基于多時相無人機影像的高郁閉度森林采伐生物量估算

周小成 王 佩 譚芳林 陳崇成 黃洪宇 林 宇

(1.福州大學空間數據挖掘與信息共享教育部重點實驗室, 福州 350108;2.福建省林業科學研究院, 福州 350012; 3.福建省閩侯白沙國有林場, 福州 350102)

0 引言

森林作為陸地生態系統中最重要的組成部分之一,在促進生物多樣性保護以及全球碳循環過程中發揮著至關重要的作用。森林地上生物量(Above ground biomass,AGB)是反映森林碳儲量和森林碳匯能力的重要因子,準確估算森林地上生物量的動態變化有助于為政府及有關部門進行碳排放調控和碳匯交易提供科學決策依據[1]。傳統的森林地上生物量直接調查方法人力成本高、勞動強度大、有效覆蓋面積較小,還會對森林造成一定的損害[2]。當前采用遙感技術估算森林地上生物量已經成為重要的研究方向。按照數據源與研究方法的不同,大體可以分成以下兩類:數據源上主要包括光學遙感影像、SAR、LiDAR點云及多源遙感數據的結合[3-6];研究方法上主要包括參數回歸(例如多元回歸、異速生長模型等)和非參數機器學習模型(例如隨機森林(Random forest,RF)、支持向量機(Support vector machine,SVM)、最鄰近回歸(K-nearest neighbor,KNN)等)[7-8]。從數據源獲取途徑來說,航天衛星遙感影像分辨率一般較低,精度有限;機載LiDAR在獲取林分參數時精度較高,但存在成本高、數據處理復雜的限制;而可見光無人機遙感具有飛行時效強、成本低和可獲取厘米級空間分辨率影像等優勢,現已被廣泛應用在林業資源調查和精準農業[9]等多個領域。

近年來,許多學者利用可見光無人機影像,使用了不同的方法來對地上生物量進行估算。但由于估算難度大,缺少關于高郁閉度森林采伐生物量的估算研究[10]。由于高郁閉度的森林內部及冠層結構的復雜性,僅使用單一時相的可見光無人機影像,難以穿透林冠,獲取準確的地面信息,使得樹高信息提取難以達到精度要求[11],進而使得估算高郁閉度地上生物量比較困難。因此,當前的地上生物量研究區域主要集中在中低郁閉度樣地。如LIN等[3]在稀疏的亞高山針葉林地樣地,對可見光無人機影像采用冠層高度模型(Canopy height model,CHM)并疊加多尺度分割的樹冠數據獲取樹高,建立生物量-樹高的異速生長模型,根據實測單株樹木生物量驗證,結果表明單株生物量估算的相對均方根誤差(RMSE)為54.9 kg。何游云等[12]以岷江冷杉為研究對象,因分布間隙較大,對可見光無人機影像采用人機交互方式提取樹冠面積,建立生物量-樹冠面積模型估算生物量,與實測的胸徑估算生物量進行對比,結果表明偏差為5.15%。LATIFI[13]在稀疏的樹叢中,采用消費級可見光無人機影像提取樹高和樹冠面積估算胸徑,采用異速生長模型估算地上生物量,結果表明對地上生物量估算結果較好。

而對于森林采伐,結合采伐后無人機影像則可得到較為準確的數字高程模型(DEM)和伐樁信息。綜上所述,本文根據多時相可見光無人機影像對高郁閉度森林采伐生物量進行估算。首先是采用多時相可見光無人機影像數據,生成冠層高度模型(CHM),運用動態窗口局部最大值法提取采伐株數和單木樹高信息,再結合采伐后高分辨可見光影像,運用YOLO v5(You only look once versions 5)方法檢測并提取伐樁直徑信息,建立胸徑-伐樁直徑模型,利用二元生物量公式估算森林采伐生物量,為實現高郁閉度森林采伐生物量估算提供思路與方法。

1 研究區與數據源

1.1 研究區概況

研究區位于福建省閩侯白沙國有林場一個松林采伐小班(26°15′13″N,119°04′48″E),地處閩侯縣西北部、閩江之畔,多為中、低山地貌,海拔200 m以上,試驗區坡度40°,小班測區面積27 533 m2,其中采伐帶面積6 333 m2,主要樹種為馬尾松,占比達到90%以上,間雜零星杉木,小班郁閉度0.8,林齡33 a,采伐時間為2021年4月7日,實際調查采伐株數192株,采伐類型為條帶帶狀采伐,根據多時相無人機影像(圖1)可看到森林采伐前的樹冠與森林采伐后的地形地貌。

