高 飛， 史海靜， 稅軍峰， 張 艷， 郭明航， 溫仲明

(1.中國(guó)科學(xué)院 水利部 水土保持研究所，712100，陜西楊凌；2.西北農(nóng)林科技大學(xué)水土保持研究所，黃土高原土壤侵蝕與旱地農(nóng)業(yè)國(guó)家重點(diǎn)實(shí)驗(yàn)室，712100，陜西楊凌；3.西北農(nóng)林科技大學(xué)草業(yè)與草原學(xué)院，712100，陜西楊凌)

以喬木為主的人工林生態(tài)系統(tǒng)是我國(guó)陜北黃土高原地區(qū)防風(fēng)固沙、氣候調(diào)節(jié)、水源涵養(yǎng)和生態(tài)修復(fù)的主體，也是該區(qū)經(jīng)濟(jì)收入穩(wěn)步發(fā)展的自然屏障[1]，黃土高原由于其特殊的地形、氣候和土壤條件，人工林生態(tài)系統(tǒng)十分脆弱；因此，快速準(zhǔn)確地獲取該區(qū)人工林的結(jié)構(gòu)信息，對(duì)于生物量的測(cè)定、碳儲(chǔ)量的估測(cè)以及人工林生態(tài)系統(tǒng)健康狀況的評(píng)估等具有重要意義。而傳統(tǒng)的每木檢尺的森林結(jié)構(gòu)調(diào)查方法，由于其勞動(dòng)強(qiáng)度大、效率低、精度不高[2]，不能滿足大范圍、持續(xù)性調(diào)查的實(shí)踐需求。

近年來，飛速發(fā)展的遙感技術(shù)為森林結(jié)構(gòu)參數(shù)的獲取提供了技術(shù)支持。目前，在森林結(jié)構(gòu)參數(shù)提取中應(yīng)用最廣的是LiDAR數(shù)據(jù)。馬振宇等[3]利用地基激光雷達(dá)實(shí)現(xiàn)了天然林區(qū)近地面點(diǎn)云數(shù)據(jù)的精細(xì)分類，點(diǎn)云分類精度>89%。Yin等[4]基于無人機(jī)的激光雷達(dá)數(shù)據(jù)對(duì)紅樹林進(jìn)行了樹高 (tree height，TH) 和樹冠直徑 (crown diameter，CD)的測(cè)量，其預(yù)測(cè)精度分別達(dá)到34.6%和46.0%。Almeida等[5]利用無人機(jī)-激光雷達(dá)系統(tǒng)監(jiān)測(cè)了人工林的森林結(jié)構(gòu)，分析了冠層高度、間隙率和葉面積指數(shù)之間的相關(guān)性。但機(jī)載LiDAR 數(shù)據(jù)獲取成本較高，限制了其推廣與應(yīng)用[6]。隨著無人機(jī)平臺(tái)的發(fā)展、低空空域的開放，價(jià)格低廉的無人機(jī)平臺(tái)為林業(yè)測(cè)繪工作者開辟了一條方便快捷的新途徑[7]。Ayana等[8]和Sothe等[9]基于UAV-SfM(structure from motion)技術(shù)進(jìn)行了單株檢測(cè)、物種分類和碳動(dòng)力學(xué)模擬等森林監(jiān)測(cè)工作。Liang等[10]也使用無人飛行器作為地面測(cè)量的替代方法進(jìn)行森林實(shí)地觀測(cè)。同時(shí)，基于計(jì)算機(jī)視覺中“運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)”(SfM)算法的無人機(jī)影像處理技術(shù)不斷成熟，無人機(jī)遙感測(cè)繪彌補(bǔ)了傳統(tǒng)衛(wèi)星遙感影像分辨率低、影像數(shù)據(jù)質(zhì)量容易受到云層影響等不足[11]。但限于地區(qū)和林分特征差異，仍需對(duì)現(xiàn)有方法進(jìn)行改進(jìn)或者研發(fā)具有特定針對(duì)性提取方法，以滿足不同地區(qū)林分監(jiān)測(cè)需求。

