基于标记控制区域生长法的单木树冠提取1)
2016-11-19甄贞李响修思玉赵颖慧魏庆彬
甄贞 李响 修思玉 赵颖慧 魏庆彬
(东北林业大学，哈尔滨，150040) (浙江慧鹏地理信息技术有限公司) (东北林业大学) (黑龙江省环境监测中心站)
基于标记控制区域生长法的单木树冠提取1)
甄贞 李响 修思玉 赵颖慧 魏庆彬
(东北林业大学，哈尔滨，150040) (浙江慧鹏地理信息技术有限公司) (东北林业大学) (黑龙江省环境监测中心站)
根据2009年激光雷达数据、正射影像图及二类调查数据，选取凉水国家自然保护区针叶林和阔叶林样地进行单木树冠提取研究，包括利用动态窗口局域最大值法对单木位置进行探测，以及采用标记控制区域生长法进行树冠边界的勾绘，分别从样地和单木两个层次进行评价。结果表明：样地尺度上，针叶林和阔叶林的树冠面积相对误差的平均值分别为8.74%和-8.24%。单木尺度上，针叶林样地的生产者精度在62.2%～77.3%浮动，用户精度在71.5%～83.9%浮动；而阔叶林样地的生产者精度达到76.1%～91.2%，用户精度达到78.5%～92.5%。阔叶林样地勾绘精度浮动较大，但略优于针叶林样地的勾绘精度，是由于阔叶林样地中树冠分布较稀疏所致；而“位置匹配但过度生长”的情况过多是针叶林样地树冠提取精度不高的主要原因。
局域最大值；区域生长法；单木树冠提取；激光雷达；凉水国家自然保护区
Based on LiDAR, orthoimagery and forest inventory data in 2009, we delineated individual tree crown in coniferous and deciduous plots in Liangshui National Nature Reserve, including treetop detection using local maximum method with variable window size, and individual crown boundary delineation using marker-controlled region growing method. The accuracies were assessed on both plot and individual tree levels. For crown boundary delineation, relative error of crown area (RE_CA) of coniferous and deciduous plots were 8.74% and -8.24%, respectively. Producer’s accuracy (PA) and user’s accuracy (UA) for conifers were 62.2%-77.3% and 71.5%-83.9%, while PA and UA for deciduous plots were 76.1%-91.2% and 78.5%-92.5%, respectively. The deciduous forests had more fluctuant but higher PA and UA than conifers due to the lower canopy density. The case of “match but over growing” was the main reason that the accuracy was low in coniferous forests.
树冠是树木获取光能、进行光合作用的重要场所，树冠在预测树木生物量、监测树木长势、判定木材材性等方面也起着重要作用。同时，对通过树冠传递的各种能量质量模型来说，树冠是个重要的构建因子。因此，在林业调查中树冠信息的获取显得十分重要。传统的林业调查主要通过对样地中树木进行实地测量来获取树高、胸径、冠幅、生物量等林木的基本参数，耗费大量的人力、物力，效率较低。20世纪60年代以来遥感技术的蓬勃发展给林业调查带来了新思路，利用计算机技术从遥感数据中自动提取单木树冠，越来越受到人们的重视，自动的单木树冠提取可以有效地提高林业调查的效率，减少外业取样的工作强度，为现代森林调查提供方便[1]。
