劉東起 范文義 李明澤

(東北林業(yè)大學，哈爾濱，150040)

森林資源地面調查的傳統(tǒng)方法周期比較長，數據的時效性較差［1］，遙感技術的出現和迅速發(fā)展，為準確、快速地獲取大范圍森林資源調查數據提供了一種潛力巨大的技術手段。利用激光作為遙感設備可追溯到30多年以前，但機載激光雷達測量技術直到最近十幾年才取得重大進展，并研制出精確可靠的雷達測量傳感器。國外已經就激光雷達在林業(yè)上的應用進行了大量成功的嘗試［2－4］，并估測了樹高、胸高斷面積及林分蓄積量等林分特征［5－8］。在林分尺度上，激光雷達已成功用于大尺度上的林分平均高、平均胸徑、冠層垂直結構、冠層體積、郁閉度、地上生物量、蓄積量、胸高斷面積、葉面積指數等參數的估計［9－11］以及林區(qū)變化的檢測［12］，相關算法經過數十年的發(fā)展也較為成熟。如Sr－Onge等［13］用ALTM獲取的小光斑RADAR數據估測單株木樹高，采用Laplacian of Gaussian(LoG)算法并結合空間過濾和邊緣提取方法提取單株樹冠，并用得到的樹冠多邊形中RADAR回波最大值與實際樹高建立模型。一些國家也正在考慮用RADAR技術進行森林資源調查［14－17］。近幾年，國內也逐漸開展了激光雷達在林業(yè)上的應用研究，如國家“948”項目“高精度激光雷達樹高測量技術引進”，國家“863”項目“機載激光雷達數據處理軟件平臺”等［18］。覃馭楚等［19］利用Axelsson提出的漸進式不規(guī)則三角網加密法，分別采用反距離權重方法、樣條插值方法以及普通克里格方法對小光斑激光雷達的多次回波數據進行濾波，對冠層與林下高程分別進行了重建并做了精度檢驗，研究結果證明:RADAR數據獲取的樹高可以達到實地調查的精度，其誤差絕對平均值均在1.4 m以內。李奇等［20］依據雷達等式，通過對波形數據的高斯分解來模擬激光回波，計算樹高、林下地形、冠層體積、地表反射率、植被反射率以及森林郁閉度等森林參數，這種算法對森林結構參數獲取的自動化程度較高，基本不需要人工干預，但其沒有實測參數進行對比，無法量化精度。唐菲菲等［21］采用融合有標記約束的分水嶺分割和流域跟蹤分割兩種圖像分割方法，以從機載激光雷達數據中分離單株木，提取單株木樹高和樹冠大小信息為目的，提出了一種新的單株木識別思路，并以美國某地區(qū)實地采集激光雷達數據為例對該方法進行了驗證，試驗結果表明:該方法通過增加邊緣檢測范圍的約束條件，能夠有效避免過分割現象，并通過使用約束條件，減少了在其檢測范圍內的目標數量，從而避免不必要的檢測干擾，較傳統(tǒng)方法能快速準確地識別單株木。激光雷達的自身優(yōu)勢也使其受到越來越廣泛的應用，但關于小光斑激光雷達的研究還比較少，且精度也較低，同時又局限于單一遙感數據的研究。筆者則利用激光雷達數據的特點與TerraScan的強大功能對小興安嶺涼水地區(qū)的航拍數據進行研究，估測了樹高等林分參數以及不同林分類型的生物量，為后續(xù)的結合多遙感數據研究做準備。

