型（DEM）和數(shù)字表面模型（DSM）；④通過DEM和DSM反演冠層高度模型（CHM）；⑤基于CHM獲取每棵樹的位置信息，以這些信息作為種子點(diǎn)，對(duì)點(diǎn)云進(jìn)行單木分割；⑥對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行歸一化處理；⑦提取單木點(diǎn)云數(shù)據(jù)模型，并計(jì)算樹木樹高（H，m）、樹冠冠幅（WC，m2）等立木參數(shù)，最后對(duì)樹高和冠幅估計(jì)值與人工采集實(shí)測值進(jìn)行對(duì)比，分析試驗(yàn)精度。

為了檢測單木分割結(jié)果的準(zhǔn)確性，采用查準(zhǔn)率（P，precision）、查全率（R，recall）和查準(zhǔn)率與查全率的衡量指標(biāo)（F1）對(duì)各飛行方案的單木分割提取精度進(jìn)行評(píng)估。P、R與 F1的值越高，代表檢測與分割結(jié)果越準(zhǔn)確。相關(guān)公式如下：

P=T/（T+F）；（1）

R=T/（T+N）；（2）

F1=2×（P×R）/（P+R）。（3）

式中： T（true positive）為檢測正確的正例；N（1 negative）為檢測錯(cuò)誤的正例；F（1 positive）為檢測錯(cuò)誤的反例[15]。

為了檢測樹木樹高冠幅提取結(jié)果的精度，計(jì)算模型值與人工實(shí)測值的誤差，選用平均相對(duì)誤差（mean relative error，MRE，式中記為M）、均方根誤差[root mean square error，RMSE，式中記為σ（RMSE）]及決定系數(shù)（R2）分析建模效果，其中MRE與RMSE越小而R2越大，則建模效果越好。相關(guān)公式如下：

M=∑ni=1（yi-i）yin×100%；（4）

σ（RMSE）=∑ni=1（yi-2）n-1；（5）

R2=1-∑（yi-）2∑（yi-）2。（6）

式中：n為樣本數(shù)；yi、i和分別為因變量的實(shí)測值、預(yù)測值和平均值。

1.4 飛行方案適用性評(píng)價(jià)指標(biāo)體系

1） 建立評(píng)價(jià)層次結(jié)構(gòu)。層次分析結(jié)構(gòu)由上而下分為目標(biāo)層、準(zhǔn)則層、子準(zhǔn)則層和方案層4個(gè)層次[16]。第1層次是總目標(biāo)層，即優(yōu)選無人機(jī)行道樹調(diào)查方案；第2層次是準(zhǔn)則層，設(shè)立4個(gè)準(zhǔn)則，即株數(shù)提取精度、樹高提取精度、冠幅提取精度和數(shù)據(jù)獲取時(shí)間；第3層次是子準(zhǔn)則層，包括P、R、F1、R2H（樹高提取精度方面的決定系數(shù)）、MH（樹高提取精度方面的平均相對(duì)誤差）、σ（RMSE）H（樹高提取精度方面的均方根誤差）、R2CW（冠幅提取精度方面的決定系數(shù)）、MCW（冠幅提取精度方面的平均相對(duì)誤差）、σ（RMSE）CW（冠幅提取精度方面的均方根誤差）、飛行時(shí)間、內(nèi)業(yè)處理時(shí)間；第4層次是方案層，即“井”字形飛行50、70、100 m（代號(hào)為井50 m、井70 m、井100 m）和五向飛行50、70、100 m（代號(hào)為五向50 m、五向70 m、五向100 m、）。以上4個(gè)層次組成了本研究無人機(jī)飛行方案適用性評(píng)價(jià)的層次分析模型（圖2）。

2） 賦予層次權(quán)重。目標(biāo)層權(quán)重賦予依據(jù)為優(yōu)選兼顧調(diào)查精度與飛行效率的無人機(jī)飛行方案。準(zhǔn)則層權(quán)重賦予原則根據(jù)DB32/T 2168—2012《森林資源規(guī)劃設(shè)計(jì)調(diào)查技術(shù)規(guī)程》[17]及綜合考慮無人機(jī)傾斜攝影對(duì)不同參數(shù)的提取精度優(yōu)勢，對(duì)行道樹調(diào)查因子按重要性從高到低排序依次為株數(shù)獲取精度、樹高獲取精度和冠幅獲取精度。子準(zhǔn)則層與目標(biāo)層的權(quán)重賦予原則為按數(shù)據(jù)提取精度高低與數(shù)據(jù)獲取效率高低次序排序。

