森林资源遥感调查研究进展
2022-03-13朱婷茹何立恒
王 燕,朱婷茹,何立恒
(1.江苏省土地勘测规划院,江苏 南京 210017;2.南京林业大学土木工程学院,江苏 南京 210037)
0 引 言
森林资源是自然资源的重要组成部分,第九次全国森林资源清查结果显示,我国森林总面积共2.20亿hm2,森林覆盖率为22.96%[1]。森林资源指林地生长范围内的林木、林地、动植物及环境[2],森林资源调查对象包括森林自身情况,如林种、蓄积量、健康状况等,还包括生态环境、社会经济等数据。森林资源调查为林业部门掌握森林内部情况、进行森林资源管理和规划提供帮助,也为贯彻落实习近平生态文明思想,构建自然资源调查监测体系提供基础支撑。
传统森林资源调查以人工为主,使用抽样调查和小班调查,调查结果精度较差且效率低,逐渐被现代化技术取代,如卫星遥感、无人机、激光雷达等。现代化遥感技术在森林资源调查领域的进展,为新形势下运用高新技术实现森林资源的精确、快速和高效调查提供参考[3]。但现有综述类文献更多针对森林资源某一具体应用领域,缺少相关综述类文章或文献计量类文章对森林资源现代化遥感调查的进展进行系统性、综合性的阐述[4]。
在各类数据库中搜索2015-2020年间关于“森林资源调查”和“遥感”的论文,结果显示:CNKI总数据库共发表文章694篇,其中关于卫星遥感、无人机遥感和多源遥感的文献频数分别为55、72和11,数据处理方法中基于深度学习和基于回归模型的文献分别有32篇、244篇;Web of Science核心数据库共发表文章综述1 078篇,关于卫星遥感的文章占44%。本文从数据源与数据处理方法两方面阐述和分析森林资源遥感调查研究现状及发展趋势。
1 森林资源遥感调查数据源的演变
随森林资源应用和需求的不断提升,森林资源调查数据源逐渐向高空间、高时间和高光谱分辨率遥感数据发展。现代森林资源遥感调查向综合化发展,以建立基于多源、多尺度、天空地一体化、点线面多尺度[5]的综合体系为趋势。利用多源遥感数据,可以同时获取森林资源整体和单木信息,提高结果精度,常用于森林蓄积量、森林生物多样性和森林树种分类等调查。
1.1 卫星遥感
森林资源调查常用的卫星有Landsat、SPOT、Quick Bird等国外系列卫星以及国内资源、高分系列卫星。钟滨等[6]采用高分二号数据进行竹林信息提取,利用高分二号丰富的纹理特征,改善了单靠光谱特征提取的精度。曾文等[7]基于高景一号遥感影像,对不同波段构建4种特征评价准则,分析以得到最佳分类效果下的特征选择和波段组合。赵勇钧[8]基于森林资源连续清查数据确定森林健康评价指标,提取SPOT-5多光谱、全色影像的光谱信息和纹理信息,建立森林健康评价模型。唐文静等[9]使用Landsat系列卫星产品对2012年和2017年的影像进行森林蓄积量的估测,总体精度分别为0.79和0.89。孙忠秋等[10]使用Landsat-8 OLI影像,分别建立基于波段信息和植被指数建立回归模型估测森林蓄积量,与二项式模型估测结果进行比较,结果显示后者的精度更高。Mobushir[11]采用Sentinel-2A卫星数据建立AGB模型估算松林地上生物量,分析评价了Sentinel-2A图像纹理对AGB预测模型精度的影响程度,证实了Sentinel-2A遥感数据在森林生物量方面的应用潜力。
