杉木人工林冠層高度無人機遙感估測

謝巧雅， 余坤勇， 鄧洋波， 劉 健， 范華棟， 林同舟

（1.福建農林大學 林學院，福建 福州 350002；2.福建農林大學 “3S”技術與資源環境優化利用福建省高校重點實驗室，福建 福州350002）

冠層高度是森林資源調查的重要指標，也是重要的測樹因子之一，與樹木長勢、生長量、林分蓄積量計算等密切相關［1-2］。快速、準確估測樹高對于森林資源監測，森林生物量計算具有重要意義。當前，對于樹高的測定有傳統地面測量和遙感數據估測2類，傳統的地面測量調查依據測高儀對活立木進行樹高測定，是森林資源調查中樹高測量最常用的方法［3］，但工作效率低，且受到人為因素、儀器質量等影響，測量精度有一定的誤差［4］。現階段出現的森林樹高遙感測定技術，如干涉合成孔徑雷達估算技術、機載小光斑激光雷達數據結合光數碼影像技術以及利用激光雷達數據點云數據提取樹高［5-7］等，能夠克服外界環境因素對樹高估測的影響，但存在成本相對高，在大比例尺下測定地物仍有較大誤差的缺陷。隨著民用無人機的興起，無人機遙感技術也得到了發展。無人機遙感影像具有分辨率高、重疊度大、信息量大等特點，并且小型民用無人機使用成本低、操作便捷、采集周期靈活等特點在很大程度上彌補了現有遙感估測樹高的不足［8-13］?；跓o人機平臺搭載不同傳感器，能夠獲取多光譜、高光譜、激光點云等多種類型的高精度數據，為遙感技術在森林資源調查和動態監測中的應用提供了新的發展思路［14-17］，也將推動小型無人機在林業方面的普及應用［18］。杉木Cunninghamia lanceolata是中國重要的速生樹種和用材樹種，在森林資源中占有重要的地位［19-20］。快速、可靠地獲取杉木的樹高對于森林生物量的計算具有重要意義。為此，本研究選擇福建省閩清縣白云山國有林場的杉木林為對象，利用無人機多光譜影像數據，開展杉木人工林冠層高度遙感估測，以期為無人機在森林資源的調查應用提供理論借鑒和參考。

1 研究區概況與數據收集

1.1 研究區概況

福建省閩清縣白云山國有林場（26°24′06.42″～26°28′44.10″N， 118°49′11.53″～118°55′46.19″E）， 海拔為800～1 200 m，坡度為26～35°。林場氣候溫和偏涼，年平均氣溫為19.5℃，雨水充沛，年均降水量約為1 800.0 mm，濕度大，適宜營造杉木Cunninghamia lanceolata，馬尾松Pinus massoniana，濕地松Pinus elliottii，禿杉Taiwania flousiana，柳杉Cyptomeria fortunei等用材樹種。該林場經營總面積為3 858.3 hm2，森林覆蓋率為85.3%，林木蓄積量為58萬m3，其中生態公益林面積為2 316.1 hm2，占林場經營面積60.0%。在白云山林場3個以杉木為主要樹種的人工林小班（004林班-25大班-040，050，070小班，分別簡稱為A小班，B小班，C小班）開展無人機遙感樹高估測研究，3塊小班總面積約11 hm2，優勢樹種為杉木，西部林分密度較東部小，坡度約為25°，東、東南坡向，高程西高東低。

1.2 無人機遙感數據獲取

2018年1月16日，利用Eco Drone-UA無人機搭載的多光譜鏡頭［藍（380～500 nm），綠（500～600 nm），紅（600～760 nm），紅邊（紅光范圍680～760 nm內反射光譜的一階導數最大值所對應的光譜位置）和近紅外（760～860 nm）等5個光譜波段］獲取遙感影像，利用地面控制站軟件Mission Planner設置飛行相對航高為120 m，航帶重疊度50%以及航程、航時、飛行航線等一系列參數。

1.3 地面數據獲取

隨機選取研究區內的60株樹，利用激光測高儀（型號TruPulse200）測量樹高，作為杉木實測高度；利用手持全球定位系統（GPS）采集研究區高程數據。地面數據還包括白云山林場二類調查小班數據、地形圖、林場概況等其他輔助資料。

2 數據處理及研究方法

2.1 數據預處理

無人機影像獲取過程中，受像素高、數量大以及氣流擾動等因素影響，影像會產生幾何畸變［7,21］，需進行信息檢測、拼接及幾何校正等預處理。預處理分為3個階段。一是利用人工手段初步檢驗，剔除無關影像數據。二是將篩選好的原始影像導入Pix4D Mapper軟件進行檢測，完成覆蓋研究區的影像拼接；為滿足制作高精度數字表面模型（DSM）影像精度要求，本次處理使用原始數據影像2 078張，各影像的校準率為99%，重疊度為50%，初始焦距與最終焦距的相對差為1.69%，地理定位均方根誤差X為1.26%，Y為0.71%，Z為1.33%，同時基于無人機獲取的多幅正射照片生成研究區數字正射影像（DOM）［21］。三是利用空中三角測量，自動計算、識別同名地物點，求得像方坐標，得到研究區DSM影像［22］，實現遙感影像校正。

