基于机载LIDAR数据及大比例尺航片反演林木参数1)

张 琼 刘 芳 范文义 李 典 杨树文 陈 成

(东北林业大学，哈尔滨，150040)

激光雷达LIDAR(Light detection and ranging)用于估测森林参数的研究始于上世纪80年代中期［1－3］，它最大的优势之一就是能直接获取目标物体的三维坐标信息，这对于定量估测森林参数，尤其在估测森林冠层高度及林木空间结构信息方面具有得天独厚的优势，因此与传统的采用测高器量取树高和利用树冠垂直投影量测冠幅的方法相比，可信度大大增加。高精度的森林冠层高度信息的获取一直是林业遥感中难以解决的问题，而LIDAR凭借其极高的角分辨率能力、距离分辨率能力、抗干扰能力，能够快速准确地获取地表物体的高度信息［4］，进而获取林地数字高程模型。本研究旨在探讨利用高密度小光斑激光雷达和同步获取的大比例尺航片数据提取我国小兴安岭地区林木信息的可用性，具体包括:(1)研究单株木树高和树冠的提取技术;(2)将提取出的林木参数与样地实测林木参数进行相关性分析，建立回归模型反演林木参数，并分析影响林木参数提取精度的因素。

1 研究区域概况

研究区选在黑龙江省伊春市带岭区的凉水国家级自然保护区，地理坐标为北纬47°6＇49″～47°16＇10″，东经128°47＇8″～128°57＇19″。保护区总面积 12 133 hm2，森林覆被率 98% ，属小兴安岭南部达里带岭支脉东坡，海拔高度280～707 m。本区的主要保护对象是以红松(Pinus koraiensis)为主的温带针阔叶混交林生态系统，区内既有处于演替顶极状态的原始阔叶红松林、冷杉(Abies ziyuanensis)林、云杉(P.kor-aiensis)林和兴安落叶松(Larix gmelini Rupr.)林，又有处于不同演替阶段的次生林，几乎囊括了小兴安岭山脉的所有森林植被类型。

2 研究方法

2.1 样地数据获取

凉水自然保护区的外业数据采集时间为2010年7月28日—8月6日，在研究区内共选择了24块10 m×10 m的正方形样地，并使用差分GPS定位样地中心地理坐标。根据机载数据覆盖情况，选取试验区的代表树种，选择被测单株木的标准是该树冠的大部分没有被其他树冠遮挡。采用胸径尺测量胸径，手持超声波测高仪测量单株木树高，皮尺测量东西和南北的树冠直径，利用差分GPS对样地中的每株树进行定位。选择的大多数样地为天然的针阔叶混交林。

2.2 LIDAR数据获取及预处理

研究中采用的激光雷达数据由LiteMapper—5600系统获取，激光扫描仪为Riegl LMS—Q560，数据获取时间为2009年9月。航飞相对高度为800 m，激光脉冲长度是3.5 ns，回波宽度分辨率0.15 m，激光离散角度是0.5 mrad，垂直精度可达0.15 m，采样间隔为1 ns，采样的点云密度大于2点/m2，平均对地飞行速度是180 km/h。

LIDAR数据每个激光点包含了激光点三维坐标值、强度值、回波类型等信息。原始点云数据会包含大量粗差、错误或无关信息。在前期数据处理过程中，采用人工交互编辑的方法，利用比较成熟的商业LIDAR数据处理软件Terrasolid进行预处理，剔除错误信息并补足遗漏信息，以保证后期生成冠层高度模型的精确性。首先，用分类软件Terrasolid中的Terrascan分类模块对LIDAR数据进行粗分类，将LIDAR数据分成纯地面激光回波点和非地面激光回波点，再将分类后的纯地面激光回波点使用TIN插值方法生成数字高程模型(Digital Elevation Model，简称 DEM)，同样，将非地面激光回波点内插生成数字表面模型(digital surface model，简称DSM)。运用ERDAS IMAGINEG软件将插值生成的DSM和DEM模型作相减运算，直接获得研究区的正规化数字表面模型nDSM。对于森林地区而言，nDSM也等同于冠层高度模型CHM(Canopy Heigh Model，简称CHM)。CHM消除了地形起伏变化对DSM中树木高度及形状的干扰，可以获得相对准确的树木形状信息，被定义为树冠在水平表面上的水平和垂直分布模式［5］。以1块1 000 m×1 000 m的试验区数据(空间分辨率为0.2 m)为例，如图1为由LIDAR数据处理得到的nDSM，图像上由暗到亮表示高度值由小到大。

图1 试验区的nDSM

此外，在飞行时还同步获取了空间分辨率为0.2 m的CCD影像共189幅，比例尺为1∶2 000，总覆盖面积约为1.2 km×1.6 km。利用ERDAS Imagine 9.1软件中的LPS(数字摄影测量系统)模块，导入相机文件及内外方位元素等航摄参数，同时，基于雷达点云数据获取的DEM对该大比例尺航片进行正射纠正，得到空间分辨率为0.2 m的正射影像(Digital Orthophoto Map，即DOM)，图2为覆盖23号样地的正射影像。

