基于LiDAR离散点云能量信息的针叶林叶面积指数反演方法

尤号田 ，邢艳秋 ，王 铮 ，霍 达 ，王 蕊

(1.东北林业大学 森林作业与环境研究中心，黑龙江 哈尔滨 150040；2.吉林省基础地理信息中心，吉林 长春 130062 )

基于LiDAR离散点云能量信息的针叶林叶面积指数反演方法

尤号田1，邢艳秋1，王 铮2，霍 达1，王 蕊1

(1.东北林业大学 森林作业与环境研究中心，黑龙江 哈尔滨 150040；2.吉林省基础地理信息中心，吉林 长春 130062 )

叶面积指数是森林的重要结构参数，对于研究与植被叶片相关的生物物理活动具有重要意义。为了提高针叶林叶面积指数的估测精度，以吉林省长春市净月潭国家森林公园为研究区，通过对小光斑激光雷达离散点云进行滤波分类处理、拟合波形数据，从中提取5个能量参数，分别用于估测针叶林样方的叶面积指数，通过分析得出I2预测模型最好，R=0.911，P=0.968。结果表明小光斑激光雷达离散点云的能量信息能够较好地估计针叶林的叶面积指数，未来应加大小光斑激光雷达能量参数的应用。

针叶林；叶面积指数；离散点云；拟合波形；能量参数

叶面积指数（Leaf Area Index，LAI）描述了单位面积内植被和土地之间的关系，对于研究与地表植被相关的生物物理活动，如光合作用、呼吸作用、蒸腾作用、碳和养分循环等，具有重要意义，自提出以来就广泛应用于林业、农业、生态、生物等领域[1-7]。目前，由于研究目的不同，研究人员通常根据各自研究需要来定义LAI，所以到现在为止LAI仍没有统一的定义，但研究者最广泛采用的定义是单位地表面积上所有叶片表面积的一半[8-12]。因小光斑激光雷达光斑直径较小，通常在1 m以下，能够提供更详细的森林水平和垂直结构信息，所以现已成功用于森林LAI研究中。通过对先前小光斑激光雷达估测LAI的研究进行分析发现现，阶段绝大多数类似研究只用到点云的数量信息，而忽略了点云所携带的能量信息，造成信息资源的极大浪费，甚至会错失森林结构参数的有效估测参数。

为了最大限度的利用激光雷达离散电云携带的信息并探索森林LAI的有效估测参数，本研究对长春净月潭国家森林公园的激光雷达点云数据进行分类并拟合波形处理，从中提取I1、I2、I3、HOME和HOCME5个能量参数，分别对森林样方LAI进行估计，通过对比分析找到估测长春净月潭国家森林公园LAI的最优能量参数。

1 研究区与研究方法

1.1 研究区域概况

本研究区为长春市净月潭国家森林公园（E125°21′，N43°52′)， 距 市 中 心 9.5 km， 属 长白山余脉，低山丘陵地形，海拔220～406 m。研究区内森林面积约为100 km2，主要由人工林和天然次生林组成，其中人工林占总森林面积的80%。树种主要以白桦Betula platyphylla、樟子松Pinus sylvestris、赤松Pinus densif l oraSieb、兴安落叶松Larix gmelinii、红松Korean Pine、榆树Ulmus pumilaL、蒙古栎Quercus monglica、胡桃楸Juglans mandshurica、国槐Sophora japonica为主。

1.2 研究方法

1.2.1 野外数据收集与处理

2012年10月8日至16日期间对长春净月潭公园实验区进行野外数据采集，共选取了24个樟子松圆形样方，根据林分密度不同，分别设计了半径为10 m和15 m两种规格的样方。用手持GPSTrimble GeoXH 6000对样地中心点进行定位并记录其坐标，用胸径尺对样地内每木1.3 m处的胸径进行测量，用超声波测高仪Vertex IV对每木的树高、枝下高进行测量，用皮尺测量每木东西南北两个方向的冠幅。为了全面考虑样方内树木的分布情况、样方叶面积指数测定的准确性，本次研究用配有三星NV3型号相机的180°鱼眼镜头分别在样方的中心点、东西南北4个方向的5 m、10 m处分别拍摄5张半球影像，并且所有半球形影像均在上午7：00～9：00和16:00～18:00的时间段拍摄。样方内灌木和杂草的高度范围在0.3 m～1.3 m，若不剔除会对叶面积指数的测定结果产生一定的影响，所以鱼眼镜头的离地高度为1.5 m。用WinSCANOPY 2010软件对得到的半球影像进行分析，将同一样方内所有半球影像所得叶面积指数的均值作为实测值。WinSCANOPY 2010 For Canopy Analys冠层分析仪提供了LAI(2000)-Lin、LAI(2000)-Log等20种叶面积指数，高登涛等（2006）发现LAI(2000)-Log与传统方法所得的叶面积指数相关性最高[13]，宋子炜等(2008，2009)也得出了同样的结论[14-15]，所以本实验采用LAI(2000)-Log作为野外实测叶面积指数。

