基于无人机三维信息的杉木新造林林分参数遥感估测研究

郝振帮 林丽丽 余坤勇 刘 健,4 赵各进 李明慧 宋贤芬 杨柳青

（1. 福建农林大学林学院，福建 福州 350002；2. 3S 技术与资源优化利用福建省高等学校重点实验室，福建 福州 350002；3. 闽南师范大学生物科学与技术学院，福建 漳州 363000；4. 福建农林大学艺术学院园林学院，福建 福州 350002）

目前，许多国家为抵消温室气体排放而进行了大规模的植树造林活动，实时、准确地获取这些新造林的基础信息对科学制定森林经营管理方案极为重要[1]。实地调查可以获取森林参数的准确信息，但往往低效费时[2-3]。遥感技术以高空间分辨率、便捷性等优势，为林分参数的快速、准确获取提供了有效的替代方法[4]。特别是无人机遥感技术的发展和完善，使其逐渐成为森林资源管理中越来越重要的监测工具[5]。

在过去的十多年中，摄影测量技术的发展和普及使得无人机遥感技术在林业领域得到了广泛的应用。特别是运动结构恢复算法（SfM）实现了从遥感光学图像数据中获取数字表面模型（DSM），以及大量的算法被开发利用从DSM 中获取冠层高度模型（CHM）来提取植物高度[6-7]和冠层大小[8-9]等森林基础信息，如局部最大值/最小值检测[10]、边缘检测[11]、分水岭算法[12]、区域增长法[8]、模板匹配[13]以及深度学习算法[4,14-15]等。已有研究通过对比分析了5 种不同遥感平台对树高估测精度的影响[6]，发现无人机遥感技术对树高的估测精度最高。在使用深度学习算法实现树冠边界检测的基础上，研究者借助区域统计分析方法实现了树高和树冠的信息提取[16]。但这些技术主要集中在果树和成熟林分的监测中，鲜有研究关注遥感技术在新造林监测中的应用。

新造林的管理作为森林经营活动中关键的一环，其经营的成功或失败对林分的发展具有长期的影响[17]。杉木（Cunninghamia lanceolata）是我国人工林中面积最大的造林树种，实时且准确地获取杉木造林地的林分基础信息对杉木新造林的经营管理尤为重要。本研究基于低成本无人机获得的三维信息，结合局部最大值算法和分水岭算法从单木和林分，2 个层次分析无人机遥感技术对杉木新造林树高和南北冠幅的估测精度，进而探讨无人机遥感技术对杉木新造林林分参数监测的可行性。

1 材料与方法

1.1 标准地设置与野外数据获取

研究地点位于闽北杉木的中心产区之一——福建省南平市顺昌县埔上国有林场。属于亚热带海洋性季风气候，年平均气温18.5 ℃，年平均降雨1 756 mm，地形以低山丘陵为主。研究区位于北纬26.922 623°，东经117.756 697°；平均海拔174～226 m，坡度27.8°。选定的杉木为2018 年初种植的苗木，初植密度为1.5 m × 2 m，包含多个品种的杉木。根据不同品种在研究区内共设置了15 个标准地，各标准地从山脚到山顶进行划分，每个标准地之间种植一行阔叶树作为隔离带。于2019年初对标准地内的死亡杉木进行补植，2019 年底进行人工除草。

野外数据采集主要包括15 个标准地内所有杉木的树高和南北冠幅，研究采用测量杆共测定了标准地内1 238 棵杉木的树高和南北冠幅，将各标准地内所有杉木树高和南北冠幅的均值作为对应标准地的平均树高和平均南北冠幅，调查结果见表1。在此基础上，根据单木水平的研究需要，将研究区划分为区域一和区域二。在区域一和区域二内，利用现有道路和大块石头等作为参照物，通过与影像图进行对比，实现研究区内265棵杉木的实地位置与遥感图中位置的精确对应，其中区域一167 棵杉木，区域二98 棵杉木，树高（0.95～4.01 m）基本涵盖了整个研究区1 238 棵杉木的树高分布范围，区域一和区域二内具有精确位置的所有杉木的树高和南北冠幅的最小值、最大值和平均值的描述性统计见表2。

