張信杰,鄭焰鋒,溫坤劍,王鵬杰,吳發(fā)云

(1.國家林業(yè)和草原局林草調(diào)查規(guī)劃院,北京 100714；2.國家林業(yè)和草原局中南調(diào)查規(guī)劃院,長沙 410014)

機(jī)載激光雷達(dá)(Airborne Laser Scanning,ALS)在森林中的測量,基本原理是通過傳感器發(fā)出的脈沖與植被反射光之間的時間,來確定傳感器與植被之間的距離,從而測量森林的垂直結(jié)構(gòu)[1]。相較于成像光譜和成像雷達(dá),激光雷達(dá)對森林冠層的穿透性強(qiáng),不受天氣的限制,可獲取林分冠層精細(xì)三維結(jié)構(gòu)以及林下地形情況[2]。近多年來多項研究證實(shí),通過ALS獲取的點(diǎn)云數(shù)據(jù)可有效反演高度、胸徑、樹冠面積、蓄積量和單木位置等基本森林參數(shù)[3-4]。曾偉生等[5]利用ALS提取出的點(diǎn)云森林參數(shù),通過多元線性回歸和非線性回歸方法,建立東北林區(qū)10種森林類型的航空林分材積表；孫忠秋等[6]利用ALS提取出的點(diǎn)云森林參數(shù)與實(shí)際樣地數(shù)據(jù)構(gòu)建估測隨機(jī)森林模型,對東北虎豹國家公園森林蓄積量進(jìn)行了估測研究；周蓉等[7]采用BP神經(jīng)網(wǎng)絡(luò)算法、逐步回歸法分別構(gòu)建林分算術(shù)平均高模型和林分加權(quán)平均高模型,實(shí)現(xiàn)對東北虎豹國家公園范圍內(nèi)的針葉純林林分平均高的估測；黃侃等[8]結(jié)合ALS數(shù)據(jù)、高空間分辨率影像提出一種對山區(qū)復(fù)雜地表進(jìn)行分類的方法,并驗(yàn)證了該方法對林區(qū)的分類精度。然而,對于高郁閉度或高樹高的森林林分而言,ALS對其冠層下部數(shù)據(jù)獲取能力依舊有限[9]。

背包式 LiDAR(Backpack Laser scanning,BLS)是近年新發(fā)起的集成了定位與制圖構(gòu)建 SLAM(Simultaneous Localization And Mapping)技術(shù)的點(diǎn)云數(shù)據(jù)獲取設(shè)備,攜帶和操作都比較簡便,較好地解決了天氣、地形和衛(wèi)星導(dǎo)航等外界環(huán)境因素約束,采集的點(diǎn)云密度大能精細(xì)刻畫目標(biāo)三維形狀[10]。Xie等[11]的研究結(jié)果表明,在BLS點(diǎn)云的單株水平上,點(diǎn)云切片的垂直厚度為30cm最適合于胸徑估計,與手動測量相比,R2為0.89,且從BLS點(diǎn)云提取的胸徑小于手動測量的胸徑；黃旭等[12]利用背包式激光雷達(dá)掃描云杉林樣地獲取點(diǎn)云數(shù)據(jù)進(jìn)行分割識別和單木胸徑、樹高及冠幅面積等因子估測,結(jié)果表明對針葉樹樹高、胸徑和冠幅等參數(shù)的提取效果較好。盡管如此,BLS的應(yīng)用仍處于早期階段,其對不同立地條件和林分類型的林分測量精度和誤差源尚未得到系統(tǒng)的探究[13]。