国外对单木树冠自动提取的研究起源于19世纪80年代，随着卫星影像的发展，卫星图像的高空间分辨率逐渐能够满足单木树冠提取的需要，并能获得与航空像片相比更丰富的光谱信息和更大的观测范围，成为了另一种树冠提取的被动遥感数据源[2-3]。近年来，激光雷达数据在单木树冠提取的研究中占据了举足轻重的地位[4-7]。国内树冠提取研究起步稍晚，主要是利用航空像片、高分辨率影像、雷达及数码相机影像等介质，采用专家分类、面向对象多尺度分割技术、BP神经网络、三维扫描等方法提取单木树冠[8-11]。由于森林自身的复杂性，单木树冠的提取仍处于研究阶段，普遍存在3方面问题：(1)自动化程度低，提取效率低；(2)对郁闭度高的林分，单木树冠提取的精度较低；(3)很多提取算法只适用于特定的树种不具有普遍的适用性。怎样更加充分利用丰富的激光雷达数据，改善单木树冠提取的精度，提高自动化的程度，是现阶段单木树冠提取研究中需要解决的问题。
本研究基于机载激光雷达数据，利用动态窗口的局域最大值法进行单木位置探测，并利用标记控制区域生长法对凉水自然保护区郁闭度较高的针叶林和阔叶林样地分别进行了单木树冠提取，并探讨单木树冠提取的精度检验方法，确定了在样地和单木水平的两层检验指标。本研究为针叶林及阔叶林中的单木树冠提取自动化以及精度检验提供新思路，并为精准林业的发展提供理论依据和技术支持。
1 研究区域概况
凉水自然保护区位于黑龙江省伊春市带岭区，地理坐标为128°48′30″～128°55′50″E，47°07′39″～47°14′22″N，面积12 133 h2，南北长11.0 km，东西宽6.3 km。地处小兴安岭南坡达里带岭支脉的东坡，海拔高度在280～707 m，最高山峰是位于北部的岭来东山，海拔为707.3 m，为典型的低山丘陵地貌，主山脉为南北走向，次山脉多为东西走向；地形总趋势是北、东、西三面较高、中央和西南部较低，属于低山丘陵地带[12]。保护区内自然资源丰富、植被群落类型复杂多样，是中国和亚洲东北部很具代表性的温带原始红松针阔叶混交林区，伴生着多种温性阔叶树种，如糠椴(Tiliamandschurica)、枫桦(Betulacostata)、蒙古柞(Quercusmongolica)、大青杨(Populusussuriensis)、裂叶榆(Ulmuslaciniata)、五角槭(Acermono)等多达20余种[1]。另外还伴生一些欧亚针叶林中的寒温性树种，如红皮云杉(Piceakoraiensis)、鱼鳞云杉(Piceajezoensisvar.microsperma)、臭冷杉(Abiesnephrolepis)等；同时林内有发育良好的山葡萄(Vitisamurensis)、五味子(Schisandrachinensis)、狗枣猕猴桃(Actinidiakolomikta)等藤本植物[12]。复杂的生态环境条件为野生动植物的生存和繁衍创造了十分有利的条件，经过多年的建设和管理，保护区已成为保护和研究中国红松针阔叶混交林生态系统及其生物多样性的天然基地。
2 研究数据
研究数据包括：(1)用于树冠提取的激光雷达数据(2009年)；(2)用于参考树冠勾绘的正射影像数据(2009年)和二类调查数据(2010年)；(3)用于树高—冠幅关系建模的样地复测数据(2014年)。
激光雷达数据获取时间为2009年9月4日和13日，设计飞行航线26条,总覆盖面积约为200 km2,飞行航高1 000 m，飞行地速180 km/h。该机载激光雷达数据是使用激光雷达系统为LiteMap-per5600，由激光扫描仪RieglLMS-Q560获取的离散回波数据，激光器工作波长为1 550 nm，激光束发散角为0.5×10-3rad，波形数据记录间隔为1 ns。获得的平均点云密度约为2点/m2，部分地区达5点/m2。经验证，本次获取的LiDAR数据高程误差低于0.3 m，平面误差低于0.5 m。激光雷达数据包含了每个激光点的三维坐标，以及回波次数信息、强度、扫描角度、分类信息、航带、姿态信息等，保存在LAS格式文件中[1]。根据该地区2009年制作的0.2 m空间分辨率的正射影像图以及二类调查形成的林相图，分别选取了5块针叶林和5块阔叶林作为实验区，每块样地大小为400 m×400 m。如图1所示。
图1 研究区域内针叶林和阔叶林样地分布图