1 研究區(qū)域概況

研究區(qū)選在黑龍江省伊春市帶嶺區(qū)涼水國家級自然保護區(qū)。地理位置東經 128°47＇8″～128°57＇19″，北緯47°06＇49″～47°16＇10″。保護區(qū)面積12 133 hm2，森林總蓄積量170萬m3，森林覆被率98%。保護區(qū)植物區(qū)系屬泛北極植被區(qū)、中國—日本森林植物亞區(qū)東北地區(qū)、長白植物亞區(qū)小興安嶺南部區(qū)。本區(qū)的地帶性植被是以紅松(Plnus koralensls)為主的溫帶針闊葉混交林，屬典型闊葉—紅松林分布亞區(qū)。該區(qū)地處歐亞大陸東緣，小興安嶺南坡達里帶嶺支脈的東坡，海拔高度280～707 m，為典型的低山丘陵地貌，最高山峰為保護區(qū)北部的嶺來東山，海拔為707 m，由北向南逐漸降低至該區(qū)的東南端，海拔僅有280.0 m，山地坡度為10°～15°。境內地帶性土壤為山地暗棕壤，即由地帶性上坡暗棕色森林土(簡稱暗棕壤坡)的亞類與非地帶性土壤如草甸土、沼澤土及其亞類所組成。局部地段可出現20°～40°的陡坡。區(qū)內主要河流為涼水河，由北向南貫流全境。該區(qū)具有明顯的溫帶大陸性季風氣候特征，年平均氣溫－0.3℃ ，年平均降水量676.0 mm，年平均相對濕度78%，無霜期100～120 d。氣候特點:春天來的遲緩，降水少，多大風;夏季短促，氣溫較高，降雨集中;秋季降溫急劇，常出現早霜;冬季漫長，嚴寒干燥而多風雪。研究區(qū)地理位置及飛行區(qū)域見圖1。

圖1 研究區(qū)地理位置及飛行區(qū)域

2 研究方法

2.1 雷達數據獲取

此次飛行使用的激光雷達系統(tǒng)為 LiteMapper5600，激光掃描儀為RieglLMS—Q560，CCD相機型號為DigiCAM—H/22。該系統(tǒng)集激光測距、全球定位系統(tǒng)(GPS)和慣性導航系統(tǒng)(INS)于一體，包括一個單束窄帶激光器和一個接收系統(tǒng)。飛行地速180 km/h，總覆蓋面積約為 208.8 km2，數據獲取當天天氣晴朗無(少)云。飛行航高1 000 m，設計飛行航線26條，激光脈沖長度3.5 ns，波長1 550 nm，最大頻率100 kHz，脈沖重復頻率為50 kHz，采樣間隔1 ns，激光離散角0.5 mrad，掃描角±30°，地表定位精度水平0.1 m，垂直精度0.15 m，獲得的平均點云密度＞2 point/m2，部分小范圍飛行區(qū)達到＞5 point/m2(航高300 m)。此外，為保證POS系統(tǒng)的定位精度，飛行前在測區(qū)附近的已知大地控制點上建立了GPS基準站?；鶞收旧霞茉O高精度的GPS信號接收機，該接收機與機載POS設備同步記錄，進行動態(tài)相位差分定位。

2.2 地面數據獲取

2009年，與飛行同步進行了部分地面數據的獲取，并于2010年8月對飛行區(qū)域進行了地面數據的補充調查。文中用到的每木檢尺數據是2010年8月獲取的。地面調查時沿著山坡走勢布設了51塊樣地，視樣地類型分別設置邊長為20 m×20 m、20 m×30 m、30 m×30 m的方形樣地進行每木檢尺:胸徑尺測量單木胸徑;用DGPS定位樣地中心點坐標，羅盤確定單木角度，皮尺丈量單木距離中心點長度并憑借角度、距離與中心點位置坐標推算單木位置;皮尺測量東西及南北兩個主方向冠幅;激光測距/測高儀(TruPulse360)測量樹高，該儀器測距精度300 m以內誤差為－0.3 m，角度測量精度為±0.25，保證了高度測量的準確性。此次地面調查共測1 804棵樣木，去除測量值明顯錯誤的285株林木和缺少單木位置的25株林木，最后剩余1 494株，樹種主要包括:紅松、云杉(Picea asperataMast.)、冷杉(Abies)、落葉松(LarixMill.)、白樺(Betula platyphyllaSuk.)等。其基木統(tǒng)計量均值如表1。

