基于无人机影像的天山云杉林树高提取及蓄积量的反演

吕金城，王振锡，杨勇强，曲延斌，马琪瑶，朱思明

(新疆农业大学林学与园艺学院/新疆教育厅干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)

0 引 言

【研究意义】森林是生物圈中最大的碳储库[1]，1998年，新疆天然林面积为602.7×104hm2(9 040.5×104亩)[2]。天山云杉(Piceaschrenkianavar. tianschanica)作为天山山地最主要的地带性森林植被，其林分占新疆天然林有林地面积的44.9%，是构成天山乃至新疆森林生态系统的物质主体[3-4]。早期卫星数据空间分辨率较低，只能提取部分纹理信息，对于单木水平的树高冠幅提取难度较大[5]，小型飞机搭载高精度，高穿透力的激光雷达虽然可以获取较高精度的森林信息数据，但其成本较高，仍需要耗费较大的人力物力资源，受天气气候影响较大，不够灵活，随着遥感技术的发展与革新，利用无人机航空摄影测量(UAV aerial photogrammetry)反演森林蓄积量的优势逐渐扩大，比起卫星与机载激光雷达数据，无人机技术更加有效率，操作便捷，精确度也更高。通过无人机搭载各类光学传感器，设置不同飞行高度，可以实现不同精度，不同比例尺的森林资源调查[6]。利用无人机技术对森林蓄积量进行精准估测有利于森林资源质量动态监测。【前人研究进展】贾嘉辉[7]通过GF-1卫星影像对植被指数与纹理特征进行提取，使用主成分分析模型与最小二乘回归模型进行森林蓄积量的反演精度达73.96%，曹霖[8]使用Sentinel-2A卫星影像进行纹理信息提取与光谱信息结合的方法，对纹理因子进行降维，再由机器学习回归方法估算蓄积量，其蓄积量方程精度为82.12%。李赟[9]使用旋翼无人机搭载Liortho高分辨率影像获取系统，对林场的立木进行冠幅提取，以冠幅—胸径模型作为辅助因子，样地实测蓄积量作为主因子，建立双重回归估计方程，其估算精度可达95.70%。李蕴雅[10]根据无人机数据对延庆松山自然保护区进行小班区划，选出部分遥感因子建立针叶林蓄积量模型，对林分蓄积量进行估测，精度达到77.33%。周小成[11]根据福建省将乐县伐区森林小班两期无人机数据，对小班内立木进行树高提取，建立树高—胸径回归模型，并对小班进行蓄积量估测，与实测值对比，精度为91%。【本研究切入点】以新疆伊犁巩留县恰西森林公园的天山云杉为研究对象，无人机高分辨率航拍影像为数据源，提取天山云杉的单株树高，并以样地实测森林信息建立胸径—树高模型，结合二元材积公式反演天山云杉林分蓄积量。【拟解决的关键问题】以新疆天山西部巩留县恰西森林公园的天山云杉为研究对象，利用无人机影像提取天山云杉林树高冠幅信息，估算林分蓄积量，使用点云分类与克里金插值法提取无人机影像高程数据得到天山云杉树高，根据样地实测数据建立胸径树高模型，为天然林保护工程实施后山区森林资源经营管理提供技术支撑。

1 材料与方法

1.1 材 料

恰西国家森林公园位于巩留县东部山区小吉尔尕郎河的支流恰西河的中游，吉尔格郎乡东南部山区，N43°02'～43°06'，E82°36'～82°44'。海拔1 270～1 600 m，属于典型温带大陆性半干旱气候，土壤深厚肥沃年均降水量达550～700 mm，全年平均气温7.4℃。图1

1.1.1 影像数据

无人机影像采集时间为2018年8月，航拍区域覆盖面积约61.25 km2，使用的无人机型号为UNIT-AIR-FW3，搭载DSC-RX1RM2(35 mm)相机，像素大小4.53×4.53 μm，拍摄影像尺寸为7 952×5 304，航拍平均高度904 m，飞行设置的航向重叠率为85%，旁向重叠65%，共获得有效影像1 876张，空间分辨率为0.121 m。表1

