基于无人机激光雷达的不同种类红树林单木分割

魏晓博, 李志强, 陈昭光, 刘润

(广东海洋大学电子与信息工程学院, 湛江 524088)

红树林是生长在热带和亚热带海岸线上的典型潮间带植物,它是由红树植物为主体的常绿乔木或灌木组成的湿地木本植物群落[1]。红树林具有固碳存碳、防风消浪、保护堤岸、促淤造陆、净化环境、改善生态状况等多种功能,也是鱼、虾、蟹、贝类生长繁殖的场所[2]。由于气候变化、自然灾害和人为干扰的影响,红树林的生态功能在过去几十年不断退化[3]。研究表明,历史上中国红树林面积曾多达25万公顷,但到20世纪50年代,红树林面积却仅留存有4万公顷[4]。因此,开展红树林动态监测是进行有效红树林保护和管理的重要基础工作。

传统的红树林生长参数信息获取是通过野外实际测量获得,由于红树林位于潮间带泥滩、受周期性潮水浸没,并且林深树密,难以进入红树林内进行大规模野外调查和采样,给监测带来困难[5]。最近二十年遥感技术被广泛地应用于红树林监测与评估,其中包括光谱仪量测、高分辨率的航空影像、中、高空间分辨率的卫星遥感影像、高光谱影像等[6]。大多数遥感技术多用于红树林水平结构参数估测与大尺度规模森林资源调查,无法获取精细的森林结构参数[7]。红树林结构参数(包括树高、冠幅和郁闭度等)是量化红树林生长状况的基本参数,也是进行红树林资源动态变化监测及保护的基础数据[8]。结构参数的高精度估测对于红树林资源动态变化监测及保护工作的高效开展与实施具有重要的意义。

激光雷达(light detection and ranging,LiDAR)扫描技术,能够准确获取高精度的森林冠层3D点云,从而获取三维特征细节[9]。无人机搭载激光雷达传感器这一新兴的遥感方式,使得获取高精度的红树林结构参数成为了可能[10]。无人机激光雷达在提高森林结构参数扫描时效性的同时降低了人工成本,为红树林资源动态变化监测与保护提供高精度基础数据,以及为开展区域尺度红树林的调查提供了一种新的思路[11]。

近年无人机激光雷达技术在红树林方面研究,大多数通过结合遥感影像进行红树林种类识别或生物量估算[12],如吴培强等[13]通过无人机多光谱遥感数据结合激光雷达点云数据进行了红树林种类识别以及地上生物量估测。Qiu等[14]利用无人机雷达点云数据和WorldView-2遥感数据对红树林生物量进行了精细估算。目前对于红树林单木分割研究较少,一般分为基于冠层高度模型(canopy height model, CHM)或基于点云数据本身进行单木分割[15],并通过结合实测数据对红树林的树高与冠幅等参数进行精度评价[16-18]。Yin等[19]首次使用无人机激光雷达数据对红树林进行了单木分割,分析了不同空间分辨率对红树林单木分割影响。雷鹏[20]基于不同分辨率的CHM模型进行单木分割,对比分析不同算法对于分割精度的影响。上述研究大多从红树林整体方面进行单木分割,缺乏对于不同红树林种类之间的单木分割结果差异研究,而不同种类红树林的结构参数的变化对动态监测与保护红树林至关重要。因此采用不同精度评价指标分别从点云整体分割效果以及树高与冠幅三个方面对不同类型红树林分割结果进行差异分析,探索不同种类红树林结构参数的反演变化情况。

以广东省雷州市东海岸红树林示范区为研究区域,通过LiDAR扫描技术获取样地的高密度点云数据,并基于不同红树林种类样方获取的实测数据搭建红树林结构参数反演模型,分析不同红树林种类之间的反演参数精度差别。为红树林资源动态变化监测及保护提供高精度基础数据,同时也为其他遥感卫星数据红树林结构参数估测提供精确地面验证数据。