將不同的具有上下部冠層觀測優(yōu)勢的激光雷達(dá)平臺數(shù)據(jù)有效的結(jié)合起來,成為了激光雷達(dá)在林業(yè)應(yīng)用上的待解決的新問題。本文以海南人工桉樹林為研究對象,融合ALS和BLS點(diǎn)云數(shù)據(jù),開發(fā)一種利用融合2種數(shù)據(jù)估算單木因子的方法,互補(bǔ)兩者之間的硬件缺陷問題。目標(biāo)包括:1)將BLS獲取的胸徑、樹高與人工測量的胸徑、樹高的精度比較；2)融合ALS和TLS測量點(diǎn)云數(shù)據(jù)與人工測量樹高的精度比較。本研究可為多平臺激光雷達(dá)融合獲取森林三維結(jié)構(gòu)參數(shù)提供方法和應(yīng)用參考。

1 研究區(qū)概況

研究區(qū)為海南省五指山市,地處海南島中南部腹地,由于海拔高,緯度低,森林密布,光、熱、水資源豐富。此地氣候溫和,屬熱帶山區(qū)氣候。年平均氣溫22.4℃,1月平均氣溫17℃,7月平均氣溫26℃,極端最高氣溫35.9℃。年平均降水量為1 690mm,極端最大年降水量為2 810.4mm,極端最少年降水量為1 055.5mm。年平均相對濕度為84%,森林覆蓋率86.44%。研究區(qū)內(nèi)人工桉樹林分布廣蓄積量大,蓄積可達(dá)300～500m3/hm2[14]。

2 研究方法

2.1 數(shù)據(jù)獲取

機(jī)載激光雷達(dá)數(shù)據(jù)由機(jī)載小光斑激光雷達(dá)(NFGI Airborne Small-footprint LiDAR,NFGI-LIDAR-S)于2021年1月獲取,經(jīng)控制點(diǎn)處理后,其點(diǎn)云數(shù)據(jù)平面和高程精度分別優(yōu)于0.5m和0.08m,植被分類正確率達(dá)到90%以上,平均點(diǎn)云密度大于8點(diǎn)/m2[15]。

背光激光雷達(dá)數(shù)據(jù)于2021年1月采用LiBackpack DG50設(shè)備于與機(jī)載激光雷達(dá)幾乎同步采集。LiBackpack DG50設(shè)備包括水平和垂直2個激光雷達(dá)傳感器,配置高精度GNSS設(shè)備,獲取掃描范圍內(nèi)激光點(diǎn)數(shù)據(jù),通過后期解算處理得到高精度的激光點(diǎn)云數(shù)據(jù)。其系統(tǒng)參數(shù)如表1所示。以不同高度級和郁閉度的為選取依據(jù),選取 4個半徑為15m的圓形樣地進(jìn)行背包雷達(dá)數(shù)據(jù)采集,林分具體信息如表2所示。針對15m的圓形樣地,考慮樹木分布比較密集,采用S形路徑規(guī)劃。

表1 背包式激光雷達(dá)掃描系統(tǒng)參數(shù)Tab.1 Backpack LiDAR scanning system parameters

2.2 處理流程

樣地的背包激光雷達(dá)點(diǎn)云首先進(jìn)行去噪、濾波、地面點(diǎn)和植被點(diǎn)提取、點(diǎn)云歸一化等預(yù)處理,在預(yù)處理的基礎(chǔ)上再進(jìn)行單木分割處理、胸徑擬合和單木參數(shù)提取。融合背包激光雷達(dá)和機(jī)載激光雷達(dá)的單木因子估測流程:首先背包激光雷達(dá)去噪重采樣等預(yù)處理、機(jī)載激光雷達(dá)異常點(diǎn)去除等預(yù)處理,在兩者預(yù)處理的基礎(chǔ)上進(jìn)行點(diǎn)云匹配,再進(jìn)行點(diǎn)云分類、歸一化,最后進(jìn)行單木分割和單木參數(shù)提取,具體流程如圖1所示。融合背包激光雷達(dá)和機(jī)載激光雷達(dá)的單木因子估測主要處理步驟的數(shù)據(jù)包括:機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)、背包激光雷達(dá)點(diǎn)云數(shù)據(jù)、粗配準(zhǔn)后點(diǎn)云、ICP精配準(zhǔn)點(diǎn)云剖面、樣地單木分割結(jié)果、DBH擬合等,具體如圖2所示。