陜北黃土高原地區(qū)人工林分稀疏的特點(diǎn)，降低了冠層重疊與遮擋對(duì)測(cè)量工作造成的困擾[12]，為小型無人機(jī)野外作業(yè)提供了條件。為此，筆者嘗試以搭載RGB高分辨率相機(jī)的小型無人機(jī)為基礎(chǔ)，通過SfM算法獲取研究區(qū)正射影像 (digital orthophoto model，DOM)及點(diǎn)云數(shù)據(jù)，探索陜北人工林結(jié)構(gòu)參數(shù)(冠幅、樹高)、CHM (canopy height model)影像提取的新方法，以期快捷高效的獲取陜北人工林的結(jié)構(gòu)參數(shù)。

1 試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于陜北榆林市靖邊縣城東南25 km處天賜灣鎮(zhèn)內(nèi)的喬溝灣鄉(xiāng)，206省道東側(cè)的人工防護(hù)林片區(qū)。試驗(yàn)區(qū)地理位置E 108°54′54.50″～108°55′4.70″、N 37°24′35.86″～37°24′44.57″，海拔1 587 m。該區(qū)域?qū)侔敫珊祪?nèi)陸性季風(fēng)氣候，年平均氣溫7.8 ℃，年降水量395.4 mm，主要集中在7、8和9月。光照充足，溫差大，氣候干燥，區(qū)域內(nèi)主要是人工栽植的楊樹(Populussimonii)純種林以及檸條 (Caraganakorshinskii)灌木叢。實(shí)地測(cè)量前，在林地樣方設(shè)置4個(gè)地面標(biāo)識(shí)點(diǎn)M1、M2、M3和M4，并按照實(shí)測(cè)順序?qū)?8棵樹木進(jìn)行了編號(hào)為t1～t38，如圖1所示。

t1～t38 為38棵研究樹木的編號(hào)，下同。t1-t38 are the numbering of 38 studied trees，the same below.圖1 喬溝灣人工楊樹林研究區(qū)Fig.1 Study area of artificial poplar forest in Qiaogouwan

2 數(shù)據(jù)與方法

2.1 地面實(shí)測(cè)數(shù)據(jù)獲取

通過傳統(tǒng)的卷尺測(cè)量樹冠垂直投影邊界的方式觀測(cè)樹冠冠幅，東西向記作東西向冠幅，南北向記作南北向冠幅。采用SNDWAY SW-600A激光測(cè)距儀測(cè)量試驗(yàn)區(qū)的單木樹高數(shù)據(jù)。

2.2 無人機(jī)高分影像數(shù)據(jù)獲取

數(shù)據(jù)獲取時(shí)間為2019年9月21日，天氣晴好、風(fēng)力較小的時(shí)段。數(shù)據(jù)獲取平臺(tái)為大疆精靈4RTK專業(yè)級(jí)四旋翼無人機(jī)(圖2)，主要面向低空攝影測(cè)量應(yīng)用，具備cm級(jí)導(dǎo)航定位系統(tǒng)和高性能成像系統(tǒng)。該無人機(jī)質(zhì)量為1.39 kg，最大水平飛行速度為50 km/h，定位模式下最大可傾斜角為25°。無人機(jī)內(nèi)置有效像素2 000萬(總像素2 048萬)的云臺(tái)相機(jī)，照片最大分辨率為5 472×3 648(3∶2)，具有前后水平60°、垂直±27°，下視前后70°、左右50°的視場(chǎng)角。

圖2 大疆精靈4RTK四旋翼無人機(jī)Fig.2 DJI Phantom 4 RTK UAV

此次實(shí)驗(yàn)的飛行高度為80 m，飛行路線的航向重疊度和旁向重疊度分別為80%和70%，設(shè)置的重疊度滿足航空攝影測(cè)量的要求。本次飛行共拍攝454張航空影像，覆蓋面積為0.177 km2。無人機(jī)航線和相機(jī)拍攝點(diǎn)位置如圖3所示。

