李 赟，溫小榮,*，佘光輝，林國(guó)忠

(1.南京林業(yè)大學(xué)南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心，江蘇 南京 210037； 2.南京林業(yè)大學(xué)林學(xué)院，江蘇 南京 210037)

基于UAV高分影像的楊樹(shù)冠幅提取及相關(guān)性研究

李 赟1,2，溫小榮,1,2*，佘光輝1,2，林國(guó)忠1,2

(1.南京林業(yè)大學(xué)南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心，江蘇 南京 210037； 2.南京林業(yè)大學(xué)林學(xué)院，江蘇 南京 210037)

[目的]以無(wú)人機(jī)高清影像為數(shù)據(jù)源，結(jié)合樣地實(shí)地調(diào)查數(shù)據(jù)，研究楊樹(shù)冠幅提取及其與胸徑和林分蓄積量的相關(guān)性，為無(wú)人機(jī)森林調(diào)查技術(shù)提供一種思路和方法。[方法]基于無(wú)人機(jī)高分影像及實(shí)地調(diào)查數(shù)據(jù)，采用面向?qū)ο蠓?，?duì)楊樹(shù)林木冠幅進(jìn)行分割與提取，通過(guò)實(shí)地測(cè)量數(shù)據(jù)建立冠幅-胸徑模型，利用一元材積表計(jì)算樣地蓄積量，并進(jìn)行相關(guān)性分析與精度檢驗(yàn)。[結(jié)果]影像分割效果良好，但提取得到的冠幅比實(shí)際值偏小，研究區(qū)最適宜的楊樹(shù)冠幅分割尺度為10，平滑度0.1，緊致度0.5。楊樹(shù)冠幅與胸徑建立相關(guān)模型，其中一元線性方程擬合效果最好，相關(guān)系數(shù)為0.75。通過(guò)模型計(jì)算的樣地蓄積與實(shí)測(cè)樣地蓄積進(jìn)行雙側(cè)T檢驗(yàn)，結(jié)果sig=0.058>0.05，兩組數(shù)據(jù)差異不顯著。[結(jié)論]采用面向?qū)ο蠓?，通過(guò)無(wú)人機(jī)高分影像能自動(dòng)分割并提取了楊樹(shù)林木冠幅信息，提取效果良好；利用影像提取林木平均冠幅，通過(guò)冠幅-胸徑相關(guān)關(guān)系模型得到林木胸徑，進(jìn)而推算林分蓄積的方法可以滿足森林資源調(diào)查精度要求。

無(wú)人機(jī)；高分影像；楊樹(shù)冠幅；森林蓄積量

近年來(lái)無(wú)人機(jī)遙感技術(shù)發(fā)展迅速，輕小型無(wú)人機(jī)因其獲取影像機(jī)動(dòng)靈活、影像分辨率高等優(yōu)勢(shì)，成為傳統(tǒng)航空攝影測(cè)量手段的有效補(bǔ)充[1]，為林分冠幅信息的提取提供了有力的技術(shù)支持。冠幅提取的方法主要有面向?qū)ο蠓?、分水嶺分割法、專家分類法等。吳見(jiàn)[2]等通過(guò)基于邊緣的算法對(duì)快鳥(niǎo)全色影像中的植被區(qū)域進(jìn)行二級(jí)分割，利用光譜、形狀和紋理特征組成的空間特征對(duì)退耕還林地的樹(shù)冠信息進(jìn)行了提取，總體精度達(dá)到84.67%。王茹雯[3]等利用面向?qū)ο蠹夹g(shù)對(duì)延慶縣試驗(yàn)地的側(cè)柏樹(shù)冠信息進(jìn)行了提取，監(jiān)測(cè)平均精度達(dá)到80.02%，針葉林提取精度高于闊葉林。Wang Le[4]等采用分水嶺分割法，在樹(shù)冠中心點(diǎn)周圍描繪樹(shù)冠輪廓，以及Song C[5]等利用IKONOS影像,通過(guò)半方差函數(shù)計(jì)算冠幅,均取得了較好的精度。大部分研究者僅進(jìn)行了林木冠幅信息提取在方法技術(shù)上的探究，而將冠幅提取方法進(jìn)一步用于森林調(diào)查中，探究與林木胸徑、林分蓄積量之間的相關(guān)關(guān)系，研究還較少。

