甄貞 李響 修思玉 趙穎慧 魏慶彬

(東北林業(yè)大學，哈爾濱，150040) (浙江慧鵬地理信息技術有限公司) (東北林業(yè)大學) (黑龍江省環(huán)境監(jiān)測中心站)

?

基于標記控制區(qū)域生長法的單木樹冠提取1)

甄貞 李響 修思玉 趙穎慧 魏慶彬

(東北林業(yè)大學，哈爾濱，150040) (浙江慧鵬地理信息技術有限公司) (東北林業(yè)大學) (黑龍江省環(huán)境監(jiān)測中心站)

根據(jù)2009年激光雷達數(shù)據(jù)、正射影像圖及二類調查數(shù)據(jù)，選取涼水國家自然保護區(qū)針葉林和闊葉林樣地進行單木樹冠提取研究，包括利用動態(tài)窗口局域最大值法對單木位置進行探測，以及采用標記控制區(qū)域生長法進行樹冠邊界的勾繪，分別從樣地和單木兩個層次進行評價。結果表明：樣地尺度上，針葉林和闊葉林的樹冠面積相對誤差的平均值分別為8.74%和-8.24%。單木尺度上，針葉林樣地的生產(chǎn)者精度在62.2%～77.3%浮動，用戶精度在71.5%～83.9%浮動；而闊葉林樣地的生產(chǎn)者精度達到76.1%～91.2%，用戶精度達到78.5%～92.5%。闊葉林樣地勾繪精度浮動較大，但略優(yōu)于針葉林樣地的勾繪精度，是由于闊葉林樣地中樹冠分布較稀疏所致；而“位置匹配但過度生長”的情況過多是針葉林樣地樹冠提取精度不高的主要原因。

局域最大值；區(qū)域生長法；單木樹冠提?。患す饫走_；涼水國家自然保護區(qū)

Based on LiDAR, orthoimagery and forest inventory data in 2009, we delineated individual tree crown in coniferous and deciduous plots in Liangshui National Nature Reserve, including treetop detection using local maximum method with variable window size, and individual crown boundary delineation using marker-controlled region growing method. The accuracies were assessed on both plot and individual tree levels. For crown boundary delineation, relative error of crown area (RE_CA) of coniferous and deciduous plots were 8.74% and -8.24%, respectively. Producer’s accuracy (PA) and user’s accuracy (UA) for conifers were 62.2%-77.3% and 71.5%-83.9%, while PA and UA for deciduous plots were 76.1%-91.2% and 78.5%-92.5%, respectively. The deciduous forests had more fluctuant but higher PA and UA than conifers due to the lower canopy density. The case of “match but over growing” was the main reason that the accuracy was low in coniferous forests.

樹冠是樹木獲取光能、進行光合作用的重要場所，樹冠在預測樹木生物量、監(jiān)測樹木長勢、判定木材材性等方面也起著重要作用。同時，對通過樹冠傳遞的各種能量質量模型來說，樹冠是個重要的構建因子。因此，在林業(yè)調查中樹冠信息的獲取顯得十分重要。傳統(tǒng)的林業(yè)調查主要通過對樣地中樹木進行實地測量來獲取樹高、胸徑、冠幅、生物量等林木的基本參數(shù)，耗費大量的人力、物力，效率較低。20世紀60年代以來遙感技術的蓬勃發(fā)展給林業(yè)調查帶來了新思路，利用計算機技術從遙感數(shù)據(jù)中自動提取單木樹冠，越來越受到人們的重視，自動的單木樹冠提取可以有效地提高林業(yè)調查的效率，減少外業(yè)取樣的工作強度，為現(xiàn)代森林調查提供方便[1]。

國外對單木樹冠自動提取的研究起源于19世紀80年代，隨著衛(wèi)星影像的發(fā)展，衛(wèi)星圖像的高空間分辨率逐漸能夠滿足單木樹冠提取的需要，并能獲得與航空像片相比更豐富的光譜信息和更大的觀測范圍，成為了另一種樹冠提取的被動遙感數(shù)據(jù)源[2-3]。近年來，激光雷達數(shù)據(jù)在單木樹冠提取的研究中占據(jù)了舉足輕重的地位[4-7]。國內樹冠提取研究起步稍晚，主要是利用航空像片、高分辨率影像、雷達及數(shù)碼相機影像等介質，采用專家分類、面向對象多尺度分割技術、BP神經(jīng)網(wǎng)絡、三維掃描等方法提取單木樹冠[8-11]。由于森林自身的復雜性，單木樹冠的提取仍處于研究階段，普遍存在3方面問題：(1)自動化程度低，提取效率低；(2)對郁閉度高的林分，單木樹冠提取的精度較低；(3)很多提取算法只適用于特定的樹種不具有普遍的適用性。怎樣更加充分利用豐富的激光雷達數(shù)據(jù)，改善單木樹冠提取的精度，提高自動化的程度，是現(xiàn)階段單木樹冠提取研究中需要解決的問題。