1 研究区域与数据获取

1.1 研究区概况

选择广东省雷州市东海岸红树林示范区(110°16′70″E,20°92′88″N)(图1)为研究区域。研究区位于中国大陆南端北热带向南亚热带的过渡区域,受季风气候和海洋气候影响较大。不同盐度海滩为耐盐能力不同的红树植物提供适宜的生存环境,研究区主要的红树林森林植被群落为白骨壤、秋茄、无瓣海桑等,生长在由浅海沉积、潮汐及河流搬运的堆积物发育形成的盐渍沼泽土。

A为无瓣海桑;B为秋茄;C为白骨壤图1 实验区域与样方分布Fig.1 Distribution of experimental area and quadrat

1.2 无人机点云数据获取

采用大疆经纬M300RTK无人机搭载大疆禅思L1(DJI L1)激光雷达系统进行点云数据收集,其测绘相机获取的航拍影像为辅助验证数据。DJI L1由Livox激光雷达模块、高精度惯导、测绘相机、三轴云台等模块组成,其单架次作业面积可达2 km2,测量距离450 m(80%反射率),拥有3 cm的测距精度、5 cm高程精度和10 cm平面精度。

数据采集时间为2022年10月28日上午低潮时期,天气晴朗无风,海水低潮,可以保证点云数据质量。无人机航线高度100 m,航线速度15 m/s,主航线角度330°,平均点云密度100点/m2。

1.3 样地实测数据获取

雷州东海岸的潮汐为不规则半日潮,因此野外调查于2022年10月28日上午低潮时,根据研究区主要的红树林种类白骨壤、秋茄、无瓣海桑分别设置样方(图1),进行实地数据采集。根据树高与林分密度,无瓣海桑、秋茄设置15 m×15 m的正方形样地,白骨壤为小型灌木丛设置5 m×5 m正方形样地。通过仪器测量记录单木树高,通过皮尺来测量南北冠幅、东西冠幅并求出其平均冠幅,在树干1.3 m处测量并求出胸径。

2 研究方法

2.1 数据预处理

对于无人机LiDAR点云数据的处理,首先使用DJI Terra软件进行点云处理,将点云进行重建获得原始点云数据(las.格式)。再通过LiDAR360软件对原始点云数据进行后处理(图2)。

图2 不同样方点云效果Fig.2 Effect of different square point clouds

(1)去噪:将无人机在采集数据中受到高位粗差(鸟类或飞机等飞行物的影响)和低位粗差(测量过程中误差产生的极地点)影响产生的噪点移除。

(2)地面点分类:对去噪后的原始点云数据使用渐进加密三角网滤波算法(improved progressive TIN densification, IPTD)分类为地面点与非地面点。

(3)数字高程模型(digital elevation model,DEM):利用不规则三角网插值法生成数字高程模型。

(4)数字表面模型(digital surface model,DSM):利用反距离权重插值法生成数字表面模型。

(5)冠层高度模型(canopy height model, CHM):通过DEM与 DSM的差值生成CHM。对于样地实测数据与航拍影像图的处理,整理不同实测样地的树高和冠幅的最大值、最小值、平均值等数据,并通过影像拼接生成研究区的整幅影像,作为点云数据单木分割的辅助验证数据。

2.2 单木参数提取

对于红树林的单木参数的提取,本研究采用分水岭算法进行单木分割。分水岭算法是基于CHM模型进行分割,它将CHM的高点处可以看做山峰,低点处可以看做山谷。在水汇合的地方建立屏障,这些屏障对应于分水岭的分界线即形成树冠边界。由于使用默认参数进行CHM分割可能会造成红树林点云数据出现过度分割与弱分割的情况,导致树高和冠幅等单木参数的反演值估测精度降低。本实验根据实测数据设置最佳参数最小树高0.8 m,冠幅起算高度1 m,获得较为精确的研究区点云数据的树高、冠幅等参数。

