基于UAV遥感的单木冠幅提取及胸径估算模型研究

张玉薇,张 超,王 娟,李华玉,白明雄,杨安蓉

(西南林业大学,昆明 650224)

树冠作为遥感影像中最直观、信息量最丰富的组成部分,历来是森林遥感研究的主要对象[1],其生长的优劣程度直接影响森林生态系统对地上部分资源的利用能力,与林木生长有着密切的关系[2]。云南松(Pinusyunnanensis)是西南地区荒山造林的先锋树种和主要树种之一[3-4],经济价值高,适应能力强。据云南省森林资源连续清查第5次复查结果[5],云南松林分占云南省林分总面积的19.63%,对云南的经济、社会和环境可持续发展具有非常重要的作用[6]。但西南地区海拔往往较高,交通不便,传统森林资源调查工作成本高,数据获取周期长并且受人为操作影响较大。近年来,高光谱遥感影像、雷达数据、高分辨率影像逐渐广泛的运用在林业遥感中。随着无人机技术的快速发展,实现了高分辨率影像的获取,弥补了卫星遥感因云层覆盖而无法获取影像的缺点,同时也解决了传统卫星遥感重返周期过长,应急不及时的问题[7]。因此,结合高分辨率的遥感影像数据,对树冠进行自动分割和提取的研究,受到了研究人员的关注。王枚梅等[8]基于面向对象方法自动提取了亚高山针叶林的东西、南北冠幅,并与目视解译提取结果相比,提取精度分别为0.765,0.856。董新宇等[9]通过引入DBI指数自动化确定K-means聚类的最优聚类数目,对影像像素进行标记,利用高斯马尔可夫随机场模型对影像进行分割得到单株立木树冠信息,结果表明,单株立木识别总体精度分别为89.52%和95.65%、单木树冠提取精度分别为81.90%和95.65%,均具有较好地适用性。

冠幅、树冠面积和树高是胸径建模中最常用的变量[10-11],且胸径越大,冠幅越大[12-13]。万红梅[14]对塔里木河下游的胡杨进行研究,结果表明,以胡杨胸径与树高模型预测树高的平均精度为90.08%,冠幅与胸径模型预测胸径的平均精度为81.37%,且冠幅与胸径、胸径与树高模型相关显著。何游云[15]基于无人机遥感影像提取的单木冠幅与实测胸径值存在较好的非线性相关关系。目前,以树高、冠幅预测胸径的方法基本成立,但传统人工测量提取单木参数的方法工作量较大,而且基于无人机遥感估测胸径模型研究较少,也不够深入全面。本研究以无人机获取的云南松林地影像数据为研究对象,通过树梢标记分水岭方法提取单木冠幅、树冠面积信息,分别建立回归模型,证明无人机遥感影像数据可估测胸径,可以提高云南松森林资源调查效率和科技含量。

1 研究区概况

研究区位于云南省富民县罗免乡,地理位置介于25°08′～25°36′N,102°21′～102°47′E之间,地势南高北低。境内盆地山岭相间,大部分地区海拔在1 500～2 800m之间,海拔高差大,山多平坝少,气候为典型的低纬度亚热带高原季风气候,年平均气温15.8℃,年平均降雨量846.5mm,森林类型为云南松天然纯林。

2 研究方法

首先对无人机影像进行预处理构建冠层高度模型CHM,然后基于标记分水岭分割算法对影像图进行分割并提取冠幅和树冠面积信息。选取样地中80%有效样本树作为拟合样本树,拟合出树冠面积和冠幅与地面测量胸径的相关模型,其余20%样本树用来计算胸径值,并与实际测量的胸径值进行比较,计算胸径误差以验证该方法的准确性。具体流程如图1所示。

图1 流程图

样地的郁闭度为0.20～0.60,为了考虑不同郁闭度对胸径估算模型的影响,将所有样地按郁闭度分为3个密度等级:Ⅰ级为0.20～0.34;Ⅱ级为0.35～0.49;Ⅲ级为0.50～0.60。