表1 研究区15 个标准地杉木树高和冠幅大小描述性统计Table 1 Tree height and crown size statistics of Chinese fir in 15 standard plots

表2 研究区265 棵杉木树高和冠幅大小描述性统计Table 2 Tree height and crown size statistics of 265 Chinese fir in study area

1.2 遥感数据获取及预处理

2019 年12 月，采用大疆Phantom 4 Multispectral 无人机获取除草后的研究区影像图。受研究区地形起伏及研究需要，杉木新造林区域的无人机飞行作业分2 次完成，分别获取区域一和区域二的遥感影像图（图1）。无人机飞行高度均设置为30 m，航向重叠率为80%，旁向重叠率为80%，且将各区域的最高点作为无人机的起飞点。同时为获取高精度的航点GPS 数据，在飞行过程中将无人机与D-RTK 2 移动站进行连接（水平精度为2 cm，垂直精度为3 cm）。

图1 研究区的无人机影像Fig. 1 Images of unmanned aerial vehicle

Phantom 4 Multispectral 无人机搭载的集成一个可见光相机和5 个多光谱相机的一体式多光谱成像系统可以在1 次飞行中获得可见光（RGB）、红（Red）、绿（Green）、蓝（Blue）、红边（Red edge）和近红外（NIR）6 个不同的影像信息，其中2 个飞行区域分别获得1 962 和3 654 张原始影像图。采用大疆智图软件（DJI Terra）完成原始影像的拼接，获得研究区内RGB、Red、Green、Blue、Red edge、NIR 的正射影像和DSM，并将Red、Green、Blue、Red edge、NIR 合成为研究区多光谱影像，分辨率为0.76 cm。其中，区域一的影像覆盖面积为0.36 hm2，区域二的影像覆盖面积为0.69 hm2。由于DJI Terra 不能自动生成CHM，研究通过DSM 与数字高程模型（DEM）相减提取研究区的CHM。主要处理过程如下：1）结合研究区多光谱影像数据和DSM 数据，在ArcMap 10.6 软件中通过目视识别影像中的非林地位置并手动创建地面点，区域一和区域二分别获得2 281和3 238 个地面点；2）通过Extract Multi Values to Points 工具提取地面点对应DSM 的值，即地面高程，并采用Kriging 工具对地面点进行插值创建DEM；3）使用Raster Calculator 工具从DSM 中减去DEM 获得CHM。所有影像分辨率均重采样为2 cm。

1.3 树高遥感估测方法

本研究基于局部最大值算法的原理，使用ArcMap 10.6 软件实现杉木的树高提取。局部最大值算法实现树高测定的原理是通过设置一个固定大小的最大值筛选窗口来寻找CHM 影像数据中对应窗口内局部最大值的点作为树冠顶点，对应位置的CHM 值即树高。主要步骤如下：1）使用半径为0.1 m 的圆形滤波窗口对CHM 进行均值平滑处理；2）利用Focal Statistics 工具对滤波后的CHM 进行局部最大值提取，其窗口属性设置为圆形，半径为0.5 m；3）对步骤1）和步骤2）中获得的2 张影像进行求差并提取值为0 的栅格；4）将栅格转为点，提取每个点对应CHM 上的值即树高，并删除高度值小于0.3 m 的点剔除地面杂草和石块[18]（图2）。