表2 樣地林分具體信息情況Tab.2 Specific information on the sample site stands

圖1 融合背包激光雷達(dá)和機(jī)載激光雷達(dá)的單木因子估測流程圖Fig.1 Flow chart for single tree factor estimation with merging backpack and airborne LiDAR

圖2 融合背包和機(jī)載激光雷達(dá)估測單木因子處理步驟Fig.2 Processing steps of merging backpack and airborne LiDAR to estimate single tree factors

2.3 數(shù)據(jù)預(yù)處理

將樣地采集的背包激光雷達(dá)GNSS信息、儀器姿態(tài)POS信息、相對坐標(biāo)信息,通過LiFuser-BP處理軟件生成具有地理信息的絕對坐標(biāo)背包激光雷達(dá)點(diǎn)云數(shù)據(jù)。背包激光雷達(dá)屬于近地面遙感離目標(biāo)地物近,可獲取點(diǎn)云點(diǎn)密度較高,同時也會存在較多其他地物的噪聲,因此須將其降采樣和去噪,進(jìn)而保留點(diǎn)云特征,降低運(yùn)算程度利于匹配。使用采樣率為50%的均勻采樣和領(lǐng)域降噪對解算完的數(shù)據(jù)進(jìn)行處理,獲得待配準(zhǔn)的背包激光雷達(dá)點(diǎn)云數(shù)據(jù)。機(jī)載激光雷達(dá)點(diǎn)云點(diǎn)密度較低,無需降采樣處理,在匹配之前將離散點(diǎn)進(jìn)行去除即可。由于林區(qū)兩者GNSS定位存在隨機(jī)性偏差,導(dǎo)致同名點(diǎn)之間存在系統(tǒng)性的水平和高度偏差,兩者依靠絕對位置疊加點(diǎn)云僅可作為粗匹配融合點(diǎn)云,為消除同名點(diǎn)差異的精匹配須使用迭代最近點(diǎn)算法(Iterative Closest Point,ICP)。其算法原理是將源點(diǎn)云Ps在目標(biāo)點(diǎn)云Pt尋找最近對應(yīng)點(diǎn),迭代尋求計算平移R和旋轉(zhuǎn)t,重復(fù)i次平移和旋轉(zhuǎn)過程,得到最優(yōu)變換矩陣R*,t*,最后將該變換作用于源點(diǎn)云Ps完成匹配,公式為:

(1)

式中:R*為最優(yōu)平移矩陣；t*為最優(yōu)旋轉(zhuǎn)矩陣；Ps為源點(diǎn)云點(diǎn)集合；Pt為目標(biāo)點(diǎn)云點(diǎn)集合；平移R為平移矩陣；t為旋轉(zhuǎn)矩陣；i為平移和旋轉(zhuǎn)次數(shù)。

以機(jī)載激光雷達(dá)點(diǎn)云作為源點(diǎn)云,背包激光雷達(dá)點(diǎn)云作為目標(biāo)點(diǎn)云,變換后的機(jī)載激光雷達(dá)點(diǎn)云和背包激光雷達(dá)點(diǎn)云進(jìn)行疊加,通過樣地邊界裁剪確定融合后的樣地點(diǎn)云。地形高低起伏會對樹冠分割和樹冠特征因子估測產(chǎn)生較大影響,并通過采用改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法(Improved Progressive TIN Densification,IPTD)進(jìn)行激光雷達(dá)地面點(diǎn)提取,將有效消除地形影像,提高地面點(diǎn)的提取精度,在將點(diǎn)云高程歸一化,去除地形對樹高估測的影響[16]。

