摘要：利用無人機激光雷達LiDAR （Light detecting and ranging）數(shù)據(jù)，提取能反映植被垂直和水平結(jié)構(gòu)變化的LiDAR特征變量，通過相關(guān)性分析和層次聚類方法構(gòu)建森林健康指標來識別黃河三角洲刺槐人工林的健康狀況。結(jié)果表明，森林健康指標由LADcv（葉面積密度的變異系數(shù)）、weibull_α（Weibull密度函數(shù)的尺度變量）、H99（高度百分位數(shù)）和VCI（垂直復(fù)雜度）構(gòu)成;利用森林健康指標進行刺槐林的健康等級判斷可以得到較理想的結(jié)果（總精度為86.7%，Kappa系數(shù)為0.79），證實了激光雷達技術(shù)在判斷森林健康狀況方面的潛能。

關(guān)鍵詞：森林健康指標;無人機激光雷達;刺槐;黃河三角洲

中圖分類號：S75 " " " " 文獻標識碼：A

文章編號：0439-8114（2022）03-0156-05

DOI：10.14088/j.cnki.issn0439-8114.2022.03.032 開放科學（資源服務(wù)）標識碼（OSID）：

Establishment of forest health indicators of Robinia pseudoacacia plantation

based on UAV LiDAR

MENG Peng-yu

（College of Hydrology and Water Resources，Hohai University，Nanjing "210098，China）

Abstract：LiDAR（Light detection and ranging） data of UAV was used to extract LiDAR characteristic variables that can reflect the changes of vegetation vertical and horizontal structure. Forest health indicators were constructed by correlation analysis and hierarchical clustering method to identify the health status of robinia pseudoacacia plantation in the Yellow river delta. The results showed that，the forest health indicators were composed of LADcv （the coefficient of variation of leaf area density）， weibull_α （the scale parameter of the Weibull density function）， H99 （the percentile height of 99th） and VCI （Vertical complexity index）;Using forest health indicators to judge the health status of Robinia pseudoacacia forest could get an ideal result （total accuracy of 86.7%， Kappa coefficient of 0.79）， which confirmed the potential of LiDAR technology in forest health assessment.

Key words：forest health indicators;UAV LiDAR;Robinia pseudoacacia;the Yellow river delta

森林作為陸地生態(tài)系統(tǒng)的主體，直接關(guān)系到全球生態(tài)環(huán)境、人類生存和發(fā)展，是實現(xiàn)改善環(huán)境與發(fā)展經(jīng)濟的紐帶[1]。人工林是世界森林資源重要的組成部分，約占全球森林面積的 6.95%[2]。黃河三角洲地處于海陸、濕地等多種生態(tài)系統(tǒng)混雜的交匯地帶，土壤鹽漬化嚴重，生態(tài)環(huán)境脆弱[3]。20世紀80年代，在該地區(qū)大規(guī)模種植抗旱、耐鹽堿的刺槐，形成中國現(xiàn)存面積最大的刺槐人工林[4]。但是自20世紀90年代以來，許多地區(qū)出現(xiàn)了刺槐大面積枯梢、死亡的現(xiàn)象。

對刺槐人工林健康狀況的準確評估對當?shù)厣挚茖W經(jīng)營至關(guān)重要。與傳統(tǒng)野外調(diào)查不同，遙感技術(shù)具有低成本、高效率、重復(fù)性獲得大范圍區(qū)域信息的優(yōu)勢[5]。中國利用遙感技術(shù)對黃河三角洲刺槐健康的研究普遍基于光學影像。TM影像可以進行大范圍的森林健康監(jiān)測[6]，但是由于空間分辨率不足，存在混合像元問題，精度并不高。而使用高空間分辨率的IKONOS影像，將光譜信息和紋理信息融合可以得到更高的精度[7]。因此，在對具有規(guī)則分布格局的人工林進行健康分類時，從高分影像提取的空間紋理特征信息可以提高分類精度[8]。但是光學影像主要記錄森林在水平方向的信息，無法有效反映森林的垂直信息[9]。因此為對森林健康進行二維到三維的監(jiān)測，激光雷達LiDAR（Light detecting and ranging）技術(shù)因具有快速精確獲取三維結(jié)構(gòu)信息的能力而得到了廣泛應(yīng)用。LiDAR衍生的特征變量可以為森林健康檢測提供重要信息[10]，例如，高度特征變量可以識別樹冠的落葉情況，這是因為樹葉掉落會增加激光脈沖在樹冠中的穿透率[11]。葉面積密度（LAD）可以描述葉片的垂直分布[12]，垂直復(fù)雜度指數(shù)（VCI）可以衡量森林的異質(zhì)性和生物多樣性[13]。但是哪些LiDAR變量區(qū)分森林健康更為有效不得而知。因此本研究以無人機LiDAR數(shù)據(jù)為基礎(chǔ)，結(jié)合野外生態(tài)調(diào)查數(shù)據(jù)，尋找能從水平和垂直方向上全面反映樹木冠層結(jié)構(gòu)的LiDAR參數(shù)，據(jù)此構(gòu)建森林健康指標，實現(xiàn)對黃河三角洲刺槐人工林健康等級的判斷。

