孫 華，鞠洪波，張懷清，凌成星

（1. 中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長(zhǎng)沙 410004；2. 中國(guó)林業(yè)科學(xué)研究院資源信息所，北京 100091）

基于Worldview-2影像的林木冠幅提取與樹(shù)高反演

孫 華1,2，鞠洪波2，張懷清2，凌成星2

（1. 中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長(zhǎng)沙 410004；2. 中國(guó)林業(yè)科學(xué)研究院資源信息所，北京 100091）

以湖南省攸縣黃豐橋國(guó)有林場(chǎng)杉木人工林為例，探討林木冠幅提取與樹(shù)高反演方法研究?；赪orldview-2影像，采用均值漂移分割算法開(kāi)展樣地內(nèi)杉木冠幅信息提取。通過(guò)設(shè)置不同分割尺度確定最佳的冠幅分割參數(shù)為hs=10，hr=6，M=20。對(duì)提取的冠幅邊界進(jìn)行平滑處理，利用平滑后的影像冠幅與實(shí)測(cè)樹(shù)高，分別建立了冠幅樹(shù)高曲線估計(jì)模型和非線性聯(lián)立方程組反演模型。其中以樹(shù)高作為啞變量，建立的影像冠幅樹(shù)高非線性聯(lián)立方程組模型的擬合效果最佳，模型決定系數(shù)R2為0.899，模型的變動(dòng)系數(shù)（CV），平均百分標(biāo)準(zhǔn)誤差（EMPSE）均在10%以內(nèi)，是樹(shù)高反演的一種有效手段。

林業(yè)遙感；林木冠幅；杉木人工林；圖像分割；均值漂移算法；非線性聯(lián)立方程組

進(jìn)入21世紀(jì)，隨著高空間分辨率遙感影像不斷涌現(xiàn)，遙感技術(shù)在林業(yè)中的應(yīng)用由最初的森林類型識(shí)別和信息提取，向更加精細(xì)的方向發(fā)展，已經(jīng)開(kāi)始用于森林參數(shù)提取研究。樹(shù)高是一個(gè)重要的森林參數(shù)，是森林蓄積量和地上生物量估測(cè)的一個(gè)重要指標(biāo)。對(duì)于多光譜影像而言，通過(guò)提取影像各波段反射率、植被指數(shù)、紋理因子及其衍生變量的散點(diǎn)圖，采用空間統(tǒng)計(jì)學(xué)或逐步回歸技術(shù)提取與樹(shù)高相關(guān)性高的波段或變量，建立回歸模型來(lái)反演樹(shù)高是比較常見(jiàn)的方法[1-4]。近年來(lái)，冠幅胸徑模型以及冠幅樹(shù)高模型的研究受到了國(guó)內(nèi)外的關(guān)注，已有的文獻(xiàn)研究表明冠幅與樹(shù)高、胸徑有著良好的數(shù)學(xué)關(guān)系，林木位置和樹(shù)冠信息提取成為高分辨率遙感影像研究的焦點(diǎn)[5-6]。為了從影像上快速識(shí)別和分析冠幅特征，并將冠幅信息從遙感影像數(shù)據(jù)中分離并提取出來(lái)，面向?qū)ο蟮姆指罴夹g(shù)被認(rèn)為是一種有效的方式[7-9]。近年來(lái)隨著商業(yè)遙感分析軟件eCognition的應(yīng)用，面向?qū)ο蟮倪b感影像分析方法越來(lái)越受到研究者的關(guān)注。國(guó)內(nèi)外學(xué)者在圖像分割方面開(kāi)展了大量的研究，借助各種理論提出了上千種分割算法。現(xiàn)已提出的分割算法都是針對(duì)具體的問(wèn)題，并沒(méi)有一種適用于所有圖像的通用分割算法。對(duì)于樹(shù)冠信息提取而言，研究的算法主要側(cè)重于局部最大值法，基于輪廓的方法，模板匹配法，區(qū)域增長(zhǎng)法，分水嶺算法等[10-13]。

