结合无人机可见光和激光雷达数据的杉木树冠信息提取

王 娟 张 超 陈 巧 李华玉 彭 希,3白明雄 徐志扬,4 刘浩栋 陈永富

（1. 西南林业大学林学院，云南 昆明 650233；2. 中国林业科学研究院资源信息研究所，国家林业和草原局林业遥感与信息技术重点实验室，北京 100091；3. 四川农业大学林学院，四川 成都 611130；4. 国家林业和草原局华东调查规划设计院，浙江 杭州 310019）

树冠是一种多功能的生态指标，是光合作用的主要场所，树冠面积和大小是估测树木胸径、生物量和蓄积量等森林参数重要的因子之一，冠幅还可以作为预测林分密度、株数密度的基准，进而可以估计林分间的竞争关系[1]。单木是构成森林的基本单元，是森林资源调查与生态环境建模研究等所需的关键因子，单木冠幅信息的获取在生物量估测及树木长势监测等研究中发挥着重要的作用[2]。单木冠幅信息通常采用传统地面调查和卫星遥感影像获取，存在调查效率低，人为误差大和影像分辨低等问题。近年来，无人机（UAV）遥感技术作为一种新型的数据获取手段，不仅可以弥补地面监测与航天、卫星遥感之间的尺度空缺，将监测点上的结果更准确地扩展到区域尺度，供森林资源调查与监测使用，还可获取高空间、高时效、高光谱的光学遥感数据以及高密度的激光雷达数据，为快速、高效获取单木尺度森林参数信息提供了更加精细的数据支撑，在森林资源调查、生态环境监测、生物多样性研究等领域应用广泛[3]。

国内外对于单木冠幅信息提取的研究较多，其中，激光雷达数据和高分辨率的光学影像是单木冠幅信息提取的主要数据源。基于激光雷达数据提取单木树冠信息主要分为2 类，即基于点云数据构建冠层高度模型（CHM）进行CHM 分割和基于激光雷达点云间的空间结构关系和属性进行聚类[4]。常见的方法有谷底跟踪法、区域生长法、分水岭分割法及单木点云分割等[5]。全迎等[6]对比了机载激光雷达和无人机激光雷达单木提取精度，采用标记控制分水岭分割算法提取单木冠幅信息，研究表明无人机激光雷达提取精度高于机载激光雷达。Chen 等[7]基于标记控制分水岭分割算法对阔叶树进行单木分割，准确率达64.1%。李岩等[8]基于激光雷达数据构建CHM，对比了分水岭分割算法、区域生长法和区域的分层横截面分析3 种方法单木冠幅提取精度，发现区域的分层横截面分析精度最高。厘米级的无人机高分影像为单木冠幅信息提取提供了丰富的形状和纹理等信息，是目前单木树冠信息获取最常用的数据源。目前，基于无人机高分影像提取单木树冠的方法主要分为3 类：1）目视解译法，此方法主要根据影像的颜色和形状等信息进行判别，对目视者要求较高，不确定性大，且不适应于大范围单木树冠获取。2）基于像元的单木树冠获取，此方法首先采用局部最大值法[9]、多尺度法及模板匹配法[10]等算法先探测树冠位置，再由像元点逐步生长至树冠边界，如分水岭分割法，种子区域生长法等[11-12]。Mu 等[13]基于无人机高分影像采用自适应阈值和标记控制分水岭分割法来识别单株树木，提取树冠信息，结合目视解译与地面调查进行精度评价，误差较小。Kang 等[14]基于无人机高分影像，提出了一种基于数学形态学和J 阈值分割法的桉树树冠面积提取方法，效果较好。董新宇等[15]利用高斯马尔可夫随机场模型对无人机影像进行分割，并采用数学形态学算子算法提取不同树种单木树冠信息。3）基于面向对象的单木树冠获取，面向对象的方法很好的利用了无人机高分影像的光谱、纹理、形状等信息，其中单木分割的准确性直接影响到树冠提取精度，最常见的分割方法为多尺度分割算法[16]。孙钊等[17]采用多尺度分割确定单木树冠对象，然后采用面向对象法提取单木树冠面积和林分郁闭度。赵勋等[18]通过对林区进行多层次多尺度分割，采用面向对象法提取桉树（Eucalyptus robusta）和杉木（Cunninghamia lanceolata）单木树冠边界，提取精度均达到85%以上。上述方法多适用于中低郁闭度林分，在高郁闭度林地林分下树冠提取精度较低，因此，提升高郁闭度林地林分下单木树冠提取精度是目前需要解决的重要问题之一。

