張海浪,廉旭剛,王鐳學(xué),高宇璐,石力帆,李宇

摘要：為解決林分自然生長(zhǎng)和人工剪伐修枝引起的單木特征參數(shù)變化所造成的生物量變化問(wèn)題，采用地基激光雷達(dá)數(shù)據(jù)（TLS）和無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)（UAV-LS）為數(shù)據(jù)源，通過(guò)單木分割的方法，以地基激光雷達(dá)數(shù)據(jù)提供的高精度數(shù)字高程模型為基礎(chǔ)，提升無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)的單木召回率；基于無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)進(jìn)行單木樹(shù)高的提取及一致性評(píng)定，通過(guò)優(yōu)化的生物量模型，利用樹(shù)高參數(shù)計(jì)算2022年和2023年各樹(shù)種單木生物量。結(jié)果表明，聯(lián)合地面激光雷達(dá)數(shù)據(jù)可以將無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)的單木召回率從60.0%提升至73.1%；對(duì)2022年、2023年樹(shù)高參數(shù)提取得到近兩年樹(shù)木自然生長(zhǎng)、修剪狀況；對(duì)樹(shù)高一致性評(píng)定得到一致性相關(guān)系數(shù)（Concordance correlation coefficient， CCC）為0.98，均方根誤差（RMSE）為1.12 m；對(duì)生物量計(jì)算得到近兩年各樹(shù)種單木生物量、林分生物量，2022年、2023年單位面積生物量分別為77.39 、81.56 t/hm2。研究證實(shí)在研究區(qū)通過(guò)無(wú)人機(jī)低空遙感數(shù)據(jù)獲取樹(shù)高時(shí)序動(dòng)態(tài)計(jì)算各樹(shù)種單木生物量可行，可以掌握林分自然生長(zhǎng)和人工修剪引起的生物量變化。

關(guān)鍵詞：TLS；UAV-LS；樹(shù)高；生物量；無(wú)人機(jī)

中圖分類號(hào)：S771.8文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-8023（2024）01-0017-09

Research on Time-series Dynamic Biomass Calculation Based on UAV Low-altitude Remote Sensing Data

ZHANG Hailang， LIAN Xugang*， WANG Leixue， GAO Yulu， SHI Lifan， LI Yu

（College of Mining Engineering， Taiyuan University of Technology， Taiyuan 030024， China）

Abstract：In order to solve the problem of biomass change caused by the change of the characteristic parameters of single wood caused by the natural growth of forest stand and the pruning of artificial shears， terrestrial laser scanning （TLS） and aerial vehicle laser scanning （UAV-LS） data were taken as data sources， through the single-wood segmentation method， the single-wood recall rate of UAV-LS data based on the high-precision digital elevation model provided by terrestrial laser scanning was improved. Based on the UAV-LS data， the extraction and consistency evaluation of individual tree height were carried out. The optimized biomass model was used to calculate the individual tree biomass of each tree species in 2022 and 2023 using tree height parameters. The results showed that the combined TLS data can increase the recall rate of UAV-LS data from 60.0% to 73.1%. The tree height parameters in 2022 and 2023 were extracted to obtain the natural growth and pruning status of trees in the past two years. The consistency correlation coefficient （Concordance correlation coefficient， CCC） of tree height consistency evaluation was 0.98 and the root mean square error （RMSE） was 1.12 m. And the biomass of single wood and stand biomass in the past two years was calculated and the stand biomass was 77.39 and 81.56 t/hm2 per unit area in 2022 and 2023， respectively. This study confirmed that it was feasible to obtain tree height time series dynamic calculation of individual tree biomass of each tree species by using UAV low-altitude remote sensing data in the research area and can grasp the biomass changes caused by natural growth and artificial pruning of forest stands.

Keywords：TLS; UAV-LS; tree height; biomass; unmanned aerial vehicle （UAV）

0引言

森林生物量在減少溫室氣體（GHG）排放方面至關(guān)重要，及時(shí)準(zhǔn)確地估算森林生物量，對(duì)森林生態(tài)系統(tǒng)管理和氣候決策支持具有重要意義[1-2]。樹(shù)高、胸徑參數(shù)是生物量計(jì)算的關(guān)鍵指標(biāo)，也是評(píng)價(jià)森林生長(zhǎng)狀況的重要參數(shù)，森林空間結(jié)構(gòu)受樹(shù)木自然生長(zhǎng)、人工剪伐修枝的影響，單木參數(shù)會(huì)產(chǎn)生一定的變化?？焖佟?zhǔn)確地獲取林木信息，及時(shí)監(jiān)測(cè)森林資源的動(dòng)態(tài)變化是林業(yè)部門(mén)的主要任務(wù)之一，但是人工調(diào)查單木樹(shù)高、胸徑的時(shí)間和人力成本較高，效率較低，不能滿足林業(yè)精準(zhǔn)化、精細(xì)化、時(shí)序監(jiān)測(cè)森林生物量的需求[3-4]。