論文以Worldview-2影像為數(shù)據(jù)源，采用均值漂移算法（Mean Shift algorithm）開(kāi)展杉木樹(shù)冠信息提取與樹(shù)高反演研究。首先從影像中提取冠幅的邊緣特征，通過(guò)圖像分割的方式確定最佳的冠幅提取尺度。同時(shí)開(kāi)展地面樣地調(diào)查，進(jìn)行每木檢尺，記錄每棵樹(shù)的位置、胸徑、樹(shù)高、冠幅長(zhǎng)度（東西和南北）、以及林分郁閉度等信息。分析調(diào)查數(shù)據(jù)中實(shí)測(cè)冠幅與影像提取冠幅之間的相關(guān)性。結(jié)合實(shí)測(cè)樹(shù)高與冠幅的關(guān)系，最終建立杉木人工林影像冠幅樹(shù)高聯(lián)立方程組反演模型。

1 材料與方法

1.1 研究區(qū)概況

湖南省攸縣黃豐橋林場(chǎng)介于113°04′～113°43′E，27°06′～ 27°24′N 之間。東北部與江西的蓮花、萍鄉(xiāng)交界，東南與茶陵縣接壤，西北部與株洲、醴陵毗鄰。全場(chǎng)地貌以中低山為主，境內(nèi)最高海拔1 270 m，最低海拔115 m，坡度介于20～35°之間。林場(chǎng)地處中亞熱帶季風(fēng)濕潤(rùn)氣候區(qū)，年均氣溫17.8℃，平均無(wú)霜期為292 d，年均降水量1 410.8 mm。全場(chǎng)現(xiàn)有林地面積10 122.6 hm2，活立木蓄積879 705 m3，其中有林地蓄積879 688 m3，占活立木蓄積99.99%，四旁樹(shù)蓄積17 m3，僅占0.01%。林場(chǎng)的森林覆蓋率為86.24%。樹(shù)種主要以杉木Cunninghamia lanceolata(Lamb.) Hook、松類Pinusspp為主，其中杉木面積3 197.6 hm2，占用材林面積89.9%，蓄積593 738 m3，占96.56%，全部為人工造林[14]。

1.2 均值漂移算法

均值漂移算法（Mean Shift）是一種是非參數(shù)估計(jì)密度函數(shù)的方法，使每一個(gè)點(diǎn)通過(guò)有效的統(tǒng)計(jì)迭代“漂移”到密度函數(shù)的局部極大值點(diǎn)。算法思想最初由Fukunaga（1975）等人[15]在一篇關(guān)于概率密度梯度函數(shù)的估計(jì)論文中提出來(lái)的，Cheng（1995）對(duì)算法進(jìn)行了推廣，定義了核函數(shù)以及設(shè)定了一個(gè)權(quán)重系數(shù)，擴(kuò)大了算法的適用范圍。Comaniciu（2002）等人[16]證明了算法的收斂性，將Mean Shift算法運(yùn)用到圖像的特征空間分析中。Mean Shift算法本質(zhì)上是一個(gè)自適應(yīng)的梯度上升搜索峰值的方法，近年來(lái)，Mean shift算法在圖像平滑、分割以及視頻跟蹤等領(lǐng)域獲得了非常成功的應(yīng)用效果。并逐步應(yīng)用于中高分辨率遙感影像的實(shí)現(xiàn)遙感影像的多尺度分割，在分割參數(shù)控制及穩(wěn)定性方面研究成果頗多，有關(guān)Meanshift算法的相關(guān)數(shù)學(xué)推導(dǎo)見(jiàn)參考文獻(xiàn)[16]。

1.3 建模方法

本研究擬采取曲線估計(jì)和近代統(tǒng)計(jì)學(xué)中聯(lián)立方程組法構(gòu)建Worldview-2影像冠幅樹(shù)高模型[17]。為了表達(dá)方便，用HT代表實(shí)測(cè)樹(shù)高，CW代表實(shí)測(cè)冠幅，PCW代表提取的影像冠幅。聯(lián)立方程組模型構(gòu)建具體步驟如下：

（1）通過(guò)地面實(shí)測(cè)樣木數(shù)據(jù)，構(gòu)建HT-CW模型；

（2）建立基于分割算法提取的林木冠幅與實(shí)測(cè)冠幅（CW-PCW）模型；

（3）HT-CW模型與CW-PCW模型聯(lián)立，建立聯(lián)立方程組模型。

1.4 模型評(píng)價(jià)

利用確定系數(shù)R2、估計(jì)值的標(biāo)準(zhǔn)差（Standard Error of Estimate，SEE）、變動(dòng)系數(shù)（Coeff i cient of Variation，CV）和平均百分標(biāo)準(zhǔn)誤差（Mean Percent Standard Error，MPSE）4個(gè)評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行檢驗(yàn)。

