坡度对应用机载激光雷达估测人工针叶林单木参数的影响1)

刘思康 史泽林 宋宏阳 甄贞

(东北林业大学，哈尔滨，150040)

森林资源与全球环境、经济、生态问题等方面都有着不可分的联系，实时监测森林资源变化已成为必不可少的研究手段之一[1]，通常需要应用单木参数(如树高、胸径、冠幅等)估测获得。传统林业上，通常是抽取一定数量的样地，在样地里进行每木检尺，估测单木参数，从而估测林分参数的。但是，这种方法往往消耗大量的人力和物力且工作效率低，无法实现连续的、快速的森林参数估测。随着遥感技术的发展，激光雷达技术(LiDAR)日益成熟，成为近20年来单木探测的主力军[2]。小光斑高密度的机载激光扫描系统(ALS)是一种较为常见的激光雷达应用技术，在一定程度上可以进行大面积的地物覆盖，其高密度的激光点云属性可以精确地获得林下地形和冠层刨面结构[3-5]，为快速进行单木参数获取提供可能。

国内外学者已经利用LiDAR数据来估测森林参数，并获取到很多成果。Hyyppä et al.[6]较早地利用LiDAR点云数据构建冠层高度模型(CHM)，采用局部最大值法和图像分割原理进行单木树冠提取并估测树高。单木树冠的图像分割算法众多，其中分水岭分割法、区域生长法、基于点云的距离判别聚类法等应用较为广泛[7]。林怡等[1]通过利用激光雷达点云数据，基于圆检测的理论，检测局部极值点，计算其他点到中心点的距离，通过聚类，提取了单棵树的位置、树高及胸径信息，并经检验单木提取的精度可达到90%以上。耿林等[8]利用LiDAR数据，采用标记控制分水岭分割出树冠边界，并通过单木冠幅提取,树高、冠幅、冠长精度可达85%以上。

然而由于地球表面起伏不平，地形因子作为描述地表形态和地面复杂性的参数，在地形变化研究中意义重大[9]。坡度描述了地表单元的陡度，是获取其他地形因子的基础[10-14]。因为不同区域的坡度和坡向各不相同，LiDAR的回波波形容易受到坡度影响，并且对于不同大小的光斑其坡度的影响也有所不同[15]。近些年，坡度对于单木树冠提取的影响逐渐得到重视。胡凯龙等[16]于2017年在中国东北部大兴安岭山脉呼伦贝尔市境内量化了坡度等级对于森林冠层高度的影响，把GLAS数据的光斑点分成6个坡度等级，并发现随着坡度等级的提高，地形校正前森林冠层高度的估测精度(即均方根误差)由3.55 m升高到10.25 m；当引入坡度因素，用机载激光雷达森林冠层最大高度对模型进行校正之后，各坡度等级的均方根误差在3.26～3.88 m。Khosravipour et al.[17]发现，对于CHM的单木树冠提取，在陡坡上，位于树冠下坡或上坡部分的原始高程值可能分别远低于或高于树干基部，从而引起“漏测”或“过测”。目前大部分有关单木探测技术研究中，坡度影响常是被忽略的环节，关于坡度对单木树冠提取及单木参数估测是否有影响或影响有多大的认识和研究较少。因此，量化不同坡度下单木树冠提取和参数估测误差，能够明确坡度是否对单木树冠提取和参数估测结果有显著影响，为不同地形下的单木参数估测提供理论依据。

本研究应用ALS数据，探索坡度对黑龙江省孟家岗林场中郁闭度较高的人工针叶林单木参数(如单木位置、冠幅和树高)估测的影响，将坡度为4级。Ⅰ级为平坡，坡度<5°；Ⅱ级为缓坡，坡度5°～14°；Ⅲ级为斜坡，坡度15°～24°；IV为陡-急-险坡，坡度≥25°。同时在每个坡度等级中随机选取8块50 m×50 m的样地作为研究对象进行单木参数提取，应用一套较全面的精度检验方法对比不同坡度上的单木树冠勾绘结果，并探讨不同坡度对单木参数估测(单木树冠提取和单木位置、冠幅和树高)的影响。本研究为量化不同坡度对高郁闭度人工针叶林的单木树冠提取和单木参数估测误差提供了理论依据，同时为孟家岗林场精准林业的发展提供技术支持。