地面激光雷達(dá)（TLS）依靠其高掃描精度和掃描密度，可用于單木樹(shù)高及胸徑測(cè)量，能夠節(jié)省人力，提高工作效率。根據(jù)地面激光點(diǎn)云數(shù)據(jù)通過(guò)最小二乘圓擬合算法得到單木胸徑（DBH），在獲取到DBH后根據(jù)種子點(diǎn)的三維坐標(biāo)搜索DBH半徑范圍內(nèi)的點(diǎn)或最近點(diǎn)作為初始種子點(diǎn)簇進(jìn)行單木分割，能夠提高單木召回率，可以保證研究區(qū)單木個(gè)數(shù)，同時(shí)對(duì)高密度點(diǎn)云采用自適應(yīng)不規(guī)則三角網(wǎng)濾波算法（ATIN）對(duì)其進(jìn)行點(diǎn)云濾波、反距離加權(quán)作插值處理可以得到高精度數(shù)字高程模型（Digital Elevation Model，DEM）。但對(duì)冠幅較大的單木采集數(shù)據(jù)時(shí)不易獲取樹(shù)木冠幅上方信息，不能很好地獲取樹(shù)高參數(shù)[5-6]。機(jī)載激光雷達(dá)數(shù)據(jù)可獲取較高精度的樹(shù)高參數(shù)信息，但獲取數(shù)據(jù)成本較高，很難進(jìn)行高頻訪問(wèn)[7-8]。

隨著衛(wèi)星導(dǎo)航系統(tǒng)（GNSS）、慣性導(dǎo)航系統(tǒng)的小型化、低成本，無(wú)人機(jī)搭載激光雷達(dá)將激光測(cè)距技術(shù)、計(jì)算機(jī)技術(shù)、慣性測(cè)量單元和GNSS差分定位技術(shù)集成于一體，非常適合對(duì)林區(qū)進(jìn)行時(shí)序化動(dòng)態(tài)監(jiān)測(cè)，成為近些年發(fā)展最為迅速的低空遙感技術(shù)[9-12]。激光雷達(dá)不受云層等天氣情況影響，可以快速獲得林分垂直方向結(jié)構(gòu)參數(shù)，將數(shù)字地表模型（Digital Surface Model，DSM）數(shù)據(jù)減去數(shù)字地形模型（Digital Terrain Models，DTM）數(shù)據(jù)獲取冠層高度模型（Canopy Height Model，CHM），通過(guò)冠層高度模型對(duì)樹(shù)木進(jìn)行單木分割，取得單木樹(shù)高參數(shù)，在計(jì)算森林生物量方面獲得很大優(yōu)勢(shì)。但是對(duì)于復(fù)雜林分中冠層較大的樹(shù)木，冠幅的遮擋造成其下方樹(shù)木點(diǎn)云密度稀少，激光雷達(dá)無(wú)法準(zhǔn)確得到地面信息，森林結(jié)構(gòu)信息具有較高的不確定性，造成冠幅下方樹(shù)木漏檢情況；同時(shí)也可能將一個(gè)較大的冠幅多分為幾個(gè)冠幅，造成冠幅多檢情況[13-14]。

為探究無(wú)人機(jī)低空遙感數(shù)據(jù)在便捷、高效、低成本和時(shí)序化估算森林生物量方面的可行性，本研究根據(jù)TLS數(shù)據(jù)提供的研究區(qū)單木召回率和高精度DEM，對(duì)2022年和2023年無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)提取的樹(shù)木高度參數(shù)進(jìn)行生長(zhǎng)變化評(píng)估及一致性評(píng)定，基于優(yōu)化的生物量模型利用樹(shù)高參數(shù)計(jì)算研究區(qū)的各樹(shù)種單木生物量，了解各樹(shù)種的自然生長(zhǎng)變化及人工修剪情況，為今后無(wú)人機(jī)低空遙感數(shù)據(jù)高頻時(shí)序化監(jiān)測(cè)森林生物量提供理論支撐。

1材料與方法

1.1研究區(qū)概況

1.1.1研究區(qū)位置

以太原理工大學(xué)虎峪校區(qū)一綠地作為研究區(qū)，地理坐標(biāo)為37°27′～38°25′N， 111°30′～113°09′E。研究區(qū)最高點(diǎn)海拔為799 m，最低點(diǎn)海拔為786 m，平均海拔為792 m，占地面積為0.7 hm2。研究區(qū)位置如圖1所示。

1.1.2樣地?cái)?shù)據(jù)

區(qū)域內(nèi)柳樹(shù)共16棵，12棵分布在場(chǎng)地外圍，4棵分布在研究區(qū)中央；楊樹(shù)共13棵，均分布在場(chǎng)地南部外圍，分布比較松散；丁香樹(shù)共67棵，集中分布在研究區(qū)西北角、東南角，白皮松15棵，分布在研究區(qū)內(nèi)道路旁，位于場(chǎng)地中央柳樹(shù)下方，圓柏共31棵，零散分布在研究區(qū)內(nèi)；槐樹(shù)21棵，均勻分布在場(chǎng)地北部和東部外圍，分布比較松散。樣地分布如圖2所示。

