基于UAV高分影像的杨树冠幅提取及相关性研究

李 赟，温小荣,*，佘光辉，林国忠

(1.南京林业大学南方现代林业协同创新中心，江苏 南京 210037； 2.南京林业大学林学院，江苏 南京 210037)

基于UAV高分影像的杨树冠幅提取及相关性研究

李 赟1,2，温小荣,1,2*，佘光辉1,2，林国忠1,2

(1.南京林业大学南方现代林业协同创新中心，江苏 南京 210037； 2.南京林业大学林学院，江苏 南京 210037)

[目的]以无人机高清影像为数据源，结合样地实地调查数据，研究杨树冠幅提取及其与胸径和林分蓄积量的相关性，为无人机森林调查技术提供一种思路和方法。[方法]基于无人机高分影像及实地调查数据，采用面向对象法，对杨树林木冠幅进行分割与提取，通过实地测量数据建立冠幅-胸径模型，利用一元材积表计算样地蓄积量，并进行相关性分析与精度检验。[结果]影像分割效果良好，但提取得到的冠幅比实际值偏小，研究区最适宜的杨树冠幅分割尺度为10，平滑度0.1，紧致度0.5。杨树冠幅与胸径建立相关模型，其中一元线性方程拟合效果最好，相关系数为0.75。通过模型计算的样地蓄积与实测样地蓄积进行双侧T检验，结果sig=0.058>0.05，两组数据差异不显著。[结论]采用面向对象法，通过无人机高分影像能自动分割并提取了杨树林木冠幅信息，提取效果良好；利用影像提取林木平均冠幅，通过冠幅-胸径相关关系模型得到林木胸径，进而推算林分蓄积的方法可以满足森林资源调查精度要求。

无人机；高分影像；杨树冠幅；森林蓄积量

近年来无人机遥感技术发展迅速，轻小型无人机因其获取影像机动灵活、影像分辨率高等优势，成为传统航空摄影测量手段的有效补充[1]，为林分冠幅信息的提取提供了有力的技术支持。冠幅提取的方法主要有面向对象法、分水岭分割法、专家分类法等。吴见[2]等通过基于边缘的算法对快鸟全色影像中的植被区域进行二级分割，利用光谱、形状和纹理特征组成的空间特征对退耕还林地的树冠信息进行了提取，总体精度达到84.67%。王茹雯[3]等利用面向对象技术对延庆县试验地的侧柏树冠信息进行了提取，监测平均精度达到80.02%，针叶林提取精度高于阔叶林。Wang Le[4]等采用分水岭分割法，在树冠中心点周围描绘树冠轮廓，以及Song C[5]等利用IKONOS影像,通过半方差函数计算冠幅,均取得了较好的精度。大部分研究者仅进行了林木冠幅信息提取在方法技术上的探究，而将冠幅提取方法进一步用于森林调查中，探究与林木胸径、林分蓄积量之间的相关关系，研究还较少。

随着遥感事业的大力发展，利用遥感技术估测森林蓄积量的研究不断深入，大多数研究者利用遥感数据，结合少量样地调查数据，建立回归模型的方法[6-9]估测森林蓄积量，少部分研究者利用LiDAR、雷达等仪器，获得林分树高等林分结构参数，直接计算森林蓄积量[10-12]，或者融合主被动遥感获取的影像，以及分别提取主被动遥感中的遥感信息参数进行森林蓄积量估测[13-16]。现今遥感估测蓄积量方法主要是基于大尺度范围，虽省时省力，但难以做到精细化。

针对以上研究空缺，本研究以无人机高清影像为数据源，在前人研究的基础上，结合样地实地调查数据，对高清影像进行多尺度分割，提取杨树单株林木冠幅，通过模型得到林木胸径，建立冠幅-胸径线性相关模型，进而估测出林分蓄积量，并进行相关性分析与精度评价，旨在为进一步改进和完善森林蓄积量无人机遥感监测体系提供理论参考。

1 研究区概况

东台林场位于江苏省东台市，地理坐标介于120°47′11″～120°52′0″E，32°53′30″～32°51′17″N，处于亚热带和北温带过渡区，季风显著，四季分明，年均气温15.0℃，雨量充沛(年均降水量1 061.2 mm)，地势平坦，近海无山，土壤肥沃湿润，极适合杨树生长。东台林场现有树种达200种，木材总蓄积量约5万m3，主要经营树种为杨树(PopulussimoniiCarr.)、水杉(MetasequoiaglyptostroboidesHu et Cheng)，林场内95%林分为人工纯林，林下植被主要有：金银花(LonicerajaponicaThunb.)、金钟(ForsythiaviridissimaLindl.)、小叶女贞(LigustrumquihouiCarr.)、木香(RosabanksiaeAit.)、枸杞(LyciumchinenseMill.)等。