式中，yi表示實(shí)測(cè)值，y?i表示預(yù)測(cè)值，y表示實(shí)測(cè)值的均值，p為模型參數(shù)個(gè)數(shù)。

2 結(jié)果與分析

2.1 冠幅提取分析

樹(shù)木的冠幅信息在圖像上所表示同質(zhì)范圍相對(duì)較小，要想在遙感影像上準(zhǔn)確提取冠幅信息，分割尺度是一個(gè)必須要考慮的問(wèn)題。對(duì)于Mean Shift而言，通過(guò)控制核的帶寬參數(shù)（hs，hr），有效的將同質(zhì)區(qū)域影像分割到同一對(duì)象塊中，最后利用最小區(qū)域面積（M）參數(shù)逐步實(shí)現(xiàn)影像的多尺度分割?？紤]到單棵樹(shù)的樹(shù)冠面積相對(duì)較小，在保持空間特征帶寬hs與顏色特征帶寬hr不變（hs=10，hr=6）的情況下，逐步減少最小區(qū)域面積參數(shù)M的值，發(fā)現(xiàn)隨著最小區(qū)域面積值的減少，分割出來(lái)的斑塊數(shù)量呈幾何級(jí)數(shù)增長(zhǎng)（圖1），而且分割效果不佳，出現(xiàn)了過(guò)分割現(xiàn)象。

圖1 斑塊數(shù)量與最小區(qū)域面積尺度M的相關(guān)曲線Fig.1 Relation between plaque numbers and minimum area scale parameter

圖2 （hr=6，M=20）和圖3（hs=20，M=20）分別表示在兩個(gè)參數(shù)固定不變的情況下，斑塊數(shù)量隨空間尺度和光譜尺度變化的關(guān)系，從中可以得知，兩者的曲線的變化趨勢(shì)基本一致，尺度越大，所生成的斑塊數(shù)量越少；從兩條曲線的比較來(lái)看，在最小區(qū)域面積保持不變的情況下（M=20），顏色特征尺度hr比空間尺度hs對(duì)斑塊數(shù)量影響更敏感，隨著尺度的增加，斑塊的數(shù)量變化要大于空間尺度參數(shù)。

圖2 斑塊數(shù)量與尺度參數(shù)hs的相關(guān)曲線Fig.2 Relation between plaque numbers and scale parameter hs

圖3 斑塊數(shù)量與尺度參數(shù)hr相關(guān)Fig.3 Relation between plaque numbers and scale parameter hr

經(jīng)過(guò)對(duì)上述3個(gè)分割參數(shù)的比較與分析之后，要達(dá)到準(zhǔn)確提取杉木冠幅，確定最優(yōu)的分割尺度，除了能準(zhǔn)確顯示冠幅邊界信息之外，還需考慮通過(guò)分割之后的斑塊不能太破碎，尤其是針對(duì)同質(zhì)區(qū)域范圍內(nèi)的影像，分割結(jié)果盡可能保持圖像的一致性，其次斑塊數(shù)量要控制在一定的范圍內(nèi)，這樣可以避免產(chǎn)生過(guò)分割現(xiàn)象，經(jīng)過(guò)反復(fù)試驗(yàn)和比較，認(rèn)為hs=10，hr=6，M=20對(duì)于研究區(qū)杉木冠幅提取具有較好的效果，共提取杉木有效冠幅樣本227個(gè)，使用邊界平滑算法對(duì)提取的冠幅進(jìn)行平滑處理，效果如圖4所示。

圖4 Meanshift算法冠幅提取結(jié)果Fig.4 Extracted results of tree crows by using Meanshift

2.2 曲線估計(jì)模型

為了得到更為準(zhǔn)確的模型，分別采用實(shí)測(cè)冠幅和影像提取的平均冠幅建立冠幅樹(shù)高模型。從提取的227個(gè)杉木冠幅樣本中，隨機(jī)抽取157個(gè)樣本作為建模數(shù)據(jù)，剩余70個(gè)樣本作為檢驗(yàn)數(shù)據(jù)。采用曲線估計(jì)中的11種模型進(jìn)行冠幅樹(shù)高建模，并選出最佳擬合模型，模型擬合結(jié)果如表1所示。從表中可以看出，利用實(shí)測(cè)冠幅信息建立的冠幅樹(shù)高模型的擬合最佳曲線為二次方程，決定系數(shù)R2為0.52。利用影像提取的冠幅信息建立的冠幅樹(shù)高擬合最佳曲線為冪函數(shù)模型，決定系數(shù)R2為0.36。