3） 構(gòu)造判斷矩陣。最優(yōu)飛行方案評(píng)估是一個(gè)多目標(biāo)、多因素的評(píng)估過程。由于不同立木參數(shù)在林業(yè)調(diào)查中的重要程度不同，所以使用判斷矩陣表征各層級(jí)因子對(duì)上一層貢獻(xiàn)程度。同一層次的因素兩兩比對(duì)分析，根據(jù)相對(duì)重要性或優(yōu)劣程度分成不同等級(jí)并給予量化，對(duì)不同性質(zhì)的指標(biāo)加權(quán)，以減少直接評(píng)估的主觀性。構(gòu)造判斷矩陣A，按照Saaty 1～9 標(biāo)度以及其倒數(shù)作為標(biāo)度來定義判斷矩陣 A = （aij）n×n，1～9表示判斷矩陣中因素 i與 j 相比較的重要性程度[18]。

在判斷矩陣中，針對(duì)上一層影響因素，計(jì)算本層次各評(píng)價(jià)因子的權(quán)重值，該值是本層次各評(píng)價(jià)因子相對(duì)于上一層次進(jìn)行重要性排序的基礎(chǔ)。首先對(duì)判斷矩陣 A的數(shù)據(jù)歸一化處理，即將各因子除以列向量之和，然后計(jì)算各因子行向量幾何平均，即為該因子的權(quán)重值（ω）。權(quán)重向量 W =（ω1，ω2，ω3，…，ωq）T。接著，計(jì)算判斷矩陣的特征根和特征向量，即計(jì)算滿足判斷矩陣條件AW = λmaxW的特征根與特征向量。

計(jì)算權(quán)重W后進(jìn)行一致性檢驗(yàn)，用一致性指標(biāo)（consistency index，CI）和一致性比例（consistency ratio， CR）表征，查找平均隨機(jī)一致性指標(biāo)（average random consistency index，RI）[19]，當(dāng)CR≤0.1則判斷矩陣通過一致性檢驗(yàn)，否則重新調(diào)整判斷矩陣。

1.5 胸徑模型的構(gòu)建

采用經(jīng)過適用性評(píng)價(jià)的優(yōu)選飛行方案，將最終提取的樹高因子用于擬合立木胸徑（DBH）。在獲取的107 株樹高數(shù)據(jù)中，隨機(jī)選擇75組作為建模數(shù)據(jù)，剩余32組作為驗(yàn)證數(shù)據(jù)。本研究選用以下5種一元胸徑預(yù)測模型：線性函數(shù)DBH=aH+b、冪函數(shù)DBH=a+bHc、指數(shù)函數(shù)DBH=exp（a+bH-cH2）、對(duì)數(shù)函數(shù)DBH=a+bln（H+c）、二次函數(shù)DBH=a+bH+cH2，其中a、b、c為模型參數(shù)，DBH為胸徑，H為樹高。使用R2、σ（RMSE）和M這3種指標(biāo)對(duì)胸徑預(yù)測模型進(jìn)行精度評(píng)價(jià)，得出最佳的胸徑預(yù)測模型。將驗(yàn)證數(shù)據(jù)代入模型分別求出相應(yīng)預(yù)測值，再計(jì)算預(yù)測值和實(shí)際值之間的離散程度來判斷該回歸模型的準(zhǔn)確程度。

2 結(jié)果與分析

2.1 不同飛行方案立木參數(shù)的處理效率及提取精度

對(duì)株數(shù)識(shí)別正確的正例最多為五向50 m飛行方案（95株），最少為“井”字形70 m飛行方案（85株）。識(shí)別錯(cuò)誤的反例最少的是“井”字形50 m飛行方案（12株），最多的為五向100 m飛行方案（25株）。樹高平均值最接近人工實(shí)測值的為“井”字形70 m飛行方案（10.76 m），而“井”字形100 m飛行方案的樹高標(biāo)準(zhǔn)差（2.45 m）最接近人工實(shí)測值。冠幅平均值最接近人工實(shí)測值的為“井”字形70 m飛行方案（4.67 m），而“井”字形70 m飛行方案的標(biāo)準(zhǔn)差（1.51 m）最接近人工實(shí)測值。