卫星遥感影像为森林资源调查提供可靠、便捷、精确的数据来源,在相关领域应用广泛,既提高了森林资源调查的效率,还提高了调查的精确度[3]。但研究中多选择中等分辨率遥感影像,更高分辨率的影像难以获取或价格高昂,在研究中应用较少[12]。单一的遥感影像也不足以满足森林资源的综合调查,仅能有限地反映森林资源某一方面的信息。且研究中大多采用图像的光谱和纹理信息作为特征变量,建立研究模型,后续研究可加强对其他特征信息的挖掘和利用。
1.2 无人机遥感
无人机技术是一种近地面遥感技术,保证数据高空间分辨率、高光谱分辨率的同时,弥补了区域尺度与样方尺度间的空缺。与卫星遥感相比,无人机飞行成本低,拍摄时间自由灵活,具有高时效的优点。
在森林资源调查的研究中,通过无人机可以获取多光谱光学遥感影像和三维激光点云数据。多光谱光学遥感影像通过光谱信息进行森林整体性调查,谢刚等[13]借助无人机航空像片建立立体像对获得树高,使用全站仪实地测量的树高进行精度评价。刘鹏[14]研究了高光谱技术在植被分类与健康监测中的应用,数据来源采用无人机搭载高光谱相机进行低空观测,飞行高度在20~100 m之间,利用获取的图像采集植被光谱信息进行分类识别与生长状况监测。黎新宇等[15]采用无人机搭载高分辨率相机进行低空倾斜摄影,对采集的数据建立实景三维模型,提高了森林资源调查的精度。
无人机机载雷达获取的三维点云数据常用于单木因子的提取,耿林等[16]通过局部最大值的树顶检测法提取树高,利用分水岭分割法进行冠幅探测,并与高程归一化点云进行精度评价。李平昊等[17]比较了分水岭算法、四次多项式拟合法和基于点云的距离判别聚类法对机载激光雷达点云数据进行单木分割的精度,发现在不同的冠层形状参数与点云数量阈值下,不同算法各有优劣,但总体分割精度都能达到0.76以上。Brandtberg[18]基于每棵树第一个返回点云的边缘高度分布的形状特征估计单木树高,利用不同树种的冠层形态、树高和冠幅的关系进行单木分割,使树高估计结果的均方根误差缩小了20%,树种分类精度提高了4%。王瑞瑞等[19]采用基于全局最大值的归一化分割法对初始单木分割的结果进一步分割,实现冠层中下层的精确探测,提高了单木提取的精度。
无人机多光谱遥感影像在森林资源调查的研究中,大多分析光谱特征对调查精度的影像,未来可进行光谱信息与图像分析结合的研究。机载激光雷达获取的森林信息主要集中在树木冠层上部、冠层下部及树干信息,提取精度分别受点云密度和森林冠层间隙率影响[20],未来研究方向在于提高分割精度以及减少森林冠层结构的影响。
1.3 多源遥感技术协同
多源遥感有助于提升森林资源调查精度。章恒等[21]分别对SPOT 5融合影像、SPOT 5多光谱影像、Landsat-8融合影像和“高分一号”多光谱影像进行红树林信息提取,针对这4种数据源进行比较并评价其精度,以确定在该研究中最适合、提取精度最高的数据。董文雪等[22]将机载激光雷达提取的结构信息与高光谱提取的光谱信息结合构建估算模型,利用自适应模糊C均值聚类的方法识别森林乔木最大物种数为20,识别精度为0.69。皋厦等[23]基于机载激光雷达单木分割和高光谱特征提取,进行城市森林树种分类,选择不同特征变量的树种分类总体精度都能达到0.907以上。