隨著遙感事業(yè)的大力發(fā)展，利用遙感技術(shù)估測(cè)森林蓄積量的研究不斷深入，大多數(shù)研究者利用遙感數(shù)據(jù)，結(jié)合少量樣地調(diào)查數(shù)據(jù)，建立回歸模型的方法[6-9]估測(cè)森林蓄積量，少部分研究者利用LiDAR、雷達(dá)等儀器，獲得林分樹(shù)高等林分結(jié)構(gòu)參數(shù)，直接計(jì)算森林蓄積量[10-12]，或者融合主被動(dòng)遙感獲取的影像，以及分別提取主被動(dòng)遙感中的遙感信息參數(shù)進(jìn)行森林蓄積量估測(cè)[13-16]。現(xiàn)今遙感估測(cè)蓄積量方法主要是基于大尺度范圍，雖省時(shí)省力，但難以做到精細(xì)化。

針對(duì)以上研究空缺，本研究以無(wú)人機(jī)高清影像為數(shù)據(jù)源，在前人研究的基礎(chǔ)上，結(jié)合樣地實(shí)地調(diào)查數(shù)據(jù)，對(duì)高清影像進(jìn)行多尺度分割，提取楊樹(shù)單株林木冠幅，通過(guò)模型得到林木胸徑，建立冠幅-胸徑線性相關(guān)模型，進(jìn)而估測(cè)出林分蓄積量，并進(jìn)行相關(guān)性分析與精度評(píng)價(jià)，旨在為進(jìn)一步改進(jìn)和完善森林蓄積量無(wú)人機(jī)遙感監(jiān)測(cè)體系提供理論參考。

1 研究區(qū)概況

東臺(tái)林場(chǎng)位于江蘇省東臺(tái)市，地理坐標(biāo)介于120°47′11″～120°52′0″E，32°53′30″～32°51′17″N，處于亞熱帶和北溫帶過(guò)渡區(qū)，季風(fēng)顯著，四季分明，年均氣溫15.0℃，雨量充沛(年均降水量1 061.2 mm)，地勢(shì)平坦，近海無(wú)山，土壤肥沃濕潤(rùn)，極適合楊樹(shù)生長(zhǎng)。東臺(tái)林場(chǎng)現(xiàn)有樹(shù)種達(dá)200種，木材總蓄積量約5萬(wàn)m3，主要經(jīng)營(yíng)樹(shù)種為楊樹(shù)(PopulussimoniiCarr.)、水杉(MetasequoiaglyptostroboidesHu et Cheng)，林場(chǎng)內(nèi)95%林分為人工純林，林下植被主要有：金銀花(LonicerajaponicaThunb.)、金鐘(ForsythiaviridissimaLindl.)、小葉女貞(LigustrumquihouiCarr.)、木香(RosabanksiaeAit.)、枸杞(LyciumchinenseMill.)等。

2 數(shù)據(jù)來(lái)源與研究方法

2.1 數(shù)據(jù)來(lái)源

表1 樣地測(cè)量數(shù)據(jù)匯總

2.1.2 遙感數(shù)據(jù) 樣地調(diào)查的同時(shí)，進(jìn)行無(wú)人機(jī)遙感影像采集，采用的無(wú)人機(jī)是數(shù)字綠土八旋翼無(wú)人機(jī)，無(wú)人機(jī)搭載了一個(gè)CCD相機(jī)。將采集的高分影像進(jìn)行拼接、幾何校正、正射校正、最終得到的影像分辨率為0.15 m。