本研究利用2014年8月凉水国家自然保护区的1 033棵样木复测数据，建立冠幅—树高的非线性回归方程来确定动态窗口大小，应用动态窗口最大值法探测单木位置。复测数据中冠幅和树高的基本统计量如表1所示[1]。
表1 树高和冠幅的基本统计量
3 研究方法
3.1 数据预处理
本研究在LP360平台上对激光雷达点云数据进行分离提取，并利用反距离权重插值法(IDW)对第一次和最后一次回波得到的点云进行插值(精度为0.5 m)，获得了数字表面模型(DSM)和数字地形模型(DTM)，两者做差得到单木树冠提取中常用的树冠高度模型[13](CHM)。Chen et al[14]在2006年提出了树冠最大模型(CMM)，即用一定的窗口扫描CHM得到每个窗口内的高度最大值，能够更好地避免树冠内部树枝造成的单木识别误差。由于复测样地中平均冠幅为3.67 m(表1)，本研究用5×5(像元)的移动窗口对CHM进行过滤得到CMM[15]，再用5×5(像元)的高斯矩阵(式1)对CMM进行高斯平滑，得到平滑后的树冠最大值模型(SCMM)作为单木树冠提取的基础数据[16]。SCMM有益于剔除图像的噪声，进一步解决CMM粗糙引起的树梢点误判问题[5]。
(1)
3.2 单木位置探测
本研究采用动态窗口的局部最大值法来探测单木树冠的位置，最大局域值的动态窗口有多种确定方法。经研究发现,利用树冠最大模型(CMM)及树高—冠幅回归方程的95%预测下限(95%，LPL)作为动态窗口，有利于对小树的探测[1，5，14]。因此，本研究应用该地区树高—冠幅非线性方程的95%预测下限作为最大局域值的动态窗口，对单木树冠位置进行提取。树高—冠幅关系的非线性方程如公式(2)所示，其95%预测下限如式(3)所示。
Y=1.976 7e0.044 1X。
(2)
式中：Y表示树冠直径；X表示树冠高度。
(3)
3.3 树冠边界的勾绘
3.3.1 区域生长法原理
区域生长法是一种常用的图像分割方法之一，其基本原理是将具有相似或相同性质的像素集合起来构成要分割的区域[17-18]。这种方法以选定的种子点作为生长目标的起始点，依照事先制定的生长顺序和生长规则对生长点周围的像素进行一致性检测，即判断其邻域的灰度均值或高度值是否满足事先制定的生长规则[19]。如果其邻域像素满足一致性判别准则，就把这些像素并入生长区中，如果不满足则丢弃，从而完成图像分割的目的[20-21]。本研究应用的标记控制区域生长法，用探测的单木位置严格控制了区域生长法的起始点，并根据实际树木生长特征建立生长条件，完成单木边界的勾绘。
3.3.2 生长条件的制定
依照树冠的结构特征，本研究为区域生长法制定了6个生长条件，其中条件1～2用来控制生长区域的形状；条件3～6描述邻域像素的生长规则。这6个条件按照一定的循环完成树冠的生长，具体内容如下。
条件1：角形比是生长的树冠面积与生长区域相切的最小的矩形面积的比值，是衡量生长区域形状的测量尺度，具体计算如式(4)所示。
R=A0/Ar。
(4)
其中，A0为树冠的生长面积；Ar为与生长区域相切的最小矩形面积。对于一个半径为1的正圆来说，A0为π，Ar为4，角形比R=π/4≈0.785。在本研究中，任意一个生长区域必须满足角形比在0.5到1之间，以保证生长区域接近圆形树冠的形状。
条件2：与生长区域相切最小矩形的长宽比。控制树冠生长区域的形状，只设置角形比这一个控制标准是不够的，为了更好的控制树冠生长的形状，避免使树冠生长的形状过长，本研究设置了另一个控制树冠生长形状的标准，即与树冠生长区域相切最小矩形的长宽比，如式(5)所示。
Rlw=Rl/Rw。
(5)
其中，Rl为与树冠生长区域相切最小矩形的长度；Rw为与树冠生长区域相切最小矩形的宽度。为避免树冠形状生长过长，设定树冠生长过程中长宽比Rlw<2。
条件3：邻域像素是控制每次区域生长的像素，即定义每次生长范围。由于二阶阵邻域的每个种子点共有12个邻域像素，比较接近于圆形，因此用来代表潜在树冠形状。在每次生长循环中，对每个种子点的邻域像素进行条件判断，只有符合生长条件的邻域像素允许被合并到此种子点的所属区域中，即区域得到生长。在这12个邻域像素中，与种子点距离越近、高度差越小的像素生长潜力越大，即越优先得到生长。
条件4：高度变异阈值。地统计学中，通常用变异函数来描述区域化变量的空间结构性变化或随机性变化，它是地统计学中的核心和基本工作。由于图像变异函数的特征参数与森林树冠结构有紧密的联系[3]，因此本研究用CMM的变异函数来确定高度变异阈值。理论变异函数如式(6)所示，变异函数曲线如图3所示[22]，