参数类型Parameter type参数数据Parameter data传感器类型 Sensor typeCMOS传感器尺寸 Sensor size全画幅有效像素 Effective Pixels4 240万焦距 Focal length35 mm像素大小 Pixel size4.53×4.53 (μm)

1.1.2 外业数据

2018年7月在新疆巩留县恰西国家森林公园内，通过林相图等先验数据与实地踏查结合，按照采伐强度选取典型样地。共设置50块30 m×30 m的典型样地，其中皆伐样地20块，择伐样地15块，无干扰天然林15块。并对样地内胸径大于5 cm，树高大于3 m的天山云杉林进行每木检尺用于计算蓄积量，共1 352棵天山云杉。使用GPS记录每块样地中心点及4个边点的坐标。表2

表2 样地每木检尺数据Table 2 Data of per wood scale in sample plot

1.2 方 法

1.2.1 无人机影像处理

相比传统卫星影像，无人机搭载的相机由于传感器大小的限制，航拍的单张影像覆盖区域比较小，对图像进行几何校正与预处理并使用Photo Scan1.4软件进行图像配准与图像融合工作从而得到拼接后的测区全景图像。

获取无人机航拍影像后，采用特征点提取与相对定向自动匹配的方法，结合控制点对光束法局域网平差迭代求解，计算出准确的无人机相机姿态数据并生成核线影像，生成密集点云，点云数据的间距为4.43 point/m2。图2

1.2.2 数字模型生成

生成密集的点云数据后，对点云数据进行编码分类并进行滤波处理，将地面点与剔除地面点的其他地物进行区分，生成数字高程模型(DEM，Digital Elevation Model)。采用PIX4D软件将地面点，地面植被点，地面建筑点加入特征线辅助数据进行三角网内插，根据地物情况调整网格间距输出数字表面模型(DSM，Digital Surface Model)。将生成的DEM与DSM导入ArcGIS10.3软件，打开ArcToolbox的3D分析工具，进行栅格计算得出冠层高度模型(CHM，Canopy Height Model)。图3

1.2.3 树高提取

在冠层高度模型(CHM)的基础上，采用克里金插值法对典型样地内的所有树冠顶点进行焦点统计，将动态窗口范围内选择出的焦点做重分类处理，进行栅格计算后，使用ArcGIS软件将潜在树冠顶点与其他点区分开，再把潜在的树冠顶点由栅格图层转换为点矢量图层。

在树冠顶点提取过程中，由于树冠表面并非规则的曲面，而且有的立木冠幅较大，产生了1棵树冠面上产生了多个顶点值。研究区的天山云杉属于针叶树种，冠层成塔状结构，即最高点为林冠的中心点，对伪树顶点进行剔除，提高林冠中心点的提取精度，排除低矮灌木对实验结果的影响。图4

1.2.4 建模与检验

林木胸径与树高、冠幅之间具有较强的关联性[12]，研究在样地水平上，以实测数据为基础，从10种曲线估计模型中选取最优模型，从1 352棵天山云杉中抽取1 012棵进行胸径-树高、胸径-冠幅模型构建，剩余340棵作为样本检验模型精度。采用均方根误差(RMSE)评价指标对模型进行检验。

(1)

1.2.5 蓄积量反演

天山云杉二元立木材积公式由当地林业局根据天山西部地区最新二类调查检尺材料计算求出。

V=6.293 661 9×10-5×D1.793 240 1×H1.046 970 7.

(2)

1.3 数据处理

树高提取值与树高实测值的关系散点图，以实测值为因变量，提取值为自变量，通过SPSS统计分析软件对其进行线性拟合。

2 结果与分析

2.1 树高提取精度

研究表明，树高平均提取精度达到88.42%，其中最高精度可达99.80%，最低精度60.23%。

决定系数R2=0.976，提取树高与实测树高存在显著正相关关系，线性函数可以作为拟合函数，将提取树高根据y=0.978x+0.888公式进行校准。图5

2.2 胸径-冠幅模型与胸径-树高模型

研究表明，在选取的10种曲线估计模型中，胸径—冠幅的幂函数相关系数精度达到0.696，胸径—冠幅构建的反演模型结果并不理想，达不到要求标准，胸径—树高的幂函数关系模型拟合程度最高，精度达到0.730，模型公式为：

D=(H×1.635)0.991.