图2 研究区树高测定示意图Fig. 2 Diagram of tree height detection in study area

1.4 冠幅遥感估测方法

本研究采用基于极值标记的分水岭算法，在ArcMap 10.6 软件中实现自动化的杉木冠幅提取。分水岭算法实现树冠分割的原理是先将树冠进行反向处理，将树冠变为一个集水区，之后基于地理形态分析的图像分割算法，通过模仿地理结构将一幅图像分为若干个互不相交的小局域来实现对树冠的分割。主要处理步骤如下：1）使用研究区的任意常数栅格与CHM 影像相减获得研究区的反向冠层高度模型；2）借助局部极值原理获取负冠层高度模型中的局部最小值作为集水区算法的倾泻点数据；3）以填挖后的负冠层高度模型为输入数据获取流向数据；4）结合流向和倾泻点数据获取研究区对应每棵杉木的集水区shp 图；5）用0.3 m 的常数栅格截取研究区的CHM 图并将结果转为矢量图[18]，并与集水区shp 图相交，相交结果即为研究区杉木的树冠区域；6）最后获取每棵杉木树冠区域的四至图，其南北距离即对应杉木遥感估测的南北冠幅（图3）。

图3 研究区树冠检测和冠幅测量示意Fig. 3 Example of tree crown delineation and crown size measurement in the study area

1.5 数据精度验证

为了评估无人机三维遥感提取树高和冠幅的可靠性，本研究分别从单木和林分两个层次评价其估测精度。在单木水平上，以265 棵具有精确位置信息的杉木实测树高和南北冠幅作为参考，对遥感估测的树高与南北冠幅进行精度验证。在林分水平上，使用15 个标准地的实测平均树高和平均南北冠幅对相应标准地的遥感估测平均树高和平均南北冠幅进行精度验证。采用决定系数（R2）、均方根误差（RMSE）和估测精度（EA）3 个指标对遥感估测的树高和南北冠幅进行精度评价。

式中：yi为实测数据，xi为估测数据，为实测数据平均值，为估测数据平均值，n为样本数。

2 结果与分析

2.1 单木水平杉木树高和冠幅提取精度分析

在单木水平上，树高估测结果见图4。由图4可知，分别对两个区域遥感估测的树高进行精度评估时，区域一R2为0.89、RMSE 为23.58 cm、EA为90.86%，区域二R2为0.88、RMSE 为20.14 cm、EA 为91.34%。两个区域合并时（265 棵杉木），R2为0.89、RMSE 为22.37 cm、EA 为91.00%。

冠幅估测结果见图5。遥感估测的区域一和区域二南北冠幅均值分别为1.54 m 和1.50 m。与实测的南北冠幅相比，可知区域一R2为0.77、RMSE为25.39 cm、EA 为83.55%，区域二R2为0.64、RMSE 为24.02 cm、EA 为83.95%。两个区域合并 时，R2为0.70、 RMSE 为27.33 cm、 EA 为82.22%。

图4 单木水平的树高估测精度比较Fig. 4 Comparison of the accuracy of tree height estimation at the tree-level

图5 单木水平的南北冠幅估测精度比较Fig. 5 Comparison of the accuracy of tree crown delineation at the tree-level

从单木提取的树高和冠幅结果来看，两个区域遥感估测的树高和树冠精度较为接近，表明在不同飞行区域和飞行作业之间，无人机遥感对杉木树高和南北冠幅的估测具有较好的稳定性。

2.2 林分水平杉木树高与冠幅遥感提取精度分析

在实现树高和冠幅提取的基础上，分别统计各标准地内所有杉木树高与南北冠幅的平均值，并与对应标准地的实测树高和南北冠幅的均值进行对比，结果见表3。通过对比实测数据与遥感估测数据之间的差异，发现林分水平上遥感估测的平均树高比实测的平均树高的值小0.07 m，平均南北冠幅比实测的平均南北冠幅的值小0.04 m。

表3 遥感估测与实测的各标准地杉木平均树高和南北冠幅对比结果Table 3 Comparison of the average tree height and north-south crown size of Chinese fir in each sample plot between remote sensing estimation and field measurement

