三種基于無(wú)人機(jī)載激光雷達(dá)的單木提取方法比較

摘 要 單木分割對(duì)于森林資源調(diào)查具有重要意義，不同單木分割算法及參數(shù)的設(shè)置對(duì)分割精度影響很大。以云南省普洱市萬(wàn)掌山林場(chǎng)為研究區(qū)，采用3種方法對(duì)機(jī)載點(diǎn)云數(shù)據(jù)進(jìn)行單木分割，通過(guò)對(duì)機(jī)載點(diǎn)云數(shù)據(jù)進(jìn)行重采樣、去噪、地面點(diǎn)分類(lèi)等預(yù)處理，然后采用基于CHM分割、層堆疊生成種子點(diǎn)和基于點(diǎn)云分割3種方法進(jìn)行單木分割和精度對(duì)比分析，使用探測(cè)率、準(zhǔn)確率和F得分指標(biāo)對(duì)單木分割精度進(jìn)行驗(yàn)證和評(píng)價(jià)，結(jié)果表明：3種算法的精度均在50%以上，最高為基于點(diǎn)云的單木分割（F=0.63），分割效果更好。

關(guān)鍵詞 機(jī)載雷達(dá)；單木分割；CHM分割；層堆疊；點(diǎn)云分割

中圖分類(lèi)號(hào)：S757.2 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2024.21.033

單木是構(gòu)成森林的基本單元，其空間結(jié)構(gòu)、生物物理和化學(xué)組分是森林資源調(diào)查、生態(tài)環(huán)境建模等所需的關(guān)鍵因子[1]。傳統(tǒng)人工的森林資源信息調(diào)查方式不僅費(fèi)時(shí)費(fèi)力，還不適合在較大區(qū)域內(nèi)開(kāi)展，調(diào)研數(shù)據(jù)反映也不全面。隨著無(wú)人機(jī)平臺(tái)和激光雷達(dá)技術(shù)的發(fā)展，無(wú)人機(jī)激光雷達(dá)作為一種靈活、低成本的主動(dòng)遙感技術(shù)，能夠穿透植被冠層獲取植被垂直結(jié)構(gòu)信息和林下地形信息，為快速估測(cè)單木樹(shù)高和三維結(jié)構(gòu)參數(shù)提供了可能[1]。從點(diǎn)云數(shù)據(jù)中提取出單木參數(shù)的算法被稱(chēng)為單木分割，高精度的單木分割算法在利用機(jī)載激光雷達(dá)技術(shù)分析林分因子參數(shù)的研究中發(fā)揮著重要作用。耿林等以帽兒山林場(chǎng)作為研究區(qū)，利用標(biāo)記分水嶺算法對(duì)影像進(jìn)行分割提取樹(shù)冠邊界，然后基于局部最大值的規(guī)則提取樹(shù)冠頂點(diǎn)，以此進(jìn)行單木分割，分割準(zhǔn)確率為88.5%，證明激光雷達(dá)能夠較好地對(duì)森林結(jié)構(gòu)參數(shù)進(jìn)行提取[2]；李平昊等利用分水嶺算法、四次多項(xiàng)式擬合法和點(diǎn)云聚類(lèi)法在人工林中進(jìn)行了單木分割，并基于分割結(jié)果對(duì)3種算法的適用性進(jìn)行了比較分析，結(jié)果表明，3種算法對(duì)不同森林類(lèi)型的分割精度有所變化，但總體分割精度均維持在0.76～0.83[3]；Morsdorf等使用K-means聚類(lèi)算法從針葉林點(diǎn)云中分割出單個(gè)的樹(shù)，該方法首先從數(shù)字表面模型中找出局部最高點(diǎn)作為樹(shù)木最高點(diǎn)，然后將每個(gè)局部最高點(diǎn)用作K-means聚類(lèi)的種子點(diǎn)進(jìn)行聚類(lèi)[4]。本文基于機(jī)載激光點(diǎn)云數(shù)據(jù)，使用基于CHM單木分割、層堆疊分割和點(diǎn)云分割這3種不同的分割方法找到最優(yōu)的單木分割算法，可以為之后的林分參數(shù)估測(cè)、森林資源信息調(diào)查提供理論基礎(chǔ)，為林業(yè)管理及科學(xué)化經(jīng)營(yíng)森林資源提供參考依據(jù)[5]。

