基于数码相片的林冠郁闭度提取方法研究

濮毅涵,徐丹丹,2,王浩斌

(1.南京林业大学 生物与环境学院,南京 210037；2.南京林业大学 南方现代林业协同创新中心,南京 210037)

林冠郁闭度(Canopy Closure)是森林资源调查中的一个重要因子,是衡量林分密度[1]、林分类型、叶面积指数[2]的重要指标,也是小班区划和林分质量评价的主要指标,可以反映森林的结构、生长状况、物种的丰富度以及森林资源的优劣等[3-4]。此外,郁闭度也是判定生态系统是否为森林的重要因子,联合国粮食及农业组织(FAO)将郁闭度大于10%、连续面积大于0.5hm2且树高能够达到5m的地区定义为森林[5]。因此,精确地测定郁闭度,对于森林资源的有效管理和经营有重要意义。

关于郁闭度的定义主要有2种,一种是以林地树冠垂直投影面积与林地面积的比作为郁闭度的计算方法[6],但由于此概念的含义与林冠盖度(Canopy Cover)的概念相近而常被混淆。基于此,Jennings等[7]把郁闭度定义为从林地一点向上仰视,被枝叶遮挡的天空球面的比例。李永宁等[8]建议将前者称为垂直郁闭度,后者成为点郁闭度,以此区分。在测定方法上,传统的郁闭度测定方法包括目测法、树冠投影法、样点样线法等,较为费时费力。近年来，随着遥感技术的发展,通过遥感图像估测郁闭度也成为了一种有效手段,但由于其受到自身分辨率及大气条件等因素的限制,遥感估测往往在研究大尺度物候趋势上十分有效,而在林分间的局部差异提取上仍有不足[9-10]。此外,随着数字成像技术及相关计算机软件的发展,数码相机由其高性价比以及高便携性在精确测定林分郁闭度方面表现出更大的优势[11],通过数码相片测定林分郁闭度也成为了一种快速且有效的手段。祁有祥等[12]、刘芳等[13]利用带鱼眼镜头的数码相机获取林冠图层,应用Photoshop,ArcGIS等软件处理测定郁闭度,取得了较好的精度； Smith 等[14]比较了半球摄影、智能手机摄影和带鱼眼镜头的智能手机摄影,并通过HemiView和ImageJ两种软件分别进行郁闭度计算,发现以鱼眼镜头的智能手机摄很适合作为测定郁闭度的工具。尽管已有许多利用数码相机摄影或智能手机摄影提取郁闭度的研究,但在郁闭度计算过程中,树干往往在相片中占有一定比例,从而对郁闭度的提取精度造成很大的影响[15]。因此,准确地分离出树干,尤其是主干成分,将在郁闭度的精确提取上有重要作用。在分离树干的研究中,祁有祥等[12]通过Photoshop直接将树干扣除,方法较为繁琐且受人为干扰；林丽丽等[16]通过阈值二分法划分出主干,但在结果上不够精准。在利用数码相片进行分类研究中,有关草地和农业研究的分类较多且更为精细[17-20],而在林冠的分类方面则较为粗糙,存在技术上的空缺。本文采用野外实地拍摄的数码相片作为数据源,以图像中各物象的RGB属性特征差异为依据,构建了分类决策树以提取相片中的三类物象(树干、树叶、天空),通过批量处理数码相片,避免了传统方法费时费力的缺点,并可以削弱树干对郁闭度的影响,从而精确测定样地区域的林冠郁闭度。

1 研究区概况

研究区位于江苏省盐城市境内的东台林场,临近黄海,地势平坦,地理位置为北纬32°52′,东经120°49′。该区属于亚热带与暖温带的过渡区,降雨集中,与热同期。土壤为脱盐草甸土,土壤质地为砂质壤土,偏碱性。常见树种有栾树(Koelreuteriapaniculata)、水杉(Metasequoiaglyptostroboides)、杨树(Populusdeltoides)、银杏(GinkgobilobaL.)等。

