应用无人机可见光数据对胡杨林群落单木信息的提取1)

张文奇 李丹 师庆东 郭玉川

(生态环境部环境规划院，北京，100043) (中海油研究总院有限责任公司) (新疆大学)

胡杨(Populuseuphratica)作为最古老的杨柳科杨属树种，自身耐干旱、耐强光、抵抗风沙袭埋的优良品质，成为我国荒漠地区唯一能自然成林的乔木类型[1-2]。胡杨林生态系统为西部干旱区提供了不可估量的经济和生态服务价值，包括阻隔荒漠化扩张进程、生物多样性保护、土壤的形成和固碳、娱乐和审美等。因此，胡杨林生态系统是西部地区生态保护和恢复工作的重点。

胡杨林监测和管理依靠定期的实地抽样调查收集森林资源清查数据，这种调查方式通常覆盖相对较小的空间尺度(<0.5 hm2)，并且受极端天气和交通设施落后的影响，进入偏远荒漠地区普遍困难，而且花费较高的调查成本。与传统的地面调查相比，无人机能够在更短的时间内收集更广泛的空间信息，提高野外工作效率[3-5]，且拥有比卫星图像更高的空间分辨率，同时做到大面积覆盖，比其他机载系统(如激光雷达或机载摄影测量)更经济的方法[6]。在陆地森林生态系统中，通过低成本无人机收集高分辨率图像正在成为测绘地表碳储量的一种有效手段[7-9]。运动恢复结构(SfM)算法的应用使无人机影像数据挖掘从二维向三维过渡，通过UAV-SfM能够获得常见的森林调查数据(包括树种、高度、树冠直径和地上生物量)可以补充传统的森林资源调查技术[10]。董新宇等[11]通过增强无人机正射影像光谱特征，利用马尔科夫随机场模型与形态学算子等方法得到油松、樟子松林区立木信息，单木识别精度达到89%；Mccombs et al.[12]和Pouliot et al.[13]分别选择当地冠幅最小值和当地冠幅平均值为局部最大值窗口识别树木顶点光谱信息；Tao et al.[14]为了解死亡松树的空间分布，手动标记了2000多个死亡松树和非死亡松树样本，对AlexNet和GoogLeNet的深度学习卷积神经网络训练(80%)和优化(20%)，利用训练好的模型对福建省晋江地区无人机数字正射影像进行死亡松树的检测，总体精度为65%～80%。这些研究展示出无人机平台的灵活性与发展前景，但实验对象大多针对针叶林或分布规律整齐的人工林，对胡杨林这类干旱区落叶阔叶林的研究较为缺乏。由于阔叶林树冠反射率受冠层结构、光照角度等多种因素影响，光谱的“峰”与“谷”并不明显，对比单峰的针叶林，胡杨成熟木的完整树冠大多由2到4个大的枝干组成，冠幅达8 m以上，树冠光谱反射率存在多个峰值，制约了无人机可见光数据对阔叶林垂直结构的探索。

本研究使用消费级多旋翼无人机在克里雅河下游胡杨林区域执行多个航拍任务，将激光雷达领域中常用的单木识别方法结合胡杨自身结构特征应用于UAV-SfM数据，用于量化克里雅河下游区域内的胡杨林单木结构特征，并在地块水平上与实地测量结果进行比较，分析无人机可见光数据在提取胡杨林单木信息上的优势以及不足之处，旨在为阔叶林的相关研究提供参考。

1 研究区概况

达里雅布依绿洲位于新疆维吾尔自治区于田县境内，是由克里雅河下游发育而成的尾闾绿洲，地理坐标范围38°16′～38°37′N，81°5′～81°46′E，面积342 km2[15]。绿洲整体南高北低，海拔1 100～1 300 m，年降水量不足20 mm，蒸发量在3 500 mm以上，年均温23.5 ℃，昼夜温差大，绿洲浮沉，沙暴天气较多，平均大风时间2.1 d，年均沙暴时间20.3 d，年均浮沉时间155.4 d[16]。绿洲内植被类型简单，以胡杨、柽柳(Tamarixchinensis)、芦苇(Phragmitescommunis)为主要建群种[17-20]。

2 研究方法

2.1 数据来源

本文所用的实验数据为达里雅布依绿洲内无人机拍摄的可见光RGB影像以及对应的地面样方实测数据(见图1)。实验所用的无人机设备型号为大疆精灵4PROV2.0，机身质量1 375 g，最长飞行时间约30 min，最大承受风速10 m/s，可在0～40 ℃环境温度中工作，云台搭配1英寸CMOS传感器，有效像素2 000万，单张拍摄照片为5 472×3 648。拍摄时间为2019年8月，飞行高度为100 m，航向重叠率80%，旁向叠率80%。