2 数据来源与研究方法

2.1 数据来源

表1 样地测量数据汇总

2.1.2 遥感数据 样地调查的同时，进行无人机遥感影像采集，采用的无人机是数字绿土八旋翼无人机，无人机搭载了一个CCD相机。将采集的高分影像进行拼接、几何校正、正射校正、最终得到的影像分辨率为0.15 m。

2.2 研究方法

2.2.1 林木冠幅提取 采用面向对象法对林木冠幅进行分割和提取[17-18]。利用arcgis软件，用样地GPS信息建立样地边框，通过边框裁剪出样地内的无人机影像，将影像输入Definiens eCognition 8.0软件，进行面向对象多尺度分割。影像分割尺度的不同，产生的对象大小也不同，尺度太大会使提取的冠幅中包含空地、阴影等信息，尺度太小则可能使单株林木冠幅过于破碎；同时，平滑度与紧致度的权重也很大程度上影响分割效果[19]。本研究于8～20等多个尺度之间，以及不同紧致度、平滑度间进行多次试验，最终选取的分割尺度为10，平滑度0.1，紧致度0.5。影像分割完成后，对各样地分别提取出冠幅信息。分析面向对象分割单元发现，对象单元中林木枝叶的亮度值较高，将亮度值作为提取冠幅的指标。本研究应用阈值分类法，利用亮度值、相邻性指数进行组合，描述树冠类信息，针对79块样地，各设定相对应的阈值组合类型。提取出林木冠幅矢量信息之后，将影像分割提取杨树平均冠幅与对应林木实测平均冠幅进行分析与误差修正。

2.2.2 胸径冠幅模型选择 众多研究表明[20-24]，林木胸径与冠幅具有显著的正相关性，且胸径生长与冠幅增加的相关规律不受立地条件与林龄差异的影响[25]。本研究从235株样木中随机提取200株杨树的胸径、冠幅进行模型构建，剩余35株样木作为模型检验样本。根据散点分布图，选择一元线性模型、对数曲线模型、二次曲线模型、三次曲线模型、幂函数曲线模型、指数曲线模型、logistic模型等7种常见模型进行回归分析，并选取出相关系数最大，且F值最小的模型。

2.2.3 蓄积量推算 利用一元材积表计算杨树单株材积，查询苏北地区杨树一元材积表，研究区杨树的一元材积经验式为：

V=0.000 050 479 1D1.908 505 4[(0.923 600 4+

0.050 210 9×e-0.096 864 79D)-37.807 42]0.990 765 07(1)

将影像提取的修正后的冠幅代入冠幅-胸径模型，算出杨树胸径，进而得到杨树单株材积，根据影像分析出的林木株数，将样地所有杨树单株材积累加，即可得到样地蓄积量。

3 结果与分析

3.1 林木冠幅分割

(2)

图1 35号样地冠幅分割图Fig.1 Crown segmentation image of No. 35 plot

表2 模型拟合结果

表3 模型方差检验

3.2 胸径冠幅模型构建与验证

利用SPSS统计软件，选取7种回归模型，以杨树实测冠幅为自变量，胸径为因变量，建立估测模型，结果如图3、表4所示。

图2 影像分割平均冠幅与实测平均冠幅相关性Fig.2 The correlation of image segmented average crown and measured average crown

图3 冠幅-胸径相关性曲线图Fig.3 The curves of crown and DBH correlation

表4 曲线估计模型参数汇总

由表4可知，一元线性函数相关系数R2最大，且其剩余标准差最小，选取该模型构建胸径、冠幅模型，表达式为：

(3)

将剩余的35株样木测量数据用于最优模型适用性检验，利用均方根误差RMSE、系统误差TRE、平均相对误差MPE(公式4～6)三个评价指标进行模型检验，以RMSE≤5，TRE≤±5%，MPE≤±10%，作为检验标准[26]。

