基于无人机遥感的云南松林冠参数提取研究

杨安蓉,张 超

(西南林业大学 林学院,云南 昆明 650224)

树冠是树木进行呼吸和光合作用的重要场所,冠幅作为树冠结构的重要特征因子,可直接影响树木的生产力和生命力。诸多研究表明,树冠能很好地预测林分蓄积量[1-3]。近年来,传统树冠分割技术分割不稳定、识别率低等问题不断暴露,树冠的探测和分割方法呈现出多维化、智能化的发展趋势。由于不同森林类型的复杂性,任何一种树冠信息提取方法都不可能适用于所有立地环境内的林分,因此,更精确高效的树冠信息提取方法有待进一步研究发掘。

进入21世纪以来,无人机遥感技术作为一种新型数据获取手段,为快速、高效、准确获取森林结构参数信息提供了重要技术支撑,在森林资源调查等领域已有初步探索[4],研究发现,无人机遥感技术可实现森林结构参数的信息提取[5-7],既满足现代森林经营的需求,亦能提升调查效率,为森林资源数据更新提供重要保障。通过无人机获取的数据包含了丰富的信息,如何有效地通过数字图像处理技术进行兴趣信息提取,并筛选研究所需的林分调查因子,是目前无人机遥感技术在森林资源调查与监测领域中的重点和难点。

目前,面向对象的分类方法已成为高分遥感影像分析的主流方式[8],该方法有3个优势,一是可利用纹理特性、空间特征和邻域信息轻松地将光谱特征相似而类型不同的影像区分开来;二是能构建多尺度网络层次,为分类提供上下文拓扑关系信息,有利于信息的精确提取[9];三是将分割后的对象作为信息提取和分析的基本单元,分类结果有良好的整体性,可有效减少“椒盐现象”的产生[10]。但在提取森林结构参数时由于没有考虑高度因素,该法往往会将灌草错误识别为树冠,给冠幅信息提取造成一定干扰。林分冠层高度模型(canopy height model,CHM)消除了地形起伏变化对数字表面模型中地表高层信息的影响,能反映林木高度和冠层的空间分布状态,有效减少灌草的影响,因此常用于反演冠幅、树高、郁闭度、蓄积量、生物量等森林参数[11-13]。

本研究采用传统调查方法结合无人机遥感技术,以云南松(Pinusyunnanensis)纯林林分为对象,采用传统目视解译,基于面向对象的多尺度分割方法及CHM的分水岭分割方法,对无人机影像进行单木林冠参数的精准提取,并进行精度评价和分析,借此探索森林结构参数的遥感估测方法,为利用无人机遥感技术进行单木尺度的云南松蓄积量估测提供理论依据和技术支撑。

1 研究区概况

研究区位于云南省昆明市富民县罗免乡(102°20′46″-102°29′14″E、25°16′21″-25°25′26″N)。为典型的低纬度亚热带高原季风气候,总面积约150 hm2,最高海拔2 306 m,最低海拔2 019 m,地势较为平坦。气候条件良好,有利于林木的生长发育。主要乔木树种有云南松、栎类、桤木(Alnuscremastogyne)、桉树(Eucalyptusrobusta)和杏(Armeniacavulgaris)等。其中,云南松林分以天然纯林为主,多数林木树冠间不相连,视线通透良好。研究区地理位置见图1。

图1 研究区地理位置Fig.1 Geographical location of the study area

2 材料与方法

2.1 标准地调查

依据标准地的选择和设置原则,结合研究区现状,选择未受或少受人为干扰的天然云南松纯林林分。设置方形标准地(共54个)大小为25 m×25 m,面积为0.062 5 hm2。依据森林资源规划设计调查技术规定,按郁闭度划分为3个等级:Ⅰ级20个(0.20～0.39)、Ⅱ级18个(0.40～0.69)、Ⅲ级16个(0.70以上)。采用实测法调查标准地内所有活立木的胸径、树高、最长冠幅、最短冠幅,并对每木进行精确定位。共有849株样木,将立木树冠近似视作椭圆,长冠幅和短冠幅分别视为椭圆的长轴和短轴,计算林木的平均冠幅。

