彭　濤 ，邢艷秋，尤號田，丁建華，戚大偉

（東北林業(yè)大學(xué) a.森林作業(yè)與環(huán)境研究中心；b.理學(xué)院，黑龍江 哈爾濱 150040）

林分平均高作為重要的森林結(jié)構(gòu)因子，在森林資源調(diào)查及后續(xù)其他森林結(jié)構(gòu)參數(shù)估測中均發(fā)揮著重要的作用[1-3]。機載LiDAR作為一種新興的主動遙感技術(shù)，現(xiàn)已成功應(yīng)用于多種森林結(jié)構(gòu)參數(shù)估測研究中[4-7]，其中林分平均高的估測尤為多見。如：龐勇等[8]從LiDAR數(shù)據(jù)中提取了點云上四分位數(shù)處的高度值用于估測森林林分均高，結(jié)果表明：針葉林、闊葉林的估測精度均高于87%，且闊葉林的估測精度高于針葉林的估測精度。尤號田等[9]從機載LiDAR數(shù)據(jù)中提取了最大樹高及最大冠層高用于估測森林樣方平均高，結(jié)果表明，估測精度均在90%以上，滿足林業(yè)生產(chǎn)需要。焦義濤等[10]通過計算LiDAR點云中植被點云的高度閾值的均值估算了森林的林分高，結(jié)果表明估測平均精度為94.56%。Andersen等[11]從LiDAR數(shù)據(jù)中衍生得到百分位數(shù)高、最大數(shù)高、平均樹高、變異系數(shù)及冠層回波比，用線性回歸估測了森林的冠層高度，結(jié)果表明百分位數(shù)高和冠層回波比與森林冠層高的相關(guān)性最好，Rmse為1.5 m。上述研究表明：LiDAR點云數(shù)據(jù)衍生得到的高度分布參數(shù)可以用于林分平均高的估測研究且估測結(jié)果精度較高。

因森林地形及冠層結(jié)構(gòu)相對復(fù)雜，會導(dǎo)致林下GPS定位精度有所下降，使得野外方形樣方的采集難于圓形樣方，因而在遙感林業(yè)應(yīng)用研究中圓形野外采樣樣方較為多見。雖然圓形野外采樣樣方對于LiDAR數(shù)據(jù)估測森林單樣方結(jié)構(gòu)參數(shù)沒有任何影響，但對于實現(xiàn)區(qū)域結(jié)構(gòu)參數(shù)連續(xù)估測及LiDAR數(shù)據(jù)與其他柵格數(shù)據(jù)協(xié)同應(yīng)用均會產(chǎn)生一定的影響。這主要是因為方形像素是柵格數(shù)據(jù)的最小單元，圓形采樣無法與方形柵格進行完美匹配，且圓形采樣也無法實現(xiàn)區(qū)域性的連續(xù)無縫估測。因此，必須通過LiDAR采樣數(shù)據(jù)將野外圓形測量數(shù)據(jù)轉(zhuǎn)換為方形數(shù)據(jù)產(chǎn)品，但LiDAR數(shù)據(jù)采樣形狀的改變對森林結(jié)構(gòu)參數(shù)估測產(chǎn)生的影響結(jié)果未知。

同時，LiDAR數(shù)據(jù)采樣尺度的確定一直是研究的熱點，不同的學(xué)者雖進行了大量的研究，但至今仍未達成一致。如：Solberg等用不同采樣尺度的圓形樣方LiDAR數(shù)據(jù)估測了挪威云杉的Lai，結(jié)果表明當LiDAR數(shù)據(jù)的采樣尺度為樣方平均樹高的0.75倍時森林Lai的估測結(jié)果最優(yōu)。駱社周等[12]利用5種不同采樣尺度的方形LiDAR數(shù)據(jù)分別估測了青海云杉的Lai，結(jié)果表明當LiDAR數(shù)據(jù)的采樣尺度為20 m時森林Lai的估測結(jié)果達到最優(yōu)。邢艷秋等[13]利用4種不同的LiDAR數(shù)據(jù)采樣尺度對白樺林的Lai進行了估測研究，結(jié)果表明，當LiDAR數(shù)據(jù)的采樣尺度為15 m時估測結(jié)果最優(yōu)。雖然上述研究結(jié)果表明LiDAR數(shù)據(jù)采樣尺度對森林Lai估測結(jié)果有一定的影響，但均僅對一種森林類型估測結(jié)果進行了研究，未考慮同一研究區(qū)內(nèi)不同森林類型估測結(jié)果的差異。