圖1 研究區位置Fig.1 Location of test region

1.2 數據獲取

本研究使用的多時相可見光影像數據采集設備為大疆精靈4 RTK(Real-time kinematic)型無人機(Unmanned aerial vehicle,UAV),該款無人機具備厘米級導航定位系統及2 000萬像素CMOS傳感器,便攜易用。本試驗區的森林采伐前無人機影像獲取時間為2021年3月27日,航線設計為航向重疊率80%,旁向重疊率70%,相對飛行高度300 m,影像正射空間分辨率9.7 cm。對于森林采伐后無人機影像數據的采集策略是:考慮到該測區地形起伏較大且該型無人機具備仿地形飛行的能力,為保證地面分辨率不至于變化過大導致拼接效果差的情況,因此對測區采取仿地飛行,拍攝時間為2021年5月6日,最終航線設計為航向重疊率80%,旁向重疊率70%,仿地飛行高度37 m,影像正射空間分辨率1.8 cm。

采用胸徑尺及圖帕斯激光測高儀在白沙林場現場收集146株馬尾松伐樁直徑(離地5 cm)、胸徑、冠幅和樹高信息,其中66株有樹高、冠幅對應信息。為提高回歸模型的泛化能力,同時獲得福建省將樂縣國有林場收集的179株馬尾松幼林地的胸徑、樹高信息和102株樹高、冠幅信息,現場實測數據統計如表1所示。

表1 實測數據統計Tab.1 Statistical results of measured data

2 研究方法

根據多時相可見光無人機影像對高郁閉度森林伐區進行采伐生物量估算,整體思路為:基于采伐前后可見光影像DSM特征差值生成CHM,運用動態窗口局部最大值法提取采伐株數與單木樹高參數,再進一步運用YOLO v5算法從采伐后影像中提取伐樁直徑,以實測數據建立胸徑-伐樁直徑模型,代入二元生物量公式估算森林采伐生物量。為開展多時相與單時相估算精度的有效對比,基于采伐前單一時相可見光影像分割單木冠幅,以實測數據建立樹高-冠幅面積模型,結合胸徑-樹高模型,代入二元生物量公式估算森林采伐生物量,將本研究設計的一種多時相估算生物量新方法與采伐前單期影像估算結果進行對比分析。總體技術路線如圖2所示。

圖2 技術路線圖Fig.2 Technical flow chart

2.1 無人機數據預處理

無人機數據使用Pix4D軟件進行全自動空中三角測量計算,得到研究區的數字正射影像圖(Digital orthophoto map,DOM)、數字表面模型(Digital surface model,DSM)和UAV影像點云產品。獲取的可見光正射影像色彩自然、協調、無明顯拼接痕跡。

由于樹高提取需要高精度的DSM數據,因此須對無人機獲取的多時相DSM數據進行精度驗證。本文數據采集設備為大疆精靈4 RTK型無人機,該型無人機自帶RTK系統,可將航測圖像的POS信息精確到厘米級,無需設置像控點。隨機從伐區中選取14個采伐前后兩期DSM的同名地面點,用于進行高程精度驗證。

2.2 單木冠幅分割

由于高郁閉度(小班郁閉度為0.8)森林冠層結構復雜,僅使用單一時相的可見光無人機影像,難以穿透林冠,獲取準確的地面信息,使得樹高信息提取難以達到精度要求。而可見光無人機影像能有效獲取地物頂部的紋理特征,本研究則轉換思路,首先采用分水嶺分割算法對單木冠幅進行提取,再利用實測數據建立樹高-冠幅面積回歸模型估算樹高信息。分水嶺分割算法[14]原理是將待分割的影像視為測地學的拓撲地貌,采用影像中的每一點像元值表示該點的海拔,那么像元的變化即可描述成地形圖的山脊、谷底和集水盆,每個局域極小值及其影響的區域構成集水盆,而集水盆的邊界范圍則形成分水嶺。

2.3 采伐株數與樹高估算

根據采伐帶的矢量邊界,首先對多時相影像的DSM數據進行掩膜分析,再通過采伐前后DSM差值運算生成樹冠層高度模型(CHM),此時獲得的林冠高度最為準確,可直接用來獲得高精度的單木樹高。