(6)
式中，Z(x)和Z(x+h)分别是区域化变量x点和x+h处的值,h为基本步长，E{[Z(x)-Z(x+h)]2}为方差，γ(x,h)为变异函数。
图2 理论的变异函数曲线图
图2中，C0称为块金值；S称为基台值；a称为变程，当h
一般来说，一个树冠内部的像元高度值差异要小于不同树冠内部的高度差异。本研究用树冠内部像元高度值的标准差来衡量，即计算出树冠最大值模型的变异函数，用来确定高度变异阈值。对于每个生长中的树冠，如果此时树冠内部的像元高度的标准差小于变异函数中像元距离对应的标准差，则允许此树冠继续生长，否则，此树冠停止生长。本研究分别尝试用球状模型、指数模型、高斯模型和线性模型对每块样地的树冠最大值模型数据进行变异函数曲线拟合，发现指数模型为最合理的模型形式，如式(7)所示：
(7)
其中，h为两像素之间距离，C0为块金常数，C为拱高，a为变程。其空间相关性随距离的增长以指数形式衰减。
条件5：树冠面积阈值。为了控制生长区域面积过大，设计了树冠面积阈值。应用式(2)，树冠最大值模型上每一个种子点都有一个预测冠幅，将其计算的圆面积作为树冠面积阈值。在每次生长循环中，当每个邻域像素被添加到生长区域时都需要进行树冠面积阈值的检测，如果区域面积超过对应的面积阈值，则停止生长，以避免树冠过大成长。
条件6：高度差阈值。理论上，树冠内部任意一点与种子点之间的高度差都小于树冠最边缘点与种子点之间的高度差，本研究将这个高度差设定为单木生长的高度差阈值。计算高度差阈值这一生长条件，最关键的就是找到树冠最边缘点。对于每棵单木，激光点云数据均可形成一个伪波形(pseudo-waveform)，表示在不同的高度所接受到的激光雷达点的数量，如图3所示。根据树冠的结构特征，伪波形函数中接受激光雷达点最多的那一点即为树冠横截面积最大点(图3中虚线位置)，也就是树冠最边缘点[23]。
图3 伪波形函数(以针叶树为例)
在本研究中，分别在针叶林和阔叶林研究区域选取了200棵与其它树木相对分离的树，在ArcGIS平台上提取每棵树的激光雷达点云[24]。依据伪波形函数提取每棵树的树高和最边缘点对应的高度值，分别拟合针对针叶林和阔叶林的树高—树冠最边缘点高度的线性模型，通过线性模型来估计样地中每棵树的树冠最边缘点对应高度，从而求出高度差阈值。
3.4 精度检验
3.4.1 单木位置精度检验
本研究单木位置精度检验分别在样地和单木两个尺度上进行，所用的验证数据是解译人员结合树冠高度模型数据和高空间分辨率航空影像通过目视解译提取的。样地尺度的精度评价仅从样地整体角度，而不考虑提取单木和检验单木的对应关系，检验过程方便快捷，经常被应用在单木树冠提取的研究中[25-27]。对于单木位置检验，样地尺度的评价指标为单木探测百分比(Detection Percentage，DP)，表示任何一个样地内探测到的单木数量占真实单木总数量的比例，如式(8)所示[1]：
DP=(Nd/Nr)×100%。
(8)
式中：Nr为检验数据的单木总数量；Nd为探测到的树木总数量。
单木尺度的位置检验指标包括“1∶1对应关系的单木数量”(N1∶1)、用户精度(User’s accuracy，UA)和生产者精度(Producer’s accuracy,PA)。PA和UA的公式如9和10所示[1]：
PA=(N1∶1/Nr)×100%，
(9)
UA=(N1∶1/Nd)×100%。
(10)
式中:N1∶1为“1∶1对应关系的单木数量”，Nr为参考单木总数量，Nd为探测到的单木总数量。本研究中，如果探测到的单木位置位于参考单木位置的1 m缓冲区内，且仅探测到一个种子点，则被称为“1∶1对应关系”的单木。
3.4.2 树冠边界勾绘精度检验
对于树冠边界勾绘的精度也从样地和单木两个尺度进行检验。本研究选取树冠面积相对误差(Relative error of crown area，RECA)作为样地尺度评价指标，比较提取的树冠总面积和参考树冠总面积，公式为：
(11)
其中，Ar参考树冠总面积；Ad提取树冠总面积。当参考树冠总面积和提取树冠总面积相等时，树冠面积相对误差为0，为理想状态；若树冠面积相对误差为正，则表示算法提取的树冠总面积大于树冠参考总面积；若树冠面积相对误差为负，则表示算法提取的树冠总面积小于树冠参考总面积。