2.3.1單木分割及單木參數(shù)估測

單木分割采用面向點(diǎn)云的比較最短路徑算法的單木分割算法[17]。該算法包括點(diǎn)云歸一化、樹干檢測和胸徑估計以及樹冠分割,其中樹干檢測和胸徑估計是先使用基于密度的聚類算法(Density-based spatial clustering of applications with noise,DBSCAN)檢測到樹干的位置,在通過樹干胸徑位置設(shè)置切片計算切片重心,計算切片各點(diǎn)距離重心的平均距離作為該樹的胸徑。通過識別樹干并計算出基于樹木代謝生理學(xué)模型的單木最短路徑,分離得到各單木點(diǎn)云。由單木分割的結(jié)果分別計算出各單木參數(shù)。

2.3.2單木分割精度與單木參數(shù)估測精度評價

1) 單木分割精度評價。對于單木分割的評價精度,采取以下評價方式:a.實(shí)地測量存在單木,并從點(diǎn)云中分割出來的單木在其定位誤差范圍(2m)之內(nèi),即正確分割單木,稱為真陽性(True Positive,TP)；b.實(shí)地測量存在單木,并從點(diǎn)云中分割出來的單木不在定位誤差范圍(2m)之內(nèi),即漏分割單木,稱為假陰性(False Negative,FN)；c.實(shí)地測量不存在單木,點(diǎn)云中分割存在出來的單木,即錯誤分割單木,稱為假陽性(False Positive,FP)。

為了評估單木分割的準(zhǔn)確性,使用TP,FN,FP計算召回率(Recall,r)、精度(Precision,p):

(2)

(3)

2) 單木分割參數(shù)精度評價。單木參數(shù)估測的擬合效果采用決定系數(shù)(R2)和均方根誤差(RMSE)2個指標(biāo)進(jìn)行評價。決定系數(shù)是用來表征方程對實(shí)測值的擬合程度;均方根誤差用于評估擬合值與實(shí)測值的偏差,進(jìn)而評價模型的回歸效果。決定系數(shù)值越高,則實(shí)測值與估測值的相關(guān)性越強(qiáng),擬合效果越好;均方根誤差越小,則表明預(yù)測值的效果越好。

(4)

(5)

3 結(jié)果與分析

3.1 單木分割精度

對于海南熱帶雨林國家公園4塊桉樹樣地內(nèi)的158株樹,將融合點(diǎn)云分割單木位置與全站儀定位位置進(jìn)行比對,結(jié)果表明融合點(diǎn)云正確分割157株單木,平均召回率為99.6%,精確率為93.9%(表3),總體精度較高。其原因主要是樣地內(nèi)主要以大徑材為主,易于背包掃描過程中識別到主干位置。此外,機(jī)載激光雷達(dá)點(diǎn)云提供了額外樹冠頂部信息,使得融合點(diǎn)云中單木特征更為明顯被識別分割。分析錯誤分割的樣木點(diǎn)云發(fā)現(xiàn),當(dāng)樣地存在樹高大于1.3m的灌木時,算法無法自動剔除,被錯誤分割成單木。

表3 融合點(diǎn)云分割單木結(jié)果Tab.3 Results of fused point cloud segmentation of trees

3.2 胸徑估測精度

4塊樣地的背包式激光雷達(dá)估測單木胸徑值與實(shí)地測量胸徑值的回歸關(guān)系如圖3所示,實(shí)地測量值與胸徑估測值線性相關(guān)性較為明顯。采用背包激光雷達(dá)獲取的激光點(diǎn)云估測單木胸徑時,發(fā)現(xiàn)在單木胸徑估測會受到灌木、雜草和樹枝樹葉等遮擋影響。4塊樣地決定系數(shù)R2為0.982,RMSE為0.864。分析點(diǎn)云獲取胸徑與實(shí)際測量胸徑差異原因可分兩方面:一方面,天然林未開展經(jīng)營活動,林相比較雜亂,林下灌木草本較大,導(dǎo)致天然林胸徑分布差異較大造成；另一方面,由于部分單木樹干不成標(biāo)準(zhǔn)圓形或者呈現(xiàn)畸形,導(dǎo)致擬合胸徑的結(jié)果中不正確或誤差較大。結(jié)果說明,利用背包式激光雷達(dá)估測單木胸徑具有一定可靠性,對于經(jīng)營活動較好的人工林胸徑估計精度較高,但對于天然林和樹干形狀復(fù)雜的單木,其胸徑估測精度會偏低一些。

