基于无人机高分影像的冠幅提取与树高反演

刘晓农,旦 增，邢元军

(1.国家林业局中南林业调查规划设计院，长沙 410014；2.西藏自治区林业调查规划研究院，拉萨 850000)

基于无人机高分影像的冠幅提取与树高反演

刘晓农1,旦 增2，邢元军1

(1.国家林业局中南林业调查规划设计院，长沙 410014；2.西藏自治区林业调查规划研究院，拉萨 850000)

以湖南省攸县黄丰桥林场无人机(UAV)高分影像和地面样地调查数据为基础，利用Definiense Cognition 8.0软件，对影像进行多尺度分割，确定最佳的冠幅分割参数，同时进行平滑处理，利用平滑后的影像冠幅与实测树高，建立冠幅树高曲线估计模型和非线性联立方程组反演模型。建立的非线性联立方程组模型拟合效果最佳，决定系数R2为0.854 2，最佳拟合曲线模型分别为CW=0.127+1.068*PCW和H=-1.910+4.861*CW-0.819*CW2+0.049*CW3；模型的CV和MPSE均在10%以内，是树高反演的一种有效手段。

林业遥感；无人机；冠幅；树高

森林资源监测正在向大尺度、短周期方向发展，以人工调查为主的传统森林资源监测手段已难以适应新形势下林业生产和生态建设的需求。学界对如何利用航空航天遥感进行森林蓄积量估测进行了深入的研究，以遥感为主的数字化技术已成为森林资源监测的发展趋势，但遥感技术在应用上也存在一定的局限性。如何更快捷高效、连续动态地对森林资源进行遥感监测，逐渐成为森林资源监测研究中的热点[1-2]。

国内,在2005年采用面向对象分割技术研究树冠提取，利用样本的模糊分类方法可高效提取树冠信息[3]；2010年通过面向对象对京津风沙源工程区试验地的树冠信息进行提取，并取得较好的效果，监测精度达到80.02%[4]。近年来，随着无人机技术的发展，小型无人机在远程遥控、续航时间、飞行品质上有了显著的突破，因其获取影像机动灵活、影像分辨率高、成本低等优势，成为传统航空摄影测量手段的有效补充[5-9]。目前无人机广泛应用于农业资源规划与监测、农业生产与调控，而较少应用于林业上，还处于探索阶段。轻小型无人机作为一种林业遥感技术，符合森林监测中外业探测的需求，可以极大程度减少林业调查中的人力消耗[10-12]。

本文以无人机高分影像为数据源，利用均值漂移算法(MeanShiftalgorithm)进行杉木幼林树冠信息提取与树高反演研究。首先从无人机影像中提取冠幅边缘，再用影像分割的方法确定最佳的冠幅提取尺度。同时开展地面样地调查，进行每木检尺，主要调查因子有：坐标、树高、胸径、冠幅(东西和南北)、和郁闭度等信息。对实测的冠幅与影像提取的冠幅进行相关性分析，最终根据实测树高和冠幅的关系，建立杉木人工林影像冠幅树高联立方程组反演模型。

1 研究区概况

黄丰桥国有林场呈带状，跨株洲市攸县东西部，以中低山貌为主，介于东经113°04′―113°43′E，和北纬27°06′―27°04′N之间，东北部与江西的莲花、萍乡交界，东南与茶陵县接壤，西北部与株洲、醴陵毗邻。地貌以中低山为主，境内最高海拔1 270 m，最低海拔115 m，坡度介于20°～35°之间。林场地处中亚热带季风湿润气候区，年均气温17.8℃，平均无霜期为292 d；主要成土母岩为板页岩，土壤以板页岩发育而成的山地黄壤为主。现有林地面积10122.6 hm2，以杉木为主，森林覆盖率为86.24%。

