濮毅涵,徐丹丹,2,王浩斌

(1.南京林業(yè)大學(xué) 生物與環(huán)境學(xué)院,南京 210037；2.南京林業(yè)大學(xué) 南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心,南京 210037)

林冠郁閉度(Canopy Closure)是森林資源調(diào)查中的一個重要因子,是衡量林分密度[1]、林分類型、葉面積指數(shù)[2]的重要指標(biāo),也是小班區(qū)劃和林分質(zhì)量評價的主要指標(biāo),可以反映森林的結(jié)構(gòu)、生長狀況、物種的豐富度以及森林資源的優(yōu)劣等[3-4]。此外,郁閉度也是判定生態(tài)系統(tǒng)是否為森林的重要因子,聯(lián)合國糧食及農(nóng)業(yè)組織(FAO)將郁閉度大于10%、連續(xù)面積大于0.5hm2且樹高能夠達(dá)到5m的地區(qū)定義為森林[5]。因此,精確地測定郁閉度,對于森林資源的有效管理和經(jīng)營有重要意義。

關(guān)于郁閉度的定義主要有2種,一種是以林地樹冠垂直投影面積與林地面積的比作為郁閉度的計(jì)算方法[6],但由于此概念的含義與林冠蓋度(Canopy Cover)的概念相近而常被混淆?；诖?Jennings等[7]把郁閉度定義為從林地一點(diǎn)向上仰視,被枝葉遮擋的天空球面的比例。李永寧等[8]建議將前者稱為垂直郁閉度,后者成為點(diǎn)郁閉度,以此區(qū)分。在測定方法上,傳統(tǒng)的郁閉度測定方法包括目測法、樹冠投影法、樣點(diǎn)樣線法等,較為費(fèi)時費(fèi)力。近年來，隨著遙感技術(shù)的發(fā)展,通過遙感圖像估測郁閉度也成為了一種有效手段,但由于其受到自身分辨率及大氣條件等因素的限制,遙感估測往往在研究大尺度物候趨勢上十分有效,而在林分間的局部差異提取上仍有不足[9-10]。此外,隨著數(shù)字成像技術(shù)及相關(guān)計(jì)算機(jī)軟件的發(fā)展,數(shù)碼相機(jī)由其高性價比以及高便攜性在精確測定林分郁閉度方面表現(xiàn)出更大的優(yōu)勢[11],通過數(shù)碼相片測定林分郁閉度也成為了一種快速且有效的手段。祁有祥等[12]、劉芳等[13]利用帶魚眼鏡頭的數(shù)碼相機(jī)獲取林冠圖層,應(yīng)用Photoshop,ArcGIS等軟件處理測定郁閉度,取得了較好的精度； Smith 等[14]比較了半球攝影、智能手機(jī)攝影和帶魚眼鏡頭的智能手機(jī)攝影,并通過HemiView和ImageJ兩種軟件分別進(jìn)行郁閉度計(jì)算,發(fā)現(xiàn)以魚眼鏡頭的智能手機(jī)攝很適合作為測定郁閉度的工具。盡管已有許多利用數(shù)碼相機(jī)攝影或智能手機(jī)攝影提取郁閉度的研究,但在郁閉度計(jì)算過程中,樹干往往在相片中占有一定比例,從而對郁閉度的提取精度造成很大的影響[15]。因此,準(zhǔn)確地分離出樹干,尤其是主干成分,將在郁閉度的精確提取上有重要作用。在分離樹干的研究中,祁有祥等[12]通過Photoshop直接將樹干扣除,方法較為繁瑣且受人為干擾；林麗麗等[16]通過閾值二分法劃分出主干,但在結(jié)果上不夠精準(zhǔn)。在利用數(shù)碼相片進(jìn)行分類研究中,有關(guān)草地和農(nóng)業(yè)研究的分類較多且更為精細(xì)[17-20],而在林冠的分類方面則較為粗糙,存在技術(shù)上的空缺。本文采用野外實(shí)地拍攝的數(shù)碼相片作為數(shù)據(jù)源,以圖像中各物象的RGB屬性特征差異為依據(jù),構(gòu)建了分類決策樹以提取相片中的三類物象(樹干、樹葉、天空),通過批量處理數(shù)碼相片,避免了傳統(tǒng)方法費(fèi)時費(fèi)力的缺點(diǎn),并可以削弱樹干對郁閉度的影響,從而精確測定樣地區(qū)域的林冠郁閉度。