表1 單木基本統(tǒng)計量

3 結果與分析

3.1 機載雷達數據處理

采用瑞典Peter Ax－lesson提出的不規(guī)則三角網法在 Terrscan V4.005(Terrasolid，Helsinki，Finland)中通過迭代、孤立點、閾值等算法對點云產品進行地面點和非地面點的分離［22－23］。該方法先選擇種子點構建一個初始的地面三角網，剩余的點為非地面點，然后逐漸從非地面點中選擇滿足條件的點向初始三角網中添加構成新的網，迭代計算直到所有的點被分為地面點和非地面點。再對非地面點數據子集操作，采用孤立點、閾值等算法進行非地面點的分類。自動濾波完成后有些點的分類是錯的，需要手動進行進一步分類。但需盡量減少手動操作，以節(jié)省時間及成本［22］。

對已分類點云數據中的地面點通過不規(guī)則三角網(TIN)插值運算生成數字高程模型DEM(Digital Elevation Model)見圖2，首回波點插值生成數字表面模型DSM(Digital Surface Model)見圖3，DSM與DEM進行柵格差值運算得到高程歸一化后的數字冠層高度模型CHM(Canopy Height Model)見圖4。經過上述操作即可實現對點云數據的分類，提取數字高程模型DEM、數字表面模型DSM與樹冠高模型CHM。在此基礎上可估測單木樹高、冠幅、胸徑等參數，亦可估測林分平均高、林分平均胸徑以及蓄積量、生物量等參數。

圖2 提取的部分DEM

圖3 提取的部分DSM

圖4 部分CHM的三維渲染圖

3.2 樹高和冠幅的估測與分析

3.2.1 樹高的估測

采用外業(yè)調查確定單木位置，在單木位置周圍1.5 m(考慮到郁閉條件下的單木定位精度)范圍內搜索CHM中對應的樹冠頂點［24］，取范圍內最大值。估測單木樹高、冠幅等參數。

剔除奇異點后的實測樹高與估測樹高散點圖如圖5所示。

圖5 實測樹高與估測樹高散點圖

對實測樹高與估測樹高的回歸分析的結果顯示，平均百分比誤差(Mean Percent Error)為－7.119 601%;平均絕對百分比誤差(Mean Absolute Percent Error)為9.041 874%;精度(Precision)為 97.642 19，表明RADAR數據很好地估測了樣地內的樹高。

3.2.2 冠幅的估測

實測樹高與實測冠幅的散點圖如圖6所示。

圖6 實測樹高與實測冠幅擬合圖

從圖6中可以看出，實測樹高與實測冠幅之間的關系很穩(wěn)定，且存在線性關系。為此本文建立了樹高和冠幅的回歸模型并推導出參數，然后在此基礎上對樹冠進行了估測。回歸模型為:

式中:CD表示冠幅;H為樹高;k為斜率;b為截距。通過實測樹高與冠幅的線性回歸分析確定方程的參數，k=0.107，b=3.492 6。將估測的樹高代入(1)式即可以得到冠幅的估測值。實測冠幅與估測冠幅的回歸分析結果為:平均百分比誤差1.251 971%;平均絕對百分比誤差9.568 91%;精度93.175 76?；貧w模型的檢驗精度達93%以上，表明該方法可以很好地估測樣地內單木的冠幅。

3.3 胸徑與生物量的估測與分析

3.3.1 胸徑的估測

對胸徑的估測采用樹高曲線方程

進行推導，得胸徑

式中:h為樹高;a0、a1為方程參數，依據外業(yè)實測數據建模計算得a0=4.098，a1=2.878;d為直徑。將估測樹高作為已知，帶入參數公式(3)計算估測胸徑，剔除部分奇異點后的實測胸徑與估測胸徑的散點圖如圖7所示，實測胸徑與估測胸徑的回歸分析結果為:平均百分比誤差－11.835 55%;平均絕對百分比誤差 10.756 82%;精度 92.393 15。