光学遥感受环境条件影响,存在森林垂直方向的信息难以获取等问题,合成孔径雷达可以获取森林垂直信息,但存在难以去噪、易收缩、易叠掩等问题。结合光学遥感和合成孔径雷达,既能获得丰富的光谱信息又能获得地表空间信息,有利于提高森林资源调查的准确度、精确度和完整性。周晓虎[24]结合SAR和多光谱数据,提取纹理特征和植被指数作为植被类型识别特征,基于随机森林法利用多源遥感数据进行森林分类。Hudak等[25]使用LiDAR数据与Landsat数据从垂直与水平结构上获取树冠高度,既弥补了LiDAR数据在水平面上覆盖范围有限的问题,又解决了Landsat数据对树高变化不敏感的问题。雷达数据的纹理信息适用于森林生物量的估算,许振宇[26]利用Sentinel-1和Landsat 8遥感数据估算了某县重点林区生物量。刘霜[27]结合光学数据和雷达数据,使用多元线性回归、BP神经网络和支持向量机模型估算森林生物量,发现BP神经网络模型效果最好,估算精度为0.820 9。
在森林资源遥感调查研究中,使用多源遥感数据,综合各类型遥感数据优势,对比评价最优数据能有效提高调查精度。联合多源遥感数据进行植被特征提取、类型识别、分类将是未来森林资源调查的重要发展趋势。
1.4 数据源的演变小结
现代化森林资源遥感调查数据源以无人机航空摄影和卫星遥感为主,将获取的影像与野外调查数据进行比对可以确定森林资源类型,将影像信息代入基于地面各类因子的定量模型可以估算森林蓄积量,与现代监测技术相结合可以获得森林资源覆盖情况[28]。其中,光学遥感影像具有光谱信息,适用于林种的调查,合成孔径雷达数据因丰富的纹理信息常用于森林生物量的调查,激光雷达对于单木参数的提取具有较高精度。不同数据源在森林资源调查中提取的常用参数如表1所示。
表1 不同数据源可提取的森林参数
2 数据处理方法研究进展
遥感在森林资源调查的应用中,经历了从森林航空摄影测量、卫星遥感到定量遥感的发展过程。由于计算机技术发展的限制,早期是以航空遥感像片为主的目视解译阶段,利用航空像片勾绘小班和森林成图,该阶段建立了森林航空摄影、森林航空调查和地面综合调查相结合的森林调查技术体系。卫星遥感的发展,开启了卫星遥感数字图像处理、林业信息提取的新阶段,建立了卫星遥感与地面调查技术相结合的体系。定量遥感发展阶段,高空间、高光谱分辨率光学卫星遥感开始应用于林业研究。
由于森林资源调查对遥感影像分辨率需求的不断提高,森林资源遥感数据处理方法也面临发展和创新的问题。从基于统计方法、建立回归模型到基于深度学习,从基于像元的分类方法到面向对象的分类方法等。数据库中搜索的论文结果显示,基于深度学习和回归模型两种方法近五年广泛应用在森林资源调查的遥感图像处理分析领域。
2.1 深度学习
深度学习是遥感影像目标识别中十分重要的技术,其原理是在模拟人脑的学习过程中建立神经网络,实现计算机在数据中的自动学习。基于机器学习和神经网络的发展为森林资源遥感图像处理提供了新的突破点。
黄彦晓等[29]在进行树冠提取研究时,由于两块样地的树冠颜色相近,难以使用一般的光学图像识别方法,选择卷积神经网络中的Faster R-CNN模型并加以改进,最终使识别精度提升至0.929 2。Faster R-CNN是对R-CNN和Fast R-CNN模型的优化,涵盖了可以生成高质量建议区域框的RPN网络,优势在于通过与检测网络卷积层进行共享[30]来缩短模型训练的时间。罗巍等[31]介绍了基于深度学习的杨梅树调查统计方法,使用在Faster R-CNN模型的基础上加以改进得到的Mask R-CNN模型,识别和统计图像中的杨梅树,采用公式计算得到树冠面积。同时借助计算机语言实现树冠掩膜的提取并输出轮廓图像,结合GIS进行基于掩膜矢量的树冠面积计算。Mask R-CNN模型是在Faster R-CNN的基础上舍弃了VGG网络,使用表征能力更强的残差网络和FPN网络。Chen等[32]设计了一种基于体积元素和梯度信息的深度学习法,对机载激光雷达数据进行单木树冠分割,该方法比流域算法、基于点云的集群分割算法精度都高,总体精度可达0.85。Liu等[33]使用VGG16与训练的UNET网络对地面森林图像进行语义分割,实现树木数量识别和树种分类,分类准确率达到0.96。Guan等[34]使用欧几里得距离聚类和基于体积元素的归一化分割提取单木,通过深度学习生成树种分类的高级特征抽象,实现激光雷达数据的树种识别和分类,总体分类精度为0.86。