2018年7月调查小组在进入达里雅布依绿洲后沿主河道流向及河道两侧布设共计52个样方，设置样方大小均为20 m×20 m，主要记录了样方内胡杨的多度、高度、东西/南北冠幅和胸径信息。

(b)为达里雅布依绿洲TM影像；(c)、(d)、(e)为样点P01、P02、P03无人机航拍数据。图1 研究区示意图

2019年8月实地调查任务和无人机航拍任务同时进行，在P01、P02、P03无人机航拍区域下用样绳建立50 m×50 m的样方，以手持GPS、胸径尺、测高仪、皮尺为主要工具，详细记录样方内每颗胡杨的地理坐标、株数、高度、冠幅、胸径信息以及样方内其它物种种类盖度信息。

按照调查结果在室内结合无人机影像根据标志物确定每棵树的坐标位置，并依据胡杨密度及胸径特征将这3个样地分为成熟林、幼龄林两种类型(见表1)。

表1 样地胡杨参数统计

2.2 影像预处理

利用可见光无人机对实验区进行航拍，用Pix4Dmapper软件做影像预处理，通过优化原始数据、创建自适应窗口识别单株胡杨顶点，最终提取树高并计算胡杨分布格局，以地面实测数据做验证。技术流程如图2所示。

图2 技术路线

野外拍摄工作完成后利用Pix4Dmapper软件中的运动恢复结构算法生成正射影像(DOM)和3D点云，Pix4Dmapper软件提供了点云分类功能，利用渐进三角网的滤波算法将点云分为地面点和非地面点，算法原理是设定一个固定大小的格网，计算格网内所有点云高程值的最小值，以最小值为种子点构建最初的三角网，以两点之间的垂直距离和倾斜角为阈值条件，判断三角内随机选取的点与顶点之间的关系是否满足条件，从而决定该点是否属于地面点，如果是地面点则将其作为新的顶点加入三角网并反复循环这一步骤，直到没有新的地面点产生为止。分类得到的地面点可以插值得到数字地面模型(DTM)，非地面点插值为数字地表模型(DSM)，在GIS软件里用数字地表模型减去数字地面模型生成冠层高度模型(CHM)，冠层高度模型的取值范围在植被的高度信息最大值和0之间[21-22]。图3展示了UAV-SfM数据衍生的产品示例。

2.3 冠层高度模型优化

在使用冠层高度模型时，发现单株胡杨树冠内同时检测出多个树顶(图4a)，阔叶林树冠形态多样，从高度剖面看有的为单峰，有的为双峰甚至多峰。Chen et al.[23]提出冠层极大值模型(CMM)这一概念来解决这类极值点较多的问题，冠层极大值模型通过建立一个大小适宜的窗口(5×5)，用此窗口遍历整个图像，遍历后的窗口中心像元记录其邻域内出现的最大值数值。与冠层高度模型相比，冠层极大值模型中可以剔除许多无关的局部极大值(图4b)。采用高斯滤波矩阵(C5×5)作为树顶检测中抑制不相关局部极大值的方法[24-25]，高斯滤波过程实际上是对整个窗口中的像元值进行加权平均，从而有效地去除噪声，对输入数据起到平滑作用。对冠层极大值模型结果做高斯滤波处理生成平滑后的冠层极大值模型(SCMM)，除树顶外的伪局部极大值数量被大幅降低(图4c)。

2.4 自适应窗口的树顶探测

自适应窗口最大值算法指寻找冠层高度模型中存在的树木顶点时，窗口大小将根据树高-冠径关系调整为与高度相匹配的宽度(直径)，是栅格数据表面像元大小的奇数倍，然后使用该圆形窗口来分析窗口中心像素与窗口内其他像素的高度对比，以确定中心像素是否为局部最大值。自适应窗口搜索树顶是基于树的高度和树冠大小之间存在相关关系的假设，树高与冠径成正比，冠径是沿两个垂直方向的平均距离。

利用2018年实测的200棵胡杨的树高和树冠大小数据推导出树高和树冠之间的关系，发现胡杨冠径(Dc)大小在树高(H)值较大时有很强的变异性，不符合线性关系，因此选择R2最高(0.783)的幂函数Dc=0.752×H0.802表示树高和树冠之间的关系。