6種飛行方案的數(shù)據(jù)獲取效率概況如表1所示，五向飛行方案的飛行時(shí)間普遍高于“井”字形飛行方案，且兩者的飛行時(shí)間都隨飛行高度的提高而減少；“井”字形100 m飛行方案獲取的傾斜影像數(shù)據(jù)建模速度最快僅5.5 h，五向50 m飛行方案獲取的傾斜影像數(shù)據(jù)建模速度最慢。

樹木株數(shù)提取精度以五向100 m飛行方案的查準(zhǔn)率P值最高，達(dá)到97.85%；“井”字形50 m飛行方案的查全率R值與F1值最高，分別達(dá)到87.88%與89.23%。樹高提取精度最高的是五向50 m飛行方案，R2為0.91，且MRE和RMSE均為最小值7.34%、1.07。冠幅提取精度最高的是五向50 m飛行方案，R2為0.79；M值最小的是“井”字形70 m飛行方案為27.77%，RMSE值最小的是“井”字形70 m飛行方案為1.30，但“井”字形70 m飛行方案的R2較低，為0.69。五向50 m飛行方案雖然MRE值最高為32.90%，但其R2值明顯高于其他方案。

2.2 飛行方案優(yōu)選結(jié)果

為評(píng)價(jià)分析多種飛行方案，本研究設(shè)置11種評(píng)價(jià)指標(biāo)，分別為衡量株數(shù)精度的P、R和F1，衡量樹高與冠幅提取精度的R2、MRE和RMSE，以及衡量數(shù)據(jù)獲取效率的飛行時(shí)間和照片數(shù)量。以兼顧數(shù)據(jù)精度與調(diào)查效率為原則對(duì)準(zhǔn)則層的4類因素賦予權(quán)重值，再根據(jù)數(shù)據(jù)獲取精度的高低和飛行效率的優(yōu)勢程度對(duì)子準(zhǔn)則層的11種指標(biāo)賦權(quán)重值，結(jié)果如表2所示，并對(duì)賦值結(jié)果進(jìn)行一致性檢驗(yàn)，結(jié)果如表3所示。

通過分析6種飛行方案數(shù)據(jù)提取精度與數(shù)據(jù)獲取效率概況，對(duì)飛行方案判斷矩陣進(jìn)行賦值，然后對(duì)所有飛行方案進(jìn)行指標(biāo)加權(quán)運(yùn)算得到綜合評(píng)分，結(jié)果得到，“井”字形70 m飛行方案的綜合評(píng)價(jià)得分最高，為0.20，該飛行方案為兼顧精度與效率的最優(yōu)飛行方案。

2.3 優(yōu)選飛行方案的胸徑模型及檢驗(yàn)

剔除異常值后，共有29組檢驗(yàn)數(shù)據(jù)進(jìn)行模型驗(yàn)證，檢驗(yàn)?zāi)Ｐ蛿M合的胸徑值與實(shí)測胸徑值之間的線性關(guān)系如圖3所示。所擬合的線性方程與1∶1驗(yàn)證線非常吻合，其直線斜率越接近1，擬合結(jié)果越接近真值；截距越接近0，遠(yuǎn)端擬合效果越好。所有線性模型的R2都在0.83以上，其中對(duì)數(shù)函數(shù)胸徑預(yù)測值的線性檢驗(yàn)結(jié)果R2最高（0.839），擬合直線斜率最低（0.791），截距最大（3.336）；二次函數(shù)胸徑預(yù)測值的線性檢驗(yàn)結(jié)果R2最低（0.831），但擬合直線斜率最大為0.830，截距為2.288；指數(shù)函數(shù)胸徑預(yù)測值的線性檢驗(yàn)結(jié)果R2、直線斜率和截距較為居中，分別為0.837、0.814和2.800。對(duì)采用最優(yōu)飛行方案（“井”字形70 m飛行方案）提取得到的樹高值進(jìn)行胸徑反演，結(jié)果如表4所示，5種胸徑-樹高（DBH-H）預(yù)測模型的 R2 均達(dá)到0.79以上，MRE值均在7.00%左右，RMSE值均小于3，胸徑反演效果較好，其中指數(shù)函數(shù)的擬合效果較好。

