趙穎慧，楊海城，甄 貞*

(1.東北林業(yè)大學(xué)林學(xué)院，黑龍江 哈爾濱 150040；2.東北林業(yè)大學(xué)森林生態(tài)系統(tǒng)可持續(xù)經(jīng)營教育部重點(diǎn)實(shí)驗(yàn)室，黑龍江 哈爾濱 150040)

樹高是森林資源調(diào)查中的重要因子之一，與胸徑(DBH)和樹種等其他因子共同被廣泛用于估測(cè)無法以無損方式獲得的生物量等重要森林參數(shù)。在生物量模型構(gòu)建中加入樹高因子作為預(yù)測(cè)參數(shù)，可以顯著地提高生物量模型的估計(jì)精度[1-2]，因此，樹高因子測(cè)定的準(zhǔn)確性至關(guān)重要。目前，樹高的實(shí)測(cè)方法通常是應(yīng)用測(cè)高儀進(jìn)行實(shí)地測(cè)量，不僅費(fèi)時(shí)費(fèi)力，還受林況、測(cè)量者的經(jīng)驗(yàn)及所使用的設(shè)備等多種因素影響[3]。

激光雷達(dá)(light detection and ranging, LiDAR)是一種主動(dòng)遙感技術(shù)，其發(fā)射的激光脈沖在森林中具有很好的穿透性，高采樣密度LiDAR能夠獲取單木三維結(jié)構(gòu)特征，因此被廣泛用于林業(yè)研究[4]。無人機(jī)激光雷達(dá)數(shù)據(jù)(unmanned aerial vehicle laser scanning, ULS)是近年來新興的遙感數(shù)據(jù)，與機(jī)載激光雷達(dá)數(shù)據(jù)(airborne laser scanning, ALS)相比，具有更低的成本和更高的點(diǎn)云密度[5]，在森林冠層結(jié)構(gòu)估測(cè)中具有明顯的優(yōu)勢(shì)[6-7]。地基激光雷達(dá)(terrestrial laser scanning，TLS)生成的3D點(diǎn)云，能夠獲得高質(zhì)量的林下LiDAR影像，可準(zhǔn)確地描述林下信息，用于精確提取林下結(jié)構(gòu)[8-10]。有學(xué)者使用TLS提取樹高并進(jìn)行分析，認(rèn)為TLS提取的樹高會(huì)低于實(shí)際值[11-13]。也有學(xué)者認(rèn)為使用ALS提取的樹高，也會(huì)受點(diǎn)密度和森林結(jié)構(gòu)等影響而造成低估[14-15]。另外，Sibona等[16]測(cè)量了100株砍伐木樹高，并對(duì)砍伐木樹高與野外調(diào)查中使用測(cè)距儀獲得的樹高和使用ALS提取的樹高進(jìn)行了比較，結(jié)果顯示ALS提取的樹高更接近真實(shí)值。Wang等[17]比較了ULS和TLS提取的樹高，結(jié)果表明ULS在樹高的估測(cè)方面優(yōu)于TLS。Wallace等[18]直接使用ULS點(diǎn)云生成冠層高度模型(canopy height model, CHM)，使用標(biāo)記控制分水嶺算法單木分割提取樹高，結(jié)果表明樹高被低估了0.11 m。由此可見，基于單一數(shù)據(jù)源(ALS、ULS和TLS)提取樹高都有一定的局限性。

有學(xué)者將林分按照一定的樹木高度為分割點(diǎn)，分別采用不同數(shù)據(jù)源進(jìn)行估測(cè)。例如，Wang等[19]分別用TLS和ALS提取的樹高與樣地實(shí)測(cè)樹高對(duì)比，結(jié)果表明：當(dāng)樹高小于15 m時(shí)，TLS提取的樹高與樣地實(shí)測(cè)樹高更接近；當(dāng)樹高大于15 m時(shí)，使用ALS提取的樹高更準(zhǔn)確，但該樹高分割點(diǎn)(15 m)的選取比較主觀，僅適合應(yīng)用于芬蘭北部的松樹和樺樹混交林。另外，也有研究者認(rèn)為樹高測(cè)量的誤差主要來自林冠層的遮蔽[20]。林冠層垂直結(jié)構(gòu)信息豐富，體現(xiàn)了森林植被在垂直方向上的層次性和空間配置方式，影響著樹木生長和下層植被分布[21-23]。胡文杰等[24]根據(jù)樣地調(diào)查數(shù)據(jù)，采用樹冠光競(jìng)爭(zhēng)高度法將林分劃分為上林層、中林層和下林層。胡傳偉等[25]通過森林群落學(xué)調(diào)查的方法獲取數(shù)據(jù)，應(yīng)用聚類分析和生態(tài)位分析相結(jié)合的方法，研究了天然次生林的樹種組成與垂直結(jié)構(gòu)。對(duì)于激光雷達(dá)在林冠分層上的應(yīng)用，也有學(xué)者進(jìn)行了研究[26-30]。有研究將冠層高度分布(camopy height distribution, CHD)用于對(duì)林分的冠層劃分，Maltamo等[31]使用改進(jìn)的直方圖閾值法對(duì)CHD直方圖進(jìn)行計(jì)算，實(shí)現(xiàn)了對(duì)冠層的分層。

