基于无人机可见光遥感的单木树高提取方法研究

白明雄,张 超,陈 棋,王 娟,李华玉,史小蓉,田湘云,张玉薇

(西南林业大学 林学院,昆明 650224)

林分平均高是评价森林立地质量和林木生长状况、划分林层的重要依据,是反映林分结构特征的重要因子之一,亦是森林资源调查的一项重要指标。在森林调查及经营管理工作中,单木树高的测定与立木材积和材积生长率的确定密切相关。利用林分中若干林木的树高测量值,采用测树学中的林分平均高计算公式,即可计算林分平均高[1-2]。

目前,单木树高的测量方法主要可分为传统地面测量和遥感估测二类方法。传统地面测量方法是森林调查工作中最为常用的方法,主要包括目测法[3]或借助经纬仪[4]、全站仪等[5]工具对活立木单木进行树高测定。传统地面测量方法因工作量大、调查效率低、易受人为、地形因素及仪器设备等影响,树高测量精度会产生一定的不确定性[6]。近年来,遥感技术(特别是激光雷达技术)已成为森林资源调查领域的热门方法,被越来越多地应用于林分调查因子的估测研究中,如，王涛等[7]通过机载激光雷达点云数据,研究冠层高度模型(CHM)并从中提取单木参数(树高和冠幅)；吴宾等[8]基于车载激光扫描点云数据,提出一种利用分层网格点密度的单木信息提取方法,并获取了单木树高信息；Selkowitz等[9]通过融合多角度和多光谱激光雷达数据,对林分内的树木进行三维模型重建,提取树高并绘制林木冠高图；杨婷[10]同时采用星载激光雷达GLAS和光学MODIS数据,建立树木高度反演模型,结果表明该反演模型精度较高。利用激光雷达技术可获取较高精度的树高参数信息,但使用成本高、技术复杂,对大尺度的林分参数调查存在一定偏差,制约了该技术在林业领域的推广应用。

近年来,随着轻小型无人机遥感技术的快速发展,在森林遥感估测领域已得到广泛应用。无人机可见光遥感因其具有自动化、智能化、高时效、低成本及操作便捷灵活等特点,能够在很大程度上弥补传统航天和航空遥感估测树高的不足[11-16]。刘晓农等[17]以无人机高分影像为数据源,通过多尺度分割方法进行杉木人工林冠幅提取和树高反演；王彬等[18]采用无人3D摄影测量技术对云南大学校区内的雪松林分高度进行估测,其测量精度较高；杨坤等[19]利用Pix4D Mapper处理高分辨率无人机可见光影像,通过最大类间方差法分割生成单木点云和地面点云,提取单木树高信息,树木高度的提取精度相对较高为93.7%；刘江俊等[20]基于无人机可见光影像生成的冠层高度模型,采用局部最大值算法进行树顶点和单木树高提取,其研究的树高提取精度为89.3%；谢巧雅等[21]利用无人机遥感系统获取研究区遥感影像,通过自动化三维重构方法构建了杉木人工林数字表面模型、数字高程模型,基于2个模型实现杉木树高的提取,树高估测精度达到90.8%。

上述研究通常以无人机可见光影像或经过影像后处理所得的点云数据为基础数据源,分别利用不同方法构建研究区林分的冠层高度模型,进而估测树高。而综合利用影像数据和点云数据来提取树高的研究相对较少,本研究利用无人机影像及其生成的三维点云数据构建冠层高度模型,利用分水岭分割法进一步对CHM分割并提取林分高度。云南省拥有丰富的云南松林资源[22],是云南植被资源中重要的针叶树种之一,快速、准确地获取云南松林的高度信息对估算蓄积量和生物量具有重要意义。为此,本研究选取滇中地区典型天然云南松纯林为研究对象,以高分辨率无人机可见光影像为数据,使用分水岭分割算法对云南松单木进行树高提取,旨在为今后单镜头无人机可见光遥感在林业调查中的应用提供方法借鉴。

1 研究区与数据获取

1.1 研究区概况

研究区位于云南省昆明市富民县罗免乡黄草坝,介于北纬25°22′39″～25°23′32″,东经102°28′36″～102°29′31″之间,总面积约150 hm2,最高海拔2 306m,最低海拔2 019m。地势较为平坦,主要树种为天然云南松(PinusyunnanensisFranch)纯林,林分郁闭度较低,多数单木树冠间不相连,视线通透良好,上方无遮挡。

