基于机载LiDAR数据的林分平均高及郁闭度反演1)

穆喜云 张秋良 刘清旺 庞勇 胡凯龙

(内蒙古农业大学，呼和浩特，010019) (中国林业科学研究院资源信息研究所) (中国矿业大学)

责任编辑:王广建。

激光雷达(LiDAR)，作为一种新兴的技术手段，通过传感器发射激光信号，探测目标物位置并接收其反射信号以达到测量传感器与目标物之间距离的一种主动遥感技术。该项技术产生于20 世纪70年代，用于森林参数估测研究始于20 世纪80年代中期。激光雷达技术在林业领域(森林生态系统小气候、径流、能量循环、生物多样性及立地质量评价)的应用具有重要的意义［1］。获取高精度的森林结构参数，尤其是树高和郁闭度，对于了解森林的内部属性和结构特征具有重要作用。LiDAR 对于获取植被的垂直结构信息具有一定的优势，在过去十年已成功应用于林业调查领域［2-3］。由于机载激光雷达数据获取的高成本性，目前已经在典型小区域范围内开展试验［4］。机载LiDAR 已被证明可以成功地获取各种森林调查参数［5-6］。何祺胜等［7］利用机载LiDAR 数据反演林分平均高，树高识别的R2为0.78;赵峰等［8］利用机载LiDAR 和航空数码影像，估测单木树高的平均精度为74.89%;刘峰等［9］利用机载LiDAR 数据进行单木识别，识别精度为76%;庞勇等［10］在山东省泰安市徂徕山林场利用机载激光雷达技术估算树高，总体平均精度为90.59%。

郁闭度既是森林生态系统状态、评价环境指标的重要特征因子之一。郁闭度决定着林分结构以及光、水等生态因子透过林冠在林分内的分布状况，郁闭度对森林蓄积量估测具有非常重要的作用［11-14］。郁闭度的定义为森林中林冠投影面积与林地面积之比。根据不同的测定方法，可划分为垂直郁闭度和点郁闭度。树冠投影法、样线法、观测管法与遥感影像判读法为垂直郁闭度;球面密度计法、郁闭度测定器法、照片法、冠层分析法等测定的为点郁闭度［15］。本文主要探讨结合Li-DAR 数据对林分郁闭度进行估测。在以往的研究中，基于不用数据源，通过提取遥感特征因子，对林分郁闭度进行估测。谭炳香等［16］利用星载EO-1 Hypersion 高光谱数据采用光谱特征选择和光谱特征提取的方法估测林分郁闭度，最高估测精度达86.34%;琚存勇等［17］对比了偏最小二乘回归与平均残差平方和对郁闭度估测精度的差异，结果发现偏最小二乘法对于多变量间的复共线性问题有所改善，且估测精度提高了5%。蔡学成等［18］利用中巴资源卫星数据提取的波段灰度值、波段比、植被指数与地面调查数据，对贵州省的主要林区(黎平、从江、榕江县)进行森林郁闭度的估测，结果表明郁闭度与各因子之间存在显著的线性回归关系(R=0.864，R2=0.733);刘大伟等［19］利用Landsat TM5 数据，对6 个波段进行缨帽变化，对东北大兴安岭常青林场进行森林郁闭度遥感分级估测，结果表明:湿度因子与实测郁闭度之间相关性最强(R=0.56);吴飏等［20］利用spot5 数据结合提取的96 个纹理特征对森林郁闭度估测，采用主成分分析与逐步回归分析，结果显示:近红外波段的光谱和纹理特征与郁闭度相关性最显著，加入纹理特征后，模型判别系数R2由0.737 提高到0.805，估测精度从81.03%提高到84.32%。徐定等［21］利用TM5 数据的归一化植被指数，基于像元二分模型对密云县森林郁闭度进行估算，估测值与实测值相关系数为0.73，相对误差为14.4%。李宇昊等［22］利用高分辨率航空数码影像分辨率为5～10 m，结合色彩特征估测森林郁闭度，总体估测精度为99.89%。李明泽等［23］利用ETM+数据，采用郁闭度联立方程组模型，对黑龙江省长白山地区进行了森林生物量的估算，结果表明，估测精度最高为83.1%，且比无郁闭度变量的生物量模型和有郁闭度变量常规回归生物量模型2 个模型精度提高了6%～7%。

