南方丘陵區林下植被覆蓋度無人機多角度遙感測量

王瑞璠 ，魏倪彬 ，張倉皓 ，鮑甜甜 ，劉健 ，余坤勇 ，王帆 *

1. 福建農林大學林學院，福建 福州 350002；2. 福建農林大學/3s技術與資源優化利用福建省高等學校重點實驗室，福建 福州 350002

林下植被指在森林系統中位于喬木冠層下的灌草植被（Yolanda et al.，2018；焦桐等，2014），是森林生態系統中重要的組成部分。林下植被覆蓋度是描述地表覆蓋林下植被情況的重要參數，可作為探查水土流失情況的指標（Chen et al.，2021；Pandey et al.，2021；Sharda et al.，2021）?？焖佾@取林下植被覆蓋度的空間分布可為水土流失精準治理提供數據參考。

搭載近距離觀測平臺的無人機系統可在精細尺度上得到地面植被高分辨率圖像，為林下植被覆蓋度的遙感量化提供技術支撐（Yang et al.，2017；Tolga，2019；Hartley et al.，2020；Anderson et al.，2021）。由于無人機影像本身為二維數據，很難直接顯示森林垂直結構，但無人機影像蘊含較豐富的三維信息。Li et al.（2020）利用無人機相片擬合點云，在高維視角中尋求信息并將其投回二維平面，以此提出了一種估算林下植被覆蓋度的方法。然而現有研究中，無人機估算植被參數大多基于正射影像（韓文霆等，2021；徐逸等，2021；楊蜀秦等，2021；張倉皓等，2020），單角度無人機（包括點云）數據只能表征地物在一個方向的投影，缺乏足夠的信息來反映其空間結構（Forrest et al.，2008）。多角度觀測可以得到地物多方面信息，提高信息豐度（Yan et al.，2019）。相對于單一角度遙感，多角度遙感信息能提取出更詳盡可靠的空間參數，從而降低定量過程中的不確定性（Yao et al.，2021；閻廣建等，2021）。Lin et al.（2021）探討了從無人機多角度相片所生成的點云來估算森林葉面積指數的方法，Yan et al.（2019）利用無人機多角度圖像研究多角度遙感在植被精細分類中的應用，其結果證明多角度方案對植被參數的估算具有良好的效果。但地形起伏地區林下植被覆蓋度無人機多角度遙感量化機制尚未得到充分闡釋。

無人機測量林下植被需要反演林下地形。地形反演是指剔除非地面點后對地面點進行建模（Meng et al.，2017）。無人機影像包括林冠層與林下植被信息，需要利用高程差分離出林下植被信息。合理剔除冠層點的能力決定林下地形反演的精度（Na et al.，2020）。山地地形起伏通常會造成高程突變（Kláp?tě et al.，2020），從而導致植被的離散分布（江海英等，2020）。Zhang et al.（2016）從點云的角度對植被與非植被進行區分。通過確認植被形態與地形緩急，按情景翻轉點云并模擬布料下落，排除植被點，得出真實地形；植被離散意味著區域地表裸露程度高，利用點云布料濾波（Cloth Simulation Filter，CSF）算法，能較準確地保留地面點云，保證地形反演精度。而植被連續區域地形信息不明確，無人機點云數據只能表達森林表層信息，反演地形精度較差。地圖森林密度算法（Map Forest Density）利用點云密度分離樹冠與地面，并利用兩者高程差模擬冠層高度模型（Canopy Height Model，CHM），從而得到地形信息。該方式對林下地形整體趨勢把握較好，可為植被連續型區域的地形反演提供可行技術。

鑒于此，本文試圖選取長汀縣河田鎮作為研究區域，基于無人機多角度遙感數據，運用圖像處理與空間分析的思想，從而總結提出地形起伏區小尺度植被形態識別與地形反演方法，同時闡明無人機量化林下植被覆蓋度的多角度耦合機質，旨在提出一種適合南方丘陵區林下植被覆蓋度的遙感量化方法，為無人機定量林下植被提供理論依據與數據參考。

1 研究區域概況

河田鎮位于福建省西部，地處 25°35′—25°46′N，116°16′—116°30′E 之間，總面積約 296 km2。全地多山地丘陵地貌，地形起伏較大且河網密布，年降雨量1700 mm，土壤以紅壤為主。研究區主要喬木為馬尾松（Pinus massoniana），其占所有林地面積的80%左右，林下植被則以芒萁（Dicranopteris dichotoma）為主(王敬哲等,2020)。根據當地情況，選取平坦地形（坡度5°—10°）樣地4個，其中中郁閉度樣地（郁閉度0.3—0.5）2個，低郁閉度（郁閉度＜0.3）樣地2個；緩坡地形（坡度10°—20°）樣地6個，其中中郁閉度樣地2個，低郁閉度樣地4個；陡坡地形（坡度20°—25°）樣地4個，其中中郁閉度樣地2個，低郁閉度樣地2個，共14個20 m×20 m馬尾松林實驗樣地，其分布如圖1所示。