1" 研究區(qū)概況與數(shù)據(jù)預(yù)處理

1.1" 研究區(qū)概況

研究區(qū)選自云南省普洱市思茅區(qū)萬(wàn)掌山林場(chǎng)，萬(wàn)掌山林場(chǎng)位于思茅市區(qū)北部，思茅區(qū)位于云南省南部、普洱市中南部、瀾滄江中下游，在北緯22°27′～23°06′、東經(jīng)100°19′～101°27′，東連江城縣，西接瀾滄縣和景谷傣族彝族自治縣，南鄰西雙版納傣族自治州，北臨寧洱縣，總面積3 928 km2。思茅區(qū)屬低緯高原南亞熱帶季風(fēng)氣候，境內(nèi)立體氣候明顯，有北熱帶、南亞熱帶、中亞熱帶和北亞熱帶4個(gè)不同的氣候類(lèi)型，具有低緯、高溫、多雨、濕潤(rùn)、靜風(fēng)的特點(diǎn)，冬無(wú)嚴(yán)寒，夏無(wú)酷暑。萬(wàn)掌山林場(chǎng)占地面積19 500 hm2，其中包含生態(tài)公益林4 777 hm2、商品林5 866 hm2，以思茅松人工純林為主[6]。研究區(qū)位置見(jiàn)圖1。

1.2" 遙感數(shù)據(jù)和樣地?cái)?shù)據(jù)

使用縱橫大鵬CW-30固定翼無(wú)人機(jī)為遙感平臺(tái)，平臺(tái)上搭載著CW-30 LiDAR離散回波形激光雷達(dá)傳感器用于獲取LiDAR數(shù)據(jù)，DOM影像則是由搭載的全畫(huà)幅航攝相機(jī)獲取。無(wú)人機(jī)飛行高度900 m，航寬180 m，旁向重疊度≥60%。激光雷達(dá)脈沖發(fā)射頻率820 kHz，點(diǎn)云平均密度19.21 pts·m－2。機(jī)載LiDAR數(shù)據(jù)獲取時(shí)間為2020年1月5日。

同時(shí)在研究區(qū)內(nèi)選取了思茅松典型樹(shù)種類(lèi)型，隨機(jī)在萬(wàn)掌山林場(chǎng)內(nèi)設(shè)置了4塊樣地，每塊樣地邊長(zhǎng)為18 m×18 m，4塊樣地一共有225條單木數(shù)據(jù)。無(wú)人機(jī)航拍樣地照片見(jiàn)圖2。

2" 單木分割方法對(duì)比

目前，單木分割的方法層出不窮、各有優(yōu)劣，但是基于機(jī)載LiDAR數(shù)據(jù)的單木分割方法按數(shù)據(jù)源劃分主要有2類(lèi)分割方法。一類(lèi)是冠層高度模型（Canopy Height Model， CHM）單木法，是利用冠層高度模型來(lái)提取單木信息，再對(duì)數(shù)據(jù)進(jìn)行重采樣、去噪、地面點(diǎn)分類(lèi)后，采用同種空間插值的方法生成相同分辨率的數(shù)字表面模型（DSM）和數(shù)字高程模型，兩者相減得到2D柵格化冠層高度模型，然后進(jìn)行單木分割，這類(lèi)方法的缺點(diǎn)是僅僅利用了冠層表面信息，對(duì)于中下部分的林分探測(cè)和提取則較為困難，同時(shí)，分割精度也受空間插值方法和柵格分辨率大小影響。另一類(lèi)是歸一化原始點(diǎn)云（NPC）單木法，是利用歸一化點(diǎn)云或原始點(diǎn)云數(shù)據(jù)，根據(jù)LiDAR點(diǎn)云之間的空間位置關(guān)系對(duì)點(diǎn)云進(jìn)行聚類(lèi)，進(jìn)而實(shí)現(xiàn)單木分割并提取單木特征。常見(jiàn)的NPC分割方法包括k均值聚類(lèi)、均值漂移聚類(lèi)等，這類(lèi)分割方法表現(xiàn)為林分密度或郁閉度較大時(shí)分割精度較低，郁閉度較小時(shí)分割精度較高。

2.1" 基于CHM的單木分割方法

CHM本身就是一種柵格圖像，對(duì)它的處理可看作是對(duì)灰度圖像的處理，較為經(jīng)典的算法有區(qū)域增長(zhǎng)法、注水算法、分水嶺分割算法[7]等，本文選擇分水嶺算法進(jìn)行分割。分水嶺分割算法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的圖像分割算法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞孛?，圖像中每一點(diǎn)像素的灰度值表示該點(diǎn)的海拔高度，每一個(gè)局部極小值及其影響區(qū)域稱(chēng)為集水盆，而集水盆的邊界則形成分水嶺[8]。分水嶺算法對(duì)微弱邊緣具有較強(qiáng)的響應(yīng)，由于圖像質(zhì)量不斷提高，圖像紋理特征逐漸增多，圖像中的噪聲、物體表面細(xì)微灰度變化均有可能產(chǎn)生過(guò)分割現(xiàn)象，因此柵格分辨率大小對(duì)圖像分割效果具有較大影響[9]，分水嶺算法分割效果見(jiàn)圖3。