因此，本研究分別利用圓形及方形兩種采樣形狀對LiDAR數(shù)據(jù)進行采樣，從中提取點云高度分位數(shù)用于估測林分均高，以此量化LiDAR方形采樣對林分均高估測的影響，之后在方形采樣的基礎(chǔ)上提取不同采樣尺度下的LiDAR數(shù)據(jù)，分別用于估測研究區(qū)不同林分類型均高，進而量化LiDAR采樣尺度對不同林分類型均高估測的影響，以期為后續(xù)LiDAR數(shù)據(jù)與其他柵格數(shù)據(jù)協(xié)同應(yīng)用及大區(qū)域連續(xù)估測提供方法指導(dǎo)。

1　研究區(qū)概況與研究方法

1.1　研究區(qū)域概況

本研究以長春凈月潭國家森林公園（43°52′N，125°21′E）為研究區(qū)，位于吉林省長春市東南部，具體位置如圖1所示。因研究區(qū)處于兩種地帶類型的過渡區(qū)，因而植被組成相對豐富多樣，主要有落葉松Larix cajanderi、樟子松Pinus sylvestris、山楊Populus davidiana、蒙古櫟Quercus mongolicaFisch. ex Ledeb及數(shù)量較少的胡桃楸Juglans mandshuricaMaxim、榆樹Ulmus pumila、紅松Pinus koraiensisSieb. et Zucc及云杉Picea asperataMast等樹種，形成了較為完善的森林生態(tài)系統(tǒng)。其中樟子松和落葉松作為研究區(qū)的主要樹種類型，成片分布于研究區(qū)內(nèi)。樟子松樹冠相對較大且多為不規(guī)則的圓頂或平頂，落葉松樹冠相對較小且多為圓錐形。

1.2　研究方法

1.2.1　野外數(shù)據(jù)收集與處理

在進行野外數(shù)據(jù)采集之前，首先利用獲取LiDAR數(shù)據(jù)時同時得到的高分影像數(shù)據(jù)對研究區(qū)的樹種組成進行分析，確定研究區(qū)的主要樹種為分層隨機采樣所用的層，之后根據(jù)主要層所占面積的多少確定各層采樣樣本的具體數(shù)量[14]。2014年7月根據(jù)分層隨機采樣在研究區(qū)內(nèi)隨機選取了63塊半徑為10 m的圓形樣方，其中包括30塊樟子松和33塊落葉松。確定好采樣位置后，利用天寶GeoXH 6000 GPS及南方NTS 312B全站儀測定了樣方中心點的經(jīng)緯度及高程信息，并利用Vertex IV激光測距儀對樣方內(nèi)所有單木樹高進行測量，同時利用胸徑尺對樣方內(nèi)所有單木1.3 m高處的直徑進行測量，用于后續(xù)計算林分平均高。

圖1　研究區(qū)位置及采樣分布Fig.1　Location of the study area and the distribution of field plots

因林業(yè)遙感研究中多采用Lorey’s樹高，即：胸高斷面積加權(quán)平均樹高，作為林分平均高[15-16]，因此本研究在樣方單木樹高及胸徑測量的基礎(chǔ)上通過加權(quán)運算得到森林林分均高，其具體計算過程如公式（1）所示。

式（1）中，hL為樣方林分平均樹高，hi為樣方內(nèi)第i棵樹的測量樹高，gi為樣方內(nèi)第i棵樹的胸高斷面積，n為樣方內(nèi)所有單木的數(shù)量。