圖3 無人機(jī)航線和相機(jī)拍攝點(diǎn)位置Fig.3 UVA route and camera shooting position

2.3 研究方法

2.3.1 總體技術(shù)流程 基于影像拼接及三維建模軟件Agisoft Photoscan Pro、點(diǎn)云數(shù)據(jù)處理軟件Leica Cyclone 9、以及圖像處理軟件eCognition Developer 6.4和ArcGIS10.3，獲取本次試驗(yàn)所需要的三維點(diǎn)云與DOM、數(shù)字表面模型 (digital surface model，DSM)和數(shù)字高程模型 (digital elevation model，DEM)等數(shù)據(jù)。整個(gè)技術(shù)過程(圖4)采取全自動(dòng)處理結(jié)合目視解譯的方式進(jìn)行，在快速生成研究區(qū)三維點(diǎn)云和正射影像的同時(shí)，也準(zhǔn)確獲取人工林單木冠幅及樹高等森林結(jié)構(gòu)信息。

圖4 基于UAV高分影像的陜北人工林結(jié)構(gòu)參數(shù)提取技術(shù)流程Fig.4 Technical flow of structural parameters extraction of plantation in northern Shanxi based on UAV high-resolution image

2.3.2 單木冠幅的提取 結(jié)合試驗(yàn)區(qū)面積較小，無人機(jī)RGB高分影像分辨率高，只包含紅、綠、藍(lán)3色可見波段的特點(diǎn)，首先利用eCogintion多尺度分割功能對(duì)圖像進(jìn)行分割，分割尺度參數(shù)設(shè)置為48，形狀指數(shù)為0.1，緊密度為0.5。在不同尺度上對(duì)影像進(jìn)行分割，可避免采用同一尺度分割影像容易造成的“分割不足”或“分割過度”現(xiàn)象[13]。由于研究區(qū)為人工楊樹造林區(qū)，沒有人工建筑的干擾，因此將分類系統(tǒng)設(shè)為樹冠和地面2類，然后以可見光植被指數(shù)VI′ (vegetation index)、亮度 (brightness)、形狀指數(shù) (shape index)、長(zhǎng)寬比 (length/width)為分類依據(jù)進(jìn)行分類，接著手動(dòng)創(chuàng)建訓(xùn)練樣本用灰色代表土壤、綠色代表冠幅、黑色代表溝壑和樹木陰影，執(zhí)行分類后，自動(dòng)分類結(jié)果如圖5a和b所示。最后將綠色冠幅層的矢量文件導(dǎo)入ArcGIS中，結(jié)合試驗(yàn)區(qū)DOM目視修改矢量冠幅細(xì)節(jié)，使分類的矢量冠幅最大程度的契合DOM圖像，計(jì)算并提取冠幅徑長(zhǎng)和冠幅面積數(shù)值(以17號(hào)樹t17為例，如圖5c和d所示)。由于NDVI(normalized difference vegetation index)的計(jì)算需要近紅外波段的參與，對(duì)于只有紅、綠和藍(lán)3個(gè)波段的RGB影像，本研究通過計(jì)算得到試驗(yàn)區(qū)可見光植被指數(shù)VI′[14]，作為分類參照依據(jù)。

第一個(gè)項(xiàng)目是外科樓自然冷源利用，即在過渡季和冬季，利用自然冷源（冷卻塔將冷卻水降溫）給空調(diào)冷凍水降溫，供應(yīng)ICU病房和手術(shù)室各房間的制冷需求。在這個(gè)項(xiàng)目上，醫(yī)院也是首次采用合同能源管理的方式進(jìn)行，節(jié)能效果十分顯著，年節(jié)電49.5%，年節(jié)天然氣2.1萬立方米。該項(xiàng)目入選住房和城鄉(xiāng)建設(shè)部?jī)?yōu)秀案例，納入《建筑合同能源管理項(xiàng)目案例精選》。

圖5 單木冠幅的提取流程Fig.5 Extraction process of crown width of an individual tree

VI′=(2g-r-b)-(1.4r-b)。

(1)

(2)

(3)

(4)