使用每个标准地的实测平均树高与平均南北冠幅对遥感估测的平均树高和平均南北冠幅进行精度验证（图6），发现林分水平上遥感估测的平均树高遥感估测精度R2为0.95、RMSE 为12.27 cm、估测精度EA 为94.61%。南北冠幅的遥感估测精度R2为0.82、RMSE 为11.24 cm、估测精度EA 为92.20%。

图6 林分水平杉木平均树高和南北冠幅精度验证Fig. 6 The accuracy of average tree height and north-south crown size of Chinese fir at the stand-level

3 结论与讨论

本研究结果表明，使用无人机三维信息可以实现杉木树高和冠幅的精确估测，且技术的稳定性较高，在不同飞行批次、不同飞行区域下杉木树高和冠幅的估测精度均相近。与传统野外调查相比，使用无人机遥感技术能够快速、有效地获取杉木新造林地的树高和冠幅数据，为杉木生长变化的长期监测和经营管理提供参考。研究中15 个标准地的划分主要考虑了林分水平的杉木树高和冠幅的提取精度分析。使用0.3 m 的常数栅格截取研究区的CHM 图主要是为了删除CHM 影像中非树冠的区域，这个数值的确定主要参考已有研究和实地调查的杉木树高范围（0.78～4.22 m）确定[18]。若设置较小的值，林地的杂草和石块无法被剔除；较大的值则可能将矮小的杉木删除。经综合考虑，将0.3 m 设置为提取杉木树高的阈值。

在树高估测精度方面，虽然研究区内的树高范围差异较大（0.78～4.22 m），但本研究中的杉木树高在单木和林分水平的估测精度分别为91.00%和94.61%，特别是在单木水平上，无人机遥感估测的树高与使用265 棵具有精确定位的杉木树高相比，其RMSE 为0.22 m，估测精度可以满足研究的需要。这一结果与已有研究中使用无人机影像进行树高估测的精度较为接近[19-20]，且优于高空间分辨率的卫星影像。此外，由于林分的复杂程度会直接影响DEM 精度，从而影响到树高的估测精度。在森林覆盖率高、林下植被丰富的地区较难准确识别地面的位置，导致树高被低估[6,18,20]。在本研究中，研究对象为杉木新造林，其林分尚未郁闭、裸地较多，可以有效地避免因地面识别误差而造成树高估测精度降低的问题。同时新造林阶段获取的DEM 数据可以在森林郁闭后作为精确的地面数据来使用，从而弥补森林郁闭后无人机遥感无法获取到精确DEM 数据的缺陷；另一方面，影像分辨率也会影响到树高的估测精度。已有研究表明，在分辨率为5～30 cm的范围内，树高的估测精度较为稳定，当分辨率低于35 cm，树高估测精度则迅速降低[21]。本研究中使用0.02 m 分辨率的CHM 作为估测杉木树高的基础数据，获得了较高的树高估测精度。并以实地测量的两个区域的杉木树高和冠幅数据对两个区域之间的精度进行对比分析，发现两个区域之间的估测精度相近。这与已有研究对两个区域的橄榄树（Canarium album）树高估测结果一致[21]，表明使用无人机的三维数据对树高和冠幅的监测具有较强的稳定性和通用性。

在冠幅估测精度方面，树冠边缘的检测精度直接影响南北冠幅的估测精度。而值得注意的是，影像分辨率大小影响树冠的检测结果。已有研究使用无人机影像或激光雷达对树冠检测的研究中发现，树冠直径与分辨率的比值是影响树冠检测精度的关键。例如，通过分析四种不同的树冠直径与分辨率的比值（17∶1、8∶1、6∶1、3∶1）对树冠检测精度的影响，研究者发现树冠直径与分辨率的比值小于3∶1 且大于6∶1 时树冠检测精度最高[8]。在此基础上，相关研究的学者进一步提出影像分辨率应至少大于树冠直径的四分之一[22]。本研究中用于树冠提取的影像分辨率为0.02 m，野外实测中杉木的最小树冠直径为0.40 m，其树冠直径与分辨率的比值为20∶1，可以满足树冠的提取需求。