綜上所述，以ALS、ULS和TLS單一數(shù)據(jù)源提取樹高的研究已十分常見，但大多數(shù)只是針對(duì)某一林分直接提取樹高，而對(duì)林分以CHD進(jìn)行分層，并根據(jù)不同冠層結(jié)合不同數(shù)據(jù)源提取樹高的對(duì)比研究較少。因此，本研究以ULS、TLS和野外樣地調(diào)查實(shí)測(cè)樹高為數(shù)據(jù)源，以東北林業(yè)大學(xué)帽兒山實(shí)驗(yàn)林場(chǎng)中林施業(yè)區(qū)50 m×50 m(0.25 hm2)樣地為研究對(duì)象，基于CHD對(duì)林冠層進(jìn)行分層，針對(duì)不同樹木類型(針葉樹和闊葉樹)和不同林冠層(上層和下層)的單木進(jìn)行樹高估測(cè)，分析在不同林冠層中應(yīng)用不同數(shù)據(jù)源探測(cè)提取樹高的異同，探索適用于中國北方天然次生林樹高估測(cè)的方法，為更準(zhǔn)確地估測(cè)天然次生林樹高提供依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)為東北林業(yè)大學(xué)帽兒山實(shí)驗(yàn)林場(chǎng)中林施業(yè)區(qū)50 m×50 m(0.25 hm2)方形樣地(127°34′15″E，45°21′29″N)。林場(chǎng)位于黑龍江省尚志市西北部，地處張廣才嶺西坡，屬于大陸性季風(fēng)氣候，植被是典型的東北天然次生林，原始地帶性頂級(jí)群落為紅松闊葉林。由于森林屢遭破壞，原始植被發(fā)生了逆向演替，形成了目前以珍貴闊葉林、楊樺林、柞木林等為主的天然次生林與紅松(Pinuskoraiensis)、落葉松(Larixgmelinii)、樟子松(Pinussylvestrisvar.mongolica)等人工林鑲嵌分布的森林景觀。

1.2 研究數(shù)據(jù)獲取

1.2.1 ULS數(shù)據(jù)

數(shù)據(jù)獲取時(shí)間為2019年7月，使用飛馬D200旋翼平臺(tái)的一體化高精度航測(cè)無人機(jī)系統(tǒng)，配備高精度LiDAR模塊(D-lidar200)。LiDAR傳感器(RIEGL mini VUX-1UAV)波長為905 nm，最大回波數(shù)為5，最大傳感器頻率為100 Hz，點(diǎn)云密度為104點(diǎn)/m2。

1.2.2 TLS數(shù)據(jù)

數(shù)據(jù)獲取時(shí)間為2019年10月，由麥格天泓公司開發(fā)的Trimble TX6高速三維激光掃描儀獲得，在樣地(50 m × 50 m)內(nèi)采用蛇形方式布設(shè)多個(gè)測(cè)點(diǎn)，原則上確保每一株樹都能360°接收到激光掃描儀掃描。高速三維激光掃描儀角度精度80 μrad，掃描速度50萬點(diǎn)/s，最小測(cè)程0.6 m，最大測(cè)程80 m，測(cè)量誤差±2 mm。

1.2.3 野外調(diào)查樣地?cái)?shù)據(jù)

2018年7月在帽兒山林場(chǎng)中林施業(yè)區(qū)內(nèi)選擇包含多個(gè)優(yōu)勢(shì)樹種的50 m×50 m方形樣地，郁閉度為0.8，并于2019年7月復(fù)測(cè)。使用RTK(real time kinematic)記錄樣地中所有樹木冠頂(樹冠最高點(diǎn))在地面上的投影坐標(biāo)位置(誤差小于0.1 m)。以5 cm為起測(cè)徑階進(jìn)行每木檢尺，記錄包括：胸徑、樹高、冠幅和樹種等因子。使用瑞典Hagolf公司生產(chǎn)的Vertex IV超聲測(cè)高儀獲取樹高。樣地中共記錄359株樣木，其中針葉樹144株，主要為紅松；闊葉樹215株，主要為榆樹(Ulmuspumila)、胡桃楸(Juglansmandshurica)、楊樹(PopulusL.)、水曲柳(Fraxinusmandshurica)和白樺(Betulaplatyphylla)等。樣地中不同樹木類型(針葉樹和闊葉樹)的胸徑、樹高和冠幅的統(tǒng)計(jì)特征見表1。

表1 樣地樹木統(tǒng)計(jì)特征

1.3 研究方法

1.3.1 數(shù)據(jù)預(yù)處理

ULS點(diǎn)云數(shù)據(jù)預(yù)處理包括：去噪、分離地面點(diǎn)和點(diǎn)云歸一化處理。首先對(duì)原始的點(diǎn)云數(shù)據(jù)去噪，之后采用漸進(jìn)加密三角網(wǎng)算法進(jìn)行濾波[32]，獲得地面點(diǎn)和非地面點(diǎn)。最后，使用地面點(diǎn)生成的數(shù)字高程模型(DEM)對(duì)點(diǎn)云進(jìn)行歸一化處理，得到點(diǎn)云的高程值，若該點(diǎn)為樹頂，則其高程值可視為樹高。

TLS點(diǎn)云數(shù)據(jù)預(yù)處理包括：去除“飛點(diǎn)”、抽稀、分離地面點(diǎn)和歸一化處理。首先去除“飛點(diǎn)”，即噪點(diǎn)；其次，對(duì)點(diǎn)云數(shù)據(jù)采用八叉樹方法[33]進(jìn)行“抽稀”，通過多次抽稀研究發(fā)現(xiàn)，采用13級(jí)八叉樹抽稀后獲得的數(shù)據(jù)運(yùn)算量小又極大地保持了數(shù)據(jù)真實(shí)性；最后，采用漸進(jìn)加密三角網(wǎng)算法對(duì)點(diǎn)云進(jìn)行地面點(diǎn)濾波，然后做歸一化處理。