1 研究區(qū)概況

黃河三角洲位于渤海灣南岸和萊州灣西岸，主要分布在中國山東省東營市和濱州市境內(nèi)，屬暖溫帶半濕潤大陸性季風氣候，年平均氣溫11.7～12.6 ℃，日照充足，雨熱同期。該地區(qū)土壤以濱海鹽土和濱海潮土為主，養(yǎng)分含量低，且鹽漬化嚴重，不利于喬木生長。自20世紀80年代以來，刺槐作為主要的造林樹種在該地區(qū)廣泛種植，逐漸形成以孤島、軍馬場、黃河故道和大汶流自然保護區(qū)4個林場為主體的種植區(qū)。本研究以孤島林場為研究區(qū)（圖1）。

2 材料與方法

2.1 數(shù)據(jù)

2.1.1 野外生態(tài)調(diào)查數(shù)據(jù) 本研究于2017年6月、2019年6月和2019年10月共獲取了30個野外調(diào)查樣方。根據(jù)兩級采樣設(shè)計原則，在30 m×30 m的樣方的4個角和中心布置了5個10 m×10 m的次樣方。利用天寶GEOXT6000 GPS記錄每個樣方的位置。根據(jù)美國林業(yè)局樹冠狀況分類指南對樣方進行健康分級，具體方法如下：在5個次樣方中選擇1個標準木材評估5個樹冠活力指標，分別為活冠比、冠幅、郁閉度、林冠枯梢率、樹葉透光度（表1），取5個次樣方指標的平均值作為樣方的指標值，最后根據(jù)森林健康等級判斷規(guī)則（表2）得到樣方的健康等級。30個樣方被分為3類，包括14個健康樣方、10個亞健康樣方和6個不健康樣方。

2.1.2 無人機LiDAR數(shù)據(jù) 本研究于2017年6月采集了黃河三角洲孤島林場區(qū)域的無人機LiDAR數(shù)據(jù)。無人機上搭載Riegl VUX-1 激光掃描儀、IMU（Inertial measurement unit）和GPS（Global position system），飛行高度為120 m，飛行速度為4.8 m/s，巡航半徑為2 km。激光波長采用近紅外波段，光斑直徑約為50 mm，獲取的平均點密度為40個/m2，采用WGS84 坐標系和 UTM 投影。

2.2 LiDAR數(shù)據(jù)預(yù)處理

首先采用基于統(tǒng)計的點云去噪方法（Statistical outlier removal）[14]對原始的無人機LiDAR數(shù)據(jù)進行去噪。然后通過改進的漸進三角網(wǎng)加密算法（IPTD）[15]對去噪后的LiDAR點云進行濾波，將點云分為地面點和非地面點。利用地面點插值生成數(shù)字地形模型DTM，并用DTM對點云數(shù)據(jù)進行歸一化消除地形的影響。再利用歸一化后的點云生成數(shù)字表面模型DSM，減去DTM得到冠層高度模型CHM[16]。本研究為了獲取詳細的冠層變化，將CHM的空間分辨率設(shè)置為1 m2。

2.3 LiDAR特征變量提取

2.3.1 垂直方向的變量 本研究的垂直變量分為2個部分，包括基于歸一化LiDAR點云中提取的特征變量和基于冠層垂直剖面提取的特征變量。

基于點云提取的變量包括3個。高度百分位數(shù)（H99）是所有回波點按高度排序后，99%的點云所在的高度，可以從整體上反映樣方內(nèi)樹木的高度。垂直復(fù)雜度（VCI）可以量化點云的垂直分布，其數(shù)值區(qū)間為0～1，0表示點云在垂直方向上分布不均勻，1表示分布均勻，公式為：