3.3 樹高估測精度

4塊樣地單木樹高的背包式激光雷達(dá)估測值與實(shí)測值的回歸關(guān)系如圖4所示,基于背包激光雷達(dá)點(diǎn)云獲取到的單木樹高R2為0.835,RMSE為2.458。4塊樣地單木樹高的融合激光雷達(dá)估測值與實(shí)測值的回歸關(guān)系如圖5所示,基于背包激光雷達(dá)和機(jī)載激光雷達(dá)的融合點(diǎn)云的單木樹高R2為0.895,RMSE為2.005。兩者之間的差異主要是在單木樹高較高的林分,說明在在林分密度較大,樹枝和相鄰樹木的部分遮擋,即便是雙頭的背光激光雷達(dá)也難以準(zhǔn)確地探測到樹木頂端部分,融合機(jī)載激光雷達(dá)數(shù)據(jù)可以有效的解決背包激光激光雷達(dá)在垂直方向的硬件缺陷。

圖3 樣地胸徑與估測樣地胸徑回歸關(guān)系圖Fig.3 Regression plot of sample site DBH versus estimated DBH

圖4 背包點(diǎn)云樹高與估測樣地樹高回歸關(guān)系圖Fig.4 Regression plot of backpack point cloud tree height against estimated sample plot tree height

圖5 融合點(diǎn)云樹高與估測樣地樹高回歸關(guān)系圖Fig.5 Regression of tree height in the fused point cloud against the estimated sample plot height

4 討論與結(jié)論

4.1 討論

1) 從單一激光雷達(dá)數(shù)據(jù)源檢測單木,即單木分割表現(xiàn)上而言,由于機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)缺少地面樹干信息,在進(jìn)行單木分割時主要依賴于樹冠點(diǎn)云形態(tài)學(xué)的連通和分離進(jìn)行分類,使得樹冠距離較近的林木錯分,致使單木分割精度較低。背包激光雷達(dá)獲取點(diǎn)云的方式是從下至上的獲取,靠近于主干獲取高質(zhì)量點(diǎn)云數(shù)據(jù),更為貼近林業(yè)調(diào)查工作的數(shù)據(jù)獲取方式是降低錯分的主要原因,但是受采集方式和地形的影響也會是限制應(yīng)用的主要原因。

2) 從使用融合點(diǎn)云提取胸徑的結(jié)果來看,機(jī)載激光雷達(dá)受上部冠層遮擋,無法獲取到胸徑處的點(diǎn)云,因此,在融合點(diǎn)云中發(fā)揮關(guān)鍵性作用的是背包激光雷達(dá)點(diǎn)云。背包激光雷達(dá)點(diǎn)云在采集過程中依賴于SLAM算法,目前常見用于戶外的SLAM算法在地形起伏較大的地區(qū),點(diǎn)云拼接效果較差噪聲點(diǎn)較多。除此之外,采集數(shù)據(jù)過程中也會同時收集林分內(nèi)GNSS信號,其信號強(qiáng)弱影響點(diǎn)云地理參考的錯誤,也是背包點(diǎn)云數(shù)據(jù)有額外的噪聲的原因。從現(xiàn)有利用其它移動激光雷達(dá)掃描研究結(jié)果上來看,Hyypp?等[18-19]分別在株樹密度較小和較大的2塊松樹和云杉混交林中利用BP-MLS-VUX1設(shè)備測量林分單木胸徑,與實(shí)測結(jié)果相比,單木點(diǎn)云胸徑的均方根誤差(RMSE)為2%～8%；Ko等[20]利用Libackpack D50對韓國濟(jì)州島的柳杉種植園內(nèi)的157株樹進(jìn)行了掃描,與人工測量的DBH相比,背包激光雷達(dá)點(diǎn)云的RMSE值范圍從1.22～1.40cm,RMSE%從4.69%～6.04%；Hartley等[21]利用Hovermap在新西蘭松苗圃地進(jìn)行掃描,在針對現(xiàn)場測量的DBH進(jìn)行評估時,相關(guān)性水平很高(R2值范圍為0.96～0.99)和誤差水平比較低(RMSE值范圍為1.72～2.61cm,RMSE百分比范圍為5.4%～8.2%)。點(diǎn)云測量樹木的直徑往往使用1.3m點(diǎn)云來估計精確的圓,測量單木主干和樹皮的形狀不規(guī)則,主干形狀更像是橢圓而不是圓,測量林分樹種林學(xué)特性也是限制測量精度的原因之一。