式中：VI′為可見光植被指數(shù)；r、g、b分別為紅、綠、藍(lán)3色波段占3色波段中的比例；R、G和B分別為每個(gè)RGB通道的圖像的實(shí)際像素值，pixels/inch。

2.3.3 冠層高度模型的提取 CHM體現(xiàn)的是森林的冠層高度分布信息，是在點(diǎn)云數(shù)據(jù)中提取樹高的基礎(chǔ)影像數(shù)據(jù)，本研究通過2種方式獲取了試驗(yàn)區(qū)的CHM。一種是在Photoscan中通過點(diǎn)云分類直接分離地面點(diǎn)和植被點(diǎn)，從而生成試驗(yàn)區(qū)的CHM。另外一種是通過照片拼接得出試驗(yàn)區(qū)的DOM，點(diǎn)云分類后導(dǎo)出生成試驗(yàn)區(qū)的數(shù)字表面模型和數(shù)字高程模型(圖6)，在ArcGIS中通過DSM和DEM最鄰近內(nèi)插法重采樣后相減計(jì)算間接獲得的CHM。

圖6 間接獲取冠層高度模型所需圖像Fig.6 Indirectly obtain the image required for canopy height model

2.3.4 單木樹高的提取 傳統(tǒng)的利用局部最大值算法結(jié)合基于無人機(jī)影像生成的CHM能夠較有效地提取樹木頂點(diǎn)[15-17]，這種方法提取樹高是可行的，但樹高的提取精度受CHM的精度和分辨率影響較大。因此，研究利用Leica Cyclone三維點(diǎn)云數(shù)據(jù)圖模塊對(duì)樣地內(nèi)的樹木高度進(jìn)行測(cè)量。新建點(diǎn)云數(shù)據(jù)庫(kù)后，在點(diǎn)云數(shù)據(jù)庫(kù)中生成研究區(qū)相應(yīng)的三維立體模型，截取樣方區(qū)域(圖7)；利用Reference plane功能對(duì)樣方內(nèi)單木進(jìn)行切割處理，切換視角，選擇地面特征點(diǎn)作為水平基準(zhǔn)面建立空三坐標(biāo)系(圖8)；調(diào)整側(cè)視角度，切準(zhǔn)樹木頂點(diǎn)，樹木頂點(diǎn)與每株樹木周圍地面點(diǎn)的相對(duì)高差即為提取樹高。

圖7 點(diǎn)云三維立體模型樣方區(qū)域Fig.7 Quadrat region by the point cloud 3D model

圖8 點(diǎn)云模型切割后單木樹高提取Fig.8 Point cloud model to extract tree height after cutting

3 結(jié)果與分析

3.1 單木冠幅的提取結(jié)果

由于實(shí)地?zé)o法直接獲取單木冠幅的面積數(shù)值，為便于提取精度評(píng)價(jià)，試驗(yàn)獲取單木冠幅的南北徑長(zhǎng)及東西徑長(zhǎng)數(shù)值。表1為冠幅東西、南北徑長(zhǎng)的具體提取值和實(shí)測(cè)值以及提取面積值。

表1 冠幅提取值與實(shí)測(cè)值

在圖像多尺度分割后的基礎(chǔ)上，將遙感混淆矩陣分類精度評(píng)價(jià)方法[18]用于單木冠幅信息提取精度評(píng)價(jià)中，主要評(píng)價(jià)指標(biāo)為總體精度(overall accuracy，OA)和Kappa系數(shù)。通過對(duì)遙感影像分類的精度(表2)計(jì)算得出影像總體分類精度為96%，Kappa系數(shù)為0.74，分類質(zhì)量和冠幅提取均屬于很好的水平。

表2 eCognition分類精度評(píng)價(jià)表

總體精度和Kappa系數(shù)的具體計(jì)算公式：

(5)

(6)

(7)