1 研究區(qū)概況

研究區(qū)位于江蘇省鹽城市境內(nèi)的東臺林場,臨近黃海,地勢平坦,地理位置為北緯32°52′,東經(jīng)120°49′。該區(qū)屬于亞熱帶與暖溫帶的過渡區(qū),降雨集中,與熱同期。土壤為脫鹽草甸土,土壤質(zhì)地為砂質(zhì)壤土,偏堿性。常見樹種有欒樹(Koelreuteriapaniculata)、水杉(Metasequoiaglyptostroboides)、楊樹(Populusdeltoides)、銀杏(GinkgobilobaL.)等。

2 研究方法

2.1 數(shù)據(jù)源

本研究采用的數(shù)碼相機(jī)為Nikon COOLPIX S8000,NIKKOR鏡頭,實(shí)際焦距f=5.4～54mm,光圈范圍F3.5-7.0,1420萬有效像素。在研究區(qū)中選擇2種林齡的楊樹人工林樣地,以不同密度的4塊標(biāo)準(zhǔn)地作為拍攝對象,每塊標(biāo)準(zhǔn)地大小為25m×30m,樣地1與樣地2為14a生楊樹人工林,樣地3與樣地4為9a生楊樹人工林。樣地樣點(diǎn)的設(shè)置為與樣地中心點(diǎn)的東南西北各取5個點(diǎn),每個點(diǎn)相距5m,每個樣點(diǎn)拍攝1張照片。相片以JPEG的格式保存,分辨率為300dpi。拍攝時相機(jī)鏡頭垂直向上并保持水平,相機(jī)與眼等高。分別于2018年5月23日、5月24日和5月29日拍攝共170張相片,拍攝時間為10:00—16:00。

2.2 樹葉 天空和樹干的分類方法

全天空相片的分類處理主要包括以下幾個步驟:1)將相片轉(zhuǎn)換為tif格式,并將轉(zhuǎn)化后的圖片與其3個波段的圖片一同導(dǎo)入ArcGIS。2)將3個波段輸入所編輯好的模型中,進(jìn)行自動分類及郁閉度計(jì)算。3)導(dǎo)入分類好的圖像及計(jì)算完成的表格,統(tǒng)計(jì)各相片郁閉度。模型的編寫采用了ArcGIS 10.5中的Model builder建立分類模型(圖1)。其中暗綠葉為位于樹冠內(nèi)部或下層受陰影影響而較暗的葉片；零碎葉為位置較散且數(shù)量少的葉片；近天空葉為位于樹干外側(cè)與天空接觸的葉片；較粗枝為少量主干及一二級枝；NoData為分類像元小于10 000的結(jié)果。

圖1 RGB模式下的分類決策樹

利用數(shù)碼圖片上物象3個波段上DN值的差異而建立RGB分類決策樹,因此分類閾值的選取尤為重要。除了以R,G,B這3個波段的大小關(guān)系外,還選取了另外3個分類閾值相關(guān)參數(shù),即B,G,|G-R|的范圍。B波段的DN值范圍以區(qū)分天空為主,經(jīng)過初步分類后發(fā)現(xiàn)天空像元絕大部分處于B>G>R分類單元中。由于天空通常呈藍(lán)色與白色,DN值通常較高,因此可以有效與其他物象進(jìn)行區(qū)分,本文選取天空最高的波段(B)的范圍為閾值,因?yàn)樗苡行奶炜蘸驮撇手姓_辨別出葉子和枝干[21],經(jīng)驗(yàn)證發(fā)現(xiàn)以B>140作為界定標(biāo)準(zhǔn)最為合適。G波段能夠反映物象綠色的強(qiáng)度,對于從整體上區(qū)分出樹葉與樹干效果良好,但由于亮度大小不同、亮度分布不均、樹葉陰影等影響,以1個G波段的閾值來區(qū)分全部的樹葉與樹干往往不夠準(zhǔn)確。經(jīng)過多圖的驗(yàn)證,發(fā)現(xiàn)G波段閾值的取值在20～60范圍時,分類程度較好且對閾值變化的敏感程度不高,最終以G<30作為區(qū)分樹干的標(biāo)準(zhǔn)。此外,由于初步區(qū)分的各單元存在亮度不同情況,因此在2個位置的區(qū)分上以G<20和G<40作為標(biāo)準(zhǔn),例如以R>G>B分出的像元上,樹干成分較亮G波段DN值偏大,以G<40作為閾值比G<30的區(qū)分度高。過綠植被指數(shù)(Excess green index,EXG=2G-B-R)常作為閾值被應(yīng)用于草地的分類中,但由于已經(jīng)過初步RGB分類,其在本研究中的效果并不理想。通過觀察發(fā)現(xiàn)R波段與G波段差的絕對值在本研究中區(qū)分樹干與樹葉效果較好,以此作為另一閾值參數(shù)。|G-R|范圍的敏感性也與所需在分類像元的亮度有關(guān),總體上在2～10的范圍中,例如,經(jīng)過G>R>B以及G<30的二次分類后,仍有許多較暗的葉子與樹干分在一起,而通過|G-R|>2則可將部分暗的葉子區(qū)分出去,以提高精度。