1.3.2 基于CHD的林冠分層

1.3.3 單木樹高的提取

本研究目的是探討不同林冠層中應(yīng)用不同數(shù)據(jù)源提取樹高的異同，為排除單木樹冠提取算法對(duì)結(jié)果的影響，本研究對(duì)ULS和TLS數(shù)據(jù)進(jìn)行人工目視解譯，分離出單株樹并手動(dòng)量取樹高[19]。當(dāng)使用ULS提取樹高時(shí)，有樹高交叉重疊現(xiàn)象：①如果交叉重疊不嚴(yán)重，本研究結(jié)合樣地調(diào)查的單木位置，直接提取樹高，計(jì)算誤差。②如果交叉重疊嚴(yán)重，頂層的點(diǎn)云數(shù)據(jù)是根據(jù)點(diǎn)云位置的最高點(diǎn)與實(shí)測(cè)樹高的位置匹配，提取樹高；下層的點(diǎn)云則根據(jù)單木冠型來判斷其樹頂點(diǎn)提取樹高，如果冠型難以識(shí)別，則記為識(shí)別失敗。

1.3.4 樹高離群值的剔除和比較評(píng)價(jià)

在對(duì)ULS和TLS數(shù)據(jù)探測(cè)提取的樹高與實(shí)測(cè)樹高進(jìn)行比較之前，首先要剔除離群值。離群值表明如果3種數(shù)據(jù)源(ULS、TLS及ULS和TLS的交集)提取的樹高之間存在明顯差異，則存在測(cè)量錯(cuò)誤，因此進(jìn)行比較評(píng)價(jià)之前要對(duì)離群值進(jìn)行分析[19]。由于樹高交叉重疊現(xiàn)象，在單木樹高提取中被錯(cuò)誤識(shí)別的樹高也會(huì)因判定為離群值而被剔除。離群值的判斷方法如下：

(1)

(2)

剔除離群值后，將林冠層分上、下層，分別將ULS和TLS探測(cè)提取的單木樹高與樣地實(shí)測(cè)的單木樹高進(jìn)行比較，評(píng)價(jià)指標(biāo)包括均方根誤差[RMSE，式中記為σ(RMSE)]，相對(duì)均方根誤差[rRMSE，式中記為σ(rRMSE)]、偏離率[Bias，式中記為σ(Bias)]和相對(duì)偏離率[rBias，式中記為σ(rBias)][36]，計(jì)算公式分別為：

(3)

(4)

(5)

(6)

2 結(jié)果與分析

2.1 基于CHD曲線的林冠分層

對(duì)ULS點(diǎn)云切片后，以點(diǎn)云百分比為橫坐標(biāo)，點(diǎn)云高度為縱坐標(biāo)，繪制CHD曲線如圖1A所示。由Lloyd算法計(jì)算出的林冠上、下層之間的高度閾值為8.5 m。在CHD中，冠層的相對(duì)分布密度被描述為高度的函數(shù)[37]。結(jié)合由圖1B中的點(diǎn)云側(cè)視圖可以看出，在高度為0 m的位置存在少量點(diǎn)云，該區(qū)域可視為地面部分。在8 m以下的高度，點(diǎn)云百分比始終維持在較低的范圍，主要由于樣地中雖然存在大量低矮樹木，但也受到冠層的遮蔽，難以接收到ULS的掃描。隨著高度的增加，點(diǎn)云百分比逐漸增加，當(dāng)高度到達(dá)8.5 m時(shí)，點(diǎn)云數(shù)量急劇增大，說明此時(shí)樹木冠層更加密集，能接收到的點(diǎn)云數(shù)量增加。在9～12 m處為點(diǎn)云百分比較大的位置，結(jié)合ULS的掃描特點(diǎn)，可以認(rèn)為大部分樹木的枝葉部分都集中在這個(gè)高度上，所以能夠獲得大量的點(diǎn)云回波，相應(yīng)地也會(huì)對(duì)該高度以下的位置有較強(qiáng)的遮蔽作用，在12 m以上，點(diǎn)云百分比逐漸減小，可以認(rèn)為隨著冠層高度增加樹木逐漸稀疏，很少受到遮擋或不受其他樹木遮擋。

圖1 CHD曲線(A)和點(diǎn)云視圖(B)

2.2 離群值的剔除

按公式(1)、(2)對(duì)ULS和TLS探測(cè)提取的樹高離群值進(jìn)行了剔除和比較，結(jié)果如表2所示。

表2 3種數(shù)據(jù)源的離群值統(tǒng)計(jì)

基于ULS數(shù)據(jù)的離群值共有30個(gè)，其中林冠上層有20個(gè)，林冠下層有10個(gè)。從樹木類型來看，產(chǎn)生離群值的有19株闊葉樹、11株針葉樹。