本研究基于機載激光雷達數(shù)據(jù)，利用動態(tài)窗口的局域最大值法進行單木位置探測，并利用標記控制區(qū)域生長法對涼水自然保護區(qū)郁閉度較高的針葉林和闊葉林樣地分別進行了單木樹冠提取，并探討單木樹冠提取的精度檢驗方法，確定了在樣地和單木水平的兩層檢驗指標。本研究為針葉林及闊葉林中的單木樹冠提取自動化以及精度檢驗提供新思路，并為精準林業(yè)的發(fā)展提供理論依據(jù)和技術支持。

1 研究區(qū)域概況

涼水自然保護區(qū)位于黑龍江省伊春市帶嶺區(qū)，地理坐標為128°48′30″～128°55′50″E，47°07′39″～47°14′22″N，面積12 133 h2，南北長11.0 km，東西寬6.3 km。地處小興安嶺南坡達里帶嶺支脈的東坡，海拔高度在280～707 m，最高山峰是位于北部的嶺來東山，海拔為707.3 m，為典型的低山丘陵地貌，主山脈為南北走向，次山脈多為東西走向；地形總趨勢是北、東、西三面較高、中央和西南部較低，屬于低山丘陵地帶[12]。保護區(qū)內自然資源豐富、植被群落類型復雜多樣，是中國和亞洲東北部很具代表性的溫帶原始紅松針闊葉混交林區(qū)，伴生著多種溫性闊葉樹種，如糠椴(Tiliamandschurica)、楓樺(Betulacostata)、蒙古柞(Quercusmongolica)、大青楊(Populusussuriensis)、裂葉榆(Ulmuslaciniata)、五角槭(Acermono)等多達20余種[1]。另外還伴生一些歐亞針葉林中的寒溫性樹種，如紅皮云杉(Piceakoraiensis)、魚鱗云杉(Piceajezoensisvar.microsperma)、臭冷杉(Abiesnephrolepis)等；同時林內有發(fā)育良好的山葡萄(Vitisamurensis)、五味子(Schisandrachinensis)、狗棗獼猴桃(Actinidiakolomikta)等藤本植物[12]。復雜的生態(tài)環(huán)境條件為野生動植物的生存和繁衍創(chuàng)造了十分有利的條件，經(jīng)過多年的建設和管理，保護區(qū)已成為保護和研究中國紅松針闊葉混交林生態(tài)系統(tǒng)及其生物多樣性的天然基地。

2 研究數(shù)據(jù)

研究數(shù)據(jù)包括：(1)用于樹冠提取的激光雷達數(shù)據(jù)(2009年)；(2)用于參考樹冠勾繪的正射影像數(shù)據(jù)(2009年)和二類調查數(shù)據(jù)(2010年)；(3)用于樹高—冠幅關系建模的樣地復測數(shù)據(jù)(2014年)。

激光雷達數(shù)據(jù)獲取時間為2009年9月4日和13日，設計飛行航線26條,總覆蓋面積約為200 km2,飛行航高1 000 m，飛行地速180 km/h。該機載激光雷達數(shù)據(jù)是使用激光雷達系統(tǒng)為LiteMap-per5600，由激光掃描儀RieglLMS-Q560獲取的離散回波數(shù)據(jù)，激光器工作波長為1 550 nm，激光束發(fā)散角為0.5×10-3rad，波形數(shù)據(jù)記錄間隔為1 ns。獲得的平均點云密度約為2點/m2，部分地區(qū)達5點/m2。經(jīng)驗證，本次獲取的LiDAR數(shù)據(jù)高程誤差低于0.3 m，平面誤差低于0.5 m。激光雷達數(shù)據(jù)包含了每個激光點的三維坐標，以及回波次數(shù)信息、強度、掃描角度、分類信息、航帶、姿態(tài)信息等，保存在LAS格式文件中[1]。根據(jù)該地區(qū)2009年制作的0.2 m空間分辨率的正射影像圖以及二類調查形成的林相圖，分別選取了5塊針葉林和5塊闊葉林作為實驗區(qū)，每塊樣地大小為400 m×400 m。如圖1所示。

圖1 研究區(qū)域內針葉林和闊葉林樣地分布圖

本研究利用2014年8月涼水國家自然保護區(qū)的1 033棵樣木復測數(shù)據(jù)，建立冠幅—樹高的非線性回歸方程來確定動態(tài)窗口大小，應用動態(tài)窗口最大值法探測單木位置。復測數(shù)據(jù)中冠幅和樹高的基本統(tǒng)計量如表1所示[1]。