2 研究方法

2.1 数据源

本研究采用的数码相机为Nikon COOLPIX S8000,NIKKOR镜头,实际焦距f=5.4～54mm,光圈范围F3.5-7.0,1420万有效像素。在研究区中选择2种林龄的杨树人工林样地,以不同密度的4块标准地作为拍摄对象,每块标准地大小为25m×30m,样地1与样地2为14a生杨树人工林,样地3与样地4为9a生杨树人工林。样地样点的设置为与样地中心点的东南西北各取5个点,每个点相距5m,每个样点拍摄1张照片。相片以JPEG的格式保存,分辨率为300dpi。拍摄时相机镜头垂直向上并保持水平,相机与眼等高。分别于2018年5月23日、5月24日和5月29日拍摄共170张相片,拍摄时间为10:00—16:00。

2.2 树叶 天空和树干的分类方法

全天空相片的分类处理主要包括以下几个步骤:1)将相片转换为tif格式,并将转化后的图片与其3个波段的图片一同导入ArcGIS。2)将3个波段输入所编辑好的模型中,进行自动分类及郁闭度计算。3)导入分类好的图像及计算完成的表格,统计各相片郁闭度。模型的编写采用了ArcGIS 10.5中的Model builder建立分类模型(图1)。其中暗绿叶为位于树冠内部或下层受阴影影响而较暗的叶片；零碎叶为位置较散且数量少的叶片；近天空叶为位于树干外侧与天空接触的叶片；较粗枝为少量主干及一二级枝；NoData为分类像元小于10 000的结果。

图1 RGB模式下的分类决策树

利用数码图片上物象3个波段上DN值的差异而建立RGB分类决策树,因此分类阈值的选取尤为重要。除了以R,G,B这3个波段的大小关系外,还选取了另外3个分类阈值相关参数,即B,G,|G-R|的范围。B波段的DN值范围以区分天空为主,经过初步分类后发现天空像元绝大部分处于B>G>R分类单元中。由于天空通常呈蓝色与白色,DN值通常较高,因此可以有效与其他物象进行区分,本文选取天空最高的波段(B)的范围为阈值,因为它能有效从天空和云彩中正确辨别出叶子和枝干[21],经验证发现以B>140作为界定标准最为合适。G波段能够反映物象绿色的强度,对于从整体上区分出树叶与树干效果良好,但由于亮度大小不同、亮度分布不均、树叶阴影等影响,以1个G波段的阈值来区分全部的树叶与树干往往不够准确。经过多图的验证,发现G波段阈值的取值在20～60范围时,分类程度较好且对阈值变化的敏感程度不高,最终以G<30作为区分树干的标准。此外,由于初步区分的各单元存在亮度不同情况,因此在2个位置的区分上以G<20和G<40作为标准,例如以R>G>B分出的像元上,树干成分较亮G波段DN值偏大,以G<40作为阈值比G<30的区分度高。过绿植被指数(Excess green index,EXG=2G-B-R)常作为阈值被应用于草地的分类中,但由于已经过初步RGB分类,其在本研究中的效果并不理想。通过观察发现R波段与G波段差的绝对值在本研究中区分树干与树叶效果较好,以此作为另一阈值参数。|G-R|范围的敏感性也与所需在分类像元的亮度有关,总体上在2～10的范围中,例如,经过G>R>B以及G<30的二次分类后,仍有许多较暗的叶子与树干分在一起,而通过|G-R|>2则可将部分暗的叶子区分出去,以提高精度。

2.3 郁闭度计算

从Jennings定义的郁闭度概念出发,为削弱主干对郁闭度计算的影响,将计算方法从被树木枝体遮挡的天空区域比例调整为被树叶遮挡的天空区域比例。计算公式如下所示:

(1)