表 1 冠幅樹(shù)高最佳曲線估計(jì)模型Table 1 Optimal evaluation models for crown-height

圖5 實(shí)測(cè)冠幅樹(shù)高模型殘差分析Fig.5 Residual distribution of HT-CW model

圖6 影像冠幅樹(shù)高模型殘差分析Fig.6 Residual distribution of HT-PCW model

圖5 和圖6的殘差分布結(jié)果表明2個(gè)模型檢驗(yàn)數(shù)據(jù)的殘差絕大部分都在置信帶內(nèi) [-2σ?，2σ?]，殘差點(diǎn)分布隨機(jī)性較好，以0為基準(zhǔn)線上下對(duì)稱分布。從表2模型檢驗(yàn)結(jié)果分析可知，利用影像提取的冠幅直接建立冠幅樹(shù)高模型的精度低于實(shí)測(cè)冠幅樹(shù)高建立的模型，因此利用影像冠幅直接建立樹(shù)高的遙感反演模型的效果并不理想。

表2 冠幅樹(shù)高模型檢驗(yàn)結(jié)果Table 2 Examination results of regression models for crown-height

2.3 非線性聯(lián)立方程組模型

實(shí)測(cè)冠幅與樹(shù)高數(shù)據(jù)分析可知，冠幅與兩者之間存在較好的二次方程的關(guān)系。如何建立影像上的冠幅與實(shí)測(cè)樹(shù)高的反演模型呢？這需要從分析實(shí)測(cè)冠幅和影像提取冠幅之間的關(guān)系入手。首先，對(duì)多尺度均值漂移提取的227個(gè)平滑后的杉木冠幅與實(shí)測(cè)冠幅進(jìn)行匹配，再建立曲線估計(jì)模型，從模型建立的情況來(lái)看，實(shí)測(cè)冠幅與遙感影像提取的冠幅存在良好的線性關(guān)系（圖7），其決定系數(shù)R2=0.646。

圖7 冠幅提取結(jié)果與實(shí)測(cè)值擬合效果Fig.7 Observed values of tree crown width against estimated values

由上可知，實(shí)測(cè)冠幅與影像冠幅存在線性關(guān)系，而實(shí)測(cè)冠幅樹(shù)高之間是二次方程的關(guān)系，是一種非線性關(guān)系。假定遙感影像冠幅沒(méi)有度量誤差，則可以通過(guò)實(shí)測(cè)冠幅建立影像冠幅與樹(shù)高的非線性聯(lián)立方程組反演模型。非線性聯(lián)立方程組的嚴(yán)格數(shù)學(xué)模型和推導(dǎo)方法見(jiàn)唐守正等（2009），研究所建模型的分線性聯(lián)立方程組運(yùn)算通過(guò)ForStat軟件得到。從提取的冠幅227個(gè)樣本中，抽取157個(gè)樣本進(jìn)行構(gòu)建非線性聯(lián)立方程組反演模型，剩余70個(gè)樣本用來(lái)做模型精度檢驗(yàn)，所得冠幅/樹(shù)高的非線性聯(lián)立方程組如下：

式中，聯(lián)立方程組的誤差變量指的是CW和HT。CW的殘差平方和為33.159，確定系數(shù)R2為0.642，H的殘差平方和為619.904，確定系數(shù)R2為0.355。利用樣本驗(yàn)證數(shù)據(jù)來(lái)檢驗(yàn)非線性聯(lián)立方程組模型預(yù)測(cè)值與實(shí)際觀測(cè)值是否存在較好的線性擬合關(guān)系，分析殘差的分布是否在置信帶[-2σ?，2σ?]內(nèi)。冠幅樹(shù)高模型的檢驗(yàn)結(jié)果如圖8所示。

圖8 非線性聯(lián)立方程組模型殘差分布Fig.8 Residual distribution of non-linear simultaneous model