经计算得：TRE=-0.190 3%，MPE=0.883 3%，RMSE=1.577 cm，预测值减去实测值即可得到残差，残差分布图如图4所示。

图 4 冠幅-胸径模型残差分布图Fig.4 Residual distribution of crown and DBH correlation model

由检验结果可以看出，预测值残差在-3.0～4.1cm之间，且误差指标TRE、MPE、RMSE(分别为-0.190 3%，0.883 3%，1.577 cm)均小于检验标准，说明模型拟合效果良好，可利用(3)式，通过杨树冠幅，计算研究区杨树胸径。

3.3 蓄积量推算及精度分析

通过无人机影像得到样地林木平均冠幅长度，由方程(2)、(3)得到林木胸径，代入杨树一元材积经验表达式即可得到杨树材积，累加后得到样地蓄积量。将79块样地实测胸径得到的蓄积量(V1)与通过冠幅-胸径模型得到的蓄积量(V2)进行对比，相减后得到残差值，残差分析图如图5所示。对两种方法得到的蓄积量通过SPSS软件进行双侧T检验，检验结果列于表5，从表中可以看出，sig值>0.05，说明两组数据差异不显著，表明两种方法得到的蓄积量之间相关关系强。

表5 T检验结果表

图5 蓄积量残差分布图Fig.5 Residual distribution of volume

4 结论

利用影像提取平均冠幅通过相关关系推算得到的蓄积量与样地实测胸径估算的蓄积量两组数据进行双侧T检验，检验结果sig=0.058>0.05，表明两组数据差异不显著，相关性较强。利用影像提取林木平均冠幅，通过冠幅-胸径相关关系模型得到林木胸径，进而推算林分蓄积的方法可以满足森林资源调查精度要求。

本研究充分利用了无人机高分影像分辨率高、椒盐噪声少、形状纹理信息丰富，且时效性强等特点，自动分割提取了杨树林木冠幅，并通过相关性分析建立冠幅-胸径模型，进而推算样地林分蓄积量，为无人机森林蓄积量调查技术提供了方法参考。

[1] 毕 凯,李英成,丁晓波,等. 轻小型无人机航摄技术现状及发展趋势[J]. 测绘通报,2015(3):27-31.

[2] 吴 见,彭道黎. 基于面向对象的Quick Bird影像退耕地树冠信息提取[J].光谱学与光谱分析,2010,30(9): 2533-2536.

[3] 王茹雯,彭道黎,吴 涛,等. 利用面向对象的技术进行树冠信息提取研究[J]. 中国农学通报，2010，26(15): 128-134.

[4] WANG Le, GONG Peng, BIGING G S. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery [J]. Photogramm Eng Remote Sens, 2004, 70(3)：351-357.

[5] Song C, Woodcock C E. Estimating tree size from multiresolution remotely sensed imagery [J]. Photogrammetric Engineering and Remote Sensing. 2003(69): 1263-1270.

[6] 潘 帅,李 娟,徐 新,等. 利用遥感数据估测森林蓄积量[J]. 吉林林业科技,2013,42(4):30-32.

[7] 董 斌,冯仲科,杜林芳,等. 山东省黄河流域森林蓄积量遥感定量估测模型研究[J]. 遥感技术与应用,2010,25(4):520-524.

[8] 陈 楚,关泽群,张鹏林,等. 利用RS和GIS的森林蓄积量偏最小二乘估测研究[J]. 湖北林业科技,2004,(4):25-28.

[9] Killki P, Päivinen R. Reference Sample Plots to Combine Field Measurements and Satellite Data in Forest Inventory[C] // Proceedings from Seminars Organised by SNS.(Research Notes,19).Helsinki: University of Helsinki, 1986:209-215.

[10] Fatoyinbo T. Remote sensing of biomass-principles and applications [M]. Rijeka: Intech 2012:27-55.

[11] 梁志锋,凌飞龙,汪小钦. L波段SAR与中国东北森林蓄积量的相关性分析[J].遥感技术与应用,2013,28(5):871-878.

[12] Gatziolis D，Popescu S, Sheridan R,etal. Evaluation of terrestrial Lidar technology for the development of local tree volume equations [C]//Proceedings of the 10th International Conference on LiDAR Applications for Assessing Forest Ecosystems，University of Freiburg，Germany，2010:35-42.

[13] Alprone L, Baronti S, Garzelli A,etal. LANDSAT ETM+ and SAR image fusion based on generalized intensity modulation[J].IEEEI Transactions on Geoscience and Remote Sensing, 2004, 42(12):2832-2839.