[VCI=-i=1n[Pi×ln（Pi）]ln（n）] （1）

式中，n為垂直方向上劃分的高度層數(shù)，Pi為每個高程層中點云占點云總數(shù)的比例（%）。葉面積密度的變異系數(shù)（LADcv）可以反映冠層內(nèi)葉面積指數(shù)隨高度變化的變異情況，公式為：

[LADi=-ln（GFi）kΔz] （2）

[GFi=nbentot-nab] （3）

[LADcv=1H-1i=1H（LADi-LAD）2LAD] （4）

式中，H為垂直方向劃分的高度層數(shù)，GF為間隙率，[k]為消光系數(shù)，nab為第i個高度層以上的點云數(shù)量，nbe為第i個高度層以下的點云數(shù)量，ntot為點云總數(shù)。

冠層垂直剖面可以反映包括枝葉在內(nèi)的整個樹冠在垂直方向上的點云密度分布情況，由某一高度層的點云與點云總數(shù)的比值表示[17]。本研究采用Weibull密度函數(shù)擬合冠層垂直剖面，以獲取尺度參數(shù)α（weibull_α）和形狀參數(shù)β（weibull_β），公式為：

[f（x）=β/α（x/α）β-1exp[-（x/a）β]] （5）

式中，f（x）是點云密度，x是高度百分位數(shù)。

2.3.2 水平方向的變量 冠層高度模型CHM描述了樹冠的表面形態(tài)。樹木枯梢會增加激光脈沖的穿透率，并在CHM的水平方向產(chǎn)生不同大小的不規(guī)則斑塊，因此可以通過CHM的標準差（CHMstd）反映冠層的稀疏程度以及落葉情況[18]。郁閉度（CC）是反映林分質(zhì)量的重要參數(shù)，是冠層垂直投影與林地面積之比。使用LiDAR估測郁閉度時，常用首次回波點與所有回波點的比值表示。提取的變量及其具體描述見表3。

2.4 森林健康指標構(gòu)建

本研究采用Person’s相關(guān)系數(shù)度量LiDAR變量之間的關(guān)系，從而確定能夠全面且系統(tǒng)地反映森林健康狀況的關(guān)鍵LiDAR變量。先通過層次聚類的類平均法對LiDAR變量進行聚類，把相關(guān)性相似的變量歸為一類;再根據(jù)類別內(nèi)相關(guān)系數(shù)最大（能代表所在類的所有指標）、類別間相關(guān)系數(shù)最?。ㄅc其他類的指標相關(guān)性最低）的原則，在每一類中只選取一個變量作為關(guān)鍵變量構(gòu)成森林健康指標。為了探究森林健康指標在解釋森林健康狀況時的機理，采用無監(jiān)督的層次聚類法將每個指標分為3類，分別對應(yīng)刺槐健康等級中的健康、亞健康、不健康。最后根據(jù)每個指標的聚類結(jié)果，以類邊界處的中值作為閾值，構(gòu)建森林健康指標的分級閾值。

與美國林業(yè)局樹冠狀況分類指南類似，本研究基于森林健康指標制定了森林健康等級的判斷規(guī)則，即識別1個樣方是否滿足健康或不健康的規(guī)則，若不符合這2個等級則被視為亞健康。據(jù)此對研究區(qū)的刺槐林進行森林健康等級判斷，采用總精度和Kappa系數(shù)對判斷結(jié)果進行評價。

3 結(jié)果與分析

3.1 LiDAR變量分析

根據(jù)LiDAR變量的Person’s相關(guān)系數(shù)（圖2）將其分為4類。LADcv和weibull_α分別單獨作為一類（與其他變量相關(guān)性低），CHMstd和H99為一類（r = 0.84），weibull_β、CC、VCI為一類，相關(guān)系數(shù)為0.64～0.94。隨后根據(jù)選取原則，分別在后2個類別中選取H99和VCI。最終得到由LADcv、weibull_α、H99和VCI 4個變量組成的森林健康指標。

健康指標對森林健康狀況的解釋機理如圖3所示。野外調(diào)查發(fā)現(xiàn)，健康刺槐的樹冠呈倒卵形，而不健康刺槐的樹冠則呈紡錘狀形。weibull_α能夠反映樹冠的這種形狀變化，即健康刺槐的weibull_α較大，對應(yīng)在冠層垂直剖面圖上Weibull密度函數(shù)的峰值處于較高的位置，刺槐越不健康，weibull_α數(shù)值越小且函數(shù)峰值越低（圖3a、b、c）。VCI描述了樹葉、樹枝等樹木組分的垂直分布情況，隨著刺槐健康狀況的下降，冠層頂部枯梢、落葉情況逐漸加劇，點云集中在樹冠底部和林下植被，對應(yīng)較小的VCI（圖3d、e、f）。健康樣方中的刺槐普遍高于亞健康和不健康樣方（圖3g、h、i）。指標LADcv在3類中區(qū)別不明顯，可能是因為人工林結(jié)構(gòu)簡單，無論樹梢是否枯死，冠層頂部和底部的LAD值都很小。因此，即使葉片的垂直分布存在差異，LAD剖面均表現(xiàn)為單峰分布（圖4）。