单木尺度上，树冠边界勾绘的评价指标仍然选用PA和UA，定义公式如(9)和(10)所示，但不同的是，N1∶1表示“1∶1匹配”的树冠总数。与“1∶1对应关系”不同的是“1∶1匹配”还考虑了树冠面积，图4列出了树冠边界勾绘过程中可能出现的9种情况。
1)1∶1匹配：探测的单木树冠面积与参考单木面积重叠部分占探测树冠面积和参考树冠的面积比例均超过50%(如图4a)。
2)匹配但未完全生长：探测的单木树冠与参考单木树冠的重叠面积超过探测树冠面积的50%，但小于参考树冠面积的50%(如图4b)。
3)匹配但过度生长：探测的单木树冠与参考单木树冠的重叠面积超过参考树冠面积的50%，但小于探测面积的50%(如图4c所示)。
4)错位匹配：探测的单木树冠与参考单木树冠有重叠的部分，但重叠面积占参考单木面积和探测单木面积的比例均不超过50%(如图4d)。
5)1对多匹配：1个参考的单木树冠在探测的过程中被探测为若干个，且其中至少有两个与参考单木树冠重叠的面积占与其对应探测树冠面积的50%以上(如图4e)。
6)多对1匹配：多个参考树冠被探测成一个，且其中至少有两个参考树冠与探测面积重叠的部分占其对应参考面积的50%以上(如图4f)。
7)多重相交：即在探测过程中1个参考树冠被探测成若干个，其中至少有1个探测树冠与参考树冠的重叠面积占对应的探测树冠面积的0～50%(如图4g)。
8)误判误差：不存在与探测树冠对应的参考树冠(如图4h)。
9)漏侧误差：参考树冠未被探测(如图4i)。
图4 单木树冠提取过程中可能出现的9种情况
4 结果与分析
4.1 单木位置探测结果
以树冠最大模型为基础数据，用“树高—冠幅”的非线性回归方程95%的预测下限(式3)，确定动态窗口的局部最大值法探测单木位置，10块样地的精度评价结果如表2所示。样地尺度上，针叶林和阔叶林的探测百分比均能达到84%以上，最高达到98.6%，探测精度较高，但仍存在普遍的漏侧现象。阔叶林样地的探测百分比普遍高于针叶林，这是由于本研究中的针叶林样地郁闭度明显高于阔叶林样地，导致探测精度的降低。
在单木尺度上，由于同一样地内的探测单木树木总数量小于参考单木总数量，生产者精度总是低于用户精度，因此，漏测误差总是大于探测误差。说明此探测方法探测的准确性较高，但是仍然存在部分小树漏测现象。针叶林样地的生产者精度和用户精度分别在80%～86%和87%～98%之间浮动，阔叶林样地的生产者精度和用户精度分别在82%～94%和84%～97%之间浮动；与针叶林相比，阔叶林样地单木位置探测精度略高，但浮动较大。整体来看，用动态窗口的局域最大值法探测单木位置精度较高，可以在此基础上进行树冠边界勾绘。
4.2 高度差阈值的估计
本研究将树冠最边缘点与顶点之间的高度差设定为每棵树生长的高度差阈值，进而控制生长区域内树冠边缘的生长程度。通过对200棵针叶树和200棵阔叶树的伪波形进行分析，分别拟合针叶树和阔叶树树高(x)与树冠边缘点高度(y)的线性方程，如式(12)和式(13),
y=0.948 6x-2.727 4，
(12)
y=0.961 5x-2.613 6。
(13)
其中，阔叶树的拟合效果(R2=0.75)略优于针叶树拟合效果(R2=0.66)，这是由于阔叶林中的树木相对稀疏，每棵树对应激光点云的分离效果较好，树高与树冠最边缘点对应高度较明显。从坡度参数上看，阔叶林坡度参数略大(0.96)，说明两种树树高同时增长1 m时，阔叶树的树冠边缘点高度的增长略大于针叶林树冠边缘点高度。
表2 单木位置探测精度评价
4.3 树冠边界勾绘结果
以单木树冠位置的探测结果作为种子点，按照事先规定的6个生长条件(角形比、长宽比、邻域像素、变异阈值、树冠面积阈值、高度差阈值)，运用区域生长法对10块样地的单木树冠边界进行勾绘。分别以第一块针叶林样地和第一块阔叶林样地为例，图5显示了在两块样地中勾绘的针叶林和阔叶林的树冠边界和参考树冠的目视检验结果。
a.针叶林 b.阔叶林
图5 树冠边界勾绘结果与参考单木树冠目视检验
