王義 張昊瓊 趙守杰

（1.河南省金地遙感測繪技術(shù)有限公司，河南 鄭州 450003；2.河南省遙感測繪院，河南 鄭州 450003）

1 引言

近年來，光學(xué)遙感利用衛(wèi)星影像與航空照片補充替代傳統(tǒng)的森林資源普查，獲取大區(qū)域森林生態(tài)、環(huán)境、氣候信息和生長因子。雖然光學(xué)遙感技術(shù)無法獲取林木三維結(jié)構(gòu)參數(shù)，但激光雷達(dá)遙感技術(shù)可有效穿透森林，獲取三維結(jié)構(gòu)參數(shù)。傳統(tǒng)的森林普查信息采集困難，無法獲取林木結(jié)構(gòu)信息及空間位置，測量結(jié)果真實性差。而通過高精度激光雷達(dá)掃描，可提取點云數(shù)據(jù)中的森林參數(shù)和統(tǒng)計變量，包括林木高度、反射強度、郁閉度、密度大小、葉面積指數(shù)等。根據(jù)參數(shù)反演森林蓄積量、覆蓋率和間隙情況，分辨樹木年齡、種類、數(shù)量，依據(jù)森林地面DEM，實現(xiàn)森林單木分割，自動提取林木結(jié)構(gòu)參數(shù)。本文通過介紹機載LiDAR 與光學(xué)遙感技術(shù)，分析點云及影像數(shù)據(jù)在森林資源普查中的應(yīng)用，旨在提供一種快速、高效的作業(yè)方法。

2 激光點云在森林普查中的應(yīng)用

2.1 點云數(shù)據(jù)獲取

激光雷達(dá)的主要工作原理為發(fā)射激光束對目標(biāo)物的距離和角度進行量測。根據(jù)激光在空氣中的傳播速度，記錄激光脈沖從發(fā)射到到達(dá)目標(biāo)反射物的時間，計算出激光器到反射物的距離，同時利用角度編碼器記錄每一束激光脈沖的角度。激光雷達(dá)可以瞬間發(fā)射多束激光脈沖，借此可精確計算出樹木的高度、位置、樹冠、樹木邊界等，構(gòu)建真實三維模型，探測地面真實地形。機載LiDAR 獲取和林木處理流程如圖1 所示。

2.2 分塊抽稀

利用機載LiDAR 數(shù)據(jù)獲取樣地中的點云數(shù)據(jù)，對數(shù)據(jù)進行處理分析，將飛行數(shù)據(jù)進行分塊處理。由于單木提取需要大量點云數(shù)據(jù)，高密度的點云不一定能夠提高單木提取的精度。因此，需要對數(shù)據(jù)進行抽稀處理。根據(jù)點云數(shù)據(jù)可直接量測樹高（如圖2 所示）。

圖1 Lidar點云獲取處理流程

圖2 點云數(shù)據(jù)采集成果

2.3 粗差識別剔除與點云濾波

激光雷達(dá)點云一般存在粗差，對后續(xù)的點云處理和信息提取有負(fù)面影響，需要進行粗差的識別和剔除。地面點粗差剔除一般采用高程插值，由于點云數(shù)據(jù)量大，可進行分批處理。對LAS文件采用相同的濾波參數(shù)，識別地面點數(shù)據(jù)后生成測區(qū)的數(shù)字高程模型。本文利用商業(yè)化點云處理軟件Terrasolid 插件功能完成。

3 光譜影像在森林資源普查中的應(yīng)用

3.1 多光譜影像對林地與非林地的判讀

多光譜影像可判讀物種信息，選取不同目標(biāo)對象獲取相應(yīng)光譜，植被光譜在680nm 以后分反射率會提高，非植被的紅邊效應(yīng)與真實植被的紅邊效應(yīng)有很大差別。對可見近紅外波段的數(shù)據(jù)進行處理，利用歸一化植被指數(shù)和紅邊歸一化植被指數(shù)區(qū)分識別目標(biāo)物。

RGB、CIR 和NIR 多光譜影像數(shù)據(jù)如圖3 所示。標(biāo)準(zhǔn)假彩色合成（CIR）波段影像的獲取主要是通過RGB影像和NIR 影像數(shù)據(jù)相互融合，采取近紅外波段與RGB 影像中的紅波段和綠波段，主要用于植被、濕地監(jiān)測，也可區(qū)分部分植被的種類。通過CIR 影像可以區(qū)分針葉林、闊葉林、草地，以及建筑、耕地、水系等。CIR 影像對林地和非林地的判讀如圖4 所示。

圖3 RGB、CIR和NIR多光譜影像數(shù)據(jù)