本文使用LiDAR360軟件，在軟件中對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行重采樣、去噪等預(yù)處理，插值生成DEM和DSM。進(jìn)行重采樣時(shí)，可根據(jù)一定的采樣規(guī)律對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行重采樣，從而減少點(diǎn)云數(shù)據(jù)量，保證數(shù)據(jù)的處理效率。去噪可以在一定程度上將不符合空間分布的去除來(lái)提高點(diǎn)云數(shù)據(jù)的準(zhǔn)確度，增加分割精度。實(shí)驗(yàn)中用到的CHM由反距離權(quán)重插值法生成DSM和同一DEM作差得到，反距離權(quán)重插值法使用附近點(diǎn)計(jì)算柵格單元的值，并通過(guò)點(diǎn)距柵格單元中心點(diǎn)的距離判斷加權(quán)平均值，CHM空間分辨率為0.5 m×0.5 m。

2.2" 基于層堆疊生成種子點(diǎn)分割

層堆疊算法以1 m為切層厚度，對(duì)整個(gè)層的點(diǎn)云進(jìn)行切片，同時(shí)對(duì)每層中的樹(shù)木點(diǎn)云進(jìn)行分離，最后合并所有層產(chǎn)生的典型剖面。層堆疊算法的基本思想首先是對(duì)點(diǎn)云進(jìn)行歸一化處理，得到樹(shù)木的絕對(duì)高度，然后對(duì)點(diǎn)云數(shù)據(jù)按照高度進(jìn)行分層，以1 m為厚度向上分層一直到點(diǎn)云的最高層，在每一層上應(yīng)用聚類(lèi)算法不斷迭代更新種子點(diǎn)位置直到穩(wěn)定。之后設(shè)置緩沖區(qū)避免邊界誤判，再生成重疊圖識(shí)別樹(shù)冠中的高密度區(qū)域，平滑處理堆疊圖減少噪聲，識(shí)別平滑后的局部最大值從而確定樹(shù)木位置。

研究選擇格網(wǎng)分辨率為0.5 m×0.5 m，層厚度為1 m進(jìn)行分割。在實(shí)驗(yàn)過(guò)程中，高斯平滑因子的參數(shù)設(shè)置是關(guān)鍵，該值越大，平滑程度越高，平滑程度影響分割出的樹(shù)木株數(shù)，如果出現(xiàn)欠分割現(xiàn)象，則需要該值調(diào)小，反之，如果出現(xiàn)過(guò)分割，建議將該值調(diào)大，層堆疊生成種子點(diǎn)分割效果見(jiàn)圖4。

2.3" 基于點(diǎn)云分割

點(diǎn)云分割是通過(guò)深入分析點(diǎn)云數(shù)據(jù)中的高程值和點(diǎn)與點(diǎn)之間的相對(duì)距離來(lái)精確識(shí)別和分割出單獨(dú)的樹(shù)木。本文采用區(qū)域增長(zhǎng)結(jié)合閾值判斷的方法（Point Cloud Segmentation， PCS算法），圖5是PSC算法基本原理圖，該算法原理如下，假設(shè)點(diǎn)A是最高點(diǎn)，因此，將點(diǎn)A看作一號(hào)樹(shù)木的樹(shù)頂，然后將B、C、D、E點(diǎn)進(jìn)行分類(lèi)。首先，由于點(diǎn)B的間距 dAB 大于指定閾值（如2 m），點(diǎn)B被看作二號(hào)樹(shù)木。因?yàn)辄c(diǎn)C的間距dAC小于閾值，同時(shí)也小于dBC，點(diǎn)C被分類(lèi)為一號(hào)樹(shù)木。由于dBD小于dCD，點(diǎn)D被分類(lèi)為二號(hào)樹(shù)木，同理，點(diǎn)E被分類(lèi)為二號(hào)樹(shù)木。臨界值應(yīng)當(dāng)與冠層半徑相等，當(dāng)設(shè)置的臨界值太大或太小時(shí)，會(huì)出現(xiàn)分割不足和過(guò)度分割的情況。點(diǎn)云分割結(jié)果效果見(jiàn)圖6