圖1 實驗樣地示意圖Fig. 1 Schematic diagram of experimental plot

本研究認為，當喬木冠層連續面積超過總面積40%情況下，認定該樣地植被為連續型，反之則為離散型，具體圖示如圖2所示（為使描述準確，示意圖采用DSM數據表示）。

圖2 植被類型示例圖Fig. 2 Sample graph of vegetation types

2 數據與方法

2.1 數據來源

2.1.1 地面數據

地面數據用于無人機定量林下植被覆蓋度結果的精度驗證與誤差評估（趙長森等，2019）。本研究使用尼康D7000單反相機，拍攝前對相機光圈優先模式、自動曝光、自動對焦、ISO 100和植物與風景場景等參數進行設置。沿實驗樣地對角線，每隔3 m在距地面約1.5 m處（Niederheiser et al.，2021），分別拍攝林下植被與林冠層相片（Maalek，2021）。相片分辨率為4000×6000 pixels。同時在每個樣地放置4個白板并記錄其位置與高程信息。

2.1.2 無人機數據

鏡頭傾斜視角過大會導致同名點匹配關系較低（Lin et al.，2021），因此，研究設置3個傾斜角度（10°、20°、30°）。采用搭載 Mica Sense Red Edge多光譜鏡頭（可見光+近紅外+紅邊波段）的大疆精靈4無人機系統，通過正交飛行方式在無風且陽光充足（11:00—02:00）時段采集無人機傾斜視角和天頂視角（0°）的多光譜影像數據。無人機飛行高度50—70 m，航向和側向的重疊率均為85%，其影像分辨率為0.05 m。為保證樣地影像的完整性，實際拍攝范圍在樣地邊界做了 15 m外延。采用PhotoScan（https://www.agisoft.com）軟件對無人機可見光波段進行預處理，生成數字正射影像圖（Digital Orthophoto Map，DOM）及±10°/±20°/±30°的傾斜攝影影像圖。通過白板數據校正與紋理參數調整，完成傾斜攝影影像在樣地中心的角度校正，從而確保對植物垂直投影面積的有效提取。

2.2 研究方法

2.2.1 整體技術流程

本研究先期預處理無人機相片從而得到正射影像與傾斜攝影影像及其點云數據，而后利用半高斯擬合法分離出綠色像元。此時綠色像元包括林冠層與林下植被層。將點云數據柵格化得到樣地表面模型，利用區域最大值法區分植被形態，并依照形態各自反演地形得到高程模型，利用兩者高程差分離出林下植被，并依照公式進行林下植被覆蓋度計算，最后利用地面調查數據驗證精度。

具體流程如圖3所示。

圖3 植被參數估算流程示意圖Fig. 3 Flow chart of vegetation inversion technology

2.2.2 地形反演方法

地形反演用來剔除樹冠以突出圖像綠色中林下植被信息。布料濾波算法是將點云翻轉并模擬布料下落，并假定布料最先觸碰到的物體為地面，通過多個布料下落結果擬合地面高程；地圖森林密度算法利用點云高程密度的不同擬合出樹冠高度，得到數字高程模型。

利用ArcGIS空間分析模塊中的焦點統計工具，對數字表面模型數據進行山頂點分析，通過分析頂點緩沖區重疊率，判斷該地區植被是否連續（Na et al.，2020）。若植被為離散型分布，采用開源的布料模擬濾波算法工具獲取數字高程模型；若植被為連續型分布，則植被與地面之間的區別不明顯，采用地圖森林密度算法（Map Forest Density）反演地形，該算法由 ENVI 5.5.3提供（https://www.l3harrisgeospatial.com/docs/SampleLiDARForestDen sity.html）。

2.2.3 林下植被覆蓋度計算公式與估算方法

本研究以高程2 m為閾值，區分林冠層和林下植被（Li et al.，2020）。林下植被覆蓋度（Understory vegetation cover，CUV）計算公式如下：

式中：

PAll——相片總像元；

PGreen——綠色植被所占據的像元。

準確分離出林下植被是量化林下植被覆蓋度的關鍵。作為一種針對無人機影像中綠色覆蓋的估計方法，基于直方圖的半高斯擬合閾值法（HAGFVC）主要解決分離無人機綠色與非綠色像元的問題（Li et al.，2018），可精準提取林下植被。

單角度無人機圖像測量林下植被，首先采用基于直方圖的半高斯擬合（HAGFVC）方法分離植被與非植被點，隨后利用地形反演后林冠層和林下植被的高程差，分離林冠層與林下植被層。長汀林下植被主要為芒萁，芒萁的高度一般不超過1.3 m，故設置高度閾值為2 m，分離出林下植被范圍。