现阶段采用综合遥感手段获取森林参数信息已经成为趋势，采用无人机可见光和激光雷达数据结合获取单木树冠信息，不仅弥补了可见光数据因纹理和波段信息相近造成的欠分割现象，还弥补了激光雷达数据缺乏的二维图像信息。故以江西省年珠实验林场为研究区，采用分水岭分割与面向对象分类结合的方法提取不同郁闭度下杉木单木树冠信息，并对单木提取精度进行验证，为利用无人机多源数据结合获取不同郁闭度下单木树冠信息提供参考。

1 研究区概况

研究区位于江西省新余市分宜县境内，隶属于中国林业科学研究院亚热带林业试验中心（114°30′～114°45′E，27°30′～27°45′N）。林场总面积1 082.79 hm2，年均气温16.8 ℃，年均降水量1 590 mm，集中于3—6 月无霜期252 d。年珠林场属低山丘陵地貌，海拔高度介于220～1 092 m母岩以千枚岩为主。主要植被类型为常绿阔叶林、落叶阔叶林、混交林，其中人工种植的杉木林和毛竹林分布较多，主要树种有杉木、马尾松（Pinus massoniana）、柏木（Cupressus funebris）、桤木（Alnus cremastogyne）、毛竹（Phyllostachys edulis）、鹅掌楸（Liriodendron chinense）、栲树（Castanopsis fargesii）等。

2 材料与方法

2.1 数据来源

2.1.1 样地数据

选取林分结构相对单一的杉木同龄纯林圆形样地10 个，林木起源为人工林，根据森林资源规划设计调查对郁闭度进行划分，包括5 个中郁闭度样地（郁闭度0.40～0.69）和5 个高郁闭度样地（郁闭度0.70 以上），样地半径为16 m，大小为800 m2，对各样地进行每木检尺调查并进行精准定位，地面调查数据样地统计信息见表1。单木定位时首先选择明显标志物，然后再确定样地中心点，并基于样地中心点采用罗盘仪和皮尺分别获取单木距样地中心点的角度和距离来进行单木位置定位，以确保无人机数据与样地数据的匹配。

表1 地面调查样地数据统计Table 1 The statistics of ground survey in sample plot

2.1.2 无人机数据

无人机（UAV）数据使用大疆M600 pro 六旋翼无人机获取，传感器包括高分相机和激光雷达扫描仪2 种类型，数据采集时间为2019 年7 月，天气晴朗无风，飞行速度为6 m/s，飞行高度为160 m，平均航向重叠率为83.21%。可见光传感器为Sony ILCE–6000，总像素为2 470 万像素，色彩空间为sRGB，LiDAR 传感器为RIEGL VUX–1LR，视场角330°，激光脉冲发射频率高达820 kHz，可识别多目标回波，精度为15 mm。

2.2 数据预处理

2.2.1 可见光遥感数据处理

使用无人机数据处理软件LiMapper 进行可见光影像处理，主要流程为特征点提取匹配、区域网平差、相机自检校、密集点云重建、数字高程模型（DEM）和数字表面模型（DSM）生成、正射影像（DOM）智能镶嵌、以及数据可视化分析等。在ENVI 5.3 中进行正射影像的校正、裁剪等预处理获得研究区样地正射影像，分辨率大小为0.05 m。

2.2.2 激光雷达数据处理

使用软件LiDAR360 进行无人机激光雷达数据的处理，主要流程包括：航带拼接、质量检测、投影转换、点云去噪、噪声滤波、地面点分类等。

2.3 树冠区域提取

利用eCognition 软件中多尺度分割算法结合面向对象分类提取树冠区域信息，以去除林下灌木和裸地等信息对树冠提取造成的干扰。多尺度分割算法利用影像的光谱、形状和纹理等信息，根据同质性标准至下而上分割出对象内具有同质性最大，异质性最小的不同斑块，是面向对象法进行分类解译的基础[19]。其中，分割尺度、形状指数和紧致度是进行多尺度分割时的重要参数。

