三種基于無人機載激光雷達(dá)的單木提取方法比較

摘 要 單木分割對于森林資源調(diào)查具有重要意義，不同單木分割算法及參數(shù)的設(shè)置對分割精度影響很大。以云南省普洱市萬掌山林場為研究區(qū)，采用3種方法對機載點云數(shù)據(jù)進(jìn)行單木分割，通過對機載點云數(shù)據(jù)進(jìn)行重采樣、去噪、地面點分類等預(yù)處理，然后采用基于CHM分割、層堆疊生成種子點和基于點云分割3種方法進(jìn)行單木分割和精度對比分析，使用探測率、準(zhǔn)確率和F得分指標(biāo)對單木分割精度進(jìn)行驗證和評價，結(jié)果表明：3種算法的精度均在50%以上，最高為基于點云的單木分割（F=0.63），分割效果更好。

關(guān)鍵詞 機載雷達(dá)；單木分割；CHM分割；層堆疊；點云分割

中圖分類號：S757.2 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2024.21.033

單木是構(gòu)成森林的基本單元，其空間結(jié)構(gòu)、生物物理和化學(xué)組分是森林資源調(diào)查、生態(tài)環(huán)境建模等所需的關(guān)鍵因子[1]。傳統(tǒng)人工的森林資源信息調(diào)查方式不僅費時費力，還不適合在較大區(qū)域內(nèi)開展，調(diào)研數(shù)據(jù)反映也不全面。隨著無人機平臺和激光雷達(dá)技術(shù)的發(fā)展，無人機激光雷達(dá)作為一種靈活、低成本的主動遙感技術(shù)，能夠穿透植被冠層獲取植被垂直結(jié)構(gòu)信息和林下地形信息，為快速估測單木樹高和三維結(jié)構(gòu)參數(shù)提供了可能[1]。從點云數(shù)據(jù)中提取出單木參數(shù)的算法被稱為單木分割，高精度的單木分割算法在利用機載激光雷達(dá)技術(shù)分析林分因子參數(shù)的研究中發(fā)揮著重要作用。耿林等以帽兒山林場作為研究區(qū)，利用標(biāo)記分水嶺算法對影像進(jìn)行分割提取樹冠邊界，然后基于局部最大值的規(guī)則提取樹冠頂點，以此進(jìn)行單木分割，分割準(zhǔn)確率為88.5%，證明激光雷達(dá)能夠較好地對森林結(jié)構(gòu)參數(shù)進(jìn)行提取[2]；李平昊等利用分水嶺算法、四次多項式擬合法和點云聚類法在人工林中進(jìn)行了單木分割，并基于分割結(jié)果對3種算法的適用性進(jìn)行了比較分析，結(jié)果表明，3種算法對不同森林類型的分割精度有所變化，但總體分割精度均維持在0.76～0.83[3]；Morsdorf等使用K-means聚類算法從針葉林點云中分割出單個的樹，該方法首先從數(shù)字表面模型中找出局部最高點作為樹木最高點，然后將每個局部最高點用作K-means聚類的種子點進(jìn)行聚類[4]。本文基于機載激光點云數(shù)據(jù)，使用基于CHM單木分割、層堆疊分割和點云分割這3種不同的分割方法找到最優(yōu)的單木分割算法，可以為之后的林分參數(shù)估測、森林資源信息調(diào)查提供理論基礎(chǔ)，為林業(yè)管理及科學(xué)化經(jīng)營森林資源提供參考依據(jù)[5]。

1" 研究區(qū)概況與數(shù)據(jù)預(yù)處理

1.1" 研究區(qū)概況

研究區(qū)選自云南省普洱市思茅區(qū)萬掌山林場，萬掌山林場位于思茅市區(qū)北部，思茅區(qū)位于云南省南部、普洱市中南部、瀾滄江中下游，在北緯22°27′～23°06′、東經(jīng)100°19′～101°27′，東連江城縣，西接瀾滄縣和景谷傣族彝族自治縣，南鄰西雙版納傣族自治州，北臨寧洱縣，總面積3 928 km2。思茅區(qū)屬低緯高原南亞熱帶季風(fēng)氣候，境內(nèi)立體氣候明顯，有北熱帶、南亞熱帶、中亞熱帶和北亞熱帶4個不同的氣候類型，具有低緯、高溫、多雨、濕潤、靜風(fēng)的特點，冬無嚴(yán)寒，夏無酷暑。萬掌山林場占地面積19 500 hm2，其中包含生態(tài)公益林4 777 hm2、商品林5 866 hm2，以思茅松人工純林為主[6]。研究區(qū)位置見圖1。

1.2" 遙感數(shù)據(jù)和樣地數(shù)據(jù)

