吳思敏,孫 華,林 輝

(1.中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心,長沙 410004；2.林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點(diǎn)實(shí)驗(yàn)室,長沙 410004；3.南方森林資源經(jīng)營與監(jiān)測國家林業(yè)與草原局重點(diǎn)實(shí)驗(yàn)室,長沙 410004)

林分平均高是計(jì)算森林蓄積量的重要參數(shù),傳統(tǒng)的方法主要依靠人力進(jìn)行實(shí)地調(diào)查獲取林分平均高信息,此方法耗費(fèi)大量的人力、物力和財(cái)力。傳統(tǒng)林分平均高測算工作迫切需要一種能快速地、多時態(tài)、多維度、多尺度、高精度地獲取這一參數(shù)的方法[1-4]。

隨著遙感技術(shù)的發(fā)展,激光雷達(dá)(Light Detection and Ranging,LiDAR)作為一種新型的主動遙感技術(shù),可以獲取高度信息,為森林垂直結(jié)構(gòu)參數(shù)提取提供了一種新的思路。LiDAR具有強(qiáng)度高,抗干擾能力強(qiáng),對物體位置的探測精度高等特點(diǎn),通過將激光雷達(dá)布設(shè)飛行器上,能快速地實(shí)現(xiàn)森林結(jié)構(gòu)信息獲取[5-9]。

國內(nèi)外對激光雷達(dá)獲取森林垂直結(jié)構(gòu)參數(shù)進(jìn)行了大量研究,而激光雷達(dá)數(shù)據(jù)應(yīng)用于林分平均高提取的方法主要有兩種:

1)通過LiDAR點(diǎn)云數(shù)據(jù)構(gòu)建的冠層高度模型(Canopy height model,CHM)提取林分平均高。該方法首先對激光雷達(dá)點(diǎn)云進(jìn)行濾波,分離地面點(diǎn)云與地物點(diǎn)云,通過地物點(diǎn)云與地面點(diǎn)云生成數(shù)字高程模型(Digital elevation model,DEM),與數(shù)字表面模型(Digital surface model,DSM)相減得到冠層高度模型(CHM)。CHM是生態(tài)系統(tǒng)模型的重要參數(shù),是森林垂直結(jié)構(gòu)參數(shù)提取的重要因子,對于森林的碳儲量和生物量估測有著重要作用[10-14]。林分平均高與CHM有所差異,CHM并不等同于林分平均高,故有學(xué)者提出了基于CHM的均值提取與低值閾值去除等方法來獲取林分平均高,此方法勝在操作簡單容易實(shí)現(xiàn),但提取效果并不理想[15]。為了進(jìn)一步提高提取精度,又有學(xué)者提出基于CHM進(jìn)行單木分割的林分平均高提取方法,如，分水嶺算法、多項(xiàng)式擬合法[16-18]。此方法試圖去分析真實(shí)的林木空間分布,使得精度有所提升,但不同的閾值對于樹頂種子點(diǎn)的選定對提取精度有著較大的影響。

2)通過LiDAR點(diǎn)云數(shù)據(jù)直接進(jìn)行單木分割提取林分平均高。點(diǎn)云的單木分割在三維空間結(jié)構(gòu)參數(shù)的利用上相較于CHM的單木分割更多,得到的單木分割精度也更高,但缺點(diǎn)是算法復(fù)雜多樣,時間成本較高[19]。

CHM數(shù)據(jù)是由三維的點(diǎn)云數(shù)據(jù)向二維轉(zhuǎn)換而來,損失了部分三維的結(jié)構(gòu)信息變?yōu)槎S的平面數(shù)據(jù),存在的一些不自然的高度畸變與凹坑對林分平均高的提取存在較大影響[20],而不同的樹種有著不同的冠型特征,會導(dǎo)致相異的凹坑畸變,故不同樹種對于林分平均高提取精度的影響值得探討。同時,CHM產(chǎn)品的分辨率差異對于林分平均高的提取效率與精度也會產(chǎn)生影響,若CHM產(chǎn)品分辨率較低,精度是否能保證,若CHM產(chǎn)品的分辨率較高,時間成本會提高。所以,如何找到一個較為適合的分辨率,目前少有相關(guān)研究。為探究這一系列問題,本研究提出結(jié)合自適應(yīng)閾值與峰值的方法來提高林分平均高的提取精度,以及此方法在不同的樹種中林分平均高提取的精度情況。