树高和郁闭度作为森林资源调查重要的结构参数，获取高精度的树高和郁闭度信息对于指导森林经营与评价森林立地价值及其生态效益具有重要意义。本文利用机载LiDAR 数据，对研究区林分平均高和郁闭度进行反演。

1 研究区概况

研究区位于内蒙古大兴安岭森林生态系统国家野外科学观测研究站，地理坐标121°30'～121°31'E，50°49'～50°51'N，海拔810～1 116 m，属寒温带湿润气候区，平均气温-5.4 ℃，极端最低气温-50 ℃，≥10 ℃积温为1 403 ℃;年降水量为450～550 mm，60% 集中在7—8月份，无霜期为80 d。林下土壤为棕色针叶林土，土层厚度为20～40 cm，基岩以花岗岩与玄武岩为主。优势树种为兴安落叶松(Larix gmelinii)，伴生树种有白桦(Betula platyphylla)、山杨(Populus davidiana Dode)等。主要林型:杜鹃兴安落叶松林、杜香兴安落叶松林、草类兴安落叶松林、泥炭藓兴安落叶松林、偃松兴安落叶松林、白桦林、山地樟子松林等［24］。

2 研究方法

2.1 地面数据获取

2012年8—9月及2013年8—9月在大兴安岭生态站研究区内，设置固定样地60 块，涵盖大兴安岭生态站典型森林类型(落叶松林、白桦林)。各样地进行每木检尺，并对样地四角及中心点进行DGPS 定位，精度控制在1.0 m 内。测定的森林结构参数为:胸径(DBH＞5 cm)、树高、枝下高、冠幅(东西、南北)、每木相对位置(以样地西南角为坐标原点)、郁闭度，同时记录样地的林分特征(树种、灌木，草本的种类、覆盖度和高度)相关参数。胸径测量使用胸径尺，树高测量采用激光测高仪(Truplus-360B)，冠幅采用皮尺进行测量。

2.2 LiDAR 数据获取

2012年8—9月在内蒙古根河辖区范围内开展飞行试验，获取机载激光雷达数据。以“运-5”为机载平台，载有 Leica 机载雷达激光扫描仪器(ALS60)，波长为1 550 nm，激光发射频率为100～200 kHz，平均飞行高度2 700 m，飞行速度220 km/h，航带平均扫描宽度约为1 000 m，扫描重叠率最高为80%，共获得32 条航带数据，覆盖面积为213 km2，扫描角度为正负35°，获取的激光点云密度平均为5.6 个/m2。LiDAR 数据包括:UTM 投影、WGS84 参考椭球、三维坐标、强度、类别等信息。本文以Terrasolid 软件为平台，采用不规则三角网(TIN)逐步加密的滤波算法，完成地面点、植被点和非地面点的分类［25］。

2.3 样地树高计算

以样地为统计单位，对样地内单木树高进行胸高断面积加权运算。公式为:

式中:hi为样地内每棵树的树高，Gi为胸高面积，n为样地内的林木株数。

2.4 样地郁闭度获取

本文采用样线法，通过对方形样地对角线方向进行每木冠幅的测定，以实测冠幅总长除以对角线长，计算林分郁闭度。样线法是估计森林垂直郁闭度的最可靠的方法，可与遥感数据估测的郁闭度直接比较［26-27］。

