王 娟 張 超 陳 巧 李華玉 彭 希,3白明雄 徐志揚(yáng),4 劉浩棟 陳永富

（1. 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650233；2. 中國(guó)林業(yè)科學(xué)研究院資源信息研究所，國(guó)家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100091；3. 四川農(nóng)業(yè)大學(xué)林學(xué)院，四川 成都 611130；4. 國(guó)家林業(yè)和草原局華東調(diào)查規(guī)劃設(shè)計(jì)院，浙江 杭州 310019）

樹(shù)冠是一種多功能的生態(tài)指標(biāo)，是光合作用的主要場(chǎng)所，樹(shù)冠面積和大小是估測(cè)樹(shù)木胸徑、生物量和蓄積量等森林參數(shù)重要的因子之一，冠幅還可以作為預(yù)測(cè)林分密度、株數(shù)密度的基準(zhǔn)，進(jìn)而可以估計(jì)林分間的競(jìng)爭(zhēng)關(guān)系[1]。單木是構(gòu)成森林的基本單元，是森林資源調(diào)查與生態(tài)環(huán)境建模研究等所需的關(guān)鍵因子，單木冠幅信息的獲取在生物量估測(cè)及樹(shù)木長(zhǎng)勢(shì)監(jiān)測(cè)等研究中發(fā)揮著重要的作用[2]。單木冠幅信息通常采用傳統(tǒng)地面調(diào)查和衛(wèi)星遙感影像獲取，存在調(diào)查效率低，人為誤差大和影像分辨低等問(wèn)題。近年來(lái)，無(wú)人機(jī)（UAV）遙感技術(shù)作為一種新型的數(shù)據(jù)獲取手段，不僅可以彌補(bǔ)地面監(jiān)測(cè)與航天、衛(wèi)星遙感之間的尺度空缺，將監(jiān)測(cè)點(diǎn)上的結(jié)果更準(zhǔn)確地?cái)U(kuò)展到區(qū)域尺度，供森林資源調(diào)查與監(jiān)測(cè)使用，還可獲取高空間、高時(shí)效、高光譜的光學(xué)遙感數(shù)據(jù)以及高密度的激光雷達(dá)數(shù)據(jù)，為快速、高效獲取單木尺度森林參數(shù)信息提供了更加精細(xì)的數(shù)據(jù)支撐，在森林資源調(diào)查、生態(tài)環(huán)境監(jiān)測(cè)、生物多樣性研究等領(lǐng)域應(yīng)用廣泛[3]。