由表3和4可以看出，针叶林的树冠面积相对误差均为正值，幅度在4.7%～14.8%，平均值为8.74%；阔叶林的树冠面积相对误差均为负值，幅度在4.0%～16.8%，平均值为-8.24%。表明用该区域生长法探测到的针叶林面积比参考树冠面积大，有整体上过度生长的趋势，而探测到的阔叶林面积比参考树冠面积小，有整体上生长不足的趋势，但两种林分的树冠面积相对误差绝对值都在17%以内，且在样地尺度上精确程度相当。每块样地内探测到的树冠总个数普遍小于参考树冠总个数，说明仍然有一部分树冠未能被直接探测，而被勾绘的树冠数量与被探测的单木位置数量相同，这是因为探测到的单木位置作为区域生长法的种子点，直接决定了所勾绘的树冠数量。
表3 针叶林树冠边界勾绘的单木尺度精度评价
由于探测到的树冠数量少于参考树冠数量，用户精度表示1∶1对应关系的树冠数量与探测到树冠数量的比例，生产者精度表示1∶1对应关系的单木数量与参考树冠数量的比例，因此，对于此研究中的同一样地，用户精度总是高于生产者精度。由表3可以看出，针叶林样地的生产者精度在62.2%～77.3%间浮动，用户精度在71.5%～83.9%间浮动，同时也说明树冠的漏测误差要高于误判误差。由表4可以看出，阔叶林地样的生产者精度达到76.1%～91.2%，用户精度到达78.5%～92.5%，说明漏测误差和误判误差几乎相同，而且小于针叶林样地，这是由于阔叶林样地树木分布相对稀疏造成的。
从单木尺度的9种树冠探测情况来看，针叶林中“位置匹配但未完全生长”的情况在2～8个之间，阔叶林中“位置匹配但未完全生长”的情况为0～6个；针叶林中“错位匹配”的情况为0～1个，阔叶林中“错位匹配”的情况为0～3个；针叶林中“1对多匹配”的情况为1～14个，阔叶林中“1对多匹配”情况为1～7个；而每块样地内都包含1 000到2 000棵树，表明以上3种情况(“位置匹配但未完全生长”、“错位匹配”和“1对多匹配”)所占的比例极小，在针叶林探测和阔叶林探测中都极少出现，即该区域生长法能够有效的避免勾绘树冠边界时面积过小、错位匹配和将一颗大树勾绘成若干棵小树引起的误差。而针叶林中“位置匹配但过度生长”的情况为150～462个，阔叶林中“位置匹配但过度生长”的情况为41～263个，是9种树冠探测案例中出现数量最多的案例，说明该区域生长法经常出现过度生长的情况，尤其是在针叶林中，这也是针叶林样地尺度指标树冠面积相对误差均为正值的主要原因；“多对1匹配”、“多重相交”、“误判误差”和“漏侧误差”这4种树冠探测情况，虽然没有过度生长的情况发生的比例高，但也是在树冠边界勾绘过程中经常发生的，这表明用该方法进行单木树冠勾绘的过程中常出现将若干小树识别成一棵大树、探测位置不准确、将没有树的地方识别成树和小树漏测的情况。
表4 阔叶林树冠边界勾绘的单木尺度精度评价
5 结论与讨论
本研究基于激光雷达点云数据，以凉水国家自然保护区为研究区域，用动态窗口局域最大值法对该地区针叶林和阔叶林样地进行了单木位置探测，根据研究样地的树木特征，设计了6个生长条件，利用标记区域生长法进行了单木树冠边界的勾绘，并在样地和单木尺度上对单木位置探测和树冠边缘勾绘精度进行了评价。研究表明，用局部最大值法探测单木位置时，利用树高—冠幅非线性回归模型的95%预测下限来确定动态窗口的大小及树冠最大值模型CMM作为数据模型，能够为树冠边界勾绘提供较精确的单木位置信息。利用6个生长条件的标记区域生长法能够满足对郁闭度较高的原始针叶林和阔叶林的单木树冠提取的需要，树冠面积相对误差绝对值小于17%。在树冠探测的过程中，“位置匹配但过度生长”的情况是最常出现的错误；“多对1匹配”、“多重相交”、“误判误差”和“漏测误差”是较常见的4种错误情况；“位置匹配但未完全生长”、“错位匹配”、“1对多匹配”是较少出现的几种情况。在利用标记控制区域生长法勾绘树冠边界时，阔叶林样地的勾绘精度要普遍优于针叶林样地的勾绘精度，这是由于本研究中选取的阔叶林样地，树冠分布较稀疏所致。针叶林中“位置匹配但过度生长”的情况过多是精度不高的主要原因。本文建立的精度评价体系，能够有效的从样地和单木两个尺度评价单木位置探测和树冠边界勾绘的精度，为单木树冠提取的精度评价提供借鉴。
凉水国家自然保护区属于郁闭度较高的原始林，林相复杂，单木树冠提取存在较大难度。目前的单木树冠自动提取研究仍存在亟需解决的问题：
(1)从数据源角度，若想满足地形及林分尺度的森林参数估测，对于树种相对简单的落叶松来说机载激光雷达点云密度要求至少2个/m2，若想达到最佳情况点云密度应大于4个/m2，对于更加复杂的树种如阔叶林、阔叶混交林、针阔叶混交林等来说则要求数据具有更大的点云密度[28]。虽然国内的机载激光雷达平均点云密度(<5个/m2)能够满足基本要求，但对于单木尺度的树冠提取仍有极大难度，尤其在林相复杂的原始林中，加大机载激光雷达的点云密度(平均点密度>10个/m2)在单木树冠提取研究中尤为重要。同时，加大多源遥感数据源在单木树冠提取中的应用，例如，通过高空间分辨率光学影像与机载激光雷达点云结合来提高提取精度也是未来值得研究的重要方向。