首先将样地分为树冠与非树冠两部分，以树冠区域为掩膜，剔除非树冠信息。主要步骤如下：1）采用多尺度分割算法将各样地树冠与非树冠区域分割为不同对象。2）建立分类体系，因为样地内没有建筑、河流等地类干扰，因此只需要构建树冠和非树冠2 个类别。基于分类体系选择具备代表性的训练样本，并对R、G、B 3 个波段均值（Rmean、Gmean、Bmean）、对象亮度值（Bri）、对象的最大化差异度量（Dmax）、长宽比（L/W）、形状指数（SI）、灰度共生矩阵的相异性（DI）、相关性（CO）和纹理均值（ME）共10 个特征进行特征优化，以选取最优特征。3）选择优化后特征采用最近邻分类法进行面向对象分类，将树冠和非树冠区域分为不同的对象。4）在ENVI 5.3中以树冠区域为掩膜，剔除非树冠区域信息，获取树冠分布范围。

2.4 分水岭分割算法

分水岭分割算法是Vincent 提出的一种基于拓扑理论的数学形态学的分割方法，是根据分水岭的构成来考虑图像的分割，对微弱边缘具有良好的响应，是最常见的分割方法之一[7]。本研究采用LiDAR360 进行CHM 分割即分水岭分割，首先对地面点分类后的点云采用不规则三角网（TIN）插值生成数字高程模型（DEM）；以激光雷达反射的第1 回波激光点为数据源采用克里金插值法生成数字表面模型（DSM），并通过对临近栅格的分析，采用上述插值方法对DEM 和DSM 进行空洞补充去除无效值；然后由DSM 与DEM 相减得到CHM，CHM 分辨率大小为0.5 m，并采用平滑滤波法对CHM 进行平滑滤波去除空洞和不连续现象。

2.5 林冠层单木分割

为了更好的描述不同郁闭度下的杉木单木树冠信息，基于林冠层对单木进行分割，主要思路为：以分水岭分割得到的单木树冠边界为第1 层分割结果，利用eCognition 软件，在第1 层的基础上对掩膜后的树冠区域进行再次分割（多尺度分割），并对第2 次分割的结果进行面向对象分类提取单木树冠边界信息。

2.6 精度验证

为了定量分析无人机高分影像与无人机激光雷数据结合提取树冠信息的有效性，以实地调查的样地每木数量和位置为基准，结合目视解译结果作为参考图进行精度验证，并认为参考图的结果是准确的。由于部分样木位于样地边界，因此精度验证时去除了位于边界的样木。

2.6.1 单木树冠验证

国内外对于单木冠幅的评价和验证有很多种方法，为了准确和有效的体现无人机可见光与激光雷达数据结合提取树冠的精度，于ArcGIS 10.4.1中对分割树冠和参考树冠进行空间统计分析，验证单木树冠分割情况。综合郑鑫等[20]和曾霞辉等[21]的研究，将单木树冠分割结果分为5 类包括：匹配、接近匹配、漏分、错分以及合并。匹配指分割树冠与参考树冠的重叠面积同时占各自面积的50%以上；接近匹配指分割树冠与参考树冠重叠面积占其中一方的50%以上，漏分指参考树冠的50%面积内无分割树冠；合并指多个参考树冠被一个分割树冠代替；错分指分割树冠中不存在对应的参考树冠。其中匹配和接近匹配被认为是正确分割的结果，漏分和合并被认为是漏分误差，错分属于错分误差，分割的准确率（Pd）、召回率（Pr）和F测度分别由如下公式确定：

式中：Nc为分割正确的树冠数目，Nr为目视解译树冠总数，Nd为分割出来的树冠总数，Pd表示正确分割的树冠占分割树冠总数的比例，Pr表示正确分割的树冠占目视解译树冠的比例，F测度是对准确率和召回率的综合描述，F值越高表示单木分割效果越好。