2.5 识别精度检验

通过地面放置的标志物搭配目视解译勾绘出胡杨中心点作为本次单木识别实验的验证数据。参考解宇阳等[26]用到的精度评价标准，分为样地识别准确率和单木位置匹配两种尺度。样地尺度上的准确率是指不考虑单木识别的位置只考虑识别数量的准确度。样地内探测到的株数与实测株数的比值(Dp)作为样地评价标准。Dp=(Nd/Nr)×100%。式中，Nd为单木识别算法在样地中探测到的胡杨株数，Nr为验证数据中的胡杨株数。Dp值越接近100%说明样地尺度上树木的数量探测越准确。

(a)数字正射影像；(b)数字地表模型；(c)数字地面模型；(d)冠层高度模型。图例单位:m。图3 无人机数据衍生产品

(a)冠层高度模型；(b)冠层极大值模型；(c)平滑后冠层极大值模型。图4 单株胡杨不同模型下局部最大值点

单木尺度上的评价标准分为单木位置1∶1对应的数量、信息检索与统计学中的准确率、查全率。单木位置1∶1对应关系是说在验证数据中每棵树附近范围内，有且只有一个单木识别算法提取到的树木顶点，而出现非1∶1的情况均算作错识、漏识现象。查全率和准确率计算公式如下：Ar=(N1∶1/Nr)×100%；Ad=(N1∶1/Nd)×100%。式中，Ar为查全率；Ad为准确率，N1∶1表示树木1∶1对应关系的数量即正确识别的总数，查全率(Ar)的含义是实测单木中，被算法准确识别胡杨的数量比例；准确率Ad代表1∶1识别数量占单木识别算法探测数量的比例。

在GIS软件里将单木位置1∶1识别结果与冠层高度模型数据做叠加分析，提取该点的冠层高度模型数值作为树高值。除了1∶1对应关系的树顶，部分错识现象的点应用手动校正并提取数高，漏识区域不做提取。

2.6 空间分布格局

3 结果与分析

3.1 树顶识别效果

图5是应用固定窗口最大值算法(窗口大小是样方内出现的最小冠幅)与结合冠层高度模型优化的自适应窗口最大值算法和冠层高度模型数据探测的胡杨单木顶点，灰色边框为50 m×50 m样方边界。

a为实测可见单木；b为固定窗口；c为自适应窗口。图5 各样方识别结果

由表2可知，固定窗口最大值树顶探测百分比(Dp)为134.67%～287.5%，识别树木数量是实际树木数量的2倍，误差较高，单木尺度上查全率为70%左右，但1∶1准确率最高59%，最低26%。而经过数据优化后的自适应窗口树顶探测百分比(Dp)为93.33%～134.67%，单木尺度上查全率在90%左右，1∶1位置匹配单木准确率最高87.14%，最低71.43%。固定窗口识别数量明显多于实际数量，而自适应识别结果更接近于真实结果，该算法消除了对搜索窗口大小的依赖，达到较高的精度。样地P01、P02、P03自适应窗口下1∶1匹配单木距离偏差均值分别为0.76、0.82、0.35 m，远小于表1中的单木冠幅范围，说明该算法下的单木识别位置准确可信。

表2 树木位置探测精度评价

3.2 树高提取精度

由图6、表3可知，3个样地无人机估测树高均值略低于实测树高均值，平均绝对误差在0.46～0.81 m，样地P01平均相对误差最低为8.66%，样地P03小树较多，相对误差为21.86%。

各无人机样方提取到的树高与实地测量的树高之间有较好的线性关系，决定系数(R2)为0.76～0.83，均方根误差为0.54～1.02 m。全部样地的均方根误差为0.91 m，决定系数(R2)为0.90。样地P01的决定系数最小(0.76)，但均方根误差也最小(0.54 m)，说明线性拟合效果虽然没有其他两个样方好，但该样方内的胡杨单株估测高度与实测高度之间的偏差最小为0.54 m；样地P02的决定系数比样地P01高，均方根误差最高为1.02 m，估测值与实测值之间的偏差大；样地P03决定系数最高(0.83)，均方根误差为0.96 m。

图6 估测值与实测值线性回归分析

3.3 胡杨分布格局

表3 树木高度提取结果

表4 胡杨分布格局

4 讨论

本研究证明了无人机低空遥感估测胡杨林生态系统垂直结构的可行性，无人机搭配数码相机使用运动恢复结构算法程序为塔里木盆地南缘达里雅布依绿洲的3个调查点创建正射镶嵌影像、DSM、DTM和CHM。由无人机遥感估测胡杨林的单木株数、定位、树高、树木分布格局与实测量值之间存在密切的对应关系。无人机搭配激光雷达可以作为植被结构特征检索的工具[26-28]，激光雷达数据精度高，产生的3D点云数据能够准确估测树木参数，然而激光雷达设备昂贵，数据处理方法繁琐。使用消费级无人机比地面测量、载人飞行图像和激光雷达系统更便宜，同时保证了森林结构参数估计的准确性。

