無人機載激光雷達人工林單木分割算法研究

于海洋,馮思偉,申洋洋,劉 鵬

(1.河南理工大學 自然資源部礦山時空信息與生態修復重點實驗室,河南 焦作 454003;2.河南理工大學測繪與國土信息工程學院,河南 焦作 454003)

1 引 言

森林可以調節氣候,涵養水源,人工林作為森林的重要組成部分,在生態環境治理與保護方面發揮著極其重要的作用[1]。無人機載激光雷達技術(UAV-LiDAR)作為一種利用激光器發射激光脈沖并接收物體表面返回信號的主動遙感技術,在快速精準地獲取林木三維結構、提取和反演森林參數等方面有著巨大優勢[2-4]。無人機載激光雷達單木分割是從UAV-LiDAR點云數據中分割出單木點云或定位到單木位置?，F有無人機載激光雷達單木分割算法分為兩類,一類是基于柵格數據-冠層高度模型(Canopy Height Model,CHM)進行分割,另一類是直接基于歸一化點云(Normalized Point Cloud,NPC)。全迎等[5]基于無人機載激光雷達點云數據,利用局部最大值濾波器探測單木樹頂,并以探測樹頂為標記,通過分水嶺分割勾繪單木樹冠,單木位置探測的精度達到0.445 m。陳日強等[6]使用標記控制分水嶺算法檢測與提取果樹樹冠,檢測精度達到95.03 %,樹冠輪廓提取準確率為86.39 %。基于點云的單木分割是在三維空間尺度上采用區域生長或聚類分割的算法分割出樹冠[7]。Yan等[8]開發了一種基于均值漂移聚類的自動分層單木分割方法,平均正確率、完整率和總體精度分別為0.90、0.88和0.89。Jaskierniak等[9]開發了一種聚類方法分割單株樹,在39個實地調查點中,正確分割樹木占測量樹木的85 %。

本研究采用基于CHM的分水嶺分割、鄰域增長和特征點決策樹以及基于點云的聚類分割算法分割人工林單木。采用單木探測率P、準確率R和F得分作為評價指標,分析四種算法的分割精度,尋找最優分割算法和最佳參數。

2 研究區概況與數據獲取

2.1 研究區概況

研究選取河南省焦作市市區(113°15′～113°16′E,35°10′～35°11′N)為實驗樣區,樣區內植被以人工種植喬木為主,種類豐富,主要樹種包括雪松(Cedrus deodara)、垂柳(Salix babylonica)、女貞(Ligustrum lucidum)、梧桐(Firmiana platanifolia)等。根據優勢樹種和林分密度差異在樣區選取四塊樣地,圖1為研究區位置、無人機飛行路線及樣地分布情況。

圖1 研究區位置Fig.1 Location of study area

2.2 數據獲取

論文激光雷達數據采集系統為深圳飛馬機器人科技公司生產的一體化航測無人機系統D-200 LiDAR版。LiDAR硬件系統集成了RIEGL mini VUX-1UAV激光雷達掃描儀、GNSS天線、高精度IMU定位定姿系統及高速存儲控制單元。傳感器波長905 nm,測量距離250 m。激光雷達數據采集時間為2019年7月15日,獲取12個航帶的數據,航線間距72 m,飛行高度120 m,飛行里程21.16 km,獲取的平均點云密度為65 pts·m-2。

采用GNSS測量樣地內每株單木位置信息,并以無人機同期采集的高分辨率影像作為研究的參考數據。其中樣地一、二為人工闊葉林,優勢樹種為女貞；樣地三、四為人工針葉林,優勢樹種為雪松。圖2為四塊樣地點云的高程渲染圖。

圖2 樣地點云Fig.2 Sample site cloud

3 單木分割3.1 單木分割方法

UAV-LiDAR點云數據預處理主要包括去噪、濾波、歸一化及生成CHM。論文首先采用基于空間分布的去噪算法去除原始點云包含的噪聲點,接著基于改進的漸進三角網加密算法(Improved Progressive TIN Densification,IPTD)[10]分離地面點云與非地面點云,然后對提取的地面點云采用克里金算法(Kriging)插值生成DEM。再利用生成的DEM,對去噪之后的激光點云歸一化處理。最后使用R環境(4.0.2)和Rstudio(1.3.1093)中lidR包Point-to-raster算法將高度歸一化后的點云數據插值生成CHM,采用數字表面模型計算算法對CHM進行平滑處理來填充CHM生成過程中產生的空值或“孔洞”[11]。