基于TLS數(shù)據(jù)的離群值共有11個(gè)，主要出現(xiàn)在林冠上層，在林冠下層僅有2株單木被判定為離群值。從樹木類型來看，產(chǎn)生離群值的主要是闊葉樹，針葉樹的離群值共有2個(gè)。與實(shí)測(cè)數(shù)據(jù)對(duì)比發(fā)現(xiàn)，在11個(gè)離群值中，有6個(gè)離群值出現(xiàn)在9～14 m的高度上，由圖1的CHD曲線圖可以發(fā)現(xiàn)，在這個(gè)高度上是點(diǎn)云百分比較大的位置，林冠層枝葉密集，容易產(chǎn)生誤判。此外，TLS數(shù)據(jù)對(duì)2株單木的樹高產(chǎn)生了高估，這2株單木都是闊葉樹，高度位于9～12 m的枝葉密度較大的林冠層中。

ULS數(shù)據(jù)與TLS數(shù)據(jù)產(chǎn)生的離群值交集共有3個(gè)，都是9～11 m林冠層的闊葉樹。

2.3 基于不同數(shù)據(jù)源的樹高比較

2.3.1 基于ULS的估測(cè)樹高與實(shí)測(cè)樹高比較

去掉ULS數(shù)據(jù)探測(cè)提取樹高的離群值后，共有245株單木，其中林冠上、下層分別有單木230、15株，與樣地實(shí)測(cè)樹高比較結(jié)果見表3。在ULS探測(cè)的單木中，林冠下層僅有1株針葉樹，所以并未對(duì)其指標(biāo)進(jìn)行計(jì)算。

表3 基于ULS的估測(cè)樹高和樣地實(shí)測(cè)樹高的比較

總體來看，應(yīng)用ULS數(shù)據(jù)提取的單木樹高和應(yīng)用超聲測(cè)高儀實(shí)測(cè)單木樹高之間的相關(guān)性很強(qiáng)，相關(guān)系數(shù)為0.97。應(yīng)用ULS數(shù)據(jù)提取的單木樹高存在低估現(xiàn)象，特別是闊葉樹被明顯低估了，rBias為-2.45%；針葉樹也存在略微的低估現(xiàn)象，rBias為-0.57%。從估測(cè)效果來看，針葉樹要比闊葉樹估測(cè)結(jié)果更接近實(shí)測(cè)樹高，針葉樹RMSE僅為0.41 m，闊葉樹為0.77 m；針葉樹rRMSE為3.44%，闊葉樹為6.23%。

由表3可知，在不同的林冠層中，不同樹木類型樹高的提取精度有所不同。在林冠上層，針葉樹和闊葉樹的相關(guān)系數(shù)都為0.97，應(yīng)用ULS提取的樹高都被低估了，總體rBias為-1.78%，其中闊葉樹樹高比針葉樹樹高低估得更嚴(yán)重一些，針葉樹的rBias為-0.57%，闊葉樹的rBias為-2.73%，在樹高的估測(cè)誤差(rRMSE)上，針葉樹要比闊葉樹的估測(cè)誤差小2.68%。在林冠下層，估測(cè)的闊葉樹樹高存在很大誤差，其RMSE為0.80 m，rRMSE為10.14%，比林冠上層闊葉樹的rRMSE約高出4%。在林冠下層，基于ULS提取的樹高和樣地實(shí)測(cè)樹高的相關(guān)性比林冠上層的相關(guān)性略低，但仍具有很強(qiáng)的相關(guān)性(R=0.90)。

應(yīng)用ULS數(shù)據(jù)估測(cè)的樹高與實(shí)測(cè)樹高比較得到的rRMSE隨冠層高度的變化見圖2。對(duì)于所有樹木來說，基于ULS提取的樹高誤差(rRMSE)在>9～11 m冠層范圍比≤9 m的范圍有了明顯的減小，rRMSE由10.46%減小到8.49%；在>11～13 m冠層范圍，估測(cè)樹高的rRMSE最小，僅為3.78%，這是由于在>11～13 m的冠層范圍，ULS點(diǎn)云和樣地實(shí)測(cè)均容易發(fā)現(xiàn)樹頂并測(cè)量樹高，因此具有較小的誤差；在13 m以上，隨著冠層高度升高，rRMSE略有升高，增加了約1.7%，上升的趨勢(shì)要遠(yuǎn)小于林冠下層?；赨LS估測(cè)的闊葉樹誤差具有相同的變化規(guī)律，說明闊葉樹的誤差變化規(guī)律起主導(dǎo)作用。

圖2 基于ULS的估測(cè)樹高和樣地實(shí)測(cè)樹高的rRMSE隨冠層高度的變化

2.3.2 基于TLS的估測(cè)樹高與實(shí)測(cè)樹高比較

去掉TLS探測(cè)樹高的離群值后，共有單木280株，其中林冠上、下層分別有單木227、53株，與樣地實(shí)測(cè)樹高比較結(jié)果見表4。TLS對(duì)林冠下層探測(cè)提取的單木樹高的rRMSE要遠(yuǎn)遠(yuǎn)小于林冠上層樹高，相同林冠層中，針葉樹的rRMSE也要小于闊葉樹。

表4 基于TLS估測(cè)樹高和樣地實(shí)測(cè)樹高的比較

總體來看，TLS探測(cè)提取的樹高和樣地實(shí)測(cè)樹高之間的相關(guān)性很強(qiáng)，相關(guān)系數(shù)為0.98，針葉樹和闊葉樹均存在低估現(xiàn)象，特別是闊葉樹，其rBias為-4.07%，被明顯低估了，針葉樹也存在一定的低估現(xiàn)象，rBias為-2.51%。從估測(cè)效果來看，針葉樹要比闊葉樹的樹高估測(cè)更準(zhǔn)確，針葉樹RMSE為0.60 m，闊葉樹為0.95 m；針葉樹rRMSE為5.62%，闊葉樹為8.30%。