1.2 标准地调查

2019年7月对研究区内的天然云南松纯林开展了标准地调查。现地选取位于缓坡地形的天然云南松林典型地块设置了6个标准地,标准地设置为25m×25m,共调查云南松样木96株,实测了每木胸径、树高、长冠幅、短冠幅,并利用罗盘仪对每木进行了定位。

1.3 无人机影像获取

利用大疆Phantom 4 Pro 四旋翼无人机飞行器作为飞行平台,搭载单镜头可见光传感器,以DJI GS Pro作为地面站系统进行外业影像数据采集。单镜头可见光传感器的有效像素为2 000万,单幅影像分辨率为5 472×3 648。

为获取高质量无人机影像数据,起飞前对飞行任务进行规划设计,包括飞行方向、飞行航线、飞行高度及飞行速度等。本次实验设置了3个飞行计划,即针对疏、中、密3个郁闭度等级分别进行影像获取,飞行路线的航向重叠和旁向重叠率分别设置为90%和80%。共采集了893张单幅可见光影像。图1为不同郁闭度等级的无人机可见光正射拼接影像。

图1 研究区不同郁闭度林分的正射影像

2 研究方法

经过无人机获取研究区低空可见光遥感影像后,采用Pix4D Mapper，LiDAR360等软件进行无人机影像预处理、获取冠层高度模型及树高的提取。技术流程如图2所示。

图2 技术流程

2.1 影像预处理

采用无人机影像处理软件Pix4D Mapper对获取的原始影像进行预处理,并获得三维点云和研究区正射影像。预处理过程主要包括:1)获取原始资料,即确认原始影像数据的完整性、查看POS数据文件、相机参数及控制点文件；2)建立工程并导入数据,即在Pix4D Mapper中创建工程、添加无人机影像、设置影像属性及加入控制点；3)影像自动处理过程,包括初始化设置、点云加密、区域三维重建及正射影像生成。无人机影像预处理后的3维点云结果如图3所示。

图3 研究区3维点云数据

2.2 冠层高度模型构建

林分冠层高度模型(Canopy Height Model,CHM)是能够反映植被与地面高度之间距离信息的表面模型,常应用于反演冠幅、树高、郁闭度及森林生物量等重要森林参数[23-25]。本研究中,CHM的获取主要通过数字表面模型(Digital Surface Model,DSM)、数字高程模型(Digital Elevation Model,DEM)二者相减后得到[26]。将经过无人机影像预处理所得的点云数据导入LiDAR 360中,对原始点云进行噪声点去除并插值生成数字表面模型DSM；为获取地面信息,利用改进的渐进加密三角网滤波算法对去噪后的点云进行地面点分类,然后对分类后的地面点云进行插值生成数字高程模型DEM。

2.3 树顶点与单木树高提取

利用分水岭分割算法,结合目视解译,对研究区云南松林冠层高度模型(CHM)进行单木分割,实现树顶点的提取及单木树高估测。分水岭分割算法是就是根据分水岭的结构来进行图像的分割,是一种基于拓扑理论的数学形态学的分割方法。本研究对林分CHM进行单木分割,确定研究对象的分割区域即树冠边界,然后使用局部最大值法在每一个分割出来的树冠边界内探测局部最大值点作为树顶点[27]。

单木树高提取的主要过程为:首先,利用LiDAR360对标准地内的CHM数据进行分割,对冠幅叠加较密区域采用调整分割参数方法进行多次分割,获取不同郁闭度等级下的单木树冠边界；然后利用3m×3m大小的固定窗口移动探测所有单木树冠边界区域内的局部最大值作为树顶,树顶所在的像元值即为该单木的树高值,最终的树顶点提取及单木树高分割结果如图4所示。

1.2.3 试验过程 播前晒种3～4 d，剔除小粒、虫蛀粒、霉烂粒、破损粒，用小麦数粒板按照播量进行数粒装袋。根据不同密度和不同播种时期进行人工开沟撒播、石磙镇压。播前施磷酸二铵150 kg/hm2,尿素300 kg/hm2，硫酸钾75 kg/hm2作种肥，返青后追施尿素150 kg/hm2，抽穗期结合灌水追施尿素150 kg/hm2。全生育期灌水4次，分别为越冬前、拔节期、抽穗期和灌浆期。生育期内进行中耕锄草3～5次，防治蚜虫和白粉病3～4次。

注图(a),(b),(c)分别为疏、中、密郁闭度林分的树顶点提取结果图,其中黄点为正确的树顶点,黑点为遗漏的树顶点,红点为错误的树顶点；图(d),(e),(f)分别为疏、中、密郁闭度林分的树高分割结果图。