1.2.2 小光斑激光雷达点云数据收集

本研究所采用的LiDAR数据是由搭载在飞机上的ALS70型传感器于2012年5月31日扫描得到，ALS70型传感器能够记录三次回波脉冲，即：首次回波脉冲、末次回波脉冲和单次回波脉冲（如图1所示）。实验区由9条南北向的航线覆盖，密度约为2～4个脉冲/m2。激光器所用波长1 064 nm，激光发散角0.3 mrad，扫描频率40.3 Hz，飞行相对高度为500 m，光斑直径为0.28 m。

1.2.3 LiDAR数据预处理

激光雷达飞行数据除包含有用点云外还会包含部分噪声点，噪声点一般为孤立点，包含一些明显高于地物的激光点或明显低于地表的激光点。为了有效的去除噪声点，本研究采用孤立点算法对点云进行处理，即以某一点云为球心，若半径25 m的球形空间内没有其它点云存在则判断当前点云为噪声点，最后辅助一定的人工修正。

1.2.4 LiDAR点云数据能量标定

小光斑激光雷达离散点云记录的回波能量信息与很多因素相关，如：脉冲入射角、脉冲发射能量、目标与飞行器之间的距离等。若想准确得到地物的回波能量信息需要对影响因素进行测定进而对能量信息进行校正，但这个过程十分复杂。同时考虑到本研究只涉及点云能量的相对值，因此用激光雷达方程[16]对点云的能量进行近似校正。

式（1）中，Pr为目标接受到的能量，Pt为激光器发射的能量，Dr为接收器直径，R为目标与飞行器之间的距离，βt为脉冲发散角，Ω为圆锥形的立体角，ρ表示目标物的发射率，As表示散射体有接收的在脉冲方向上的投影面积，ηsys表示系统衰减系数，ηatm表示大气的衰减系数。

因为本研究区的飞行实验均在一次完成，且飞机为水平飞行，所以认为飞行中的硬件参数，如：Pt、Dr、Ω和ηsys等没有发生变化，也认为大气衰减系数在飞行过程中没有发生变化，因此目标的回波能量可以近似看成只与R有关。目标与飞行器的距离与地形和飞行器的扫描角度相关，最近研究表明，当扫描角度小于10°时激光雷达的回波强度不受扫描角度的影响[17-19]，而本研究的扫描角度为8°或9°，所以可以忽略其影响，因此最终认为R只与目标的高程有关。

假定距离飞行器之间距离R0处的能量为P0，由激光雷达方程可得平均飞行高度Rr处的激光雷达回波能量为Pr，即

用公式（2）对所有点云的能量进行校正。

1.2.5 小光斑LiDAR数据处理

对经过预处理后的LiDAR点云数据采用不规则三角网（Triangular Iirregular Network,TIN）滤波算法进行点云分类，TIN模型是一种重要的表示数字高程的模型，经常用来存储空间离散点之间的邻近关系。不规则三角网滤波算法是以TIN模型为基础，利用点云高程差临界值条件和满足该条件的临近点云数量等参数来过滤地物点，即首先选择一些地面最低点作为种子点构建最初的TIN