2.2 研究方法

2.2.1 林木冠幅提取 采用面向?qū)ο蠓▽?duì)林木冠幅進(jìn)行分割和提取[17-18]。利用arcgis軟件，用樣地GPS信息建立樣地邊框，通過(guò)邊框裁剪出樣地內(nèi)的無(wú)人機(jī)影像，將影像輸入Definiens eCognition 8.0軟件，進(jìn)行面向?qū)ο蠖喑叨确指?。影像分割尺度的不同，產(chǎn)生的對(duì)象大小也不同，尺度太大會(huì)使提取的冠幅中包含空地、陰影等信息，尺度太小則可能使單株林木冠幅過(guò)于破碎；同時(shí)，平滑度與緊致度的權(quán)重也很大程度上影響分割效果[19]。本研究于8～20等多個(gè)尺度之間，以及不同緊致度、平滑度間進(jìn)行多次試驗(yàn)，最終選取的分割尺度為10，平滑度0.1，緊致度0.5。影像分割完成后，對(duì)各樣地分別提取出冠幅信息。分析面向?qū)ο蠓指顔卧l(fā)現(xiàn)，對(duì)象單元中林木枝葉的亮度值較高，將亮度值作為提取冠幅的指標(biāo)。本研究應(yīng)用閾值分類法，利用亮度值、相鄰性指數(shù)進(jìn)行組合，描述樹(shù)冠類信息，針對(duì)79塊樣地，各設(shè)定相對(duì)應(yīng)的閾值組合類型。提取出林木冠幅矢量信息之后，將影像分割提取楊樹(shù)平均冠幅與對(duì)應(yīng)林木實(shí)測(cè)平均冠幅進(jìn)行分析與誤差修正。

2.2.2 胸徑冠幅模型選擇 眾多研究表明[20-24]，林木胸徑與冠幅具有顯著的正相關(guān)性，且胸徑生長(zhǎng)與冠幅增加的相關(guān)規(guī)律不受立地條件與林齡差異的影響[25]。本研究從235株樣木中隨機(jī)提取200株楊樹(shù)的胸徑、冠幅進(jìn)行模型構(gòu)建，剩余35株樣木作為模型檢驗(yàn)樣本。根據(jù)散點(diǎn)分布圖，選擇一元線性模型、對(duì)數(shù)曲線模型、二次曲線模型、三次曲線模型、冪函數(shù)曲線模型、指數(shù)曲線模型、logistic模型等7種常見(jiàn)模型進(jìn)行回歸分析，并選取出相關(guān)系數(shù)最大，且F值最小的模型。

2.2.3 蓄積量推算 利用一元材積表計(jì)算楊樹(shù)單株材積，查詢蘇北地區(qū)楊樹(shù)一元材積表，研究區(qū)楊樹(shù)的一元材積經(jīng)驗(yàn)式為：

V=0.000 050 479 1D1.908 505 4[(0.923 600 4+

0.050 210 9×e-0.096 864 79D)-37.807 42]0.990 765 07(1)

將影像提取的修正后的冠幅代入冠幅-胸徑模型，算出楊樹(shù)胸徑，進(jìn)而得到楊樹(shù)單株材積，根據(jù)影像分析出的林木株數(shù)，將樣地所有楊樹(shù)單株材積累加，即可得到樣地蓄積量。

3 結(jié)果與分析

3.1 林木冠幅分割

(2)

圖1 35號(hào)樣地冠幅分割圖Fig.1 Crown segmentation image of No. 35 plot

表2 模型擬合結(jié)果

表3 模型方差檢驗(yàn)

3.2 胸徑冠幅模型構(gòu)建與驗(yàn)證

利用SPSS統(tǒng)計(jì)軟件，選取7種回歸模型，以楊樹(shù)實(shí)測(cè)冠幅為自變量，胸徑為因變量，建立估測(cè)模型，結(jié)果如圖3、表4所示。

圖2 影像分割平均冠幅與實(shí)測(cè)平均冠幅相關(guān)性Fig.2 The correlation of image segmented average crown and measured average crown