(3)

模型公式中D表示胸径，H表示树高。

表3，表4，图6，图7

表3 胸径冠幅模型及参数统计Table 3 Summary of parameters of DBH crown width model

表4 树高胸径模型及参数统计Table 4 Summary of parameters of DBH tree height model

2.3 模型检验

研究表明，RMSE=12.386，模型拟合效果显著，可以使用模型反演天山云杉的蓄积量。

2.4 蓄积量的反演及精度

研究表明，将构建模型与二元材积公式联立为：

公式中：Di代表拟合胸径，H代表树高，Ht代表修正树高，Hi代表提取树高，V表示蓄积量。

模型得到的残差值大部分落在(-2，+2)残差区间内，样地1 012棵天山云杉总蓄积量为3 166.51 m3，无人机影像估算总蓄积量为2 775.76 m3，精度达到了87.66%。图8

3 讨 论

3.1 基于无人机影像树高提取

无人机的多空间构架飞行与多光谱相机多角度的拍摄，构建出的三维点云数据可以在较大程度上还原研究区的林分特征与树木生长情况，在一定程度上为林木单株的树高提取提供保障。光学遥感技术与传统的目视解译相比优势明显，多光谱相机的纹理信息提取与波段组合所带来的误差更小，数量化的表达更具有说服力。李亚东等[13]针对内蒙古大兴安岭阿尔山地区的天然白桦林，用聚类分析点云数据，搜索Z坐标轴的最大值，将其作为树冠的顶点提取树高，平均精度达到83%。周小成等[11]在福建地区对当地采伐迹地的马尾松与杉木林进行林分蓄积量的估测，采用局域最大值法，将其设置为动态窗口与固定窗口，也获得了不错的提取精度，反演研究区马尾松的蓄积量精度高达91%。采用克里金插值法提取了吉林省的大川林场的红松林的树高，在其选择的3块样地中，树高提取精度最低为62%，最高精度为97%，平均精度为86%[14]。研究树高提取方面虽然在前人的基础上有所提高，但根据无人机点云数据分析提取的数字高程模型精度还是未能达到地面激光雷达数据提取的数字高程模型精度，其原因主要是地表植物的遮挡形成的阴影干扰，如果随着技术的发展与革新，将激光雷达与多光谱相机同时搭载到无人机，树高的提取精度将进一步提高。

3.2 胸径-树高模型的构建

树高和胸径是估算森林蓄积量的重要因子。基于无人机影像反演天山云杉林分蓄积量比起激光雷达最大的劣势是胸径的测量，由于无人机采用的是多光谱相机成像，而胸径无法被正射影像拍摄到，需要典型样地每木检尺，根据实测数据建立胸径-树高模型，来达到反演蓄积量的目的。

目前，国内外基于遥感影像反演蓄积量的研究已有很多，但应用面较窄，只适用于特定的立地条件或特定的树种，因为不同条件下立木胸径与树高的拟合关系也不同，并没有一种适用于所有树种的胸径-树高模型或胸径-冠幅模型[15-17]。

李海奎[18]针对油松、杨树、栎类等6种全国主要树种进行高级分级，通过双重迭代算法建立了胸径-树高曲线模型，该模型的决定系数达到了0.943 8，还通过刀切法对模型参数的灵敏度进行分析，对验证模型分径阶的平均绝对误差、均方根误差进行对比表明模型比较稳定可靠。利用数字表面模型和无人机系统获得了日本柏树高和胸径的线性关系，其决定系数达到了0.778 6[19]。要找到不同立地条件下，不同树种的胸径与树高关系还有待于进一步研究。

4 结 论

基于无人机影像提取树高与实测树高存在显著正相关关系，提取平均精度为88.42%，建立天山云杉胸径-冠幅模型的相关系数为0.696，而胸径-树高模型的相关系数为0.730；验证胸径-树高模型，计算RMSE值为12.386，拟合效果显著。基于胸径-树高模型反演林分蓄积量精度为87.66%，与实测值比对，残差值大部分落在(-2，+2)残差区间内。通过高分辨率无人机影像数据反演林分蓄积量是切实可行的，精度也满足对天山云杉林木生长状况的快速评价和动态监测需求。