2.2 無人機遙感杉木樹高提取

2.2.1 單木樹冠頂點識別 冠層高度數據提取關鍵在于樹冠頂點的識別。首先利用無人機遙感影像的紋理特征和光譜信息，面向對象分類篩選樣木，通過遙感圖像處理平臺（ENVI）將數字正射影像信息分為森林、道路、林隙3類，得到研究區實際森林覆蓋區域。其次基于塊統計分析原理（即統計生成的值會賦予指定鄰域的最小外接矩形中的所有像元，各鄰域間無重疊），根據研究對象的樹冠特征，將鄰域設置為圓形，利用地圖單位結合DOM目視判定半徑，反復試驗后，確定鄰域半徑為1.5 m。據指定的半徑值計算出準確的圓面積，再計算出另外2個圓面積值，一個是指定半徑值向下舍入后的圓面積，另一個是指定半徑值向上舍入后的圓面積。這2個面積分別與用指定半徑計算出的準確面積值進行比較，兩者中更為接近準確值的一個將被用于運算過程中（圖1）。最后利用DSM塊統計后新的影像與原始DSM影像相減，結合鄰域分析塊統計原理，搜索目標區中的最大值，并認定為潛在樹頂點（圖2）；對于判定混合的點，選取歸一化植被指數（NDVI），比值植被指數（SR），增強植被指數（EVI），大氣阻抗植被指數（ARVI）等植被指數，以及紅、綠、藍、紅邊、近紅外5個波段進行樹冠頂點識別，采用隨機森林算法對冠頂點特征差異識別的指標重要性進行排序，獲取實際樹冠頂點作為提取冠層的基礎數據。

圖1 單木樹冠的頂點識別Figure 1 Vertex identification of single tree canopy

圖2 樹頂點分布示意圖Figure 2 Probability of distribution of vertices of potential trees

2.2.2 杉木樹高的判定 用DSM表示研究區林分樹冠表面的海拔變化，用DEM表示立木基部的海拔高度變化，兩者相減即為數字冠層高度模型（CHM）［23］，可作為杉木樹高基礎數據（圖3）。構建CHM模型，以研究區1∶10 000地形圖（圖4）為基礎，在地理信息系統軟件（GIS）上生成不規則三角網（TIN），利用TIN的轉柵格功能，重采樣生成與DSM像元大小一致的DEM影像，即像元0.15 m［24-26］；DSM模型的實現則基于DOM影像利用計算機相鄰影像匹配，量測每個像素的視差，利用空中三角測量，自動計算、識別同名地物點，求得其像方坐標，經解算獲得物方空間坐標DSM［27-29］，然后將DSM影像進行配準和裁剪，生成覆蓋研究區的DSM影像。

圖3 樹冠高度模型（CHM）構建原理Figure 3 Canopy height model（CHM）construction principle

圖4 地形圖點選示意圖Figure 4 Topographic map selection point

3 結果與分析

3.1 樹冠頂點的識別

基于鄰域分析得到的潛在樹冠頂點，結合無人機獲取的DOM影像，通過目視抽樣的方法檢測隨機森林算法的訓練集，再利用不同指數在訓練集的樹冠頂點識別中重要性進行排序，得到歸一化植被指數（NDVI）＞比值植被指數（SR）＞大氣阻抗植被指數（ARVI）＞近紅外波段（NIR）＞藍色波段（BLUE）＞增強植被指數（EVI）＞紅色波段（RED）＞綠色波段（GREEN）＞紅邊波段（REDEDGE）（圖5）。選擇重要性較大的NDVI，SR，ARVI和NIR作為樹冠頂點識別指標，疊加隨機森林算法識別的樹頂點分類結果，剔除偽樹冠頂點（圖6），得到真實樹冠頂點（圖7）。試驗共得到潛在樹頂點6 629個，其中偽樹冠頂點1 483個，真樹冠頂點5 146個；C小班的潛在樹冠頂點和偽樹冠頂點數量均最多，分別為3 549個和977個，A小班最少，分別為984個和101個，基本實現潛在樹頂點的準確分類。結合研究區概況可知，A小班海拔高程較高，林分密度較小，C小班總體海拔高程低，而林分密度較大；由此推測，真實樹冠頂點識別的效果可能與林分密度和海拔高程有關。

圖5 變量重要性指標Figure 5 Variable importance index

圖6 偽樹冠頂點分布圖Figure 6 Pseudo-tree vertex distribution map

圖7 真實樹冠頂點分布圖Figure 7 Real tree vertex distribution map

3.2 冠層高度估測結果分析

基于無人機遙感影像判定杉木的真實樹冠頂點及樣地的DEM信息，提取隨機選取的60株杉木冠層高度信息，并將高度信息與實測的杉木高度進行比較分析，顯著性值小于0.000 01，表明提取樹高與實測樹高顯著相關，樹高相關性分析具有統計學意義。以無人機遙感影像提取數據為自變量，外業實測數據為因變量，建立線性函數關系（圖8）；相關性分析得到決定系數R2為0.85，提取樹高與實測樹高的相對誤差最小值為0.81%，最大值為23.48%，計算得到標準誤差（RMSE）為1.48 m，樹高估測精度為90.8%。由此可知：提取效果較佳，利用無人機高分辨率影像實現樹高估測的方法具有可行性。