1.2激光雷達(dá)遙感數(shù)據(jù)采集

1.2.1地面激光掃描（Terrestrial Laser Scanning，TLS）數(shù)據(jù)

2022年4月使用全站掃描儀采集地面點(diǎn)云數(shù)據(jù)，距離掃描精度0.6 mm，掃描速率為30 m內(nèi)每秒1 000點(diǎn)。共布設(shè)21個(gè)測(cè)站，為保證不同測(cè)站之間掃描結(jié)果分辨率一致，在各測(cè)站開(kāi)始掃描之前均設(shè)置相同的點(diǎn)云密度參數(shù)。設(shè)置掃描平距為15 m時(shí)，獲得的點(diǎn)云水平間隔10 cm，垂直間隔10 cm，掃描速度1 000 點(diǎn)/s，估算點(diǎn)數(shù)為4萬(wàn)左右，耗時(shí)25 min。

1.2.2無(wú)人機(jī)低空（Light Detection And Ranging，LIDAR）遙感數(shù)據(jù)

2022年4月及2023年4月使用飛馬無(wú)人機(jī)D-LIDAR激光雷達(dá)采集了UAV-LS數(shù)據(jù)。飛機(jī)飛行高度為128 m，飛行速度為13.5 m/s。平均點(diǎn)密度286 點(diǎn)/m2，獲得了多達(dá)3次回波，回波強(qiáng)度為8 bits。激光脈沖波長(zhǎng)和頻率為905 nm和240 kHz。收集的數(shù)據(jù)采用飛馬無(wú)人機(jī)的UAV-managing軟件進(jìn)行處理，包括全球衛(wèi)星導(dǎo)航系統(tǒng)（GlobalNavigationSatelliteSystem，GNSS）及慣性測(cè)量單元（Inertial? Measurement? Unit，IMU）處理。數(shù)據(jù)采集如圖3所示。

1.3無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)處理

原始激光雷達(dá)點(diǎn)云數(shù)據(jù)需要進(jìn)行GPS格式轉(zhuǎn)換、網(wǎng)絡(luò)差分解算、緊耦合差分解算和精度評(píng)定，完成點(diǎn)云軌跡解算。軌跡解算后的點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理，包括點(diǎn)云解算、質(zhì)量檢查（如分層，需要進(jìn)行航帶平差）、去冗余、坐標(biāo)轉(zhuǎn)換和精度檢查，得到激光雷達(dá)標(biāo)準(zhǔn)點(diǎn)云。

1.4 研究方法與技術(shù)路線

本研究以地基激光雷達(dá)數(shù)據(jù)和無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)為數(shù)據(jù)源，通過(guò)單木分割的方法，以地基激光雷達(dá)數(shù)據(jù)提供的高精度數(shù)字高程模型為基礎(chǔ)，提升無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)的單木召回率；基于無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)進(jìn)行單木樹(shù)高的提取及一致性評(píng)定，通過(guò)優(yōu)化的生物量模型，利用樹(shù)高參數(shù)計(jì)算2022年和2023年各樹(shù)種單木生物量。研究技術(shù)路線如圖4所示。

1.4.1點(diǎn)云濾波

基于地面激光雷達(dá)掃描生成的研究區(qū)原始點(diǎn)云數(shù)據(jù)分為地面點(diǎn)云和非地面點(diǎn)云，為了準(zhǔn)確獲得DEM，需要進(jìn)行地面點(diǎn)分類。本研究采用改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法（Improved Progressive TIN Densification， IPTD）分類地面點(diǎn)，先通過(guò)種子點(diǎn)生成一個(gè)稀疏的三角網(wǎng)，然后通過(guò)迭代處理逐層加密，直到所有地面點(diǎn)分類結(jié)束[15]。點(diǎn)云濾波如圖5所示。

1.4.2地面高程模型的生成及精度評(píng)定

對(duì)分類后的地面點(diǎn)云數(shù)據(jù)進(jìn)行處理，采用反距離加權(quán)插值得到DEM。為消除地形起伏對(duì)點(diǎn)云數(shù)據(jù)高程值的影響，將原始點(diǎn)云數(shù)據(jù)投影到DEM上，得到與其相對(duì)應(yīng)的DEM高程值，再將每個(gè)點(diǎn)云的高程值減去對(duì)應(yīng)DEM地面高程值，得到地面點(diǎn)歸一化點(diǎn)云數(shù)據(jù)[6]。將分類后的地面點(diǎn)構(gòu)造三角網(wǎng)并進(jìn)行插值，獲取到實(shí)測(cè)單木在DEM對(duì)應(yīng)位置方向的高程值（h），與導(dǎo)入實(shí)測(cè)單木的高程值（H）作差，得到實(shí)測(cè)單木點(diǎn)與地面點(diǎn)的高程差值（Z）。計(jì)算均方根誤差（RMSE，式中記為RMSE）及平均誤差（MAE，式中記為MAE）來(lái)評(píng)估DEM的精度，公式為