從圖8的殘差分布可知，大部分驗(yàn)證數(shù)據(jù)的殘差分布在置信帶 [-2σ?，2σ?]內(nèi)。從表3 驗(yàn)證數(shù)據(jù)的結(jié)果來(lái)看，驗(yàn)證數(shù)據(jù)所得的冠幅樹(shù)高模型的決定系數(shù)0.419，與之前的冠幅與樹(shù)高直接建立的反演方程相比，并沒(méi)有得到明顯改善。模型檢驗(yàn)數(shù)據(jù)估計(jì)值的標(biāo)準(zhǔn)差（SEE）、變動(dòng)系數(shù)（CV）、平均百分標(biāo)準(zhǔn)誤差（MPSE）的統(tǒng)計(jì)結(jié)果與表3統(tǒng)計(jì)結(jié)果不差上下。從上述分析可知，假定影像冠幅提取的結(jié)果沒(méi)有度量誤差，建立影像冠幅與實(shí)測(cè)冠幅以及樹(shù)高的聯(lián)立方程組反演模型，沒(méi)有達(dá)到預(yù)期的建模目標(biāo)，需要對(duì)非線性聯(lián)立方程組的建模因子做進(jìn)一步的分析，提高模型的精度，使得模型解釋更為合理。

表3 非線性聯(lián)立方程組模型檢驗(yàn)結(jié)果Table 3 Examination results of non-linear simultaneous equations

2.4 基于啞變量的非線性聯(lián)立方程組模型

在考慮樹(shù)高以及冠幅測(cè)量存在人為誤差建立的聯(lián)立方程組沒(méi)有得到良好的效果時(shí)，應(yīng)該考慮樣地內(nèi)林木樹(shù)高的差異，將樹(shù)高視為啞變量，進(jìn)行數(shù)量化分級(jí)，建立基于啞變量的非線性聯(lián)立方程組反演模型。樣地實(shí)地調(diào)查的過(guò)程中，樣地中林木樹(shù)高差異較大，樣地內(nèi)最高的杉木為18.6 m，最低的僅為7.2 m，為了便于計(jì)算將樹(shù)高分為4個(gè)等級(jí)，如表4所示。在ForStat軟件中構(gòu)建啞變量非線性聯(lián)立方程組，將模型中所有參數(shù)的初始值設(shè)置為1，采用牛頓——拉格朗日方法進(jìn)行計(jì)算。建模結(jié)果如下：

式中，CW表示實(shí)測(cè)平均冠幅，PCW表示影像上提取的冠幅長(zhǎng)度，HT表示樹(shù)高，樹(shù)高的4個(gè)數(shù)量化等級(jí)表示如下：（1）當(dāng)E1=E2=E3=0表示樹(shù)高第一個(gè)等級(jí)（I），（2）當(dāng)E1=1且E2=E3=0時(shí)表示第二個(gè)等級(jí)（II），（3）當(dāng)E2=1且E1=E3=0表示第三個(gè)等級(jí)（III），（4）當(dāng)E3=1且E1=E2=0表示第四個(gè)等級(jí)（IV）。模型中，CW的殘差平方和為33.159，確定系數(shù)R2為0.642，H的殘差平方和為97.535，確定系數(shù)R2為0.899。

表4 樹(shù)高數(shù)量化分級(jí)Table 4 Quantitative hierarchy for DBH and HT

表5中模型檢驗(yàn)結(jié)果表明，冠幅樹(shù)高模型的擬合效果很好，決定系數(shù)R2為0.885。而且，模型檢驗(yàn)數(shù)據(jù)估計(jì)值的標(biāo)準(zhǔn)差（SEE）、變動(dòng)系數(shù)（CV）、平均百分標(biāo)準(zhǔn)誤差（MPSE）的統(tǒng)計(jì)結(jié)果較非線性聯(lián)立方程組有很大的改進(jìn)，誤差基本控制在10%以內(nèi)。圖9中殘差點(diǎn)的分布隨機(jī)性較好，絕大部分驗(yàn)證數(shù)據(jù)的殘差分布在置信帶 [-2σ?，2σ?]內(nèi)。從上述分析可知，說(shuō)明基于啞變量的非線性聯(lián)立方程組建立影像冠幅與樹(shù)高的反演模型效果十分理想。

表5 啞變量非線性聯(lián)立方程組模型檢驗(yàn)結(jié)果Table 5 Examination results of non-linear simultaneous equations when dummy variable was used

圖9 啞變量非線性聯(lián)立方程組殘差分布Fig.9 Residual distribution of non-linear simultaneous equations when dummy variable was used