1 研究区域概况

研究区位于黑龙江省佳木斯市桦南县孟家岗林场(46°20′～46°30′N，130°32′～130°52′E)，如图1所示，林场地处完达山西麓余脉，以低山丘陵为主，坡度较为平缓，大部分坡度在10°～20°。地势东北高，西南低。最高为老平岗，海拔575 m；最低为柳树河与牡佳线铁路交汇处，海拔170 m；平均海拔250 m。土壤种类以暗棕壤为主。暗棕壤中又以典型暗棕壤分布最广，其次为白浆化暗棕壤，另有少量的潜育暗棕壤、原始暗棕壤、草甸暗棕壤。除暗棕壤外还有少量的白浆土、草甸土、沼泽土及泥炭土的分布。

根据2016年森林资源二类调查，林场经营面积15 503 hm2，林地面积13 671 hm2，森林覆盖率达86.3%，活立木总蓄积量1 464 508 m3。主要树种为长白落叶松(Larixgmelinii(Rupr.) Kuzen.)、樟子松(PinussylwestrisL. var.mongolicaLitv.)和红松(PinuskoraiensisSieb. et Zucc.)等，以人工林为主，面积约占2/3，其他天然次生林约占1/3。

2 研究方法

2.1 数据及其预处理

2017年6—7月份，采用LiCHy系统在研究区进行LiDAR点云和高清影像的采集，具体参数见文献[18]。使用“运-5”飞机作为飞行平台，平均飞行高度2 500 m，飞行相对地面速度约200 km·h-1。总覆盖面积约300 km2，共获取83条航带数据，航带平均扫描宽度约1 000 m，航带重叠率60%。为了精确提取森林垂直结构参数，须对LiDAR点云数据进行预处理。航带拼接时对重叠区域点云予以剔除，以保证点云在研究区密度水平的一致性。采用改进的渐进加密三角网滤波算法[19]，对点云进行分类，即区分地面点和非地面点；利用高程阈值法(高程>2 m)结合人工编辑，将非地面点区分为植被点和其他类型点云。根据与LiDAR数据同时获取的0.5 m空间分辨率的正射影像，在每个坡度等级中随机选取8块50 m×50 m的样地(共32块)作为实验区，研究区域位置分布如图1所示。

本研究通过数字绿土公司的LiDAR360软件对样地的激光雷达点云数据进行地面点分类，对首次回波点应用反距离权重插值法(IDW)得到1 m分辨率的数字表面模型(DSM)和数字地形模型(DTM)，并通过两者作差得到CHM。由于原始的CHM上存在着高度突变或者不正常高度值[20]，这导致CHM上存在少许非正常灰色空洞，会造成一些潜在错误[21]。因此，应用半自动的空洞填充算法[22]进行孔洞填充，同时通过高斯滤波进行平滑，用优化后的CHM进行单木树冠提取。

a.黑龙江省区域图；b.佳木斯市桦南县区域图；c.孟家岗林场图。

2.2 坡度分级

孟家岗林场地势较为平坦，低坡度的区域主要分布的是樟子松和落叶松为主的高郁闭度的人工针叶林，高坡度的区域地势崎岖不断，植被分布散且郁闭度低。考虑到孟家岗林场的实际地形状况，利用DTM生成坡度图，并对坡度重分类为4个等级，Ⅰ级为平坡：坡度<5°，Ⅱ级为缓坡：坡度5°～14°，Ⅲ级为斜坡：坡度15°～24°，IV为陡-急-险坡：坡度≥25°。坡度分布如图2所示。采用分层随机抽样的方法在每个坡度等级中随机选取8块50 m×50 m样地。

