机载激光雷达在森林资源调查中的应用与展望

王伟鹏 徐洋 王珩

(贵州师范大学 贵州省信息与计算科学重点实验室，贵州 贵阳 550001)

森林资源是陆地生态系统的支撑，及时、高效、准确地调查与监测森林资源，对生态环境的保护与可持续发展具有重要意义。人工调查方式效率低、周期长，大范围的森林资源调查成本较高；而光学遥感方式只能获取森林冠层表面信息，不能获取森林的垂直结构信息。

激光雷达(LiDAR,Light Detection And Ranging)融合了激光技术、定位技术、姿态测量技术、计算机技术等多项高科技，是多学科、多领域深度融合的产品[1]。对LiDAR进行针对航空平台的改进，衍生出了LiDAR产品的重要分支——机载LiDAR(Airbore LiDAR)。

机载LiDAR[2]作为一种主动式的遥感探测技术，可以精准、快速地获取地表与植被的三维空间信息[3]。机载LiDAR可以安装在有人机、无人机等飞行平台上，具有外业工作量小、可以夜间作业等特点，作业效率比较高[4]。相较于机载光学相机采集生成的光学图像，机载LiDAR所采集生成的数据为点云数据(point cloud)[5]。点云数据当中的每个点包含了经纬度信息、高程信息、回波强度信息、回波次数信息，具有精度高、数据量大等特点。目前机载LiDAR已经成为森林资源调查领域的重要技术手段[6]。

1 机载LiDAR调查森林资源的原理

机载LiDAR向外发射出激光脉冲，并且接收植被、地表等反射的回波，记录回波的次数、强度、脉冲和回波之间的时间差等信息。由此可以计算出回波距离l。

回波距离l的计算公式为：

其中t是机载LiDAR记录的从脉冲发出到收到该脉冲回波的时间，c是光速。

机载LiDAR的脉冲可以穿过部分树叶和枝干，脉冲脚点可以落在树叶、树干或者地面上，从而形成多回波。多回波的脉冲脚点可以展示出树冠的大小和形状等信息，从而得到森林的垂直结构。直接射向地面的脉冲，只形成一次回波。多回波特性使得机载LiDAR在森林资源调查方面相较于传统的人工调查和光学影像调查等方式更有优势。

机载LiDAR进行森林资源调查发射脉冲与接收回波如图1所示。

图1 机载LiDAR森林调查示意图

2 机载LiDAR在森林资源调查中的应用

机载LiDAR可以从单木层面或者林分层面进行森林资源的调查。

2.1 机载LiDAR进行森林资源调查的步骤

机载LiDAR进行森林调查，大都需要进行森林样地划分、外业人工调查、外业航飞采集、内业点云数据处理等几个步骤，如图2所示。

图2 机载LiDAR森林资源调查流程图

森林进行样地划分便于对样地进行人工调查以及统计森林信息。外业人工调查，通过每木检尺等手段，可以获取样地具体的树高、冠幅、胸径、叶面积指数、郁闭度、生物量等信息。外业航飞采集可以获得森林大尺度范围的单木与林分信息。内业点云处理可以对采集的森林点云数据进行滤波、单木分割，提取树高、冠幅、穿透率等数据，进而获得相关单木因子和林分因子。人工调查的数据可以与机载LiDAR采集的点云数据进行相关反演模型的建立，或者对模型进行精确度检验。

2.2 机载LiDAR单木因子调查

单木因子主要包括单木冠幅、树高、胸径等。单木冠幅、树高、胸径可以作为回归方程的参数估计林分尺度的生物量等参数。通过单木的识别，可以估算林分密度当中的株数密度等参数。机载LiDAR可以对单木的冠幅、树高进行调查。

2.2.1 机载LiDAR调查单木冠幅

树冠是树木进行光合作用与蒸腾作用的部位，冠幅是单木的重要因子。单木冠幅的提取目前主要有两种方法：一种是基于冠层高度模型(CHM,Canopy Height Model)的提取方法，另外一种是针对原始点云进行聚类分割的提取方法。

机载LiDAR穿过树叶提取森林地形，后期生成数字表面模型(DSM,Digital Surface Model)、数字高程模型(DEM,Digital Elevation Model)，进而由DSM减去DEM得到冠层高度模型。基于CHM进行分割获取单木冠幅，主要有区域增长法、分水岭分割法等方法。针对原始点云的单木冠幅提取基于聚类的方法，主要有K-means聚类方法、高斯聚类[7]等方法。

李岩等使用Riegl LMS-Q680i机载LiDAR获取了黑龙江省尚志市帽儿山林场的森林数据，使用区域生长法、分水岭分割法、区域分层横截面分析法三种算法提取了单木的树冠，其中区域分层横截面的树冠提取精度最高，达到83.64%[8]。