2.3 单株木树高提取

从图1可以看出，树冠顶部比树冠的其他区域要亮一些，树冠之间的间隙区域最暗。因此，假设树冠顶部高于树冠的其他区域，通过计算局部最大值，可以得到树冠的顶点［6］。本文利用eCognition软件对空间分辨率为0.2 m的正射影像进行分割，识别出单株木树冠区域。将输出的树冠多边形矢量文件与CHM叠加，利用ERDAS的GIS空间区域分析功能，确定出单株木树冠区域的局部最大值，得到树冠顶点的高度信息，此即为利用雷达数据提取的单株木树高。单株木树高提取流程图见图3。

图2 覆盖23号样地的正射影像

图3 单株木树高提取流程图

2.4 单株木树冠识别

采用黑龙江省凉水国家自然保护区部分试验区的大比例尺航片作为试验对象进行树冠提取。利用面向对象的图像分割方法提取单株木水平信息。首先将植被信息完整地提取出来，并将其作为一个整体多边形为下一步的树冠信息提取做准备。因此，先对影像进行大尺度分割，然后用基于样本的分类方法进行植被信息提取，并将植被区对象多边形进行基于类的融合，即将所有被分为植被的影像对象重新合并为一个对象，再对合并后的植被区影像对象进行小尺度分割，提取出单株木树冠。考虑到单木分割精度，本文对试验区10个样地对应的正射影像进行研究。以23号样地为例，首先将影像分割形成“粗”的影像对象，即将影像分割结果形成多边形;再对影像对象分类，建立类别，然后分别对各个类别选取2～3个训练样本，利用最大似然分类法分离出植被信息，并对漏分或错分的树冠多边形进行手动编辑，得到研究区的分类结果。最后，对植被多边形进行基于类的合并(merge)，将所分出的全部植被的影像重新合并为植被信息多边形，再对合并后的植被多边形进行二次分割，最终得到精度较高的单株木树冠分割结果，如图4。图4为单株树冠分割出的多边形，从图上可见分割出的单株木树冠大多比较完整和准确。选择单株木树冠，输出其矢量格式文件。通过对各项参数进行组合试验、筛选，最终选出适合本研究区的最佳分割参数组合，见表1。

表1 多尺度分割最佳参数组合

图4 单株木树冠分割图

3 结果与分析

3.1 单株木冠幅反演

把分割出的单株木树冠以多边形矢量格式输出，并计算单株木冠幅的大小。冠幅计算的方法有几种，如:用与树冠面积相同的直径作为树冠冠幅［7－9］;用树冠4个主方向的半径的平方的2倍作为树冠的冠幅［10］等。本研究采用与面积相同的圆的直径作为树冠冠幅的方法。将利用差分GPS定位的实地样木坐标值生成矢量文件，并与研究区的正射影像叠加，之后进行目视对照，精准定位每株树，并输出单株木树冠的多边形面积，再求出其直径，即为单株木树冠冠幅。

由于单木分割时并不能把每株树的冠幅分割出来，且航片拍摄期间太阳照射产生的阴影、研究区的地形以及树冠与树冠之间的叠合等因素都能影响分割的精度，造成一些地区的冠幅被错分为其他类别。因此，研究中从10块样地中选取了96株能代表该地区林分情况且分割效果较佳的树木，建立估测树冠与实测树冠的相关关系。图5为估测树冠与实测树冠的散点图，二者相关系数R2为0.8925，单株木冠幅估测精度都高于81%，平均精度高达90%，由图5可见，单株树冠估测的精度较高。

图5 实测冠幅与估测冠幅的散点图

3.2 单株木树高反演

3.2.1 提取单株木树高

树高即树冠的最高点到地面的距离。将输出的单株木树冠多边形矢量文件与植被区的冠层高度模型(CHM)叠加(图6)，然后利用ERDAS IMAGING中的GIS区域空间分析功能，计算出单株木树冠多边形内CHM模型上的最大高程差值，即得到利用LIDAR数据提取出的单株木树高。

图6 单株木树冠多边形与CHM叠加图

3.2.2 反演单株木树高

以外业得到的实测树高为因变量、以通过LIDAR数据提取出的单株木树高为自变量进行相关分析，绘制散点图(图7)，计算得出二者的相关系数R2为0.936 1，可以看出利用LIDAR测得的单株木树高与实测树高线性相关。

图7 LIDAR单株木树高与实测树高的比较

根据LIDAR数据的离散特点和外业测量的实际条件，为避免真实结果受到影响，本研究结果分析中不考虑利用LIDAR提取出的单株木树高与实测树高的差值大于3.5 m的单株木(共14株)。从10个样地中选择82株树进行相关分析，如图7。