國內外檢測樹冠頂點的研究方法中局部最大值法應用的最多[15],該方法窗口類型一般分為固定窗口與動態窗口。由于利用固定窗口的局部最大值法在高郁閉度森林中檢測林冠頂點時經常會出現漏提或多提現象[16],因此,選擇合適的策略來檢測樹冠頂點十分重要。

本研究通過IDL語言編寫動態窗口局部最大值法來檢測樹冠頂點位置。首先是對生成的CHM采用一個較小的固定窗口檢測林區潛在的樹冠頂點,然后運用自適應動態窗口對提取的頂點位置進行判別,假如當前的頂點為對應窗口范圍中的最大值點則保存,否則剔除。動態窗口尺寸根據計算潛在頂點的8個不同剖面方向的經驗半方差變化值確定[17],其計算公式為

(1)

式中γ(h)——經驗半方差

xi——圖像中像元點位置

h——兩個像元間的分割距離

Z(xi)——對應影像xi像元值

N(h)——在分隔距離為h時像元對數量

由于研究區的主要樹種為馬尾松,屬于針葉林,而針葉林的最高點一般為樹冠中心點位置,若動態窗口的中心為最大值,則判斷為樹冠頂點,而其對應像元屬性值則為樹高。

2.4 伐樁目標檢測與伐徑提取

對于本研究的伐區場景下的伐樁檢測與其他目標檢測相比具有一定的特殊性,伐樁目標尺寸一般較小,背景信息量大(有類圓形石塊、造林坑穴等影響),且許多伐樁被殘枝和雜草遮擋,為伐樁檢測增加了難度。由于YOLO v5具有目標檢測速度快、背景誤檢率較低且模型泛化能力較強等優點[18],因此本研究擬采用YOLO v5方法對伐樁目標進行檢測。

YOLO v5是由UItralytics團隊于2020年發布的一種能直接得到預測目標的精準邊界框和類別的端到端網絡模型。它的基本框架[19]主要分為輸入端(Input)、主干網絡(Backbone)、頸部模塊(Neck)和輸出預測端(Prediction),其結構原理如圖3所示。

圖3 YOLO v5網絡結構圖Fig.3 YOLO v5 network structure diagram

2.4.1伐樁目標檢測

本研究的樣本集來自于福建省閩候白沙國有林場的可見光無人機原始圖像。本研究對獲取的伐區圖像按一定重疊的滑動裁切,篩選出208幅高純度的伐樁圖像。為了增加樣本的多樣性和提高模型的泛化能力,對伐樁圖像采用隨機旋轉、隨機改變亮度、鏡像變換的離線數據增廣方法,增加到440幅伐樁圖像,將訓練集和測試集按照9∶1進行隨機抽取劃分,使用Labelme工具對訓練集進行標注,完成樣本數據集的劃分。將正射影像按一定規則格網進行滑動裁切,然后利用YOLO v5方法對上寨工區的伐樁進行檢測,再根據空間坐標映射方法進行鑲嵌處理。

為了定量評估YOLO v5方法的性能以及對伐樁檢測的有效性,本文將目視解譯的伐樁數量作為真實值,引入精確率P(Precision)、召回率R(Recall)和總體精度F1值作為評價指標。

2.4.2伐樁直徑提取

由于YOLO v5方法是一種能直接得到預測目標精準邊界框的端到端網絡模型,將檢測到的伐樁目標矩形框柵格數據轉為矢量數據,在ArcGIS可自動計算得到檢測目標矩形框的面積及周長。由于伐樁直徑實地測量時是量取東西、南北兩方向長度并計算平均值獲取。伐樁一般屬于類橢圓形目標,根據矩形內切橢圓的原理(圖4),假設以矩形的中心為橢圓的中心,矩形的長為a、寬為b。因此,橢圓的長軸長為a、短軸長為b,可得出矩形周長的1/4即為伐樁直徑。

圖4 矩形內切橢圓原理圖Fig.4 Schematic of rectangular inscribed ellipse

2.5 樹高和胸徑回歸模型構建

2.5.1樹高-冠幅面積回歸模型

對于采伐前單期無人機影像樹高的估算,本研究通過在福建省將樂縣林場及福州市白沙林場野外實測的168株馬尾松的單木樹高以及冠幅為基礎數據,使用SPSS分析常用的5種模型:一元線性、對數函數、冪函數、S曲線、增長函數,建立適用于福建省閩侯縣白沙林場的樹高-冠幅面積回歸模型。隨機選取134株成活立木的樹高(H)、冠幅面積(W)為試驗數據,建立5種樹高-冠幅面積回歸模型,以剩余的34株樹高、冠幅面積作為驗證數據。

