楊安蓉 張超 王娟 李華玉 白明雄 張玉薇

(西南林業(yè)大學，昆明，650224)

林分蓄積量指一定面積上活立木材積的總和，不僅是森林資源調(diào)查的重要參數(shù)，亦是評價森林數(shù)量特征、林地生產(chǎn)力高低及經(jīng)營措施的重要指標[1-2]。進入21世紀以來，無人機遙感技術作為一種新型數(shù)據(jù)獲取手段，為快速、高效、準確獲取單木尺度和林分尺度的森林參數(shù)信息提供了重要技術手段，在森林資源調(diào)查領域已有初步探索[3]。應用無人機遙感進行林分蓄積量估測主要通過樹高、冠幅、胸徑之間的相關性建立回歸模型估測森林參數(shù)，進而應用材積公式估算[4-5]。綜合國內(nèi)外研究發(fā)現(xiàn)[6-11]，無人機遙感技術可實現(xiàn)林分蓄積量的估算，既滿足現(xiàn)代森林經(jīng)營需求的同時，亦能提升森林資源調(diào)查效率，為森林資源數(shù)據(jù)更新提供重要保障。

本研究以云南松(Pinusyunnanensis)為研究對象，采用傳統(tǒng)調(diào)查方法結合無人機遙感技術，探索林分蓄積量的調(diào)查方法，為利用無人機遙感技術進行單木尺度云南松蓄積量估測提供技術支撐和理論依據(jù)。根據(jù)實測冠幅和胸徑建立最優(yōu)冠幅-胸徑回歸模型，采用目視解譯法對無人機影像進行單木冠幅提取，利用冠幅-胸徑模型估測單木胸徑，根據(jù)二元立木材積公式估測標準地的單木材積和林分蓄積量，并進行精度評價和分析。

1 研究區(qū)概況

研究區(qū)位于云南省昆明市富民縣羅免鄉(xiāng)，地理坐標102°20′46″～102°29′14″E，25°16′21″～25°25′26″N(見圖1)。該地區(qū)為典型的低緯度亞熱帶高原季風氣候區(qū)，氣候條件總體呈現(xiàn)出四季不明顯，具有干濕季分明，冬春干冷，夏秋濕熱，春季升溫快，秋季降溫早，光熱條件較好的特點。森林資源主要以云南松天然純林為主，森林覆蓋率46.8%。主要喬木樹種有云南松、櫟類、榿木(AlnuscremastogyneBurk.)、桉樹(EucalyptusrobustaSmith)和杏(ArmeniacavulgarisLam.)等。

2 研究方法

2.1 標準地設置與調(diào)查

在研究區(qū)內(nèi)選取能夠充分代表云南松天然林總體特征水平的地塊，設置方形標準地74個，標準地大小為25 m×25 m，每2個相鄰樣地呈東西向或南北向連接。依據(jù)森林資源規(guī)劃設計調(diào)查技術規(guī)定，將標準地按郁閉度劃分為3個等級：高郁閉度(0.70以上)、中郁閉度(0.40～0.69)、低郁閉度(0.20～0.39)。采用實測法，實地調(diào)查胸徑≥5.0 cm所有活立木的胸徑、樹高、最長冠幅、最短冠幅，并對每木進行定位。

圖1 研究區(qū)地理位置

圖2 研究區(qū)樣地概況

剔除異常數(shù)據(jù)后，共有1 046株樣木，通過整理得到按徑階(2.0 cm)和郁閉度分布的序列，然后分別計算出單木冠幅的實測值、林分蓄積量，具體公式如下[12]：

V=0.000 058 290 117 5×D1.979 634 4×H0.907 151 55；

M=n1v1+n2v2+n3v3+…+nnvn。

2.2 無人機影像獲取與處理

采用大疆PHANTOM4 PRO四旋翼單鏡頭無人機，傳感器為高分辨率可見光相機，有效像素為2 000萬，數(shù)據(jù)采集時間為2019年6—7月，影像獲取與標準地調(diào)查同時進行。飛行高度為50 m，速度為2.5 m/s，平均航向重疊率為90%，平均旁向重疊率為80%。利用Pix4D mapper軟件進行無人機影像數(shù)據(jù)的預處理，主要流程包括：相機參數(shù)和GPS位置信息讀取，空間三維計算，影像自動校正，三維點云生成，正射影像(DOM)和數(shù)字表面模型(DSM)生成等(見圖3)。

