基于無人機三維信息的杉木新造林林分參數遙感估測研究

郝振幫 林麗麗 余坤勇 劉 健,4 趙各進 李明慧 宋賢芬 楊柳青

（1. 福建農林大學林學院，福建 福州 350002；2. 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；3. 閩南師范大學生物科學與技術學院，福建 漳州 363000；4. 福建農林大學藝術學院園林學院，福建 福州 350002）

目前，許多國家為抵消溫室氣體排放而進行了大規模的植樹造林活動，實時、準確地獲取這些新造林的基礎信息對科學制定森林經營管理方案極為重要[1]。實地調查可以獲取森林參數的準確信息，但往往低效費時[2-3]。遙感技術以高空間分辨率、便捷性等優勢，為林分參數的快速、準確獲取提供了有效的替代方法[4]。特別是無人機遙感技術的發展和完善，使其逐漸成為森林資源管理中越來越重要的監測工具[5]。

在過去的十多年中，攝影測量技術的發展和普及使得無人機遙感技術在林業領域得到了廣泛的應用。特別是運動結構恢復算法（SfM）實現了從遙感光學圖像數據中獲取數字表面模型（DSM），以及大量的算法被開發利用從DSM 中獲取冠層高度模型（CHM）來提取植物高度[6-7]和冠層大小[8-9]等森林基礎信息，如局部最大值/最小值檢測[10]、邊緣檢測[11]、分水嶺算法[12]、區域增長法[8]、模板匹配[13]以及深度學習算法[4,14-15]等。已有研究通過對比分析了5 種不同遙感平臺對樹高估測精度的影響[6]，發現無人機遙感技術對樹高的估測精度最高。在使用深度學習算法實現樹冠邊界檢測的基礎上，研究者借助區域統計分析方法實現了樹高和樹冠的信息提取[16]。但這些技術主要集中在果樹和成熟林分的監測中，鮮有研究關注遙感技術在新造林監測中的應用。

新造林的管理作為森林經營活動中關鍵的一環，其經營的成功或失敗對林分的發展具有長期的影響[17]。杉木（Cunninghamia lanceolata）是我國人工林中面積最大的造林樹種，實時且準確地獲取杉木造林地的林分基礎信息對杉木新造林的經營管理尤為重要。本研究基于低成本無人機獲得的三維信息，結合局部最大值算法和分水嶺算法從單木和林分，2 個層次分析無人機遙感技術對杉木新造林樹高和南北冠幅的估測精度，進而探討無人機遙感技術對杉木新造林林分參數監測的可行性。

1 材料與方法

1.1 標準地設置與野外數據獲取

研究地點位于閩北杉木的中心產區之一——福建省南平市順昌縣埔上國有林場。屬于亞熱帶海洋性季風氣候，年平均氣溫18.5 ℃，年平均降雨1 756 mm，地形以低山丘陵為主。研究區位于北緯26.922 623°，東經117.756 697°；平均海拔174～226 m，坡度27.8°。選定的杉木為2018 年初種植的苗木，初植密度為1.5 m × 2 m，包含多個品種的杉木。根據不同品種在研究區內共設置了15 個標準地，各標準地從山腳到山頂進行劃分，每個標準地之間種植一行闊葉樹作為隔離帶。于2019年初對標準地內的死亡杉木進行補植，2019 年底進行人工除草。

野外數據采集主要包括15 個標準地內所有杉木的樹高和南北冠幅，研究采用測量桿共測定了標準地內1 238 棵杉木的樹高和南北冠幅，將各標準地內所有杉木樹高和南北冠幅的均值作為對應標準地的平均樹高和平均南北冠幅，調查結果見表1。在此基礎上，根據單木水平的研究需要，將研究區劃分為區域一和區域二。在區域一和區域二內，利用現有道路和大塊石頭等作為參照物，通過與影像圖進行對比，實現研究區內265棵杉木的實地位置與遙感圖中位置的精確對應，其中區域一167 棵杉木，區域二98 棵杉木，樹高（0.95～4.01 m）基本涵蓋了整個研究區1 238 棵杉木的樹高分布范圍，區域一和區域二內具有精確位置的所有杉木的樹高和南北冠幅的最小值、最大值和平均值的描述性統計見表2。