國(guó)內(nèi)外對(duì)于單木冠幅信息提取的研究較多，其中，激光雷達(dá)數(shù)據(jù)和高分辨率的光學(xué)影像是單木冠幅信息提取的主要數(shù)據(jù)源。基于激光雷達(dá)數(shù)據(jù)提取單木樹(shù)冠信息主要分為2 類，即基于點(diǎn)云數(shù)據(jù)構(gòu)建冠層高度模型（CHM）進(jìn)行CHM 分割和基于激光雷達(dá)點(diǎn)云間的空間結(jié)構(gòu)關(guān)系和屬性進(jìn)行聚類[4]。常見(jiàn)的方法有谷底跟蹤法、區(qū)域生長(zhǎng)法、分水嶺分割法及單木點(diǎn)云分割等[5]。全迎等[6]對(duì)比了機(jī)載激光雷達(dá)和無(wú)人機(jī)激光雷達(dá)單木提取精度，采用標(biāo)記控制分水嶺分割算法提取單木冠幅信息，研究表明無(wú)人機(jī)激光雷達(dá)提取精度高于機(jī)載激光雷達(dá)。Chen 等[7]基于標(biāo)記控制分水嶺分割算法對(duì)闊葉樹(shù)進(jìn)行單木分割，準(zhǔn)確率達(dá)64.1%。李巖等[8]基于激光雷達(dá)數(shù)據(jù)構(gòu)建CHM，對(duì)比了分水嶺分割算法、區(qū)域生長(zhǎng)法和區(qū)域的分層橫截面分析3 種方法單木冠幅提取精度，發(fā)現(xiàn)區(qū)域的分層橫截面分析精度最高。厘米級(jí)的無(wú)人機(jī)高分影像為單木冠幅信息提取提供了豐富的形狀和紋理等信息，是目前單木樹(shù)冠信息獲取最常用的數(shù)據(jù)源。目前，基于無(wú)人機(jī)高分影像提取單木樹(shù)冠的方法主要分為3 類：1）目視解譯法，此方法主要根據(jù)影像的顏色和形狀等信息進(jìn)行判別，對(duì)目視者要求較高，不確定性大，且不適應(yīng)于大范圍單木樹(shù)冠獲取。2）基于像元的單木樹(shù)冠獲取，此方法首先采用局部最大值法[9]、多尺度法及模板匹配法[10]等算法先探測(cè)樹(shù)冠位置，再由像元點(diǎn)逐步生長(zhǎng)至樹(shù)冠邊界，如分水嶺分割法，種子區(qū)域生長(zhǎng)法等[11-12]。Mu 等[13]基于無(wú)人機(jī)高分影像采用自適應(yīng)閾值和標(biāo)記控制分水嶺分割法來(lái)識(shí)別單株樹(shù)木，提取樹(shù)冠信息，結(jié)合目視解譯與地面調(diào)查進(jìn)行精度評(píng)價(jià)，誤差較小。Kang 等[14]基于無(wú)人機(jī)高分影像，提出了一種基于數(shù)學(xué)形態(tài)學(xué)和J 閾值分割法的桉樹(shù)樹(shù)冠面積提取方法，效果較好。董新宇等[15]利用高斯馬爾可夫隨機(jī)場(chǎng)模型對(duì)無(wú)人機(jī)影像進(jìn)行分割，并采用數(shù)學(xué)形態(tài)學(xué)算子算法提取不同樹(shù)種單木樹(shù)冠信息。3）基于面向?qū)ο蟮膯文緲?shù)冠獲取，面向?qū)ο蟮姆椒ê芎玫睦昧藷o(wú)人機(jī)高分影像的光譜、紋理、形狀等信息，其中單木分割的準(zhǔn)確性直接影響到樹(shù)冠提取精度，最常見(jiàn)的分割方法為多尺度分割算法[16]。孫釗等[17]采用多尺度分割確定單木樹(shù)冠對(duì)象，然后采用面向?qū)ο蠓ㄌ崛文緲?shù)冠面積和林分郁閉度。趙勛等[18]通過(guò)對(duì)林區(qū)進(jìn)行多層次多尺度分割，采用面向?qū)ο蠓ㄌ崛¤駱?shù)（Eucalyptus robusta）和杉木（Cunninghamia lanceolata）單木樹(shù)冠邊界，提取精度均達(dá)到85%以上。上述方法多適用于中低郁閉度林分，在高郁閉度林地林分下樹(shù)冠提取精度較低，因此，提升高郁閉度林地林分下單木樹(shù)冠提取精度是目前需要解決的重要問(wèn)題之一。

現(xiàn)階段采用綜合遙感手段獲取森林參數(shù)信息已經(jīng)成為趨勢(shì)，采用無(wú)人機(jī)可見(jiàn)光和激光雷達(dá)數(shù)據(jù)結(jié)合獲取單木樹(shù)冠信息，不僅彌補(bǔ)了可見(jiàn)光數(shù)據(jù)因紋理和波段信息相近造成的欠分割現(xiàn)象，還彌補(bǔ)了激光雷達(dá)數(shù)據(jù)缺乏的二維圖像信息。故以江西省年珠實(shí)驗(yàn)林場(chǎng)為研究區(qū)，采用分水嶺分割與面向?qū)ο蠓诸惤Y(jié)合的方法提取不同郁閉度下杉木單木樹(shù)冠信息，并對(duì)單木提取精度進(jìn)行驗(yàn)證，為利用無(wú)人機(jī)多源數(shù)據(jù)結(jié)合獲取不同郁閉度下單木樹(shù)冠信息提供參考。