[14] Pierce L, Walker W, Dobson M,etal. Fusion of optical and SAR data for forestry applications in the Sierra Nevada of California [J]. International Geoscience and Remote Sensing Symposium,2002,3(3):1771-1773.

[15] Popescu S, Wynne R, Scrivani J. Fusion of small-footprint Lidar and multispectral data to estimate plot-level volume and biomass in deciduous and pine forests in Virginia, USA [J]. Forest Science,2004, 50(4):551-565.

[16] 杨永恬. 基于多源遥感数据的森林蓄积量估测方法研究[D].北京：中国林业科学研究院,2010:12-13.

[17] Kim J B, Kim H J. Multiresolution-based Watersheds for Efficient Image Segmentation [J]. Pattern Recognition Letters, 2003, 24(1):473-488.

[18] Trias-Sanz R, Stamon G, Louchet J. Using colour, texture, and hierarchial segmentation for high-resolution remote sensing [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(2):156-168

[19] 李春干,代华兵,谭必增,等. 基于SPOT5图像分割的森林小班边界自动提取[J].林业科学研究,2010,23(1):53-58.

[20] 邓宝忠,王素玲,李庆君. 红松阔叶人工天然混交林主要树种胸径与冠幅的相关分析[J]. 防护林科技,2003,(4):19-20.

[21] 时明芝,张凡东. 107杨树阳性冠幅与胸径关系的研究[J]. 福建林业科技,2005,32(4):97-98.

[22] 王 勇,蒋 燚,黄荣林,等. 广西江南油杉人工林冠幅与胸径相关性研究及应用[J]. 广东农业科学,2014,(6):62-65.

[23] 卢妮妮,王新杰,张 鹏,等. 不同林龄杉木胸径树高与冠幅的通径分析[J]. 东北林业大学学报,2015,43(4):12-16.

[24] 何开伦,魏安世,余松柏. 广东省主要用材林树种胸径与冠幅相关性研究及应用[J].广东林业科技,2006,22(1):32-35.

[25] 庄晨辉,潘润荣,郑广源. 杉木、马尾松中幼林抚育间伐的研究[J]. 福建林业科技,1994,(S1):36-41.

[26] 蒋丽秀. 利用固定样地研制马尾松单木和林分生长率模型[D].南京林业大学,2014:23-25.

(责任编辑：彭南轩)

Study on Poplar Crown Extraction and Correlation Based on UAV High Resolution Image

LIYun1,2,WENXiao-rong1,2,SHEGuang-hui1,2,LINGuo-zhong1,2

(1. Co-Innovation for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037, Jiangsu, China ; 2. College of Forest Resources and Environment, Nanjing Forestry University, Nanjing 210037, Jiangsu, China)

[Objective] To research poplar crown extraction and stand volume correlation based on UAV high resolution image and field investigation data, and to provide ideas and methods for UAV forest survey technology. [Method]Based on the data from the high resolution image acquired from UAV and the field investigation, the crown of poplar were segmented and extracted by object-oriented method, then modified it by field measured crown, and the crown-DBH model was established through field measurement data. Finally, the sample plot volume were calculated through single entry volume table and the correlation analysis and accuracy test were conducted. [Result] The crown image segmentation showed a good result, but the extraction of the crown was smaller than the actual value. The most suitable image segmentation scale, smoothness, and compactness of poplar crown were 10, 0.1, 0.5. Some poplar crown and DBH related models were established. It showed that linear equation had best fitting effect and its correlation coefficient was 0.75. T test of the volume which was calculated by related model and the field investigation volume showedsig=0.058>0.05, indicating that no significant difference in the two groups data. [Conclusion]By object-oriented method, the poplar crown is extracted effectively through the UAV high-resolution image. The method is accord with the accuracy demands of forest resources survey, which extracts poplar average crown by image and obtains poplar DBH by crown and DBH relationship model, then calculates stand volume.

unmanned aerial vehicle; high resolution image; poplar crown; forest volume

10.13275/j.cnki.lykxyj.2017.04.017

2016-09-17

国家重点研发计划课题(2016YFC0502704)；江苏省林业三新工程(LYSX[2015]19)；江苏省高校优势学科建设工程资助项目(PAPD)

李 赟(1991—)，男，湖南永州人，硕士研究生，主要研究领域：3S技术与森林资源动态监测。

* 通讯作者：温小荣(1972—)，男，江西赣州人，副教授，主要研究领域：森林经理及3S技术应用。Email:njw9872e@163.com

S771.8

A

1001-1498(2017)04-0653-06