针对茂密的森林，王濮等提出了一种基于图割的单木识别方法，整体精度达90%以上，能有效降低单木漏检的情况[9]。为进一步提高单木冠幅提取精度，霍达等提出了四次多项式的方法拟合提取单木冠幅，在相对稀疏的森林应用效果较好[10]。

2.2.2 机载LiDAR调查单木树高

单木树高反映了单木的生长情况，是单木调查的重要因子。单木树高的提取基于高密度的点云数据，目前单木树高的提取方法主要有两种：一种是基于CHM提取的方法，单木树高提取的关键在于如何准确提取单木的树顶点[11]960[12]；另一种是基于原始点云提取的方法[13]1 074[14]142。

基于CHM提取单木的树高，又分为在CHM中寻找局部极值的方法，以及在CHM中首先提取单木树冠，然后寻找单木树冠内高程最大值的方法。基于原始点云提取单木树高，一般使用地面以上的点云减去DEM得到归一化的点云，使用聚类等方法识别单木的树顶点。

王轶夫等使用Leica ALS70机载LiDAR获取的点云数据，利用HASM-AD并行算法生成了DSM和DEM，二者做差得到CHM，在滤波窗口内寻找极值提取了树冠顶点，当搜索半径为0.5m的时候，树顶点的搜索效果最好[11]961。

皋厦等使用归一化的点云数据，提出了基于点云距离的方法提取了单木的树顶点[13]1075。林怡等将点云投影后进行网格化再进行搜索树顶点，提高了树顶点搜索精度和效率[14]144。

2.3 机载LiDAR进行林分因子调查

林分因子主要包含：林分起源、平均高、平均胸径、叶面积指数、郁闭度、生物量、立地质量等指标，反映了森林的外貌、生长速度、生长密度等信息。机载LiDAR在林分平均树高、叶面积指数(LAI,Leaf Area Index)、郁闭度、生物量等方面的调查有着比较多的应用。

2.3.1 机载LiDAR调查林分平均高

林分平均高是反映森林生长状况的数量指标，同时也反映了林分立地质量高低。机载LiDAR可以直接提取林分树高，目前主要有两种方法：一种是基于提取单木树高的方法，另一种是基于点云进行统计处理的方法。

当点云密度较高的时候，可以进行基于CHM或者原始点云的单木分割，提取单木树高，最后计算林分平均高[15]269。当点云密度较低的时候，单个树冠的激光点较少，无法准确刻画单个树冠的表面形态，单木分割较为困难，此时需要对林分的点云进行统计处理。

刘清旺等使用了国产机载LiDAR和国产高光谱组合系统，在湖北省的亚热带森林进行了林分平均高的调查，使用了先提取单木树高，后计算林分树高的方法，其中LiDAR的树高调查准确率达到90.67%[15]270。

庞勇等使用RIEGL LMS-Q280机载LiDAR获取的山东省烟台市徂徕山林场的点云数据，采用点云不同高度的分位数作为统计变量，反演了林分平均高度，反演精度为90.59%[16]。穆喜云等使用Leica ALS60机载LiDAR获取了内蒙古根河辖区的森林数据，生成CHM，使用了四分位数方法，对林分平均树高进行了估计，其中75%分位数处高度与样地实测高度的相关系数达到了97.6%[17]86。

2.3.2 机载LiDAR调查林分叶面积指数

叶面积指数是树木冠层的一个关键机构参数，是反映森林群体生长状况的重要指标[18]。根据机载LiDAR的点云数据，叶面积指数的估算方法主要有两种方法：孔隙度模型法和统计模型法。

孔隙度模型法需要利用机载LiDAR数据计算森林的激光穿透指数(LPI,Laser Penetration Index)，通过比尔-朗伯(Beer-Lambert)定律可以转化为有效叶面积指数[19][20]1 469。统计模型法需要在森林划分样方实测叶面积指数，根据实测LAI与机载LiDAR数据提取特征变量进行回归分析建模，建模之后反演叶面积指数[21]40。

针对很多学者利用LPI来计算有效叶面积指数，没有对回波强度进行校正。对原始回波强度根据距离和角度进行校正，并建立校正前后的回波强度计算得出LPI，再根据Beer-Lambert定律建立有效LAI估算模型，可以提高有效LAI的估测精度[20]1473。陈卓等使用不同回波数和校正之前和校正之后的回波强度为变量计算LPI，利用Beer-Lambert定律建立了有效LAI估算模型，可以估算不同种类森林的LAI[21]41。

点云密度是机载LiDAR点云数据的一个重要参数。尤号田等使用Leica公司的ALS70机载LiDAR采集了长春市净月潭森林公园的森林数据，针对点云数据做了随机稀疏化处理，分别用原始密度的点云数据、1/2密度的点云数据、1/4密度的点云数据、1/8密度的点云数据进行了LAI反演模型的实验，证实了低密度点云数据也能进行LAI的反演[22]。