圖3 研究區(qū)無人機影像

結合DOM和DSM，采用目視解譯方法，根據(jù)影像的形狀、顏色等信息勾繪識別遙感影像中的樹冠邊界，提取云南松單木冠幅[13-14]。以第15號標準地為例，單木冠幅提取結果如圖4所示。74個標準地共識別提取單木冠幅1 059株。

圖4 標準地單木冠幅輪廓

云南松樹冠多呈不規(guī)則形狀，為了簡便計算，將樹冠近似視為圓形。通過ArcGIS計算各單木樹冠輪廓的面積和周長，用面積和周長求平均半徑的平均值作為冠幅[15]。單木冠幅的計算公式如下[16]：

Cl=l/2π;

式中：Ca為冠幅面積；Cl為冠幅周長；s為單木樹冠面積；l為單木樹冠周長。

2.3 云南松單木胸徑-冠幅擬合模型

將異常數(shù)據(jù)(枯立木13株)及提取過程中丟失的9株樣木數(shù)據(jù)剔除，共剩余1 037株樣木信息，基本信息如表1所示。

分別從3個郁閉度等級的樣木中，隨機抽取80%的樣本數(shù)據(jù)，進行云南松單木胸徑-冠幅回歸模型的構建，剩余20%用于模型檢驗。按照不同郁閉度等級繪出胸徑-冠幅關系散點分布圖(見圖5)和冠幅-材積關系散點分布圖(見圖6)。從圖中可以看出，不同郁閉度林分胸徑-冠幅、冠幅-材積的關系具有一定的規(guī)律，因此，可以根據(jù)3個郁閉度等級的散點分布形狀和趨勢選定擬合模型(見表2)。

表1 樣地數(shù)據(jù)匯總表

圖5 不同郁閉度林分胸徑-冠幅散點分布

圖6 不同郁閉度林分冠幅-材積散點分布

表2 胸徑-冠幅擬合模型

回歸模型進行評價及精度驗證。對回歸模型的信息統(tǒng)計和評價應采用何種指標暫無明確標準[17]。本研究利用調(diào)整后R2、F值、P值、估計標準誤差(SEE)及殘差平方和(RSS)對回歸模型進行擬合優(yōu)度及顯著性評價。

回歸模型適用性評價。選用均方根誤差(RMSE)、總相對誤差(TRE)、平均絕對誤差(MAE)、平均相對誤差(MRE)、平均百分標準誤差(MPSE)和模型總體精度(A)6個指標定量評價各回歸模型的適用性。

3 結果與分析

3.1 云南松單木冠幅提取結果

由表3可知，在冠幅提取過程丟失了9株樣木數(shù)據(jù)，均為中郁閉度林分中的云南松樣木，共有99.2%的樣木樹冠被有效提取。3組數(shù)據(jù)的平均相對誤差均較小，說明整體上3個郁閉度等級單木冠幅的提取精度較好。

表3 單木冠幅提取精度

3.2 不同郁閉度林分胸徑-冠幅擬合模型

3.2.1 擬合模型研建及評價

利用SPSS對不同郁閉度林分的建模數(shù)據(jù)進行回歸分析，以胸徑為自變量，冠幅為因變量，得到各模型的參數(shù)及評價指標(見表4)。

由表4可知，3個郁閉度林分中11種模型的顯著性結果均為0.0000，且F>Fa(k，n-k-1)均成立，因此認為列入模型的各個解釋變量(胸徑)聯(lián)合起來對因變量(冠幅)有顯著影響，即模型的回歸關系顯著成立。經(jīng)過比較分析，低郁閉度林分，模型1和模型7的擬合效果較好；中郁閉度林分，模型7擬合效果最優(yōu)；高郁閉度林分，模型10和模型11擬合效果較好。低郁閉度和高郁閉度難以直觀判斷其最優(yōu)回歸模型，因此，將擬合效果較好的2個模型均進行適用性檢驗，以驗證模型在實際中的適用性，經(jīng)過對比分析選出最優(yōu)模型。