以62株树作为训练样本、另外20株作为检验样本进行树高反演，62株训练样本与实测树高的相关系数R2为0.930 5，建立的线性回归方程为:

利用方程(1)对20株检验样本进行树高反演，反演的树高与实测的树高比较的散点图如图8所示。

图8 LIDAR反演树高与实测树高的比较

3.2.3 树高反演精度评价

利用建立的LIDAR树高反演方程(1)，对20株检验样本进行树高反演，结果见表2。

表2 单株木树高反演结果与精度评价

表2中，精度计算公式为:

由表2可以看出:估测树高低于实测树高的单株木占多数，估测精度最低的为86%，最高达到98%。20株检验样本的平均精度为96%。其中:估测精度低于90%的有5株，占总数的25%;估测误差大于3 m的树木仅有1株;误差小于1 m的树木有4株;平均估测误差为0.85 m。70%的估测树高均低于实测树高，这可能是由于机载激光雷达系统采样时有一定间隔，容易错失树顶，从而造成树高的低估。

分析表2的精度结果:20株单株木中阔叶树8株，精度均高于95%，平均精度为96%;针叶树共12株，精度都高于86%，平均精度91%。由此可见，利用LIDAR数据反演单木树高时，阔叶树精度要高于针叶树，其主要原因是大部分激光点都不会直接来自树顶的反射，阔叶树的树冠形状一般呈椭球形，而针叶树的树冠形状一般呈圆锥形或铅笔形，因此，阔叶树的反射率更高，其树冠的垂直结构上升得更快，在LIDAR点云采样中碰到树顶或上层树冠的概率更大。

4 结论与展望

利用TerraSolid专业激光雷达处理软件对凉水国家级自然保护区的高密度机载LIDAR数据进行处理，结合同步获取的大比例尺航片反演单株木冠幅和树高，结果表明:利用高密度机载小光斑激光雷达数据结合同步获取的大比例尺航片提取我国小兴安岭地区的林木信息是可行的。研究采用面向对象的多尺度分割方法实现了单株木树冠的提取，结合高密度LIDAR数据提取出单株木树高，并进行单株木的树高和树冠的反演试验，虽然精度相对较高，但目前这一技术的应用仍具有局限性。主要表现在本研究所选样地郁闭度均较低(＜0.8)，森林结构比较简单，因而树冠提取的效果较好，而对于郁闭度更高、森林结构更复杂的林分，可望提出一种更新、更精确的分割算法来自动识别单株木。激光雷达的高度信息能较准确地估测树高，今后可以对其它地区进行此类树高估测研究，如果估测精度较高且结果稳定，那么此激光雷达变量提取方法用于其它地区的树高估计是相当有前景的。因此，随着LIDAR技术的不断发展和数据处理算法的不断完善，对于高密度、多回波的激光雷达点云数据的进一步研究和应用，将获得更为理想的结果。

［1］Arp H，Griesbach J，Burns J.Mapping in tropical forests:A new approach using the laser APR［J］.Photogrammetric Engineering ＆Remote Sensing，1982，48(1):91 －100.

［2］Nelson R，Krabill W，Maclean G.Determining forest canopy characteristics using airborne laser data［J］.Remote Sensing of Environment，1984，15(3):201 －212.

［3］MacLean G A，Krabill W B.Gross－merchantable timber volume estimation using an airborne LiDAR system［J］.Canadian Journal of Remote Sensing，1986，12:7 －18.

［4］杨伯钢，冯仲科，罗旭，等.LIDAR技术在树高测量上的应用于精度分析［J］.北京林业大学学报，2007，29(增刊2):78 －81.

［5］Koukoulas S，Blackbum G A.Quantifying the spatial properties of forest canopy gaps using LIDAR imagery and GIS［J］.International Journal of Remote Sensing，2004，25(15):3049 －3071.

［6］刘清旺，李增元，陈尔学，等.利用机载激光雷达数据提取单株木树高和冠幅［J］.北京林业大学学报，2008，30(6):83 －88.

［7］Persson˙A，Holmgren J，Södermann U.Detecting and measuring individual trees using an airborne laser scanner［J］.Photogr Engineering and Remote Sensing，2002，68(9):925 －932.

［8］Hyyppa J，Kelle O，Lehikoinen M，et al.A segmentation－based method to retrieve stem volume estimates from 3－D tree height models produced by Laser scanners［J］.IEEE Transactions on Geoscience and Remote Sensing，2001，39(5):969 －975.

［9］F Morsdor F，Meier E，Kotz B.LIDAR－based geometric reconstruction of boreal type forest stands at single tree level for forest and wildland fire management［J］.Remote Sensing of Environment，2004，92(3):353 －362.

［10］Solberg S，Naesset E，Bollandsas O M.Single Tree Segmentation Using Airborne Laser Scanner Data in a Structurally Heterogeneous Spruce Forest［J］.Photogrammetric Engineering ＆ Remote Sensing，2006，72(12):1369 －1378.