由表4可知，在不同的林冠層中，不同樹木類型的樹高誤差也有所不同。在林冠上層，闊葉樹被低估的程度比針葉樹更明顯，闊葉樹的rBias為-4.70%，針葉樹的rBias為-3.23%。在估測(cè)誤差(rRMSE)上，闊葉樹比針葉樹誤差更大，rRMSE比針葉樹高2.69%；在林冠下層，TLS探測(cè)提取的針葉樹樹高誤差略小于闊葉樹，rRMSE比闊葉樹低1.16%，針葉樹和闊葉樹的rBias分別為2.00%和2.22%，存在高估現(xiàn)象。

應(yīng)用TLS數(shù)據(jù)估測(cè)的樹高與實(shí)測(cè)樹高比較得到的rRMSE隨冠層高度的變化見圖3?？傮w來看，隨著冠層高度的增加，基于TLS估測(cè)樹高誤差(rRMSE)也在不斷增加，在9 m冠層高度以上， rRMSE迅速增大，在>9～17 m的冠層高度上，rRMSE增加了約5.9%?；赥LS估測(cè)的闊葉樹和針葉樹樹高的誤差具有同樣的變化規(guī)律，闊葉樹樹高的rRMSE仍然主導(dǎo)著總體變化規(guī)律，而對(duì)于針葉樹來說，rRMSE變化更穩(wěn)定一些，rRMSE最小值出現(xiàn)在>7～9 m冠層范圍(3.23%)，最大值出現(xiàn)在>13 m冠層(5.52%)，變化幅度僅為2.29%，而闊葉樹樹高的誤差變化幅度高達(dá)6.71%。

圖3 基于TLS的估測(cè)樹高和樣地實(shí)測(cè)樹高的rRMSE隨冠層高度的變化

2.3.3 基于ULS和TLS估測(cè)樹高的比較

基于ULS估測(cè)樹高和基于TLS估測(cè)樹高的比較如表5所示。由于在林冠下層，應(yīng)用ULS僅探測(cè)到1株針葉樹，因此并未對(duì)其指標(biāo)進(jìn)行計(jì)算。

表5 基于ULS和TLS估測(cè)樹高的比較

由表5可知，分別基于ULS和TLS估測(cè)的樹高具有很好的相關(guān)性(總體相關(guān)系數(shù)為0.95)。總體而言，基于TLS估測(cè)的樹高要比基于ULS估測(cè)的樹高偏低，rBias為-3.56%，TLS和ULS探測(cè)提取的針葉樹和闊葉樹樹高相差不大，rRMSE僅相差0.18%。

由表5可知，在林冠上層，基于TLS估測(cè)的樹高要比基于ULS估測(cè)的樹高偏低，rBias為-3.60%，而在冠下層，基于TLS估測(cè)的樹高要比基于ULS估測(cè)的樹高偏高，rBias為0.69%。這是由于TLS和ULS均受到冠層遮蔽的影響，在林冠上層，TLS不能對(duì)樹頂進(jìn)行完整掃描，因此TLS估測(cè)的樹高要比ULS估測(cè)的樹高偏低；在林冠下層，ULS對(duì)樹木掃描不充分，因此ULS估測(cè)的樹高要比TLS估測(cè)的樹高偏低。

分別應(yīng)用ULS和TLS數(shù)據(jù)估測(cè)樹高得到的rRMSE隨冠層高度的變化見圖4。由圖4可知，rRMSE變化范圍為5%～8%，在>9～13m冠層范圍的rRMSE最小(約為5%)，隨著冠層高度的增加或減小，rRMSE也逐漸增加。闊葉樹的rRMSE具有相同的變化規(guī)律，說明闊葉樹的誤差變化起主導(dǎo)作用。

圖4 基于ULS和TLS估測(cè)樹高的rRMSE隨高度的變化

3 討 論

3.1 基于CHD的林冠分層優(yōu)勢(shì)

傳統(tǒng)的林層劃分方法需以實(shí)測(cè)數(shù)據(jù)，并綜合考慮各林層每公頃蓄積量、相鄰林層間林木平均高、各林層平均胸徑以及主林層和其他林層的郁閉度人為地劃分[38]，容易受外部環(huán)境及人為主觀因素的影響，分層依據(jù)的數(shù)據(jù)為外業(yè)實(shí)測(cè)獲得，費(fèi)時(shí)費(fèi)力，不利于大面積推廣?；赨LS獲取的點(diǎn)云數(shù)據(jù)受外部環(huán)境干擾小，能客觀地描述林分冠層結(jié)構(gòu)。由ULS點(diǎn)云計(jì)算得到的CHD可以用來描述冠層元素的垂直分布情況，體現(xiàn)了森林植被在垂直方向上的層次性和空間配置方式[34]，本研究使用Lloyd算法計(jì)算CHD對(duì)林冠層進(jìn)行分層也獲得了較好的研究結(jié)果，這與Maltamo等[31]的研究結(jié)果一致，因此，基于CHD對(duì)林冠層進(jìn)行劃分能夠較好地反映不同數(shù)據(jù)源(ULS和TLS)估測(cè)樹高的適用范圍，而且計(jì)算簡(jiǎn)便，可以應(yīng)用于大面積的估測(cè)，具有一定的推廣意義。