1.2.2　機載LiDAR數(shù)據(jù)收集與處理

研究區(qū)所用機載LiDAR數(shù)據(jù)是在2012年5月31日由Leica ALS70型傳感器收集完成，飛行高度為560 m，所用激光脈沖波長為1 064 nm，光束發(fā)散角為0.22 mrad，掃描角在±20°以內(nèi)，掃描頻率為40.3 Hz，光斑直徑為0.28 m，平均點云密度為2～4脈沖/m2。

獲取的原始機載LiDAR點云數(shù)據(jù)通常會包含一部分噪聲點，因此在進行點云數(shù)據(jù)處理之前需先利用孤立點算法對LiDAR點云數(shù)據(jù)進行去噪處理。同時因單條航帶覆蓋面積相對較小，為了獲得較大區(qū)域的連續(xù)覆蓋數(shù)據(jù)需飛行多條航帶且相鄰航帶之間存在一定的旁向重疊，因此在進行LiDAR數(shù)據(jù)處理時應(yīng)對相鄰航帶間的LiDAR點云數(shù)據(jù)進行重疊點移除操作。之后通過不規(guī)則三角格網(wǎng)算法將去噪后的點云數(shù)據(jù)分為地面點和非地面點，并利用不規(guī)則三角網(wǎng)插值算法將地面點插值生成數(shù)字高程模型[17]，并將非地面點插值生成數(shù)字表面模型[18]。在數(shù)字高程模型的基礎(chǔ)上對所有LiDAR點云數(shù)據(jù)進行高程歸一化，并將高度大于1.5 m 的非地面點歸為植被點，將小于1.5 m的非地面點和地面點統(tǒng)稱為地面點，上述所有操作均是在Terrasolid（Terrasolid, Helsinki, Finland）軟件平臺上完成實現(xiàn)，詳細的數(shù)據(jù)處理過程與介紹見參考文獻[19]。

1.2.3　參數(shù)提取

因野外樣方采樣尺度固定，為半徑10 m的圓形，所以為了量化采樣形狀及采樣尺度對森林林分均高估測的影響，只能通過改變LiDAR點云數(shù)據(jù)的采樣形狀及采樣尺度實現(xiàn)。因此，本研究分別采用圓形及方形樣方對預(yù)處理后的機載LiDAR數(shù)據(jù)進行采樣，并從中提取了一系列點云高度參數(shù)用于估測森林林分均高，其中所用參數(shù)具體描述如表1所示。

表1　森林林分均高估測所用點云高度參數(shù)Table 1　The point cloud height metrics used for forest stand mean height estimation

為了研究采樣尺度對不同林分類型均高估測的影響，更好地實現(xiàn)LiDAR數(shù)據(jù)產(chǎn)品與柵格數(shù)據(jù)的協(xié)同應(yīng)用，利用不同空間采樣尺度對LiDAR數(shù)據(jù)進行采樣，采樣大小分別為10、15、20、25、30、35和40 m的方形樣方，并從中提取不同林分均高估測的最優(yōu)參數(shù)用于量化LiDAR采樣尺度對不同林分均高估測的影響。

1.2.4　模型建立與精度評價

為了更加直觀地反映LiDAR采樣形狀及采樣尺度對不同林分均高估測的影響，本研究采用最簡單的一元線性回歸來建立林分均高估測模型，具體如公式（2）所示。

式（2）中：y為實測林分均高，a為擬合系數(shù)，x為LiDAR點云高度參數(shù)，b為常數(shù)項。

因研究所用樣本數(shù)量相對較少，為了在有限樣本情況下獲得穩(wěn)定可靠的森林林分均高估測結(jié)果，本研究采用留一交叉驗證法（Leave One Out Cross Validation，LOOCV）進行建模及精度評價[14,20]。其中，模型決定系數(shù)R2和均方根誤差（Root Mean Square Error，Rmse）作為模型的精度評價指標。