2.1 无人机影像采集

使用的无人机为大疆Phantom 4 Pro,该无人机具有轻便、灵活等优势。外业影像采集选择在天气晴朗、无风的条件下进行。利用DJI GO 4 软件进行航线自动规划及数据自动采集工作。本实验设定无人机飞行高度为50.0m,飞行速度为2.5m/s,相机朝向平行于主航线,主航线上图像重复率为90%,主航线间图像重复率为80%,云台俯仰角度为-90°(垂直摄影)。共获取了13个25m×25m的天然云南松纯林标准样地,其中:Ⅰ级密度4块；Ⅱ级密度5块；Ⅲ级密度4块。

2.2 标准地调查

对标准样地进行每木检尺,用胸径尺分别测量每棵树的上坡位胸径,用皮尺测量每木最长和最短冠幅(水平直径)。

2.3 数据预处理

利用Pix4Dmapper软件,对13个标准地的无人机原始影像进行全自动处理,生成拼接后的正射影像DOM、数字表面模型DSM及数字地形模型DTM；在此基础上,计算并得到冠层高度模型CHM。

2.4 单木冠幅提取

分水岭算法是Vincent等[16]提出的是一种基于拓扑理论的数学形态学的分割方法,该算法模拟了地貌浸水过程。在每个局部极小值表面,刺穿1个小孔,然后把整个模型慢慢浸入水中,随着浸入的加深,每个局部极小值的影响域向外扩展,在2个集水盆汇合处构筑大坝,即形成分水岭。传统的分水岭算法通常会受到噪声和其他因素的影响,导致过度分割现象。Meyer等[17]和Beucher等[18]对分水岭算法进行了改进,引入用户定义的“标记”到分水岭算法中,以避免过度分割问题。本研究使用基于标记树梢控制分水岭算法,对图像进行形态学调整,以此消除来自背景不规则的局部极小值点的干扰,最后对标记后的图像进行分水岭分割。具体步骤如下:

1) 去噪。采用 canny边缘算子检测图像边缘,创建结构元素,填补空洞；利用bwareaopen函数去噪,消除噪声影响。2) 闭运算。进行膨胀和腐蚀重建图像,填充物体内细小的空洞,平滑物体边界；区域的极大、极小值能得到修正,削弱了分水线位置偏移和过分割的现象。3) 强制最小值。使用函数 bwdist,将图像转换为二值图像；根据分水岭变换原理,求取相关区域局部极小值,确定对应的分水线；并利用函数imextendedmin过滤微小的局部最小值,修改距离变换,获取图像的局部最小值。4) 标记分水岭分割。修改梯度幅值图像,使图像标记局部极小值,最后对修改的梯度图像进行分水岭分割。

2.5 单木冠幅和树冠面积

冠幅(CW)取最大冠幅(CW1)与最小冠幅(CW2)的平均值,即:

(1)

把树木冠幅看作一个椭圆,最大冠幅和最小冠幅看作椭圆的长轴和短轴,实测冠幅面积(CAf)即:

(2)

式中:CAf表示实地调查的树冠面积；CWf1表示最大冠幅；CWf2表示最小冠幅。标记控制分水岭算法自动提取的冠幅(CWm)与树冠面积(CAm)由matlab软件直接算出。

2.6 单木树冠评价

本研究的单木树冠评价是通过准确率(Pd)、召回率(Pr)和 F 测度体现的。准确率是指正确分割的树冠个数占所有分割出来树冠个数的比例；召回率是指正确分割的树冠占参考树冠数的比例；F 测度是对准确率和召回率的综合描述,F测度越高表示结果越好,公式如下:

(3)

(4)

(5)