使用縱橫大鵬CW-30固定翼無人機為遙感平臺，平臺上搭載著CW-30 LiDAR離散回波形激光雷達(dá)傳感器用于獲取LiDAR數(shù)據(jù)，DOM影像則是由搭載的全畫幅航攝相機獲取。無人機飛行高度900 m，航寬180 m，旁向重疊度≥60%。激光雷達(dá)脈沖發(fā)射頻率820 kHz，點云平均密度19.21 pts·m－2。機載LiDAR數(shù)據(jù)獲取時間為2020年1月5日。

同時在研究區(qū)內(nèi)選取了思茅松典型樹種類型，隨機在萬掌山林場內(nèi)設(shè)置了4塊樣地，每塊樣地邊長為18 m×18 m，4塊樣地一共有225條單木數(shù)據(jù)。無人機航拍樣地照片見圖2。

2" 單木分割方法對比

目前，單木分割的方法層出不窮、各有優(yōu)劣，但是基于機載LiDAR數(shù)據(jù)的單木分割方法按數(shù)據(jù)源劃分主要有2類分割方法。一類是冠層高度模型（Canopy Height Model， CHM）單木法，是利用冠層高度模型來提取單木信息，再對數(shù)據(jù)進(jìn)行重采樣、去噪、地面點分類后，采用同種空間插值的方法生成相同分辨率的數(shù)字表面模型（DSM）和數(shù)字高程模型，兩者相減得到2D柵格化冠層高度模型，然后進(jìn)行單木分割，這類方法的缺點是僅僅利用了冠層表面信息，對于中下部分的林分探測和提取則較為困難，同時，分割精度也受空間插值方法和柵格分辨率大小影響。另一類是歸一化原始點云（NPC）單木法，是利用歸一化點云或原始點云數(shù)據(jù)，根據(jù)LiDAR點云之間的空間位置關(guān)系對點云進(jìn)行聚類，進(jìn)而實現(xiàn)單木分割并提取單木特征。常見的NPC分割方法包括k均值聚類、均值漂移聚類等，這類分割方法表現(xiàn)為林分密度或郁閉度較大時分割精度較低，郁閉度較小時分割精度較高。

2.1" 基于CHM的單木分割方法

CHM本身就是一種柵格圖像，對它的處理可看作是對灰度圖像的處理，較為經(jīng)典的算法有區(qū)域增長法、注水算法、分水嶺分割算法[7]等，本文選擇分水嶺算法進(jìn)行分割。分水嶺分割算法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的圖像分割算法，其基本思想是把圖像看作是測地學(xué)上的拓?fù)涞孛玻瑘D像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺[8]。分水嶺算法對微弱邊緣具有較強的響應(yīng)，由于圖像質(zhì)量不斷提高，圖像紋理特征逐漸增多，圖像中的噪聲、物體表面細(xì)微灰度變化均有可能產(chǎn)生過分割現(xiàn)象，因此柵格分辨率大小對圖像分割效果具有較大影響[9]，分水嶺算法分割效果見圖3。

本文使用LiDAR360軟件，在軟件中對點云數(shù)據(jù)進(jìn)行重采樣、去噪等預(yù)處理，插值生成DEM和DSM。進(jìn)行重采樣時，可根據(jù)一定的采樣規(guī)律對點云數(shù)據(jù)進(jìn)行重采樣，從而減少點云數(shù)據(jù)量，保證數(shù)據(jù)的處理效率。去噪可以在一定程度上將不符合空間分布的去除來提高點云數(shù)據(jù)的準(zhǔn)確度，增加分割精度。實驗中用到的CHM由反距離權(quán)重插值法生成DSM和同一DEM作差得到，反距離權(quán)重插值法使用附近點計算柵格單元的值，并通過點距柵格單元中心點的距離判斷加權(quán)平均值，CHM空間分辨率為0.5 m×0.5 m。

2.2" 基于層堆疊生成種子點分割

層堆疊算法以1 m為切層厚度，對整個層的點云進(jìn)行切片，同時對每層中的樹木點云進(jìn)行分離，最后合并所有層產(chǎn)生的典型剖面。層堆疊算法的基本思想首先是對點云進(jìn)行歸一化處理，得到樹木的絕對高度，然后對點云數(shù)據(jù)按照高度進(jìn)行分層，以1 m為厚度向上分層一直到點云的最高層，在每一層上應(yīng)用聚類算法不斷迭代更新種子點位置直到穩(wěn)定。之后設(shè)置緩沖區(qū)避免邊界誤判，再生成重疊圖識別樹冠中的高密度區(qū)域，平滑處理堆疊圖減少噪聲，識別平滑后的局部最大值從而確定樹木位置。