表面模型，然后通过迭代不断向TIN表面模型中加入新的非地面点直至没有新的非地面点加入为止，即完全将地面点和非地面点分开，具体操作方法与过程见毛建华等基于TIN的LIDAR点云过滤算法一文[20]。将地面点通过TIN插值算法生成数字地面模型，所有点云的高程减去数字地面模型的高程从而实现点云数据高程归一化。在点云归一化的基础上分别对点云进行两种操作：①对非地面点进一步细分，将高程大于1.5 m的点记为上层植被点。分别统计样方所有点云、非地面点、上层植被点的点云能量值。将样方点云、地面点按首次、末次和单次回波脉冲进行分类，分别统计各类脉冲的点云能量值。②以0.5 m为层间距将样方点云数据进行分层处理，分别统计各层的点云能量信息并进行波形拟合。由野外调查数据可知样方的最大分层数量为50层，所以此拟合波形最多只包含50个点，相对大光斑LiDAR的544个点要少很多，但因此拟合的波形为点云能量随高度的变化，与大光斑LiDAR的波形意义在某种程度上具有一定的相似性，所以称为小光斑LiDAR伪波形数据。因为大光斑激光雷达的波形记录了激光打到目标物表面时回波能量的高度分布，因此波形可以看成能量随高度和时间的变化。

1.2.6 参数提取

本研究总共提取了6个参数变量，分别为I1、I2、I3、冠基高（Crown Base Height）、半能量高（Height of Medium Energy，HOME）及冠层半能量高（Height of Canopy Medium Energy,HOCME），其中I1、I2和I3从点云操作①提取得到，具体计算公式如式(3)～式(5)所示。CBH、HOME和HOCME从点云操作②提取，而且CBH是用于求解HOCME的过程变量，在计算森林样方平均冠基高度时分两种情况：（1）若林下植被较矮最低枝下高较高时，点云数据在林下植被和最低枝下高之间会出现零点云层数据，这样样方数量拟合出的波形中间会出现连续零值，此种情况下取连续非零值的起始点为冠基高度层，从地面层到冠基高层的距离即为冠基高；（2）若林下植被较高与森林样方最低枝下高之间有重合时，点云数据在整个样方层内会连续出现，这样样方分层点云数量拟合出来的波形会连续而没有零点，因此会对准确获取样方冠基高造成一定的影响，所以本研究取点云数量由多到少再由少到多的拐点层为冠基高层，地面点到冠基高层之间的距离为冠基高。半能量高定义为样方所有点云能量之和一半的高。冠层半能量高指冠基高度至样方最高非零层之间所有点云能量一半的高。因参数HOME和HOCME为有量纲参数，而LAI为无量纲参数，所以在进行建模之前需对HOME和HOCME进行中心化以消除量纲，分别记为HOMEc和HOCMEc。

式中：Nvg为样方内植被点云的数量，Nall为样方内全部点云的数量，Nuvg为样方内1.5 m以上的上层植被点云的数量，Nop为样方内单次回波脉冲的数量，Ngr∩op为样方内单次回波中地面回波的数量，Iuvg为样方内1.5 m以上的上层植被点云中单个点云的能量强度，I为样方内全部点云中单个点云的能量强度，Ivg为样方内植被点云中单个点云的能量强度，Igr∩op为单次回波中地面回波单个点云的能量强度，Iop为单次回波单个点云的能量强度。

1.2.7 模型精度评价

用野外测量剩余的8块样地来进行精度评价，其中模型拟合相关性主要用AdjR2和RMSE评价，预测精度用P评价。AdjR2和P值越大表明结果越好，RMSE值越小表明结果越好。AdjR2、RMSE和P的具体计算公式如（6）～（8）所示。

式中，n为采样样方的数量；p为回归模型中自变量的数量；y为样方的实测平均树高/m，yˆ为样方平均树高估计值/m。

2 结果与分析

2.1 LiDAR数据处理结果

2.2.1 点云分类结果（图1）

图1 本研究所用激光雷达点云数据Fig.1 LiDAR point cloud data used in this study

2.1.2 点云分层及波形拟合

图2为LiDAR点云数据分层处理后的结果，其中图a）为样方内所有点云示意图，根据野外调查结果可知以0.5 m为层间隔此样方总共可分40层，分别对每层点云的能量值进行统计并拟合，可得图（b）和图（ c）。

图2 点云分层处理及波形拟合Fig.2 Point cloud layering processing and fi tted waveform

2.2 参数提取

图3 为波形参数提取示意图，由图可知从图（a）和（b）中可以提取冠基高度，从图（c）中可以提取半能量高、冠层半能量高。其中图（a）对应样方平均冠基高度提取的第一种情况；图（b）对应样方平均冠基高度提取的第二种情况。