綜合考慮以上結(jié)果，指數(shù)函數(shù)更適宜作為本研究無人機(jī)攝影測量行道樹的胸徑預(yù)測模型。

3 討 論

城市行道樹樹種多樣、單株間距復(fù)雜、沿道路分布廣泛，具有測量線路固定、植被結(jié)構(gòu)信息容易獲取的特點(diǎn)[11]。本研究以校園銀杏行道樹為對(duì)象，分別對(duì)相同飛行模式不同飛行高度、相同飛行高度不同飛行模式條件下無人機(jī)測量的數(shù)據(jù)精度和提取效率做了分析，結(jié)果表明：立木參數(shù)的提取精度隨飛行高度的增加而減小，而飛行時(shí)間與數(shù)據(jù)處理時(shí)間隨飛行高度的增加而減少；五向飛行的數(shù)據(jù)提取精度高于“井”字形飛行，但飛行時(shí)間與數(shù)據(jù)處理時(shí)間遠(yuǎn)遠(yuǎn)大于“井”字形飛行。五向飛行采集1條正射和4個(gè)方向傾斜的數(shù)據(jù)，而“井”字形飛行只采集4個(gè)方向的傾斜數(shù)據(jù)；同時(shí)五向飛行變換航線時(shí)飛機(jī)不調(diào)轉(zhuǎn)機(jī)頭，4個(gè)傾斜任務(wù)旁向重疊率以同朝向的航線進(jìn)行計(jì)算，而“井”字形飛行時(shí)飛機(jī)需要調(diào)轉(zhuǎn)機(jī)頭，旁向重疊率計(jì)算以相鄰互反航線計(jì)算，這就使得“井”字形飛行下的旁向重疊高于五向飛行，造成數(shù)據(jù)冗余及效率降低[14]。這類由于飛行模式引起的效率和精度問題需要綜合考慮，以便優(yōu)選合適的無人機(jī)攝影測量方式。

本研究結(jié)果再次驗(yàn)證了無人機(jī)測量具有飛行成本低、數(shù)據(jù)分辨率高、外業(yè)周期短、機(jī)動(dòng)靈活等優(yōu)點(diǎn)[20-21]，調(diào)查過程減少了人員數(shù)量，簡化了數(shù)據(jù)處理過程，避免了路況不佳或邊界不清帶來的局限[22]，大大降低了獲取外業(yè)數(shù)據(jù)的成本[21]。有研究指出無人機(jī)傾斜攝影測量三維建模評(píng)價(jià)指標(biāo)體系因子相關(guān)性強(qiáng)，不同因子相互組合作用，導(dǎo)致結(jié)果有不確定性[22]，應(yīng)采用層次分析[10]、模糊評(píng)價(jià)[19]等方法進(jìn)行分析，一定程度上能夠弱化主觀因素對(duì)評(píng)價(jià)結(jié)果的影響，通過調(diào)整判斷元素的層次和權(quán)重，既能保持方案的排序，又能保證判斷矩陣的一致性[23]。

通過層次分析法，依據(jù)研究區(qū)銀杏行道樹共107株的立木參數(shù)獲取的精度和效率，為大疆Phantom4 RTK無人機(jī)的6種飛行方案進(jìn)行了優(yōu)選，得出“井”字形70 m飛行為兼顧效率與精度的最優(yōu)方案。然后使用該飛行方案獲取的立木參數(shù)建立胸徑-樹高反演模型，得出結(jié)論：①考慮株數(shù)提取和立木參數(shù)提取精度，五向50 m飛行方案具有優(yōu)勢，但所需飛行時(shí)間和數(shù)據(jù)處理時(shí)間最長；②綜合考量無人機(jī)飛行效率與數(shù)據(jù)獲取精度的權(quán)重，采用層次分析法得到“井”字形70 m飛行方案為兼顧精度與效率的飛行方案，其飛行時(shí)間比五向50 m飛行少45%，建模時(shí)間少59%；③采用“井”字形70 m飛行方案獲取的立木參數(shù)，建立的胸徑模型精度較高，R2達(dá)到0.81，且獲取的株數(shù)、樹高都達(dá)到《江蘇省森林資源規(guī)劃設(shè)計(jì)調(diào)查技術(shù)規(guī)程》[17]中的B類標(biāo)準(zhǔn)；④經(jīng)過優(yōu)選流程后采用的飛行方案，不僅保持了較高數(shù)據(jù)獲取精度，還節(jié)約了70%的時(shí)間成本。本研究所設(shè)計(jì)的無人機(jī)飛行方案優(yōu)選流程，可以為大面積城市行道樹調(diào)查提供參考，指導(dǎo)城市林業(yè)調(diào)查的相關(guān)工作。