2.6.2 树冠面积和冠幅精度验证

本研究采用决定系数（R2）和均方根误差（RMSE）对实测和提取树冠面积与冠幅进行精度评价。其中因为树冠大小不规则但近似于圆形，所以采用公式（4）计算提取冠幅和实测冠幅面积。

式中：CW 表示冠幅，S表示树冠面积。

3 结果与分析

3.1 树冠区域提取结果

当分割尺度为25、形状指数为0.2、紧致度为0.5 时中郁闭度和高郁闭度林分树冠与非树冠区域都能较好的被分割。在该分割参数下采用样本模式的分类方法进行空间特征优化以减少特征数量大造成的运算量增大和冗余现象。由图1 可知，当特征数量为7 维时，最低分离程度最佳，最佳的特征组合为：Rmean、Gmean、Bmean、Bri、Dmax、SI 和ME。根据优化后的特征提取树冠与非树冠区域，以树冠区域为掩膜的结果见图2，由图可以看出林下裸地等非树冠信息较好的被剔除，减少了非树冠信息对单木树冠信息提取的干扰。

图1 分割维数与分割距离关系Fig. 1 Relation between dimension and separation distance

图2 树冠区域提取结果Fig. 2 The extraction of results of crown area

3.2 分水岭分割结果

基于激光雷达点云数据生成DEM、DSM 并构建CHM 进行分水岭分割。高斯平滑因子是分水岭分割的主要因素，当高斯平滑因子过大时，会出现欠分割现象，导致多棵树被识别成一棵，当高斯平滑因子过小时，则会导致过分割出现漏分现象。当高斯平滑因子为0.5，窗口大小为5 时，CHM 分割效果最好。基于CHM 进行分水岭分割结果见图3。由图3 可知，单木较好的被分割为不同的对象，但是对单木树冠边界的描述效果较差，分割出的单木对象中亦包含草本，阴影、裸地等非树冠信息，因此仍需要对分割结果进行优化以去除非树冠信息的干扰。

图3 CHM 分割结果Fig. 3 The result of CHM segmentation

3.3 单木树冠信息提取

3.3.1 最佳分割参数确定

为了优化单木树冠分割结果，基于分水岭分割得到的单木树冠边界对树冠层进行再次多尺度分割，采用目视解译法对单木树冠边界分割结果进行分析得到的最佳分割参数见表2。由于掩膜后非树冠区域信息值为0，因此以亮度值为特征，对第2 次分割结果进行面向对象分类提取单木树冠边界信息，并将单木树冠边界导入ArcGIS 10.4.1 中与正射影像叠加显示，结果见图4，由图可以看出单木树冠分割效果较好，分割得到的单木树冠边界与目视解译勾绘的单木树冠差异不大，表明基于面向对象和分水岭分割结合的方法能够较好的描述单木树冠边界信息。

图4 目视解译和单木树冠提取结果Fig. 4 The result of visual interpretation and crown extraction

表2 不同郁闭度下多尺度分割参数Table 2 Multi-scale segmentation parameter selection

3.3.2 单木精度验证

各样地单木树冠精度验证统计结果见表3 所示。由表3 可知，F测度超过80%以上的样地有9块；其中，中郁闭度样地F测度在88.07%～95.08%，高郁闭度样地F测度在78.57%～88.29%。从树冠提取个数和准确率来看，大部分树冠都被正确分割，但仍有漏分误差和错分误差现象出现。漏分误差现象主要是因为树冠间相互连接和遮挡导致部分单木未被识别；错分误差主要是由于无人机可见光或LiDAR 数据中存在阴影或噪声的影响，导致伪单木被识别为单木或单木冠幅较大导致分水岭分割时单株木被识别为多株木。根据中郁闭度和高郁闭度样地单木树冠提取的准确率、召回率和F测度可知多源无人机数据结合提取杉木单木冠幅信息是可行的。

表3 单木树冠精度验证Table 3 Accuracy verification of single tree crown

3.4 单木树冠面积和冠幅精度验证

将提取树冠与实测树冠建立线性回归方程，结果见图5。其中，中郁闭度和高郁闭度林分中提取的树冠面积与实测面积R2分别为0.859 1 和0.736 7，RMSE 分别为2.49 m2和3.29 m2，提取单木冠幅与实测冠幅R2分别为0.830 6 和0.724 6，RMSE 分别为0.46 m 和0.57 m，提取精度均较高，说明不论是在中郁闭度还是高郁闭度林分下提取的单木树冠面积和冠幅都能够满足森林资源调查的要求。

