小光斑激光雷達數據估測森林生物量研究進展

尤號田，邢艷秋，王 萌，王 蕊，孫小添

(東北林業大學 森林作業與環境研究中心，哈爾濱 150040)

林業研究所用生物量通常指森林地上生物量，即除樹樁、樹根外，所有活林木的木質部分(樹干、樹皮、樹葉、樹枝和嫩枝)絕干質量之和(Food and Agriculture Organization of the United Nations-Global Forest Resources Assessment 2005)。近年來生物量的測定已受到廣泛的重視，因為生物量可以很容易地轉換成碳儲量，而碳儲量的定量化在理解碳循環中是非常重要的。雖然通常可以借助地面測量數據估算森林生物量，但人工調查費時費力，難于獲取大區域的森林生物量，且更新較慢。遙感技術的出現彌補了傳統調查方法的不足，借助遙感技術可以很容易的實現森林數據的大面積獲取，數據的快速處理，數據獲取成本相對低廉，數據更新頻率較快等，甚至可以對條件惡劣不適宜人工采集的林區進行數據采集。憑借上述優點，遙感技術已成功用于森林生物量的研究，主要包括光學遙感影像、合成孔徑雷達數據和激光雷達數據。激光雷達不僅克服了光學遙感影像和合成孔徑雷達數據存在的信號飽和現象，而且能夠同時獲取森林的水平和垂直結構參數，如：樹高、冠幅、胸徑和生物量等，這對于碳循環、環境建模等一系列活動具有重要的意義。

激光雷達數據十分適合估計森林生物量，因為從森林冠層生成的點云或波形數據能夠精確地描述冠層的物理特性。根據激光脈沖打到地面上形成光斑尺寸的差異，激光雷達又可以分為大光斑激光雷達和小光斑激光雷達。大光斑激光雷達光斑直徑較大，通常在5 m以上，適于估計大區域的森林生物量；小光斑激光雷達光斑直徑通常小于1 m，適于估計小區域森林生物量，其中數據獲取成本是限制小光斑激光雷達廣泛應用于林業的主要困難。隨著科學技術的發展，小光斑激光雷達數據獲取成本不斷下降，因此得到研究人員越來越多的親睞，其應用于林業方面的研究也越來越多。

1 小光斑激光雷達系統簡介

小光斑激光雷達系統是一種以飛機為載體，集激光掃描系統、全球定位系統、慣性測量單元以及監視控制系統于一身的系統，通過上述系統記錄的飛行器的高度、位置、激光掃描角和發射方向等一系列的數據，經過一定算法可以利用傳感器記錄的信息準確計算出激光束打到物體上形成光斑的精確坐標X，Y，Z。機載激光雷達系統組成如圖1所示。

圖1 激光雷達系統組成示意圖

2 研究現狀與分析

Hyypp?和Inkinen[1]在1999年將小光斑激光雷達引入到林業研究中，因成本、技術和點云密度等各方面的限制，并未在實際林業操作中得到廣泛應用。直到近年技術的發展、數據獲取成本的不斷下降，小光斑激光雷達才廣泛應用于林業研究中。由于小光斑激光雷達的光斑直徑通常較小，所以可以精細到森林單木結構參數估計，因此小光斑激光雷達在估計森林結構參數時可以分為兩個不同的尺度，即單木水平和樣方水平。

2.1 小光斑激光雷達估計單木水平森林生物量和蓄積量

利用數字冠層模型估計森林單木生物量的主要步驟是首先將原始點云數據進行濾波處理，分離出地面點和非地面點，應用插值算法對分離得到的地面點和非地面點進行插值運算分別得到數字地形模型(Digital Terrain Model，DTM)和數字表面模型(Digital Surface Model，DSM)，之后對DSM和DTM做差值運算得到數字冠層模型(Digital Canopy Model，DCM)，得到DCM，接著在DCM上完成單木分割，從分割得到的單木中衍生出單木結構參數，對衍生得到的單木結構參數和實測參數進行回歸分析，并與已存在的以實測單木參數為變量的生物量方程聯立，得到相應的單木生物量預測方程，進而估計森林單木的生物量；或者利用從單木中衍生的單木結構參數直接和野外測量的單木生物量進行回歸分析得單木生物量估測方程，進而用此生物量方程估測單木生物量。

