基于航空摄影测量技术的森林资源调查方法研究

徐攻博 叶嘉琦 徐旭平 李领寰 吴建挺



基于航空摄影测量技术的森林资源调查方法研究

徐攻博1叶嘉琦1徐旭平2李领寰2吴建挺3

（1浙江省第二测绘院 浙江杭州 310012； 2国家林业局华东林业调查规划设计院 浙江杭州 310019； 3浙江省测绘质量监督检验站 浙江杭州 310012）

针对传统的森林资源调查方法无法实现大规模快速获取调查因子，提出了一种基于数字正射影像、数字高程模型和数字地表模型的森林资源自动化解译技术。以建德市新安江林场为研究区域，基于航空摄影测量数据及林业专题数据，采用开闭合运算提取极值法获取株数、高度等多种调查因子，进而通过树高-株数-蓄积量方程估算小班蓄积量。研究结果表明：所提算法可快速获取多种调查因子，实现了小班蓄积量估算，估算精度符合《浙江省森林资源规划设计调查规程》的精度要求，为无人机遥感技术服务大范围、多尺度森林资源调查工作提供新的技术手段。

自动化解译；调查因子；数字正射影像；数字地表模型

森林是指以乔木树种为主体的，乔木、灌木、草本等植被以及动物、微生物与无机环境所构成的生态系统。[1]森林资源是重要资源之一，传统的森林资源调查主要以地面采集为主，工作量大、效率低、周期长，难以满足“年度出数”的森林资源监测需求。[2]航空摄影测量、地理信息技术、图形解译技术、无人机技术等在测绘领域发挥着巨大的作用[3]，也是森林资源调查技术革新的热点所在。快速提取森林信息是森林资源调查的发展趋势。[4]

森林资源调查内容丰富，包括树种、株数、树高和蓄积量等因子。[5]在株数因子提取方面，Culvenor提出影像邻域辐射最大值和最小值特征提取[6]，汪少华等基于同态滤波处理高分影像提取树冠信息[7]，樊江川利用立体像对法和面向对象分割方法提取[8]。在树高因子提取方面，Falkowski等利用空间小波分析方法在点云数据中提取高度和冠幅信息[9]；曹明兰基于邻域最高过滤法提取行道树信息[10]。

航空摄影测量技术能快速准确地表现数据之间的联系和发展趋势，满足对森林资源质和量变化的动态监测。[11]近年来，通过航空摄影测量技术采集高分辨率DOM、DEM和DSM数据，在冠幅、树高、株数、郁闭度及蓄积量等调查因子精准监测上已取得了一定的研究成果，人工神经网络及其模糊逻辑分类方法也被应用于森林分类上[12]，为森林资源的精准监测提供了新的技术手段。

本研究以建德市新安江林场为研究区域，根据抽样统计原理选取若干小班为样本，基于高分辨率数字正射影像（digital orthophoto map, DOM）、数字高程模型（digital elevation model, DEM）和数字地表模型（digital surface model, DSM）数据成果，采用开闭合算法和极值法提取平均树高和株数等森林资源调查因子，进而通过树高-株数-蓄积量经验方程估算小班蓄积量，为无人机遥感技术服务大范围、多尺度森林资源调查工作提供参考。

1 研究区概况及数据来源

1.1 研究区概况

研究区为浙江省建德市新安江林场。新安江林场是建德市三家国有林场之一，建场于1957年10月。林场内包括铜官林区、朱家埠林区和沧滩林区，林区内树种多样，森林类型以针阔混交林为主。林场森林资源二类小班共640个，总面积56729亩。林场具有涵养新安江库区及新安江沿江两岸水源和保护建德城区周边环境两大功能。新安江林场属于商品经营性林场，范围内植被覆盖变化较频繁，存在周期性监测森林资源的需求。