机载LiDAR的森林LAI的调查依赖于LAI反演模型的准确程度。多特征变量的LAI反演模型，效果更好，例如考虑光谱特征[23]，以及对回波信息等进行细分等。

2.3.3 机载LiDAR调查林分郁闭度

郁闭度是森林树冠在地面的投影面积与地面面积之比，是反映森林结构和森林环境的一个重要因子。

机载LiDAR的森林郁闭度的调查数据处理方法一般基于回归分析法。首先通过人工实测等方式获取被调查森林的一块样方的郁闭度，然后通过机载LiDAR获取要调查森林的点云数据并确定模型参数，最后对样方郁闭度和模型参数进行回归分析，建立郁闭度反演模型。

穆喜云等使用Leica ALS60机载LiDAR获取的数据，以LiDAR点云密度变量为自变量与实测郁闭度进行线性回归，与实测郁闭度相比较，模型反演准确率达到88.29%[17]87。张瑞英等使用LANDSAT ETM+卫星的影像数据和Leica ALS60机载LiDAR获取的点云数据，构建了多元逐步回归模型、随机森林模型和Cubist三种回归模型，并进行了对比分析，其中Cubist模型的预测精度最高、稳定性最好[24]。

机载LiDAR的回波能量可以作为郁闭度反演模型的参数。尤号田等使用Leica ALS70机载LiDAR获取的森林点云数据，使用校正过的回波能量作为模型参数，建立了以6个能量变量为参数的单变量郁闭度反演模型和多变量郁闭度反演模型。证实能量比值参数可以较好地反演森林郁闭度[25]。

2.3.4 机载LiDAR调查林分生物量

森林生物量指的是森林树木树干、树枝、树叶等器官生物量的总和，对生态环境的可持续发展具有重要意义。

回归分析方法是机载LiDAR在生物量调查方面的数据处理的主流方法，操作流程一般是对森林进行样地划分、样地单木数据的人工测量、机载LiDAR进行森林数据采集、根据机载LiDAR数据提取的特征变量和人工采集数据进行回归分析，建立生物量反演模型。

刘峰等使用LiteMapper5600机载LiDAR获取的森林点云数据反演的冠幅、点云密度、树高等特征变量与样地实测生物量进行回归分析，建立了线性模型、非线性模型、多元逐步回归模型。结果显示，多元回归模型的反演精度最高[26]。

最小二乘回归方法[27]840[28]也被应用于生物量的估测，相较于多元回归方法，最小二乘回归方法在存在多变量时效果更好。袁钰娜等对东北林区的四种树木使用RIEGL VUX-1UAV机载LiDAR获取的点云数据分别建立了逐步回归模型和偏最小二乘回归模型，结果显示，偏最小二乘方法的模型优于逐步回归方法的模型[27]842。

在生物量调查方面，有学者采用了多数据源的形式进行生物量估算。罗洪斌等使用中国林科院的LiCHy 机载雷达系统、Landsat8/OLI卫星对云南省景洪市的试验区的橡胶树森林采集的点云数据和影像数据，采用偏最小二乘回归模型，建立试验区的综合生物量估测模型。这种采用多种数据源方式建立综合生物量估测模型的方法，发挥了不同数据的优势，但是所选择的遥感影像精度受到干扰，限制了估测模型的精度[29]60。针对森林郁闭度比较高的森林遥感信息饱和的现象，胡凯龙等采用了机载LiDAR数据、样地人工测量数据、Landsat 8卫星数据三种数据融合的方式建立了生物量估测模型。相较于单一数据特征，准确率有所提高[30]。

3 结语

由于森林冠层的遮挡，机载LiDAR在调查单木胸径、林分平均胸径等方面存在困难，目前鲜有机载LiDAR调查森林胸径的研究。树木胸径的测量，可以使用地面激光雷达。地面激光雷达由于没有冠层遮挡以及点云密度较大等优势，可直接获取树木胸径。

森林郁闭度、生物量等林分因子的调查依赖于回归分析，样方郁闭度、生物量的精确度模型的选择影响调查因子的反演效果，模型的不同参数的组合需要结合实际情况进行探索。

在森林资源调查数据采集方面，机载LiDAR与其他遥感方式进行组合是未来数据采集的发展方向。例如，机载LiDAR与卫星、航空光学遥感、背负式激光雷达、地面激光雷达相结合，可以发挥多种传感器的优势，采集信息更全面。光学影像遥感可以获取森林冠幅的纹理信息，地面激光雷达、背负式激光雷达可以精确获取胸径、树干等信息，将三者结合，可以发挥各种传感器的优势，提高单木和林分相关调查因子的精确性。

在森林资源调查点云数据的处理方面，准确提取CHM是数据处理的关键。结合以相关开源的点云处理软件和开源库为依托的机器学习、深度学习算法建立训练自动分类模型，将会提高森林资源调查的速度与准确性。