1 研究區(qū)概況

研究區(qū)位于廣西國有高峰林場,林場占地隨高峰嶺走勢,從東北覆蓋至西南,共有13個分場,經(jīng)營面積130多萬畝,研究主要區(qū)域?yàn)楦叻辶謭龊诵膮^(qū)域的界牌分場與東升分場,占地面積為50km2,主要地形為低山與丘陵,主要樹種為桉樹(Eucalyptusrobusta),杉木(Cunninghamialanceolata),以及少量闊葉樹種。

2 研究方法

2.1 地面樣地?cái)?shù)據(jù)

根據(jù)林場提供的歷史調(diào)查數(shù)據(jù),參考林分林齡,森林類型,樹種分布等,結(jié)合研究目的,采用分層隨機(jī)抽樣方法,在研究區(qū)內(nèi)布設(shè)84塊桉樹樣地,53塊杉木樣地,64塊其它樹種樣地(主要是作為防火林帶經(jīng)營的闊葉樹種),樣地分布如圖1所示。

圖1 樣地分布圖

樣地調(diào)查時間為2018年1月。樣地大小為:20m×20m,25m×25m,30m×30m,25m×50m。調(diào)查時,樣地內(nèi)開展每木檢尺,并使用激光測高儀測量樹高,計(jì)算出樣地的林分平均高作為真值。同時,每塊樣地的中心點(diǎn)采用實(shí)時動態(tài)差分技術(shù)(Real-time kinematic,RTK)進(jìn)行定位。

2.2 激光雷達(dá)數(shù)據(jù)

研究采用有人機(jī)搭載Riegl LMS-Q680i LiDAR傳感器獲取數(shù)據(jù)。飛行高度600m,速度65m/s,光束發(fā)散角0.5mrad,光斑直徑約0.3m,返回波形記錄的時間采樣間隔1ns(約15cm),脈沖發(fā)射頻率200kHz,掃描頻率80Hz,最大掃描角60°。數(shù)據(jù)獲取時間為2018年3月。對得到的點(diǎn)云進(jìn)行噪聲去除等預(yù)處理工作后,得到校正后的點(diǎn)云數(shù)據(jù),點(diǎn)云密度為8.7pts/m2。

2.3 CHM獲取

采用布料模擬算法得到地面點(diǎn)云以及地物點(diǎn)云[21],進(jìn)行TIN三角網(wǎng)構(gòu)建得到數(shù)字高程模型DEM和數(shù)字表面模型DSM,通過DSM-DEM的差值計(jì)算得到冠層高度模型CHM,之后通過重采樣得到1m分辨率的CHM。

2.4 林分平均高提取

CHM是提取林分垂直參數(shù)的重要因子,但是CHM上的高度畸變與突變的凹坑對林分平均高的提取有較大的影響[22]。為了解決這一問題,論文提出了一種結(jié)合自適應(yīng)閾值與峰值探測的方法。

自適應(yīng)閾值法首先需要設(shè)定一個自增長的閾值進(jìn)行低值去除,并結(jié)合留一交叉驗(yàn)證來確定最佳閾值；峰值探測法則是先對CHM數(shù)據(jù)的樣地區(qū)域進(jìn)行向量化,再對向量進(jìn)行峰值點(diǎn)提取。當(dāng)樣地中所有的CHM值都低于閾值或者無峰值時,該樣點(diǎn)林分平均高設(shè)為閾值或是最高值。

CHM中地面點(diǎn)的高度值會對林分平均高的提取精度造成較大影響,故需對過低的高度值進(jìn)行剔除,而本文提出的自適應(yīng)閾值法則是先設(shè)定一個初始剔除高度h1,小于h1的高度值都被認(rèn)定為過低點(diǎn),對于剩余的高度值取平均值得到樣地林分平均高H1。對所有樣地都進(jìn)行閾值剔除并以得到的結(jié)果與真實(shí)值進(jìn)行留一交叉驗(yàn)證,得到模型的均方根誤差RMSE。再對閾值高度h進(jìn)行等距增加,迭代計(jì)算每一次的RMSE,在設(shè)定好閾值自增長迭代次數(shù)i后,取所有RMSE中最小值時的剔除高度hk作為最佳閾值提取林分平均高。如圖2所示,正方形代表樣地CHM,不同的顏色分別代表大于或小于高度閾值hi的CHM值,對樣地進(jìn)行迭代剔除低值點(diǎn)后,進(jìn)行林分平均高的提取。