RMSE=1n∑ni=1（Hi-hi）2 。 （1）

均方根誤差是實(shí)測(cè)高程（Hi）與估測(cè)高程（hi）之差的平方和與實(shí)測(cè)高程點(diǎn)個(gè)數(shù)（n）比值的平方根。

MAE=1n∑ni=1（hi-Hi）。（2）

平均誤差為估測(cè)高程（hi）與實(shí)測(cè)高程（Hi）之差的和再平均[16-18]。

1.4.3CHM模型生成

對(duì)無(wú)人機(jī)低空遙感數(shù)據(jù)獲取的標(biāo)準(zhǔn)點(diǎn)云數(shù)據(jù)進(jìn)行去噪、地面點(diǎn)分類、克里金插值得到精確數(shù)字地表模型（DSM）。無(wú)人機(jī)低空遙感點(diǎn)云數(shù)據(jù)和全站掃描儀點(diǎn)云數(shù)據(jù)都使用的是千尋網(wǎng)絡(luò)提供CGCS2000坐標(biāo)系統(tǒng)，兩者有相同的地理參考、相同的坐標(biāo)系，將數(shù)字地表模型（DSM）與地面激光掃描得到的數(shù)字高程模型（DEM）作差值，獲得冠層高度模型（CHM）。CHM模型生成完畢之后會(huì)存在冠層間隙及無(wú)效值這樣的黑色像素點(diǎn)，使得樹(shù)冠區(qū)域不完整，需將無(wú)效值進(jìn)行填充，并對(duì)填充后的CHM進(jìn)行高斯濾波處理，來(lái)解決過(guò)分割或欠分割現(xiàn)象。

1.4.4單木位置探測(cè)與分割及精度評(píng)定

地面激光點(diǎn)云經(jīng)過(guò)地面歸一化后根據(jù)最小二乘圓擬合算法得到DBH，在獲取到DBH后根據(jù)單木位置探測(cè)的種子點(diǎn)三維坐標(biāo)搜索DBH半徑范圍內(nèi)的點(diǎn)或最近的點(diǎn)作為初始的種子點(diǎn)簇進(jìn)行單木分割[19]，可以獲取到單木位置及胸徑參數(shù)；無(wú)人機(jī)點(diǎn)云數(shù)據(jù)根據(jù)冠層高度模型采用局部最大值算法提取單木頂點(diǎn)位置并作為種子點(diǎn)，該算法將樹(shù)冠最高點(diǎn)作為單木位置，通過(guò)移動(dòng)窗口逐步對(duì)柵格數(shù)據(jù)進(jìn)行搜索，并判斷搜索窗口的中心點(diǎn)是否為局部極大值，若為局部極大值，則將此像素標(biāo)記為單木頂點(diǎn)。將種子點(diǎn)通過(guò)分水嶺分割算法進(jìn)行單木分割，把CHM的高點(diǎn)處當(dāng)作山峰，低點(diǎn)處為山谷，用水填充，在水匯合的地方建立屏障，屏障即為分割的結(jié)果。

以實(shí)測(cè)單木作為參考與提取的單木位置進(jìn)行匹配。若實(shí)測(cè)單木位置附近范圍內(nèi)存在唯一單木為正檢（True Positive， TP，式中記為T(mén)P）；不存在單木為漏檢（False Negative， FN，式中記為FN）；存在多個(gè)單木則為錯(cuò)檢（False Positive， FP，式中記為FP）。單木檢測(cè)結(jié)果使用召回率 （r）、準(zhǔn)確率 （p）和F測(cè)度（F-score）進(jìn)行評(píng)價(jià)，其公式為[16]

r=TPTP+FN×100%。 （3）

P=TPTP+FP×100%。（4）

F=2×r×pr+p×100%。（5）

式中： r為召回率，表示正檢株數(shù)占實(shí)測(cè)株數(shù)額比例； p為準(zhǔn)確類，表示正檢株數(shù)與檢測(cè)的株數(shù)之比；F為測(cè)度，是對(duì)召回率r和準(zhǔn)確率p的綜合描述。

1.4.5生物量模型優(yōu)化

生物量模型是林木生物量估算的經(jīng)典方法，通過(guò)將生物量模型與胸徑、樹(shù)高等單木參數(shù)建立經(jīng)驗(yàn)方程式來(lái)估算生物量。同種類型的生物量模型有較高的相似性，區(qū)域差異很小，對(duì)同種類型的林木可以采用相同的生物量模型。研究區(qū)蓄積量計(jì)算采用了單木二元材積模型蓄積量（V）