表1 研究區15 個標準地杉木樹高和冠幅大小描述性統計Table 1 Tree height and crown size statistics of Chinese fir in 15 standard plots

表2 研究區265 棵杉木樹高和冠幅大小描述性統計Table 2 Tree height and crown size statistics of 265 Chinese fir in study area

1.2 遙感數據獲取及預處理

2019 年12 月，采用大疆Phantom 4 Multispectral 無人機獲取除草后的研究區影像圖。受研究區地形起伏及研究需要，杉木新造林區域的無人機飛行作業分2 次完成，分別獲取區域一和區域二的遙感影像圖（圖1）。無人機飛行高度均設置為30 m，航向重疊率為80%，旁向重疊率為80%，且將各區域的最高點作為無人機的起飛點。同時為獲取高精度的航點GPS 數據，在飛行過程中將無人機與D-RTK 2 移動站進行連接（水平精度為2 cm，垂直精度為3 cm）。

圖1 研究區的無人機影像Fig. 1 Images of unmanned aerial vehicle

Phantom 4 Multispectral 無人機搭載的集成一個可見光相機和5 個多光譜相機的一體式多光譜成像系統可以在1 次飛行中獲得可見光（RGB）、紅（Red）、綠（Green）、藍（Blue）、紅邊（Red edge）和近紅外（NIR）6 個不同的影像信息，其中2 個飛行區域分別獲得1 962 和3 654 張原始影像圖。采用大疆智圖軟件（DJI Terra）完成原始影像的拼接，獲得研究區內RGB、Red、Green、Blue、Red edge、NIR 的正射影像和DSM，并將Red、Green、Blue、Red edge、NIR 合成為研究區多光譜影像，分辨率為0.76 cm。其中，區域一的影像覆蓋面積為0.36 hm2，區域二的影像覆蓋面積為0.69 hm2。由于DJI Terra 不能自動生成CHM，研究通過DSM 與數字高程模型（DEM）相減提取研究區的CHM。主要處理過程如下：1）結合研究區多光譜影像數據和DSM 數據，在ArcMap 10.6 軟件中通過目視識別影像中的非林地位置并手動創建地面點，區域一和區域二分別獲得2 281和3 238 個地面點；2）通過Extract Multi Values to Points 工具提取地面點對應DSM 的值，即地面高程，并采用Kriging 工具對地面點進行插值創建DEM；3）使用Raster Calculator 工具從DSM 中減去DEM 獲得CHM。所有影像分辨率均重采樣為2 cm。

1.3 樹高遙感估測方法

本研究基于局部最大值算法的原理，使用ArcMap 10.6 軟件實現杉木的樹高提取。局部最大值算法實現樹高測定的原理是通過設置一個固定大小的最大值篩選窗口來尋找CHM 影像數據中對應窗口內局部最大值的點作為樹冠頂點，對應位置的CHM 值即樹高。主要步驟如下：1）使用半徑為0.1 m 的圓形濾波窗口對CHM 進行均值平滑處理；2）利用Focal Statistics 工具對濾波后的CHM 進行局部最大值提取，其窗口屬性設置為圓形，半徑為0.5 m；3）對步驟1）和步驟2）中獲得的2 張影像進行求差并提取值為0 的柵格；4）將柵格轉為點，提取每個點對應CHM 上的值即樹高，并刪除高度值小于0.3 m 的點剔除地面雜草和石塊[18]（圖2）。