單木的準確分割不僅是單木樹高估計的瓶頸，也是單木生物量估計的瓶頸，對于如何提高單木的分割率及開發出不受單木分割精度影響的生物量模型一直是林業工作者研究的熱點。Yu等[2]用最小曲率分割和隨機森林法估計了森林單木的蓄積量，R2為0.87。Yao等[3]分別用分水嶺分割和標準化切割三維分割法對研究區單木分割，進而估計森林單木蓄積量，結果表明針葉樹的精度相對較高，RMSE分別為0.46 m3和0.43 m3，闊葉樹精度相對比較低，產生差異的主要原因是闊葉樹的樹冠結構比較復雜難以準確分割。為了減小分割時的誤差，提高分割精度，Breidenbach等[4]對分割方法進行改進，將單木探測和面積統計法想結合共同用于單木分割，此方法也有效地減少了單木分割的誤差，提高了蓄積量估計精度。Chen等[5]對單木模型進行改進，將從小光斑激光雷達數據中衍生得出冠層幾何量用于估算單木莖蓄積量，經過試驗得出不受單木分割影響的估測模型。用改進模型對加利福尼亞落葉櫟樹林的單木進行估計，當樹冠錯誤分割時，模型的R2為 0.78；當樹冠正確分割時，模型R2為0.79。此研究的缺點是未用不同的數據對模型進行驗證，模型的適用性有待進一步驗證。Shrestha等[6]對模型的外推性進行了一定的探索，將林區單木生物量模型用于估計城區單木的生物量，結果精度較低，總體R2僅為0.67，主要是由于林區得到的生物量模型不適于估計城區單木生物量；若能采用適合的生物量模型及做到單木的準確分割，估測精度會得到相應的提高因此單木的準確分割仍是單木生物量估計的一大難點。

除了單木分割外，不同生物量模型對單木生物量估計的影響也是研究人員關注的熱點。Popescu[7]用兩種方法估計了美國東南部火炬松的單木生物量，一種是用從DCM上衍生的得到的單木樹高和冠幅為變量估計單木胸徑，再以估計得到的胸徑為線性回歸方程的自變量得到單木生物量，精度為87％；另一種以從DCM上衍生的得到的單木樹高和冠幅為自變量，用非線性回歸方程估計單木生物量，精度大于85％，雙變量非線性回歸模型精度比單變量線性回歸模型的精度稍低，表明有時增加模型變量并不能提高模型估計精度。劉清旺等[8]同樣以從分割單木衍生得到的樹高和冠幅為自變量，分別用線性和對數回歸模型對單木生物量進行估計，結果兩種模型精度都較高，在72％以上，且兩種生物量模型精度相差很小，說明不同的回歸模型對單木生物量的估計產生的差別不大，Gleason等[9]也得出類似的結論，用支持向量回歸等4種方法分別估計了森林單木生物量，結果表明4種方法得到的生物量模型精度差別不大，采用相同變量估計精度產生差異的原因可能是地形坡度、點云密度、模型差異及單木分割精度的影響。

綜上所述，與單木樹高估計類似，點云濾波、單木分割及模型建立仍是單木生物量估計的重點和難點。

2.2 小光斑激光雷達估計樣方水平森林生物量和蓄積量

小光斑激光雷達憑借其光斑直徑較小的優勢，既能做到單木水平結構參數的準確估計又能做到樣方水平結構參數的估計。因此用小光斑激光雷達估測森林樣方生物量時可以分2種方法，一種是以單木探測為基礎的單木集成法，一種是以樹冠高度分布為基礎的林分回歸法。