2.4 树高提取精度检验

利用SPSS分析软件对经过无人机遥感影像提取的树高与样地每木树高数据进行线性回归分析。分别以利用无人机影像提取的树高值作为自变量,以样地实测树高值为因变量,建立回归分析模型。使用R2、均方根误差(RMSE)、相对均方根误差(rRMSE)等指标对树高提取提取精度进行评价,相关计算公式如下:

3 结果与分析

3.1 树顶点提取精度评价

本研究树顶点的提取基于CHM的分水岭分割及局部最大值法,提取结果如图4(a),(b),(c)所示,并进行统计及精度评价,结果如表1所示。

表1 树顶点提取结果

研究中参考树顶点的个数通过目视解译正射影像并结合实地样地调查林分来获取。由表1可知,在不同郁闭度林分的树顶点提取过程中,都存在树顶点的遗漏及错误提取,其提取结果表现为林分郁闭度越大,出现树顶点遗漏提取、错误提取的数量越多的现象。本次研究中疏、中、密不同郁闭度林分的树顶点提取精度分别为0.85,0.82和0.78,进一步说明了郁闭度对林分树顶点提取存在影响。除此以外,本次不同郁闭度林分树顶点提取的精度相差很小,其原因可能与样地内单株树木的实际分布有关,即在相同郁闭度条件下,不同的树木分布情况(多数树木生长间距小,难以区分单木冠幅)对树木冠幅的布局有影响,进而影响整体树顶点的提取结果。

3.2 单木树高提取结果及精度分析

本研究利用罗盘仪和皮尺准确地测量得到接近于真值的每木树高,来验证经过无人机影像提取树高的精度。由于树高提取过程中存在遗漏提取和错误提取树顶点的现象,只将正确提取的单木树高与对应的参考树高进行精度验证。本次调查6块标准地共实测96株云南松,计算了实测单木树高与无人机提取单木树高的误差及相对误差,提取结果如表2所示。

由表2可知,基于无人机影像提取的云南松林高度与样地调查实测高度的误差绝对值最大值为2.46m,误差最小值为0m,相对误差绝对值的最大值为26.15%,最小值为0。由误差结果分析可知此次树高估测存在较大差异,其原因可能与研究区树种有关。由于本研究区内的云南松树冠内部结构分散,不具有明显的树干及树顶点,导致不容易分辨出真正的树顶点以及生成的树冠点云数量较少。同时，利用SPSS对罗盘仪外业实测数据和基于无人机影像提取的树高数据进行线性相关分析并验证无人机的树高测量精度。经建立线性相关函数关系(图5(a)),分析可得决定系数R2为0.893,标准高度误差为1.23m,树高提取精度为87.58%。本研究的树高提取分析及精度结果与相关学者的研究结果比较接近,同时也符合在林业调查活动中对树高估测精度的要求。综上可知,利用无人机影像进行云南松单木树高的提取效果较为理想,其方法在生产实践中具有可行性。

表2 树木高度提取结果

图5 实测树高与真实树高的回归关系

3.3 郁闭度对单木树高提取的影响

树号1—40为密郁闭度的样木,树号41—72为中郁闭度的样木,树号73—96为疏郁闭度的样木。为了便于分析林分郁闭度对于单木树高提取的影响,计算在不同郁闭度等级下提取树高的标准误差、相对均方根误差和真实值与测量值的决定系数,其统计结果如表3所示。

表3 不同郁闭度林分的高度标准误差

4 结论与讨论

4.1 结论

本研究利用单镜头可见光无人机采集研究区的云南松林低空影像数据,经过Pix4D Mapper处理得到研究区正射影像图和三维点云数据,并经过原始点云的去噪、滤波及地面点分类等处理,得到DSM,DEM及CHM；采用分水岭分割法对林分冠层高度模型(CHM)进行单木分割,最终提取单株树木高度。结果表明:

1)由最终的树高提取结果可知,使用分水岭分割法能够准确分割CHM,无人机可见光影像提取的树高值与野外实地调查得到的树高值进行对比,R2为0.893,估测精度为87.58%,高度标准误差(RMSE)为1.230m,树高测量精度较高。