(1)

表1 样地数据汇总Table 1 Sample plot data summary table

2.2 无人机影像获取与处理

标准地设置完成后,利用大疆Phantom 4 pro四旋翼无人机搭载单镜头可见光传感器获取无人机遥感影像,根据研究区现状和技术方案,规划设计飞行航线(完全覆盖样地)。利用目前广泛应用的Pix4Dmapper、Menci APS和PhotoScan3无人机影像处理软件对原始影像数据进行预处理,获取研究区的数字正射影像(digital orthophoto map,DOM)、数字表面模型(digital surface model,DSM)、数字地面模型(digital terrain models,DTM)、三维点云和精度报告等[14],对3款软件的处理结果对比择优,发现APS软件处理得到的DOM影像清晰、颜色对比鲜明,几何形变程度较小,能明显区分出林冠区与非林冠区,因此选择APS软件的预处理结果作为林冠参数提取的基础数据。利用LiDAR360软件对原始点云数据进行剪裁、去噪后,利用改进的渐进加密三角网滤波算法[15]对点云进行地面点分类,利用不规则三角网插值法对分类后的点云进行空间插值[16]生成DSM和DEM,最终处理得到CHM,并根据DEM对点云进行归一化处理(图2)。

图2 点云归一化Fig.2 Normalized point cloud

2.3 林冠参数提取

2.3.1 传统目视解译方法 目视解译(visual interpretation)是遥感图像解译的一种技术手段[17],在冠幅提取中精度较高但比较费时费力。本研究在DOM基础上,分析其形、色、位特点,把握解译特征,结合研究区解译标志,对地物进行目视解译,手动勾绘云南松单木树冠轮廓。

2.3.2 基于面向对象的多尺度分割方法

2.3.2.1 多尺度分割 该步骤需输入3个参数:尺度、形状、紧致度。尺度参数(scale)直接决定了分割对象大小、地物提取精度及分割质量[18]。形状因子(shape)决定着分割对象的形状因子和颜色因子在同质性准则中的占比。紧致度因子(compactness)基于一定的形状规则对分割图像进行紧致度约束,从而优化影像分割结果。由于不同树种的树冠存在尺度和形态差异,进行单木树冠分割时需要设置不同参数才能达到较好的分割效果[19]。评判分割尺度是否合适的标准是,对象内部同质性最大,对象之间异质性最大[20],目标地物可被清晰地分割出来。在此前提下,分割尺度越大越好[21]。

设置形状因子为0.1～0.6,尺度参数为300,紧致度因子为0.5,共进行6次试验,确定最优形状因子为0.1。取尺度参数为300,形状因子0.1,紧致度因子为0.1～0.9,每次调整0.1,共进行9次试验,确定最优紧致度因子为0.5。在此基础上,采用eCognition软件中的ESP2插件运算结果作为判断分割效果好坏的标准。由图3看出,横坐标为分割尺度,左侧纵坐标为局部方差LV,右侧纵坐标为局部方差变化率ROC-LV。ROC-LV出现波峰时对应的尺度参数即为某一对象的最优分割尺度[22]。该图像的最优尺度有210、218、230、246、278、284、328、336、344、363、379、387。设置形状因子为0.1,紧致度因子为0.5,尺度参数分别为上述最优尺度参数值,进行12次分割试验,得到不同尺度参数控制下的影像分割结果,通过对比分析发现,当尺度参数为344时,分割对象大小适中,树冠轮廓也较为贴近实际情况,因此确定形状因子为0.1、紧致度因子为0.5时,最优分割尺度为344。以最优分割参数组合对研究区所有样地进行多尺度分割。