2.4 LiDAR 点云树高提取

激光点云分类处理采用芬兰Terrasolid 软件进行。由于研究区域设在林区，因此，激光点云分类主要提取地面点和植被点。将分类后的地面点云数据见图1a，通过不规则三角网TIN 邻近像元内插算法生成研究区数字高程模型(DEM)，输出栅格影像分辨率为0.5 m。通过最大值内插算法，生成数字表面模型(DSM)(见图1b)。由生成的数字表面模型(DSM)与数字高程模型(DEM)进行差值，得到试验区的冠层高度模型(CHM)(见图1c)，由此消除了地形起伏变化对DSM 中树木高度和形状的干扰，可以获取相对准确的树木形态信息，即树冠在水平表面上的水平和垂直分布模型［28］。

使用四分位数法可以很好的估计林分平均高，以CHM 作为输入数据，根据样地的边界范围，提取各样地内点云数据的四分位高度变量、最大高度值、最小高度值及平均高［29］。

图1 研究区局部数字模型

2.5 林分平均高反演

选取40 块样地数据作为模型训练样本，利用样地实测胸高断面积加权树高与提取的四分位高度变量进行相关性分析。结果表明:75%分位高度(即上四分位数处高度)变量与样地实测树高的相关系数达0.976，明显高于25%和50%分位数处高度。因此，选择实测树高与上四分位高度变量即H75 进行线性回归分析。利用公式2 对树高反演精度进行评价。精度计算公式为:

式中:实测值为样地水平胸高断面积加权树高;估测值为反演树高。

2.6 林分郁闭度反演

以样地四角点为边界，进行边界范围内的点云密度提取。点云密度即为高于2 m 的植被点回波与样地内全部点云回波的比值。由于高于2 m 以上皆为乔木分布，而此时，点云密度可理解为样地内乔木层回波与样地内全部点云的比例，即为林分内的林木覆盖度(林分郁闭度)。选取的40 块训练样本数据，以LiDAR 点云密度变量为自变量与实测郁闭度进行线性回归。并利用剩余20 块样地作为验证数据，对郁闭度模型反演结果进行评价。

3 结果与分析

3.1 林分平均高与郁闭度反演

如图2所示，为全部样本25%、50%和75%分位高度与实测树高相关性示意图。由图2可知，随着分位高度的递增，其与实测树高的相关性逐渐升高，75%分位高度与实测树高的高度相关性，可作为林分树高估测的选择变量。图3为训练样本数据与CHM 提取的上四分位高度变量进行线性回归的拟合结果，决定系数R2为0.951，可以解释总体变异的95.1%，RMSE为0.820 m。生成的回归方程如公式(3)所示。

式中:H 为估测林分平均高;H75为CHM 提取的林分上四分位高度。

图2 四分位高度与实测树高相关性

图3 LiDAR 提取上四分位高度与实测树高

选择16 块样地对获取的树高反演方程进行精度验证(见表1)。首先利用公式(3)分别计算样地反演树高，再利用公式(2)获得各样地树高反演精度，同时利用公式(4)计算均方根误差。

式中:Hf为样地实测树高数据;He为模型反演树高数值;n 为样地内林木株数。

表1 验证样本点树高反演结果和精度评价

由表1可知，全部样本估测精度范围84.40%～99.15%，平均估测精度为93.61%，16 个验证样本中有13 个样本的估测精度高于90%。考虑到林分郁闭情况对树高反演结果的影响，一般而言，较高郁闭度的林分，其树高估测误差应该较大，估测精度低。但也有例外，如CC29 样地林分郁闭度为0.81，但其树高估测精度高达99.01%，出现此种结果的原因为，该样地为中龄林，林下更新幼树较少，且树木高度垂直差异性较小，LiDAR 点云探测林分冠层高度，所获取最大高程处树高对于林分树高代表性较强，因此，在其树冠较为郁闭的情况下，获取冠顶回波与林分实际情况一致，所以最终估测精度较高;而CC26样地落叶松多为成熟林，且样地林木株数仅为48 株，林分郁闭度最低，但其树高反演精度却并不理想，仅为88.57%，最低的郁闭度，也不是最高的树高反演结果，出现此现象的原因是该样地为落叶松成熟林，树高垂直分布较稳定，但由于林分稀疏且落叶松冠顶结构特征为圆锥形，导致其截获LiDAR 点云的几率较小，传感器所获取的该样地点云回波信息不能很好地代表该样地的真实情况，因此，出现明显的低估现象，导致其树高反演精度较差。对于不同森林类型，树高反演精度呈现显著性差异，由于研究区内白桦林多为次生，纯林分布范围较少，因此，获取的阔叶林样地数木有限，多为针叶林和针阔叶混交林。3 种森林类型树高反演精度分别为混交林95.66%、阔叶林94.11%、针叶林90.71%，RMSE为1.13 m。