從圖7可以看出，剔除異常點后實測胸徑與估測胸徑具有明顯的線性關系;且理論精度為92%，能夠達到應用要求。

圖7 實測胸徑與估測胸徑的散點圖

3.3.2 生物量的估測

參照Ross Nelson等［25］人的方法，采用統(tǒng)計分析的方式通過建立回歸模型估測生物量，由于外業(yè)調查選取的樣地林分類型均能很好代表其所在小班的林型特點，而所選取的標準木亦均為干型勻稱的林木且均按照林分類型選取，故可作為標準木測定材積，為此文中采用平均標準木法測算不同林型的蓄積，并最終援引范文義等［26－29］對小興安嶺評價時所使用的生物量轉換因子法利用RADAR數據對林分生物量和蓄積量等進行了估測。所需公式為:

式中:vi為樣木材積;f1.3為胸高形數，按不同樹高依圓錐體查表而定;g1.3為胸高斷面積;Vj為不同林型各自的平均蓄積量(m3/hm2);Gj為不同林型各自的總斷面積;n為樣木株樹;Sj為不同林分類型各自的總面積;B為單位面積生物量(t/hm2);aj和bj為轉換參數，依不同林分類型確定［29］。不同林分類型估測的平均單位蓄積量與生物量見表2。

表2 不同林分類型估測的平均單位蓄積量、生物量及精度

4 討論

樹高是一個十分重要的林分參數，同時也是激光雷達所能夠估測的最直接的林分參數，樹高的估測精度直接影響胸徑、蓄積量以及生物量的林分參數的估測精度。文中結合雷達數據自身優(yōu)點的同時充分利用了TerraScan的強大功能，估測的樹高精度達到97%以上。對于冠幅的估測，由于沒有采用傳統(tǒng)的與大比例尺航空相片相結合的辦法進行樹冠邊緣分割，而是直接采用外業(yè)調查確定單木位置的方式通過回歸模型進行估測，精度在93%以上，能夠滿足實際應用的需求。

胸徑的估測是在樹高估測的基礎上，運用樹高曲線方程推導而得。由于樹木在實際生長的各階段呈現不同的規(guī)律，其樹高與冠幅不會像估測值那樣理想，因為冠幅并不是一直隨樹高的生長而生長，然而，由于采用了大量的實測數據為依托能夠覆蓋研究區(qū)域不同林型、不同樹種在不同階段所呈現出的樹高—冠幅之間的關系，所以估測的結果也比較理想，冠幅估測的檢驗精度為92%，亦可以滿足應用需求。

［1］龐勇，于信芳，李增元，等.星載激光雷達波形長度提取與林業(yè)應用潛力分析［J］林業(yè)科學，2006，42(7):137－140.

［2］趙麗瓊，張曉麗，孫紅梅.激光雷達數據在森林參數獲取中的應用［J］.世界林業(yè)研究，2010，23(2):61－64.

［3］Marr D，Hildrith E.Theory of edge detection［J］.Proceedings of the Royal Society of London.Series B，Biological Sciences，1980，207:187－217.

［4］馬利群，李愛農.激光雷達在森林垂直結構參數估算中的應用［J］.世界林業(yè)研究，2011，24(1):41－44.

［5］Reese H，Mats N，Granqvist P T，等.運用衛(wèi)星數據和來自國家森林清查的野外數據進行全國森林變量估計［J］.AMBIO－人類環(huán)境雜志，2003，32(8):539－544.

［6］Ross N，Krabill W，Maclean G.Detemining forest canopy characteristics using airborne laser data［J］.Remote Sensing of Environment，1984，15(3):201－212.