式中:Nc为分割正确的树冠数目；Nd为分割出来的树冠总数；Nr为参考树冠总数。

3 结果与分析

3.1 分割结果

在matlab软件中,采用基于树梢标记的分水岭分割算法,取得了较好效果,结果如图2所示。大多数的树冠能被正确提取出来,但仍有合并、错分、漏分的现象。

图2 各密度等级分割结果

3.1.1单木树冠

根据改进树梢标记控制分水岭分割算法与实地调查的参考数据比较,将单木树冠分割情况分成匹配、接近匹配、漏分、错分和合并5种。匹配即分割树冠与参考树冠的重叠面积占双方的 50% 以上；接近匹配即重叠面积占其中一方的50%；漏分即参考树冠的 50% 面积内无分割树冠；合并即分割树冠中包括多个参考树冠；当分割树冠不存在对应的参考树冠则为错分。其中正确分割包括匹配以及接近匹配,漏分误差包括漏分和合并,错分属于错分误差。单木树冠提取结果如表1所示,参考树冠总数203个,提取树冠总数182个,正确分割树为157个,漏分数为21个,合并数为16个,错分数为9个。其中,参考树冠为实地调查的树冠,分割树冠为标记分水岭分割算法分割的树冠,正确分割结果包括匹配和接近匹配。

表1 单木分割结果

3.1.2单木冠幅

将在Matlab中采用标记控制分水岭分割算法正确分割的树冠,进行平均冠幅和冠幅面积信息的自动提取,并与实地调查数据相比较,结果如表2所示。在提取的182株树中,冠幅和树冠面积跨度很大,冠幅最大值为8.79m,最小值为2.06m,平均值为4.41m；树冠面积最大值为56.76m2,最小值为2.60 m2,平均值为15.07 m2；在各密度等级中,冠幅和树冠面积跨度最大的是Ⅲ级,最大、最小冠幅和树冠面积都出现在该林分中。

表2 单木冠幅提取结果表

3.2 胸径估算模型

首先对203个样本的冠幅、冠幅面积和胸径进行皮尔森相关性分析。结果表明:树冠面积与胸径值的皮尔森相关性为0.651,冠幅与胸径值的皮尔森相关性为0.654,且显著性都为极显著,说明胸径与树冠面积和冠幅有较强的相关性。

从各密度等级样地中选取80%有效样本树作为拟合样本树,拟合出树冠面积和冠幅与地面测量胸径的相关函数曲线,其余20%样本树用来计算胸径值。其中:Ⅰ级样地有效样本树39株,Ⅱ级样地有效样本树58株,Ⅲ级样地有效样本树60株。各密度等级样地冠幅和树冠面积与胸径的反演模型如图3所示。

Ⅰ,Ⅱ,Ⅲ级样地拟合出来的冠幅-胸径、树冠面积-胸径及冠幅&树冠面积-胸径模型结果如表3所示。根据决定系数最大为最优模型原则,各密度等级的冠幅&树冠面积-胸径模型决定系数最高,拟合效果优于其他模型；在冠幅-胸径、树冠面积-胸径模型中,Ⅱ级样地的决定系数最高,拟合效果最好；在所有模型中,冠幅&树冠面积-胸径模型的拟合效果最好；随着模型自变量的增加,模型的决定系数越高,拟合效果越好。

3.3 精度评价

3.3.1单木分割

单木树冠分割精度结果如表4所示,总样本树的分割准确率为86.34%,召回率为77.45%,F测度为81.65%,且随着密度等级的升高,单木树冠分割精度降低。经分析可知,树木冠幅和树冠面积提取结果的精度较高,表明利用无人机高分辨率影像进行冠幅和树冠面积提取的方法可取得较好的效果。

表4 单木分割评价

3.3.2单木冠幅

在提取的182株树中,单木冠幅评价如表5所示,提取冠幅与实测冠幅的误差绝对值最大值为1.22m,最小值为0.01m,平均误差为0.30m；提取冠幅与实测冠幅相对误差绝对值最大值为27.45%,最小值为0.03%,平均值为6.04%；提取冠幅面积与实测冠幅面积的误差绝对值最大值为6.86 m2,最小值为0 m2,平均值为1.62 m2；提取冠幅面积与实测冠幅面积的相对误差绝对值最大值为35.95%,最小值为0.01%,平均值为11.23%；在各密度等级中,提取树冠面积的相对误差要比冠幅的相对误差大。