研究選擇格網(wǎng)分辨率為0.5 m×0.5 m，層厚度為1 m進(jìn)行分割。在實驗過程中，高斯平滑因子的參數(shù)設(shè)置是關(guān)鍵，該值越大，平滑程度越高，平滑程度影響分割出的樹木株數(shù)，如果出現(xiàn)欠分割現(xiàn)象，則需要該值調(diào)小，反之，如果出現(xiàn)過分割，建議將該值調(diào)大，層堆疊生成種子點分割效果見圖4。

2.3" 基于點云分割

點云分割是通過深入分析點云數(shù)據(jù)中的高程值和點與點之間的相對距離來精確識別和分割出單獨的樹木。本文采用區(qū)域增長結(jié)合閾值判斷的方法（Point Cloud Segmentation， PCS算法），圖5是PSC算法基本原理圖，該算法原理如下，假設(shè)點A是最高點，因此，將點A看作一號樹木的樹頂，然后將B、C、D、E點進(jìn)行分類。首先，由于點B的間距 dAB 大于指定閾值（如2 m），點B被看作二號樹木。因為點C的間距dAC小于閾值，同時也小于dBC，點C被分類為一號樹木。由于dBD小于dCD，點D被分類為二號樹木，同理，點E被分類為二號樹木。臨界值應(yīng)當(dāng)與冠層半徑相等，當(dāng)設(shè)置的臨界值太大或太小時，會出現(xiàn)分割不足和過度分割的情況。點云分割結(jié)果效果見圖6

2.4" 精度驗證

本研究將從探測率r、準(zhǔn)確率p和加權(quán)調(diào)和平均值F這3個指標(biāo)對基于樣地尺度的單木分割進(jìn)行精度評價[10-11]。

r=T_P/T_P+F_N （1）

p=T_P/T_P+F_P （2）

F=2（r×p）/r+p （3）

公式中TP表示被算法正確識別的單木數(shù)量；FN表示未被算法識別的單木數(shù)量（欠分割）；FP表示被算法識別但實際并不存在的單木數(shù)量（過分割）；r為單木識別率，r越高表示被算法正確分割的單木數(shù)量也就越多；p是被識別的單木正確率，p值越高說明該算法分割準(zhǔn)確度很高；F為r與p計算得到的加權(quán)調(diào)和平均值，F(xiàn)值越大說明整體效果更好。

3" 結(jié)果與分析

實測樣地內(nèi)單木總數(shù)為225棵，采用3種方法對實測樣地進(jìn)行單木分割的結(jié)果見表1。

從單木識別率r這個指標(biāo)看，分水嶺分割、層堆疊生成種子點分割和基于點云分割這3種分割算法都可以保持一個較高的值，都達(dá)到了65%以上，尤其是基于點云分割在這3種分割算法中最好，達(dá)到了70%以上，這表明這3種算法都可以識別出樣地內(nèi)絕大多數(shù)的單木，算法的適應(yīng)性很好；從被識別的單木正確率p來看，層堆疊生成種子點分割和基于點云分割分別達(dá)到54.91%和57.37%，可以得到一個較為不錯的準(zhǔn)確度，但是基于分水嶺算法進(jìn)行單木分割只能達(dá)到46.62%，相對于另外兩種算法而言數(shù)值較為偏低，基于分水嶺算法分割這種傳統(tǒng)方法在分割的準(zhǔn)確度上仍然有較大的提升空間；從F值來看，由于受到p值的影響，導(dǎo)致F值都有所降低，但是層堆疊生成種子點分割和基于點云分割這兩種分割方法的F值分別為60.7%和63.93%，只有分水嶺分割的F值較低只有54.87%。

綜合這3個指標(biāo)，基于點云分割在3個指標(biāo)上均優(yōu)于層堆疊生成種子點分割和分水嶺分割，所以在該試驗區(qū)樣地內(nèi)基于點云分割運行最穩(wěn)定，分割的效果也更好，更適合在該樣地中進(jìn)行單木分割。

從單個分割方法來看，分水嶺分割生成208棵單木，層堆疊生成種子點分割生成218棵單木，基于點云分割生成232棵單木（見表2）。這3種算法在分割的數(shù)目上都接近樣地內(nèi)實測的單木總數(shù)，在分割的總數(shù)上可以取得一個較好的準(zhǔn)確度，但是無論是哪種分割方法，過分割的數(shù)量都有一個較大的占比，尤其是分水嶺分割，其過分割的數(shù)量已經(jīng)超過了正確分割的數(shù)量，如果可以繼續(xù)降低過分割的數(shù)量，這3種算法的分割精度仍然會有一個較大的提升。

4" 總結(jié)與討論

影響單木分割精度的因素有很多，比如林分條件的復(fù)雜程度、樣地范圍內(nèi)森林的郁閉度、數(shù)據(jù)采集過程中點云密度的大小及在之后處理過程中的誤差等。