3.2 林分郁闭度反演

如图4所示，图4(a)为全部60 快样地数据构建的郁闭度模型，LiDAR 点云数据提取的郁闭度与实测郁闭度呈高度相关性，相关系数为0.852。图4(b)为模型训练结果，R2为0.784，RMSE为0.077 生成的回归方程为:Yc=1.203Lden-0.044。式中:Yc为模型估测林分郁闭度，Lden为LiDAR 点云提取的郁闭度。

图4 LiDAR 提取点云密度与实测郁闭度散点图

图5为20 块验证样本数据，不同方法获取的林分郁闭度的分布情况。由图5可知，LiDAR 提取的郁闭度其与实测郁闭度间存在明显的低估现象。造成此现象的原因:一是冠层截获部分激光点云后，仍有部分可以穿透冠层以及通过冠层间的空隙进入林内，形成地面回波点，因此，在植被点与全部回波点的比值运算中，造成低估的现象。二是样地多以针叶林型和混交林型为主，在每平方米5.6 个点的点云覆盖情况下，对于以针叶林为优势林型的区域，其截获点云的能力较差，因而，造成LiDAR 直接提取林分郁闭度值低于实测值。通过回归方程获取的估测郁闭度值，与实测郁闭度间仍存在一定差异，但更接近真实值。

如表2所示，为20 块检验样地的林分郁闭度模型反演精度结果。其平均估测精度为88.29%，估测精度范围为56.62%～99.54%。CC02 样地估测精度最低，仅为56.62%。一方面，参与郁闭度模型构建的样地，森林类型主要为针叶林和混交林，而白桦林样地数目较少，因此，模型自身对于白桦林的代表性较差。另一方面，该样地为白桦幼龄纯林，其冠型为椭球形，截获点云的几率较大，因此，获取的冠层垂直信息较丰富，造成高估的现象。不同森林类型估测精度分别为混交林92.73%、阔叶林56.62%、针叶林85.19%。

图5 验证样本点实测郁闭度与估测郁闭度

表2 验证样本点林分郁闭度反演

4 结论与讨论

LiDAR 75%分位高度变量与林分平均高相关性显著;不同森林类型估测精度存在一定差异，混交林优于阔叶林，阔叶林优于针叶林;激光点发射密度对林分平均高估测精度有显著性影响;林分平均高反演精度可以满足林业调查的基本需求;样本数据的数量及不同森林类型样本间的比例是否均衡，直接影响模型的构建与反演精度。由于机载激光雷达数据的获取成本较高，因此，选择在具有典型代表性的小区域范围内进行试验，实现区域森林高度估测及制图研究，也可为其他高时间分辨率影像提供验证数据。

LiDAR 点云密度比值变量与林分郁闭度相关性显著。不同森林类型估测精度差异性显著，混交林高于针叶林，针叶林高于阔叶林;其估测结果取决于训练模型的普适性与整体代表性，均衡各类型样本数量，可提高模型训练精度与预测精度。

