基于无人机激光雷达点云的单木生物量估测

张虎

(三和数码测绘地理信息技术有限公司,甘肃 天水 741000)

森林是地球上最大的碳库,是维护地球碳的主要来源。因此,对我国林业的生物量和碳量进行了快速、精确的评估是一个迫切需要研究的课题。当前,林科院对生物量的测算一般是以林地地面生物量为单位,包括树干、树枝和树叶等。但常规的林地生物量测量方法费时费力,效率低下,对林地生态环境有很大影响。因此,根据模型建立的可行性以及多组变量和生物之间联系的研究,可根据精度对比来对最佳因子进行删选,进而估算出森林单木生物具体的数量,为相关研究提供充足的理论依据。

1 数据获取

1.1 获取无人机激光雷达数据

本文所采用的是大疆M600(深圳大疆技术股份有限公司),SZT-250 型的激光雷达。资料收集于2021 年9月27 日,有好的气候条件,没有大风；该系统的平均地速为28.8km/h,相对高度50.2m,持续时间6min56s,扫描速率10-100 行/s,平均点浓度40 个点/m2,总共获得了7 个区域的资料[1]。该系统使用了LiDAR 的标准储存格式(.Las),并可以按照(.pcd)、(.txt)等形式进行数据的转换。

1.2 获取实测数据

在2021 年10 月3 日至5 号进行了对水曲柳和樟树样地的实地考察。根据林分的密度,在两种树种中随机抽取3 个边宽15m 的样品,进行了试验。按照东西、南北两个方位进行了树冠宽度的测定,计算出了单木的平均冠宽,并通过测高机获得了单木的单木高度。

2 研究方法的实施

2.1 根据点云数据来提取单木参数

根据本研究区域的实际分析,区域内林分郁闭度相对较高,这样所使用的无人机激光雷达很难在树干上打到激光点,根本无法准确提取出单木的胸径。所以为了对生物量单木结构参数进行反演和测量提取,本次选择树高、冠幅和树冠的投影面积和体积来作为其所要提取的参数[2]。

2.1.1 预处理

本文在LiDAR360(北京数字绿土科技有限公司)的基础上,完成了三个阶段的点云数据预处理[3]。

2.1.1.1 本文提出了一种以距离为基础的隔离点方法对噪声进行消噪,将某一球面中的点数小于给定的点作为噪声点[4]。在此样点上,利用样本资料的分配,设定了3个相邻点和5m 的邻近搜寻范围。

2.1.1.2 利用逐步加密的三角形网络过滤方法,将点云区分为地面和非地平面。在8°、1.4m 的情况下,地面平面的分选效率最高。

2.1.1.3 将分割后的地表点按0.5m 乘0.5m 作为基础单位,利用反向加权方法进行局部插值,从而产生DSM和DEM。用DSM方法对DEM进行消解,可以获得树冠的高度。

2.1.2 提取单木冠幅和树高

本次选择k 均值聚类算法来进行树高与单木冠幅的提取方法,该方法是一种根据迭代求解的聚类分析算法。首先,将K 组的元素随机选取为初值,再分别求出各子簇与各子簇的间距,并将各子群向邻近的子群中心指派[5]。在所有的元素都被指派之后,按照簇内已存在的单元进行再一次的运算,直至最终的目的功能完全收敛。在这种情况下,利用迭代法将每个点云块分成若干簇,从而完成了对单个树木的树冠的辨识和分割。

在Visual Studio 2017 中,利用k-means 方法对冠层点云进行了分段,根据其结果提取东西冠幅和南北冠幅,并计算出冠幅的平均值。在此基础上,利用最大值方法求出了最大的树顶,得到了最大值,得到了最大值的Z值。

2.1.3 计算单木树冠的投影面积和体积

二维凸包是一种以点群为基础建立的树顶区域的基本方法：在一个区域中,树顶的投射面是一个区域的全部点的聚集,而二维凸包则是将顶点聚集的最外围的几个点结合在一起构造一个凸多边形,并利用凸多边形的区域计算出树的投影区域[6]。而计算树顶容积的方法是根据积分原理,将树顶划分成几个层次,然后通过两个平面凸包运算,计算出各层次的截面积。

通过对不同的层间容积进行分析,得出不同的层间容积,并将这些层间的容积进行相加,从而获得不同的层间容积。

2.2 构建生物量模型

在林木单树的成长模式中,应用最广泛的是非线性模式。在这三种模式中,以相对增长模式(异速生长关系)最为典型,可归纳成CAR 与VAR 两种模式。胥辉运用重新取样的方式,证实了CAR 模式在相对增长模式下的参数估算更为精确。