通過對(duì)實(shí)測(cè)及提取的冠幅東西徑長(zhǎng)、南北徑長(zhǎng)以及東西和南北方向的均值之間作簡(jiǎn)單的線性回歸分析發(fā)現(xiàn)，實(shí)測(cè)值與提取值之間均呈較強(qiáng)的線性關(guān)系。如圖9a、b和c所示，東西向冠幅徑實(shí)測(cè)值與提取值之間的R2達(dá)到0.90；南北向冠幅徑實(shí)測(cè)值與提取值之間的R2達(dá)到0.91；東西、南北兩個(gè)方向冠幅徑長(zhǎng)的均值擬合后的R2也達(dá)到0.95，這表明，基于面向?qū)ο蠖喑叨确指詈笞远x分類指標(biāo)的無人機(jī)高分影像樹冠信息提取方法可行，且精度滿足陜北人工林生長(zhǎng)狀況快速評(píng)價(jià)與動(dòng)態(tài)遙感監(jiān)測(cè)的需求。

圖9 冠幅及其均值、樹高散點(diǎn)圖Fig.9 Scatter plots of crown width, mean crown width and tree height

3.2 CHM和單木樹高的提取結(jié)果

在Photoscan中通過點(diǎn)云分類，分離地面點(diǎn)和地上植被點(diǎn)，直接提取生成的CHM(圖10a)，其最高高度為1 534.76 m，最低高度為1 451.71 m，最大高度差為83.05 m。通過點(diǎn)云分類生成DSM和DEM后，通過ArcGIS間接處理后得到的CHM(圖10b)，其最高高度為15.83 m，最低高度為-8.33 m，正向最大高度差為15.83 m。由于點(diǎn)云分類不夠準(zhǔn)確，存在著錯(cuò)分類、漏分類等情況，另外原始數(shù)據(jù)中仍存在著大量的噪聲點(diǎn)，因此導(dǎo)致Photoscan導(dǎo)出的CHM的高度達(dá)到82.64 m，遠(yuǎn)遠(yuǎn)超過正常的植被層高度。此外，雖然間接計(jì)算處理后得到的CHM在精度上有所提高，但其精度依舊無法用于進(jìn)一步獲取試驗(yàn)區(qū)準(zhǔn)確的樹高數(shù)據(jù)。這是因?yàn)樵贒SM格網(wǎng)尺寸重采樣到DEM柵格尺寸的過程中，通過重采樣DEM數(shù)據(jù)中誤差公式RMSE計(jì)算，始終存在著約1/7的誤差值，這會(huì)導(dǎo)致計(jì)算生成CHM存在一定程度上的誤差[19]。實(shí)驗(yàn)中5 cm的DEM影像網(wǎng)尺寸縮小至0.5 cm，無論采用雙線性內(nèi)插法、最近鄰內(nèi)插法和三次立方卷積內(nèi)插法進(jìn)行重采樣，通過重采樣DEM數(shù)據(jù)中誤差公式RMSE，式(8)計(jì)算，其生成的DEM的誤差分別約在0.61 cm、1.11 cm和0.56 cm左右[20]。另外在影像中的山谷陰影處會(huì)出現(xiàn)高度被低估情況，仍需要結(jié)合高精度的DEM數(shù)據(jù)才能準(zhǔn)確反映出冠層高度變化，但通過RGB影像去獲取純凈的DEM就目前來說是不現(xiàn)實(shí)的。

圖10 2種方式獲取的研究區(qū)CHMFig.10 Study area CHM obtained in two ways

(8)

式中：R為均方根誤差RMSE；Zk為重采樣DEM數(shù)據(jù)的格網(wǎng)高程，m；ak為對(duì)應(yīng)的基準(zhǔn)DEM數(shù)據(jù)高程，m(k=1，2，…，n)。

因此，基于無人機(jī)影像產(chǎn)生的點(diǎn)云數(shù)據(jù)在Leica Cyclone中，將樣地中目視識(shí)別的單木根據(jù)每個(gè)單木樹冠中心最高點(diǎn)的位置，提取相應(yīng)的單木樹高，計(jì)算了實(shí)測(cè)樹高與點(diǎn)云提取樹高的誤差與相對(duì)誤差，其中最高樹高為10.52 m，最低樹高3.78 m，符合間接計(jì)算獲得CHM的高差范圍，結(jié)果如表3所示。圖9d為樣地提取的樹高與實(shí)測(cè)樹高的散點(diǎn)圖和對(duì)應(yīng)線性擬合結(jié)果，從圖中我們可以看到提取的單木樹高與實(shí)測(cè)值之間具有明顯的線性關(guān)系，決定系數(shù)R2約為0.8。