圖2 研究區樹高測定示意圖Fig. 2 Diagram of tree height detection in study area

1.4 冠幅遙感估測方法

本研究采用基于極值標記的分水嶺算法，在ArcMap 10.6 軟件中實現自動化的杉木冠幅提取。分水嶺算法實現樹冠分割的原理是先將樹冠進行反向處理，將樹冠變為一個集水區，之后基于地理形態分析的圖像分割算法，通過模仿地理結構將一幅圖像分為若干個互不相交的小局域來實現對樹冠的分割。主要處理步驟如下：1）使用研究區的任意常數柵格與CHM 影像相減獲得研究區的反向冠層高度模型；2）借助局部極值原理獲取負冠層高度模型中的局部最小值作為集水區算法的傾瀉點數據；3）以填挖后的負冠層高度模型為輸入數據獲取流向數據；4）結合流向和傾瀉點數據獲取研究區對應每棵杉木的集水區shp 圖；5）用0.3 m 的常數柵格截取研究區的CHM 圖并將結果轉為矢量圖[18]，并與集水區shp 圖相交，相交結果即為研究區杉木的樹冠區域；6）最后獲取每棵杉木樹冠區域的四至圖，其南北距離即對應杉木遙感估測的南北冠幅（圖3）。

圖3 研究區樹冠檢測和冠幅測量示意Fig. 3 Example of tree crown delineation and crown size measurement in the study area

1.5 數據精度驗證

為了評估無人機三維遙感提取樹高和冠幅的可靠性，本研究分別從單木和林分兩個層次評價其估測精度。在單木水平上，以265 棵具有精確位置信息的杉木實測樹高和南北冠幅作為參考，對遙感估測的樹高與南北冠幅進行精度驗證。在林分水平上，使用15 個標準地的實測平均樹高和平均南北冠幅對相應標準地的遙感估測平均樹高和平均南北冠幅進行精度驗證。采用決定系數（R2）、均方根誤差（RMSE）和估測精度（EA）3 個指標對遙感估測的樹高和南北冠幅進行精度評價。

式中：yi為實測數據，xi為估測數據，為實測數據平均值，為估測數據平均值，n為樣本數。

2 結果與分析

2.1 單木水平杉木樹高和冠幅提取精度分析

在單木水平上，樹高估測結果見圖4。由圖4可知，分別對兩個區域遙感估測的樹高進行精度評估時，區域一R2為0.89、RMSE 為23.58 cm、EA為90.86%，區域二R2為0.88、RMSE 為20.14 cm、EA 為91.34%。兩個區域合并時（265 棵杉木），R2為0.89、RMSE 為22.37 cm、EA 為91.00%。

冠幅估測結果見圖5。遙感估測的區域一和區域二南北冠幅均值分別為1.54 m 和1.50 m。與實測的南北冠幅相比，可知區域一R2為0.77、RMSE為25.39 cm、EA 為83.55%，區域二R2為0.64、RMSE 為24.02 cm、EA 為83.95%。兩個區域合并 時，R2為0.70、 RMSE 為27.33 cm、 EA 為82.22%。

圖4 單木水平的樹高估測精度比較Fig. 4 Comparison of the accuracy of tree height estimation at the tree-level

圖5 單木水平的南北冠幅估測精度比較Fig. 5 Comparison of the accuracy of tree crown delineation at the tree-level

從單木提取的樹高和冠幅結果來看，兩個區域遙感估測的樹高和樹冠精度較為接近，表明在不同飛行區域和飛行作業之間，無人機遙感對杉木樹高和南北冠幅的估測具有較好的穩定性。

2.2 林分水平杉木樹高與冠幅遙感提取精度分析

在實現樹高和冠幅提取的基礎上，分別統計各標準地內所有杉木樹高與南北冠幅的平均值，并與對應標準地的實測樹高和南北冠幅的均值進行對比，結果見表3。通過對比實測數據與遙感估測數據之間的差異，發現林分水平上遙感估測的平均樹高比實測的平均樹高的值小0.07 m，平均南北冠幅比實測的平均南北冠幅的值小0.04 m。

表3 遙感估測與實測的各標準地杉木平均樹高和南北冠幅對比結果Table 3 Comparison of the average tree height and north-south crown size of Chinese fir in each sample plot between remote sensing estimation and field measurement

使用每個標準地的實測平均樹高與平均南北冠幅對遙感估測的平均樹高和平均南北冠幅進行精度驗證（圖6），發現林分水平上遙感估測的平均樹高遙感估測精度R2為0.95、RMSE 為12.27 cm、估測精度EA 為94.61%。南北冠幅的遙感估測精度R2為0.82、RMSE 為11.24 cm、估測精度EA 為92.20%。

