王照利,王浩偉,楊佳樂,段夢琦,馬勝利

(1.國家林業(yè)和草原局西北調(diào)查規(guī)劃設(shè)計(jì)院,西安 710048；2.中煤航測遙感集團(tuán)有限公司,西安 710199)

傳統(tǒng)森林資源調(diào)查受自然環(huán)境、交通、氣候等影響,調(diào)查周期長、成本高、效率低,已不能滿足新時(shí)期林業(yè)經(jīng)營管理的需求。激光雷達(dá)具有極高的距離分辨率和較強(qiáng)的抗干擾能力,可精確獲取樹木和林冠下地形地貌,將其應(yīng)用于提取林分相關(guān)因子,可以改善傳統(tǒng)作業(yè)方式成本高效率低的弊端,提高森林調(diào)查精度,減少外業(yè)數(shù)據(jù)采集。Getzin等[1]利用無人機(jī)載相機(jī)獲取的高分辨率影像提取了溫帶森林的林窗信息,Saarinen等[2]利用無人機(jī)載攝影測量點(diǎn)云及高光譜影像評估了樣地尺度的森林生物多樣性,均取得了較優(yōu)的實(shí)驗(yàn)結(jié)果,為激光雷達(dá)在森林資源調(diào)查的應(yīng)用提供了重要論證。

冠層高度模型(Canopy Height Model,CHM)表征植被冠層垂直分布情況,消除了地形起伏對樹木高度及形狀的干擾,反映了排除地形影響后的林區(qū)植被高度信息[3]。傳統(tǒng)方法使用數(shù)字地表模型(Digi-tal Surface Model,DSM)和數(shù)字高程模型(Digital Elevation Model,DEM)差值得到CHM[4]。其本質(zhì)是將點(diǎn)云數(shù)據(jù)劃分成格網(wǎng),用格網(wǎng)中的局部最大值與地面點(diǎn)進(jìn)行柵格差值運(yùn)算,保留了林木的冠層信息,適用于林層單一且郁閉度較低的人工林[5]。多數(shù)學(xué)者均使用DEM與DSM二者差值運(yùn)算得到CHM[6-8],進(jìn)而根據(jù)CHM提取的上四分位數(shù)處高度變量與樣地實(shí)測樹高的關(guān)系,從而估測單木樹高、冠幅等參數(shù)。自然界中林區(qū)大多數(shù)地勢復(fù)雜,林木茂密,存在遮擋現(xiàn)象,CHM在柵格差值中只保留了樹頂和上層樹冠的空間點(diǎn)數(shù)據(jù),易丟失冠下結(jié)構(gòu)信息,從而造成林相復(fù)雜時(shí)估測精度降低。

本文提出一種改進(jìn)的冠層高度模型計(jì)算方法,通過計(jì)算所有植被點(diǎn)與地面點(diǎn)之間的高程差,得到去除地形影響的歸一化植被點(diǎn)云(Normalizing Vegetation Point Cloud,NVPC),該方法保留了植被除冠層以外的整體形態(tài)信息,對林分描述更為全面,以此作為依據(jù)進(jìn)行林分平均高及蓄積量等森林生態(tài)參數(shù)的反演能有效提高計(jì)算精度。

1 研究區(qū)概況

研究區(qū)位于貴州省南部荔波縣小七孔鎮(zhèn),地理坐標(biāo)北緯25°7′～25°9′,東經(jīng)107°37′～108°18′。該區(qū)屬亞熱帶季風(fēng)性濕潤氣候,年平均溫度18.3℃,無霜期283d,年降雨量1 320.5mm,優(yōu)勢樹種為馬尾松,伴生樹種有杉木、楓香、樺木等。

2 研究方法

2.1 數(shù)據(jù)采集

2.1.1激光點(diǎn)云數(shù)據(jù)采集

采用無人機(jī)固定翼機(jī)載雷達(dá)+正射系統(tǒng)數(shù)據(jù)采集方式獲取林區(qū)點(diǎn)云數(shù)據(jù)及影像數(shù)據(jù)。飛行采用的激光掃系統(tǒng)為AS-1300HL,搭載Riegl VUX-1LR激光傳感器,激光發(fā)射最大頻率820KHz,最小測距5m,測量精度15mm,飛行高度230～260m,飛行速度80km/h,設(shè)計(jì)飛行航線17條,獲取點(diǎn)云平均密度為每平方米28個(gè)點(diǎn)。