V=aDbHc。 （6）

式中：a、b、c為模型參數(shù)；D為胸徑；H為樹(shù)高。

生物量計(jì)算中研究區(qū)采用了喬木類生物量模型，地上部分總生物（WT）

WT=a（D2H）b。 （7）

地下部分生物量（WR）

WR=WT/3.85。（8）

生物量（W）

W=WT+WR。（9）

研究者將實(shí)地調(diào)查的樹(shù)高、胸徑值使用回歸方程建立樹(shù)高與胸徑的模型，通過(guò)模型利用樹(shù)高推測(cè)胸徑值。各樹(shù)種回歸方程公式見(jiàn)表1。

D的單位為cm；H的單位為m。利用上述回歸方程，將蓄積量與生物量模型的胸徑參數(shù)用樹(shù)高參數(shù)表達(dá)，得到優(yōu)化后的各樹(shù)種蓄積量、生物量模型。見(jiàn)表2。

2結(jié)果

2.1DEM精度評(píng)定

無(wú)人機(jī)低空遙感數(shù)據(jù)對(duì)于復(fù)雜林分中冠層較大的樹(shù)木，冠幅的遮擋造成其下方樹(shù)木點(diǎn)云密度稀少，激光雷達(dá)無(wú)法準(zhǔn)確得到地面信息，森林結(jié)構(gòu)信息具有較高的不確定性，需要準(zhǔn)確的地面高程信息提升獲取的樹(shù)高信息準(zhǔn)確度。根據(jù)地面激光點(diǎn)云數(shù)據(jù)獲得的DEM精度評(píng)價(jià)表見(jiàn)表3。

TLS得到的高精度的DEM均方根誤差為7.3 cm，既可為無(wú)人機(jī)低空遙感數(shù)據(jù)的樹(shù)高參數(shù)獲取提供很好的保障，又可作為長(zhǎng)期時(shí)序觀測(cè)的數(shù)據(jù)分析基礎(chǔ)。

2.2單木檢測(cè)精度評(píng)價(jià)

研究區(qū)實(shí)測(cè)單木160株，以實(shí)測(cè)單木作為參考與提取的單木位置進(jìn)行匹配。據(jù)2022年地面激光掃描（TLS）數(shù)據(jù)提供的研究區(qū)單木高召回率可以提升無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)（UAV-LS）的單木召回率，單木檢測(cè)見(jiàn)表4。

根據(jù)無(wú)人機(jī)點(diǎn)云的單木召回率，對(duì)于研究區(qū)內(nèi)樹(shù)冠較大的樹(shù)木，由于冠幅的遮擋造成冠幅下方樹(shù)木點(diǎn)云密度稀少，會(huì)存在漏檢冠幅下方樹(shù)木現(xiàn)象。根據(jù)地基點(diǎn)云的單木召回率往往會(huì)高于基于無(wú)人機(jī)點(diǎn)云的單木召回率，其與地基融合無(wú)人機(jī)點(diǎn)云的單木召回率一致，說(shuō)明地基點(diǎn)云可以準(zhǔn)確識(shí)別出單木樹(shù)干，可以保證研究區(qū)的單木個(gè)數(shù)，利用TLS提供的單木召回率可以很大程度提升低空遙感數(shù)據(jù)的單木召回率，將地面激光掃描運(yùn)用到研究區(qū)去獲取DEM及單木胸徑參數(shù)為后續(xù)生物量時(shí)序計(jì)算提供數(shù)據(jù)分析基礎(chǔ)及技術(shù)參考。

2.3樹(shù)高生長(zhǎng)變化評(píng)估及一致性評(píng)定

本研究將激光雷達(dá)數(shù)據(jù)2022年和2023年的樹(shù)高進(jìn)行了比較，圖6評(píng)估了2022年—2023年樹(shù)木生長(zhǎng)變化，X>Y表明了樹(shù)木的自然生長(zhǎng)，X<Y表明園丁對(duì)樹(shù)木進(jìn)行了修剪，修剪的基本是位于校園道路旁的槐樹(shù)，為防止雷雨天氣樹(shù)枝受風(fēng)力的影響刮倒砸傷行人，園丁冬季會(huì)對(duì)道路旁的槐樹(shù)進(jìn)行修剪。同時(shí)為了評(píng)估激光雷達(dá)點(diǎn)云數(shù)據(jù)近兩年所獲取的樹(shù)高之間關(guān)系，使用了一致性相關(guān)系數(shù)（Concordance correlation coefficient， CCC）和 RMSE，CCC（式中記為CCC）相對(duì)于Pearson相關(guān)系數(shù)的優(yōu)勢(shì)在于其能檢測(cè)度量值的偏移和增益偏移[20]。計(jì)算公式為

CCC=2ρσ12σ21+σ22+（μ1-μ2）2（10）

式中：ρ為2個(gè)度量值的相關(guān)系數(shù)；σ2和μ分別是相應(yīng)的方差和均值。

RMSE用于量化建模體積偏差的大小和平均符號(hào)差（MSD）以評(píng)估偏差[20]。根據(jù)2022年和2023年激光雷達(dá)數(shù)據(jù)獲取的樹(shù)高進(jìn)行對(duì)比，很好地反映出了兩年內(nèi)樹(shù)木的生長(zhǎng)程度，大部分樹(shù)木呈一個(gè)緩慢生長(zhǎng)的態(tài)勢(shì)。樹(shù)高的一致性相關(guān)系數(shù)（CCC）為0.98，均方根誤差（RMSE）為1.12 m，樹(shù)高一致性很好。