图2 孟家岗林场坡度分布图

2.3 单木树冠提取及单木参数估测

本研究应用基于区域的多层次截面分析算法(RHCSA)进行单木树冠提取[2]。该算法将CHM视为一个三维的拓扑表面，将树冠看作一个个山峰状的隆起，树顶点即为山顶点，从树顶到树冠边界高度值不断降低。它实现了用等高度的水平面自上而下水平切割CHM。在每一层水平切割之后，CHM被分解为一个包含许多树冠截面的平面数据集，所有的水平切割可以代表垂直空间上不同高度处的树冠的水平结构。第i层包含所有树冠区域的集合被定义为Ci。根据树冠在CHM上表现出的垂直结构可以定义连续切割CHM产生的包含关系，如公式(1)

Ci⊆Ci+1。

(1)

基于这种包含关系，RHCSA自动确定该单木是否第一次出现，是由独立的树冠产生的或者是由多棵树相互接触的区域产生的，然后自上而下逐层对包含多个树顶的区域进行分割。在RHCSA算法中，每一层水平切割即代表了一次迭代，直到迭代结束(切割到最后一层)树顶和树冠被完全提取出来。

本研究根据单木树冠提取得到的矢量文件结合CHM获取相应的单木参数(单木位置、树高和冠幅)，其中，单木位置由单木树冠区域内CHM上的最高点的位置决定。而单木位置对应的CHM的像元即为单木树高。由于树冠的水平投影呈现出近圆形[23-24]，单木冠幅(D)由公式(2)确定，其中A代表单木树冠面积。

(2)

2.4 精度检验

本研究对单木树冠提取和单木参数估测两个方面进行检验，从而来评价坡度对人工针叶林单木参数估测的影响。其中，用作验证的参考树冠由解译员结合高分辨率正射影像和冠层高度模型目视解译获得，相应作为参考数据的单木参数(单木位置、树高和冠幅)获取方法与2.3中方法相同。对于单木树冠提取的检验，需要考虑参考单木与探测单木两个视角的匹配情况。参考树冠视角表达了每个参考树冠是否被正确地勾绘，而探测树冠视角则反映探测树冠是否能够被参考树冠真实表达。不同视角上的单木匹配均分为7种情况[2]，这里仅列出了本研究最注重的4种情况，如表1所示。

表1 本研究用到的4种单木匹配情况

根据参考树冠与探测树冠的匹配情况，本研究采用3个评价指标进行单木树冠提取结果的验证：生产者精度(PA)、用户精度(UA)和总体精度(OA)，其公式定义如(3)—(5)所示[2]。

PA=(NPM+NPNM)/NRef；

(3)

UA=(NUM+NUNM)/NDet；

(4)

(5)

式中：NPN、NPNM分别为参考树冠视角中1∶1匹配和近似匹配的数量；NRef代表参考树冠的总数；NUM、NUNM分别代表探测树冠视角中1∶1匹配和近似匹配的数量；NDet代表探测树冠的总数。因此，PA代表了参考树冠被正确勾绘的概率，UA代表了探测树冠中被参考树冠正确表达的树冠概率。总体精度(OA)可以从两个视角描述探测树冠和参考树冠的匹配关系，通过PA和UA的调和平均值来代表[2]。

由于从探测树冠视角和参考树冠视角定义的1∶1匹配和近似匹配的树冠不一定相同，因此，应用总体匹配来代表同时在两个视角下1∶1匹配和近似匹配的情况，并对总体匹配的探测树冠进行单木参数(单木位置、树高和冠幅)验证。单木位置精度(PW)由总体匹配的参考树顶和探测树顶之间距离的均方根误差来确定，见公式(6)。类似，树高和冠幅估测精度(PH、PD)由总体匹配的参考树冠和探测树冠之间树高和冠幅的均方根误差表达，见公式(7)和(8)。

(6)

(7)

(8)

式中：dist()表示计算欧式距离的函数；No_match代表了总体匹配的数量；Rpi和Dpi分别代表第i个总体匹配的参考树顶和探测树顶的位置；Rhi和Dhi分别代表第i个总体匹配的参考树冠和探测树冠的树高；Rdi和Ddi分别代表第i个总体匹配的参考树冠和探测树冠的冠幅。