2.1.2地面樣地布設(shè)調(diào)查

2020年9—10月在荔波縣國家儲(chǔ)備林內(nèi),布設(shè)方形樣地100個(gè),大小均為25.82m×25.82m,優(yōu)勢樹種為馬尾松。對每塊樣地分別進(jìn)行每木調(diào)查,測定并記錄標(biāo)準(zhǔn)地內(nèi)每株樹木的樹高、胸徑、材積等,同時(shí)記錄樣地的蓄積、株樹及郁閉度等森林參數(shù)。

2.2 點(diǎn)云分類

使用漸進(jìn)加密三角網(wǎng)算法對研究區(qū)點(diǎn)云數(shù)據(jù)進(jìn)行地物點(diǎn)與地面點(diǎn)的分類[9]。首先,通過種子點(diǎn)生成一個(gè)稀疏的地面三角網(wǎng),然后,通過迭代算法逐層將滿足閾值條件的點(diǎn)添加到當(dāng)前三角網(wǎng)中來,直到所有滿足條件的點(diǎn)均被添加,從而實(shí)現(xiàn)地面點(diǎn)和非地面點(diǎn)的濾波分類。在獲取精確地面點(diǎn)云之后,利用點(diǎn)云垂直分布的特性,將非地面點(diǎn)云和地表進(jìn)行垂直方向高差分析,對非地面點(diǎn)數(shù)據(jù)子集進(jìn)一步利用高程閾值法,將非地面點(diǎn)分為植被點(diǎn)和其它類型的激光回波點(diǎn)。該過程的數(shù)據(jù)流圖如圖1所示。

圖1 林木資源自動(dòng)識(shí)別過程數(shù)據(jù)流圖Fig.1 Process of forest resource automatic identification

2.3 NVPC計(jì)算

傳統(tǒng)的CHM模型是利用DEM數(shù)據(jù)與DSM數(shù)據(jù)作差得到,其流程如圖2所示。該方法對于地勢復(fù)雜的陡坡等地區(qū),會(huì)出現(xiàn)因地勢起伏過大無法完整掃描到地形的情況,從而造成地面點(diǎn)丟失,進(jìn)而導(dǎo)致后續(xù)計(jì)算結(jié)果出現(xiàn)較大誤差。

圖2 傳統(tǒng)CHM計(jì)算方法Fig.2 Computing method of traditional CHM

本文提出一種改進(jìn)的CHM計(jì)算方法,引入NVPC的概念,直接利用植被點(diǎn)與地面點(diǎn)云數(shù)據(jù),計(jì)算植被點(diǎn)相對地表的垂直高度,從而生成優(yōu)化的歸一化植被高度點(diǎn)云,減少柵格差值過程中的誤差。其流程如圖3所示。

圖3 NVPC計(jì)算方法Fig.3 Computing method of NVPC

具體步驟為:

1) 對點(diǎn)云數(shù)據(jù)進(jìn)行濾波處理,得到分類后的地面點(diǎn)云和植被點(diǎn)云；

2) 使用地面點(diǎn)云為待測區(qū)域構(gòu)造三角網(wǎng)；

3) 循環(huán)遍歷每一個(gè)植被點(diǎn),將其沿z軸方向垂直投影；

4) 使用四叉樹索引查找三角網(wǎng),判斷植被點(diǎn)投影相對于三角網(wǎng)的位置；

5) 若投影在三角網(wǎng)內(nèi)部,則計(jì)算其相對于所在三角網(wǎng)的絕對高度,并記錄該高程差值Δz,由Δz代替該植被點(diǎn)的z坐標(biāo)值；