表1 樹高和冠幅的基本統(tǒng)計量

3 研究方法

3.1 數(shù)據(jù)預處理

本研究在LP360平臺上對激光雷達點云數(shù)據(jù)進行分離提取，并利用反距離權重插值法(IDW)對第一次和最后一次回波得到的點云進行插值(精度為0.5 m)，獲得了數(shù)字表面模型(DSM)和數(shù)字地形模型(DTM)，兩者做差得到單木樹冠提取中常用的樹冠高度模型[13](CHM)。Chen et al[14]在2006年提出了樹冠最大模型(CMM)，即用一定的窗口掃描CHM得到每個窗口內的高度最大值，能夠更好地避免樹冠內部樹枝造成的單木識別誤差。由于復測樣地中平均冠幅為3.67 m(表1)，本研究用5×5(像元)的移動窗口對CHM進行過濾得到CMM[15]，再用5×5(像元)的高斯矩陣(式1)對CMM進行高斯平滑，得到平滑后的樹冠最大值模型(SCMM)作為單木樹冠提取的基礎數(shù)據(jù)[16]。SCMM有益于剔除圖像的噪聲，進一步解決CMM粗糙引起的樹梢點誤判問題[5]。

(1)

3.2 單木位置探測

本研究采用動態(tài)窗口的局部最大值法來探測單木樹冠的位置，最大局域值的動態(tài)窗口有多種確定方法。經(jīng)研究發(fā)現(xiàn),利用樹冠最大模型(CMM)及樹高—冠幅回歸方程的95%預測下限(95%，LPL)作為動態(tài)窗口，有利于對小樹的探測[1，5，14]。因此，本研究應用該地區(qū)樹高—冠幅非線性方程的95%預測下限作為最大局域值的動態(tài)窗口，對單木樹冠位置進行提取。樹高—冠幅關系的非線性方程如公式(2)所示，其95%預測下限如式(3)所示。

Y=1.976 7e0.044 1X。

(2)

式中：Y表示樹冠直徑；X表示樹冠高度。

(3)

3.3 樹冠邊界的勾繪

3.3.1 區(qū)域生長法原理

區(qū)域生長法是一種常用的圖像分割方法之一，其基本原理是將具有相似或相同性質的像素集合起來構成要分割的區(qū)域[17-18]。這種方法以選定的種子點作為生長目標的起始點，依照事先制定的生長順序和生長規(guī)則對生長點周圍的像素進行一致性檢測，即判斷其鄰域的灰度均值或高度值是否滿足事先制定的生長規(guī)則[19]。如果其鄰域像素滿足一致性判別準則，就把這些像素并入生長區(qū)中，如果不滿足則丟棄，從而完成圖像分割的目的[20-21]。本研究應用的標記控制區(qū)域生長法，用探測的單木位置嚴格控制了區(qū)域生長法的起始點，并根據(jù)實際樹木生長特征建立生長條件，完成單木邊界的勾繪。

3.3.2 生長條件的制定

依照樹冠的結構特征，本研究為區(qū)域生長法制定了6個生長條件，其中條件1～2用來控制生長區(qū)域的形狀；條件3～6描述鄰域像素的生長規(guī)則。這6個條件按照一定的循環(huán)完成樹冠的生長，具體內容如下。

條件1：角形比是生長的樹冠面積與生長區(qū)域相切的最小的矩形面積的比值，是衡量生長區(qū)域形狀的測量尺度，具體計算如式(4)所示。

R=A0/Ar。

(4)

其中，A0為樹冠的生長面積；Ar為與生長區(qū)域相切的最小矩形面積。對于一個半徑為1的正圓來說，A0為π，Ar為4，角形比R=π/4≈0.785。在本研究中，任意一個生長區(qū)域必須滿足角形比在0.5到1之間，以保證生長區(qū)域接近圓形樹冠的形狀。

條件2：與生長區(qū)域相切最小矩形的長寬比?？刂茦涔谏L區(qū)域的形狀，只設置角形比這一個控制標準是不夠的，為了更好的控制樹冠生長的形狀，避免使樹冠生長的形狀過長，本研究設置了另一個控制樹冠生長形狀的標準，即與樹冠生長區(qū)域相切最小矩形的長寬比，如式(5)所示。

Rlw=Rl/Rw。

(5)

其中，Rl為與樹冠生長區(qū)域相切最小矩形的長度；Rw為與樹冠生長區(qū)域相切最小矩形的寬度。為避免樹冠形狀生長過長，設定樹冠生長過程中長寬比Rlw<2。

條件3：鄰域像素是控制每次區(qū)域生長的像素，即定義每次生長范圍。由于二階陣鄰域的每個種子點共有12個鄰域像素，比較接近于圓形，因此用來代表潛在樹冠形狀。在每次生長循環(huán)中，對每個種子點的鄰域像素進行條件判斷，只有符合生長條件的鄰域像素允許被合并到此種子點的所屬區(qū)域中，即區(qū)域得到生長。在這12個鄰域像素中，與種子點距離越近、高度差越小的像素生長潛力越大，即越優(yōu)先得到生長。

條件4：高度變異閾值。地統(tǒng)計學中，通常用變異函數(shù)來描述區(qū)域化變量的空間結構性變化或隨機性變化，它是地統(tǒng)計學中的核心和基本工作。由于圖像變異函數(shù)的特征參數(shù)與森林樹冠結構有緊密的聯(lián)系[3]，因此本研究用CMM的變異函數(shù)來確定高度變異閾值。理論變異函數(shù)如式(6)所示，變異函數(shù)曲線如圖3所示[22]，