圖2 自適應(yīng)閾值法示意圖

峰值法則是對樣地區(qū)域的CHM按照東西向或南北向進(jìn)行向量化,對高度值進(jìn)行峰值判定,當(dāng)某個點(diǎn)的高度值皆高于周圍高度值時,認(rèn)定此點(diǎn)為樹冠頂點(diǎn),保留此高度值。樣地林分平均高則為所有峰值點(diǎn)的平均值。

采用6種方法進(jìn)行精度分析:(a)中心點(diǎn)提取法[23]、(b)均值提取法[24]、(c)自適應(yīng)閾值法[25]、(d)峰值探測法[26]、(e)閾值_峰值法(先進(jìn)行自適應(yīng)閾值去除后進(jìn)行峰值探測)、(f)峰值_閾值法(先進(jìn)行峰值探測后進(jìn)行自適應(yīng)閾值)。為評價(jià)不同方法的精度,對樣地林分平均高提取值與實(shí)測值進(jìn)行精度評價(jià),采用的評價(jià)指標(biāo)為決定系數(shù)R2,均方根誤差RMSE(m)、相對均方根誤差rRMSE(%)[27]。

3 結(jié)果與分析

以1m分辨率CHM為基礎(chǔ),采用不同方法提取林分平均高,分樹種計(jì)算林分平均高提取精度評價(jià)表,殘差分布圖,殘差絕對值顯著性檢驗(yàn),最后生成了研究區(qū)林分平均高反演圖。

3.1 CHM(1m)提取精度結(jié)果及分析

對1m分辨率的CHM分別進(jìn)行6種方法的林分平均高提取,得到提取值與實(shí)測值,結(jié)果如表1所示。

表1 各樣本精度評價(jià)

由表1可知,以1m分辨率CHM為基礎(chǔ),不同林分平均高提取方法在不同樹種中的精度評價(jià)差異較大。就提取方法而言,總樣本中心點(diǎn)法精度最低(R2=0.48,RMSE=4.47m,rRMSE=31.72),其余5種方法精度較高(R2=0.70～0.75,RMSE=2.44～3.80m,rRMSE=17.32～26.96)；桉樹樣本中心點(diǎn)法精度最低(R2=0.50,RMSE=5.19m,rRMSE=33.71),其余5種方法精度較高(R2=0.71～0.78,RMSE=2.83～4.15m,rRMSE=18.39～26.92)；杉木樣本在結(jié)合自適應(yīng)閾值的3種方法精度(R2=0.70～0.79,RMSE=1.50～2.04m,rRMSE=10.98～14.92)優(yōu)于中心點(diǎn)法、均值法與峰值法(R2=0.29～0.48,RMSE=1.92～4.14m,rRMSE=14.05～30.27)；其它樹種除中心點(diǎn)法精度(R2=0.45,RMSE=4.45m,rRMSE=34.96)稍低,另5種方法精度(R2=0.72～0.75,RMSE=2.44～3.58m,rRMSE=19.15～28.15)都比較優(yōu)秀。就樹種之間而言,其它樹種與桉樹樣本最佳,在5種方法中R2都在0.70以上；杉木樣本次之,在結(jié)合自適應(yīng)閾值的3種方法中,R2均在0.70以上。

對6種方法得到的林分平均高提取值與真值進(jìn)行殘差計(jì)算,結(jié)果如圖3所示。其中橫軸為胸徑(cm),縱軸為殘差(提取值-真值)。

圖3 6種方法提取林分平均高殘差圖

由圖3可知,就所有樹種而言,中心點(diǎn)法最差,殘差分布離散,但過低估計(jì)現(xiàn)象減緩,趨勢性減緩；均值法的過低估計(jì)并未出現(xiàn),且分布情況更為平均；單獨(dú)進(jìn)行閾值法與峰值法對分布情況有所改善,但峰值法出現(xiàn)了低值高估與高值低估；結(jié)合自適應(yīng)閾值與峰值探測的兩種方法表現(xiàn)依舊較優(yōu),絕大部分落在-3m～+5m區(qū)間內(nèi)。就不同樹種而言,其它樹種樣本表現(xiàn)依舊最佳,整體分布均勻；杉木樣本分布依舊集中,仍存在趨勢性；桉樹樣本表現(xiàn)有所提升,分布均勻。