2.3 郁閉度計(jì)算

從Jennings定義的郁閉度概念出發(fā),為削弱主干對郁閉度計(jì)算的影響,將計(jì)算方法從被樹木枝體遮擋的天空區(qū)域比例調(diào)整為被樹葉遮擋的天空區(qū)域比例。計(jì)算公式如下所示:

(1)

式中:CL為林冠郁閉度；SL為林冠像元的總數(shù)(樹葉以及部分細(xì)枝)；S為相片的總像元。

2.4 精度分析

本文設(shè)計(jì)了3個實(shí)驗(yàn)來進(jìn)行RGB分類方法的精度評估(圖2)。第1個是對于模型總體分類精度的評估,在野外采集的相片中隨機(jī)選取10張導(dǎo)入ArcGIS 10.5并將波段輸入模型,得到分類結(jié)果。通過Create Random Points工具在所取的各圖上取20個點(diǎn),之后通過對被取上點(diǎn)的像元進(jìn)行目視解譯,記錄分類情況。將所有分類結(jié)果進(jìn)行整合,繪制總體混淆矩陣,進(jìn)行總體分類精度和Kappa系數(shù)計(jì)算。第2個是對主干部分分類精度的評估。主干的區(qū)分是本研究的重點(diǎn),通常情況下主干相對于整張圖片的占比較少,在分類評價統(tǒng)計(jì)中對主干部分的取點(diǎn)較少,因此需要單獨(dú)對主干部分進(jìn)行取點(diǎn)評估。選取多張主干明顯的相片,導(dǎo)入ArcGIS后劃分出主干區(qū)域,并在每幅圖的主干區(qū)域取30個隨機(jī)點(diǎn),最后將所有分類結(jié)果進(jìn)行整合,繪制混淆矩陣進(jìn)行總體分類精度和Kappa系數(shù)計(jì)算。第3個是對于不同郁閉度下的精度評估影響比較實(shí)驗(yàn)。通常來說隨著取點(diǎn)數(shù)量的增多精度評估結(jié)果將越精準(zhǔn),為了對精度評估結(jié)果進(jìn)行系統(tǒng)地比較,選取了3張郁閉度差異較大的相片,分別將驗(yàn)證點(diǎn)的數(shù)量設(shè)置為20,40,60,80和100,以此來分析精度評估的準(zhǔn)確性。

圖2 精度分析實(shí)驗(yàn)對比圖

3 結(jié)果與分析

3.1 與抬頭望法的結(jié)果的對比驗(yàn)證

抬頭望法是在林冠郁閉度估測調(diào)查中的常用方法,估測結(jié)果較為準(zhǔn)確[6]。因此,為驗(yàn)證該模型的可行性,將在拍攝樣地通過抬頭望法實(shí)測的郁閉度數(shù)據(jù)與模型輸出數(shù)據(jù)進(jìn)行對比分析。每個樣地設(shè)置5個采樣點(diǎn),在每個樣點(diǎn)上獲得估測的郁閉度數(shù)據(jù),將5個點(diǎn)的郁閉度平均值作為該樣地的郁閉度估測值,統(tǒng)計(jì)結(jié)果與該樣地相對應(yīng)的模型輸出結(jié)果進(jìn)行對比分析。