參考文獻(xiàn)（reference）：

［1］何興元，金瑩杉，朱文泉，等．城市森林生態(tài)學(xué)的基本理論與研究方法[J]．應(yīng)用生態(tài)學(xué)報(bào)，2002，13（12）：1679-1683．HE X Y，JIN Y S，ZHU W Q，et al．Basic theory and research method of urban forest ecology[J]．Chin J Appl Ecol，2002，13（12）：1679-1683．

［2］梁陳濤，楊艷波，田盼立，等．基于街景測量的南昌市行道樹結(jié)構(gòu)特征與健康狀況研究[J]．生態(tài)學(xué)報(bào)，2022，42（2）：549-560．LIANG C T，YANG Y B，TIAN P L，et al．Structural characteristics and health status of roadside trees in Nanchang City，China from Baidu Street View-based measurements[J]．Acta Ecol Sin，2022，42（2）：549-560．DOI： 10.5846/stxb202011243011.

［3］楊陸強(qiáng)，果霖，朱加繁，等．我國農(nóng)用無人機(jī)發(fā)展概況與展望[J]．農(nóng)機(jī)化研究，2017，39（8）：6-11．YANG L Q，GUO L，ZHU J F，et al．The development situation and prospect of agricultural UAV in China[J]．J Agric Mech Res，2017，39（8）：6-11．DOI： 10.13427/j.cnki.njyi.2017.08.002.

［4］NEVALAINEN O，HONKAVAARA E，TUOMINEN S，et al．Individual tree detection and classification with UAV-based photogrammetric point clouds and hyperspectral imaging[J]．Remote Sens，2017，9（3）：185．DOI： 10.3390/rs9030185.

［5］白陽，萬魯河．基于無人機(jī)傾斜攝影測量實(shí)景三維模型構(gòu)建方法[J]．哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)，2017，33（5）：81-86．BAI Y，WAN L H．Model of building 3D model based on UAV incline photogrammetry[J]．Nat Sci J Harbin Norm Univ，2017，33（5）：81-86．DOI：10.3969/j.issn.1000-5617.2017.05.016.

［6］PARK S，YUN S，KIM H，et al．Forestry monitoring system using LoRa and Drone[C]//Proceedings of the 8th International Conference on Web Intelligence，Mining and Semantics．June 25-27，2018，Novi Sad，Serbia： ACM，2018：1-8．DOI： 10.1145/3227609.3227677.

［7］TANG L N，SHAO G F．Drone remote sensing for forestry research and practices[J]．J For Res，2015，26（4）：791-797．DOI： 10.1007/s11676-015-0088-y.

［8］WANG Y T，WANG J，CHANG S P，et al．Classification of street tree species using UAV tilt photogrammetry[J]．Remote Sens，2021，13（2）：216．DOI： 10.3390/rs13020216.

［9］王越，何誠，劉柏良，等．基于無人機(jī)傾斜攝影技術(shù)的單木參數(shù)提取及胸徑模型構(gòu)建[J]．西南林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)），2022，42（1）：166-173．WANG Y，HE C，LIU B L，et al．Single wood parameters extraction and DBH model construction based on UAV tilt photography technology[J]．J Southwest For Univ （Nat Sci），2022，42（1）：166-173．DOI：10.11929/j.swfu.202009047.

[10]杜意鴻，尹田，周雪梅，等．傾斜攝影測量技術(shù)提取油松單木信息[J]．北京林業(yè)大學(xué)學(xué)報(bào)，2021，43（4）：77-86．DU Y H，YIN T，ZHOU X M，et al．Extraction of individual tree parameters of Chinese pine by oblique photogrammetry[J]．J Beijing For Univ，2021，43（4）：77-86．DOI： 10.12171/j.1000-1522.20200198.

[11]王圳，高亞軍，閆凡峰，等．海濱城市道路綠化樹種綜合評(píng)價(jià)體系構(gòu)建[J]．南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（2）：187-196．WANG Z，GAO Y J，YAN F F，et al．Construction of a comprehensive assessment system for road greening tree species in coastal cities[J]．J Nanjing For Univ （Nat Sci Ed），2021，45（2）：187-196．DOI： 10.12302/j.issn.1000-2006.202007030.

[12]WANG J L．Stochastic modeling for real-time kinematic GPS/GLONASS positioning[J]．Navigation，1999，46（4）：297-305．DOI： 10.1002/j.2161-4296.1999.tb02416.x.