6) 直到所有植被點(diǎn)均完成搜索,去除高程差為0的點(diǎn),并以此生成NVPC。

當(dāng)待測區(qū)域林相較復(fù)雜時(shí),使用植被點(diǎn)云直接生成NVPC,可有效保留冠下植被信息,這一技術(shù)可實(shí)現(xiàn)對林木的整體描述,更為全面細(xì)化,能夠有效解決使用數(shù)字表面模型時(shí)造成的下層植被信息丟失等問題。

2.4 基于NVPC的森林特征變量提取

以計(jì)算的NVPC為基礎(chǔ),提取森林參數(shù)特征變量,包括高度特征(最大高程、最小高程、平均高程、高程四分位間距、方差、標(biāo)準(zhǔn)差、分位數(shù)高度)及密度特征(分位數(shù)高度以上點(diǎn)在植被點(diǎn)中所占比),并采用隨機(jī)森林算法(Random Forest,RF)構(gòu)建基于NVPC森林特征變量參數(shù)與林分平均高及蓄積量的估測模型。本文提取的特征變量如表1和表2所示。

表2 密度特征變量及其描述表Tab.2 Description of density characteristics variables

隨機(jī)森林算法從原始樣本集中有放回的重復(fù)隨機(jī)抽取N個(gè)新樣本集,并由此構(gòu)建N棵決策樹,且決策樹在生長過程中不進(jìn)行剪枝操作,然后組合多個(gè)決策樹進(jìn)行結(jié)果的回歸反演[10]。本文將提取的k組森林特征變量D1,D2,…,Dk劃分為訓(xùn)練數(shù)據(jù)D-Dt,測試數(shù)據(jù)Dt,t=1,2,…,k,每組訓(xùn)練集對應(yīng)一組測試集,分別將每組訓(xùn)練集作為RF的訓(xùn)練數(shù)據(jù),通過算法內(nèi)部不斷迭代計(jì)算,得到對應(yīng)的模型,分別使用每組模型對應(yīng)的測試數(shù)據(jù)測試回歸模型,從而得到各模型的精度,選取精度最高的模型并以此代表該樣方數(shù)據(jù)集D下的最終模型結(jié)果。

使用實(shí)測值與反演結(jié)果的擬合精度對模型進(jìn)行評價(jià),根據(jù)公式(1)計(jì)算:

(1)

3 結(jié)果與分析

3.1 CHM對比

針對同一片點(diǎn)云數(shù)據(jù),通過DSM與DEM差值運(yùn)算得到的CHM同本文中直接使用植被點(diǎn)云與地面點(diǎn)云差值得到的NVPC對比情況如圖4所示。其中a,b,c分別為原始點(diǎn)云數(shù)據(jù)、DSM與DEM差值得到的CHM,以及改進(jìn)的植被點(diǎn)云與地面點(diǎn)云差值得到的NVPC。

從圖4對比可以看出,當(dāng)?shù)桶脖慌c高大植被比較靠近時(shí),DSM與DEM差值法得到的CHM丟失了低矮植被的細(xì)節(jié)信息,造成其形態(tài)輪廓不完整,容易與鄰近高大植被混為一體,從而影響森林株數(shù)、蓄積量等森林生態(tài)參數(shù)的計(jì)算。而NVPC方法在將地面置平的基礎(chǔ)上,能夠清晰的保留全部植被結(jié)構(gòu)信息,為后續(xù)植被特征參數(shù)正確提取提供保障。

圖4 不同算法下的植被點(diǎn)云結(jié)果示意圖Fig.4 Vegetation point cloud of different algorithm

當(dāng)林相結(jié)構(gòu)較為復(fù)雜時(shí),即點(diǎn)云的垂直結(jié)構(gòu)上存在不同林齡的樹木,對比結(jié)果如圖5所示。其中a,b,c分別為多林齡原始點(diǎn)云數(shù)據(jù)、DSM與DEM差值得到的CHM,以及改進(jìn)的植被點(diǎn)云與地面點(diǎn)差值得到的NVPC。

從圖5對比可以看出,對于在點(diǎn)云垂直結(jié)構(gòu)上存在多種林齡的情況,傳統(tǒng)方法計(jì)算DSM時(shí)僅使用格網(wǎng)中最大值,由于植被間存在遮擋,生成的CHM只有上層林木的表層信息,被遮擋的植被信息全部丟失。而改進(jìn)后的算法能夠完整保留不同高度的植被點(diǎn),有效杜絕精度丟失。