图3 ROC-LV折线Fig.3 ROC-LV broken lines

2.3.2.2 面向对象分类 选择面向对象影像分类(样本模式)的分类方法将分割结果分为林冠区与非林冠区,分别为2种地物类别选取图像特征指标以构建特征空间,并对其进行优化,选择分割特征的最佳组合。在此参考前者研究选择了以下3大类特征指标[23-25]:1)光谱特征,包括在R、G、B波段上的像素平均值、亮度、标准差、VI值、Max.diff;2)纹理特征,包括灰度共生矩阵的纹理均值、相异性和相关性;3)形状特征,包括长宽比、形状指数。按照林冠区和非林冠区利用样本采集器采样,当分类依据>0.85,错分到其他类别的概率<0.7时表示采样具有代表性[21]。将上述14个分类特征全部选入特征空间优化工具,结果见图4,图4中横坐标为数量特征维度,纵坐标为分割距离。当数量特征维度为11时,最低分离度最高,分割特征的最佳组合为:Rmean、Gmean、Bmean、RStd Dev、GStd Dev、BStd Dev、VI值、Max.difff、Length/Width、shape index、GLCMmean。基于优化后的特征,采用最近邻分类方法进行影像对象的面向对象分类。

图4 分割距离与分类特征数量关系Fig.4 The relationship between segmentation distance and the number of categorical features

2.3.3 基于CHM的分水岭分割方法 森林的树冠见图5(a),若在2个集水盆汇合处构建大坝,形成区分树冠的分水岭见图5(b),利用分水岭分割算法对CHM栅格进行分割的结果见图5(c),图中绿色线即为分水岭分割线,中心位置即为集水盆中的最小值位置,也就是每木树冠的最高点(树木所在位置)。

图5 CHM分水岭分割原理Fig.5 The theory of CHM watershed division

在LiDAR360软件中输入CHM数据,根据实际调查情况及多次尝试,确定分割参数设置见表2。

表2 基于CHM的分水岭分割算法参数设置Table 2 Parameter setting of watershed segmentation algorithm based on CHM

2.3.4 精度评价 目前,国内外对于单木冠幅提取的精度评价并无统一标准[26],一般包括:1)提取的单木位置、数量与实测单木位置、数量的比较;2)单木树冠轮廓描述精度验证,此处称为单木分割精度;3)单木平均冠幅精度验证,此处称为单木冠幅提取精度。

2.3.4.1 冠幅计算 与标准地调查数据处理相似,求出单株树冠轮廓的周长L和面积CW's后,按下式计算云南松的单木提取冠幅

(2)

(3)

(4)

2.3.4.2 单木分割精度 参考目视解译结果,利用准确率(Pd)、召回率(Pr)和F测度进行单木分割精度评价,同时以标准地为单位计算单木分割百分比(Pi)

(5)

(6)

(7)

(8)

式中:Nc为正确分割的树冠数目;Nd为分割出来的树冠总数;Nr为参考树冠个数;Nt为标准地分割的总株数;Ns为标准地实测的总株数。

2.3.4.4 林分郁闭度估测 现地测定郁闭度的方法较多,常用的有目测法、统计法、树冠投影法、测线法、样点法和平均冠幅法,但这些方法只能大致确定一个郁闭度值,且受个人因素影响较大。目视解译虽然费时费力,但精度较高,因此使用目视解译提取结果作为林分郁闭度遥感估测的参考值。

(9)

式中:PC为郁闭度;SC为林冠投影面积,SO为标准地总面积。

3 结果与分析

3.1 单木林冠参数提取

基于样地无人机遥感数据,分别利用目视解译、多尺度分割和分水岭分割方法进行影像分割提取树冠轮廓,3种方法最终的影像提取结果叠加到正射影像上的效果见图6(以1号标准地为例)。对应外业调查结果进行冠幅提取的精度分析(表3)。 结果表明,849株样木通过目视解译方法被完全识别提取出来,冠幅的实测值与目视解译提取值总体非常相近,但局部有差异。实测值与提取值之间的平均相对误差为0.09,提取精度达91.48%。多尺度分割方法正确识别提取了759株样木,实测值与提取值之间平均相对误差为0.13,相比目视解译来说,分割误差有所上升,但总体提取精度为87.33%,仅降低了4.16%。分水岭分割方法正确识别提取了744株样木,实测值与提取值之间平均相对误差为0.16,相比目视解译来说,提取误差再次上升,总体提取精度为84.04%,降低了7.44%。