(2)动态窗口局域最大值和标记控制区域生长法中的参数设置会对单木位置探测和树冠边界的勾绘有一定影响，但参数的敏感性分析还需要在今后的研究中继续深入探讨。
(3)在检验的过程中，参考树冠的确定受解译人员经验的影响，在很大程度上会影响检验精度，在今后的研究中应尽量采用实测树冠作为检验真值。但是，实测单木无论从位置还是从冠幅大小上与遥感数据的精确匹配均有很大困难，再加上冠幅的精确测量本身存在较大难度，一定程度上制约了单木树冠提取的研究步伐。
(4)国内外对单木位置探测精度和树冠边界勾绘的精度都缺乏统一可靠的精度评价标准。如何建立统一并且可靠的精度评价标准需要今后进一步探讨。
近年来，随着遥感技术的发展，激光雷达数据能够有效的描述植被的三维立体结构，并在林业调查中得到了广泛的应用，是一种具有应用前景广阔的主动遥感数据源。在未来的研究中，多数据源融合、在提取方法中考虑更多林业及生态学知识，以及规范单木提取的评价过程都将会是单木树冠提取的重要研究方向。自动单木树冠提取将为未来的精准林业提供最基础、最重要的技术保障。
[1] 李响，甄贞，赵颖慧.基于局域最大值法单木位置探测的适宜模型研究[J].北京林业大学学报，2015,37(3):27-33.
[2] BRANDTBERG T, WALTER F. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis[J]. Machine Vision and Applications,1998,11(11):64-73.
[3] SONG C, WOODCOCK C E. Estimating tree crown size from multiresolution remotely sensed imagery[J]. Photogrammetric Engineering and Remote Sensing,2003,69(11):1263-1270.
[4] YU X W, HYYPPJ, KAARTINEN H, et al. Automatic detection of harvested trees and determination of forest growth using airborne laser scanning[J]. Remote Sensing of Environment,2004,90(4):451-462.
[5] ZHEN Z, QUACKENBUSH L J, ZHANG L J. Impact of tree-oriented growth order in marker-controlled region growing for individual tree crown delineation using airborne laser scanner (ALS) data[J]. Remote Sensing,2014,6(1):555-579.
[6] LECKIE D G, GOUGEON F A, WALSWORTH N, et al. Stand delineation and composition estimation using semi-automated individual tree crown analysis[J]. Remote Sensing of Environment,2003,85(3):355-369.
[7] HEINZEL J, KOCH B. Investigating multiple data sources for tree species classification in temperate forest and use for single tree delineation[J]. International Journal of Applied Earth Observation and Geoinformation,2012,18(18):101-110.