3.2 離群值產(chǎn)生的原因分析

ULS產(chǎn)生的離群值主要在林冠下層，是由于冠層的遮蔽對(duì)單木冠頂產(chǎn)生了誤判；而在林冠上層，對(duì)于部分樹冠相互交叉重疊的樹木，在人工解譯過程中難以正確判斷冠頂?shù)奈恢枚a(chǎn)生離群值。TLS產(chǎn)生的離群值大部分出現(xiàn)在林冠上層，與林冠層枝葉的密集程度密切相關(guān)，枝葉越密集，在TLS點(diǎn)云上越容易產(chǎn)生樹頂?shù)恼`判。特別是與周圍樹冠的相互交叉給TLS的樹高提取帶來了困難，由此產(chǎn)生了離群值。實(shí)測(cè)樹高的誤差也有可能產(chǎn)生離群值，比如具有偏冠、歪斜的單木，有可能在野外調(diào)查中冠頂定位發(fā)生了偏移，從而產(chǎn)生了離群值。與LiDAR系統(tǒng)相比，野外樣地調(diào)查中受多種條件的影響，包括樹種、冠層密集程度和樹冠的形狀等，這些因素都會(huì)對(duì)單木樹高的精度產(chǎn)生影響[3]。本研究的結(jié)果與Wang等[19]的研究結(jié)果相似：ULS提取樹高的離群值主要是由樹冠部分被覆蓋的單木引起，TLS提取樹高的離群值出現(xiàn)在高林分密度(2 000株/hm2)的優(yōu)勢(shì)木中，由于TLS視角的原因，容易產(chǎn)生系統(tǒng)性低估。

3.3 不同數(shù)據(jù)源對(duì)樹高估測(cè)精度的影響

無論在林冠上層還是林冠下層，針葉樹和闊葉樹樹高的所有評(píng)價(jià)指標(biāo)(RMSE、rRMSE、Bias、rBias和Pearson相關(guān)系數(shù))均大體相同，說明對(duì)于不同樹木種類(針葉樹和闊葉樹)，基于ULS估測(cè)的樹高與TLS相比，誤差沒有明顯波動(dòng)；隨著冠層高度的增加，rRMSE均逐漸增加。這主要是由于樹木越高，TLS越不容易掃描到樹頂，與ULS的一致性逐漸減小；而樹高越低，ULS越不容易掃描到樹頂，與TLS的一致性也減小。這種一致性的變化規(guī)律表明：當(dāng)TLS和ULS均能對(duì)單木進(jìn)行準(zhǔn)確的掃描時(shí)，均具有準(zhǔn)確提取樹高的能力[19]。

在不同的林冠層中，ULS和TLS提取的不同樹木類型的樹高精度有所不同。由表3和表4中對(duì)于ULS和TLS在林冠上層提取的樹高精度進(jìn)行交叉比較發(fā)現(xiàn)，在林冠上層，ULS比TLS估測(cè)的樹高更接近實(shí)測(cè)樹高，rRMSE相差2.56%，且ULS和TLS提取的針葉樹樹高要比闊葉樹樹高更接近實(shí)測(cè)樹高。由于冠層的遮擋，TLS并不能很好地對(duì)冠層上部特別是樹頂進(jìn)行掃描，在本研究中的rBias約為-6.50%，存在低估現(xiàn)象，這與文獻(xiàn)[11-12]的研究結(jié)果一致。在>9～17 m的冠層高度上，rRMSE持續(xù)增大，增加了約5.9%，說明高度越高，TLS點(diǎn)云數(shù)字化能力越弱，提取的樹高誤差越大。這種現(xiàn)象在闊葉樹中的表現(xiàn)非常明顯，而林冠上層的針葉樹情況稍好，但是在點(diǎn)云中也存在樹頂數(shù)字化不完全的情況。本研究中，ULS估測(cè)的rRMSE在林冠上層增加了約1.7%，有逐漸增大的趨勢(shì)，推測(cè)有兩點(diǎn)原因：一方面，林冠上層的樹冠有交叉重疊的現(xiàn)象，影響了ULS對(duì)冠頂點(diǎn)的識(shí)別；另一方面，有可能是切線法測(cè)樹高的缺陷造成的，即超聲測(cè)高儀很難正確瞄準(zhǔn)高大闊葉樹的頂點(diǎn)而造成估測(cè)結(jié)果偏高，且冠層越高趨勢(shì)越明顯[3]。在林冠下層，由于林冠層的遮擋，ULS對(duì)下層大部分樹木掃描不充分，探測(cè)到的數(shù)量比較少，而且難以確定冠頂點(diǎn)的位置，rRMSE達(dá)到了10.14%，與實(shí)測(cè)的樹高相比誤差較大。對(duì)表3和表4中ULS和TLS在林冠下層提取的樹高精度進(jìn)行交叉比較發(fā)現(xiàn)，ULS與TLS探測(cè)提取的樹高相比，rRMSE高6.31%。對(duì)于TLS來說，林冠下層無論針葉樹還是闊葉樹的rRMSE均穩(wěn)定在3%～5%，說明TLS在林冠下層能比較穩(wěn)定地估測(cè)樹高，且針葉樹樹高的rRMSE比闊葉樹減少了約1.2%。在林冠下層樹木枝葉密集，對(duì)于部分樹冠相互交叉的樹木，在ULS和TLS點(diǎn)云上很難正確發(fā)現(xiàn)樹頂點(diǎn)，這種現(xiàn)象在闊葉樹表現(xiàn)得更加明顯，因?yàn)殚熑~樹的樹冠更容易相互交叉，而大部分針葉樹有規(guī)則的冠型，樹頂更容易被識(shí)別。

參考文獻(xiàn)（reference）：

[1]ZHAO D H, KANE M, MARKEWITZ D, et al. Additive tree biomass equations for midrotation loblolly pine plantations[J]. For Sci, 2015, 61(4): 613-623. DOI:10.5849/forsci.14-193.