采用局部最大值算法探測經過平滑處理后的CHM上單木頂點,基于CHM樹頂探測的結果采用分水嶺分割算法[12]、特征點決策樹[13]、CHM鄰域增長[14]分割單木；基于歸一化點云采用點云聚類分割算法[15]分割單木。

為了驗證單木分割的準確性,將分割結果與樣地調查數據對照,通過計算P、R、F來評估單木分割效果。計算方法如下:

(1)

(2)

(3)

式中,P代表分割正確率;R代表單木探測率;F代表錯分和漏分的總精度。其中,TP是分割正確的單木的數量;FP是分割錯誤的單木的數量;FN是遺漏分割單木的數量[16]。

3.2 單木分割結果分析

3.2.1 單木分割結果目視評價

圖3為四塊樣地經過平滑處理后的CHM單木樹頂探測結果,四塊樣地實測單木272株,探測樹頂點數267個,平均探測率達到0.98。

圖3 單木樹頂探測結果示意圖Fig.3 Schematic diagram of single tree top detection results

四種分割算法分割結果如圖4所示,由圖可知,分水嶺算法分割效果較好,總體正確分割單木株數較多,尤其是在林分稀疏的樣地一、三,但在林分密集的樣地存在漏分與錯分情況。四塊樣地中,特征點決策樹算法在樣地三分割效果最好。樣地一雖同屬稀疏林分,但樣地女貞單木植株較小,特征點決策樹算法應用在此樣地時冠幅較小的單木容易漏分。樣地四與樣地三稀疏雪松樣地雪松樹齡相似,但樣地四種植密度較大,樹冠相連,部分單木未能正確分割。CHM鄰域增長算法在林分稀疏樣地分割結果優于林分密集樣地,在林分密集的樣地漏分現象明顯重于稀疏樣地。點云聚類分割算法在四塊樣地分割時存在漏分現象,特別是在單木之間距離大小不一的樣地漏分現象比較明顯,同時對于一些樹冠大小不一的樣地存在分割過度。

圖4 單木分割結果示意圖Fig.4 Schematic diagram of single wood segmentation results

3.2.2 不同算法單木分割精度分析

表1顯示了四塊樣地單木分割精度,總體上分割結果較好,F值從0.72～0.98不等,總體F值達到0.89；單木分割準確率R值從0.62～1不等,總體值為0.85；單木檢測率P從0.79～1不等,總體值為0.94。四塊樣地四種算法共分割963株單木,其中正確分割909株,遺漏了179株單木,錯誤分割54株,分割不足大于分割過度。

表1 基于無人機載激光雷達的單木分割精度評價結果Tab.1 Accuracy evaluation results of single tree segmentation based on UAV LiDAR

四種算法在不同林分的樣地中分割精度都有差異,但也具有一定規律。對于樣地一,分水嶺、CHM鄰域增長有著更高的分割精度。對于樣地二,特征點決策樹能最有效的分割單木。樣地三,分水嶺分割和特征點決策樹分割效果更好。對于樣地四,分水嶺分割效果最好。從整體的分割結果來看,林分稀疏的樣地比林分密集樣地分割精度更高,四種算法中,分水嶺分割單木精確性和適應性最好。