(6)

式中，Z(x)和Z(x+h)分別是區(qū)域化變量x點和x+h處的值,h為基本步長，E{[Z(x)-Z(x+h)]2}為方差，γ(x,h)為變異函數(shù)。

圖2 理論的變異函數(shù)曲線圖

圖2中，C0稱為塊金值；S稱為基臺值；a稱為變程，當ha時，自相關消失。因此，C0可以表示隨機因素引起的空間異質性，較大的塊金值就預示著小尺度的某種過程不可忽視；S表示變量的變異程度；a表示變量產(chǎn)生空間自相關現(xiàn)象的最大距離。

一般來說，一個樹冠內部的像元高度值差異要小于不同樹冠內部的高度差異。本研究用樹冠內部像元高度值的標準差來衡量，即計算出樹冠最大值模型的變異函數(shù)，用來確定高度變異閾值。對于每個生長中的樹冠，如果此時樹冠內部的像元高度的標準差小于變異函數(shù)中像元距離對應的標準差，則允許此樹冠繼續(xù)生長，否則，此樹冠停止生長。本研究分別嘗試用球狀模型、指數(shù)模型、高斯模型和線性模型對每塊樣地的樹冠最大值模型數(shù)據(jù)進行變異函數(shù)曲線擬合，發(fā)現(xiàn)指數(shù)模型為最合理的模型形式，如式(7)所示：

(7)

其中，h為兩像素之間距離，C0為塊金常數(shù)，C為拱高，a為變程。其空間相關性隨距離的增長以指數(shù)形式衰減。

條件5：樹冠面積閾值。為了控制生長區(qū)域面積過大，設計了樹冠面積閾值。應用式(2)，樹冠最大值模型上每一個種子點都有一個預測冠幅，將其計算的圓面積作為樹冠面積閾值。在每次生長循環(huán)中，當每個鄰域像素被添加到生長區(qū)域時都需要進行樹冠面積閾值的檢測，如果區(qū)域面積超過對應的面積閾值，則停止生長，以避免樹冠過大成長。

條件6：高度差閾值。理論上，樹冠內部任意一點與種子點之間的高度差都小于樹冠最邊緣點與種子點之間的高度差，本研究將這個高度差設定為單木生長的高度差閾值。計算高度差閾值這一生長條件，最關鍵的就是找到樹冠最邊緣點。對于每棵單木，激光點云數(shù)據(jù)均可形成一個偽波形(pseudo-waveform)，表示在不同的高度所接受到的激光雷達點的數(shù)量，如圖3所示。根據(jù)樹冠的結構特征，偽波形函數(shù)中接受激光雷達點最多的那一點即為樹冠橫截面積最大點(圖3中虛線位置)，也就是樹冠最邊緣點[23]。

圖3 偽波形函數(shù)(以針葉樹為例)

在本研究中，分別在針葉林和闊葉林研究區(qū)域選取了200棵與其它樹木相對分離的樹，在ArcGIS平臺上提取每棵樹的激光雷達點云[24]。依據(jù)偽波形函數(shù)提取每棵樹的樹高和最邊緣點對應的高度值，分別擬合針對針葉林和闊葉林的樹高—樹冠最邊緣點高度的線性模型，通過線性模型來估計樣地中每棵樹的樹冠最邊緣點對應高度，從而求出高度差閾值。

3.4 精度檢驗

3.4.1 單木位置精度檢驗

本研究單木位置精度檢驗分別在樣地和單木兩個尺度上進行，所用的驗證數(shù)據(jù)是解譯人員結合樹冠高度模型數(shù)據(jù)和高空間分辨率航空影像通過目視解譯提取的。樣地尺度的精度評價僅從樣地整體角度，而不考慮提取單木和檢驗單木的對應關系，檢驗過程方便快捷，經(jīng)常被應用在單木樹冠提取的研究中[25-27]。對于單木位置檢驗，樣地尺度的評價指標為單木探測百分比(Detection Percentage，DP)，表示任何一個樣地內探測到的單木數(shù)量占真實單木總數(shù)量的比例，如式(8)所示[1]：

DP=(Nd/Nr)×100%。

(8)

式中：Nr為檢驗數(shù)據(jù)的單木總數(shù)量；Nd為探測到的樹木總數(shù)量。

單木尺度的位置檢驗指標包括“1∶1對應關系的單木數(shù)量”(N1∶1)、用戶精度(User’s accuracy，UA)和生產(chǎn)者精度(Producer’s accuracy,PA)。PA和UA的公式如9和10所示[1]：

PA=(N1∶1/Nr)×100%，

(9)

UA=(N1∶1/Nd)×100%。

(10)

式中:N1∶1為“1∶1對應關系的單木數(shù)量”，Nr為參考單木總數(shù)量，Nd為探測到的單木總數(shù)量。本研究中，如果探測到的單木位置位于參考單木位置的1 m緩沖區(qū)內，且僅探測到一個種子點，則被稱為“1∶1對應關系”的單木。