1 研究區(qū)概況

研究區(qū)位于江西省新余市分宜縣境內(nèi)，隸屬于中國(guó)林業(yè)科學(xué)研究院亞熱帶林業(yè)試驗(yàn)中心（114°30′～114°45′E，27°30′～27°45′N）。林場(chǎng)總面積1 082.79 hm2，年均氣溫16.8 ℃，年均降水量1 590 mm，集中于3—6 月無(wú)霜期252 d。年珠林場(chǎng)屬低山丘陵地貌，海拔高度介于220～1 092 m母巖以千枚巖為主。主要植被類型為常綠闊葉林、落葉闊葉林、混交林，其中人工種植的杉木林和毛竹林分布較多，主要樹(shù)種有杉木、馬尾松（Pinus massoniana）、柏木（Cupressus funebris）、榿木（Alnus cremastogyne）、毛竹（Phyllostachys edulis）、鵝掌楸（Liriodendron chinense）、栲樹(shù)（Castanopsis fargesii）等。

2 材料與方法

2.1 數(shù)據(jù)來(lái)源

2.1.1 樣地?cái)?shù)據(jù)

選取林分結(jié)構(gòu)相對(duì)單一的杉木同齡純林圓形樣地10 個(gè)，林木起源為人工林，根據(jù)森林資源規(guī)劃設(shè)計(jì)調(diào)查對(duì)郁閉度進(jìn)行劃分，包括5 個(gè)中郁閉度樣地（郁閉度0.40～0.69）和5 個(gè)高郁閉度樣地（郁閉度0.70 以上），樣地半徑為16 m，大小為800 m2，對(duì)各樣地進(jìn)行每木檢尺調(diào)查并進(jìn)行精準(zhǔn)定位，地面調(diào)查數(shù)據(jù)樣地統(tǒng)計(jì)信息見(jiàn)表1。單木定位時(shí)首先選擇明顯標(biāo)志物，然后再確定樣地中心點(diǎn)，并基于樣地中心點(diǎn)采用羅盤(pán)儀和皮尺分別獲取單木距樣地中心點(diǎn)的角度和距離來(lái)進(jìn)行單木位置定位，以確保無(wú)人機(jī)數(shù)據(jù)與樣地?cái)?shù)據(jù)的匹配。

表1 地面調(diào)查樣地?cái)?shù)據(jù)統(tǒng)計(jì)Table 1 The statistics of ground survey in sample plot

2.1.2 無(wú)人機(jī)數(shù)據(jù)

無(wú)人機(jī)（UAV）數(shù)據(jù)使用大疆M600 pro 六旋翼無(wú)人機(jī)獲取，傳感器包括高分相機(jī)和激光雷達(dá)掃描儀2 種類型，數(shù)據(jù)采集時(shí)間為2019 年7 月，天氣晴朗無(wú)風(fēng)，飛行速度為6 m/s，飛行高度為160 m，平均航向重疊率為83.21%。可見(jiàn)光傳感器為Sony ILCE–6000，總像素為2 470 萬(wàn)像素，色彩空間為sRGB，LiDAR 傳感器為RIEGL VUX–1LR，視場(chǎng)角330°，激光脈沖發(fā)射頻率高達(dá)820 kHz，可識(shí)別多目標(biāo)回波，精度為15 mm。

2.2 數(shù)據(jù)預(yù)處理

2.2.1 可見(jiàn)光遙感數(shù)據(jù)處理

使用無(wú)人機(jī)數(shù)據(jù)處理軟件LiMapper 進(jìn)行可見(jiàn)光影像處理，主要流程為特征點(diǎn)提取匹配、區(qū)域網(wǎng)平差、相機(jī)自檢校、密集點(diǎn)云重建、數(shù)字高程模型（DEM）和數(shù)字表面模型（DSM）生成、正射影像（DOM）智能鑲嵌、以及數(shù)據(jù)可視化分析等。在ENVI 5.3 中進(jìn)行正射影像的校正、裁剪等預(yù)處理獲得研究區(qū)樣地正射影像，分辨率大小為0.05 m。