2.4" 精度驗(yàn)證

本研究將從探測(cè)率r、準(zhǔn)確率p和加權(quán)調(diào)和平均值F這3個(gè)指標(biāo)對(duì)基于樣地尺度的單木分割進(jìn)行精度評(píng)價(jià)[10-11]。

r=T_P/T_P+F_N （1）

p=T_P/T_P+F_P （2）

F=2（r×p）/r+p （3）

公式中TP表示被算法正確識(shí)別的單木數(shù)量；FN表示未被算法識(shí)別的單木數(shù)量（欠分割）；FP表示被算法識(shí)別但實(shí)際并不存在的單木數(shù)量（過(guò)分割）；r為單木識(shí)別率，r越高表示被算法正確分割的單木數(shù)量也就越多；p是被識(shí)別的單木正確率，p值越高說(shuō)明該算法分割準(zhǔn)確度很高；F為r與p計(jì)算得到的加權(quán)調(diào)和平均值，F(xiàn)值越大說(shuō)明整體效果更好。

3" 結(jié)果與分析

實(shí)測(cè)樣地內(nèi)單木總數(shù)為225棵，采用3種方法對(duì)實(shí)測(cè)樣地進(jìn)行單木分割的結(jié)果見(jiàn)表1。

從單木識(shí)別率r這個(gè)指標(biāo)看，分水嶺分割、層堆疊生成種子點(diǎn)分割和基于點(diǎn)云分割這3種分割算法都可以保持一個(gè)較高的值，都達(dá)到了65%以上，尤其是基于點(diǎn)云分割在這3種分割算法中最好，達(dá)到了70%以上，這表明這3種算法都可以識(shí)別出樣地內(nèi)絕大多數(shù)的單木，算法的適應(yīng)性很好；從被識(shí)別的單木正確率p來(lái)看，層堆疊生成種子點(diǎn)分割和基于點(diǎn)云分割分別達(dá)到54.91%和57.37%，可以得到一個(gè)較為不錯(cuò)的準(zhǔn)確度，但是基于分水嶺算法進(jìn)行單木分割只能達(dá)到46.62%，相對(duì)于另外兩種算法而言數(shù)值較為偏低，基于分水嶺算法分割這種傳統(tǒng)方法在分割的準(zhǔn)確度上仍然有較大的提升空間；從F值來(lái)看，由于受到p值的影響，導(dǎo)致F值都有所降低，但是層堆疊生成種子點(diǎn)分割和基于點(diǎn)云分割這兩種分割方法的F值分別為60.7%和63.93%，只有分水嶺分割的F值較低只有54.87%。

綜合這3個(gè)指標(biāo)，基于點(diǎn)云分割在3個(gè)指標(biāo)上均優(yōu)于層堆疊生成種子點(diǎn)分割和分水嶺分割，所以在該試驗(yàn)區(qū)樣地內(nèi)基于點(diǎn)云分割運(yùn)行最穩(wěn)定，分割的效果也更好，更適合在該樣地中進(jìn)行單木分割。

從單個(gè)分割方法來(lái)看，分水嶺分割生成208棵單木，層堆疊生成種子點(diǎn)分割生成218棵單木，基于點(diǎn)云分割生成232棵單木（見(jiàn)表2）。這3種算法在分割的數(shù)目上都接近樣地內(nèi)實(shí)測(cè)的單木總數(shù)，在分割的總數(shù)上可以取得一個(gè)較好的準(zhǔn)確度，但是無(wú)論是哪種分割方法，過(guò)分割的數(shù)量都有一個(gè)較大的占比，尤其是分水嶺分割，其過(guò)分割的數(shù)量已經(jīng)超過(guò)了正確分割的數(shù)量，如果可以繼續(xù)降低過(guò)分割的數(shù)量，這3種算法的分割精度仍然會(huì)有一個(gè)較大的提升。

4" 總結(jié)與討論

影響單木分割精度的因素有很多，比如林分條件的復(fù)雜程度、樣地范圍內(nèi)森林的郁閉度、數(shù)據(jù)采集過(guò)程中點(diǎn)云密度的大小及在之后處理過(guò)程中的誤差等。

在裁切樣地點(diǎn)云時(shí)，一些樹(shù)本身不在樣地范圍內(nèi)，但是該樹(shù)的冠層部分會(huì)延伸到樣地范圍內(nèi)，從而導(dǎo)致樣地范圍內(nèi)的點(diǎn)云數(shù)據(jù)中有一部分樣地外樹(shù)的點(diǎn)云參與了分割，這給算法增加了一定的誤差，從而出現(xiàn)了大量過(guò)分割的現(xiàn)象，進(jìn)一步導(dǎo)致了分割精度的下降，因此可以在后續(xù)研究中通過(guò)目視剔除這部分不包含在樣地范圍內(nèi)的樹(shù)點(diǎn)云，以此來(lái)提高單木分割的精確度。