3.4.2 樹冠邊界勾繪精度檢驗

對于樹冠邊界勾繪的精度也從樣地和單木兩個尺度進行檢驗。本研究選取樹冠面積相對誤差(Relative error of crown area，RECA)作為樣地尺度評價指標，比較提取的樹冠總面積和參考樹冠總面積，公式為：

(11)

其中，Ar參考樹冠總面積；Ad提取樹冠總面積。當參考樹冠總面積和提取樹冠總面積相等時，樹冠面積相對誤差為0，為理想狀態(tài)；若樹冠面積相對誤差為正，則表示算法提取的樹冠總面積大于樹冠參考總面積；若樹冠面積相對誤差為負，則表示算法提取的樹冠總面積小于樹冠參考總面積。

單木尺度上，樹冠邊界勾繪的評價指標仍然選用PA和UA，定義公式如(9)和(10)所示，但不同的是，N1∶1表示“1∶1匹配”的樹冠總數(shù)。與“1∶1對應關系”不同的是“1∶1匹配”還考慮了樹冠面積，圖4列出了樹冠邊界勾繪過程中可能出現(xiàn)的9種情況。

1)1∶1匹配：探測的單木樹冠面積與參考單木面積重疊部分占探測樹冠面積和參考樹冠的面積比例均超過50%(如圖4a)。

2)匹配但未完全生長：探測的單木樹冠與參考單木樹冠的重疊面積超過探測樹冠面積的50%，但小于參考樹冠面積的50%(如圖4b)。

3)匹配但過度生長：探測的單木樹冠與參考單木樹冠的重疊面積超過參考樹冠面積的50%，但小于探測面積的50%(如圖4c所示)。

4)錯位匹配：探測的單木樹冠與參考單木樹冠有重疊的部分，但重疊面積占參考單木面積和探測單木面積的比例均不超過50%(如圖4d)。

5)1對多匹配：1個參考的單木樹冠在探測的過程中被探測為若干個，且其中至少有兩個與參考單木樹冠重疊的面積占與其對應探測樹冠面積的50%以上(如圖4e)。

6)多對1匹配：多個參考樹冠被探測成一個，且其中至少有兩個參考樹冠與探測面積重疊的部分占其對應參考面積的50%以上(如圖4f)。

7)多重相交：即在探測過程中1個參考樹冠被探測成若干個，其中至少有1個探測樹冠與參考樹冠的重疊面積占對應的探測樹冠面積的0～50%(如圖4g)。

8)誤判誤差：不存在與探測樹冠對應的參考樹冠(如圖4h)。

9)漏側誤差：參考樹冠未被探測(如圖4i)。

圖4 單木樹冠提取過程中可能出現(xiàn)的9種情況

4 結果與分析

4.1 單木位置探測結果

以樹冠最大模型為基礎數(shù)據(jù)，用“樹高—冠幅”的非線性回歸方程95%的預測下限(式3)，確定動態(tài)窗口的局部最大值法探測單木位置，10塊樣地的精度評價結果如表2所示。樣地尺度上，針葉林和闊葉林的探測百分比均能達到84%以上，最高達到98.6%，探測精度較高，但仍存在普遍的漏側現(xiàn)象。闊葉林樣地的探測百分比普遍高于針葉林，這是由于本研究中的針葉林樣地郁閉度明顯高于闊葉林樣地，導致探測精度的降低。

在單木尺度上，由于同一樣地內的探測單木樹木總數(shù)量小于參考單木總數(shù)量，生產(chǎn)者精度總是低于用戶精度，因此，漏測誤差總是大于探測誤差。說明此探測方法探測的準確性較高，但是仍然存在部分小樹漏測現(xiàn)象。針葉林樣地的生產(chǎn)者精度和用戶精度分別在80%～86%和87%～98%之間浮動，闊葉林樣地的生產(chǎn)者精度和用戶精度分別在82%～94%和84%～97%之間浮動；與針葉林相比，闊葉林樣地單木位置探測精度略高，但浮動較大。整體來看，用動態(tài)窗口的局域最大值法探測單木位置精度較高，可以在此基礎上進行樹冠邊界勾繪。

4.2 高度差閾值的估計

本研究將樹冠最邊緣點與頂點之間的高度差設定為每棵樹生長的高度差閾值，進而控制生長區(qū)域內樹冠邊緣的生長程度。通過對200棵針葉樹和200棵闊葉樹的偽波形進行分析，分別擬合針葉樹和闊葉樹樹高(x)與樹冠邊緣點高度(y)的線性方程，如式(12)和式(13),

y=0.948 6x-2.727 4，

(12)

y=0.961 5x-2.613 6。

(13)

其中，闊葉樹的擬合效果(R2=0.75)略優(yōu)于針葉樹擬合效果(R2=0.66)，這是由于闊葉林中的樹木相對稀疏，每棵樹對應激光點云的分離效果較好，樹高與樹冠最邊緣點對應高度較明顯。從坡度參數(shù)上看，闊葉林坡度參數(shù)略大(0.96)，說明兩種樹樹高同時增長1 m時，闊葉樹的樹冠邊緣點高度的增長略大于針葉林樹冠邊緣點高度。