分析結(jié)果表明(表1、圖3),在相同條件下,模型與抬頭望法的郁閉度估測結(jié)果相近,具有較高的相關(guān)系數(shù)(R2=0.77),兩者的均方根誤差(RMSE)結(jié)果為0.022,平均絕對誤差(MAE)結(jié)果為0.018,反映的擬合程度較好,并且具有顯著相關(guān)性(p<0.01)。在郁閉度較低時模型估測結(jié)果大于目測結(jié)果；在郁閉度較高時模型估測結(jié)果小于目測結(jié)果,符合一般目測規(guī)律。因此,通過數(shù)碼相片的自動化模型估測郁閉度結(jié)果與實(shí)測結(jié)果的偏差在允許的范圍內(nèi),在實(shí)際的林業(yè)資源調(diào)查中具有可行性。

表1 模型與抬頭望法估測的郁閉度值

圖3 模型與抬頭望法估測郁閉度值結(jié)果對比

3.2 精度分析

3.2.1總體精度

將選取的10張數(shù)碼相片的共200個隨機(jī)點(diǎn)進(jìn)行精度統(tǒng)計(jì),統(tǒng)計(jì)結(jié)果如下:在取的200個點(diǎn)中,實(shí)際分類結(jié)果分別為樹葉97個、天空90個、樹干13個；而預(yù)測結(jié)果為樹葉91個、天空96個樹干15個?？傮w分類精度達(dá)到0.94,Kappa系數(shù)為0.89,分類精度較高。在分類誤差上,仍有少許樹葉被錯分和漏分,樹葉錯分率為3.30%,漏分率為9.28%,制圖精度為90.72%,用戶精度為96.70%。

3.2.2主干部分精度

在選取的5張相片中,將主干部分作為選區(qū)進(jìn)行隨機(jī)取點(diǎn),每圖取30個點(diǎn),總計(jì)150個隨機(jī)點(diǎn),以是否為主干作為分類條件繪制混淆矩陣并計(jì)算總體分類精度和Kappa系數(shù)。結(jié)果表明:在主干部分取點(diǎn)的5張圖片的精度分析中,實(shí)際與預(yù)測都為主干的有110個點(diǎn)；實(shí)際與預(yù)測都為非主干的有31個點(diǎn),總體分類精度達(dá)到0.94,Kappa系數(shù)為0.84,具有較好的分類精度。

3.2.3不同郁閉度精度

以郁閉度的大小以及取點(diǎn)的數(shù)量作為參考,對分類結(jié)果進(jìn)行精度評價。3種不同郁閉度在不同隨機(jī)點(diǎn)的情況下,所得到的總體分類精度和Kappa系數(shù)結(jié)果如表2、圖4所示,總體分類精度與Kappa系數(shù)保持著良好的一致性。在低郁閉度(圖5(a))取80個點(diǎn)的時候總體分類精度最高,達(dá)到0.98,Kappa系數(shù)為0.95；在中郁閉度(圖5(b))取60個點(diǎn)的時候總體分類精度最高,達(dá)到0.97,Kappa系數(shù)為0.94；在高郁閉度(圖5(c))取60個點(diǎn)的時候總體分類精度與Kappa系數(shù)較差,而之后的80個點(diǎn)以及100個點(diǎn)中有所提升。

3條虛線分別為3幅圖像總體分類精度和Kappa系數(shù)隨取點(diǎn)數(shù)量的回歸線,可以發(fā)現(xiàn)低郁閉度圖的總體分類精度和Kappa系數(shù)隨著取點(diǎn)數(shù)量的增加而增大,因此在以20個點(diǎn)作的原始精度估計(jì)上可能存在低估的情況；中郁閉度圖的總體分類精度和Kappa系數(shù)預(yù)測曲線較為平緩,與原始精度估計(jì)相近；高郁閉度圖總體分類精度和Kappa系數(shù)則隨著取點(diǎn)的增多有下降趨勢,原始精度評價可能存在高估的現(xiàn)象。