圖3 冠幅-胸徑相關(guān)性曲線圖Fig.3 The curves of crown and DBH correlation

表4 曲線估計(jì)模型參數(shù)匯總

由表4可知，一元線性函數(shù)相關(guān)系數(shù)R2最大，且其剩余標(biāo)準(zhǔn)差最小，選取該模型構(gòu)建胸徑、冠幅模型，表達(dá)式為：

(3)

將剩余的35株樣木測(cè)量數(shù)據(jù)用于最優(yōu)模型適用性檢驗(yàn)，利用均方根誤差RMSE、系統(tǒng)誤差TRE、平均相對(duì)誤差MPE(公式4～6)三個(gè)評(píng)價(jià)指標(biāo)進(jìn)行模型檢驗(yàn)，以RMSE≤5，TRE≤±5%，MPE≤±10%，作為檢驗(yàn)標(biāo)準(zhǔn)[26]。

經(jīng)計(jì)算得：TRE=-0.190 3%，MPE=0.883 3%，RMSE=1.577 cm，預(yù)測(cè)值減去實(shí)測(cè)值即可得到殘差，殘差分布圖如圖4所示。

圖 4 冠幅-胸徑模型殘差分布圖Fig.4 Residual distribution of crown and DBH correlation model

由檢驗(yàn)結(jié)果可以看出，預(yù)測(cè)值殘差在-3.0～4.1cm之間，且誤差指標(biāo)TRE、MPE、RMSE(分別為-0.190 3%，0.883 3%，1.577 cm)均小于檢驗(yàn)標(biāo)準(zhǔn)，說(shuō)明模型擬合效果良好，可利用(3)式，通過(guò)楊樹(shù)冠幅，計(jì)算研究區(qū)楊樹(shù)胸徑。

3.3 蓄積量推算及精度分析

通過(guò)無(wú)人機(jī)影像得到樣地林木平均冠幅長(zhǎng)度，由方程(2)、(3)得到林木胸徑，代入楊樹(shù)一元材積經(jīng)驗(yàn)表達(dá)式即可得到楊樹(shù)材積，累加后得到樣地蓄積量。將79塊樣地實(shí)測(cè)胸徑得到的蓄積量(V1)與通過(guò)冠幅-胸徑模型得到的蓄積量(V2)進(jìn)行對(duì)比，相減后得到殘差值，殘差分析圖如圖5所示。對(duì)兩種方法得到的蓄積量通過(guò)SPSS軟件進(jìn)行雙側(cè)T檢驗(yàn)，檢驗(yàn)結(jié)果列于表5，從表中可以看出，sig值>0.05，說(shuō)明兩組數(shù)據(jù)差異不顯著，表明兩種方法得到的蓄積量之間相關(guān)關(guān)系強(qiáng)。

表5 T檢驗(yàn)結(jié)果表

圖5 蓄積量殘差分布圖Fig.5 Residual distribution of volume

4 結(jié)論

利用影像提取平均冠幅通過(guò)相關(guān)關(guān)系推算得到的蓄積量與樣地實(shí)測(cè)胸徑估算的蓄積量?jī)山M數(shù)據(jù)進(jìn)行雙側(cè)T檢驗(yàn)，檢驗(yàn)結(jié)果sig=0.058>0.05，表明兩組數(shù)據(jù)差異不顯著，相關(guān)性較強(qiáng)。利用影像提取林木平均冠幅，通過(guò)冠幅-胸徑相關(guān)關(guān)系模型得到林木胸徑，進(jìn)而推算林分蓄積的方法可以滿足森林資源調(diào)查精度要求。

本研究充分利用了無(wú)人機(jī)高分影像分辨率高、椒鹽噪聲少、形狀紋理信息豐富，且時(shí)效性強(qiáng)等特點(diǎn)，自動(dòng)分割提取了楊樹(shù)林木冠幅，并通過(guò)相關(guān)性分析建立冠幅-胸徑模型，進(jìn)而推算樣地林分蓄積量，為無(wú)人機(jī)森林蓄積量調(diào)查技術(shù)提供了方法參考。

[1] 畢 凱,李英成,丁曉波,等. 輕小型無(wú)人機(jī)航攝技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)[J]. 測(cè)繪通報(bào),2015(3):27-31.