1.2 数据源

研究区数据包含基础数据及森林资源专题数据。

基础数据来源于2016年4月航测成果，其中DOM和DSM的空间分辨率为0.2m，DEM的空间分辨率为5m。

森林资源专题数据为新安江林场范围内2016年浙江省森林资源二类调查数据库，共640个小班，小班属性包含胸径、树高、株数、蓄积量等信息。

2 研究方法与试验分析

以新安江林场为研究区域，以针叶林、阔叶林及针阔混交林等多种森林类型为研究对象，基于航空摄影测量生产的DOM、DEM和DSM数据成果，采用开闭合运算提取极值算法获取平均树高、株数等调查因子，进而通过树高-株数-蓄积量经验方程估算小班蓄积量[13]，并以二类林业小班调查因子验证估算精度。技术流程如图2所示。

图2 森林资源自动化解译技术流程图

2.1 株数因子提取

林场区域地形复杂，树种交叉生长，DOM图像纹理特征不明显，为实现基于DOM影像的单木树冠定位功能，采用开闭合运算提取极值算法获取株数因子。

首先，将DOM的RGB图像转换为灰度图，灰度形态学是基于图像的几何特征，利用预先定义的结构元素对图像进行匹配或局部修正，以达到提取目标、抑制噪声的目的[14]；其次，利用DSM和DEM相减计算获得地物高程模型，同时对彩色影像进行预处理操作，预处理内容包括直方图均衡化处理以及剔除地物高程零值和负值等干扰区域；最后，对预处理后的影像进行形态学重建的开运算和闭运算操作。

图像处理中，膨胀和腐蚀运算是两类基本运算。灰度图像的膨胀运算公式为：

灰度图像的腐蚀运算公式为：

开运算和闭运算可通过膨胀和腐蚀的组合实现，开运算是对图像先进行腐蚀运算再进行膨胀运算，闭运算是先进行膨胀运算再进行腐蚀运算。[15]开运算和闭运算采用公式如下：

开运算可消除细小的图像噪声，在纤细点处分离物体，平滑较大物体的边界；闭运算可以填充目标物内细小的空间，连接邻近物体。

经开运算和闭运算分析的结果，提取局部极大值，极大值处即单木树冠的顶部。通过单木树冠顶部定位，统计汇总区域内总株数，提取株数因子。基于灰度图像开闭运算提取极值算法，可避免在提取目标物时的合并问题和漏检问题。

图3 株数因子提取流程图

2.2 树高因子提取

2.3 建立调查因子与蓄积量回归模型

以森林资源二类小班数据库为基础，选取数据库中平均树高、株数和蓄积量作为研究对象。

根据研究区域二类调查数据，640个小班蓄中，剔除非林地和蓄积量为空值的小班后，剩余553个小班。以553个小班蓄积量（V小班，m3）为因变量，小班树高因子（H，m）和株数因子（N，株）为自变量，建立二元回归模型，得公式（6），模型R2为0.84。该模型拟合度较好，研究区域小班蓄积量与树高、株数因子的相关性较强。

2.4 精度估算

以二类调查数据为实测数据，采用决定系数（R2）、均方差根（RMSE）、相对均方差根（RMSEr）和相对误差（RE）等指标评价蓄积量估算值与二类数据库值之间的相似性。

根据公式（6）,使用树高-株数-蓄积量经验方程得到的蓄积量估测值，根据方程估测值与二类调查数据建立回归模型，树高-株数-蓄积量法估测的蓄积量区间与二类调查数据基本一致。影像估算最小值和最大值分别为20.0m3和2073.1m3，平均值为462.6m3，而二类调查数据值为22.0m3-2162.0m3之间，平均值为544.4m3，平均蓄积量比二类数据低81.8m3。

表1 基于树高-株数-蓄积量法估测的小班样本蓄积量与二类调查数据比较

蓄积估算值与二类调查值之间的决定系数（R2）为0.68，均方差根（RMSE）为250.7m3，相对均方差根（RMSEr）为35.6%，相对误差（RE）为-15.0%，如表2所示。

表2 基于树高-株数-蓄积量法估算精度

综合来看，在小班极值水平上，蓄积量估算精度为64.4%，而在整个林场水平上，蓄积量估算精度达到85.0%的精度要求。

但是，我们也发现平均蓄积量比二类调查值低81.8m3，存在低估现象。低估的原因有二，一是DEM分辨率为5m，精度不高所造成，高大林木呈高估现象，矮小林木呈低估现象，造成小班极值水平估算精度较低；二是新安江林场以针阔混交林为主，植被结构复杂，株数因子提取存在漏检或多检的情况，自动化解译精度需进一步完善，最终影像估算精度。