圖4 CIR影像對林地和非林地的判讀

3.2 高光譜影像對樹種的判讀和植被類型的區(qū)分

數(shù)字遙感影像只能根據(jù)顏色簡單地將樹種區(qū)分為針葉林和闊葉林，光學(xué)影像受光照影響，相同樹種可能顯示出不同光譜信息。然而，高光譜影像處理后，根據(jù)高光譜分辨率和大量光譜波段獲取不同地類的光譜曲線，建立樹種光譜數(shù)據(jù)庫，可提高識別和分類精度，清晰判讀出建筑物、林地、耕地、水系等的特征，辨別各種物體的細(xì)微光譜差異，然后根據(jù)不同介質(zhì)的波段反射對相同地類的種類進行區(qū)分，如楊樹、樟樹、松樹等植被種類（如圖5 所示）。

3.3 全色彩影像數(shù)據(jù)的應(yīng)用

通過正射影像，根據(jù)針葉林及闊葉林的樹冠和樹干進行數(shù)量統(tǒng)計。根據(jù)影像判讀，對變色樹、異常林地進行精確定位，采集有效的影像資料，輔助判斷森林健康等級，還可清晰看出樹木病蟲害及受損林地范圍、面積、程度。影像病蟲害解譯如圖6 所示。

圖5 高光譜曲線對林木種類的判讀

圖6 病蟲害解譯

通過全色彩影像可以清晰看到森林中的亂砍濫伐現(xiàn)象，精準(zhǔn)獲取盜伐濫伐的面積、株樹，為執(zhí)法人員提供有力證據(jù)，便于執(zhí)法人員前往實地執(zhí)法。全色彩影像及實地核查結(jié)果如圖7 所示。

圖7 全色彩影像及實地核查

4 點云與光譜影像在植被信息統(tǒng)計中的應(yīng)用

通過機載LiDAR 及多光譜相機獲取的成果數(shù)據(jù)對比，分析出森林經(jīng)營區(qū)劃和林地小斑區(qū)劃界限，各類面積及權(quán)屬、森林類別等管理屬性，非林地上森林、人工造林、未成林的面積及其權(quán)屬、森林類別等管理屬性，林木資源株樹、蓄積，自然地理環(huán)境和生態(tài)環(huán)境，調(diào)查森林經(jīng)營條件、措施與成效。點云數(shù)據(jù)及多光譜影像數(shù)據(jù)同步獲取的成果如圖8 所示。

圖8 多波段影像與點云數(shù)據(jù)

4.1 點云著色及紋理映射

高精度、高密度、精準(zhǔn)表達(dá)三維地物是點云數(shù)據(jù)的特點，但是缺乏色彩信息無法對林地進行準(zhǔn)確判斷。通過多波段影像對點云數(shù)據(jù)進行色彩紋理映射，點云數(shù)據(jù)和影像數(shù)據(jù)轉(zhuǎn)化在同一坐標(biāo)系下，即賦予點云真實色值（RGB），實現(xiàn)真色彩點云可視化三維模型。點云著色有兩種：一種是相機標(biāo)定；一種是通過點云和影像，利用反射率圖像和強度信息進行紋理匹配。相機標(biāo)定直接利用線性變換將紋理圖像與點云進行匹配，具體方法為：同名點選擇、根據(jù)DLT 建立點云及影像像素的幾何對應(yīng)關(guān)系，求出點云中所有點與影像中的像素對應(yīng)值，得到具有顏色真實感的三維模型[1]。著色后的點云主要應(yīng)用于去噪后點云分類檢查使用，如高壓線、通信塔等非植被數(shù)據(jù)分類是否準(zhǔn)確。

點云數(shù)據(jù)著色后，由于點云數(shù)據(jù)具有離散性，并非結(jié)構(gòu)化數(shù)據(jù)，一般情況下需要對點云數(shù)據(jù)構(gòu)建TIN三角網(wǎng)，然后通過紋理映射，使其富有質(zhì)感，更接近真實場景。LiDAR360 中點云工具插件中的紋理映射功能可以實現(xiàn)。點云數(shù)據(jù)根據(jù)RGB 顏色顯示后，可得到接近影像數(shù)據(jù)的點云數(shù)據(jù)（如圖9 所示）。

圖9 紋理映射后的點云數(shù)據(jù)

4.2 單木分割法

單木分割法分歸一化點云單木分割和CHM 單木分割兩種。點云單木分割是基于地面點云歸一化算法，點云數(shù)據(jù)經(jīng)過地面點分類后獲取DEM，去除地表模型起伏對植被點云高程的影響。其原理是將植被點云Z值減去至貼近地面高程值。點云單木分割法是將樹木單株分別顯示得出。PCS 算法基本原理如圖10 所示。

圖10 PCS算法基本原理圖

種子點A 為最高點即樹高點，是待分割的點，dAB、dAC、dBC、dBD、dCE、dDE分別表示兩點間的距離。PCS 算法原理可以簡單描述為當(dāng)目標(biāo)點（B、C、D、E）到已分出樹A 中所有點的二維投影最小值大于設(shè)定閾值d（2D 歐式距離）時，則認(rèn)為目標(biāo)點屬于另一棵樹B；如果閾值小于d 且到目標(biāo)點的距離小于到B 的距離，則認(rèn)為目標(biāo)點屬于樹A，否則屬于樹B[2]。