2.2.1 單木集成法

單木集成法估計樣方生物量的計算思路是首先從激光雷達點云數據中得到單木生物量，然后將樣方內所有單木的生物量相加得到森林樣方生物量。因此單木集成法估計森林樣方生物量的精度在于單木生物量的估計精度以及森林單木探測率。Yu等[10]用單木集成法估計了樣方的平均蓄積量，單木分割精度一般時，樣方平均蓄積量的R2為0.75，RMSE為35％；但當單木分割精度提高時，R2提高到0.95，RMSE提高到15.35％。Vastaranta等[11]用單木自動分割法，即最小曲率區域探測法，對CHM進行處理，然后采用局部最大值尋找單木樹頂并進行標記，之后采用標記控制分水嶺分割算法對單木樹冠進行劃分，最后采用單木自動分割和目視解譯相結合的方法對森林樣方蓄積量進行估計，結果表明相結合的方法得到的樣方蓄積量精度較高，RMSE為53.8 m3/hm2，但偏差也較大，為15.0 m3/hm2；自動分割法估計得到的蓄積量RMSE為56.7 m3/hm2，偏差為4.6 m3/hm2，結合法能更有效地估計森林蓄積量主要是目視解譯法能夠有效地消除單木探測時產生的過分割和遺漏分割，提高了單木分割精度。

雖然在某些特定林分環境下建立的森林生物量估測模型精度較高，但因森林環境差異的影響使得模型推廣到其他區域時精度下降甚至不能估計森林生物量，如Shrestha等[6]將林區所建生物量模型推廣到城區時模型的精度大幅下降。為了克服模型無法區域推廣的難題，Bortolot等[12]開嘗試發了一種適用于不同區域不同森林類型生物量估計的計算機可視化算法，此算法以單木分割為基礎，用生物量、密度和LiDAR數據已知的樣方為訓練數據，通過在訓練數據衍生得到的參數和生物量之間建立回歸方程，之后用得到的回歸方程估計新區域不同類型的森林生物量。結果表明：生物量的實測值和預測值之間的相關性介于0.59和0.82之間，RMSE隨著選擇訓練、測試樣方的不同在13.6和140.4t/hm2之間變化，首次使用訓練數據來估計不同區域得森林生物量，精度不算太高，但仍成功的估計了森林的生物量。

無論是用機器學習法還是人機協同估計森林樣方生物量，所得結果都依賴于單木生物量估計結果的好壞，歸根結底在于點云數據濾波的好壞、單木分割的準確性以及單木探測的準確率。

2.2.2 林分回歸法

林分回歸法是通過在樣方水平的冠層結構參數和激光雷達脈沖統計量之間建立起回歸模型，然后利用建立的回歸模型估計樣方或更大區域的森林生物量。通過對先前文獻進行統計分析得出建立回歸模型所采用的變量主要有平均樹高、樹冠高度、冠幅大小、胸高斷面積、樣方單木數量和樹冠回波百分比等。