在裁切樣地點云時，一些樹本身不在樣地范圍內(nèi)，但是該樹的冠層部分會延伸到樣地范圍內(nèi)，從而導(dǎo)致樣地范圍內(nèi)的點云數(shù)據(jù)中有一部分樣地外樹的點云參與了分割，這給算法增加了一定的誤差，從而出現(xiàn)了大量過分割的現(xiàn)象，進(jìn)一步導(dǎo)致了分割精度的下降，因此可以在后續(xù)研究中通過目視剔除這部分不包含在樣地范圍內(nèi)的樹點云，以此來提高單木分割的精確度。

森林郁閉度和森林密度對單木分割的精度也有很大影響。假設(shè)在研究區(qū)樣地內(nèi)，有相同種類的思茅松，一塊樣地的思茅松郁閉度低并且密度稀疏，另外一塊樣地的思茅松郁閉度高并且密度較高，那么無疑是郁閉度低密度稀的樣地分割效果更佳[12]。而本次試驗中萬掌山林場處在云南省普洱市，樣地區(qū)域內(nèi)森林密度大、郁閉度高、林分條件復(fù)雜，因此單木分割的難度較大，從而導(dǎo)致了欠分割和過分割的數(shù)量較多的現(xiàn)象。

機載激光雷達(dá)可以快速掃描大面積地區(qū)，短時間內(nèi)即可獲取大量的植被信息數(shù)據(jù)，與依賴光照條件的光學(xué)遙感不同，作為一種主動遙感技術(shù)具備全天候工作的能力，甚至可以在夜間或者多云的天氣條件下工作，但是在森林茂密地區(qū)機載激光雷達(dá)的穿透能力較弱，只能獲取樹冠的信息，樹干及以下的信息獲取較少。在未來進(jìn)行單木分割，可以嘗試從地面空中等多個維度采集數(shù)據(jù)，這樣可以增加分割的精度。本文研究只針對思茅松，而且只利用LiDAR360軟件做了簡單的單木分割研究，對比了3種單木分割的效果，在今后的研究中，可以尋找分割效果更好的分割方法。

參考文獻(xiàn)：

[1] 李增元，劉清旺，龐勇.激光雷達(dá)森林參數(shù)反演研究進(jìn)展[J].遙感學(xué)報2016（20）：1138-1150.

[2] 耿林， 李明澤， 范文義，等.基于機載LiDAR的單木結(jié)構(gòu)參數(shù)及林分有效冠的提取[J].林業(yè)科學(xué)，2018，54（7）：62-72.

[3] 李平昊，申鑫，代勁松，等.機載激光雷達(dá)人工林單木分割方法比較和精度分析[J].林業(yè)科學(xué)，2018，54（12）：127-136.

[4] MORSDORF F， MEIER E， K?TZ B， et al. LIDAR-based geometric reconstruction of boreal type forest stands at single tree level for forest and wildland fire management[J]. Remote sensing of environment， 2004， 92（3）： 353-362.

[5] 趙麗瓊，張曉麗，孫紅梅.激光雷達(dá)數(shù)據(jù)在森林參數(shù)獲取中的應(yīng)用[J].世界林業(yè)研究，2010，23（2）：61-64.

[6] 潘瑤， 蘇凱文， 張婉潔， 等. 面向可持續(xù)的國有林場森林生態(tài)系統(tǒng)管理研究——以云南省萬掌山國有林場為例 [J]. 林業(yè)調(diào)查規(guī)劃， 2016， 41（6）： 64-67.

[7] 趙旦. 基于激光雷達(dá)和高光譜遙感的森林單木關(guān)鍵參數(shù)提取[D].北京：中國林業(yè)科學(xué)研究院，2012.

[8] CHEN B，XU B，ZHU Z，et al. Stable classification with limited sample： Transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017 [J]. Science bulletin， 2019， 64（6）： 370-373.

[9] 孫釗， 潘磊， 謝運鴻， 等. 分水嶺算法在林業(yè)中的應(yīng)用 [J]. 世界林業(yè)研究， 2021， 34（3）： 63-67.

[10] GOUTTE C， GAUSSIER E. A probabilistic interpretation of precision， recall and F-score， with implication for evaluation [M]//lecture notes in computer science. Berlin， Heidelberg： Springer Berlin Heidelberg， 2005： 345-359.

[11] SOKOLOVA M， JAPKOWICZ N， SZPAKOWICZ S. Beyond accuracy， F-score and ROC： a family of discriminant measures for performance evaluation [M]//lecture notes in computer science. Berlin， Heidelberg： Springer Berlin Heidelberg， 2006： 1015-1021.

[12] 吳項乾，曹林，申鑫，等. 基于無人機激光雷達(dá)的銀杏人工林有效葉面積指數(shù)估測[J].林業(yè)科學(xué)，2020，56（1）：74-86

（責(zé)任編輯：易" 婧）