2　結(jié)果與分析

2.1　不同采樣形狀LiDAR數(shù)據(jù)林分均高估測結(jié)果

2.1.1　樟子松林分均高估測結(jié)果

20 m采樣尺度下圓形LiDAR數(shù)據(jù)樟子松林分均高估測結(jié)果如表2所示。通過對表2所示結(jié)果進行分析可知，樟子松林分均高估測精度隨點云百分位數(shù)高的增大而逐漸增大，直到點云分位數(shù)高為HP55時估測精度達到最大，R2為0.892，Rmse為0.868 m，之后隨著高度分位數(shù)的繼續(xù)增加估測精度逐漸下降。

20 m采樣尺度下方形LiDAR數(shù)據(jù)樟子松林分均高估測結(jié)果如表3所示。通過對表3所示結(jié)果進行分析可知，在方形采樣下樟子松林分均高估測精度同樣隨點云百分位數(shù)高的增大而逐漸增大，直到點云分位數(shù)高為HP55時估測精度達到最大，R2為0.896，Rmse為0.853 m，之后隨著高度分位數(shù)的繼續(xù)增加估測精度逐漸下降。

表2　圓形采樣LiDAR數(shù)據(jù)樟子松林分均高估測結(jié)果Table 2　The results of scotch pine stand mean height estimation with circular sampling LiDAR data

表3 方形采樣LiDAR數(shù)據(jù)樟子松林分均高估測結(jié)果Table 3　The results of scotch pine stand mean height estimation with square sampling LiDAR data

綜上所述，圓形及方形LiDAR數(shù)據(jù)采樣對樟子松林分均高估測的影響趨勢一致，均是隨點云百分位數(shù)高的增大而逐漸增大，直到HP55時估測結(jié)果達到最優(yōu)，之后隨著點云百分位數(shù)的增大結(jié)果逐漸降低。通過對表2和表3所示結(jié)果進行對比分析可知，對樟子松林分均高估測而言，方形LiDAR數(shù)據(jù)采樣估測結(jié)果高于圓形LiDAR數(shù)據(jù)采樣估測結(jié)果。

2.1.2　落葉松樹高估測模型

20 m采樣尺度下圓形LiDAR數(shù)據(jù)落葉松林分均高估測結(jié)果如表4所示。通過對表4所示結(jié)果進行分析可知，落葉松林分均高估測精度隨點云百分位數(shù)高的增大而逐漸增大，直到點云分位數(shù)高為HP99時估測精度達到最大，R2為0.741，Rmse為1.161 m。

表4　圓形LiDAR點云數(shù)據(jù)落葉松林分均高估測結(jié)果Table 4　The results of larch pine stand mean height estimation with circular sampling LiDAR data

20 m采樣尺度下方形LiDAR數(shù)據(jù)落葉松林分均高估測結(jié)果如表5所示。通過對表5所示結(jié)果進行分析可知，在方形采樣下落葉松林分均高估測精度同樣隨點云百分位數(shù)高的增大而逐漸增大，直到點云分位數(shù)高為HP99時估測精度達到最大，R2為 0.705，Rmse為 1.238 m。

表5　方形LiDAR點云數(shù)據(jù)落葉松林分均高估測結(jié)果Table 5　The results of larch pine stand mean height estimation with square sampling LiDAR data

綜上所述，圓形及方形LiDAR數(shù)據(jù)采樣對落葉松林分均高估測的影響趨勢一致，均是隨點云百分位數(shù)高的增大而逐漸增大，直到HP99時估測結(jié)果達到最優(yōu)。通過對表4和表5所示結(jié)果進行對比分析可知，對落葉松林分均高估測而言，圓形LiDAR數(shù)據(jù)采樣估測結(jié)果高于方形LiDAR數(shù)據(jù)采樣估測結(jié)果。