利用CAR 技术建立了树冠宽度、树冠体积、树冠投影区域等生物量的计算公式,并与国家林业局发布的异速生长公式进行了比较(如表1)。因为所有的冠层因素都符合相关增长的规律,CAR 的表达可以用它们的各个变项或结合变数的乘积来表达。

表1 国家林业局公布的水曲柳和樟子松的异速生长方程

根据上述方程可得到树高、冠幅、树冠体积与投影面积的生物量模型,具体公式如下：

其中W 表示生物量,H 表示树高,C 表示冠幅平均值,S 表示树冠投影的面积,V 表示树冠体积,且a1、a2、a3与a4、a5均为模型参数。

2.3 本模型的评价与验证

本研究采用五种统计方法,分别评价了确定因子R2、RMSE、总相对误差、MRE、MREA 等5 种统计方法,评价了该模式的拟合准确率和预测能力[7]。每个指数的计算方法的描述如下：

公式中,n 表示样本单元数,y^i表示模型预测值,yi表示样本的实测值,yi表示样本平均值。

3 结果与分析

3.1 提取单木冠幅与树高的结果分析

3.1.1 采用k-means 方法进行样地点云的聚类,并根据研究区域的方向,对单木进行了冠幅的采集。以冠点云的最大值之差为东、西两个冠幅的最大、最大的差异为南、北两个冠幅的均值。采用水曲柳样地和樟子松样地的单木平均冠幅进行了统计,并用k-means 方法对其进行了统计。从图1、2 可以看出,根据该方法所获得的单株的冠幅为3.47-8.10m,平均为5.54m；结果表明,樟子松类的单株冠幅为2.27-5.78m,平均为4.11m。由表2可知,k-means 法的平均冠幅x 和实际的平均冠幅y 之间有良好的线性相关性,R2和RRMSE 分别为0.82 和0.61m；结果表明,在樟子松中,R2与RMSE 各占0.43 m。研究结果显示：采用k-means 方法对单木冠幅进行检测,其准确率是比较高的。

图1 水曲柳样地中提取冠幅平均值与实测冠幅平均值的回归关系

图2 樟子松样地中提取冠幅平均值与实测冠幅平均值的回归关系

表2 提取与实测平均冠幅的回归关系

3.1.2 根据点云的分割资料,采用最大值方法对树冠进行检测,得到的Z 值为单个树木的高度。采用水曲柳样地和樟子松样品地的实际树高测量资料与计算方法进行了统计,并将其与实际数据进行了比较。如从图3和4 中可以看出,以该方法为基础,得到的单木树高为17.97-23.27m,平均为20.78m；结果表明,该树种的个体高度为15.54-19.12m,平均为17.25m。由表3 中所列的抽吸率与实际观测值的回归分析可知,水曲柳样品地的平均高度R2分别为0.86 和0.49m；结果表明,在樟子松类地中,R2和RMSE 分别为0.84 和0.40m。实验结果显示,该方法所得到的数据与实际数据有着良好的相关关系。

图3 水曲柳样地中提取树高与实测树高的回归关系

图4 樟子松样地中提取树高与实测树高的回归关系

表3 提取与实测树高的回归关系

3.2 两块样地统计树冠投影面积与体积的结果分析

利用两个样本地的平面凸包方法,将点云的剖面数据进行了求解,并利用逐步凸包法求出了两个样本地的树冠投影面积和体积,并在表格4 与5 中给出了相应的结果：

表4 两块样地树冠投影面积统计结果

表5 两块样地树冠体积统计结果

4 结论

本文采用无人驾驶的激光雷达对两个样品进行了扫描,并采用计算机程序和计算机程序进行了分析。根据所提取的单一木质构件的特征,构建了包括树高、树冠宽度、树冠投影区域和树冠容积的新的生物量模式,并与已发布的水曲柳、樟子松的生物量表进行了比较。本文的具体结论是：

4.1 将该方法所获得的单木冠幅和树高与实际数据进行了比较,结果表明：水曲柳类地的冠幅为3.47-8.10m,树高为20.78m；结果表明,研究区内各树种的生长状况符合,各树种的单木因素与实测资料具有较强的相关性。因此,利用无人机雷达所获得的单一树木的参量,可以将其用于生物量模式。

4.2 选择以树高、树冠宽度、树冠投影面积、树冠容积等参数来拟合,以水曲柳和樟树的生物量模式最佳,R2值为0.834,0.792,RMSE 值为18.912、8.120kg/株,综合评价指数都很好,与以上分析相吻合。