[2]ZOU W T, ZENG W S, ZHANG L J, et al. Modeling crown biomass for four pine species in China[J]. Forests, 2015, 6(12): 433-449. DOI:10.3390/f6020433.

[3]LARJAVAARA M, MULLER-LANDAU H C, METCALF J. Measuring tree height: a quantitative comparison of two common field methods in a moist tropical forest[J]. Methods Ecol Evol, 2013, 4(9): 793-801. DOI:10.1111/2041-210x.12071.

[4]ZHEN Z, QUACKENBUSH L J, ZHANG L J. Trends in automatic individual tree crown detection and delineation: evolution of LiDAR data[J]. Remote Sens, 2016, 8(4): 333. DOI:10.3390/rs8040333.

[5]ANDERSON K, GASTON K J. Lightweight unmanned aerial vehicles will revolutionize spatial ecology[J]. Front Ecol Environ, 2013, 11(3): 138-146. DOI: 10.1890/120150.

[7]WALLACE L, LUCIEER A, WATSON C, et al. Development of a UAV-LiDAR system with application to forest inventory[J]. Remote Sens, 2012, 4(6): 1519-1543. DOI: 10.3390/rs4061519.

[8]HOPKINSON C, CHASMER L, YOUNG-POW C, et al. Assessing forest metrics with a ground-based scanning lidar[J]. Can J For Res, 2004, 34(3): 573-583. DOI: 10.1139/x03-225.

[9]PFEIFER N, WNTERHALDER D. Modelling of tree cross sections from terrestrial laser scanning data with free-form curves[J]. Pro of Isp Wor Las Sca for For and Lan Ass, 2004, 36(8): 76-81. DOI: 10.1109/TEST.2004.1387399.

[10]熊妮娜, 王佳. 基于地基激光雷達(dá)的活立木材積提取算法[J]. 林業(yè)工程學(xué)報(bào)， 2020， 5(6)： 143-148. XIONG N N, WANG J. Extratction algorithm for stand volume using ground-based laser scanner[J]. J For Eng, 2020, 5(6): 143-148. DOI:10.13360/j.issn.2096-1359.202001035.

[11]BREDE B, LAU A, BARTHOLOMEUS H, et al. Comparing Riegl Ricopter UAV LiDAR derived canopy height and DBH with terrestrial LiDAR[J]. Sensors, 2017, 17(10): 2371. DOI: 10.3390/s17102371.

[12]李丹, 龐勇, 岳彩榮, 等. 基于TLS數(shù)據(jù)的單木胸徑和樹高提取研究[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2012, 34: 79-86. LI D, PANG Y, YUE C R, et al. Extraction of DBH and height of single tree based on TLS data[J]. Journal of Beijing Forestry University, 2012, 34: 79-86. DOI:10.13332/j.1000-1522.2012.04.027.

[13]BEYENE S M, HUSSIN Y A, KLOOSTERMAN H E, et al. Fo-rest inventory and aboveground biomass estimation with terrestrial LiDAR in the tropical forest of Malaysia[J]. Can J Remote Sens, 2020, 46(2): 130-145. DOI:10.1080/07038992.2020.1759036.

[14]GOODWIN N R, COOPS N C, CULVENOR D S. Assessment of forest structure with airborne LiDAR and the effects of platform altitude[J]. Remote Sens Environ, 2006, 103(2): 140-152. DOI:10.1016/j.rse.2006.03.003.

[15]ANDERSEN H E, REUTEBUCH S E, MCGAUGHEY R J. A rigorous assessment of tree height measurements obtained using airborne lidar and conventional field methods[J]. Can J Remote Sens, 2006, 32(5): 355-366. DOI: 10.5589/m06-030.

[16]SIBONA E, VITALI A, MELONI F, et al. Direct measurement of tree height provides different results on the assessment of LiDAR accuracy[J]. Forests, 2016, 8(1): 7. DOI: 10.3390/f8010007.

[18]WALLACE L, MUSK R, LUCIEER A. An assessment of the repeatability of automatic forest inventory metrics derived from UAV-borne laser scanning data[J]. IEEE Trans Geosci Remote Sens, 2014, 52(11): 7160-7169. DOI:10.1109/TGRS.2014.2308208.

[20]VAGLIO LAURIN G, DING J Q, DISNEY M, et al. Tree height in tropical forest as measured by different ground, proximal, and remote sensing instruments, and impacts on above ground biomass estimates[J]. Int J Appl Earth Obs Geoinformation, 2019, 82: 101899. DOI:10.1016/j.jag.2019.101899.

[21]TANABE S I, TODA M J, VINOKUROVA A V. Tree shape, fo-rest structure and diversity of drosophilid community: comparison between boreal and temperate birch forests[J]. Ecol Res, 2001, 16(3): 369-385. DOI: 10.1046/j.1440-1703.2001.00402.x.

[22]MIURA N, JONES S D. Characterizing forest ecological structure using pulse types and heights of airborne laser scanning[J]. Remote Sens Environ, 2010, 114(5): 1069-1076. DOI: 10.1016/j.rse.2009.12.017.