[2] 吳 見(jiàn),彭道黎. 基于面向?qū)ο蟮腝uick Bird影像退耕地樹(shù)冠信息提取[J].光譜學(xué)與光譜分析,2010,30(9): 2533-2536.

[3] 王茹雯,彭道黎,吳 濤,等. 利用面向?qū)ο蟮募夹g(shù)進(jìn)行樹(shù)冠信息提取研究[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2010，26(15): 128-134.

[4] WANG Le, GONG Peng, BIGING G S. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery [J]. Photogramm Eng Remote Sens, 2004, 70(3)：351-357.

[5] Song C, Woodcock C E. Estimating tree size from multiresolution remotely sensed imagery [J]. Photogrammetric Engineering and Remote Sensing. 2003(69): 1263-1270.

[6] 潘 帥,李 娟,徐 新,等. 利用遙感數(shù)據(jù)估測(cè)森林蓄積量[J]. 吉林林業(yè)科技,2013,42(4):30-32.

[7] 董 斌,馮仲科,杜林芳,等. 山東省黃河流域森林蓄積量遙感定量估測(cè)模型研究[J]. 遙感技術(shù)與應(yīng)用,2010,25(4):520-524.

[8] 陳 楚,關(guān)澤群,張鵬林,等. 利用RS和GIS的森林蓄積量偏最小二乘估測(cè)研究[J]. 湖北林業(yè)科技,2004,(4):25-28.

[9] Killki P, P?ivinen R. Reference Sample Plots to Combine Field Measurements and Satellite Data in Forest Inventory[C] // Proceedings from Seminars Organised by SNS.(Research Notes,19).Helsinki: University of Helsinki, 1986:209-215.

[10] Fatoyinbo T. Remote sensing of biomass-principles and applications [M]. Rijeka: Intech 2012:27-55.

[11] 梁志鋒,凌飛龍,汪小欽. L波段SAR與中國(guó)東北森林蓄積量的相關(guān)性分析[J].遙感技術(shù)與應(yīng)用,2013,28(5):871-878.

[12] Gatziolis D，Popescu S, Sheridan R,etal. Evaluation of terrestrial Lidar technology for the development of local tree volume equations [C]//Proceedings of the 10th International Conference on LiDAR Applications for Assessing Forest Ecosystems，University of Freiburg，Germany，2010:35-42.

[13] Alprone L, Baronti S, Garzelli A,etal. LANDSAT ETM+ and SAR image fusion based on generalized intensity modulation[J].IEEEI Transactions on Geoscience and Remote Sensing, 2004, 42(12):2832-2839.

[14] Pierce L, Walker W, Dobson M,etal. Fusion of optical and SAR data for forestry applications in the Sierra Nevada of California [J]. International Geoscience and Remote Sensing Symposium,2002,3(3):1771-1773.

[15] Popescu S, Wynne R, Scrivani J. Fusion of small-footprint Lidar and multispectral data to estimate plot-level volume and biomass in deciduous and pine forests in Virginia, USA [J]. Forest Science,2004, 50(4):551-565.

[16] 楊永恬. 基于多源遙感數(shù)據(jù)的森林蓄積量估測(cè)方法研究[D].北京：中國(guó)林業(yè)科學(xué)研究院,2010:12-13.

[17] Kim J B, Kim H J. Multiresolution-based Watersheds for Efficient Image Segmentation [J]. Pattern Recognition Letters, 2003, 24(1):473-488.

[18] Trias-Sanz R, Stamon G, Louchet J. Using colour, texture, and hierarchial segmentation for high-resolution remote sensing [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(2):156-168

[19] 李春干,代華兵,譚必增,等. 基于SPOT5圖像分割的森林小班邊界自動(dòng)提取[J].林業(yè)科學(xué)研究,2010,23(1):53-58.