2.2　不同LiDAR采樣尺度林分均高估測結(jié)果

2.2.1　不同LiDAR采樣尺度樟子松林分均高估測結(jié)果

由表3可知，在方形LiDAR采樣形狀下樟子松林分均高估測精度達到最高時所對應(yīng)的參數(shù)為HP55，因此分別提取LiDAR不同采樣尺度下的HP55參數(shù)，用于樟子松林分均高估測，結(jié)果如表6所示。通過對表6進行分析可知，不同采樣尺度LiDAR數(shù)據(jù)對樟子松林分均高估測結(jié)果有一定的影響，且當采樣尺度為35 m時估測結(jié)果達到最優(yōu)，R2=0.904，Rmse=0.820 m。

表6　不同LiDAR數(shù)據(jù)采樣尺度下樟子松林分均高估測結(jié)果Table 6　The results of scotch pine stand mean height estimation with different sampling scales LiDAR data

2.2.2　不同LiDAR采樣尺度落葉松林分均高估測結(jié)果

由表5可知，在方形LiDAR采樣形狀下落葉松林分均高估測精度達到最高時所對應(yīng)的參數(shù)為HP99，因此分別提取LiDAR不同采樣尺度下的HP99參數(shù)，用于落葉松林分均高估測，結(jié)果如表7所示。通過對表7所示結(jié)果進行分析可知，當采樣尺度為15 m時落葉松林分均高估測結(jié)果達到最優(yōu)，R2=0.720，Rmse=1.206 m。

表7　不同LiDAR數(shù)據(jù)采樣尺度下落葉松林分均高估測結(jié)果Table 7　The results of larch pine stand mean height estimation with different sampling scales LiDAR data

3　結(jié)　論

本研究以長春凈月潭國家森林公園為例，通過對LiDAR數(shù)據(jù)進行圓形和方形采樣，之后在方形采樣的基礎(chǔ)上對LiDAR數(shù)據(jù)進行不同空間采樣，從中提取點云高度分位數(shù)用于估測樟子松及落葉松的林分均高，以此量化LiDAR采樣形狀及采樣尺度對不同林分均高估測的影響，得到以下結(jié)論：

（1）圓形及方形LiDAR數(shù)據(jù)采樣林分均高估測結(jié)果雖存在差異，但估測結(jié)果趨勢一致。對樟子松而言，LiDAR圓形及方形采樣估測結(jié)果均隨著點云百分位數(shù)高的增大而逐漸增大，直到HP55時估測結(jié)果達到最優(yōu)，之后隨著高度分位數(shù)的繼續(xù)增加估測精度逐漸下降；對落葉松而言，LiDAR圓形及方形采樣估測結(jié)果均是隨點云百分位數(shù)高的增大而逐漸增大，直到HP99時估測結(jié)果達到最優(yōu)。

（2）LiDAR數(shù)據(jù)采樣形狀對不同林分類型均高估測結(jié)果的影響不同。對樟子松而言，方形采樣林分均高估測結(jié)果優(yōu)于圓形采樣估測結(jié)果；對落葉松而言，圓形采樣林分均高估測結(jié)果優(yōu)于方形采樣估測結(jié)果。

（3）對LiDAR采樣尺度林分均高估測結(jié)果而言，不同林分類型均高估測結(jié)果精度最高時所對應(yīng)的LiDAR采樣尺度不同。對樟子松而言，在35 m空間采樣尺度下林分均高估測結(jié)果精度最高；對落葉松而言，在15 m空間采樣尺度下林分均高估測結(jié)果精度最高。

雖然上述研究結(jié)果表明，在本研究區(qū)條件狀況下不同LiDAR數(shù)據(jù)采樣形狀對不同林分類型均高估測的影響不同，且不同林分類型均高估測結(jié)果精度達到最高時所對應(yīng)的采樣尺度不同，但所用研究區(qū)地形結(jié)構(gòu)及林分組成均較為簡單。因而，在未來研究中應(yīng)選用地形結(jié)構(gòu)相對復(fù)雜、林分類型組成多樣的研究區(qū)以驗證上述結(jié)論在其他區(qū)域的有效性及推廣性。

參考文獻：

[1]邢艷秋,尤號田,霍 達,等.小光斑激光雷達數(shù)據(jù)估測森林樹高研究進展[J].世界林業(yè)研究,2014,27(2):29-34.