3.3 高程對冠層高度提取的影響

對60株樣木樹高實測值和提取值的相對誤差與對應的DEM值作相關性分析，得到R2為0.84；樹高相對誤差隨著高程的變化而變化（圖9），兩者具有顯著相關性?；?0株樣木的不同高度信息，將其按高程劃分為 A 組（551.4～625.2 m）， B 組（498.6～551.4 m）和 C 組（434.8～498.6 m）3 組， 20 株·組-1，研究不同高程對杉木樹高無人機估測的影響。通過計算不同高程的樹高標準誤差和決定系數發現，高程對樹高提取有影響，3組樹高值的誤差分別為0.67，1.17和1.99 m；表現為隨著高程的降低樹高估測的標準誤差明顯增大。對3組樹高的測量值與真實值進行擬合（圖10），其決定系數分別為0.97，0.84和0.78；表明在相同影像空間分辨率下，高程較高的杉木由于距離無人機較近，提取精度更高，山坳或者山谷的杉木則不容易分辨。對采集到的影像進行分析發現，高程較低的區域林分密度較大，偽樹冠頂點總體增多，這些因素也是提取杉木樹高時精度存在較大差異的原因。

圖8 研究區杉木提取樹高與實測樹高結果的驗證分析Figure 8 Verification analysis of the tree height and the tree height of cunninghamia lanceolata in the research area

圖9 高程與相對誤差相關性分析Figure 9 Correlation analysis of DEM and relative error

圖10 不同高程杉木提取樹高與實測樹高比較Figure 10 Comparison of measured tree height and real tree height of different elevation

4 結論與討論

以杉木人工林為對象，利用無人機獲取遙感影像，通過隨機森林算法結合DSM多光譜波段和植被指數識別真實樹冠頂點，疊加DSM數據和地面DEM數據差值來構建CHM模型，實現杉木樹高提取。結果表明：①樹冠頂點識別的過程存在非樹冠頂點錯分現象；利用隨機森林算法結合植被指數和DSM多光譜波段可剔除錯分的樹冠頂點，同時可避免點云分割算法在提取樹冠頂點中的繁瑣運算，提高了樹冠頂點提取效率及精度。C小班的偽樹冠頂點數量最多，A小班最少，各小班偽樹冠頂點均為山坳處多，高程較低處多；分析原因是C小班的高程較低，地勢較為平坦，人工林的森林密度大，樹冠頂點識別錯誤的可能性增加；A小班的高程較高，不利于杉木人工林生長，造成森林密度較小，因而偽樹冠頂點誤分的概率減?。簧桔旰透叱梯^低處距離無人機較遠，影像易產生形變，樹冠頂點識別偏差。②點云數據生成DEM時，常因遮擋無法獲取完整的地面信息，精度誤差大［30］。本研究基于冠層高度模型等于數字表明模型與數字高程模型之差的估測思路，以根據地形圖生成的DEM作為樹高提取的基礎數據之一，很大程度上改善了DEM對樹高提取所帶來的影響；結合無人機獲取的DSM，有效實現杉木樹高的提取。提取樹高值與實測樹高值的偏差［31］，更多歸因于同一像元值的平均化，并非樹冠頂點真實值的反映，因而樹高估測中低值高估，高值低估的現象仍然存在；同時由于樹冠的遮擋，無人機搭載的多光譜鏡頭無法獲取林冠層以下的影像數據，只能將林分的最高點當作林木的樹高，是估測值存在一定誤差的另一原因。本試驗中提取樹高的決定系數R2為0.85，精度為90.8%，在總體上滿足林業對于樹高估測的精度要求［32］。③高程與估測樹高的相對誤差分析結果表明，高程與樹高相對誤差具有顯著相關性，其決定系數為0.84；不同高程下樹高的提取值與實測值存在相關性，A組（625.2～551.4 m），B組（551.4～498.6 m），C組（498.6～434.8 m）的決定系數分別是0.97，0.84和0.78，標準誤差分別是0.67，1.17和1.99 m。由此可知，高程變化對樹高提取精度有影響，高程越高相對誤差越小，其原因是高程對無人機獲取樣木影像的完整度和森林密度有影響。以上分析可以看出，DEM在南方丘陵山區數據應用上存在一定局限，因此將來可以使用與實際地形相似度更高的DEM數據進行樹高估測；DSM精度也是影響樹高提取精度的要素之一，改進DSM提取方法對提高樹高的提取精度具有重要意義。

基于無人機獲取的高分辨率遙感影像，經過模型構建、空間分析、技能算法識別等一系列處理，實現樹高遙感估測，能夠為高精度林木樹高估測提供有效途徑，表明高精度無人機遙感系統在林業調查中具有可行性，能夠快捷、有效且準確地獲取森林特征參數數據。