3.2 森林健康指標

表4展示了每個森林健康指標被分為3類時所對應(yīng)的閾值。根據(jù)“3.1”對指標的分析可知，類別1代表森林健康狀況良好，其特征是樹木長得高（H99） 樹冠茂盛（weibull_α，LADcv），植被在垂直方向上分布均勻（VCI）。相反，類別3是不健康的。據(jù)此制定的森林健康等級判斷規(guī)則如表5所示。

3.3 刺槐人工林的健康判斷與評價

基于上述森林健康指標對研究區(qū)的30個樣方進行健康等級判斷，通過與野外調(diào)查結(jié)果比較，可知分類的總精度為86.7%，Kappa系數(shù)為0.79，對判斷結(jié)果的評價如表6所示。由表6可知，健康等級之間的混淆主要出現(xiàn)在健康樣方和亞健康樣方之間，健康樣方的生產(chǎn)者精度為85.7%，說明14.3%的健康樣方被錯分為亞健康樣方，用戶精度為92.3%，說明7.7%的亞健康樣方被錯分為健康樣方;亞健康樣方的生產(chǎn)者精度為80.0%，有20.0%的亞健康樣方被錯分為健康或不健康樣方;用戶精度為80.0%，說明有20.0%的健康樣方被錯分為亞健康樣方;重度枯梢刺槐樣方的生產(chǎn)者精度為100.0%，而用戶精度為85.7%，說明不健康樣方均被正確識別，但是有14.3%的亞健康樣方被錯分為不健康。因此森林健康指標識別健康和不健康樣方有較大優(yōu)勢，但對亞健康樣方的識別精度有待提高。

4 討論與結(jié)論

4.1 討論

黃河三角洲刺槐林的生長主要受長期土壤鹽漬化的脅迫[19]，整體生長狀況不佳，不同退化程度導(dǎo)致刺槐林的樹高、郁閉度情況存在差異[20]。本研究利用LiDAR數(shù)據(jù)從樹冠結(jié)構(gòu)角度對其健康狀況進行判別，獲得了較理想的效果，主要是由于發(fā)生退化的刺槐多表現(xiàn)為落葉或樹木低矮，很少表現(xiàn)為樹冠枯黃變色。但是對于那些樹葉變黃但還沒有掉落的樹木，僅從結(jié)構(gòu)角度判斷仍存在缺陷，此時利用光譜信息可以檢測到這種變化。葉片變黃是因為葉綠素含量減少，會在525～565 nm（綠色）、690～730 nm（紅邊）和730～760 nm（近紅外）區(qū)域發(fā)生顯著變化[21]。森林健康是植被結(jié)構(gòu)和葉片化學特征的函數(shù)[22]，植被結(jié)構(gòu)指樹冠的變化，而葉片化學特征是指各種色素的含量。因此，在今后的研究中可以把能描述樹冠三維結(jié)構(gòu)的LiDAR技術(shù)與能反映樹葉生化特征的高光學遙感技術(shù)結(jié)合起來，將有助于提高對森林健康等級的識別精度。

4.2 結(jié)論

本研究以黃河三角洲孤島林場的刺槐林為研究對象，利用無人機LiDAR數(shù)據(jù)提取表征植被垂直和水平變化的LiDAR特征變量，并通過聚類分析構(gòu)建森林健康指標，得到以下結(jié)論：①森林健康指標包括LADcv、weibull_α、H99和VCI，分別從樹葉茂密程度、樹冠形狀、樹高、植被垂直分布4個方面對森林健康狀況進行評價;②森林健康指標能有效識別出健康和不健康的刺槐林，對亞健康刺槐林的識別精度有待提高，總體上的分類精度較理想（總精度為86.7%，Kappa系數(shù)為0.79），說明激光雷達技術(shù)可以在判斷森林健康狀況方面發(fā)揮重要作用。今后的研究中可與高光譜信息結(jié)合起來，構(gòu)建更為完善的森林健康指標。

參考文獻：

[1] 姜鳳岐，朱教君，曾德慧，等.防護林經(jīng)營學[M].北京：中國林業(yè)出版社，2003.