最后，本研究通过方差分析判断不同坡度是否对单木树冠提取及单木参数估测在统计学上有显著影响。方差分析中零假设(H0)为平坡、缓坡、斜坡和陡-急-险坡上的单木树冠提取或单木参数估测结果均值相等，即坡度不会影响单木树冠提取或单木参数估测结果；备择假设(H1)为在平坡、缓坡、斜坡和陡-急-险坡上至少有一个坡度的单木提取或参数估测结果有显著不同。当p值小于显著性水平时(α=0.05、0.01)，在显著水平下拒绝零假设H0，即认为坡度因素对单木树冠提取或单木参数精度有显著影响，并进一步深入分析是哪一个坡度造成了这个显著影响。

3 结果与分析

3.1 单木树冠提取结果

应用RHCSA算法对孟家岗林场4个坡度等级的32块人工针叶林样地进行单木树冠提取，精度验证结果(PA、UA和OA)如表2所示。可知，随着坡度的增加，单木树冠提取精度呈明显下降趋势。其中，平坡的PA、UA、OA值在75%～95%，平均值均达到80%以上；缓坡的PA、UA、OA值在50%～70%，平均值均接近60%；斜坡的PA、UA、OA值在40%～61%，平均值均接近50%；而陡-急-险坡的PA、UA、OA值最低，其平均值在38%～45%。主要原因是坡度更容易造成树冠重叠，合并错误增多，导致精度逐渐降低。

3.2 单木参数估测结果

根据单木树冠提取结果，分析不同坡度等级下样地单木参数(包括单木位置、树高和冠幅)估测的结果，如表3所示。在缓坡上，单木定位的平均精度最高(均方根误差最小)，比平坡和斜坡、陡-急-险坡的分别降低16%、10%、26%。对于单木冠幅，各个坡度上的精度差异很小(0.49～0.56)。对于树高，缓坡、斜坡、陡-急-险坡的精度差异基本一致，平坡与其他坡度的精度差异较大。

表2 不同坡度下单木树冠提取精度 %

表3 不同坡度下单木参数估测精度 m

3.3 方差分析结果

采用R语言对单木树冠提取的生产者精度、用户者精度、总体精度以及单木定位误差、树高误差、冠幅误差在4个坡度等级下制作均值和标准差如表4所示。可知，对于单木树冠结果，无论PA、UA还是OA，均随坡度的增大呈现着逐渐减小的趋势，在陡-急-险坡上单木树冠提取精度最低(PA、UA、OA值最小)，且3种指标的估计精度均较低，即变异性较大；而在平坡上，单木树冠提取精度最高(PA、UA、OA值最大)，且估计精度较高(即变异性较小，标准差仅有约0.03)；UA和OA在斜坡上变异性也较小(标准差为0.032)，即估计值的精度较高。对于单木参数结果，单木定位在缓坡上的估测准确度最高，在陡-急-险坡上估测准确度最低，但变异性较小(标准差仅为0.061)；树高在4个坡度的变异性较大，尤其是缓坡(标准差为0.173)，斜坡精度略低于其他坡度；冠幅在4个坡度的变异性均较大，尤其是斜坡(标准差为0.126)。

表4 不同坡度的单木树冠提取和单木参数精度 m

由于表4无法判断不同坡度是否对单木树冠提取及单木参数估测有显著性差异，本研究进行了方差分析，结果如表5所示。对于单木树冠和单木参数的方差分析结果，无论PA、UA、OA还是PW，p值均小于显著性水平(α=0.05、0.01)，即认为平坡、缓坡、斜坡和陡-急-险坡上至少有一个坡度对单木树冠提取和单木定位有显著影响。深入研究发现，对每一组坡度的检验p值也均小于显著性水平，即可认为平坡、缓坡、斜坡和陡-急-险坡每一个坡度都会对单木树冠提取和单木定位有显著影响。对于树高，p值(0.06)略大于显著性水平(α=0.05)，即认为坡度对单木树高估测没有统计学上的显著影响。但平坡和斜坡及平坡和陡-急-险坡的两组比较中，p值小于显著性水平(α=0.05、0.01)，即可认为平坡与斜坡、陡-急-险坡之间对单木树高估测有明显不同。而对于冠幅，所有坡度的p值均大于显著性水平(α=0.05、0.01)，因此坡度对单木冠幅估测无显著性影响。