本文利用地面实测树高与郁闭度数据，结合Li-DAR 点云数据反演林分平均高及郁闭度，林分平均高建模精度R2为0.951，RMSE为0.82 m，模型平均估测精度93.61%，RMSE为1.13 m。其估测结果优于何祺胜等［7］、庞勇等［29］的结果，略低于Anderson等［30］的结果。估测结果的差异主要与研究区的地理特性、森林结构特征和点云密度有关(如点云分类精度、激光点云采样密度等因素的影响)［31］。结果表明:不同林型树高反演精度存在一定差异，混交林树高反演精度最高，针叶林树高反演精度较低。由于不同林型树种组成不同，导致各样地四分位高度变量提取过程中存在一定的误差。除此之外，针叶林冠形为圆锥形，小光斑激光雷达在发射激光束的过程中容易错失冠顶，而阔叶树的冠顶呈椭球形，截获点云的概率较高，相对于针叶树提取冠顶的概率较大，估测精度较高。因此，混交林树高反演精度高于阔叶树，针叶树的估测精度最低。

林分郁闭度估测结果高于谭炳香等［16］、刘大伟等［19］、徐定等［21］、李明泽等［23］的估测结果，低于吴飏等［20］、李宇昊等［22］的估测结果。可能是因为所用机载LiDAR 点云密度比值变量呈现林分整体特征表现突出，而基于光学遥感数据的估算结果，依靠影像的光谱特征，受季节、时相影响较大，特征变量对于林分郁闭度的代表性较不稳定;纹理特征考虑像元之间的空间关系，加入纹理特征后，提取的信息精度更高［32-33］。

模型训练过程中有限的样本数量及不同森林类型比例分布不均的现象，均导致估测结果的误差。为提高估测精度，达到满足林业实际应用的目的［34］。考虑利用已有的高密度激光雷达点云数据，参考前人对单木结构参数的研究成果，结合研究区森林类型分类数据，构建不同森林类型的林分高度反演模型，并生成研究区域范围内的森林高度等级分布图。同时，探讨以林分提取的点云密度变量与高度变量相结合的方法，对研究区蓄积量与碳储量进行估测。

［1］ Hansen A J，Phillips L B，Dubayah R，et al.Regional-scale application of lidar:Variation in forest canopy structure across the southeastern US［J］.Forest Ecology and Management，2014，329:214-226.

［2］ Means J E，Acker S A，Brandon J F，et al.Predicting forest stand characteristics with airborne scanning LiDAR［J］.Photogrammetric Engineering ＆ Remote Sensing，2000，66(11):1367-1371.

［3］ Lefsky M A，Cohen W B，Harding D J，et al，LiDAR remote sensing of above-ground biomass in three biomes［J］.Global ecology and Biogeography，2002，11(5):393-399.

［4］ Swatantran A，Dubayah R，Goetz S，et al.Mapping migratory bird prevalence using remote sensing data fusion［J］.Plos One，2012，7(1):1-11.

［5］ Naesset E.Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data［J］.Remote Sensing of Environment，2002，80(1):88-99.

［6］ Lefsky M A，Cohen W B，Acker S A，et al.Lidar remote sensing of the canopy structure and biophysical properties of Douglas-fir western hemlock forests［J］.Remote Sensing of Environment，1999，70(3):339-361.

［7］ 何祺胜，陈尔学，曹春香，等.基于LiDAR 数据的森林参数反演方法研究［J］.地球科学进展，2009，24(7):748-755.

［8］ 赵峰，庞勇，李增元，等.机载激光雷达和航空数码影像单木树高提取［J］.林业科学，2009，45(10):81-87.

［9］ 刘峰，杨志高，龚健雅.利用机载激光雷达的林木识别与参数反演［J］.中国农学通报，2012，28(1):80-84.

［10］ 庞勇，赵峰，李增元，等.机载激光雷达平均树高提取研究［J］.遥感学报，2008，12(1):152-158.

［11］ 赵蕊.Hyperion EO-1 森林郁闭度反演的研究［D］.哈尔滨:东北林业大学，2007.