2.5.2胸徑-樹高回歸模型

通過在福建省將樂縣林場及福州市白沙林場野外實測的325株馬尾松的單木樹高(H)以及胸徑(D)為基礎數據,根據已有的4個樹高-胸徑經驗模型(線性回歸、對數模型、異速生長模型、Bates and Watts模型)[20],反推出胸徑-樹高模型,以選取最優的馬尾松胸徑-樹高回歸模型。

隨機選取260株馬尾松的樹高、胸徑作為試驗數據。運用Origin 2018編譯出4種候選胸徑-樹高模型公式,可得到胸徑-樹高回歸模型結果,以剩余的65株胸徑、樹高作為驗證數據。

2.5.3胸徑-伐樁直徑回歸模型

由于馬尾松樹種的胸徑-伐樁直徑經驗模型較少,本研究采用在白沙國有林場收集的146株馬尾松的伐樁直徑(離地5 cm)、胸徑的野外實測值為基礎數據,使用SPSS分析常用的5種模型(一元線性、對數函數、冪函數、S曲線、增長函數),建立適用于福建省閩侯縣白沙國有林場的胸徑-伐樁直徑回歸模型。隨機選取116株馬尾松胸徑(D)、伐樁直徑(D0)試驗數據,建立5種胸徑-伐樁直徑回歸模型,以剩余的30株胸徑、伐樁直徑作為驗證數據。

2.6 生物量估算

計算生物量時,先計算單株立木的生物量,再計算采伐區域的總生物量。胸徑獲取的2種途徑:①利用采伐前無人機影像所得的單木冠幅面積,根據樹高-冠幅面積模型估算出樹高,再利用胸徑-樹高模型估算胸徑。代入國家林業局2014年頒布的中華人民共和國林業標準《立木生物量模型及碳計量參數—馬尾松》的二元立木生物量公式[21]中,計算單株樹木生物量和總生物量。②結合采伐后YOLO v5方法提取的伐樁直徑進行回歸估算,再將多時相影像提取的采伐株數和平均樹高代入二元立木生物量公式中,總生物量計算式為

(2)

式中Dj——單木胸徑

Hj——單木樹高

Mj——單木二元生物量

2.7 精度評價

將決定系數(R2)和均方根誤差(RMSE)作為回歸模型精度評價指標,確定最優模型。

為驗證生物量估算精度,以野外實地測量得到的平均樹高、平均胸徑計算獲得的生物量為參考,對無人機遙感采伐生物量估算精度進行驗證。

3 結果與分析

3.1 無人機數據預處理驗證

通過對伐區的采伐前后兩期DSM的同名地面點高程精度驗證結果表明,采伐前后兩期DSM中的同名點高程表現出極強的相關性,兩者的R2達到0.999 6,其中RMSE為0.066 78 m(圖5),根據林業生產要求,該精度能滿足伐區樹高估算的要求。

圖5 采伐前后DSM精度驗證Fig.5 Verification of DSM accuracy before and after deforestation

3.2 單木冠幅分割

根據分水嶺分割算法對高郁閉度的伐區進行單木冠幅分割,其中分割結果如圖6所示。由于高郁閉度森林的林木冠幅存在相連、遮擋等情況,無法獲取準確的單木冠幅與面積,得到分割株數結果為162株,野外采伐株數為192株,株數估算精度為84%,林木冠幅平均面積為23.91 m2,野外實測該地區的林木冠幅平均面積為16.15 m2,估算精度為67.55%。

圖6 分水嶺分割冠幅結果Fig.6 Crown segmentation results based on watershed segmentation

3.3 采伐株數與樹高估算

采用多時相DSM差值特征(CHM)的動態窗口局部最大值法估算出的株數為185株,實際采伐株數為192株,株數估算精度為96.35%,提取平均樹高為19.07 m,野外實測樹高為18.88 m,估算精度為99.01%,圖7為冠層高度模型提取的單木樹高分級顯示。

圖7 冠層高度模型的樹高分級顯示圖Fig.7 Tree height classification diagram of canopy height model

3.4 伐樁目標檢測與伐徑提取

采用YOLO v5方法對上寨工區的伐樁進行檢測,伐區內伐樁檢測的結果及局部放大區域如圖8所示。

圖8 YOLO v5檢測結果Fig.8 YOLO v5 detection results

由于伐樁容易受到影像空間分辨率、雜草和泥塊遮擋等因素影響,僅在伐區目視解譯到54個伐樁。YOLO v5方法在上寨工區從采伐帶中正確檢測出47個,正確檢測數量較高,精確率為69.12%,召回率為87.04%,伐樁總體F1值為77.05%。YOLO v5方法提取出47個伐樁直徑平均為31.41 cm,結合人工目視修正伐樁直徑結果為29.61 cm。