3 結(jié)論與討論

以Worldview-2影像對(duì)研究對(duì)象，以地面調(diào)查樣地為基礎(chǔ)，首先利面向?qū)ο蟮膱D像分析方法開(kāi)展杉木冠幅信息提取研究；其次，對(duì)提取的冠幅邊界信息進(jìn)行平滑處理，結(jié)合實(shí)測(cè)冠幅和樹(shù)高建立聯(lián)立方程組反演模型。對(duì)模型預(yù)測(cè)值與實(shí)際觀測(cè)值是否存在較好的線性擬合關(guān)系進(jìn)行了檢驗(yàn)，分析了模型的殘差分布，得出以下幾點(diǎn)結(jié)論。

（1）面向?qū)ο蟮挠跋穹指罘椒梢杂行У奶崛∩寄竟诜畔?。研究運(yùn)多尺度均值漂移分割方法對(duì)杉木冠幅信息進(jìn)行提取。顏色特征尺度hr，空間尺度hs以及分割尺度（M）是多尺度均值漂移冠幅提取的關(guān)鍵，經(jīng)過(guò)多次反復(fù)試驗(yàn)，確定最合適的分割參數(shù)為hs=10，hr=6，M=20，多尺度均值漂移提取的有效斑塊數(shù)為227個(gè)，從斑塊提取的有效性比較來(lái)看，多尺度均值漂移算法是提取林木冠幅的一種有效方法。

（2）建立了影像冠幅樹(shù)高聯(lián)立方程組反演模型。影像分割平滑后的冠幅與實(shí)測(cè)冠幅存在良好的線性關(guān)系，決定系數(shù)R2=0.646。同時(shí)，實(shí)測(cè)冠幅與樹(shù)高最佳擬合曲線模型為二次方程。通過(guò)實(shí)測(cè)冠幅，建立了影像冠幅與樹(shù)高的非線性聯(lián)立方程組。其中，以考慮樹(shù)高以及實(shí)測(cè)冠幅存在測(cè)量誤差，且將樹(shù)高作為啞變量建立的影像冠幅樹(shù)高分線性誤差變量聯(lián)立方程組模型擬合效果最好，擬合效果比較理想，決定系數(shù)R2為0.899，模型的變動(dòng)系數(shù)（CV）、平均百分標(biāo)準(zhǔn)誤差（MPSE）在10%以內(nèi)。模型的適用性檢驗(yàn)表明，基于啞變量的非線性聯(lián)立方程組模型的殘差點(diǎn)分布隨機(jī)性較好，以0為基準(zhǔn)線上下對(duì)稱分布，說(shuō)明利用從影像提取冠幅進(jìn)行樹(shù)高的反演是可行的，可以為快速獲取杉木人工林平均胸徑、樹(shù)高等森林參數(shù)提供方法與技術(shù)參考。

[1] 曾 濤,琚存勇,蔡體久,等. 利用變量投影重要性準(zhǔn)則篩選郁閉度估測(cè)參數(shù)[J]. 北京林業(yè)大學(xué)學(xué)報(bào),2010,32(6):37-41.

[2] Franklin S., Wulder M., Gerylo G. Texture analysis of IKONOS panchromatic data for Douglas-f i r forest age class separability in British Columbia[J]. International Journal of Remote Sensing ,2002, 22(13): 2627-2632.

[3] Vander Sanden JJ and Hoekman DH. Review of relationships between grey-tone co-occurrence, semivariance, and autocorrelation based image texture analysis approaches[J].Canadian Journal of Remote Sensing, 2005, 31(3):207-213.

[4] Jon Pasher, Douglas J. King. Multivariate forest structure modeling and mapping using high resolution airborne imagery and topographic information[J]. Remote Sensing of Environment,2010, (114): 1718-1732.

[5] Marshall D. D.,Gregory P.J.,Hann DW. Crown prof i le equations for stand-grown western hemlock trees in northwestern Oregon[J]. Canadian Journal of Forest Research, 2003, (33): 2059-2066.

[6] Turan S?nmez. Diameter at breast height-crown diameter prediction models for Picea orientalis[J]. African Journal of Agricultural Research, 2009,4(3):215-219.