圖6 林分水平杉木平均樹高和南北冠幅精度驗證Fig. 6 The accuracy of average tree height and north-south crown size of Chinese fir at the stand-level

3 結論與討論

本研究結果表明，使用無人機三維信息可以實現杉木樹高和冠幅的精確估測，且技術的穩定性較高，在不同飛行批次、不同飛行區域下杉木樹高和冠幅的估測精度均相近。與傳統野外調查相比，使用無人機遙感技術能夠快速、有效地獲取杉木新造林地的樹高和冠幅數據，為杉木生長變化的長期監測和經營管理提供參考。研究中15 個標準地的劃分主要考慮了林分水平的杉木樹高和冠幅的提取精度分析。使用0.3 m 的常數柵格截取研究區的CHM 圖主要是為了刪除CHM 影像中非樹冠的區域，這個數值的確定主要參考已有研究和實地調查的杉木樹高范圍（0.78～4.22 m）確定[18]。若設置較小的值，林地的雜草和石塊無法被剔除；較大的值則可能將矮小的杉木刪除。經綜合考慮，將0.3 m 設置為提取杉木樹高的閾值。

在樹高估測精度方面，雖然研究區內的樹高范圍差異較大（0.78～4.22 m），但本研究中的杉木樹高在單木和林分水平的估測精度分別為91.00%和94.61%，特別是在單木水平上，無人機遙感估測的樹高與使用265 棵具有精確定位的杉木樹高相比，其RMSE 為0.22 m，估測精度可以滿足研究的需要。這一結果與已有研究中使用無人機影像進行樹高估測的精度較為接近[19-20]，且優于高空間分辨率的衛星影像。此外，由于林分的復雜程度會直接影響DEM 精度，從而影響到樹高的估測精度。在森林覆蓋率高、林下植被豐富的地區較難準確識別地面的位置，導致樹高被低估[6,18,20]。在本研究中，研究對象為杉木新造林，其林分尚未郁閉、裸地較多，可以有效地避免因地面識別誤差而造成樹高估測精度降低的問題。同時新造林階段獲取的DEM 數據可以在森林郁閉后作為精確的地面數據來使用，從而彌補森林郁閉后無人機遙感無法獲取到精確DEM 數據的缺陷；另一方面，影像分辨率也會影響到樹高的估測精度。已有研究表明，在分辨率為5～30 cm的范圍內，樹高的估測精度較為穩定，當分辨率低于35 cm，樹高估測精度則迅速降低[21]。本研究中使用0.02 m 分辨率的CHM 作為估測杉木樹高的基礎數據，獲得了較高的樹高估測精度。并以實地測量的兩個區域的杉木樹高和冠幅數據對兩個區域之間的精度進行對比分析，發現兩個區域之間的估測精度相近。這與已有研究對兩個區域的橄欖樹（Canarium album）樹高估測結果一致[21]，表明使用無人機的三維數據對樹高和冠幅的監測具有較強的穩定性和通用性。

在冠幅估測精度方面，樹冠邊緣的檢測精度直接影響南北冠幅的估測精度。而值得注意的是，影像分辨率大小影響樹冠的檢測結果。已有研究使用無人機影像或激光雷達對樹冠檢測的研究中發現，樹冠直徑與分辨率的比值是影響樹冠檢測精度的關鍵。例如，通過分析四種不同的樹冠直徑與分辨率的比值（17∶1、8∶1、6∶1、3∶1）對樹冠檢測精度的影響，研究者發現樹冠直徑與分辨率的比值小于3∶1 且大于6∶1 時樹冠檢測精度最高[8]。在此基礎上，相關研究的學者進一步提出影像分辨率應至少大于樹冠直徑的四分之一[22]。本研究中用于樹冠提取的影像分辨率為0.02 m，野外實測中杉木的最小樹冠直徑為0.40 m，其樹冠直徑與分辨率的比值為20∶1，可以滿足樹冠的提取需求。