式中:CL为林冠郁闭度；SL为林冠像元的总数(树叶以及部分细枝)；S为相片的总像元。

2.4 精度分析

本文设计了3个实验来进行RGB分类方法的精度评估(图2)。第1个是对于模型总体分类精度的评估,在野外采集的相片中随机选取10张导入ArcGIS 10.5并将波段输入模型,得到分类结果。通过Create Random Points工具在所取的各图上取20个点,之后通过对被取上点的像元进行目视解译,记录分类情况。将所有分类结果进行整合,绘制总体混淆矩阵,进行总体分类精度和Kappa系数计算。第2个是对主干部分分类精度的评估。主干的区分是本研究的重点,通常情况下主干相对于整张图片的占比较少,在分类评价统计中对主干部分的取点较少,因此需要单独对主干部分进行取点评估。选取多张主干明显的相片,导入ArcGIS后划分出主干区域,并在每幅图的主干区域取30个随机点,最后将所有分类结果进行整合,绘制混淆矩阵进行总体分类精度和Kappa系数计算。第3个是对于不同郁闭度下的精度评估影响比较实验。通常来说随着取点数量的增多精度评估结果将越精准,为了对精度评估结果进行系统地比较,选取了3张郁闭度差异较大的相片,分别将验证点的数量设置为20,40,60,80和100,以此来分析精度评估的准确性。

图2 精度分析实验对比图

3 结果与分析

3.1 与抬头望法的结果的对比验证

抬头望法是在林冠郁闭度估测调查中的常用方法,估测结果较为准确[6]。因此,为验证该模型的可行性,将在拍摄样地通过抬头望法实测的郁闭度数据与模型输出数据进行对比分析。每个样地设置5个采样点,在每个样点上获得估测的郁闭度数据,将5个点的郁闭度平均值作为该样地的郁闭度估测值,统计结果与该样地相对应的模型输出结果进行对比分析。

分析结果表明(表1、图3),在相同条件下,模型与抬头望法的郁闭度估测结果相近,具有较高的相关系数(R2=0.77),两者的均方根误差(RMSE)结果为0.022,平均绝对误差(MAE)结果为0.018,反映的拟合程度较好,并且具有显著相关性(p<0.01)。在郁闭度较低时模型估测结果大于目测结果；在郁闭度较高时模型估测结果小于目测结果,符合一般目测规律。因此,通过数码相片的自动化模型估测郁闭度结果与实测结果的偏差在允许的范围内,在实际的林业资源调查中具有可行性。

表1 模型与抬头望法估测的郁闭度值

图3 模型与抬头望法估测郁闭度值结果对比

3.2 精度分析

3.2.1总体精度

将选取的10张数码相片的共200个随机点进行精度统计,统计结果如下:在取的200个点中,实际分类结果分别为树叶97个、天空90个、树干13个；而预测结果为树叶91个、天空96个树干15个。总体分类精度达到0.94,Kappa系数为0.89,分类精度较高。在分类误差上,仍有少许树叶被错分和漏分,树叶错分率为3.30%,漏分率为9.28%,制图精度为90.72%,用户精度为96.70%。

3.2.2主干部分精度

在选取的5张相片中,将主干部分作为选区进行随机取点,每图取30个点,总计150个随机点,以是否为主干作为分类条件绘制混淆矩阵并计算总体分类精度和Kappa系数。结果表明:在主干部分取点的5张图片的精度分析中,实际与预测都为主干的有110个点；实际与预测都为非主干的有31个点,总体分类精度达到0.94,Kappa系数为0.84,具有较好的分类精度。

3.2.3不同郁闭度精度

以郁闭度的大小以及取点的数量作为参考,对分类结果进行精度评价。3种不同郁闭度在不同随机点的情况下,所得到的总体分类精度和Kappa系数结果如表2、图4所示,总体分类精度与Kappa系数保持着良好的一致性。在低郁闭度(图5(a))取80个点的时候总体分类精度最高,达到0.98,Kappa系数为0.95；在中郁闭度(图5(b))取60个点的时候总体分类精度最高,达到0.97,Kappa系数为0.94；在高郁闭度(图5(c))取60个点的时候总体分类精度与Kappa系数较差,而之后的80个点以及100个点中有所提升。