[23]郎春博, 賈鶴鳴, 邢致愷, 等 . 基于改進(jìn)粒子群算法的植物冠層圖像分割[J]. 森林工程,2019,35(1):47-52. LANG C B, JIA H M, XING Z K，et al. Multi threshold segmentation of plant canopy image based on improved particle swarm optimization[J]. Forest Engineering,2019,35(1):47-52.

[24]胡文杰, 崔鴻俠, 王曉榮, 等. 三峽庫區(qū)馬尾松次生林林分結(jié)構(gòu)特征分析[J]. 南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 43(3): 67-76. HU W J, CUI H X, WANG X R, et al. Structure characteristics ofPinusmassonianasecondary forest in the Three Reservoir Area[J]. J Nanjing For Univ (Nat Sci Ed), 2019, 43(3): 67-76. DOI:10.3969/j.issn.1000-2006.201805075.

[25]胡傳偉, 孫冰, 莊梅梅, 等. 深圳羊臺(tái)山近自然風(fēng)景林樹種組成與垂直結(jié)構(gòu)[J]. 南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2010, 34(4): 112-116. HU C W, SUN B, ZHUANG M M, et al. Study on species composition and vertical structure of near-nature scenic forest in Mt.Yangtai, Shenzhen[J]. J Nanjing For Univ (Nat Sci Ed), 2010, 34(4): 112-116. DOI: 10.3969/j.issn.1000-2006.2010.04.025.

[26]ZIMBLE D A, EVANS D L, CARLSON G C, et al. Characterizing vertical forest structure using small-footprint airborne LiDAR[J]. Remote Sens Environ, 2003, 87(2/3): 171-182. DOI: 10.1016/S0034-4257(03)00139-1.

[27]趙靜, 李靜, 柳欽火. 森林垂直結(jié)構(gòu)參數(shù)遙感反演綜述[J]. 遙感學(xué)報(bào), 2013, 17(4): 697-716. ZHAO J, LI J, LIU Q H. Review of forest vertical structure parameter inversion based on remote sensing technology[J]. J Remote Sens, 2013, 17(4): 697-716. DOI:10.11834/jrs.20132183.

[28]ZHAO K G, POPESCU S, NELSON R. Lidar remote sensing of forest biomass: a scale-invariant estimation approach using airborne lasers[J]. Remote Sens Environ, 2009, 113(1): 182-196. DOI:10.1016/j.rse.2008.09.009.

[29]QIN H M, WANG C, XI X H, et al. Simulating the effects of the airborne lidar scanning angle, flying altitude, and pulse density for forest foliage profile retrieval[J]. Appl Sci, 2017, 7(7): 712. DOI:10.3390/app7070712.

[30]LEFSKY M A, COHEN W B, ACKER S A, et al. Lidar remote sensing of the canopy structure and biophysical properties of Douglas-fir western hemlock forests[J]. Remote Sens Environ, 1999, 70(3): 339-361. DOI: 10.1016/S0034-4257(99)00052-8.

[31]MALTAMO M, PACKALéN P, YU X, et al. Identifying and quantifying structural characteristics of heterogeneous boreal forests using laser scanner data[J]. For Ecol Manag, 2005, 216(1/2/3): 41-50. DOI:10.1016/j.foreco.2005.05.034.

[32]ZHAO X Q, GUO Q H, SU Y J, et al. Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas[J]. ISPRS J Photogramm Remote Sens, 2016, 117: 79-91. DOI:10.1016/j.isprsjprs.2016.03.016.

[33]SCHNABEL R, KLEIN R. Octree-based point-cloud compression[C]//Eur Sym Point-Based Gra, 2006: 111-120. DOI: 10.2312/SPBG/SPBG06/111-120.

[34]劉浩, 張崢男, 曹林. 機(jī)載激光雷達(dá)森林垂直結(jié)構(gòu)剖面參數(shù)的沿海平原人工林林分特征反演[J]. 遙感學(xué)報(bào), 2018, 22(5): 872-888. LIU H, ZHANG Z N, CAO L. Estimating forest stand characteristics in a coastal plain forest plantation based on vertical structure profile parameters derived from ALS data[J]. J Remote Sens, 2018, 22(5): 872-888. DOI:10.11834/jrs.20187465.

[35]LLOYD S. Least squares quantization in PCM[J]. IEEE Trans Inf Theory, 1982, 28(2): 129-137. DOI:10.1109/TIT.1982.1056489.

[36]BAZEZEW M N, HUSSIN Y A, KLOOSTERMAN E H. Integrating airborne LiDAR and terrestrial laser scanner forest parameters for accurate above-ground biomass/carbon estimation in Ayer Hitam tropical forest, Malaysia[J]. Int J Appl Earth Obs Geoinformation, 2018, 73: 638-652. DOI:10.1016/j.jag.2018.07.026.

[37]LEFSKY M A, COHEN W B, ACKER S A, et al. Lidar remote sensing of forest canopy structure and related biophysical parameters at H. J. Andrews Experimental Forest, Oregon, USA[C]//IGARSS ’98. Sensing and Managing the Environment. 1998 IEEE International Geoscience and Remote Sensing. Symposium Proceedings. (Cat. No. 98CH36174). July 6-10, 1998, Seattle, WA, USA. IEEE, 1998: 1252-1254. DOI:10.1109/IGARSS.1998.691367.

[38]李鳳日. 測(cè)樹學(xué)[M]. 4版. 北京: 中國林業(yè)出版社, 2019:64. LI F R．Forest mensuration[M]．4th ed. Beijing：China Forestry Publishing House，2019: 64．