表2 單木位置探測精度評價

4.3 樹冠邊界勾繪結果

以單木樹冠位置的探測結果作為種子點，按照事先規(guī)定的6個生長條件(角形比、長寬比、鄰域像素、變異閾值、樹冠面積閾值、高度差閾值)，運用區(qū)域生長法對10塊樣地的單木樹冠邊界進行勾繪。分別以第一塊針葉林樣地和第一塊闊葉林樣地為例，圖5顯示了在兩塊樣地中勾繪的針葉林和闊葉林的樹冠邊界和參考樹冠的目視檢驗結果。

a.針葉林 b.闊葉林

圖5 樹冠邊界勾繪結果與參考單木樹冠目視檢驗

由表3和4可以看出，針葉林的樹冠面積相對誤差均為正值，幅度在4.7%～14.8%，平均值為8.74%；闊葉林的樹冠面積相對誤差均為負值，幅度在4.0%～16.8%，平均值為-8.24%。表明用該區(qū)域生長法探測到的針葉林面積比參考樹冠面積大，有整體上過度生長的趨勢，而探測到的闊葉林面積比參考樹冠面積小，有整體上生長不足的趨勢，但兩種林分的樹冠面積相對誤差絕對值都在17%以內，且在樣地尺度上精確程度相當。每塊樣地內探測到的樹冠總個數(shù)普遍小于參考樹冠總個數(shù)，說明仍然有一部分樹冠未能被直接探測，而被勾繪的樹冠數(shù)量與被探測的單木位置數(shù)量相同，這是因為探測到的單木位置作為區(qū)域生長法的種子點，直接決定了所勾繪的樹冠數(shù)量。

表3 針葉林樹冠邊界勾繪的單木尺度精度評價

由于探測到的樹冠數(shù)量少于參考樹冠數(shù)量，用戶精度表示1∶1對應關系的樹冠數(shù)量與探測到樹冠數(shù)量的比例，生產(chǎn)者精度表示1∶1對應關系的單木數(shù)量與參考樹冠數(shù)量的比例，因此，對于此研究中的同一樣地，用戶精度總是高于生產(chǎn)者精度。由表3可以看出，針葉林樣地的生產(chǎn)者精度在62.2%～77.3%間浮動，用戶精度在71.5%～83.9%間浮動，同時也說明樹冠的漏測誤差要高于誤判誤差。由表4可以看出，闊葉林地樣的生產(chǎn)者精度達到76.1%～91.2%，用戶精度到達78.5%～92.5%，說明漏測誤差和誤判誤差幾乎相同，而且小于針葉林樣地，這是由于闊葉林樣地樹木分布相對稀疏造成的。

從單木尺度的9種樹冠探測情況來看，針葉林中“位置匹配但未完全生長”的情況在2～8個之間，闊葉林中“位置匹配但未完全生長”的情況為0～6個；針葉林中“錯位匹配”的情況為0～1個，闊葉林中“錯位匹配”的情況為0～3個；針葉林中“1對多匹配”的情況為1～14個，闊葉林中“1對多匹配”情況為1～7個；而每塊樣地內都包含1 000到2 000棵樹，表明以上3種情況(“位置匹配但未完全生長”、“錯位匹配”和“1對多匹配”)所占的比例極小，在針葉林探測和闊葉林探測中都極少出現(xiàn)，即該區(qū)域生長法能夠有效的避免勾繪樹冠邊界時面積過小、錯位匹配和將一顆大樹勾繪成若干棵小樹引起的誤差。而針葉林中“位置匹配但過度生長”的情況為150～462個，闊葉林中“位置匹配但過度生長”的情況為41～263個，是9種樹冠探測案例中出現(xiàn)數(shù)量最多的案例，說明該區(qū)域生長法經(jīng)常出現(xiàn)過度生長的情況，尤其是在針葉林中，這也是針葉林樣地尺度指標樹冠面積相對誤差均為正值的主要原因；“多對1匹配”、“多重相交”、“誤判誤差”和“漏側誤差”這4種樹冠探測情況，雖然沒有過度生長的情況發(fā)生的比例高，但也是在樹冠邊界勾繪過程中經(jīng)常發(fā)生的，這表明用該方法進行單木樹冠勾繪的過程中常出現(xiàn)將若干小樹識別成一棵大樹、探測位置不準確、將沒有樹的地方識別成樹和小樹漏測的情況。