2)郁闭度对树高估测的影响结果表明,不同郁闭度条件下的树高提取值与样地调查实测值存在相关性:即3种不同郁闭度(高、中、低郁闭度)林分树高的无人机提取值与实测值的R2分别为0.857,0.921和0.939,RMSE分别为1.450,1.097和0.896m。由此可知,不同的林分郁闭度对树高测量精度有影响,郁闭度越高相对误差越大,反之测量误差越小,其主要原因是郁闭度对无人机获取林木冠幅信息及地面点云数据时有影响,进而影响插值后的DSM,DEM值的获取及CHM的分割结果。

4.2 讨论

目前,已有学者在森林调查中利用激光雷达遥感及无人机航测等技术对林木高度信息进行提取。张颖等[28]、杨伯钢等[29]分别利用大光斑星载激光雷达数据进行植被冠层高度的反演以及利用机载激光雷达技术来测定树高。还有学者以无人机航测影像为数据源,利用立体像对原理获取像方与物方的转换坐标,并将其带进旋转矩阵提取树高[30]。上述方法都存在一定的局限性,使用星载激光测高系统反演冠层高度的方法由于光斑尺寸较大且易受地表复杂环境的影响,虽能进行大面积森林的调查,但工作量大以及树高反演精度较低。利用立体像对原理提取树高的方法一般针对单棵树木或稀疏林分的高度计算,不适应于大面积的森林调查活动。使用机载激光雷达技术估测树高的方法虽然精度较高,但其采用的是单木树高逐一测量的方法,同样难以适应大面积的林业调查,并且星载激光雷达或机载激光雷达,其影像数据质量受天气条件(尤其是风速)、复杂的环境因子(地形、坡度)等因素的影响。本研究利用单镜头无人机可见光遥感技术,在保证树高提取精度的同时能够快速高效地进行较大范围林分尺度的树高估测。本文通过对树木三维点云进行克里金内插获取DSM,基于点云数据依据分类提取地面点云并内插生成DEM,最后通过叠加计算及分割获取树高,此方法相较于激光雷达技术,受天气条件及环境的影响较小且利用无人机搭载可见光相机的方法具有更加低廉的优势。

此前,有关研究者也曾利用无人机影像、三维点云等数据,进行林分树高的提取。其研究通常利用无人机影像生成的数字表面模型或影像的立体像对进行树高提取,但通过数字表面模型估测树高会导致单株树木部分细节的丢失及误差的形成,而使用影像立体像对的方法提取树高将会导致人为误差的增大。利用三维点云数据提取树高,则通过点云数据的多尺度分割及构建冠层高度模型的方法来实现,生成的点云质量及其分割精度会导致树高的估测,同时复杂的林分条件对林分点云的分割增加了难度。本研究综合利用影像数据及经过后处理生成的点云数据,采用内插法获取DSM,DEM并计算得到CHM,且利用分水岭分割方法对CHM进行分割提取林木高度,该方法不仅避免了因直接使用数字表面模型而导致的单木细节丢失、立体像对导致人为误差的增大,还降低了对研究区点云进行分割的难度,提高了无人机遥感技术估测林分高度的精度和效率。

王彬等[18]于2018年利用无人3D摄影技术获取云南大学人工种植的雪松林高度值,并利用线性回归的方法验证测量值与真实值的差异。杨坤等[19]利用无人机高分辨率影像,基于最大类间方差法原理提取的树高值与实测值做了误差计算和线性回归分析。2019年,李涛等[31]利用无人机摄影获取单木三维信息方法提取树木总高度和第一枝下高,同样也做了树高提取值的相对误差分析计算。本研究也同样利用线性回归的方法进行测量值与真实值的差异验证,结果表明本研究方法所获得的树高结果误差在可接受范围内并且测量值比较接近真实值。

本研究方法所获取的树高数据会受到冠层间相互连接遮蔽的影响,被遮蔽部分通过内插方法获得且易受边缘数据的影响；同时,基于三维点云进行地面点分类的结果在一定程度上也受树冠间遮蔽的影响,现阶段针对多树冠相连区域只能提取较高位置处的树高值。本研究成功提取了研究区域内的云南松林分高度,并通过相关计算验证了此方法的可靠性与准确性。相较于传统的人工调查和激光雷达技术,无人机可见光遥感技术具有快速高效、成本低廉、获取周期短、数据精度更高的优势。但本文仍然存在一些不足,如，缺乏无人机在不同飞行高度、不同树种及不同林分结构条件下树高提取的研究；在前期的无人机影像预处理过程中自动化程度不够高。在后续的研究中,可以针对以上不足之处进行研究探讨,为林业调查活动提供一个高效率、低成本及可获取高精度数据的方法可能性。