森林郁閉度和森林密度對(duì)單木分割的精度也有很大影響。假設(shè)在研究區(qū)樣地內(nèi)，有相同種類(lèi)的思茅松，一塊樣地的思茅松郁閉度低并且密度稀疏，另外一塊樣地的思茅松郁閉度高并且密度較高，那么無(wú)疑是郁閉度低密度稀的樣地分割效果更佳[12]。而本次試驗(yàn)中萬(wàn)掌山林場(chǎng)處在云南省普洱市，樣地區(qū)域內(nèi)森林密度大、郁閉度高、林分條件復(fù)雜，因此單木分割的難度較大，從而導(dǎo)致了欠分割和過(guò)分割的數(shù)量較多的現(xiàn)象。

機(jī)載激光雷達(dá)可以快速掃描大面積地區(qū)，短時(shí)間內(nèi)即可獲取大量的植被信息數(shù)據(jù)，與依賴(lài)光照條件的光學(xué)遙感不同，作為一種主動(dòng)遙感技術(shù)具備全天候工作的能力，甚至可以在夜間或者多云的天氣條件下工作，但是在森林茂密地區(qū)機(jī)載激光雷達(dá)的穿透能力較弱，只能獲取樹(shù)冠的信息，樹(shù)干及以下的信息獲取較少。在未來(lái)進(jìn)行單木分割，可以嘗試從地面空中等多個(gè)維度采集數(shù)據(jù)，這樣可以增加分割的精度。本文研究只針對(duì)思茅松，而且只利用LiDAR360軟件做了簡(jiǎn)單的單木分割研究，對(duì)比了3種單木分割的效果，在今后的研究中，可以尋找分割效果更好的分割方法。

參考文獻(xiàn)：

[1] 李增元，劉清旺，龐勇.激光雷達(dá)森林參數(shù)反演研究進(jìn)展[J].遙感學(xué)報(bào)2016（20）：1138-1150.

[2] 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.

[3] 李平昊，申鑫，代勁松，等.機(jī)載激光雷達(dá)人工林單木分割方法比較和精度分析[J].林業(yè)科學(xué)，2018，54（12）：127-136.

[4] MORSDORF F， MEIER E， K?TZ B， et al. LIDAR-based geometric reconstruction of boreal type forest stands at single tree level for forest and wildland fire management[J]. Remote sensing of environment， 2004， 92（3）： 353-362.

[5] 趙麗瓊，張曉麗，孫紅梅.激光雷達(dá)數(shù)據(jù)在森林參數(shù)獲取中的應(yīng)用[J].世界林業(yè)研究，2010，23（2）：61-64.

[6] 潘瑤， 蘇凱文， 張婉潔， 等. 面向可持續(xù)的國(guó)有林場(chǎng)森林生態(tài)系統(tǒng)管理研究——以云南省萬(wàn)掌山國(guó)有林場(chǎng)為例 [J]. 林業(yè)調(diào)查規(guī)劃， 2016， 41（6）： 64-67.

[7] 趙旦. 基于激光雷達(dá)和高光譜遙感的森林單木關(guān)鍵參數(shù)提取[D].北京：中國(guó)林業(yè)科學(xué)研究院，2012.

[8] CHEN B，XU B，ZHU Z，et al. Stable classification with limited sample： Transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017 [J]. Science bulletin， 2019， 64（6）： 370-373.

[9] 孫釗， 潘磊， 謝運(yùn)鴻， 等. 分水嶺算法在林業(yè)中的應(yīng)用 [J]. 世界林業(yè)研究， 2021， 34（3）： 63-67.

[10] GOUTTE C， GAUSSIER E. A probabilistic interpretation of precision， recall and F-score， with implication for evaluation [M]//lecture notes in computer science. Berlin， Heidelberg： Springer Berlin Heidelberg， 2005： 345-359.

[11] SOKOLOVA M， JAPKOWICZ N， SZPAKOWICZ S. Beyond accuracy， F-score and ROC： a family of discriminant measures for performance evaluation [M]//lecture notes in computer science. Berlin， Heidelberg： Springer Berlin Heidelberg， 2006： 1015-1021.

[12] 吳項(xiàng)乾，曹林，申鑫，等. 基于無(wú)人機(jī)激光雷達(dá)的銀杏人工林有效葉面積指數(shù)估測(cè)[J].林業(yè)科學(xué)，2020，56（1）：74-86

（責(zé)任編輯：易" 婧）