2 研究方法

2.1 数据来源

实验数据的获取于2016年8月上旬，采用数字绿土八旋翼无人机进行航拍，无人机搭载了Liortho高分辨率影像获取系统(由高分辨率相机、控制系统以及差分GPS系统或POS系统组成)，相对航拍高度为200 m。将获取的4张单幅影像输入LiMapper软件，使用自动空中三角测量和光束平差法原理自动提取影像特征点，计算正确的位置参数，并进行几何校正、正射校正，最后自动拼接成一幅影像，其影像分辨率为0.15 m，处理后的高分影像如图1所示。

图1 无人机高分影像图

2.2 数据预处理

对于二类调查矢量数据，选取所有杉木小班，提取杉木小班范围内的影像数据；对实地调查数据，利用ArcGIS 10.1软件，通过样地实测GPS点坐标，将样地边界及部分林木位置在高分影像上进行标记，并利用数理统计原理进行整合与筛选，剔除异常数据。

2.3 林木冠幅分割与提取

利用Definiense Cognition 8.0软件，输入样地尺度大小的无人机高分影像，利用多尺度分割法，对影像进行分割，获得林木冠幅与其余地物的影像图斑，再利用面向对象分类法，通过隶属度函数筛选出林木冠幅，最后将提取冠幅与实地测量冠幅进行精度对比[13-16]。

在完成影像面向对象分割后，影像被分割成无数细小对象斑块，如图2所示，阴影、草地、裸地、冠幅混淆在一起。此外，对于单株树木而言，由于分割尺度的不同，会出现一个完整的树冠被分割成多个斑块。要想单独分离出林木树冠，并使被分裂的冠幅趋于完整，需进行林木冠幅的识别、提取与合并。

图2 均值漂移算法冠幅提取结果

3 数据建模与分析

采用近代统计学中联立方程组法构[16-17]建树高—冠幅模型、冠幅—影像冠幅模型和树高—影像冠幅模型。实测冠幅用CW代表，实测树高HT代表，提取的影像冠幅用PCW代表。操作步骤如下：①通过样地实测数据，构建CW-PCW模型和HT-CW模型； ②建立提取的影像冠幅与实测树高的HT-PCW模型； ③建立HT-CW模型与CW-PCW模型联立。

利用确定系数R2、估计值的标准差(SEE)、变动系数(CV)和平均百分标准误差(MPSE)4个评价指标对模型进行检验。

3.1 曲线估计模型

样地调查的冠幅主要包括东西和南北两个方向的长度，为找到最佳的模型，分别采用实测冠幅和影像提取的冠幅建立树高—冠幅模型。通过采用11种曲线估计模型，对冠幅—影像冠幅模型、树高—冠幅模型、树高—影像冠幅模型进行建模，最终选出7种最佳拟合模型，详见表1。

从表1可以看出，根据实测冠幅、影像冠幅、树高建立的冠幅—影像冠幅模型、树高—冠幅模型的拟合最佳曲线分别有一次方程和三次方程，模型的决定系数R2分别为0.911和0.440。利用影像冠幅和树高建立的树高—影像冠幅模型的拟合最佳曲线为三次方程，模型的决定系数最高，R2为0.440。

通过图3和图4的残差分析表明树高—冠幅模型、树高—影像冠幅模型检验数据的残差绝大部分都在置信带内[-2，2]，残差点分布随机性较好，以0为基准线上下对称分布。

图3 树高 — 冠幅模型残差分析图

图4 树高 — 影像冠幅模型残差分析图

利用1/3的样本对模型进行检验，得到表2。从表2可知，HT-CW模型的R2高于HT-PCW模型，说明HT-CW模型更加可靠；HT-CW模型的SEE、CV和MPSE值均低于HT-PCW模型，说明HT-CW

表2 模型检验结果模型R2SEECV/%MPSE/%CW-PCW091104261044709HT-CW0432132518501362HT-PCW0411143318751443