图5 提取树冠面积、冠幅与实测树冠散点图Fig. 5 Scatter plots of area and crown width between extraction crown and actual crown

4 结论与讨论

本研究基于无人机可见光和激光雷达数据，以年珠试验林场为研究区，利用分水岭分割算法和多尺度分割面向对象分类法相结合提取杉木冠幅信息，并进行精度分析，结论如下：

1）通过激光雷达数据与可见光光谱、纹理等信息的结合，提取单木精度较高，表明激光雷达与可见光数据结合提取单木树冠信息是可行的。

2）中郁闭度和高郁闭度林分单木树冠提取F测度分别为88.07%～95.08%和78.57%～88.29%，中郁闭度和高郁闭度林分中提取的树冠面积与实测面积R2分别为0.859 1 和0.736 7，RMSE 分别为2.49 m²和3.29 m²；提取单木冠幅与实测冠幅R2分别为0.830 6 和0.724 6，RMSE 分别为0.46 m和0.57 m，表明无人机可见光和激光雷达数据结合的方法能够满足不同郁闭度林分单木冠幅信息的提取，其中，中郁闭度林分提取精度高于高郁闭度林分。

3）利用无人机可见光和激光雷达数据结合提取林木冠幅信息，既可以获取单木位置和结构信息，构建精确的林下地形信息，又可以利用无人机高分影像提供的光谱、纹理等信息剔除非林地区域的干扰，为利用无人机进行林木冠幅信息提供了技术支撑。

无人机因其成本低、效率高及能够实时更新弥补了航天航空数据更新周期长、影像分辨率低等弊端，逐渐成为了森林资源调查重要的技术手段之一。无人机可见光和激光雷达数据的结合为基于多源无人机数据提取森林参数提供技术支撑，减少了航空航天数据融合时多源传感器匹配困难的问题，有效提升了多源无人机数据在森林参数提取中的实用性和可靠性。相对于星载和机载平台数据或单一无人机数据，多源无人机数据结合提取的单木树冠信息精度更高。郭昱杉等[22]基于高分影像采用面向对象和标记控制分水岭结合提取不同郁闭度林分单木树冠信息，其中低郁闭度林分F测度达到87.8%，高郁闭度林分F测度达到65.5%；杨立岩[23]采用无人机激光雷达数据提取不同郁闭度不同林分单木株数并进行单木冠幅精度评价，将基于CHM 提取的单木冠幅与实测单木冠幅建立回归方程，R2为0.334，研究表明冠幅提取效果不佳。对比发现本研究中采用无人机可见光和激光雷达数据结合提取单木冠幅有效提升了树冠的提取精度，减少了过分割和欠分割现象发生表明使用无人机可见光和激光雷达数据结合的方法提取不同郁闭度下单木杉木树冠信息的研究是适用的。

尽管本研究方法在不同郁闭度下进行单木树冠信息提取的精度能够满足林业生产的要求，但仍然存在以下问题：1）本研究多源无人机数据结合提取冠幅的方法主要针对杉木纯林、林分结构主要为单层林，对于阔叶树或者混交林及复层林林分是否适用还有待进一步研究。2）光照产生的阴影在树冠分割时容易导致非树冠区域被识别为树冠对象，导致树冠提取精度降低，如何消除因光照产生的阴影也是需要解决的主要问题之一。3）无人机激光雷达系统虽然能够提供高精度的单木位置及结构信息，构建精细林下地形，但相对于无人机光学传感器价格昂贵。近年来，计算机视觉图像发展迅速，基于无人机摄影测量系统进行数字图像三维重建来获取三维点云和植被表面高度信息成为了一种低成本的森林参数信息获取方式，在单木树冠提取方面，无人机摄影测量系统是否能够与无人机激光雷达系统一样获取不同郁闭度下高精度的单木树冠信息还有待进一步比较研究。