2.4生物量計(jì)算

根據(jù)優(yōu)化生物量模型的無(wú)人機(jī)低空遙感數(shù)據(jù)生物量時(shí)序計(jì)算，可以在很大程度上反映研究區(qū)由于林分自然生長(zhǎng)和人工剪伐、修枝引起的單木特征參數(shù)變化所造成的生物量變化問(wèn)題。研究區(qū)生物量計(jì)算見(jiàn)表5。

地面激光掃描可以提供高精度的DEM及單木召回率，利用優(yōu)化后的生物量模型及兩期研究區(qū)無(wú)人機(jī)低空遙感數(shù)據(jù)對(duì)研究區(qū)近兩年各樹(shù)種生物量進(jìn)行計(jì)算，2022年研究區(qū)單位面積生物量為77.39 t/hm2，2023年研究區(qū)單位面積生物量為81.56 t/hm2，柳樹(shù)、楊樹(shù)、白皮松、丁香樹(shù)和圓柏2023年相比2022年生物量都略有增長(zhǎng)，反映出研究區(qū)由于自然生長(zhǎng)所造成的生物量變化；由于園丁對(duì)于槐樹(shù)的修剪，造成槐樹(shù)2022年的生物量比2023年的生物量略多，反映出研究區(qū)由于修剪所造成的生物量變化。研究結(jié)果表明將無(wú)人機(jī)低空遙感數(shù)據(jù)運(yùn)用于林業(yè)生物量時(shí)序估算具有很好的可行性。

3討論

1）激光雷達(dá)掃描數(shù)據(jù)采集過(guò)程中由于飛機(jī)、飛鳥(niǎo)等空中物體或者大氣懸浮物造成的高空噪點(diǎn)與地表有較大的高差，容易去除；由激光回波多路徑效應(yīng)產(chǎn)生的低空噪點(diǎn)距離地表較近，容易被誤分為地面點(diǎn)，對(duì)濾波結(jié)果影響較大。無(wú)人機(jī)采集數(shù)據(jù)時(shí)，在植被密集的地方，激光脈沖難以穿透冠層到達(dá)地面，無(wú)法獲取林下數(shù)據(jù)，沒(méi)有相對(duì)連續(xù)的地面數(shù)據(jù)，會(huì)造成植被密集地方地面點(diǎn)分類誤差較大，通過(guò)借助地面激光雷達(dá)掃描數(shù)據(jù)可以獲取到植被密集地方的林下數(shù)據(jù)，提高地面點(diǎn)分類。在植被落葉季節(jié)，樹(shù)冠層對(duì)脈沖到達(dá)地面百分比影響較小，地面點(diǎn)密度大大增加，減小了植被對(duì)DEM精度的影響，應(yīng)盡量選擇植被落葉后進(jìn)行無(wú)人機(jī)激光掃描數(shù)據(jù)采集。地面點(diǎn)為分布不均勻的三維離散點(diǎn)，需要對(duì)其進(jìn)行插值生成連續(xù)變化的（Digital Elevation Model， DEM），插值方法不同生成DEM的精度會(huì)略有不同，根據(jù)研究區(qū)獲取數(shù)據(jù)點(diǎn)云密度大，分布均勻的特性選取反距離加權(quán)插值。

2）試驗(yàn)中在進(jìn)行種子點(diǎn)提取時(shí)，依賴手動(dòng)設(shè)置搜索窗口寬度以進(jìn)行局部最大值過(guò)濾，由于柳樹(shù)及楊樹(shù)的樹(shù)冠較大，每個(gè)樹(shù)枝上都可能包含一個(gè)以上的局部最大值，可能會(huì)將一棵樹(shù)識(shí)別為幾棵樹(shù)，造成多分現(xiàn)象使得單木提取后的樹(shù)木比實(shí)際樹(shù)木要多；同時(shí)由于CHM只反映樹(shù)木冠層的表層高度，基于CHM數(shù)據(jù)的分割方法對(duì)林木冠層下的小樹(shù)識(shí)別能力較弱，直接影響樹(shù)木株數(shù)及樹(shù)高參數(shù)的估算精度，需要借助計(jì)算機(jī)算法與人工交互編輯種子點(diǎn)并基于編輯后的種子點(diǎn)對(duì)CHM進(jìn)行分割，提高單木分割的準(zhǔn)確性，還需要進(jìn)一步研究基于CHM數(shù)據(jù)利用分水嶺算法進(jìn)行單木分割。