3) 與地基激光雷達(dá)相比,使用地基激光雷達(dá)采集林業(yè)數(shù)據(jù),須進(jìn)行布設(shè)標(biāo)靶、架站、掃描和移站等操作,完成整體數(shù)據(jù)采集需要花費(fèi)一定的人力及時間,采集完的數(shù)據(jù)也需要進(jìn)行多站拼接后才能輸出最終的采集結(jié)果。與機(jī)載激光雷達(dá)相比,背包式激光雷達(dá)具有效率高、全覆蓋和真三維測量等優(yōu)良的技術(shù)特性,攜帶方便,數(shù)據(jù)采集不受天氣等外界因素的影響,測量范圍容易控制,有著良好的應(yīng)用前景。但激光雷達(dá)數(shù)據(jù)在時空分布上不具有優(yōu)勢,也不能夠提供反演森林生物物理參數(shù)所需的光譜信息,而被動光學(xué)遙感可以彌補(bǔ)這一不足。因此,將背包、地基、機(jī)載激光雷達(dá)和被動光學(xué)遙感結(jié)合有利于提高森林資源的監(jiān)測能力,可為森林生態(tài)研究提供科學(xué)依據(jù)。

4) 就我國現(xiàn)階段國家林草生態(tài)綜合監(jiān)測評價技術(shù)規(guī)程的質(zhì)量評定檢查依據(jù)規(guī)定而言,對樣木漏測多測、對樣木胸徑測定、對樣木樹高測量的精度要求都很高,使用融合機(jī)載和背包激光雷達(dá)點(diǎn)云獲取符合林業(yè)調(diào)查質(zhì)量要求的技術(shù)手段仍有待于進(jìn)一步加強(qiáng)。

4.2 結(jié)論

本研究融合背包激光雷達(dá)數(shù)據(jù)和機(jī)載激光雷達(dá)數(shù)據(jù)對單木因子進(jìn)行了估測,與實(shí)際樣地數(shù)據(jù)對比表明,融合點(diǎn)云數(shù)據(jù)在胸徑的估測上,R2=0.982,RMSE=0.868cm；在樹高的估測上,R2=0.895,RMSE=2.005m,而只使用背包激光雷達(dá)數(shù)據(jù)獲取樹高,R2=0.835,RMSE=2.458m。這說明基于背包激光雷達(dá)點(diǎn)云數(shù)據(jù)獲取的單木胸徑精度較高,融合點(diǎn)云數(shù)據(jù)可改善單一背包數(shù)據(jù)對樹高上的估測。本文將2種不同平臺的激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行融合,整合兩者優(yōu)劣勢互補(bǔ),既可獲取到林下的主干信息,又可獲取到更為豐富的冠層結(jié)構(gòu)信息。同時極大程度上減少了人工野外調(diào)查繁雜度,提高了樣地調(diào)查效率,可為森林資源調(diào)查與檢測提供新技術(shù)手段支撐。