3条虚线分别为3幅图像总体分类精度和Kappa系数随取点数量的回归线,可以发现低郁闭度图的总体分类精度和Kappa系数随着取点数量的增加而增大,因此在以20个点作的原始精度估计上可能存在低估的情况；中郁闭度图的总体分类精度和Kappa系数预测曲线较为平缓,与原始精度估计相近；高郁闭度图总体分类精度和Kappa系数则随着取点的增多有下降趋势,原始精度评价可能存在高估的现象。

表2 不同验证点下的郁闭度精度分析

图4 3种郁闭度下的总体分类精度及Kappa系数随取点数增加的变化图

图5 不同郁闭度分类结果图

导致该结果的可能原因:1)天空的分类在本方法中精度很高,在低郁闭度图中由于天空占比较大,随着取点数量的增多,取到天空像元的数量也会增多,因此会使精度得到一定提高;2)由于受到光照的影响,接近天空的树叶边缘的像元常与天空像元接近,在取点中会存在将树叶错分为天空的情况,高郁闭度图的树叶与天空交界区会较多,使其受到的影响相对较大,高郁闭度图中存在大量茂密叶片重叠的情况,形成一片暗区,且在波段上与树干相近,会对整体精度产生一定影响。

其他可能的误差包括:1)枝条的分类。本研究将较细的枝条分入树叶中,而将树木的主干部分作为相对区分的对象,以符合对于郁闭度的定义,但在实际分类中存在一些枝条分类不一致的情况,难以界定分类的正确与否；此外,受光照影响强烈的区域,包括树干边缘、裸露的枝条和靠近天空的叶子,常常呈深蓝色,且在波段特征上相近而较难区分;2)反光叶的分类。受光照的条件与位置影响,一些树叶由于反光强烈而产生各DN值都极高的情况,在波段特征上与天空或受光照强烈的树干相近,造成少量误差。

因此,在野外拍摄数码相片过程中,应当尽量避免阳光的直射,选在光照不强的天气或者早晚拍摄。在拍摄过程中,视角中心点的位置及大小也需要注意,通常当树木靠近观测中心点时测量结果往往偏大[22]；而视角的大小也会影响郁闭度的计算。此外,取样地的坡度、树木的高度、胸径等因子也可能是郁闭度提取研究中的影响因子。

3.3 不同林龄郁闭度

从不同林龄的郁闭度结果(图6)中可看出,2种方法对于不同林龄的郁闭度估测结果具有一致性,14a生的杨树林郁闭度在0.5左右,而9a生的杨树林郁闭度在0.45左右。t检验结果显示,不同林龄杨树林在抬头望法估测结果上存在着显著差异(p<0.05)；在模型/估测结果上,9a生和14a生杨树林郁闭度存在着极显著差异(p<0.001)。在估测的范围上,抬头望法估测结果的上下限更大,而模型估测结果的上下限离中位数更接近。此外,模型估测的结果中存在一个较低郁闭度的值,但仍在可接受的范围内。

图6 不同林龄下的2种方法估测郁闭度结果

4 结论

郁闭度的精确提取在林业资源调查中有着重要意义,高效、快捷的林冠郁闭度测定方法是现代林业发展的必然趋势。数码相机由其获取简易、性价比高的特点被广泛运用于林冠郁闭度的测定中。研究表明,利用数码相机拍摄的全天空照片提取森林郁闭度具有高效可行性,总体分类精度达到0.94,Kappa系数为0.89,并且与抬头望法的测定结果具有一致性(R2=0.77,p<0.01),两者都能够反映两种林龄杨树林郁闭度关系情况。主干的存在往往会对郁闭度的计算产生一定误差,利用图像识别法结合相片中各物象的RGB特征能够精确地将其分离出去,主干部分总体分类精度达到0.94,Kappa系数为0.84,分类效果较好。此外,在不同郁闭度的测定精度上,发现在较低郁闭度情况下往往提取效果更佳。