基于深度学习的分类识别方法在很大程度了减少了人力消耗,提升数据处理效率的同时也提高了森林资源调查结果的精度。然而,深度学习模型的训练需要大量训练数据作为支撑,这是模型精度的保障,也是研究的一大挑战。因此,如何从遥感数据中收集大量的训练样本是深度学习方法应用于森林资源调查未来研究的重点[35]。
2.2 回归模型
鉴于森林资源调查的实用性,建立具有普适性的森林树高、蓄积量、地上生物量和郁闭度的定量估测回归模型,是当前研究的一大热点[36]。其中,基于回归的方法被广泛使用,包括一元回归模型、多元回归模型、基于不同特征的多元线性回归和最小二乘回归。
曾伟生等[37]对机载激光雷达数据建立森林蓄积量预估模型,首先通过LiDAR数据和地面实测数据提取模型变量,基于线性回归和非线性回归法建立具有相同变量和统一结构的普适性模型,再基于哑变量建模方法建立不同森林类型的蓄积量模型。许昌建等[38]利用仿真大光斑激光雷达数据,建立森林地上生物量估算模型,首先依据单波形参数建立单变量线性回归模型,研究最适合波形参数并得到结果模型最佳参数为高度百分位数。再建立多元线性回归模型,与深度学习模型中的多层感知器模型进行模型精度分析。张伟伦[39]基于Sentinel-1A双极化数据,结合森林地上生物量实测数据获取后向散射系数和干涉相干系数,利用遗传算法和非线性最小二乘法估算模型参数,建立干涉水运模型进行森林蓄积量反演。陈园园等[40]使用Sentinel-1 SAR的后向散射系数和纹理信息,Sentinel-2A的光谱和纹理信息建立多元线性回归模型实现平均树高的估算。苏华等[41]对Landsat-8 OLI中提取的因子分别建立基于光学特征和基于SAR特征的多元因子回归模型估算森林生物量,结果表明基于光学因子的估算模型比基于SAR因子的模型效果更好。李特[42]基于Landsat-5 TM影像和机载激光雷达数据建立回归模型估算森林生物量,其中通过卷积神经网络提取特征建立的模型由于是经验模型,估算精度是0.605。
基于回归模型的方法常用于森林蓄积量和森林生物量的估算,选择合适的回归模型能有效提高估算精度。针对不同研究区、不同数据源的回归模型需要具体比较分析,模型参数的确定会产生不同的结果,未来研究方向在于是否能够建立具有普适性的统一估算模型。
2.3 数据处理方法小结
不同森林参数提取的方法及其数据源类型如表2所示。深度学习常作用于光学图像,进行分类识别,尤其在卷积神经网络发展以后,深度网络使分类精度大大提高。但深度学习模型训练依赖于数据集的规模,识别精度与数据集大小密切相关,如何获取大量、有效以及足够丰富的信息数据库是深度学习应用于森林资源分类的一大难题。同时由于深度网络的复杂度,模型训练消耗大量时间,如何提高深度学习模型训练效率也是未来一大研究方向。
表2 森林参数提取方法