式中：

H(x)——半高斯分布函數；

μ——均值；

σ——標準差。

多角度無人機圖像測量林下植被，則以正射影像為基礎數據，首先計算正射影像中林下植被范圍，再分別計算10°、20°、30°影像林下植被范圍，對比傾斜攝影影像林下植被范圍與正射影像林下植被范圍的不同，并計算不同處的像元數量。將其與正射影像得到林下范圍疊加，采用SLIC函數超像素分割疊加結果以求二值化更貼合植被形態，同時對二值掩模圖像進行形態學膨脹。使用15×15（Li et al.，2020）的膨脹參數，從而得到膨脹的掩模圖像，即可得到較準確的林下植被覆蓋度。

2.2.4 地面數據計算方法

本研究使用MATLAB 2018a內置的SLIC函數實現超像素分割（Achanta et al.，2012）。將每個相機拍攝的RGB圖像分割成超像素圖像，每個超像素圖像結果大約包含10000個分割結果，保留每個分割結果中的平均顏色。該方法能降低相片曝光程度，并較好勾勒出植被形態。利用閾值分割將林下植被范圍顯示出來，從而得到單點的林下植被覆蓋度。

利用ArcGIS 10.2的克里金插值模塊擬合變異函數，從而對樣地的郁閉度與林下植被覆蓋度進行內插。再結合地理統計分析，得到樣地郁閉度與林下植被覆蓋度的平均值。克里金插值（胡小芳等，2020）的通用公式為：

式中：

Z(Xi)——i處位置的實測郁閉度與林下植被覆蓋度；

λi——i處的權重；

n——實測值數量；

X0——預測位置。

3 結果與分析

3.1 基于無人機遙感影像反演地形

通過局部最大值分析先期判斷植被形態，并依據植被形態采用不同方法反演各樣地地形。典型樣地處理結果如表1所示。

表1 典型樣地處理結果Table 1 Treatment results of typical sample plots

為驗證地形反演精度，利用無人機 RTK測得樣地白板高程。將 14個樣地實測高程與反演高程做回歸分析，反演精度用決定系數R2與均方根誤差RMSE表示（陳秋計等，2020）。

表2顯示各樣地植被形態、地形因子與地形反演精度情況，其中，地形起伏是樣地中最大高程與最低高程之差，RMSEcloth是由RTK所測白板高程與布料濾波算法反演地形后所得白板高程計算得到，RMSEmap是由白板高程與地圖森林密度算法反演地形后白板高程計算得到。由表可知，樣地平均坡度集中于5—10°與17—22°區間，地形起伏多在2—10 m區間。RMSEcloth值在0.069—3.528 m之間，其中RMSEcloth＞1部分均為植被連續型樣地，同時，RMSEmap值在0.210—1.856 m之間，但該方法反演地形植被離散型樣地結果整體低于布料濾波算法。若植被離散型樣地采用布料濾波算法，植被連續型樣地采用地圖布料濾波算法，則離散型樣地平均RMSE為0.400 m，連續型樣地平均RMSE為0.518 m，兩者RMSE均未超過1 m。此時，各植被形態樣地按照其技術路線反演地形，其驗證結果如圖4所示。

圖4 地形反演精度Fig. 4 Accuracy of terrain inversion

表2 樣地信息與地形情況Table 2 Plot information and topography

圖4表明不同植被形態樣地采用相應方法反演地形，其結果具有較高的精度，同時展示出本文方法對不同植被形態樣地蘊含的地形特征均具有較好的自適應性。由此可認為本文中數字表面模型與數字高程模型的高程差能夠較精準地分離出冠層與地面，為林冠層與林下植被的分離提供良好的數據支撐。

3.2 單一角度無人機遙感定量林下植被

林下植被計算如圖5所示：圖5a所示為剔除冠層的無人機正射影像；圖5b所示無人機影像進行超像素分割后結果；圖5c所示為利用半高斯擬合閾值法分割圖5b后得到的二維掩膜圖像，圖5d所示對二維掩膜圖像進行形態學上膨脹方法所得出結果。

圖5 林下植被覆蓋范圍計算Fig. 5 Calculation of understory vegetation coverage

為驗證單一角度定量植被精度，將實測參數與估算得到的植被參數進行線性回歸分析，其結果如圖6所示。

由圖6所示，在各角度無人機影像定量林下植被的結果中，20°無人機遙感影像反演得到的植被參數精度最高，R2為0.459，RMSE為0.166；正射影像的精度次之，R2為0.445，RMSE為0.169；10°影像精度次之，R2為0.413，RMSE為0.190；30°影像精度最差，R2為0.337，RMSE為0.243。