3）實(shí)時(shí)、準(zhǔn)確地對(duì)森林結(jié)構(gòu)參數(shù)進(jìn)行動(dòng)態(tài)化監(jiān)測(cè)，從而了解森林健康狀況、探究資源儲(chǔ)備和制定管理措施的數(shù)據(jù)基礎(chǔ)和關(guān)鍵環(huán)節(jié)，基于單木分割的監(jiān)測(cè)方法主要從點(diǎn)云數(shù)據(jù)中分割出單木，然后在單木尺度上監(jiān)測(cè)單棵樹(shù)木的參數(shù)變化，其監(jiān)測(cè)結(jié)果很大程度上受單木分割精度影響，分割精度與激光點(diǎn)云數(shù)據(jù)的密度、質(zhì)量密不可分，錯(cuò)分和漏分現(xiàn)象在單木分割中不可避免，研究區(qū)丁香樹(shù)和圓柏由于分布在樹(shù)高較高、小枝條較多的柳樹(shù)附近，無(wú)人機(jī)在進(jìn)行數(shù)據(jù)采集時(shí)，被其所遮擋，造成丁香樹(shù)及圓柏的點(diǎn)云密度相對(duì)較低。點(diǎn)云密度是影響單木生物量參數(shù)準(zhǔn)確獲取的關(guān)鍵因素，通過(guò)改善飛行路徑、多角度飛行和選用合適的飛行高度來(lái)提升點(diǎn)云密度，高效、精準(zhǔn)獲取單木參數(shù)[21]。

4結(jié)論

本研究利用TLS點(diǎn)云數(shù)據(jù)獲取高精度DEM及單木召回率，通過(guò)無(wú)人機(jī)低空遙感數(shù)據(jù)獲取樹(shù)高參數(shù)，并基于優(yōu)化的生物量模型對(duì)研究區(qū)單木生物量進(jìn)行長(zhǎng)期有序動(dòng)態(tài)計(jì)算，研究結(jié)果如下。

1）無(wú)人機(jī)低空遙感數(shù)據(jù)對(duì)冠幅下方的單木召回率較低，根據(jù)TLS提供的單木召回率可以很大程度地提升單木召回率，聯(lián)合地面激光雷達(dá)數(shù)據(jù)可以將無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)的單木召回率從60.0%提升至73.1%。將地面激光掃描數(shù)據(jù)運(yùn)用到研究區(qū)提取單木位置等參數(shù)，可為后續(xù)基于無(wú)人機(jī)低空遙感的生物量監(jiān)測(cè)提供技術(shù)參考。

2）無(wú)人機(jī)低空遙感生成的點(diǎn)云數(shù)據(jù)在復(fù)雜林分處無(wú)法提供準(zhǔn)確的地面信息，TLS采集數(shù)據(jù)可以獲取到準(zhǔn)確的地面信息，DEM精度評(píng)定為：均方根誤差為7.3 cm，利用TLS提供的高精度DEM，無(wú)人機(jī)低空遙感可以獲得準(zhǔn)確的單木高度，樹(shù)高一致性精度評(píng)定中樹(shù)高的一致性相關(guān)系數(shù)（CCC）為0.98，均方根誤差（RMSE）為1.12 m，高精度DEM可作為長(zhǎng)期時(shí)序觀測(cè)的數(shù)據(jù)分析基礎(chǔ)。

3）運(yùn)用優(yōu)化的生物量模型及無(wú)人機(jī)低空遙感數(shù)據(jù)可以根據(jù)獲取的單木樹(shù)高計(jì)算出單木生物量，2022年蓄積量為48.27 m3，單位面積生物量為77.39 t/hm2，2023年蓄積量為50.85 m3，單位面積生物量為81.56 t/hm2。反映出研究區(qū)由于樹(shù)木生長(zhǎng)及修剪造成的生物量變化，無(wú)人機(jī)低空遙感的介入為森林管理提供低成本、高分辨率和持續(xù)更新的林業(yè)信息，使得時(shí)序動(dòng)態(tài)生物量計(jì)算可行。

【參考文獻(xiàn)】

[1]ROBBIE H， WERNER K. Low tree-growth elasticity of forest biomass indicated by an individual-based model[J]. Forests， 2018， 9（1）： 21.

[2]ZENG W S， FU L Y， XU M， et al. Developing individual tree-based models for estimating aboveground biomass of five key coniferous species in China[J]. Journal of Forestry Research， 2018， 29： 1251-1261.

[3]MOE K T， OWARI T， FURUYA N， et al. Comparing individual tree height information derived from field surveys， LiDAR and UAV-DAP for high-value timber species in northern Japan[J]. Forests， 2020， 11： 223.

[4]TORRESAN C， BERTON A， CAROTENUTO F， et al. Forestry applications of UAVs in Europe： A review[J]. International Journal of Remote Sensing， 2017， 38： 2427-2447.

[5]郭慶華，劉瑾，陶勝利，等.激光雷達(dá)在森林生態(tài)系統(tǒng)監(jiān)測(cè)模擬中的應(yīng)用現(xiàn)狀與展望[J].科學(xué)通報(bào)，2014，59（6）：459-478.