2.2.2 激光雷達(dá)數(shù)據(jù)處理

使用軟件LiDAR360 進(jìn)行無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)的處理，主要流程包括：航帶拼接、質(zhì)量檢測(cè)、投影轉(zhuǎn)換、點(diǎn)云去噪、噪聲濾波、地面點(diǎn)分類等。

2.3 樹(shù)冠區(qū)域提取

利用eCognition 軟件中多尺度分割算法結(jié)合面向?qū)ο蠓诸愄崛?shù)冠區(qū)域信息，以去除林下灌木和裸地等信息對(duì)樹(shù)冠提取造成的干擾。多尺度分割算法利用影像的光譜、形狀和紋理等信息，根據(jù)同質(zhì)性標(biāo)準(zhǔn)至下而上分割出對(duì)象內(nèi)具有同質(zhì)性最大，異質(zhì)性最小的不同斑塊，是面向?qū)ο蠓ㄟM(jìn)行分類解譯的基礎(chǔ)[19]。其中，分割尺度、形狀指數(shù)和緊致度是進(jìn)行多尺度分割時(shí)的重要參數(shù)。

首先將樣地分為樹(shù)冠與非樹(shù)冠兩部分，以樹(shù)冠區(qū)域?yàn)檠谀?，剔除非?shù)冠信息。主要步驟如下：1）采用多尺度分割算法將各樣地樹(shù)冠與非樹(shù)冠區(qū)域分割為不同對(duì)象。2）建立分類體系，因?yàn)闃拥貎?nèi)沒(méi)有建筑、河流等地類干擾，因此只需要構(gòu)建樹(shù)冠和非樹(shù)冠2 個(gè)類別?；诜诸愺w系選擇具備代表性的訓(xùn)練樣本，并對(duì)R、G、B 3 個(gè)波段均值（Rmean、Gmean、Bmean）、對(duì)象亮度值（Bri）、對(duì)象的最大化差異度量（Dmax）、長(zhǎng)寬比（L/W）、形狀指數(shù)（SI）、灰度共生矩陣的相異性（DI）、相關(guān)性（CO）和紋理均值（ME）共10 個(gè)特征進(jìn)行特征優(yōu)化，以選取最優(yōu)特征。3）選擇優(yōu)化后特征采用最近鄰分類法進(jìn)行面向?qū)ο蠓诸?，將?shù)冠和非樹(shù)冠區(qū)域分為不同的對(duì)象。4）在ENVI 5.3中以樹(shù)冠區(qū)域?yàn)檠谀ぃ蕹菢?shù)冠區(qū)域信息，獲取樹(shù)冠分布范圍。

2.4 分水嶺分割算法

分水嶺分割算法是Vincent 提出的一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，是根據(jù)分水嶺的構(gòu)成來(lái)考慮圖像的分割，對(duì)微弱邊緣具有良好的響應(yīng)，是最常見(jiàn)的分割方法之一[7]。本研究采用LiDAR360 進(jìn)行CHM 分割即分水嶺分割，首先對(duì)地面點(diǎn)分類后的點(diǎn)云采用不規(guī)則三角網(wǎng)（TIN）插值生成數(shù)字高程模型（DEM）；以激光雷達(dá)反射的第1 回波激光點(diǎn)為數(shù)據(jù)源采用克里金插值法生成數(shù)字表面模型（DSM），并通過(guò)對(duì)臨近柵格的分析，采用上述插值方法對(duì)DEM 和DSM 進(jìn)行空洞補(bǔ)充去除無(wú)效值；然后由DSM 與DEM 相減得到CHM，CHM 分辨率大小為0.5 m，并采用平滑濾波法對(duì)CHM 進(jìn)行平滑濾波去除空洞和不連續(xù)現(xiàn)象。

2.5 林冠層單木分割

為了更好的描述不同郁閉度下的杉木單木樹(shù)冠信息，基于林冠層對(duì)單木進(jìn)行分割，主要思路為：以分水嶺分割得到的單木樹(shù)冠邊界為第1 層分割結(jié)果，利用eCognition 軟件，在第1 層的基礎(chǔ)上對(duì)掩膜后的樹(shù)冠區(qū)域進(jìn)行再次分割（多尺度分割），并對(duì)第2 次分割的結(jié)果進(jìn)行面向?qū)ο蠓诸愄崛文緲?shù)冠邊界信息。