表2 不同驗(yàn)證點(diǎn)下的郁閉度精度分析

圖4 3種郁閉度下的總體分類精度及Kappa系數(shù)隨取點(diǎn)數(shù)增加的變化圖

圖5 不同郁閉度分類結(jié)果圖

導(dǎo)致該結(jié)果的可能原因:1)天空的分類在本方法中精度很高,在低郁閉度圖中由于天空占比較大,隨著取點(diǎn)數(shù)量的增多,取到天空像元的數(shù)量也會增多,因此會使精度得到一定提高;2)由于受到光照的影響,接近天空的樹葉邊緣的像元常與天空像元接近,在取點(diǎn)中會存在將樹葉錯分為天空的情況,高郁閉度圖的樹葉與天空交界區(qū)會較多,使其受到的影響相對較大,高郁閉度圖中存在大量茂密葉片重疊的情況,形成一片暗區(qū),且在波段上與樹干相近,會對整體精度產(chǎn)生一定影響。

其他可能的誤差包括:1)枝條的分類。本研究將較細(xì)的枝條分入樹葉中,而將樹木的主干部分作為相對區(qū)分的對象,以符合對于郁閉度的定義,但在實(shí)際分類中存在一些枝條分類不一致的情況,難以界定分類的正確與否；此外,受光照影響強(qiáng)烈的區(qū)域,包括樹干邊緣、裸露的枝條和靠近天空的葉子,常常呈深藍(lán)色,且在波段特征上相近而較難區(qū)分;2)反光葉的分類。受光照的條件與位置影響,一些樹葉由于反光強(qiáng)烈而產(chǎn)生各DN值都極高的情況,在波段特征上與天空或受光照強(qiáng)烈的樹干相近,造成少量誤差。

因此,在野外拍攝數(shù)碼相片過程中,應(yīng)當(dāng)盡量避免陽光的直射,選在光照不強(qiáng)的天氣或者早晚拍攝。在拍攝過程中,視角中心點(diǎn)的位置及大小也需要注意,通常當(dāng)樹木靠近觀測中心點(diǎn)時測量結(jié)果往往偏大[22]；而視角的大小也會影響郁閉度的計(jì)算。此外,取樣地的坡度、樹木的高度、胸徑等因子也可能是郁閉度提取研究中的影響因子。

3.3 不同林齡郁閉度

從不同林齡的郁閉度結(jié)果(圖6)中可看出,2種方法對于不同林齡的郁閉度估測結(jié)果具有一致性,14a生的楊樹林郁閉度在0.5左右,而9a生的楊樹林郁閉度在0.45左右。t檢驗(yàn)結(jié)果顯示,不同林齡楊樹林在抬頭望法估測結(jié)果上存在著顯著差異(p<0.05)；在模型/估測結(jié)果上,9a生和14a生楊樹林郁閉度存在著極顯著差異(p<0.001)。在估測的范圍上,抬頭望法估測結(jié)果的上下限更大,而模型估測結(jié)果的上下限離中位數(shù)更接近。此外,模型估測的結(jié)果中存在一個較低郁閉度的值,但仍在可接受的范圍內(nèi)。

圖6 不同林齡下的2種方法估測郁閉度結(jié)果

4 結(jié)論

郁閉度的精確提取在林業(yè)資源調(diào)查中有著重要意義,高效、快捷的林冠郁閉度測定方法是現(xiàn)代林業(yè)發(fā)展的必然趨勢。數(shù)碼相機(jī)由其獲取簡易、性價比高的特點(diǎn)被廣泛運(yùn)用于林冠郁閉度的測定中。研究表明,利用數(shù)碼相機(jī)拍攝的全天空照片提取森林郁閉度具有高效可行性,總體分類精度達(dá)到0.94,Kappa系數(shù)為0.89,并且與抬頭望法的測定結(jié)果具有一致性(R2=0.77,p<0.01),兩者都能夠反映兩種林齡楊樹林郁閉度關(guān)系情況。主干的存在往往會對郁閉度的計(jì)算產(chǎn)生一定誤差,利用圖像識別法結(jié)合相片中各物象的RGB特征能夠精確地將其分離出去,主干部分總體分類精度達(dá)到0.94,Kappa系數(shù)為0.84,分類效果較好。此外,在不同郁閉度的測定精度上,發(fā)現(xiàn)在較低郁閉度情況下往往提取效果更佳。