圖6 各角度線性回歸結果Fig. 6 Linear regression results of each angle

3.3 多角度耦合無人機遙感影像定量林下植被

以正射影像林下信息為基礎，加之傾斜攝影影像林下信息進行補充，最終得到林下植被覆蓋度與郁閉度的多角度估算結果。將實測參數與估算得到的植被參數進行線性回歸分析驗證多角度定量植被精度，結果如圖7所示。

圖7 多角度UVC線性回歸結果Fig. 7 Multi angle linear regression results of UVC

多角度耦合精度較高，R2為0.675， RMSE為0.102。將多角度無人機影像定量林下植被的結果與單一角度對比，多角度估算精度明顯提高，其中多角度 R2較傾斜 0°R2提高 51%，較傾斜 10°R2提高65%，較傾斜 20°R2提高 44%；較傾斜 30°R2提高94%。多角度RMSE較傾斜0°RMSE降低39%；較傾斜 10°RMSE降低 41%；較傾斜 20°RMSE降低45%；較傾斜30°RMSE降低58%。

4 討論

4.1 植被形態對林下地形反演精度的影響

在本研究中，林下地形反演方法需依據該區域植被形態而定。植被離散型地區采用點云布料濾波算法濾除植被點云得到地面；植被連續型區域采用地圖森林密度算法擬合冠層并降低冠高來擬合地面。不同形態得到的反演精度也不同。本研究結果表明，提取地形起伏區植被高度信息上離散植被區域的反演精度更高，其平均RMSE為0.400 m；植被連續型區域精度略低，其平均RMSE為0.518 m，這主要是由于植被形態與地形差異所致。

本研究發現布料濾波算法反演植被離散型區域地形顯著有效，精度也較高。原因是植被離散意味著植被間裸露的地面較多，暴露的地形信息也較明顯。利用布料濾波算法移除植被點云，利用空間插值算法填補移除植被后的空白，即可較精準地得到地面點云，從而得到數字高程模型。但是，同時也發現，點云布料濾波算法并不適用于植被連續型區域。因為植被連續型區域中地面裸露較少或者不裸露，地形信息顯示不明顯。由于無人機點云數據只能體現森林表面，樹冠高會干擾布料下落，導致樹冠點云剔除不完全，反演地形的結果較差。此時，地圖森林密度算法從數據角度擬合地形，擬合結果趨于保守。結果體現林下地形整體趨勢較好，單個點的精度稍差一些。但較之布料濾波算法而言，該方法對植被連續型區域的地形反演顯著有效。

4.2 無人機多角度對林下植被覆蓋度量化的影響

無人機單一角度影像顯示的林下植被信息并不全面，導致單一角度影像定量林下植被的精度不高。本研究發現，20°影像反定量林下植被精度最高，正射影像的精度次之，10°影像精度再次之，30°影像計算出的林下植被覆蓋度精度最低。導致該現象的原因是不同角度影像會顯示出不同的林下植被。

以正射影像為基準，10°影像可能由于偏轉角度過低，樹冠對林下植被的遮蔽仍然存在，導致精度不高；30°影像可能由于偏轉角度的過大導致點云匹配錯位，其柵格化結果與0°影像柵格化結果存在較大差距，導致精度較低；而 20°影像可能是偏轉角度較適宜，樹冠遮蔽情況較少，其DSM數據與正射影像擬合的DSM數據差距也不大，所以精度最高，但也不足以精準計算林下植被覆蓋度。

多角度遙感可以提取在相近時間段內獲取目標地物多個角度的觀測影像。利用不同觀測角度得到的影像，可以填補單角度信息的空白，因此，多角度影像耦合提高了林下植被的信息豐度，定量林下植被的精度也顯著增加。

5 結論

以長汀縣河田鎮為研究區域，以無人機多角度遙感數據為基礎，依據植被形態反演出林下地形，利用高程差分離出林下植被，在傾斜攝影影像中提取正射影像未顯現的林下信息，利用形態學膨脹彌合樹冠遮擋的誤差，計算林下植被覆蓋度。同時結合地面采集數據驗證精度并評判定量結果。結果表明：本論文提出的植被形態劃分標準在小尺度上評判植被形態較準確，并且針對不同植被類型樣地提出的地形反演方法精度達到分離冠層與地面的要求；無人機單角度測量林下植被覆蓋度的精度不足以準確評判樣地林下植被情況，而無人機多角度影像耦合得到的信息憑借其充足的信息豐度能夠較精準地測量林下植被覆蓋度，可為林下植被定量估測提供理論依據與技術支持。

本研究在樣地選取時，過多集中于研究區域的北部，所能體現的空間異質信息不足。在后續的研究中，將繼續補充河田鎮其他區域的數據，以保證研究樣地在空間上的多樣性。同時，針對無人機點云只能獲取表層數據的問題，后續研究將考慮利用激光雷達采集樣地數據，探求森林內部信息。