2.6 精度驗(yàn)證

為了定量分析無(wú)人機(jī)高分影像與無(wú)人機(jī)激光雷數(shù)據(jù)結(jié)合提取樹(shù)冠信息的有效性，以實(shí)地調(diào)查的樣地每木數(shù)量和位置為基準(zhǔn)，結(jié)合目視解譯結(jié)果作為參考圖進(jìn)行精度驗(yàn)證，并認(rèn)為參考圖的結(jié)果是準(zhǔn)確的。由于部分樣木位于樣地邊界，因此精度驗(yàn)證時(shí)去除了位于邊界的樣木。

2.6.1 單木樹(shù)冠驗(yàn)證

國(guó)內(nèi)外對(duì)于單木冠幅的評(píng)價(jià)和驗(yàn)證有很多種方法，為了準(zhǔn)確和有效的體現(xiàn)無(wú)人機(jī)可見(jiàn)光與激光雷達(dá)數(shù)據(jù)結(jié)合提取樹(shù)冠的精度，于ArcGIS 10.4.1中對(duì)分割樹(shù)冠和參考樹(shù)冠進(jìn)行空間統(tǒng)計(jì)分析，驗(yàn)證單木樹(shù)冠分割情況。綜合鄭鑫等[20]和曾霞輝等[21]的研究，將單木樹(shù)冠分割結(jié)果分為5 類包括：匹配、接近匹配、漏分、錯(cuò)分以及合并。匹配指分割樹(shù)冠與參考樹(shù)冠的重疊面積同時(shí)占各自面積的50%以上；接近匹配指分割樹(shù)冠與參考樹(shù)冠重疊面積占其中一方的50%以上，漏分指參考樹(shù)冠的50%面積內(nèi)無(wú)分割樹(shù)冠；合并指多個(gè)參考樹(shù)冠被一個(gè)分割樹(shù)冠代替；錯(cuò)分指分割樹(shù)冠中不存在對(duì)應(yīng)的參考樹(shù)冠。其中匹配和接近匹配被認(rèn)為是正確分割的結(jié)果，漏分和合并被認(rèn)為是漏分誤差，錯(cuò)分屬于錯(cuò)分誤差，分割的準(zhǔn)確率（Pd）、召回率（Pr）和F測(cè)度分別由如下公式確定：

式中：Nc為分割正確的樹(shù)冠數(shù)目，Nr為目視解譯樹(shù)冠總數(shù)，Nd為分割出來(lái)的樹(shù)冠總數(shù)，Pd表示正確分割的樹(shù)冠占分割樹(shù)冠總數(shù)的比例，Pr表示正確分割的樹(shù)冠占目視解譯樹(shù)冠的比例，F(xiàn)測(cè)度是對(duì)準(zhǔn)確率和召回率的綜合描述，F(xiàn)值越高表示單木分割效果越好。

2.6.2 樹(shù)冠面積和冠幅精度驗(yàn)證

本研究采用決定系數(shù)（R2）和均方根誤差（RMSE）對(duì)實(shí)測(cè)和提取樹(shù)冠面積與冠幅進(jìn)行精度評(píng)價(jià)。其中因?yàn)闃?shù)冠大小不規(guī)則但近似于圓形，所以采用公式（4）計(jì)算提取冠幅和實(shí)測(cè)冠幅面積。