分水嶺分割算法為CHM 分割，基于CHM 柵格的單木分割就是一種基于柵格圖像的分割方法，所以基于CHM 的單木分割方法可以視作針對灰度圖像的處理技術(shù)，其中典型算法有注水算法、分水嶺分割算法等，亮度高點為山峰，陰暗面為山谷。假如用水填充并建立屏障，禁止不同山谷的填充水匯合，屏障即為分割成果。相較于點云分割，分水嶺分割方法速度快，且對圖像灰度的細(xì)微變化更加敏感，在目標(biāo)物體周圍生成封閉的輪廓線更加準(zhǔn)確清晰，從而獲取單棵林木的位置、冠幅直徑、冠幅面積及高度等信息[3]（如圖11 所示）。

圖11 （a） CHM （b）分割算法 （c）分割成果

4.3 根據(jù)林木ID 提取點云

基于分割后的點云數(shù)據(jù)，生成種子點及單棵樹位置，然后對點云進行分割，同時檢查錯分、漏分等情況。當(dāng)單木分割精度較差時，可通過紋理映射后的點云數(shù)據(jù)人工增加和刪除種子點，增加種子點應(yīng)在剖面窗口進行，盡可能選擇樹頂。本文主要利用商業(yè)軟件LiDAR360 軟件實現(xiàn)（如圖12 所示）。

圖12 種子點數(shù)據(jù)的生成及剖析

整理編輯準(zhǔn)確的種子文件后，對單木信息進行提取，比如坐標(biāo)、樹高、冠幅直徑、覆蓋面積等信息（如圖13 所示）。

圖13 單木信息屬性提取

4.4 根據(jù)多波段影像數(shù)據(jù)解譯樹種信息

僅依靠點云數(shù)據(jù)無法對樹種進行解譯分析，可利用ArcGIS 軟件，根據(jù)樹種解譯標(biāo)志，基于真色彩影像和近紅外影像進行樹種解譯，極大減少外業(yè)調(diào)查的工作量。真色彩影像圖像平淡、色調(diào)灰暗、顏色不飽和，通常運用于林地和非林地的辨認(rèn)，以及針葉林、闊葉林等明顯色彩差異的區(qū)分。近紅外影像反射率高、吸收率低，可反映植被顏色及紋理信息，輔助對樹種進行辨認(rèn)。同時，可以根據(jù)樹冠的形狀、大小、紋理、分布規(guī)律及生活習(xí)性等特征判讀樹種。在樹種判讀時，對真色彩影像無法判讀相似顏色，或容易造成判讀錯誤的區(qū)域，可以參照近紅外影像的紋理特征加以區(qū)分[4]。

4.5 森林生物量和儲積量估測

由于森林普查面積廣泛，圖斑種類繁雜，在獲取大面積點云數(shù)據(jù)時，點云密度無法精確計算位置、樹高和樹冠直徑、面積、體積等，因此需要在影像圖斑中采集不同種類的樣地實地測量，統(tǒng)計不同圖斑中實際的林儲量和林木參數(shù)，為后期大范圍計算提供依據(jù)。 樹木種類、數(shù)量、地域、生長情況等都與樹木生長的方程參數(shù)有關(guān)，但較難計算。外業(yè)人員需實地采樣獲取樹種的生長特征和詳細(xì)參數(shù)，制作參數(shù)計算公式，利用樹高、樹木數(shù)量、樹木胸徑等數(shù)據(jù)庫建立回歸模型，用計回歸方法進行估測，從而獲取森林儲積量。

獲取林木詳細(xì)參數(shù)后，與實際點云測量的結(jié)果相對比，對樣地范圍內(nèi)的樹種進行區(qū)分、編繪、統(tǒng)計、計算參數(shù)，獲得森林儲積成果，林木材積算法如圖14所示。根據(jù)歸一化點云數(shù)據(jù)，提取一系列森林參數(shù)，比如郁閉度、間隙率、葉面積指數(shù)等信息。

圖14 林木材積算法示意圖

5 結(jié)語

本文利用機載LiDAR 和多光譜相機，獲取點云數(shù)據(jù)和多波段影像數(shù)據(jù)，并利用單木分割方法精確分割出單個樹木點云，獲取單木位置、冠幅直徑、覆蓋面積等信息，有效估算森林生物量、郁閉度、葉面積指數(shù)。光譜影像具有波段多、光譜分辨率高等特點，利用光譜影像疊加分析，可以進行樹種分類、病蟲害分析等，確保調(diào)查準(zhǔn)確性和地類識別精度，有效減輕調(diào)查人員的勞動強度。點云和光譜數(shù)據(jù)能夠輔助完成森林資源年度出數(shù)、一類清查和二類調(diào)查等工作，可提高調(diào)查效率，破解造林核查、荒漠化監(jiān)察、林業(yè)執(zhí)法、災(zāi)害評估等方面的技術(shù)難題，為森林普查提供技術(shù)支撐。