2.3 LAI模型建立

图3 波形参数示意Fig.3 Extracted waveform parameters

用 1.2.6 节 所 提I1、I2、I3、HOME 和HOCME5参数分别和野外实测LAI进行回归分析建立LAI预测模型，结果如表1所示。通过对表1进行分析可知，I2模型的拟合相关性最好，R=0.911，Adj R2=0.829；HOMEc 模型的拟合相关性最低，R=0.808，Adj R2=0.653。

2.4 模型精度评价

如表2所示，8块检验样地I1、I2、I3、HOME和HOCME的平均预测精度分别为0.972、0.968、0.938、0.886和0.872，结果表明在五种预测模型中I1模型的估测精度最高，I2次之，HOCME模型的估测精度最低，且I1和I2模型的所有样地预测精度均高于0.928。

综合反演模型的拟合相关性及估测精度考虑，最终认为I2预测模型最好，即LAI=39.881*I2^3-49.098*I2^2+13.257，R=0.911，P=0.968。

表 1 叶面积指数单变量反演模型及精度评价Table 1 Single variable inversion models and accuracy evaluation of leaf area index

表2 检验样地的LAI反演结果和精度评价Table 2 LAI inversion results and accuracy evaluation of tested sample plots

3 结论与讨论

本研究以长春市净月潭国家森林公园为研究区，通过对小光斑LiDAR数据进行处理并拟合波形数据，从中提取相应的能量参数，应用能量参数对森林的LAI进行了反演。研究结论如下：

应用离散点云的能量信息可以准确估计森林的LAI；

在本研究所提能量参数范围内对不同参数的反演模型进行比较可知，I2的反演模型最好，R=0.911，P=0.968；

与先前类似研究结果相比，能量参数的估测精度要比点云结构参数的估测精度要高；

野外数据和飞行数据存在较长的时间差，这是造成估测结果不准确的一个主要原因。飞行数据采集是在树木的生长期，而野外数据采集是在树木的凋落期，这个时间差会对樟子松LAI的准确估测产生一定的影响。

为了探索点云能量信息在估测森林LAI时的应用潜能，本研究对点云进行处理、拟合波形数据，并从中提取I1、I2、I3、HOME和 HOCME5个能量参数，分别估测森林样方的LAI，最终得出I2预测模型最好，拟合相关性为0.911，R2=0.829，Adj R2=0.803，预测精度为0.968。与先前研究相比，估测精度有一定提高，如Sasaki等[21]估计了阔叶林的LAI，结果表明估测精度最高时的Adj R2=0.797，RMSE=0.231； 骆 社 周[22]用 Beer-Lambert模型估计了森林的LAI，结果表明LAI估测精度最高时R2=0.77；本研究结果表明离散点云的能量参数能较好的估测森林的LAI，未来可以尝试将更多能量参数应用到森林LAI估测研究中来及将点云能量信息推广到其他更多森林结构参数的估测研究去。

[1] 徐全芝,张万昌,刘三超,等.黑河流域叶面积指数的遥感反演[J].干旱区研究,2003,20(04):281-285.

[2] 刘志理, 金光泽.小兴安岭三种林型叶面积指数的估测[J].应用生态学报, 2012, 23(009): 2437-2444.

[3] 周宇宇,唐世浩,朱启疆,等.长白山自然保护区叶面积指数测量及结果[J].资源科学,2003,25(6):38-42.

[4] A Barilotti, S Turco, G Alberti. LAI determination in forestry ecosystem by lidar data analysis[J]. Proceedings of Workshop on 3D Remote Sensing in Forestry, Vienna, Austria,2006:248-252.

[5] 许章华,刘 健,龚从宏,等.马尾松毛虫寄主有效叶面积指数遥感反演模型研究[J].中南林业科技大学学报,2012,32(10): 72-78.

[6] 张 雨,林 辉,臧 卓,等.高光谱遥感影像森林信息提取方法比较[J].中南林业科技大学学报,2013,33(1): 75-79.

[7] 邹 杰,阎广建.森林冠层地面叶面积指数光学测量方法研究进展[J].应用生态学报, 2010,(11):2971-2979.

[8] Chen J M, Black T A. Measuring leaf-area index of plant canopies with branch architecture[J]. Agricultural and Forest Meteorology,1991, 57(13):1-12 .