表3 樹高提取值與實(shí)測(cè)值

4 討論

傳統(tǒng)的基于像元提取冠幅的方法，充分利用影像中的光譜信息，但仍存在分類精度低，結(jié)果錯(cuò)誤多，空間數(shù)據(jù)大量冗余的缺點(diǎn)[21]。Huang等[22]在利用標(biāo)記控制分水嶺分割算法對(duì)桂花 (Osmanthusfragrans)和羅漢松(Podocarpusmacrophyllus)無人機(jī)影像的冠幅提取研究中發(fā)現(xiàn)，分水嶺算法對(duì)噪聲和圖像中較大的光譜變化較為敏感，會(huì)導(dǎo)致影像過分分割的現(xiàn)象產(chǎn)生。而基于面向?qū)ο筇崛」诜姆椒ɡ昧擞跋竦墓庾V和空間信息，通過圖像分割得到若干同質(zhì)像元組成的對(duì)象，可以消除大量噪聲得到精度更高的信息量，能很好契合高分影像冠幅的提取處理。本研究通過試驗(yàn)區(qū)DOM影像，并利用eCogintion多尺度分割的方法，引入可見光植被指數(shù)VI′作為分類依據(jù)，提取出冠幅的徑長(zhǎng)和面積數(shù)據(jù)，總體精度達(dá)到96%，冠幅分類的Kappa系數(shù)為0.74，分類結(jié)果較好。

對(duì)于單木樹高參數(shù)的提取，目前大多基于LiDAR點(diǎn)云數(shù)據(jù)在計(jì)算機(jī)中構(gòu)建出森林CHM后，通過點(diǎn)云濾波找出每株單木的最高點(diǎn)進(jìn)行單木識(shí)別，實(shí)現(xiàn)單木樹高的自動(dòng)提取。該方法獲取樹高是可行的，但其容易受到CHM分辨率、點(diǎn)云濾波精度、單木識(shí)別精度的限制[23]。Wallace等[24]研究發(fā)現(xiàn)CHM點(diǎn)密度的增加(從5個(gè)點(diǎn)/m2增加到50個(gè)點(diǎn)/m2)會(huì)導(dǎo)致算法的遺漏率顯著提高(高達(dá)8%)，這說明單木識(shí)別算法、點(diǎn)密度對(duì)CHM提取單木樹高的準(zhǔn)確性有著極為重要的影響。因此，筆者以Cyclone中點(diǎn)云數(shù)據(jù)圖模塊對(duì)研究區(qū)單木樹高進(jìn)行直接提取，無需在CHM中進(jìn)行單木識(shí)別操作，避免CHM精度及識(shí)別精度的限制，并且在與實(shí)測(cè)樹高數(shù)據(jù)進(jìn)行比對(duì)后，提取的單木樹高與實(shí)測(cè)值之間具有明顯的線性關(guān)系，決定系數(shù)R2為0.8。由于本研究區(qū)域較小，對(duì)于大范圍的人工造林地，還需進(jìn)一步的點(diǎn)云數(shù)據(jù)處理算法的改進(jìn)，以實(shí)現(xiàn)自動(dòng)快速的獲取大范圍區(qū)域內(nèi)的單木樹高提取。