[13]GE W Y，LI X X，JING L H，et al．Monitoring canopy-scale autumn leaf phenology at fine-scale using unmanned aerial vehicle （UAV） photography[J]．Agric For Meteor，2023，332：109372．DOI： 10.1016/j.agrformet.2023.109372.

[14]KRAUSE S，SANDERS T G M，MUND J P，et al．UAV-based photogrammetric tree height measurement for intensive forest monitoring[J]．Remote Sens，2019，11（7）：758．DOI： 10.3390/rs11070758.

[15]王偉，黃宇星，余鴻敏．基于CART決策樹的沖壓成形仿真數(shù)據(jù)挖掘[J]．工程科學(xué)學(xué)報(bào)，2018，40（11）：1373-1379．WANG W，HUANG Y X，YU H M．Data mining of deep drawing simulation results based on CART decision tree theory[J]．Chin J Eng，2018，40（11）：1373-1379．DOI： 10.13374/j.issn2095-9389.2018.11.011.

[16]郭佳惠，教忠意，何旭東，等．基于層次分析法對(duì)柳樹觀賞性及適應(yīng)性的綜合評(píng)價(jià)[J]．南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（6）：169-176．GUO J" H，JIAO Z Y，HE X D，et al．A comprehensive evaluation of ornamental characteristics and adaptability of willows based on analytic hierarchy processes[J]．J Nanjing For Univ （Nat Sci Ed），2021，45（6）：169-176．DOI： 10.12302/j.issn.1000-2006.202106002.

[17]江蘇省森林資源監(jiān)測中心．森林資源規(guī)劃設(shè)計(jì)調(diào)查技術(shù)規(guī)程：DB32/T 2168—2012[S]．南京：江蘇省質(zhì)量技術(shù)監(jiān)督局，2012.

[18]焦樹鋒．AHP法中平均隨機(jī)一致性指標(biāo)的算法及MATLAB實(shí)現(xiàn)[J]．太原師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2006，5（4）：45-47．JIAO S F．The algorithm of mean random consistency index in AHP and its implementation[J]．J Taiyuan Norm Univ （Nat Sci Ed），2006，5（4）：45-47．DOI： 10.3969/j.issn.1672-2027.2006.04.016.

[19]雍昭君．無人機(jī)傾斜攝影測量三維建模精度多層次模糊綜合評(píng)價(jià)研究[D]．武漢：華中科技大學(xué)，2019．YONG Z J．Research on multi-level fuzzy comprehensive evaluation of 3D modeling accuracy of UAV tilt photogrammetry[D]．Wuhan：Huazhong University of Science and Technology，2019．DOI： 10.27157/d．cnki．ghzku．2019.001112．

[20]何勇，杜曉月，鄭力源，等．無人機(jī)飛行高度對(duì)植被覆蓋度和植被指數(shù)估算結(jié)果的影響[J]．農(nóng)業(yè)工程學(xué)報(bào)，2022，38（24）：63-72．HE Y，DU X Y，ZHENG L Y，et al．Effects of UAV flight height on estimated fractional vegetation cover and vegetation index[J]．Trans Chin Soc Agric Eng，2022，38（24）：63-72．DOI： 10.11975/j.issn.1002-6819.2022.24.007.

[21]牛利偉．基于無人機(jī)傾斜攝影測量的行道樹特征提取與分類研究[D]．北京：北京林業(yè)大學(xué)，2020．NIU L W．Research on feature extraction and classification of street trees based on UAV tilt photogrammetry[D]．Beijing：Beijing Forestry University，2020．

[22]李曉斌，林志軍，楊璽，等．基于激光掃描和傾斜攝影技術(shù)的三維實(shí)景融合建模研究[J]．激光雜志，2021，42（8）：166-170．LI X B，LIN Z J，YANG X，et al．Research on 3D real scene fusion modeling based on laser scanning and oblique photography[J]．Laser J，2021，42（8）：166-170．DOI： 10.14016/j.cnki.jgzz.2021.08.166.

[23]姜啟源．層次分析法應(yīng)用過程中的若干問題[J]．?dāng)?shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2013，43（23）：156-168．JIANG Q Y．Some issues in the applications for the analytic hierarchy process[J]．Math Pract Theory，2013，43（23）：156-168．DOI： 10.3969/j.issn.1000-0984.2013.23.021.

（責(zé)任編輯 鄭琰燚）