式中：CW 表示冠幅，S表示樹(shù)冠面積。

3 結(jié)果與分析

3.1 樹(shù)冠區(qū)域提取結(jié)果

當(dāng)分割尺度為25、形狀指數(shù)為0.2、緊致度為0.5 時(shí)中郁閉度和高郁閉度林分樹(shù)冠與非樹(shù)冠區(qū)域都能較好的被分割。在該分割參數(shù)下采用樣本模式的分類方法進(jìn)行空間特征優(yōu)化以減少特征數(shù)量大造成的運(yùn)算量增大和冗余現(xiàn)象。由圖1 可知，當(dāng)特征數(shù)量為7 維時(shí)，最低分離程度最佳，最佳的特征組合為：Rmean、Gmean、Bmean、Bri、Dmax、SI 和ME。根據(jù)優(yōu)化后的特征提取樹(shù)冠與非樹(shù)冠區(qū)域，以樹(shù)冠區(qū)域?yàn)檠谀さ慕Y(jié)果見(jiàn)圖2，由圖可以看出林下裸地等非樹(shù)冠信息較好的被剔除，減少了非樹(shù)冠信息對(duì)單木樹(shù)冠信息提取的干擾。

圖1 分割維數(shù)與分割距離關(guān)系Fig. 1 Relation between dimension and separation distance

圖2 樹(shù)冠區(qū)域提取結(jié)果Fig. 2 The extraction of results of crown area

3.2 分水嶺分割結(jié)果

基于激光雷達(dá)點(diǎn)云數(shù)據(jù)生成DEM、DSM 并構(gòu)建CHM 進(jìn)行分水嶺分割。高斯平滑因子是分水嶺分割的主要因素，當(dāng)高斯平滑因子過(guò)大時(shí)，會(huì)出現(xiàn)欠分割現(xiàn)象，導(dǎo)致多棵樹(shù)被識(shí)別成一棵，當(dāng)高斯平滑因子過(guò)小時(shí)，則會(huì)導(dǎo)致過(guò)分割出現(xiàn)漏分現(xiàn)象。當(dāng)高斯平滑因子為0.5，窗口大小為5 時(shí)，CHM 分割效果最好?；贑HM 進(jìn)行分水嶺分割結(jié)果見(jiàn)圖3。由圖3 可知，單木較好的被分割為不同的對(duì)象，但是對(duì)單木樹(shù)冠邊界的描述效果較差，分割出的單木對(duì)象中亦包含草本，陰影、裸地等非樹(shù)冠信息，因此仍需要對(duì)分割結(jié)果進(jìn)行優(yōu)化以去除非樹(shù)冠信息的干擾。

圖3 CHM 分割結(jié)果Fig. 3 The result of CHM segmentation

3.3 單木樹(shù)冠信息提取

3.3.1 最佳分割參數(shù)確定

為了優(yōu)化單木樹(shù)冠分割結(jié)果，基于分水嶺分割得到的單木樹(shù)冠邊界對(duì)樹(shù)冠層進(jìn)行再次多尺度分割，采用目視解譯法對(duì)單木樹(shù)冠邊界分割結(jié)果進(jìn)行分析得到的最佳分割參數(shù)見(jiàn)表2。由于掩膜后非樹(shù)冠區(qū)域信息值為0，因此以亮度值為特征，對(duì)第2 次分割結(jié)果進(jìn)行面向?qū)ο蠓诸愄崛文緲?shù)冠邊界信息，并將單木樹(shù)冠邊界導(dǎo)入ArcGIS 10.4.1 中與正射影像疊加顯示，結(jié)果見(jiàn)圖4，由圖可以看出單木樹(shù)冠分割效果較好，分割得到的單木樹(shù)冠邊界與目視解譯勾繪的單木樹(shù)冠差異不大，表明基于面向?qū)ο蠛头炙畮X分割結(jié)合的方法能夠較好的描述單木樹(shù)冠邊界信息。

圖4 目視解譯和單木樹(shù)冠提取結(jié)果Fig. 4 The result of visual interpretation and crown extraction