表5 各密度等级单木冠幅提取误差

3.3.3估算模型

将各密度等级中20%的有效样本树作为验证样本树,分别代入各模型中,反演胸径值,且与实际测量的胸径值相比较,计算误差,如表6所示。在所有模型中,平均相对误差最大值为5.8%,最小值为2.83%,其中,冠幅&树冠面积-胸径二元模型相对误差最小,且都不超过5%,符合A类森林资源调查胸径误差值低于5%的要求；二元模型的相对误差低于一元模型的相对误差,说明随着模型自变量的增加,模型的误差变小。

表6 模型精度验证

(续表)

4 讨论与结论

4.1 讨论

4.1.1树冠分割

单株树冠提取对评估树木生长状况以及林分密度等有重要的意义,在森林调查中必不可少,树冠信息的精确获取是优化森林资源管理的关键[19]。利用标记控制分水岭分割提取单木树冠的方法,对无人机影像图进行有效分割且准确的提取了信息。

1) 单木树冠分割结果与郑鑫等[20]提出的基于形态学阈值标记分水岭算法相比,分割准确率提高了21.72%,召回率提高了20.4%,F测度提高了21.03%；与曾霞辉等[21]提出的基于无人机影像最大类间方差法标记分水岭分割算法相比,分割准确率提高了4.22%,说明利用数学形态学滤波的标记控制分水岭分割算法在一定程度上能提高树冠分割准确率。

2) 树冠面积提取精度与冯静静等[22]利用数学形态学多尺度分割灰度梯度图像的精度相比降低了1.87%。其主要因素是:实地量测时,视觉造成的误差；计算冠幅面积时,利用椭圆面积代替树冠造成的误差[23]。提取冠幅和树冠面积与实测数据相比,提取冠幅普遍小于实测数据,其主要原因是:在进行形态运算时树冠边缘被弱化,导致标记控制分水岭算法未能精确的识别及分割树冠；本研究区为天然云南松纯林,存在树冠重叠现象,导致提取冠幅偏小。

4.1.2胸径估算

在所有模型中,随着模型自变量的增加,模型的相关系数升高,误差率降低；其中,冠幅&树冠面积-胸径模型的拟合效果最好,决定系数均在0.7以上。与刘文萍等[24]基于无人机的单因子模型相比(树冠面积-胸径),本研究在建立胸径反演模型时,增加了冠幅因子和样本数；与贾鹏刚[7]进行多元胸径反演模型研究相比,本研究考虑了不同密度等级对模型拟合精度的影响。

4.2 结论

1) 本研究以云南松为研究对象,基于无人机获取影像数据并采用标记控制分水岭算法分割提取树冠面积和冠幅2个参数,最后与胸径建立多个反演模型。其中,单木树冠分割准确率为86.26%,冠幅相对误差平均值为6.04%,冠幅面积的相对误差平均值为11.23%,证明利用数学形态学滤波的强制最小值变换的标记控制分水岭分割算法,可以抑制过分割现象,有效提取单木冠幅信息,且能够满足森林资源调查的精度要求。

2) 拟合出来的模型中,冠幅&树冠面积-胸径模型的拟合效果最好,决定系数均在0.7以上,该模型验证数据相对误差也最小,且均不超过5%,符合A类森林资源调查胸径误差值低于 5%的要求。本研究证明了可以通过无人机遥感影像数据估测胸径,并找到了单木云南松胸径估测模型。

3) 无人机可见光传感器仅包含R,G,B 三个波段,为更好地提取树冠信息,未来可增设可见光近红外传感器,计算归一化植被指数(NDVI),更好地提取树冠区域。实际森林中,树冠重叠,乔灌交叉现象非常多,如何解决该类林分的有效森林信息提取是当前的无人机遥感应用于实践生产中的难点。本研究是在云南松纯林林区中进行的,且只考虑了树冠面积和冠幅因子对胸径模型的影响,在下一步研究中,可增设树高因子建立三元一次模型,提高模型精度,而对于阔叶林和混交林区胸径模型的建立,有待进一步研究。