表4 闊葉林樹冠邊界勾繪的單木尺度精度評價

5 結論與討論

本研究基于激光雷達點云數(shù)據(jù)，以涼水國家自然保護區(qū)為研究區(qū)域，用動態(tài)窗口局域最大值法對該地區(qū)針葉林和闊葉林樣地進行了單木位置探測，根據(jù)研究樣地的樹木特征，設計了6個生長條件，利用標記區(qū)域生長法進行了單木樹冠邊界的勾繪，并在樣地和單木尺度上對單木位置探測和樹冠邊緣勾繪精度進行了評價。研究表明，用局部最大值法探測單木位置時，利用樹高—冠幅非線性回歸模型的95%預測下限來確定動態(tài)窗口的大小及樹冠最大值模型CMM作為數(shù)據(jù)模型，能夠為樹冠邊界勾繪提供較精確的單木位置信息。利用6個生長條件的標記區(qū)域生長法能夠滿足對郁閉度較高的原始針葉林和闊葉林的單木樹冠提取的需要，樹冠面積相對誤差絕對值小于17%。在樹冠探測的過程中，“位置匹配但過度生長”的情況是最常出現(xiàn)的錯誤；“多對1匹配”、“多重相交”、“誤判誤差”和“漏測誤差”是較常見的4種錯誤情況；“位置匹配但未完全生長”、“錯位匹配”、“1對多匹配”是較少出現(xiàn)的幾種情況。在利用標記控制區(qū)域生長法勾繪樹冠邊界時，闊葉林樣地的勾繪精度要普遍優(yōu)于針葉林樣地的勾繪精度，這是由于本研究中選取的闊葉林樣地，樹冠分布較稀疏所致。針葉林中“位置匹配但過度生長”的情況過多是精度不高的主要原因。本文建立的精度評價體系，能夠有效的從樣地和單木兩個尺度評價單木位置探測和樹冠邊界勾繪的精度，為單木樹冠提取的精度評價提供借鑒。

涼水國家自然保護區(qū)屬于郁閉度較高的原始林，林相復雜，單木樹冠提取存在較大難度。目前的單木樹冠自動提取研究仍存在亟需解決的問題：

(1)從數(shù)據(jù)源角度，若想滿足地形及林分尺度的森林參數(shù)估測，對于樹種相對簡單的落葉松來說機載激光雷達點云密度要求至少2個/m2，若想達到最佳情況點云密度應大于4個/m2，對于更加復雜的樹種如闊葉林、闊葉混交林、針闊葉混交林等來說則要求數(shù)據(jù)具有更大的點云密度[28]。雖然國內的機載激光雷達平均點云密度(<5個/m2)能夠滿足基本要求，但對于單木尺度的樹冠提取仍有極大難度，尤其在林相復雜的原始林中，加大機載激光雷達的點云密度(平均點密度>10個/m2)在單木樹冠提取研究中尤為重要。同時，加大多源遙感數(shù)據(jù)源在單木樹冠提取中的應用，例如，通過高空間分辨率光學影像與機載激光雷達點云結合來提高提取精度也是未來值得研究的重要方向。

(2)動態(tài)窗口局域最大值和標記控制區(qū)域生長法中的參數(shù)設置會對單木位置探測和樹冠邊界的勾繪有一定影響，但參數(shù)的敏感性分析還需要在今后的研究中繼續(xù)深入探討。

(3)在檢驗的過程中，參考樹冠的確定受解譯人員經(jīng)驗的影響，在很大程度上會影響檢驗精度，在今后的研究中應盡量采用實測樹冠作為檢驗真值。但是，實測單木無論從位置還是從冠幅大小上與遙感數(shù)據(jù)的精確匹配均有很大困難，再加上冠幅的精確測量本身存在較大難度，一定程度上制約了單木樹冠提取的研究步伐。

(4)國內外對單木位置探測精度和樹冠邊界勾繪的精度都缺乏統(tǒng)一可靠的精度評價標準。如何建立統(tǒng)一并且可靠的精度評價標準需要今后進一步探討。

近年來，隨著遙感技術的發(fā)展，激光雷達數(shù)據(jù)能夠有效的描述植被的三維立體結構，并在林業(yè)調查中得到了廣泛的應用，是一種具有應用前景廣闊的主動遙感數(shù)據(jù)源。在未來的研究中，多數(shù)據(jù)源融合、在提取方法中考慮更多林業(yè)及生態(tài)學知識，以及規(guī)范單木提取的評價過程都將會是單木樹冠提取的重要研究方向。自動單木樹冠提取將為未來的精準林業(yè)提供最基礎、最重要的技術保障。

[1] 李響，甄貞，趙穎慧.基于局域最大值法單木位置探測的適宜模型研究[J].北京林業(yè)大學學報，2015,37(3):27-33.

[2] BRANDTBERG T, WALTER F. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis[J]. Machine Vision and Applications,1998,11(11):64-73.

[3] SONG C, WOODCOCK C E. Estimating tree crown size from multiresolution remotely sensed imagery[J]. Photogrammetric Engineering and Remote Sensing,2003,69(11):1263-1270.

[4] YU X W, HYYPPJ, KAARTINEN H, et al. Automatic detection of harvested trees and determination of forest growth using airborne laser scanning[J]. Remote Sensing of Environment,2004,90(4):451-462.

[5] ZHEN Z, QUACKENBUSH L J, ZHANG L J. Impact of tree-oriented growth order in marker-controlled region growing for individual tree crown delineation using airborne laser scanner (ALS) data[J]. Remote Sensing,2014,6(1):555-579.