表3 单木冠幅提取精度分析Table 3 Analysis of extraction accuracy of single tree crown width

图6 单木分割结果Fig.6 Single tree segmentation results

由表4可知,3个密度等级林分相比,多尺度分割方法中,就准确率来说,Ⅰ级林分>Ⅱ级林分>Ⅲ级林分;就召回率而言,Ⅰ级林分>Ⅲ级林分>Ⅱ级林分;F测度方面,Ⅰ级林分>Ⅲ级林分>Ⅱ级林分。总体来说,Ⅰ级林分的冠幅分割精度最高。在54个标准地中,单木分割百分比平均值为93.40%,单木分割百分比达100%的共28个,其中,Ⅰ密度等级13个,Ⅱ密度等级9个,Ⅲ密度等级6个。分水岭分割方法中,就准确率来说,Ⅰ级林分>Ⅱ级林分>Ⅲ级林分;就召回率而言,Ⅰ级林分>Ⅱ级林分>Ⅲ级林分;F测度方面,Ⅰ级林分>Ⅱ级林分>Ⅲ级林分。总体来说,Ⅰ级林分的冠幅分割精度最高。在54个标准地中,单木分割百分比平均值为93.76%,单木分割百分比达100%的共26个,其中,Ⅰ密度等级11个,Ⅱ密度等级11个,Ⅲ密度等级4个。

表4 不同密度等级单木尺度分割精度评价Table 4 Evaluation of segmentation accuracy of single wood scale with different density grades

由表5可知,目视解译方法中各密度等级林分冠幅提取的平均绝对误差分别为0.38、0.38和0.41,平均相对误差较小,分别为0.08、0.08和0.09,冠幅提取精度分别为92.34%、91.74%和90.69%。说明3个密度等级林分中目视解译方法获取的冠幅提取值与实测值相差较小,提取精度较好。多尺度分割方法中各密度等级林分中冠幅提取的平均绝对误差分别为0.57、0.63和0.66,平均相对误差分别为0.11、0.12和0.14,冠幅提取精度分别为88.70%、87.57%和86.14%。分水岭分割方法中各密度等级林分中冠幅提取的平均绝对误差分别为0.81、0.80和0.84,平均相对误差分别为0.15、0.16和0.17,冠幅提取精度分别为84.74%、84.44%和82.83%。

表5 不同密度等级林分单木冠幅提取精度分析Table 5 Analysis on the extraction accuracy of single tree crown width in stands with different density grades

3.2 林分郁闭度的遥感估测

由表6可知,多尺度分割方法中,郁闭度识别提取的平均绝对误差为0.04,平均相对误差为0.10,总体估测精度达90.24%,将目视解译获取的郁闭度与多尺度分割获取的郁闭度进行拟合,两者的R2达0.884 5。分水岭分割方法中,郁闭度识别提取的平均绝对误差为0.05,平均相对误差为0.12,总体估测精度达87.40%,将目视解译获取的郁闭度与分水岭分割获取的郁闭度进行拟合,两者的R2达0.743 7。

表6 林分郁闭度提取精度分析Table 6 Analysis on the extraction accuracy of stand canopy closure

4 讨论

对比影像原图发现,目视解译方法的误差来源有2个,一是数据处理过程中有部分影像发生形变和图像模糊的情况;二是部分树木聚集分布使树冠重叠,提取时无法分清树冠轮廓。目视解译在判定过程中易产生人为误差导致数据提取精度下降,且该法在实施过程中需辅助大量的人工解译工作,内业工作量较大,说明通过无人机遥感目视解译提取林冠参数的方法仍有一定进步空间。