表2 不同郁閉度下多尺度分割參數(shù)Table 2 Multi-scale segmentation parameter selection

3.3.2 單木精度驗(yàn)證

各樣地單木樹(shù)冠精度驗(yàn)證統(tǒng)計(jì)結(jié)果見(jiàn)表3 所示。由表3 可知，F(xiàn)測(cè)度超過(guò)80%以上的樣地有9塊；其中，中郁閉度樣地F測(cè)度在88.07%～95.08%，高郁閉度樣地F測(cè)度在78.57%～88.29%。從樹(shù)冠提取個(gè)數(shù)和準(zhǔn)確率來(lái)看，大部分樹(shù)冠都被正確分割，但仍有漏分誤差和錯(cuò)分誤差現(xiàn)象出現(xiàn)。漏分誤差現(xiàn)象主要是因?yàn)闃?shù)冠間相互連接和遮擋導(dǎo)致部分單木未被識(shí)別；錯(cuò)分誤差主要是由于無(wú)人機(jī)可見(jiàn)光或LiDAR 數(shù)據(jù)中存在陰影或噪聲的影響，導(dǎo)致偽單木被識(shí)別為單木或單木冠幅較大導(dǎo)致分水嶺分割時(shí)單株木被識(shí)別為多株木。根據(jù)中郁閉度和高郁閉度樣地單木樹(shù)冠提取的準(zhǔn)確率、召回率和F測(cè)度可知多源無(wú)人機(jī)數(shù)據(jù)結(jié)合提取杉木單木冠幅信息是可行的。

表3 單木樹(shù)冠精度驗(yàn)證Table 3 Accuracy verification of single tree crown

3.4 單木樹(shù)冠面積和冠幅精度驗(yàn)證

將提取樹(shù)冠與實(shí)測(cè)樹(shù)冠建立線性回歸方程，結(jié)果見(jiàn)圖5。其中，中郁閉度和高郁閉度林分中提取的樹(shù)冠面積與實(shí)測(cè)面積R2分別為0.859 1 和0.736 7，RMSE 分別為2.49 m2和3.29 m2，提取單木冠幅與實(shí)測(cè)冠幅R2分別為0.830 6 和0.724 6，RMSE 分別為0.46 m 和0.57 m，提取精度均較高，說(shuō)明不論是在中郁閉度還是高郁閉度林分下提取的單木樹(shù)冠面積和冠幅都能夠滿足森林資源調(diào)查的要求。

圖5 提取樹(shù)冠面積、冠幅與實(shí)測(cè)樹(shù)冠散點(diǎn)圖Fig. 5 Scatter plots of area and crown width between extraction crown and actual crown

4 結(jié)論與討論

本研究基于無(wú)人機(jī)可見(jiàn)光和激光雷達(dá)數(shù)據(jù)，以年珠試驗(yàn)林場(chǎng)為研究區(qū)，利用分水嶺分割算法和多尺度分割面向?qū)ο蠓诸惙ㄏ嘟Y(jié)合提取杉木冠幅信息，并進(jìn)行精度分析，結(jié)論如下：

1）通過(guò)激光雷達(dá)數(shù)據(jù)與可見(jiàn)光光譜、紋理等信息的結(jié)合，提取單木精度較高，表明激光雷達(dá)與可見(jiàn)光數(shù)據(jù)結(jié)合提取單木樹(shù)冠信息是可行的。

2）中郁閉度和高郁閉度林分單木樹(shù)冠提取F測(cè)度分別為88.07%～95.08%和78.57%～88.29%，中郁閉度和高郁閉度林分中提取的樹(shù)冠面積與實(shí)測(cè)面積R2分別為0.859 1 和0.736 7，RMSE 分別為2.49 m2和3.29 m2；提取單木冠幅與實(shí)測(cè)冠幅R2分別為0.830 6 和0.724 6，RMSE 分別為0.46 m和0.57 m，表明無(wú)人機(jī)可見(jiàn)光和激光雷達(dá)數(shù)據(jù)結(jié)合的方法能夠滿足不同郁閉度林分單木冠幅信息的提取，其中，中郁閉度林分提取精度高于高郁閉度林分。

3）利用無(wú)人機(jī)可見(jiàn)光和激光雷達(dá)數(shù)據(jù)結(jié)合提取林木冠幅信息，既可以獲取單木位置和結(jié)構(gòu)信息，構(gòu)建精確的林下地形信息，又可以利用無(wú)人機(jī)高分影像提供的光譜、紋理等信息剔除非林地區(qū)域的干擾，為利用無(wú)人機(jī)進(jìn)行林木冠幅信息提供了技術(shù)支撐。