模型更加稳定。反应出利用影像提取的冠幅直接建立的冠幅—树高模型的精度低于实测冠幅与树高建立的模型，因此利用影像冠幅直接建立树高的遥感反演模型的效果并不理想。

3.2 非线性联立方程组反演模型

从分析实测冠幅和分割平滑后的冠幅之间的关系入手，可建立影像上的冠幅与实测树高的反演模型。首先对多尺度均值漂移提取的52个平滑后的杉木冠幅与实测冠幅进行匹配，再建立曲线估计模型，从模型建立的情况来看，实测冠幅与遥感影像提取的冠幅存在良好的线性关系(图5)，其决定系数R2=0.854 2。

由上可知，实测冠幅与影像冠幅存在线性关系，而实测冠幅与树高之间是三次方程的关系，是一种非线性关系。假定遥感影像冠幅没有度量误差，则可以通过实测冠幅建立影像冠幅与树高的非线性联立方程组反演模型。非线性联立方程组的严格数学模型和推

图5 平滑后冠幅与实测值拟合效果

导方法见参考文献[17]，研究所建模型的分线性联立方程组运算通过ForStat软件得到。从52个样本中，抽取35个样本进行非线性联立方程组反演模型构建，剩余17个样本用于模型精度检验，所得冠幅—影像冠幅、冠幅—树高的非线性联立方程组如表3：

表3 非线性联立方程组方程组模型参数估计方法 R2CW=0127+1067∗PCWHT=0359+2909∗CW-0318∗CW2+0011∗CW3{Newton⁃Lagrange0434牛顿唐法0434CW=0127+1068∗PCWHT=0845+2480∗CW-0198∗CW2{Newton⁃Lagrange0433牛顿-唐法0433

图6 非线性联立方程组模型残差分布图

从表4验证数据的结果来看，验证数据所得的冠幅影像冠幅模型的决定系数为0.914，树高影像冠幅模型的决定系数为0.431，与之前的冠幅与影像冠幅、树高直接建立的反演方程相比，并没有得到明显改善；其余3个评价指标的统计结果与表2统计结果也不差上下。分析可知，假定影像冠幅提取的结果没有度量误差，建立影像冠幅与实测冠幅以及树高的非线性联立方程组反演模型，没有达到预期的建模目标，需要对非线性联立方程组的建模因子做进一步的分析，提高模型的精度，使得模型解释更为合理。

表4 非线性联立方程组模型检验结果模型R2SEECV/%MPSE/%CW-PCW0914146520441326HT-PCW04310242600709

4 结论

本文以黄丰桥林场为研究区，利用无人机高分影像提取林木冠幅以及林木株数为基础，结合地面实测数据，建立相关回归模型,得到了以下结论:

1)影像分割平滑后的冠幅与实测冠幅存在良好的线性关系，决定系数R2=0.854 2；

2)建立的树高―冠幅和冠幅影像―冠幅非线性联立方程组，最佳拟合曲线模型分别为CW=0.127+1.068*PCW和HT=-1.910+4.861*CW-0.819*CW2+0.049*CW3；

3)影像冠幅―树高模型的决定系数为0.411，非线性联立方程组模型的两种参数估计方法的决定系数都为0.431。模型的适用性检验表明，CV和MPSE均在10 %以内，是树高反演的一种有效手段。

[1] 杜凤兰，田庆久，夏学齐.遥感图像分类方法评析与展望[J].遥感技术与应用，2004，19(6)：521-525.

[2] 谭炳香，李增元，陈尔学，等.高光谱遥感森林信息提取研究进展[J].林业科学研究，2008，21(增刊)：105-111.

[3] 李巍岳，胡志斌，闫巧玲.基于ETM+影像的森林资源信息提取[J].生态学杂志，2009，28(9)：1737-1742.

[4] 孙华，鞠洪波，张怀清，等.偏最小二乘回归在Hyperion影像叶面积指数反演中的应用[J].中国农学通报，2012，28(7)：44-52.