［7］Naesset E，Bjerknes K O.Estimating tree heights and mumber of stems in young forest stands using airborne laser scanner data［J］.Rmote Sensing of Envirorunent，2001，78(3):328－340.

［8］Means J E，Acker S A，Fitt B J，et al.Predicting forest stand characteristics with airborne scanning LIDAB［J］.Photogrammetric Engineering and Remote Sensing，2000，66(11):1367－1371.

［9］Mallet C，Bretar F.Full－waveform topgraphic lidar:State－of－theart［J］.Journal of Photogrammetry and Remote Sensing，2009，64(1):1－16.

［10］Lefsky M A，Cohen W B，Acker S A，et al.Lidar remote sensing of the canopy structure and biophysical properties of Douglasfir western hemlock forests［J］.Remote Sensing of Environment，1999，70(3):339－361.

［11］Dubayah R O，Drake J B.Lidar remote sensing for forestry［J］.Journal of Forestry，2000，98(6):44－46.

［12］Duong H V，Lindenbergh R，Pfeifer N，et al.Single and two epoch analysis of ICESat full－waveform data over forested areas［J］.International Journal of Remote Sensing，2008，29(5):1453 －1473.

［13］龐勇，李增元，陳爾學，等.激光雷達技術及其在林業(yè)上的應用［J］.林業(yè)科學，2005，41(3):129－136.

［14］馬茂江，張文，萬國禮.德國森林資源調查與監(jiān)測對我國的啟示［J］.四川林勘設計，2008(2):9－13.

［15］Clark N A，Wynne R H，Schmoldt D L.A review of past research on dendrometers［J］.Forest Science，2000，46(4):570－576.

［16］殷鳴放，譚希彬.國際模式森林的研究進展［J］.遼寧林業(yè)科技，2001(4):24－27.

［17］劉平.美國森林植被模擬系統(tǒng)(FVS)在北京地區(qū)人工林上的應用研究［D］.北京:北京林業(yè)大學，2007.

［18］徐光彩.機載LIADR波形數據處理及分類研究［D］.南京:南京林業(yè)大學，2010.

［19］覃馭楚，吳運超，牛錚，等.基于小光斑激光雷達數據的稀疏林地冠層高程重建［J］.自然資源學報，2008，23(3):507－510.

［20］李奇，馬洪超，鄔建偉，等.機載小光斑LIDAR的森林參數評估［J］.林業(yè)資源管理，2008(1):74－81.

［21］唐菲菲，劉星，張亞利，等.基于機載激光雷達數據識別單株木的新方法［J］.遙感技術與應用，2011，26(2):196－202.

［22］張煜，竇延娟，張曉東.機載激光雷達數據采集及數據處理［J］.長江科學院院報，2010，27(1):13－16.

［23］黃金浪.基于TerraScan的LiDAR數據處理［J］.測繪通報，2007(10):13－17.

［24］劉清旺.機載激光雷達森林參數估測方法研究［D］.北京:中國林業(yè)科學研究院，2009.

［25］Nelson R，Short A，Valenti M.Measuring biomass and carbon in Delaware using an airborne profiling lidar［J］.Scandinavian Journal of Forest Research，2004(19)6:500－511.

［26］李峰，劉桂英，王力剛.黑龍江省森林碳匯價值評價及碳匯潛力分析［J］.防護林科技，2011(1):87－88.

［27］王維楓，雷淵才，王雪峰，等.森林生物量模型綜述［J］.西北林學院學報，2008，23(2):58－63.

［28］劉志華，常禹，陳宏偉.基于遙感、地理信息系統(tǒng)和人工神經網絡的呼中林區(qū)森林蓄積量估測［J］.應用生態(tài)學報，2008，19(9):1891－1896.

［29］楊金明，范文義.小興安嶺主要樹種生物量的理論模型［J］.東北林業(yè)大學學報，2011，39(3):46－48.