GUO Q H， LIU J， TAO S L， et al. Perspectives and prospects of LiDAR in forest ecosystem monitoring and modeling[J]. Chinese Science Bulletin， 2014， 59（6）： 459-478.

[6]廉旭剛，韓雨，劉曉宇，等.無(wú)人機(jī)低空遙感礦山地質(zhì)災(zāi)害監(jiān)測(cè)研究進(jìn)展及發(fā)展趨勢(shì)[J].金屬礦山，2023（1）：17-29.

LIAN X G， HAN Y， LIU X Y， et al. Study progress and development trend of mine geological disaster monitoring by UAV low-altitude remote sensing[J]. Metal Mine， 2023（1）：17-29.

[7]ABDOLLAHNEJAD A， SUROVY P， CHITECULO V， et al. Determining tree height and crown diameter from high-resolution UAV imagery[J]. International Journal of Remote Sensing， 2017， 38： 2392-2410.

[8]耿林，李明澤，范文義，等.基于機(jī)載LiDAR的單木結(jié)構(gòu)參數(shù)及林分有效冠的提取[J].林業(yè)科學(xué)，2018，54（7）：62-72.

GENG L， LI M Z， FAN W Y， et al. Individual tree structure parameters and effective crown of the stand extraction base on air born LiDAR data[J]. Forestry Science， 2018， 54（7）： 62-72.

[9]CHEN R， LI C， ZHU Y， et al. Extraction of crown information from individual fruit tree by UAV LiDAR[J]. Nong Ye Gong Cheng Xue Bao/Transaction China Social Agriculture Engineering， 2020， 36（22）： 50-59.

[10]REASON M， IAIN W， FRANCE G， et al. Structure from motion （SFM） photogrammetry with drone data： A low cost method for monitoring greenhouse gas emissions from forests in developing countries[J]. Forests， 2017， 8（3）： 68.

[11]CAO L， LIU H， FU X， et al. Comparison of UAV LiDAR and digital aerial photogrammetry point clouds for estimating forest structural attributes in subtropical planted forests[J]. Forests， 2019， 10（2）： 145.

[12]XU D， WANG H， XU W. LiDAR applications to estimate forest biomass at individual tree scale： Opportunities， challenges and future perspectives[J]. Forests， 2021， 12： 550.

[14]LI W K， GUO Q H， JAKUBOWSKI M K， et al. A new method for segmenting individual trees from LiDAR point cloud[J]. Photogrammetric Engineering and Remote Sensing， 2012， 78（1）： 75-84.

[15]WANG H， WANG S， CHEN Q， et al. An improved filter of progressive TIN densification for LiDAR point cloud data[J]. Wuhan University Journal National Science， 2015， 20（4）： 362-368.

[16]何少東，黃洪宇，陳崇成.影像采集參數(shù)對(duì)無(wú)人機(jī)遙感估測(cè)樹(shù)高精度的影響[J].福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（5）：558-565.

HE S D， HUANG H Y， CHEN C C. Influence of image collection parameters on the accuracy of tree height estimation based on UAV remote sensing[J]. Journal of Fuzhou University （Natural Science Edition）， 2020， 48（5）： 558-565.

[17]劉彥楓，李紫荊，吳勇，等.西雙版納櫟林和思茅松林地上生物量遙感估測(cè)[J].西部林業(yè)科學(xué)，2023，52（1）147-155.

LIU Y F， LI Z J， WU Y， et al. Incorporating stratification of age groups and topography for aboveground biomass estimation of Quercus spp. forests and Pinus kesiya var. langbianensis forests in Xishuangbanna by remote sensing[J]. Journal of West China Forestry Science， 2023， 52（1）：147-155.

[18]景維鵬，張明偉，林敬博.一種神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索遙感圖像分類方法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2021，26（1）25-29.

JING W P， ZHANG M W， LIN J B. A network architecture search remote sensing image classification method[J]. Journal of Harbin University of Science and Technology， 2021， 26（1）：25-29.

[19]柯敏，解靜，劉昔.基于單站三維激光掃描數(shù)據(jù)的林木胸徑提取方法[J].浙江林業(yè)科技，2019，39（2）：87-91.

KE M， XIE J， LIU X. Extraction method of DBH based on 3D laser scanner of single station[J]. Journal of Zhejiang Forestry Science and Technology， 2019， 39（2）： 87-91.

[20]李?？?，雷淵才.中國(guó)森林植被生物量和碳儲(chǔ)量評(píng)估[M].北京：中國(guó)林業(yè)出版社，2010：1-58.

LI H K， LEI Y C. Estimation and evaluation of forest biomass carbon storage in China[M]. Beijing： China Forestry Publishing House， 2010.

[21]BREDE B， CALDERS K， LAU A， et al. Non-destructive tree volume estimation through quantitative structure modelling： Comparing UAV laser scanning with terrestrial LIDAR[J]. Remote Sensing Environment， 2019， 233： 111355.