[2] 劉 浩，張崢男，曹 林.機載激光雷達森林垂直結(jié)構(gòu)剖面參數(shù)的沿海平原人工林林分特征反演[J].遙感學報，2018，22（5）：872-888.

[3] 侯學會，李新華，隋學艷，等.近30年黃河三角洲生態(tài)環(huán)境遙感評價[J].山東農(nóng)業(yè)科學，2018，50（2）：7-12.

[4] 張建鋒，邢尚軍.環(huán)境脅迫下刺槐人工林地土壤退化特征研究[J].土壤通報，2009，40（5）：1086-1091.

[5] 馬有國，杜學惠.森林健康評價的遙感技術(shù)研究[J].森林工程，2019，35（2）：37-44.

[6] 姚 玲，劉高煥，劉慶生，等.利用影像分類分析黃河三角洲人工刺槐林健康[J].武漢大學學報（信息科學版），2010，35（7）：863-867.

[7] 趙 玉，王 紅，張珍珍.基于遙感光譜和空間變量隨機森林的黃河三角洲刺槐林健康等級分類[J].遙感技術(shù)與應(yīng)用，2016， "31（2）：359-367.

[8] WANG H， PU R， ZHU Q， et al. Mapping health levels of Robinia pseudoacacia forests in the Yellow River delta， China， using IKONOS and Landsat 8 OLI imagery[J]. International journal of remote sensing， 2015， 36（4）：1114-1135.

[9] 李德仁，王長委，胡月明，等.遙感技術(shù)估算森林生物量的研究進展[J].武漢大學學報（信息科學版），2012，37（6）：631-635.

[10] BOUVIER M，DURRIEU S，F(xiàn)OURNIER R A，et al. Generalizing predictive models of forest inventory attributes using an area-based approach with airborne LiDAR data[J]. Remote sensing of environment， 2015， 156：322-334.

[11] COOPS N C， VARHOLA A， BATER C W， et al. Assessing differences in tree and stand structure following beetle infestation using lidar data[J]. Remote sensing， 2009， 35（6）：497-508.

[12] DETTO M， ASNER G P， MULLER-LANDAU H C， et al. Spatial variability in tropical forest leaf area density from multireturn lidar and modeling[J]. Journal of geophysical research biogeosciences， 2015， 120（2）：294-309.

[13] EWIJK K V，TREITZ R，SCOTT N. Characterizing forest succession in Central Ontario using Lidar-derived indices[J]. Photogrammetric engineering amp; remote sensing，2011，77（3）：261-269.

[14] BALTA H，VELAGIC J，BOSSCHAERTS W， et al. Fast statistical outlier removal based method for large 3D point clouds of outdoor environments[J]. IFAC-papers on line，2018，51（22）：348-353.

[15] ZHAO X，GUO Q，SU Y，et al. Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas[J]. ISPRS Journal of photogrammetry and remote sensing， 2016， 117：79-91.

[16] JAKUBOWSKI M K， LI W K， GUO Q H， et al. Delineating individual trees from Lidar data： A comparison of vector- and raster-based segmentation approaches[J]. Remote sensing，2013，5（9）：4163-4186.

[17] ZHAO K，POPESCU S，NELSON R. Lidar remote sensing of forest biomass： A scale-invariant estimation approach using airborne lasers[J]. Remote sensing of environment，2009，113（1）：182-196.

[18] HUESCA M， ROTH K L， GARCíA M， et al. Discrimination of canopy structural types in the sierra nevada mountains in central california[J]. Remote sensing， 2019， 11（9）：1100.

[19] 張建鋒，邢尚軍.環(huán)境脅迫下刺槐人工林地土壤退化特征研究[J].土壤通報，2009，40（5）：1086-1091.

[20] 杜振宇，馬海林，劉方春，等.濱海鹽堿地長期人工刺槐林的生長狀況和葉片特性[J].生物災(zāi)害科學，2014，37（2）：109-113.

[21] HUANG C， ANDEREGG W R L， ASNER G P. Remote sensing of forest die-off in the Anthropocene： From plant ecophysiology to canopy structure[J]. Remote sensing of environment， 2019， 231：111-233.

[22] SHENDRYK I，BROICH M，TULBURE M G，et al. Mapping individual tree health using full-waveform airborne laser scans and imaging spectroscopy：A case study for a floodplain eucalypt forest[J]. Remote sensing of environment， 2016， 187：202-217.