無(wú)人機(jī)因其成本低、效率高及能夠?qū)崟r(shí)更新彌補(bǔ)了航天航空數(shù)據(jù)更新周期長(zhǎng)、影像分辨率低等弊端，逐漸成為了森林資源調(diào)查重要的技術(shù)手段之一。無(wú)人機(jī)可見(jiàn)光和激光雷達(dá)數(shù)據(jù)的結(jié)合為基于多源無(wú)人機(jī)數(shù)據(jù)提取森林參數(shù)提供技術(shù)支撐，減少了航空航天數(shù)據(jù)融合時(shí)多源傳感器匹配困難的問(wèn)題，有效提升了多源無(wú)人機(jī)數(shù)據(jù)在森林參數(shù)提取中的實(shí)用性和可靠性。相對(duì)于星載和機(jī)載平臺(tái)數(shù)據(jù)或單一無(wú)人機(jī)數(shù)據(jù)，多源無(wú)人機(jī)數(shù)據(jù)結(jié)合提取的單木樹(shù)冠信息精度更高。郭昱杉等[22]基于高分影像采用面向?qū)ο蠛蜆?biāo)記控制分水嶺結(jié)合提取不同郁閉度林分單木樹(shù)冠信息，其中低郁閉度林分F測(cè)度達(dá)到87.8%，高郁閉度林分F測(cè)度達(dá)到65.5%；楊立巖[23]采用無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)提取不同郁閉度不同林分單木株數(shù)并進(jìn)行單木冠幅精度評(píng)價(jià)，將基于CHM 提取的單木冠幅與實(shí)測(cè)單木冠幅建立回歸方程，R2為0.334，研究表明冠幅提取效果不佳。對(duì)比發(fā)現(xiàn)本研究中采用無(wú)人機(jī)可見(jiàn)光和激光雷達(dá)數(shù)據(jù)結(jié)合提取單木冠幅有效提升了樹(shù)冠的提取精度，減少了過(guò)分割和欠分割現(xiàn)象發(fā)生表明使用無(wú)人機(jī)可見(jiàn)光和激光雷達(dá)數(shù)據(jù)結(jié)合的方法提取不同郁閉度下單木杉木樹(shù)冠信息的研究是適用的。

盡管本研究方法在不同郁閉度下進(jìn)行單木樹(shù)冠信息提取的精度能夠滿足林業(yè)生產(chǎn)的要求，但仍然存在以下問(wèn)題：1）本研究多源無(wú)人機(jī)數(shù)據(jù)結(jié)合提取冠幅的方法主要針對(duì)杉木純林、林分結(jié)構(gòu)主要為單層林，對(duì)于闊葉樹(shù)或者混交林及復(fù)層林林分是否適用還有待進(jìn)一步研究。2）光照產(chǎn)生的陰影在樹(shù)冠分割時(shí)容易導(dǎo)致非樹(shù)冠區(qū)域被識(shí)別為樹(shù)冠對(duì)象，導(dǎo)致樹(shù)冠提取精度降低，如何消除因光照產(chǎn)生的陰影也是需要解決的主要問(wèn)題之一。3）無(wú)人機(jī)激光雷達(dá)系統(tǒng)雖然能夠提供高精度的單木位置及結(jié)構(gòu)信息，構(gòu)建精細(xì)林下地形，但相對(duì)于無(wú)人機(jī)光學(xué)傳感器價(jià)格昂貴。近年來(lái)，計(jì)算機(jī)視覺(jué)圖像發(fā)展迅速，基于無(wú)人機(jī)攝影測(cè)量系統(tǒng)進(jìn)行數(shù)字圖像三維重建來(lái)獲取三維點(diǎn)云和植被表面高度信息成為了一種低成本的森林參數(shù)信息獲取方式，在單木樹(shù)冠提取方面，無(wú)人機(jī)攝影測(cè)量系統(tǒng)是否能夠與無(wú)人機(jī)激光雷達(dá)系統(tǒng)一樣獲取不同郁閉度下高精度的單木樹(shù)冠信息還有待進(jìn)一步比較研究。