3.5 樹高和胸徑估算回歸模型結果

3.5.1樹高-冠幅面積回歸模型

使用SPSS分析常用的5類模型結果(表2)可知,馬尾松的樹高和冠幅面積表現出較強相關性。根據R2最大、RMSE最小的標準,本研究則選取冪函數為馬尾松的樹高-冠幅面積回歸模型。

表2 選用的5種樹高-冠幅面積回歸模型結果Tab.2 Results of five selected tree height-crown area regression models

選定馬尾松的最優樹高-冠幅面積回歸模型后,將剩余的34株馬尾松野外實測的單木樹高作為模型的驗證數據,驗證模型精度。由圖9可知,馬尾松的實測樹高和估算樹高的決定系數為0.760 1,表明建立的樹高-冠幅面積模型可用于白沙國有林場。

圖9 樹高-冠幅面積建模和驗證Fig.9 Tree height-crown area modeling and verification

3.5.2胸徑-樹高回歸模型

使用Origin 2018編譯的4個胸徑-樹高模型結果(表3)表明,馬尾松的胸徑和樹高表現出較強的相關性,其中R2均在0.6以上。根據R2最大、RMSE最小的標準,本研究選取異速生長模型,作為馬尾松的胸徑-樹高回歸模型。

表3 馬尾松的胸徑-樹高模型Tab.3 DBH-tree height model of Masson pine

選定馬尾松的最優胸徑-樹高模型后,將剩余的65株馬尾松野外實測胸徑作為模型的驗證數據,驗證模型精度。由圖10可知,馬尾松的實測胸徑和估算胸徑的決定系數為0.628 1,在一定程度上表明建立的馬尾松胸徑-樹高模型可用于白沙國有林場。

圖10 胸徑-樹高建模和驗證Fig.10 DBH-tree height modeling and verification

3.5.3胸徑-伐樁直徑回歸模型

使用SPSS分析常用的5類模型結果(表4)可以看出,馬尾松的胸徑和伐樁直徑表現出極強相關性,其中R2均在0.9以上。根據R2最大、RMSE最小的標準,本研究則選取冪函數模型,為馬尾松的胸徑-伐樁直徑回歸模型。

表4 選用的5種胸徑-伐樁直徑回歸模型結果Tab.4 Results of five selected DBH-pile diameter regression models

選定馬尾松的最優胸徑-伐樁直徑模型后,將剩余的30株馬尾松野外實測伐樁直徑作為模型的驗證數據,驗證模型精度。由圖11可知,馬尾松的實測胸徑和估算胸徑的決定系數為0.949 6,表明建立的胸徑-伐樁直徑模型可用于白沙國有林場。

圖11 胸徑-伐樁直徑建模和驗證Fig.11 DBH-stump diameter modeling and verification

3.6 兩種生物量估算方法結果分析

表5為前面提到的幾種方法獲得的采伐生物量結果。其中,僅利用采伐前單一可見光無人機影像估算的高郁閉度森林采伐生物量精度僅為53.13%,這是由于高郁閉度森林的林木冠幅存在相連、遮擋等情況,無法獲取準確的單木冠幅面積,導致采伐生物量提取精度較低。根據多時相影像獲取的平均樹高與采伐株數,再結合YOLO v5方法檢測伐樁并提取直徑信息,估算的采伐生物量精度為83.08%,表明結合伐樁信息來估算森林采伐生物量這一思路與方法,具有較強的可行性。

表5 生物量精度驗證Tab.5 Validation of biomass accuracy

4 討論

胸徑和樹高是估算森林地上生物量的重要因子,傳統的森林采伐生物量直接調查方法需要對樹木砍伐后進行干燥稱量,這樣費時費力,且不適用于大規模森林的采伐生物量估算。由于僅利用單一時相可見光無人機影像對高郁閉度森林采伐生物量估算時,冠幅存在相連、遮擋等情況,提取單木冠幅困難,后續可嘗試將影像轉為灰度梯度圖像,對樹冠邊緣特征進行增強后再進行分割[22]。本研究則提出根據多時相無人機影像估算森林采伐生物量的途徑,該方法估算精度結果較好,且與傳統衛星影像和機載LiDAR數據相比具有飛行時效強、作業高效和成本低等優勢[23]。