森林参数遥感定量反演的提出,为综合管理、利用森林资源提供了方法,实现了森林资源大范围调查。回归模型的参数与模型精度息息相关,选取参数时结合遥感图像以外的信息,如物候、生境信息等有助于提高结果的精度。同时增加遥感定量模型的参数可在一定范围内提高结果精度,但参数过多无法取得明显效果时,可通过优化模型或选择精度更高的模型解决。
3 森林资源遥感调查应用
森林资源遥感调查可以应用于森林生长状态的监测,借助无人机航拍影像或卫星遥感影像进行大规模、大范围林地监测,结合计算机技术与调查信息构建森林资源监测系统。其中,应用最多的是进行森林病虫害监测,殷存军[43]使用无人机影像识别患病松树,实现病树的监测;Aknc等[44]使用无人机影像识别松树上的飞蛾巢实现虫害监测;孙福洋等[45]使用MODIS TERRA NDVI产品数据,结合森林分布数据,实现对森林病虫害受灾面积的估算。
利用森林资源遥感调查数据还可以提取森林生物量信息。通过高分辨率的遥感影像进行大面积森林生物量估算,有助于研究全球陆地生态系统碳循环。许振宇等[46]利用Sentinel-1和Landsat 8遥感数据估算了某县重点林区的生物量。
森林资源遥感调查可以应用于森林火灾的预防与监测。传统的森林火灾预防和救援工作难度大,而森林火灾对森林资源的影响最为严重。Fran- cesco等[47]使用无人机搭载红外摄像机实现森林火灾监测,红外摄像机在烟雾下具有很好的穿透效果,低空飞行又具有最佳监测效果;唐尧等[48]基于多源高分卫星影像展开四川木里森林火灾应急灾情跟踪监测。国产高分系列卫星在突发性小面积森林火灾、动态跟踪监测火区灾情信息中发挥重要作用。
森林资源遥感调查数据还可以与其他数据集合分析问题,与生境类型结合可以了解森林的空间分布及生物多样性[49],与气象数据结合可以研究全球气候变换,与生物、物理、化学效应结合可以进行土地利用变化研究。
4 结 语
我国森林资源数量在不断增加[50],对森林资源调查技术的要求相应提高,传统的调查技术和数据处理手段已经不能满足对森林资源的管理、规划和保护工作。现代化遥感技术可以快速、准确、动态、宏观地获取不同时空尺度的森林资源分布、蓄积量、生物量、生长状态等信息,为森林资源调查提供了重要手段,最大程度上减少森林破坏的同时也保障了林业工作者的安全[51]。本文基于森林资源调查的应用领域进行需求分析,从数据源演变与数据处理方法两个方面对森林资源遥感调查研究现状及发展趋势进行了综述。随着计算机技术不断地发展及生态建设对森林资源调查数据精确度的提高,森林资源遥感调查在数据源方面,采用无人机航空摄影像片与卫星遥感影像,并向多源数据发展;在方法上,突破和创新了高分辨率遥感影像森林调查的关键技术,本文主要介绍了基于深度学习的分类方法和基于回归模型的分析方法。
卫星遥感影像可提供丰富的光谱信息和纹理信息,实现森林信息的提取,进行森林生物量、积蓄量和森林健康分析。组合多遥感信息源波段可实现森林资源地块的分类识别[52]。树高、胸径、冠幅、面积、密度和郁闭度等信息可以通过无人机地面影像数据获取,也可以通过激光扫描仪采集的三维点云数据获取。现代化森林调查技术精度高、范围广、效率高,且不会对森林资源造成影响[53]。
对各部分文献进行总结整理,结果显示由卫星或无人机获取的光学遥感影像,与激光雷达数据结合可以通过深度学习方法进行林冠识别和提取、树种识别和分类等;与SAR数据结合,综合光谱信息和纹理信息,通过回归模型获取树高、森林蓄积量和生物量等信息。从研究进程来看,森林资源遥感调查在数据源和方法上都有创新,未来发展方向将集中在如何短时间获取大面积、高分辨率的遥感数据以及如何快速、准确处理和识别图像数据的问题上。