对于面向对象的多尺度分割方法来说,造成提取结果产生部分树冠漏提、错提的原因除影像形变和树冠重叠之外,还有2个重要原因,一是标准地内有灌草分布,而灌草的像素特征值与树冠相似,难以将两者区分;二是部分树冠叶片分布较稀疏,难以通过像素特征将其与周围的地物区别出来。在今后的研究过程中可着重考虑空间特征指标的选择,以更好地区分灌草、目标树种和非目标树种,进而提高林冠参数的提取精度。另外,温昱婷等[27]基于无人机遥感平台,采用面向对象的方法进行树种分类研究,发现DSM与RGB特征融合图像提取树种的精度较RGB单一图像提高了6.69%,表明特征融合图像结合面向对象分类方法可提高无人机可见光影像的树种分类精度。后续研究考虑利用特征融合结合多种图像分割方法进行森林参数提取,探索更高精度的森林参数提取方法。

本研究中的实地冠幅调查,与孙钊等[28]使用8个方向冠幅均值决定树冠大小相比,可能会导致人为误差增大进而影响冠幅提取精度,但在形状、尺度和紧致度参数的设置上本研究考虑较为全面,可能是多尺度分割提取效果较好的原因。同时,徐永胜等[29]研究发现无人机在50 m飞行高度下获取的遥感影像林隙识别效果最好,本研究中的无人机飞行高度设置与此相同,且林分郁闭度多数较低,可能是本研究中林冠参数提取结果较好的原因。另外,许多学者在进行林冠参数提取时采用了基于冠层高度模型的标记控制分水岭方法[30]、基于点云的层堆叠分割、区域增长算法等分割方法[31],这些方法在树冠信息提取时考虑了高度因素和林木的整体性,有效避开了灌草的干扰,在今后的研究中可尝试这些方法以提高林冠参数的提取精度。另外,利用基于CHM和点云的单木分割不仅可以获取单木位置、冠幅、郁闭度信息,还可获取树高等空间三维信息,由此即可为林分蓄积量、生物量的估测提供坚实的数据基础,后期研究将从林分蓄积量生物量的估测方面着手,探索基于无人机遥感技术,利用不同单木分割方法获取森林参数进行林分蓄积量、生物量估测。

利用无人机遥感技术虽然可高效、实时获取研究区的影像数据,且基于影像数据可直接获取森林参数,相比卫星遥感技术来说,为森林资源调查提供了很大的便利,但对研究区的选择具有很大限制性,目前该法多用在地势平坦地区的稀疏林分,随着研究区的坡度上升,林冠参数的提取精度大幅下降,对于坡度较大的研究区,林冠参数提取方法还有待进一步探讨。另外,无人机遥感影像在航拍和预处理过程中,或多或少会受到光照、风速、传输和处理机制的影响,从而造成影像质量不高的结果,如何消除或者减小这些影响有待进一步研究。本研究的对象为地势相对平坦地区的云南松纯林,使得结果具有一定局限性,今后可在不同地区、不同树种的样地上验证本研究的结果。

5 结论

随着传感器和遥感技术的发展,当前的无人机低空高光谱遥感影像以及小光斑雷达影像在空间分辨率、光谱成像、数据处理、估算模型等方面具有显著优势,且这些影像不受或少受大气影响,可实现全天候监测,能提取林木株数、树冠、树高等信息,在林分蓄积量、生物量等参数估算方面表现出广阔的应用前景。本研究利用无人机获取高分影像,采用目视解译、多尺度分割和分水岭分割方法,对林木冠幅和郁闭度进行了提取,结果表明,3种分割方法按冠幅提取精度排列依次为目视解译(91.48%)、多尺度分割(87.33%)、分水岭分割(84.04%)。多尺度分割方法提取结果中,各郁闭度等级的林分冠幅提取误差依次上升,分水岭分割方法提取结果中,Ⅱ级林分误差降低幅度最小,说明分水岭分割方法较适用于本研究中的Ⅱ级林分林冠参数的识别提取。在树冠轮廓贴合度方面,多尺度分割结果轮廓较为贴近目视解译结果,分水岭分割结果与目视解译结果之间的贴合度则较差。以目视解译结果为参考,多尺度分割方法提取郁闭度的精度达90.24%,R2达0.884 5,分水岭分割方法提取郁闭度的精度达87.40%,R2达0.743 7,说明面向对象的多尺度分割方法能很好地提取云南松纯林林冠参数信息。