[5] 莫登奎.中高分辨率遥感影像分割与信息提取研究[D].长沙：中南林业科技大学硕士论文，2006：19-21.

[6] 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.

[7] 李廷伟，梁甸农，朱炬波.极化干涉SAR森林高度反演综述[J].遥感信息，2009(3)：85-91.

[8] 张周威，汪承义，陈静波，等.基于LiDAR数据的平均树高反演关键技术研究[J].中国体视学与图像分析，2009，14(2)：209-215.

[9] 刘晓双，黄建文，鞠洪波.高空间分辨率遥感的单木树冠自动提取方法与应用[J].浙江林学院学报，2010，27(1)：126-133.

[10] 林辉，孙华，熊育久，等.林业遥感[M].北京：中国林业出版社，2011：88-89.

[11] Gong Peng，Pu Ruiliang，Biging GS，et al. Estimation of Forest Leaf Area Index Using Vegetation Indices Derived From Hyperion hyperspectral Data [J]. Geoscience and Remote Sensing，2003，41(6)：1355-1362.

[12] 林辉，吕勇，宁晓波.基于高分辨率卫星图像的立木材积表的编制[J].林业科学，2004，40(4)：33-39.

[13] 周广益，熊涛，张卫杰，等.基于极化干涉SAR数据的树高反演方法[J].清华大学学报：自然科学版，2009，49(4)：510-513.

[14] 于颖，范文义，李明泽.利用大光斑激光雷达数据估测树高和生物量[J].林业科学，2010，46(9)：84-87.

[15]孙华，林辉，莫登奎，等.面向对象的决策树分类技术研究[J]，中南林业科技大学学报，2007，27(4)：39-43.

[16] 余国斌，陈爱斌，孙华，等.基于MeanShift的高分辨率遥感影像分割方法[J].中南林业科技大学学报，2012，32(10)：168-172.

[17] 唐守正，郎奎建，李海奎.统计和生物数学模型计算:ForStat教程[M].北京：科学出版社，2009，197-290.

StudyonCrownDiameterExtractionandTreeHeightInversionBasedonHigh-resolutionImagesofUAV

LIU Xiaonong1，Danzeng2,XING Yuanjun1

(1.Central South Forest Inventory and Planning Institute of State Forestry Adminstration，Changsha 410014，Hunan，China；2.Forest Inventory and Planning Institute of Tibet Autonomous Region, Lhasa 850000, Tibet, China)

On the basis of UAV survey data of high-resolution images and ground plot of Huangfengqiao Forest Farm of Youxian county in Hunan province, using Definiense Cognition 8.0 software, based on multi-scale segmentation of Chinese fir plantation forest canopy information, by setting different segmentation scales to determine the optimal parameters of crown segmentation. For the extraction of the crown boundary smoothing, and measured by image smoothing after the tree crown, respectively established crown height curve estimation model and nonlinear simultaneous equations model inversion. The tree crown image high nonlinear simultaneous equations model was the best fit model, the coefficient of determinationR2was 0.854 2, the best fitting curve model was respectivelyCW=0.127+1.068*PCWandH=-1.910+4.861*CW-0.819*CW2+0.049*CW3; the variation coefficient model (CV), the average percent of standard error (MPSE) wasless than 10%, will bean effective means of tree height inversion.

forestryremote sensing；UAV；crown；tree height.

2017 — 03 — 22

刘晓农(1963 — )，男，长沙人，高级工程师，主要从事林业遥感等方面的工作。

S 771.8

A

1003 — 6075(2017)01 — 0039 — 05

10.16166/j.cnki.cn43 — 1095.2017.01.010

声明

本期刊已许可中国学术期刊(光盘版)电子杂志社在中国知网及其系列数据库产品中以数字化方式复制、汇编、发行、信息网络传播本刊全文。该社著作权使用费与本刊稿酬一并支付。作者向本刊提交文章发表的行为即视为同意我编辑部上述声明。

《中南林业调查规划》编辑部