表5 单木树冠提取和参数估测精度的方差分析结果

4 结论与讨论

4.1 结论

在不同坡度上应用RHCSA方法提取单木树冠和单木参数估测，提取精度和单木定位精度均有显著性差异(p<0.05)，而单木树高和单木冠幅的估测精度在不同坡度间并没有显著性差异。对于单木树冠提取结果，均方根误差在平坡上提取单木树冠精度最高，总体精度、用户者精度和生产者精度分别为84.61%、82.13%和87.35%。随着坡度等级的增加，精度逐渐降低，坡度对单木树冠提取精度影响显著(p<0.05)。对于单木参数估测结果，单木定位误差在缓坡上最小，均方根误差均值为1.16 m，坡度对单木定位误差影响是显著的(p<0.05)，并且每一级坡度之间都存在着显著性差异。对于单木冠幅估测，在陡-急-险坡上均方根误差最小，为0.49 m，每一组坡度对估测精度的影响均不显著；对于单木树高估测，在斜坡上均方根误差最小，为0.26 m，坡度对单木树高估测影响是不显著的(p>0.05)。但是，平坡和斜坡及平坡和陡-急-险坡之间的单木树高误差有显著差别，说明坡度仍然对单木树高估测存在一定影响。因此，在应用CHM进行单木树冠提取和单木参数估测时，不能忽略坡度对估测精度的影响，可以适当进行坡度校正。

4.2 讨论

近年来激光雷达遥感快速发展，其在林业研究上的应用更加广泛，国内外学者对应用激光雷达数据进行森林参数提取展开了大量的研究。笔者研究了不同坡度(平坡、缓坡、斜坡和陡-急-险坡)对孟家岗人工针叶林单木树冠提取和单木参数估测的影响。国外一些学者认为坡度的存在会干扰单木树顶检测，尤其是在复杂地形(例如沟壑、丘陵和其他突然的局部高程变化)会降低检测的准确性，Khosravipour et al.[17]在法国阿尔卑斯山南部Barcelonnette盆地研究坡度对树冠层高度模型影响时，发现坡度的增加会对苏格兰松树的树冠提取精度有显著影响，这与本研究结论一致。从本研究结果可以看出，即使在地形相对平坦的地区，坡度依然会对单木树冠提取精度和定位产生显著影响。坡度对该林场单木树冠估测有一定影响，但对冠幅估测的影响不明显。这主要是因为孟家岗林场以人工针叶林为主，大部分的树种是樟子松、落叶松和红松，由形状较为统一的圆锥形树冠组成。胡凯龙等[17]发现用地形矫正模型后的冠层高度模型来估测针阔混交林冠幅和树高时，精度会明显提高，说明坡度对针阔混交林冠幅和树冠的估测具有显著影响。此外，由于复杂地形上林冠密闭等原因造成的点云重叠，使得树冠分割的方法会存在过度分割或者分割不足等问题。随着激光雷达技术的快速发展，除ALS之外，地基激光雷达(TLS)和背包激光雷达(BLS)在林业上的应用变的越来越普遍，每种激光雷达数据都有各自的优缺点，ALS数据虽然覆盖面积大，但是无法精确获取林冠下层的结构信息，TLS和BLS数据能够精确描述林冠下层信息，但是覆盖范围有限。可见，单一激光雷达数据很难满足现代林业调查需求，未来将会是多平台激光雷达数据相结合，开展单木和林分尺度的研究，使未来的森林监测与调查朝着更大范围、更加精确、更少人力投入的方向发展。