Holmgren等[13]以從激光雷達數據衍生得到的平均樹高、冠幅和樣方內的單木數量為自變量，分別采用2種方法對樣方的蓄積量進行估計，一種是以平均樹高和冠幅為變量的非線性回歸模型，R2為0.90；另一種是以平均樹高和單木數量為變量的非線性回歸模型，R2為0.82。結果表明冠幅對蓄積量估計精度的提高有顯著影響。Nsset等[14]對其他變量估計森林生物量的能力進行了嘗試，得出了不受森林類型影響的生物量估計模型。以樹冠高度和郁閉度為回歸方程的自變量，對樣地內的幼齡和成熟針葉林的地上生物量和地下生物量進行估計，結果精度較高，都在85％以上，其中闊葉林的比例對地上生物量有著顯著影響，樹木的年齡等級對地下生物量模型影響顯著，但森林類型對估計模型沒有顯著影響。Zhao等[15]以激光雷達衍生的樹冠高度分布和樹冠高度位數函數為自變量，分別采用線性函數模型和等效的非線性模型對特克薩斯州東部溫帶森林的生物量進行估計，結果表明不同模型之間的差異不大，生物量R2的范圍從0.80到0.95，RMSE從14.3 Mg/hm2到33.7 Mg/hm2。劉東起等[16]以胸高斷面積和樣地單木數量為變量，對不同林分類型的蓄積量、生物量進行估計，結果精度都在90％以上且林分回歸法的精度比單木集成法要高。雖然林分回歸法的精度較高，但和單木集成法相比，林分回歸模型的建立需要很多樣方或林分的地面真實樹冠結構測量值，這樣就極大地增加了野外調查的工作量。盡管單木集成法在野外調查方面有著很大的優勢，但并沒有許多研究用單木集成法進行大規模的森林生物量估計，因為研究表明，樹冠表面的復雜性使得單木分割的準確性通常較低，進而會影響大規模森林生物量的估計。由于單木集成法能夠減少野外工作量，若能建立起一些不受單木分割誤差影響的單木生物量模型，單木集成法便可廣泛用于大規模森林資源清查。

全波形數字化小光斑激光雷達數據的出現改變了森林結構參數的估測方法，克服了離散點云數據因單木分割對森林結構參數估測造成的影響，因為全波形激光雷達記錄的是地物的波形和強度，不同地物或同一地物不同高度的波形形態和強度不同，所以可以通過對小光斑激光雷達的波形進行分析來獲得與森林結構參數相關的信息。Marianoa等[17]分別激光雷達高度、強度、高度和強度數據相結合的生物量模型對西班牙中部地中海天然林不同組分的生物量進行了估計，結果表明不同組分生物量的R2值都大于0.58，若將每個樣方內的主要樹種帶入具體的樹種生物量模型，結果會得到極大地提高，黑松、西班牙杜松和霍爾姆橡木的R2值分別大于0.85，0.70和0.90。

3 結論與展望

小光斑激光雷達憑借自身的優點現已成功用于森林生物量的研究中，所得結果精度相對較高，但由于系統本身及估測過程中所用方法和技術的限制，致使其在應用中仍存在一定的問題。

3.1 局限性

雖然小光斑激光雷達已經廣泛應用于森林生物物理參數的估計，但仍有局限性，主要有以下幾方面。

(1)數據獲取時對天氣條件要求比較苛刻，不能在陰雨天獲取數據，否則影響數據的準確性，而且數據獲取成本相對較高，難以應用于大區域。

(2)生物量估計方面，單木生物量主要受點云濾波和單木分割精度的影響；用林分回歸法估計樣方生物量時需要大量的野外數據建立生物量模型，費時費力；單木集成法估計樣方生物量時受點云濾波、單木分割精度和單木探測率的影響。

(3)大多數模型和算法受區域條件限制，不具有外推性，模型和算法都是在特定區域條件下得到，區域改變時條件也會發生變化，應用結果不理想，如何找到不受區域條件限制的普遍適用模型和方法是未來的研究方向。

3.2 展 望

針對小光斑激光雷達在林業應用中的局限性，結合自己的見解現提出幾點建議，希望能夠提高未來生物量的估計精度，具體如下。

(1)應用全波形數字化小光斑激光雷達代替離散點云小光斑激光雷達，減小天氣情況對獲取數據的影響，而且對波形數據進行分解還能增加點云密度，提高單木點云的三維分割精度。

(2)針對激光雷達點云濾波處理問題，因為現有算法都不能實現點云的精確分類，且適應性較差，未來可以嘗試多種濾波算法的聯合應用，實現優勢互補；可以開發出自適應的濾波算法，增強算法的適用性。