树木的数量、位置信息是森林资源(生物量、初级生产力、蒸散)获取的前提，当不考虑树木自身冠幅-树高关系，仅考虑固定窗口(样方中出现的最小树冠直径)时，胡杨正确识别率为77.68%，与白明雄等[29]使用固定窗口最大值反复调试的识别结果相似(78%～85%)，表明固定窗口算法即使经过最优尺度选择，最终的精度也只能在保持在80%左右。固定窗口的大小根据样地内树木冠幅大小而改变，样方面积越大，固定窗口越难以兼容，而当样方数量较多时，每个样方内窗口的选择就显得繁琐。在野外实测的112棵胡杨中，本实验使用的自适应窗口最大值算法对胡杨正确识别率为85.71%。自适应窗口以一定数量的实测树高-冠幅样本建立模型适用于各种类型的样方，当不考虑幼树的情况时单木识别精度可达到95%。本研究在70株左右的小树影响下识别率仍然到达82%，表明该方法在林龄结构复杂的林分能够发挥作用。由于无人机的超高分辨率，飞行高度为100 m，正射影像分辨率为0.028 m/pix，CHM分辨率0.14 m/pix，理论上地面的胡杨冠幅超过0.14 m就能被显示在CHM数据上。

在单木准确识别的基础上，本研究进一步证明了基于无人机可见光数据提取树高和树木分布格局的可行性。目前，激光雷达相关的研究越来越多，更多关注雷达数据的精准性、穿透性。Lu et al.[30]通过背包激光雷达数据提取黄河三角洲刺槐林种子点与胸径，再利用无人机激光雷达数据根据种子点提取树高，以两种不同尺度数据相结合的方式构建高精度的生物量反演模型，完成对刺槐林地上生物量的反演。激光雷达数据类型的组合应用为林木参数反演提供了很好的案例，但这种方式依赖地面调查，更适合抽样调查。干旱区胡杨林的林分郁闭度整体不高，严格受地表水资源控制，随河岸分布绵延几十至上百公里，这种环境下无论是人力、时间还是成本效益，无人机搭配可见光数码相机更适合去完成资源调查任务，尤其是在精度可以得到保证的情况下。

本实验在数据处理等方面尚存在不足，无人机可见光数据不具备穿透性，在植被覆盖率和森林郁闭度较高的地区树木冠层都有重叠遮挡现象，可见光数据易受这些因素的干扰，基于高度局部最大值提取树顶较为困难；另一方面，植被密度高，计算机难以找到足够的地面点去构建数字地面模型，进而影响到冠层高度模型的生成，所以本实验的方法更适用于胡杨林这类干旱区稀疏阔叶林。调查区域常年遭受风沙侵蚀与季节性河流洪水漫溢，常年沙尘暴等大风天气影响下部分胡杨自身结构发生变化，树干拦腰折断，冠层部分消失，洪水漫溢时带来大量的泥沙将胡杨1/3的树干掩埋在沙土下，在这种生境中基于经验方程的垂直结构提取效果就要大打折扣。除了经验方程的改进外，高分辨率正射影像带有丰富的纹理信息，不仅可以作为验证数据，在树木冠幅、物种识别、生物量反演中的也有广泛的应用[31]，将正射数字影像与冠层高度模型相结合将是本研究进一步探讨的方向。

5 结论

利用激光雷达数据提取单木的思路对无人机数据衍生出的数字冠层模型数据进行了不同类型胡杨样方的单木识别研究，根据地面资料的先验知识，优化CHM数据，通过自适应窗口识别胡杨顶点，并计算了树高以及胡杨分布格局。(1)将识别结果与实测数据作比较，单木1∶1匹配的树木准确率最高为87.14%，查全率90%左右，定位精度优异；无人机提取的位置点与实测位置点相差0.75 m左右，幼龄林相差0.3 m左右。(2)在样地尺度与单木位置匹配的尺度上，该算法比固定窗口最大值识别效率更高，在数量标准、位置匹配标准、识别效率的精度上都满足胡杨株数调查准确性的要求，弥补了传统识别算法不能甄别伪顶点这一缺陷，为提取其他单木冠层结构参数提供了前提条件。(3)3块样地的树高估测值与实测数据都有较高的线性相关关系，R2最高0.83，均方根误差在0.54～1.02 m，平均绝对误差0.6 m；两块样地的胡杨分布格局均为随机分布，与实测结果一致，只有3号样方分布格局为均匀分布，与实际不符。