[8] 万红梅，李霞，董道瑞，等.塔里木河下游林地树冠QuickBird影像信息提取与分析[J].西北植物学报,2011，31(9):1878-1885.
[9] 徐文学，杨必胜，魏征，等.多标记点过程的LiDAR点云数据建筑物和树冠提取[J].测绘学报，2013，42(1):51-58.
[10] 李朝阳，阎广建，肖志强，等.航空图像中基于DSM的多尺度树冠分割[J].北京邮电大学学报，2006，29(6)：40-43.
[11] 覃先林，李增元，易浩若.高空间分辨率卫星遥感影像树冠信息提取方法研究[J].遥感技术与应用，2005，20(2):228-232.
[12] 马建章，刘传照，张鹏.凉水自然保护区研究[M].哈尔滨:东北林业大学出版社,1993.
[13] 杜灵通，YONE Y.基于数字树冠高度模型(DCHM)的森林生物量制图[J].测绘科学,2012,37(1):96-97.
[14] CHEN Q. Isolating individual trees in a savanna woodland using small footprint Lidar data[J]. Photogrammetric Engineering & Remote Sensing,2006,72(8):923-932.
[15] BENARIE J R, HAY G J, POWERS R P, et al. Development of a pit filling algorithm for LiDAR canopy height models[J]. Computers and Geosciences,2009,35(9):1940-1949.
[16] DRALLE K, RUDEMO M. Stem number estimation by kernel smoothing of aerial photos[J]. Canadian Journal of Forest Research,1996,26(7):1228-1236.
[17] 郭永飞，韩震，张琨.长江口九段沙潮沟信息区域生长法提取及分维研究[J].海洋地质与第四纪地质,2011,31(2):31-35.
[18] 初青瑜.MATLAB在图像处理中的应用[J].信息技术与信息化，2010(4):55-56，62.
[19] 李久权，王平，王永强，等.CT图像分割几种算法[J].微计算机信息，2006，22(4):240-242.
[20] 黄谊，任毅.基于阈值法和区域生长法的图像分割算法研究[J].电子测试，2012(10):23-25，36.
[21] 罗文村.基于阈值法与区域生长法综合集成的图像分割法[J].现代计算机，2001(5):43-46.
[22] 贾福聚，秦德先，黎应书，等.变异函数在都龙锡多金属矿床的应用[J].地质与勘探,2008,44(2):77-81.
[23] POPESCU S C, ZHAO K. A voxel-based lidar method for estimating crown base height for deciduous and pine trees[J]. Remote Sensing of Environment,2008,112(3):767-781.
[24] GONZALEZ R E.数字图像处理的MATLAB实现[M].阮秋琦，译.北京：清华大学出版社,2013.
[25] WANG L, GONG P, BIGING G S. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery[J]. Photogrammetric Engineering and Remote Sensing,2004,70(3)：351-357.
[26] KE Y H, ZHANG W H, QUACKENBUSH L J. Active contour and hill climbing for tree crown detection and delineation[J]. Photogrammetric Engineering and Remote Sensing,2010，76(10)：1169-1181.
[27] GOUGEON F A, LECKIE D G. The individual tree crown approach applied to Ikonos images of a coniferous plantation area[J]. Photogrammetric Engineering and Remote Sensing,2006，72(11)：1287-1297.
[28] WANG L, BIRT G A, LAFON W C, et al. Computer-based synthetic data to assess the tree delineation algorithm from airborne LiDAR survey[J]. Geoinformatica,2013,17(1):35-61.
Individual Tree Crown Delineation Using Maker-controlled Region Growing Method//
Zhen Zhen
(Northeast Forestry University, Harbin 150040, P. R. China);
Li Xiang
(HuiPeng Geographic Information Technology Limited Company of Zhejiang);
Xiu Siyu, Zhao Yinghui
(Northeast Forestry University);
Wei Qingbin
(Environmental Monitoring Center Station of Heilongjiang Province)//Journal of Northeast Forestry University，2016,44(10)：22-29.
Local maximum； Region growing； Individual tree crown delineation； LiDAR； Liangshui Nature Reserve
甄贞，女，1984年5月生，东北林业大学林学院，讲师。E-mail:zhzhen2011@gmail.com。
赵颖慧，东北林业大学林学院，副教授。E-mail:zyinghui0925@126.com。
2015年12月20日。
S75
1)中央高校基本科研业务费专项资金(DL13EA05-03)。
责任编辑：潘 华。