(3)針對單木分割及單木識別問題，采用點云三維分割代替DCM分割并輔助一定的人工修正；嘗試多源數據融合提高單木分割精度，如可以將激光雷達點云數據和影像數據相結合共同用于單木分割和識別。

(4)多源遙感數據綜合應用，利用其他遙感數據在密林區域的優勢來彌補小光斑激光雷達數據在密林地區的不足，進而提高估計結果的精度。

(5)采用機器學習法來訓練數據，通過采用不同區域的數據集作為訓練數據來獲得不受區域條件影響的估測模型和算法，進而做到大區域推廣。

【參 考 文 獻】

[1]Hyypp? J，Inkinen M.Detecting and estimating attributes for single trees using laser scanner[J].The Photogrammetric Journal of Finland，1999，16(2)：27-42.

[2]Yu X，Hyypp? J，Vastaranta M，et al.Predicting individual tree attributes from airborne laser point clouds based on the random forests technique[J].Isprs Journal of Photogrammetry and Remote Sensing，2011，66(1)：28-37.

[3]Yao W，Krzystek P，Heurich M.Tree species classification and estimation of stem volume and DBH based on single tree extraction by exploiting airborne full-waveform LiDAR data[J].Remote Sensing of Environment，2012，123：368-380.

[4]Breidenbach J，Erik N，Vegard L，et al.Prediction of species specific forest inventory attributes using a nonparametric semi-individual tree crown approach based on fused airborne laser scanning and multispectral data[J].Remote Sensing of Environment，2010，114(4)：911-924.

[5]Chen Q.Airborne lidar data processing and information extraction[J].Photogrammetric Engineering and Remote Sensing，2007，73(2)：109.

[6]Shrestha R，Wynne R H.Estimating biophysical parameters of individual trees in an urban environment using small footprint discrete-return imaging lidar[J].Remote Sensing，2012，4(2)：484-508.

[7]Popescu S C.Estimating biomass of individual pine trees using airborne lidar[J].Biomass and Bioenergy，2007，31(9)：646-655.

[8]劉清旺，李增元，陳爾學，等.機載LIDAR點云數據估測單株木生物量[J].高技術通訊，2010，20(7)：765-770.

[9]Gleason C J，Im J.Forest biomass estimation from airborne LiDAR data using machine learning approaches[J].Remote Sensing of Environment，2012，125：80-91.

[10]Yu X，Hyypp? J，Holopainen M，et al.Comparison of area-based and individual tree-based methods for predicting plot-level forest attributes[J].Remote Sensing，2010，2(6)：1481-1495.

[11]Vastaranta M，Kankare V，Holopainen M，et al.Combination of individual tree detection and area-based approach in imputation of forest variables using airborne laser data[J].Isprs Journal of Photogrammetry and Remote Sensing，2012，67：73-79.

[12]Bortolot Z J，Wynne R H.Estimating forest biomass using small footprint LiDAR data：An individual tree-based approach that incorporates training data[J].Isprs Journal of Photogrammetry and Remote Sensing，2005，59(6)：342-360.

[13]Holmgren J，Nilsson M，Olsson H.Estimation of tree height and stem volume on plots using airborne laser scanning[J].Forest Science，2003，49(3)：419-428.

[15]Zhao K G，Sorin P，Ross N.Lidar remote sensing of forest biomass：A scale-invariant estimation approach using airborne lasers[J].Remote Sensing of Environment，2009，113(1)：182-196.

[16]劉東起，范文義，李明澤.利用小光斑激光雷達估測林分參數和生物量[J].東北林業大學學報，2012，40(1)：39-43.

[17]Mariano G，David R，Emilio C，et al.Estimating biomass Carbon stocks for a Mediterranean forest in central Spain using LiDAR height and intensity data[J].Remote Sensing of Environment，2010，114(4)：816-830.

[18]邢艷秋，王立海.基于森林生物量相容性模型長白山天然林生物量估測[J].森林工程，2008，24(2)：1-4.