[9] Fassnacht Karin S, Gower Stith T, Norman John M,et al.A comparison of optical and direct methods for estimating foliage surface area index in forests[J]. Agricultural and Forest Meteorology, 1994,71(12):183-207.

[10] Stenberg Pauline, Linder Sune, Smolander Heikki,et al.Performance of the LAI-2000 plant canopy analyzer in estimating leaf-area index of some scots pine stands[J].Tree Physiology,1994,14:981-995.

[11] Chen J M. Optically-based methods for measuring seasonal variation of leaf area index in boreal conifer stands[J].Agricultural and Forest Meteorology,1996,80(24):135-163.

[12] Chen J M , Pavlic G , Brown L,et al. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements[J].Remote Sensing of Environment ,2002,80:165-184.

[13] 高登涛, 韩明玉, 李丙智, 等. 冠层分析仪在苹果树冠结构光学特性方面的研究 [J]. 西北农业学报, 2006, 15(3): 166-170.

[14] 宋子炜, 郭小平, 赵廷宁, 等. 北京山区油松林光辐射特征及冠层结构参数[J]. 浙江林学院学报, 2009, 26(1): 38-43.

[15] 宋子炜, 郭小平, 赵廷宁, 等. 北京市顺义区公路绿化植物群落的光环境特性[J]. 生态学报, 2008, 28(8): 3779-3788.

[16] Wanger W, Ullrich A, Ducic V,et al.Gaussian decomposition and calibration of a novel small-footprint full-waveform digitising airborne laser scanner[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2006, 60(2): 100-112.

[17] Coren F, Sterzai P. Radiometric correction in laser scanning[J].International Journal of Remote Sensing, 2006, 27(15): 3097-3104.

[18] Holmgren J. Estimation of forest variables using airborne laser scanning, [M]. Umeå : Sveriges lantbruksuniv., 2003, 1401-6230

[19] Morsdorf F, Frey O, Meier E,et al. Assessment of the inf l uence of flying altitude and scan angle on biophysical vegetation products derived from airborne laser scanning[J]. International Journal of Remote Sensing, 2008, 29(5): 1387-1406.

[20] 毛建华,何 挺,曾齐红,等.基于TIN的LIDAR点云过滤算法[J].激光杂志,2007,28(6):36-38.

[21] Sasaki Takeshi, Imanishi Junichi, Ioki Keiko,et al.Estimation of leaf area index and canopy openness in broadleaved forest using an airborne laser scanner in comparison with high-resolution near-infrared digital photography[J]. Landscape Ecol Eng, 2008,4: 47-55

[22] 骆社周. 激光雷达遥感森林叶面积指数提取方法研究与应用[D]. 北京:中国地质大学, 2012.

A method of leaf area index retrieval for coniferous forests based on LiDAR discrete point cloud intensity information

YOU Hao-tian1, XING Yan-qiu1, WANG Zheng2, HUO Da1, WANG Rui1
(1.Forest Operations and Environment Research Center, Northeast Forestry University, Harbin 150040, Heilongjiang, China;2. Jilin Provincial Geomatics Center, Changchun 130062, Jilin, China)

Leaf area index is an important structure parameter of forest. It plays a signif i cant role in the researches associated with vegetation biophysical activities. In order to improve the estimation precision of forest leaf area index of coniferous forest, by taking Jingyuetan National Forest Park in Changchun city as the studied area, the discrete spot excimer laser radar points cloud of the studied area were treated in fi lter classif i cation and fi tting the waveform data, thus extracting fi ve energy parameters. The fi ve parameters were used to estimate the leaf area index of coniferous forest. The analysis results show that the I2 model was the most suitable, whose relativity was 0.911 and the precision was 0.968. It is suggested that the energy information of small footprint LiDAR points cloud can be well used to estimate leaf area index of coniferous forest, and the small footprint LiDAR energy parameters should widely used in the future.

coniferous forest; leaf area index; discrete points cloud; fi tted waveform; energy parameters

S771.8

A

1673-923X(2014)10-0039-06

2013-09-13

中央高校基本科研业务费专项资金支撑项目（DL12EB07）；国家自然科学基金支撑项目（41171274）资助

尤号田（1985-），河北保定人，博士研究生，主要从事激光雷达森林结构参数定量研究；E-mail：wuliu2007_02@163.com

[本文编校：文凤鸣]