2.3 单木分割精度检验

2.3.1 单木分割结果精度检验

本实验使用识别率R、召回率r、精确率p以及调和值F来检验单木分割结果精度[15],召回率r代表着正确分割的单棵树木占总体实际树木的百分比,精确率p代表点云分割后正确分割单株树木的比例,识别率R表示在一定面积的样地内树木分割情况,调和值F则是从总体角度出发对单木分割结果进行精度评估,这些指标都是数值越接近1,点云的单木分割结果越好。表达式为

(1)

式(1)中:N为样地实际的单木数;n为算法分割的单木数;TP为正确分割的单木数;FN为漏检的单木数;FP为分割错误的单木数。

2.3.2 单木参数分割精度检验

本实验使用精度指标对单木树高参数进行检验[20],以样地数据为实测值,点云数据为估测值,计算单木树高参数精度。计算公式为

(2)

本实验使用偏差度量指标偏差(bias)、相对偏差(bias_%)、均方根误差(root mean square error,RMSE)以及相对误差对单木冠幅参数分割结果精度进行检验[17]。偏差(bias)、相对偏差(bias_%)、均方根误差(RMSE)是估测单木冠幅反演值与样地实测值的偏差,误差率是检验点云冠幅数据偏离实测数据的比例。上诉指标的最佳值为0,数值越接近0,点云的冠幅参数反演效果越好。公式为

bias=∑(xest-xobs)/(n-1)

(3)

bias_%=bias/xobs

(4)

(5)

式中:n为匹配的树冠个数;xest和xobs分别为单木冠幅参数的点云反演值和样地实测值。

3 结果与分析

3.1 单木分割结果分析

对于不同红树林种类样方的分割结果,由表1中可以明显看出,对于样地内的单木分割情况,无瓣海桑R=90%,r=85%,p=89%,代表90%的无瓣海桑样地的点云数据可以被有效识别,单木分割过程中产生的欠分割与过分割现象较少。秋茄R=81%,r=79%,p=85%,表明81%单木数量的秋茄可以被有效识别,其中85%为正确分割,出现了一定的单木漏检。白骨壤R=75%,r=73%,p=89%,表示75%的单木数量的白骨壤可以被有效识别,其算法分割的单木精度较高(p=89%),但单木漏检导致出现过多错误分割(r=73%)。

表1 不同种类红树林单木分割效果评估

从总体角度来看单木分割情况较好,以无瓣海桑的效果最好F=87%,其次为秋茄F=81%,白骨壤的单木分割精度最低F=80%。不同种类红树林存在的分割差异,主要是因为红树林树种的高度不同,无瓣海桑为乔木,秋茄属于小乔木或者低矮灌木,白骨壤属于低矮灌木。

3.2 单木树高参数提取结果与精度检验

经过数据处理后,对于红树林单木树高参数的统计如图3所示,采用树高的平均值、最大值、最小值为不同样方红树林的高度特征,其中无瓣海桑点云数据的树高估测为9.82～13.4 m,平均值为10.81 m,树高精度94.4%。秋茄点云数据的树高估测为1.51～2.4 m,平均值为1.78 m,树高精度85.5%。白骨壤点云数据的树高估测为0.88～1.91 m,平均值为1.47 m,树高精度78.5%。结果表明不同种类红树林之间,因树木的高度不同,反演值的树高精度也有较大差异,以无瓣海桑精度最高,其次为秋茄,白骨壤精度最低。

图3 树高结果统计分析Fig.3 Statistical analysis of tree height results

通过对不同样方的红树林树高进行回归拟合,得到LiDAR点云树高提取值与实测值的线性回归模型图4所示。由图4可知,样方秋茄的相关系数R2=0.896 4,均方根误差RMSE=0.49,无瓣海桑的相关系数R2=0.916 9,均方根误差RMSE=0.42,白骨壤的相关系数R2=0.688 1,均方根误差RMSE=0.43。对于不同样方的回归拟合结果来看,无瓣海桑的拟合结果最优,秋茄的拟合结果稍低于无瓣海桑,而白骨壤的拟合结果最差。