[20] 鄧寶忠,王素玲,李慶君. 紅松闊葉人工天然混交林主要樹(shù)種胸徑與冠幅的相關(guān)分析[J]. 防護(hù)林科技,2003,(4):19-20.

[21] 時(shí)明芝,張凡東. 107楊樹(shù)陽(yáng)性冠幅與胸徑關(guān)系的研究[J]. 福建林業(yè)科技,2005,32(4):97-98.

[22] 王 勇,蔣 燚,黃榮林,等. 廣西江南油杉人工林冠幅與胸徑相關(guān)性研究及應(yīng)用[J]. 廣東農(nóng)業(yè)科學(xué),2014,(6):62-65.

[23] 盧妮妮,王新杰,張 鵬,等. 不同林齡杉木胸徑樹(shù)高與冠幅的通徑分析[J]. 東北林業(yè)大學(xué)學(xué)報(bào),2015,43(4):12-16.

[24] 何開(kāi)倫,魏安世,余松柏. 廣東省主要用材林樹(shù)種胸徑與冠幅相關(guān)性研究及應(yīng)用[J].廣東林業(yè)科技,2006,22(1):32-35.

[25] 莊晨輝,潘潤(rùn)榮,鄭廣源. 杉木、馬尾松中幼林撫育間伐的研究[J]. 福建林業(yè)科技,1994,(S1):36-41.

[26] 蔣麗秀. 利用固定樣地研制馬尾松單木和林分生長(zhǎng)率模型[D].南京林業(yè)大學(xué),2014:23-25.

(責(zé)任編輯：彭南軒)

Study on Poplar Crown Extraction and Correlation Based on UAV High Resolution Image

LIYun1,2,WENXiao-rong1,2,SHEGuang-hui1,2,LINGuo-zhong1,2

(1. Co-Innovation for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037, Jiangsu, China ; 2. College of Forest Resources and Environment, Nanjing Forestry University, Nanjing 210037, Jiangsu, China)

[Objective] To research poplar crown extraction and stand volume correlation based on UAV high resolution image and field investigation data, and to provide ideas and methods for UAV forest survey technology. [Method]Based on the data from the high resolution image acquired from UAV and the field investigation, the crown of poplar were segmented and extracted by object-oriented method, then modified it by field measured crown, and the crown-DBH model was established through field measurement data. Finally, the sample plot volume were calculated through single entry volume table and the correlation analysis and accuracy test were conducted. [Result] The crown image segmentation showed a good result, but the extraction of the crown was smaller than the actual value. The most suitable image segmentation scale, smoothness, and compactness of poplar crown were 10, 0.1, 0.5. Some poplar crown and DBH related models were established. It showed that linear equation had best fitting effect and its correlation coefficient was 0.75. T test of the volume which was calculated by related model and the field investigation volume showedsig=0.058>0.05, indicating that no significant difference in the two groups data. [Conclusion]By object-oriented method, the poplar crown is extracted effectively through the UAV high-resolution image. The method is accord with the accuracy demands of forest resources survey, which extracts poplar average crown by image and obtains poplar DBH by crown and DBH relationship model, then calculates stand volume.

unmanned aerial vehicle; high resolution image; poplar crown; forest volume

10.13275/j.cnki.lykxyj.2017.04.017

2016-09-17

國(guó)家重點(diǎn)研發(fā)計(jì)劃課題(2016YFC0502704)；江蘇省林業(yè)三新工程(LYSX[2015]19)；江蘇省高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目(PAPD)

李 赟(1991—)，男，湖南永州人，碩士研究生，主要研究領(lǐng)域：3S技術(shù)與森林資源動(dòng)態(tài)監(jiān)測(cè)。

* 通訊作者：溫小榮(1972—)，男，江西贛州人，副教授，主要研究領(lǐng)域：森林經(jīng)理及3S技術(shù)應(yīng)用。Email:njw9872e@163.com

S771.8

A

1001-1498(2017)04-0653-06