對(duì)于不同林地情況，人工林與天然林中林木的生長(zhǎng)形態(tài)與冠層結(jié)構(gòu)存在著明顯的差異，無人機(jī)森林結(jié)構(gòu)參數(shù)提取方法適應(yīng)性也不盡相同。Brieger等[25]基于高分辨率無人機(jī)的攝影測(cè)量點(diǎn)云對(duì)西伯利亞天然林的樹冠直徑和樹高進(jìn)行了提取，計(jì)算得出實(shí)測(cè)與提取樹高與冠幅的簡(jiǎn)單線性回歸曲線平均R2分別為0.77和0.46，并闡述了該方法的有效性取決于林分結(jié)構(gòu)的復(fù)雜性。Karpina等[26]基于無人機(jī)對(duì)人工樹木的生長(zhǎng)進(jìn)行了自動(dòng)測(cè)量以及生物量估算，其中樹高測(cè)量的精度約為5 cm。本文利用無人機(jī)對(duì)陜北黃土高原地區(qū)人工林結(jié)構(gòu)參數(shù)進(jìn)行了提取，計(jì)算得出實(shí)測(cè)與提取樹高與冠幅的簡(jiǎn)單線性回歸曲線平均R2分別為0.80和0.95，所提出的森林結(jié)構(gòu)參數(shù)獲取方法在陜北地區(qū)人工林具有很好的適用性。劉魯霞等[27]以云南省普洱市天然林與杉木人工林為研究對(duì)象，利用地基激光雷達(dá)(terrestrial laser scanning，TLS)掃描的點(diǎn)云數(shù)據(jù)提取了樣地的單木胸徑與樹高，發(fā)現(xiàn)天然林單木樹高估測(cè)結(jié)果為R2=0.77、RMSE=1.46 m；人工林單木樹高估測(cè)結(jié)果為R2=0.94、RMSE=0.96 m，人工林在精度方面明顯要優(yōu)于天然林。盡管Tian等[28]將TLS和基于無人機(jī)圖像的點(diǎn)云集成技術(shù)相結(jié)合，提出了一種新的樹高提取方法，該方法明顯提高了CHM的精度，但是Wallace等[29]采用機(jī)載激光掃描(airborne laser scanning，ALS)和SfM兩種遙感技術(shù)，分別從小型多旋翼無人機(jī)平臺(tái)上獲取了林地三維結(jié)構(gòu)信息的研究發(fā)現(xiàn)，SfM攝影測(cè)量技術(shù)在獲取越來越密集的冠層覆蓋下的地形表面方面表現(xiàn)的確不如ALS。這2種方式都只能描述冠層結(jié)構(gòu)簡(jiǎn)單、覆蓋相對(duì)較低的區(qū)域的地形表面和冠層特性，無法在結(jié)構(gòu)復(fù)雜的天然林中獲取森林結(jié)構(gòu)參數(shù)，這也有待更多學(xué)者進(jìn)一步的研究。

5 結(jié)論

1)研究通過面向?qū)ο蠖喑叨确指罱Y(jié)合可見光植被參數(shù)VI′的方法，分割尺度參數(shù)設(shè)置為48，形狀指數(shù)為0.1，緊密度為0.5進(jìn)行冠幅提取，然后結(jié)合Cyclone中點(diǎn)云數(shù)據(jù)圖模塊，在樹底部與地面接觸處為原點(diǎn)建立與樹干垂直的空三坐標(biāo)系，對(duì)樣地內(nèi)單木樹高進(jìn)行直接提取，提取了陜北地區(qū)人工楊樹林的單木冠幅與樹高，與實(shí)測(cè)數(shù)據(jù)線性擬合后整體精度都較高。

2)研究發(fā)現(xiàn)無人機(jī)影像直接產(chǎn)生CHM分辨率較低，Cyclone點(diǎn)云數(shù)據(jù)圖模塊樹高提取一定程度上規(guī)避了這一缺點(diǎn)，可實(shí)現(xiàn)快速準(zhǔn)確單木信息獲取的目的。但還需對(duì)整個(gè)處理算法展開進(jìn)一步的改進(jìn)，以便實(shí)現(xiàn)自動(dòng)快速的獲取大范圍區(qū)域內(nèi)的林分結(jié)構(gòu)參數(shù)提取。

3)本研究提出的單木冠幅、樹高以及CHM獲取方法十分契合陜北地區(qū)人工林林分多為純林，冠層交叉遮擋較少，且株行距較大等的特點(diǎn)，該方法可為當(dāng)下陜北地區(qū)日趨自動(dòng)化的林業(yè)調(diào)查工作提供一定的參考。