[7] 覃先林,李增元,易浩若.高空間分辨率衛(wèi)星遙感影像樹(shù)冠信息提取方法研究[J].遙感技術(shù)與應(yīng)用,2005,20(2):228-232

[8] 馮益明,李增元,張 旭.基于高空間分辨率影像的林分冠幅估計(jì)[J].林業(yè)科學(xué),2006,42(5):110-113

[9] Pouliot D A, King D J, Bell F W,et al.Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration[J]. Remote Sensing of Environment. 2002,(82):322-334

[10] Leckie D G, Gougeon F A, Tinis S,et al. Automated tree recognition in old growth conifer stands with high resolution digital imagery[J]. Remote Sensing of Environment, 2005, (94):311-326

[11] 黃建文,鞠洪波,趙 峰,等. 利用遙感進(jìn)行退耕還林成活率及長(zhǎng)勢(shì)監(jiān)測(cè)方法的研究[J]. 遙感學(xué)報(bào).2007,11(6):899-905

[12] 鄧 廣. 高空間分辨率遙感影像單株立木識(shí)別與樹(shù)冠分割算法研究[J]. 北京中國(guó)林業(yè)科學(xué)研究院博士論文,2009,8-10

[13] Wang Le. A Multi-scale approach for delineating individual tree crowns with very high resolution imagery[J]. Photogrammetric Engineering & Remote Sensing,2010,76(4):371-378

[14] 孫 華,鞠洪波,張懷清,等. 三種回歸分析方法在Hyperion影像LAI反演中的比較[J]. 生態(tài)學(xué)報(bào),2012,32(24):7781-7790

[15] K. Fukunaga,L.D. Hostetler. The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition[J].IEEE Transactions on Information Theory,1975,21(1):32-40

[16] Dorin Comaniciu,Peter Meer. Mean shift:A robust approach toward feature space analysis[J]. IEEE Transaction on pattern analysis and machine intelligence,2002,24(5):601-619

[17] 唐守正,郎奎建,李?？? 統(tǒng)計(jì)和生物數(shù)學(xué)模型計(jì)算(ForStat教程)[M].北京:科學(xué)出版社,2009,197-290.

[18] 李曉冬, 王雪峰, 賀 鵬. 林木冠層圖像的分割方法研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào), 2013, 33(7): 40-44.

[19] 劉 剛, 張 雨, 臧 卓, 等. 多源遙感數(shù)據(jù)森林信息的提取和比較分析[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2012, 32(10): 158-161.

Study on crown diameter extraction and tree height inversion based on worldview-2 data

SUN Hua1,2, JU Hong-bo2, ZHANG Huai-qing2, LING Cheng-xing2
(1. Research Center of Forestry Remote Sensing & Information Engineering, Central South University of forestry & Technology,Changsha 410004, Hunan, China; 2. Research Institute of Forest Resources Information Technique, Chinese Academy of Forestry,Beijing 100091, China)

By taking the Chinese fi r plantation in Huangfengqiao Forest Farm in Youxian county, Hunan province as the tested objective,the methods of tree crown width extraction and tree height inversion were studied. Based on worldview-2 data, the tree crown width information of the plantation was extracted by adopting mean shift segmentation algorithm. After setting a series of Image segmentation scale, the optimal crown width segmentation parameters’ values were determined, they arehs=10,hr=6,M=20.The extracted crown width border was smoothened, and the estimation model of tree crown=height curve and the inversion model of nonlinear simultaneous equations were respectively established based on the smoothed image’s crown width and measured tree height. Of them, the model of image tree crown-high nonlinear simultaneous equations set by taking tree high as the dummy argument had the optimal fi tting results,the model coeff i cient of determinationR2=0.899, the variation coeff i cient of modelCCVand the average percentage standard errorsEMPSEboth were less than 10%, so the last selected model is an effective means for tree height inversion of Chinese fi r plantation.

forest remote sensing; tree crown width; Chinese fir plantation; image segmentation; mean shift algorithm; non-linear simultaneous equations

S771.8

A

1673-923X(2014)10-0045-06

2013-12-21

國(guó)家“十二五”863課題：“數(shù)字化森林資源監(jiān)測(cè)關(guān)鍵技術(shù)研究”（2012AA102001）；林業(yè)公益性行業(yè)科研專項(xiàng)（201104028）

孫 華（1979-），男，湖南隆回人，博士，講師，研究方向?yàn)榱謽I(yè)信息技術(shù)

張懷清（1973- ），男，湖南寧鄉(xiāng)人，研究員，碩士生導(dǎo)師，主要從事林業(yè)可視化模型技術(shù)與濕地監(jiān)測(cè)技術(shù)

[本文編校：吳 彬]