3 结语

基于图形图像技术提取调查因子的森林资源自动化解译技术，实现了快速、大范围服务多尺度林业资源调查。自动化解译技术作为一种新颖的林业资源调查技术，优化原有的调查方法，降低外业工作量。但也存在蓄积量整体低估现象，究其原因，一是基础数据精度不一致，影响极值估算水平；二是研究区大部分为针阔混交林，郁闭度高、纹理复杂等原因影响因子提取精度；三是现阶段解译算法会造成部分大冠幅树种被错误检测成多棵树，株数提取结果存在不确定性。

提高基础分析数据质量，改善解译算法，采用多尺度分割手段综合提升蓄积量估算精度，为大范围开展森林资源调查提供全新的技术手段，服务于林业精准监测、精细化经营和生态评估等多领域。

[1] 王伟.无人机影像森林信息提取与模型研建[D].北京林业大学,2015.

[2] 李春干,梁文海.面向对象遥感图像森林变化监测的工程化应用方法[J].林业资源管理,2015,12(6): 137-143.

[3] 江志向,陈紫璇,练一宁，等.基于航模飞行器摄影数据的森林信息提取方法[J].北京测绘.2017,(3): 153-157.

[4] 张智超,范文义,孙舒婷.基于多种分类器组合的森林类型信息提取技术研究[J].森林工程,2015, (3):75-80.

[5] 王宗梅,徐天蜀,岳彩荣.基于高分辨率遥感影像的森林信息提取方法综述[J].林业调查规划,2016,（4）:1-6.

[6]CULVENOR D S. Tida: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery[J]. Computers & Geosciences, 2002, 28(1):33-44.

[7] 汪少华,赵天忠,王鑫，等.利用同态滤波提取高分辨率遥感影像树冠信息[J].遥感信息,2015, 30(3):60-64.

[8] 樊江川.无人机航空摄影测树技术研究[D].北京林业大学,2014.

[9] M J Falkowski, A M S Smith, A T Hudak, et al. Automated estimation of individual conifer tree height and crown diameter via two-dimensional spatial wavelet analysis of LiDAR data[J]. Canadian journal of remote sensing,2014,32(2):153-161.

[10]曹明兰,张力小,王强.无人机遥感影像中行道树信息快速提取[J].中南林业科技大学学报，2016, 36(10):89-93.

[11]LIN HUI, PENG ChANGHUI. Geographic information system in forestry: problems and prospects[J]. Forestry studies in China. 2000, 2(1): 37-48.

[12]杨永恬,田昕,冯仲科，等.遥感混合分类算法及其在森林分类中的应用[J].测绘科学，2004,29(4):55-57.

[13]浙江省质量技术监督局.森林资源规划设计调查规程[S]（DB33/T 640-2007）.2007.

[14]Rafael C Gonzalez. Digital Image Processing using MATLAB[M]. Beijing:Publishing House of Electronics Industry.2008:276-284.

[15]周云川,何永强,李计添.基于小波和灰度形态学的红外图像增强方法[J].激光与红外，2011,（6）:683-686.

Research on forest resource inventory methods based on aerial photogrammetry techniques

XuGongbo1，YeJiaqi1，XuXuping2，LiLinghuan2，WuJianting3

This study proposes a method of forest resources automatic interpretation based on DOM, DEM and DSM to achieve the factors rapidly and massively. Based on the aerial photogrammetry data and the forestry thematic data, the number of plants, height and other surveying factors in Xin'anjiang forest farm in Jiande was obtained using the method of extracting extreme value by open-closing operation. Then the volume of small classes can be evaluated by the tree height - number of plants - volume equation. The result indicates that the accuracy of the estimated volume of small classes can meet the requirements. This study provides a new approach for large-scale and multiscale surveying in forest resources using UAV remote sensing.

Automatic interpretation; Survey factors; Digital Orthophoto Map; Digital Surface Mod

S758.4

B

1004-7743（2018）03-0065-04

2018-04-18

徐攻博（1982—），男，浙江杭州人，高级工程师，主要研究方向为地理信息系统应用；E-mail：xugongbo2012@163.com。