[2]Popescu S C, Wynne R H, Nelson R F. Estimating plot-level tree heights with lidar: local filtering with a canopy-height based variable window size[J]. Computers & Electronics in Agriculture,2003, 37(1-3): 71-95.

[3]張巍巍,馮仲科,汪笑安,等.基于TM影像的林木參數(shù)提取和樹高估測[J].中南林業(yè)科技大學(xué)學(xué)報,2013, 33(9):27-31.

[4]N?sset E, Bjerknes K O. Estimating tree heights and number of stems in young forest stands using airborne laser scanner data[J].Remote Sensing of Environment, 2014, 78(3): 328-340.

[5]Cao L, Coops N C, Innes J L,et al.Estimation of forest biomass dynamics in subtropical forests using multi-temporal airborne LiDAR data[J]. Remote Sensing of Environment, 2016(178):158-171.

[6]Heiskanen J, Korhonen L, Hietanen J,et al.Use of airborne lidar for estimating canopy gap fraction and leaf area index of tropical montane forests[J]. International Journal of Remote Sensing,2015, 36(10): 2569-2583.

[7]尤號田,邢艷秋,王 錚,等.基于LiDAR離散點云能量信息的針葉林葉面積指數(shù)反演方法[J].中南林業(yè)科技大學(xué)學(xué)報,2014, 34(10):39-44.

[8]龐 勇,趙 峰,李增元,等.機載激光雷達平均樹高提取研究[J].遙感學(xué)報,2008, 12(1):152-158.

[9]尤號田,邢艷秋,王 錚,等.點云密度對激光雷達估計森林樣方平均樹高的影響[J].東北林業(yè)大學(xué)學(xué)報, 2014, 42(5):143-148.

[10]焦義濤,邢艷秋,霍 達,等.基于機載LiDAR點云估測林分的平均樹高[J].西北林學(xué)院學(xué)報,2015(3):170-174.

[11]Andersen H E, Mcgaughey R J, Reutebuch S E. Estimating forest canopy fuel parameters using LIDAR data[J]. Remote Sensing of Environment, 2005, 94(4): 441-449.

[12]駱社周,王 成,張貴賓,等.機載激光雷達森林葉面積指數(shù)反演研究[J].地球物理學(xué)報,2013,56(5):1467-1475.

[13]邢艷秋,霍 達,尤號田,等.基于機載LiDAR單束激光穿透指數(shù)的白樺林LAI估測[J].應(yīng)用生態(tài)學(xué)報,2016,27(11):3469-3478.

[14]You H, Wang T, Skidmore A K,et al. Quantifying the effects of normalisation of airborne lidar intensity on coniferous forest leaf area index estimations[J]. Remote Sensing, 2017, 9(2): 163.

[15]N?sset E. Determination of mean tree height of forest stands using airborne laser scanner data[J]. Isprs Journal of Photogrammetry & Remote Sensing, 1997, 52(2): 49-56.

[16]穆喜云,張秋良,劉清旺,等.基于機載LiDAR數(shù)據(jù)的林分平均高及郁閉度反演[J].東北林業(yè)大學(xué)學(xué)報,2015,43(9):84-89.

[17]Axelsson P. DEM Generation from laser scanner data using adaptive Tin models[J]. International Archives of Photogrammetry & Remote, 2000(33): 111-118.

[18]Zhang K, Chen S C, Whitman D,et al. A progressive morphological filter for removing nonground measurements from airborne LIDAR data[J]. IEEE Transactions on Geoscience &Remote Sensing, 2003, 41(4): 872-882.

[19]尤號田.基于小光斑激光雷達反演森林結(jié)構(gòu)參數(shù)的研究[D].哈爾濱:東北林業(yè)大學(xué),2014.

[20]Kayitakire F, Hamel C, Defourny P. Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery[J]. Remote Sensing of Environment, 2006, 102(3-4):390-401.