本研究中的伐樁檢測與其他目標檢測相比具有一定的特殊性,伐樁目標尺寸較小,伐區背景信息量大,且許多伐樁被雜草和泥塊遮擋,為伐樁準確檢測增加了一定難度。目前采用無人機遙感影像進行伐樁檢測并推算森林采伐生物量的研究非常有限。現有的少量文獻對伐樁進行檢測,主要可分為2方面:①利用傳統的計算機視覺及機器學習方法對伐樁檢測,如SATHISHKUMAR等[24]使用可見光無人機影像通過模板匹配、霍夫變換和相位編碼方法對火炬松伐樁的檢測精度分別為41%、77.3%和72%,其中霍夫變換、相位編碼方法提取伐樁直徑RMSE分別為7.2 cm和4.3 cm。STEFANO等[25]采用隨機森林分類對空間分辨率為1.7 cm的無人機影像進行伐樁檢測,根據11個57 m×57 m的地塊研究表明,伐樁總體檢測精度為68%～80%,伐樁直徑的RMSE為6.4～7.5 cm。KAMARULZAMAN[26]使用分辨率為0.06 cm的無人機影像采用支持向量機分類對伐樁進行檢測,根據4個地塊研究表明,檢測伐樁總體精度為66.67%～71.43%。這些研究主要是選取無人機影像中伐樁的紋理特征參與檢測分類,分類過程繁瑣。②利用深度學習方法進行的伐樁檢測研究,如WINDRIM等[27]使用分辨率0.2～0.4 cm的無人機影像通過深度學習卷積神經網絡(Convolutional neural networks,CNN)方法,對9個10 m×10 m地塊的松樹伐樁檢測的精度為66.6%～97.7%。由于經典卷積神經網絡,缺乏自適應瞄框,需要進行大量調參,會導致目標檢測邊界框難以準確描繪。

與文獻[24-27]的方法相比,本文采用的YOLO v5方法具有自適應瞄框計算,是一種能直接得到預測目標的精準邊界框的端到端模型。本研究通過森林采伐后高分辨率無人機影像,根據YOLO v5方法檢測到伐樁數并提取伐樁直徑信息,通過建立胸徑-伐樁直徑模型,估算的平均胸徑為 26.38 cm,相較于實測的平均胸徑23.78 cm,偏高 2.6 cm。森林采伐生物量結果偏高的主要原因可能是由于本研究的伐樁樣本數量較少,從而對胸徑估算精度產生較大的波動影響,導致估算的采伐生物量偏高。后續的研究將擴大研究區域范圍,增加伐樁樣本數量,以提升森林采伐生物量估算精度。

由于時間和試驗條件有限,本文僅對主要樹種為馬尾松的樣地進行試驗,后期的研究將采用混交林、闊葉林等不同類型的樣地進行試驗,并建立優化的胸徑、樹高和冠幅之間的模型,以進一步提升該技術方法估算精度。

5 結論

(1)根據采伐前后多時相DSM數據,獲取采伐帶冠層高度模型(CHM),運用動態窗口局部最大值法檢測林冠頂點,得到估算的株數為185株,采伐株數為192株,精度達到96.35%,估算的平均樹高為19.07 m,野外實測的平均樹高為18.88 m,精度達到99.01%。

(2)根據森林采伐后的高分辨無人機可見光影像,運用YOLO v5方法檢測伐樁的總體檢測精度為77.05%,通過提取伐樁直徑,建立胸徑-伐樁直徑回歸模型,估算的平均胸徑為26.38 cm,野外實測胸徑為23.78 cm,精度為90.14%。

(3)根據采伐前后多時相影像獲取的采伐株數和平均樹高信息,結合YOLO v5方法從采伐后的可見光無人機影像中檢測伐樁直徑,建立胸徑-伐樁回歸模型,再利用二元立木生物量模型,估算出采伐樣地森林采伐生物量為50 458.09 kg,野外實測數據生物量41 922.76 kg,精度為83.08%,估算結果精度較好。結果表明,采伐前后多時相無人機可見光影像獲取采伐株數與樹高,再結合伐樁直徑信息,估算森林采伐生物量的思路,具備一定有效性,需進一步改進伐樁直徑的估算精度,從而提高生物量估算精度。