對6種方法的殘差絕對值進(jìn)行顯著性檢驗(yàn),得到顯著性檢驗(yàn)P值,結(jié)果如表2所示。

表2 殘差絕對值顯著性檢驗(yàn)P值結(jié)果

由表2可知,結(jié)合了閾值和峰值的兩種方法顯著優(yōu)于中心點(diǎn)法、均值法、閾值法、峰值法,且存在顯著性差異(p<0.05)。

3.2 林分平均高反演結(jié)果

以CHM為基礎(chǔ),分別生成6種方法得出林分平均高反演結(jié)果圖,結(jié)果如圖4所示。中心點(diǎn)法與均值法對CHM反演結(jié)果都不理想,出現(xiàn)大面積的過低估計(jì)。閾值法和峰值法對于過低估計(jì)的情況有較大改善,但是對于林分平均高的差異情況,峰值法比閾值法的展現(xiàn)更加細(xì)致與合理,但兩種方法都難以體現(xiàn)出整個區(qū)域的林分平均高差異。結(jié)合了自適應(yīng)閾值與峰值探測的兩種方法則在消除過低估計(jì)的基礎(chǔ)上,進(jìn)一步呈現(xiàn)了整個區(qū)域的林分平均高差異,林分的輪廓與邊界展現(xiàn)得更為細(xì)致。隨著自適應(yīng)閾值及峰值方法的加入,反演效果有非常大的提升。原本反演結(jié)果趨同的區(qū)域,展現(xiàn)出了更多的林分平均高差異的細(xì)節(jié),林分間的道路等高度差異較大的區(qū)域都能詳細(xì)刻畫。

圖4 基于1m分辨率CHM產(chǎn)品研究區(qū)域林分平均高反演圖

4 結(jié)論與討論

研究以廣西省南寧市國有高峰林場人工林為研究對象,借助機(jī)載LiDAR數(shù)據(jù),構(gòu)建不同分辨率的CHM,結(jié)合地面實(shí)測數(shù)據(jù),提出一種結(jié)合自適應(yīng)閾值與峰值探測提取林分平均高的方法,并與其他方法進(jìn)行比較；同時討論了不同的CHM分辨率與樹種對林分平均高提取精度的影響。研究結(jié)果表明:

1)不同樹種的林分平均高提取精度存在差異。杉木提取的精度最高(杉木R2=0.79,RMSE=1.84m,rRMSE=13.46%),桉樹與其它樹種次之(桉樹R2=0.78,RMSE=4.15m,rRMSE=26.92%；其它樹種R2=0.75,RMSE=3.04m,rRMSE=23.91%)。

2)研究提出的結(jié)合自適應(yīng)閾值與峰值方法較其他方法精度表現(xiàn)更為優(yōu)秀,R2的平均水平均在0.7以上,RMSE在2m左右,rRMSE在20%以下,且經(jīng)過顯著性檢驗(yàn),具有顯著性差異。此方法的穩(wěn)健性相較于其他方法更好,對于不同樹種都有較強(qiáng)的適應(yīng)性。

3)闊葉樹種與針葉樹種對不同的方法有敏感性差異。桉樹及其他樹種等闊葉樹在先進(jìn)行自適應(yīng)閾值再進(jìn)行峰值提取的方法中取得了最優(yōu)精度；杉木作為針葉樹種則在先進(jìn)行峰值提取后進(jìn)行自適應(yīng)閾值的方法中取得了最優(yōu)精度。

研究借助LiDAR數(shù)據(jù)進(jìn)行了林分平均高的提取方法與反演結(jié)果的比較。從提取精度與反演結(jié)果上能看出還存在問題需要解決:研究中同樣作為闊葉樹種的桉樹與其它樹種取得了相似的提取精度,但是桉樹與其它樹種的殘差分布差異較大,需要做進(jìn)一步的研究。