图4 不同样方红树林树高点云数据与实测数据的回归拟合Fig.4 Regression fitting between mangrove tree high point cloud data and measured data in different directions

3.3 单木冠幅分割结果精度分析

对于不同红树林种类样方的单木冠幅精度检验,现将估测值与实测值的数据对比进行差异分析,结果如表2所示。从分析的整体结果来看,由于不同种类红树林样方的森林郁闭度(树冠密度)不同,且红树林冠层结构茂密复杂,分割精度差异明显。树木高大,枝干树干明确的无瓣海桑识别效果最优,误差率仅为10.8%。其次为秋茄,秋茄属于小乔木或灌木群,枝干丛杂相互交错,识别效果低于无瓣海桑,误差率为19.3%。白骨壤识别效果较差,因其为低矮灌木丛冠层重叠,能够穿透树冠的点云数量少,误差率高达64.1%。

表2 单木冠幅分割精度分析

4 讨论

无人机LiDAR单木分割研究,通常选取单一类型的针叶林、阔叶林或针阔混交林作为研究对象,而对于红树林这种常绿灌木或乔木组成的湿地木本植物物群落研究很少[21]。本研究通过对红树林点云数据进行单木结构分割,将红树林样地实测数据作为研究结果辅助验证数据,研究红树林单木分割精度以及对不同种类红树林分割效果。本文结果体现出无人机LiDAR技术在提取复杂的红树林垂直结构方面有着较高的可行性与准确性。

研究结果表明通过CHM单木分割方法,可以有效识别出红树林点云数据的单木参数(单木树高以及单木冠幅)。单木树高的结果最优的为无瓣海桑,其次为秋茄,白骨壤则分割结果较差。主要原因是红树林种类的不同所导致其树高差异明显,红树林较高其高分辨率点云数据的获取也相对较为准确。而低矮的小乔木与灌木从激光点云难以穿透冠层到达地面,单木分割效果较差。无人机激光雷达技术对于红树林林上信息获取较好,而对于复杂的红树林森林冠层以下可以采用地基激光雷达技术进一步提高林下信息的获取。

红树林单木冠幅的分割结果大致与树高一致,但分割精度差别较大,其中无瓣海桑、秋茄、白骨壤的误差率分别为10.8%、19.3%、64.1%。这与吴培强等利用聚类分割方法计算出的秋茄冠幅结果(误差率=21%)比较接近[14]。结果差异的主要原因是秋茄与白骨壤生长茂密,树干层叠交错,冠幅紧密起伏平缓,导致点云数据分割时冠幅边界的划定不清,出现弱分割现象以及冠幅识别困难误差较大。通过对比红树林的单木冠幅分割精度与单木树高分割精度,发现单木树高的识别效果整体优于单木冠幅,而不同红树林种类中无瓣海桑识别精度最高。

无人机激光雷达技术可以有效提取红树林结构参数,但因为红树林种类不同且冠层茂密复杂,单木树高与冠幅识别精度差异较大,在接下来的研究中应进一步将红树林点云数据与多源遥感数据相结合探索获取高精度点云数据,以及在单木分割过程中冠幅边界的精确划分与圈定以及更为精确的单木参数提取方法。

5 结论

本研究选择广东省雷州市东海岸红树林示范区为研究区域,通过无人机激光雷达获取高密度点云数据,结合不同红树林种类的样方实测数据,利用分水岭算法对研究区不同种类的红树林进行单木分割,得出结论如下。

(1)基于对不同种类红树林实地样方进行单木树高提取和反演,结果表明无瓣海桑估测结果最优,其次为秋茄,白骨壤精度最低。

(2)红树林单木冠幅参数整体反演效果一般,识别精度最高的是无瓣海桑(误差率10.8%),白骨壤最差(误差率64.1%),其中秋茄误差率为19.3%。

(3)由于红树林独特的生态结构以及不同种类之间的高度差异,导致不同单木结构参数的识别效果差异明显,单木树高的识别效果整体优于单木冠幅。