3.2 林分平均高及蓄積量反演精度對比

針對研究區(qū)內(nèi)布設(shè)的100個(gè)樣方進(jìn)行試驗(yàn),大小均為25.82m×25.82m,隨機(jī)選取其中70個(gè)樣方數(shù)據(jù)用于計(jì)算回歸模型,剩余30個(gè)樣方數(shù)據(jù)用于模型精度檢驗(yàn),分別計(jì)算樣方的冠層高度模型及歸一化植被點(diǎn)云,以此為基礎(chǔ)提取相應(yīng)的特征參數(shù),并使用隨機(jī)森林算法進(jìn)行森林生態(tài)參數(shù)的反演回歸,最后根據(jù)模型的擬合優(yōu)度及均方誤差對模型進(jìn)行評價(jià)。本次試驗(yàn)對林分平均高及蓄積量進(jìn)行森林生態(tài)參數(shù)反演。部分樣方統(tǒng)計(jì)結(jié)果如表3、表4所示。

表3 林分平均高模型評價(jià)結(jié)果對比Tab.3 Comparison of average stand height model m

表4 蓄積量模型評價(jià)結(jié)果對比Fig.4 Comparison of stock volume model m3

對布設(shè)的100個(gè)樣地的林分平均高和蓄積量的擬合結(jié)果分別圖6、圖7所示。

通過模型評價(jià)結(jié)果對比分析得知,分別使用傳統(tǒng)方法提取CHM和提取歸一化植被點(diǎn)云對100個(gè)樣地的林分平均高擬合度R2分別為0.91和0.94,改進(jìn)前后對蓄積量的擬合度R2分別為0.90和0.93,基于NVPC計(jì)算的森林生態(tài)參數(shù)具有較優(yōu)的精度。

圖6 改進(jìn)前后林分平均高擬合結(jié)果示意圖Fig.6 Fitting result of average stand height before and after improvement

圖7 改進(jìn)前后蓄積量擬合結(jié)果示意圖Fig.7 Fitting result of stock volume before and after improvement

4 討論與結(jié)論

冠層高度模型反映了去除地形影響的植被垂直分布情況,直接影響著森林特征變量的提取,進(jìn)而影響森林生態(tài)參數(shù)的反演精度。本研究引入NVPC的概念,即利用測區(qū)的激光雷達(dá)點(diǎn)云數(shù)據(jù),計(jì)算植被點(diǎn)與地表的垂直高度差,并根據(jù)NVPC中提取的植被特征變量反演森林生態(tài)參數(shù)。以貴州省荔波縣小七孔鎮(zhèn)馬尾松人工林為研究對象,借助機(jī)載激光雷達(dá)點(diǎn)云,構(gòu)建實(shí)驗(yàn)區(qū)的冠層高度模型,提出一種歸一化植被點(diǎn)云計(jì)算方法,并與改進(jìn)前的方法進(jìn)行比較,同時(shí)討論并分析了改進(jìn)前后對林分平均高及蓄積量擬合結(jié)果的影響。

1) 本文提出的NVPC計(jì)算方法在郁閉度較高、存在植被間錯(cuò)落遮擋的的復(fù)雜林分中有較強(qiáng)優(yōu)勢,能夠有效保留所有植被點(diǎn)的高程值,更加全面的描述林區(qū)植被的垂直分布結(jié)構(gòu)。

2) 使用NVPC對森林生態(tài)參數(shù)的擬合精度更高,其中林分平均高的擬合精度R2提升至0.949,蓄積量的擬合精度R2提升至0.936。

3) 本研究主要針對人工林采集的點(diǎn)云數(shù)據(jù),存在一定的局限性,后續(xù)研究可以針對天然林開展實(shí)驗(yàn)。另外,對于NVPC對其他森林生態(tài)參數(shù)(如郁閉度、胸徑、冠幅面積等)的影響沒有進(jìn)行討論,有待以后做更深入和準(zhǔn)確的分析研究。