3.2.3 柵格分辨率對基于CHM分割結果影響分析

CHM本質上是柵格數據,為尋找最適合基于CHM分割算法的柵格分辨率,以樣地三為例,分別選取柵格分辨率為 0.1 m×0.1 m、0.3 m×0.3 m、0.5 m×0.5 m、1 m×1 m的 CHM分析分水嶺分割、特征點決策樹、CHM鄰域增長分割算法柵格大小敏感性,結果如圖5。三種分割算法中0.3 m×0.3 m分辨率F值均為最高,其次為0.1 m×0.1 m。0.1 m×0.1m 分辨率P值低于0.3 m×0.3 m分辨率,主要是因為CHM分辨率過大,CHM表面出現很多與真實冠層高度不相符的凹凸坑,進而出現單個樹冠被分為多個的過分割現象。分辨率的F值最低的為1 m×1 m。分析原因為分辨率過小,冠層高度過于平滑,局部最高點模糊,遺漏分割現象較明顯。

圖5 基于CHM分割算法柵格分辨率敏感性分析統計Fig.5 Statistical analysis of grid resolution sensitivity based on CHM segmentation algorithm

3.2.4 UAV-LiDAR點云密度對點云聚類分割結果影響分析

為了測試點云密度對點云聚類分割的影響,將樣地三激光雷達點云從原始密度100 %(65 pts·m-2)分別抽稀至50 %(32 pts·m-2)、20 %(13 pts·m-2)和10 %(6.5 pts·m-2)。圖6顯示出了100 %、50 %、20 %、10 %密度點云以及具有四個點云密度的樣地點云聚類分割效果。(a)、(b)、(c)、(d)分別為100 %、50 %、20、10 %密度 UAV-LiDAR點云。(a1)、(b1)、(c1)、(d1)分別為100 %、50 %、20 %、10 %密度的點云聚類分割單木分割效果。(a2)、(b2)、(c2)、(d2)分別為在100 %、50 %、20 %、10 %密度時UAV-LiDAR單木分割的二維效果,(a3)、(b3)、(c3)、(d3)分別為在100 %、50 %、20 %、10 %密度時UAV-LiDAR單木分割的三維凸包。這些結果顯示所有密度下點云聚類分割算法都成功地檢測到了單木。

圖6 UAV LiDAR點云100 %、50 %、20 %、10 %密度時點云聚類分割結果Fig.6 Segmentation results of UAV LIDAR point clouds with 100 %,50 %,20 % and 10 % density

從不同點云密度下點云聚類分割結果表(如表2所示)可以看出隨著點云密度的降低,樣地被正確識別的單木數量在降低,點云密度100 %時正確識別的樹為23株,當點云密度下降到 10 %,正確識別的樹也下降至16株。此外漏分的單木的數量呈增加趨勢,當點云密度為 100 %時,漏分的樹木為9株,當點云密度下降到10 %時,漏分的樹木增至 16株。錯分的單木數量隨著點云密度的下降呈增加趨勢,當點云密度為 100 %時,錯分的樹木為5株,當點云密度下降到 10 %時,錯分的株數為7株?？傮w分類精度成下降趨勢,當點云密度為 100 %,F值為 0.77,當點云精度降至50 %,F值仍維持在良好的狀態為 0.72,當點云密度為10 %,F值降到 0.58,F值降低了 0.19。

表2 不同點云密度下點云聚類算法的單木分割結果Tab.2 Single tree segmentation results of point cloud clustering algorithm under different point cloud density

4 結 論

無人機載激光雷達作為一種新興的主動遙感技術,能夠精確估計植被和地形高度,在分割單木、獲取單木參數信息等精準林業研究中發揮了重要作用。本研究對基于UAV-LiDAR點云數據的單木分割算法進行了系統研究,結果如下:

(1)基于無人機載激光雷達技術分割單木結果較好,單木分割準確率R值總體為0.85；單木探測率P值總體為0.94。林分稀疏的樣地比林分密集樣地分割精度更高,四種算法中,分水嶺分割單木精確性和適應性最好。

(2)選擇合適的CHM分辨率有助于提高單木分割精度,柵格分辨率為0.3 m×0.3 m時基于CHM分割算法分割結果均為最優。

(3)點云聚類分割算法分割單木效果的好壞與樣地內樹木點云密度大小有關,且隨著點云密度的降低,點云聚類分割算法分割精度降低。當點云密度為 100 %(65 pts·m-2),F值為 0.77,當點云密度為10 %(6.5 pts·m-2),F值為 0.58,F值降低0.19。