［12］ 朱教君，康宏樟，胡理乐.应用全天空照片估计林分透光孔隙度(郁闭度)［J］.生态学杂志，2005，24(10):1234-1240.

［13］ 陈宏伟，殷鸣放，刘娜，等.辽东林山区林下人参生长与林内温度和光照因子关系初步研究［J］.西北林学院学报，2007，22(2):20-23.

［14］ 李崇贵，蔡体久.森林郁闭度对蓄积量估测的影响规律［J］.东北林业大学学报，2006，34(1):15-17.

［15］ 李永宁，张宾兰，秦淑英，等.郁闭度及其测定方法研究与应用［J］.世界林业研究，2008，21(1):40-46.

［16］ 谭炳香，李增元，陈尔学，等.Hyperion 高光谱数据森林郁闭度定量估测研究［J］.北京林业大学学报，2006，28(3):95-101.

［17］ 琚存勇，邸雪颖，蔡体久.变量筛选方法对郁闭度遥感估测模型的影响比较［J］.林业科学，2008，43(12):33-38.

［18］ 蔡学成，杨永彰.基于中巴资源卫星数据的森林郁闭度估测研究［J］.安徽农业科学，2007，35(34):10961-10962.

［19］ 刘大伟，孙国清，庞勇.利用LANDSAT TM 数据对森林郁闭度进行遥感分级估测［J］.遥感信息，2006(1):41-42.

［20］ 吴飏，张登荣，张汉奎，等.结合图像纹理特征的森林郁闭度遥感估测［J］.林业科学，2012，48(2):48-53.

［21］ 徐定，彭道黎.基于像元二分模型的森林郁闭度估测方法［J］.东北林业大学学报，2013，41(2):119-122.

［22］ 李宇昊，石田.利用航空数码影像的色彩特征估测森林郁闭度［J］.西北林学院学报，2014，29(1):148-154.

［23］ 李明泽，毛学刚，范文义.基于郁闭度联立方程组模型的森林生物量遥感估测［J］.林业科学，2014，50(2):85-91.

［24］ 玉宝，张秋良，王立明，等.不同结构落叶松天然林生物量及生产力特征［J］.浙江农林大学学报，2011，28(1):52-58.

［25］ 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):83-89.

［26］ Fiala A C S，Garman S L，Gray A N.Comparison of five canopy cover estimation techniques in the Western Oregon Cascades［J］.Forest Ecology and Management，2006，232(1):188-197.

［27］ OBrien R A.Comparison of overstory canopy cover estimates on forest survey plots［R］.Research Paper INT-417.Ogden，UT:USDA Forest Service，1989.

［28］ 赵峰，李增元，王韵晟，等.机载激光雷达(LiDAR)数据在森林资源调查中的应用综述［J］.遥感信息，2008(1):106-110.

［29］ 庞勇，李增元，谭炳香，等.点云密度对机载激光雷达林分高度反演的影响［J］.林业科学研究，2008，21(增刊):14-19.

［30］ Andersen H E，Reutebuch S E，McGaughey R J.A rigorous assessment of tree height measurements obtained using airborne Li-DAR and conventional field methods［J］.Canadian Journal of Remote Sensing，2006，32(5):355-366.

［31］ 邢艳秋，尤号田，霍达，等.小光斑激光雷达数据估测森林树高研究进展［J］.世界林业研究，2014，27(2):29-34.

［32］ Atkinson P M，Lewis P.Geostatistical classification for remote sensing:an introduction［J］.Computers ＆ Geosciences，2000，26(4):361-371.

［33］ Kayitakire F，Hamel C，Defourny P.Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery［J］.Remote Sensing of Environment，2006，102(3/4):390-401.

［34］ 刘东起，范文义，李明泽.利用小光斑激光雷达估测林分参数和生物量［J］.东北林业大学学报，2012，40(1):39-43.