[6] LECKIE D G, GOUGEON F A, WALSWORTH N, et al. Stand delineation and composition estimation using semi-automated individual tree crown analysis[J]. Remote Sensing of Environment,2003,85(3):355-369.

[7] HEINZEL J, KOCH B. Investigating multiple data sources for tree species classification in temperate forest and use for single tree delineation[J]. International Journal of Applied Earth Observation and Geoinformation,2012,18(18):101-110.

[8] 萬紅梅，李霞，董道瑞，等.塔里木河下游林地樹冠QuickBird影像信息提取與分析[J].西北植物學報,2011，31(9):1878-1885.

[9] 徐文學，楊必勝，魏征，等.多標記點過程的LiDAR點云數(shù)據(jù)建筑物和樹冠提取[J].測繪學報，2013，42(1):51-58.

[10] 李朝陽，閻廣建，肖志強，等.航空圖像中基于DSM的多尺度樹冠分割[J].北京郵電大學學報，2006，29(6)：40-43.

[11] 覃先林，李增元，易浩若.高空間分辨率衛(wèi)星遙感影像樹冠信息提取方法研究[J].遙感技術與應用，2005，20(2):228-232.

[12] 馬建章，劉傳照，張鵬.涼水自然保護區(qū)研究[M].哈爾濱:東北林業(yè)大學出版社,1993.

[13] 杜靈通，YONE Y.基于數(shù)字樹冠高度模型(DCHM)的森林生物量制圖[J].測繪科學,2012,37(1):96-97.

[14] CHEN Q. Isolating individual trees in a savanna woodland using small footprint Lidar data[J]. Photogrammetric Engineering & Remote Sensing,2006,72(8):923-932.

[15] BENARIE J R, HAY G J, POWERS R P, et al. Development of a pit filling algorithm for LiDAR canopy height models[J]. Computers and Geosciences,2009,35(9):1940-1949.

[16] DRALLE K, RUDEMO M. Stem number estimation by kernel smoothing of aerial photos[J]. Canadian Journal of Forest Research,1996,26(7):1228-1236.

[17] 郭永飛，韓震，張琨.長江口九段沙潮溝信息區(qū)域生長法提取及分維研究[J].海洋地質與第四紀地質,2011,31(2):31-35.

[18] 初青瑜.MATLAB在圖像處理中的應用[J].信息技術與信息化，2010(4):55-56，62.

[19] 李久權，王平，王永強，等.CT圖像分割幾種算法[J].微計算機信息，2006，22(4):240-242.

[20] 黃誼，任毅.基于閾值法和區(qū)域生長法的圖像分割算法研究[J].電子測試，2012(10):23-25，36.

[21] 羅文村.基于閾值法與區(qū)域生長法綜合集成的圖像分割法[J].現(xiàn)代計算機，2001(5):43-46.

[22] 賈福聚，秦德先，黎應書，等.變異函數(shù)在都龍錫多金屬礦床的應用[J].地質與勘探,2008,44(2):77-81.

[23] POPESCU S C, ZHAO K. A voxel-based lidar method for estimating crown base height for deciduous and pine trees[J]. Remote Sensing of Environment,2008,112(3):767-781.

[24] GONZALEZ R E.數(shù)字圖像處理的MATLAB實現(xiàn)[M].阮秋琦，譯.北京：清華大學出版社,2013.

[25] WANG L, GONG P, BIGING G S. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery[J]. Photogrammetric Engineering and Remote Sensing,2004,70(3)：351-357.

[26] KE Y H, ZHANG W H, QUACKENBUSH L J. Active contour and hill climbing for tree crown detection and delineation[J]. Photogrammetric Engineering and Remote Sensing,2010，76(10)：1169-1181.

[27] GOUGEON F A, LECKIE D G. The individual tree crown approach applied to Ikonos images of a coniferous plantation area[J]. Photogrammetric Engineering and Remote Sensing,2006，72(11)：1287-1297.

[28] WANG L, BIRT G A, LAFON W C, et al. Computer-based synthetic data to assess the tree delineation algorithm from airborne LiDAR survey[J]. Geoinformatica,2013,17(1):35-61.

Individual Tree Crown Delineation Using Maker-controlled Region Growing Method//

Zhen Zhen

(Northeast Forestry University, Harbin 150040, P. R. China);

Li Xiang

(HuiPeng Geographic Information Technology Limited Company of Zhejiang);

Xiu Siyu, Zhao Yinghui

(Northeast Forestry University);

Wei Qingbin

(Environmental Monitoring Center Station of Heilongjiang Province)//Journal of Northeast Forestry University，2016,44(10)：22-29.

Local maximum； Region growing； Individual tree crown delineation； LiDAR； Liangshui Nature Reserve

甄貞，女，1984年5月生，東北林業(yè)大學林學院，講師。E-mail:zhzhen2011@gmail.com。

趙穎慧，東北林業(yè)大學林學院，副教授。E-mail:zyinghui0925@126.com。

2015年12月20日。

S75

1)中央高校基本科研業(yè)務費專項資金(DL13EA05-03)。

責任編輯：潘 華。