表4 不同郁閉度林分胸徑-冠幅模型擬合參數(shù)

3.2.2 模型適用性檢驗

將驗證樣地數(shù)據(jù)(單木冠幅)分別代入待選回歸模型，進行單木胸徑估算，利用6個指標作為模型的適用性評價標準，將得到的估算值與實測結果對比分析(見表5)。

由表5可知，模型的適用性檢驗中，各項誤差指標的絕對值越接近于0，說明誤差越小，越能經(jīng)受實踐的檢驗。經(jīng)過對比判定，模型1、模型7和模型10能夠分別最有效地描述3個郁閉度云南松林分胸徑-冠幅的回歸關系。3個模型的參數(shù)均大于0，符合線性函數(shù)變化趨勢，說明冠幅與胸徑呈正相關關系，即冠幅與胸徑的大小呈現(xiàn)同增同減之趨勢，結果既符合云南松生物學生長規(guī)律，亦符合現(xiàn)實變化情況。且模型通過了F檢驗和T檢驗，說明這3個模型能夠準確描述林分胸徑-冠幅的回歸關系。

表5 不同郁閉度林分胸徑-冠幅模型適用性檢驗指標

3.2.3 基于無人機技術的調(diào)查方法實現(xiàn)

將云南松單木冠幅提取結果按照不同郁閉度等級林分劃分情況進行分類，與標準地調(diào)查數(shù)據(jù)對比分析，采用云南松低郁閉度林分單木胸徑-冠幅最優(yōu)擬合模型，進行云南松單木胸徑的估算，得到的估算胸徑與實測胸徑對比結果(見表6)。

表6 不同郁閉度林分胸徑預估統(tǒng)計量

由表6可知，3個郁閉度等級云南松林分的胸徑估算得到的預估胸徑與實測胸徑的2組數(shù)據(jù)平均狀態(tài)均較相近，平均相對誤差也較小，分別為0.31、0.31和0.33 cm，總體上估算結果較理想。

3.3 不同郁閉度林分蓄積量估算

利用二元立木材積公式計算樣地的實測每公頃蓄積量，分別統(tǒng)計不同郁閉度等級云南松林分的蓄積量，如表7所示。

表7 不同郁閉度林分蓄積統(tǒng)計量

經(jīng)過3個郁閉度等級云南松林分的胸徑-冠幅相關關系的建模、檢驗后，得到最優(yōu)模型的評價分析及無人機遙感估算模型估測林分蓄積量于實測的結果分析(見表8)。

表8 不同郁閉度林分無人機遙感估算模型估測林分蓄積與實測的結果分析

由表8可知，無人機遙感估算林分蓄積量結果中，低郁閉度林分平均精度達53.12%；中郁閉度林分，總相對誤差為-4.37%，誤差絕對值小于10%，平均估測精度達78.65%；高郁閉度林分，總相對誤差為4.83%，總相對誤差小于10%，平均估測精度達81.16%；3個模型(高、中、低郁閉度林分)的遙感估算結果均較為理想，尤其以中郁閉度和高郁閉度最優(yōu)。

4 結論與討論

本研究利用目視解譯方法精確提取云南松的單木冠幅，3個郁閉度等級云南松林分冠幅提取的平均相對誤差均較小，分別為0.24、0.29和0.29。采用11個模型擬合云南松胸徑-冠幅回歸模型，得到最優(yōu)回歸模型分別為：低郁閉度C=1.216+0.183D、中郁閉度C=0.566D0.718、高郁閉度C=2.373exp(0.036D)。無人機遙感估算林分蓄積量與傳統(tǒng)調(diào)查方法相比，3個郁閉度等級云南松林分的平均估測精度達53.12%、78.65%和81.16%。

(1)冠幅測量及提取方法存在不足。本研究中的實地冠幅調(diào)查，與孫釗等[18]使用8個方向冠幅均值決定樹冠大小相比，可能會導致人為誤差增大進而影響胸徑-冠幅模型的擬合效果，最終影響蓄積量估測精度。在冠幅提取時有數(shù)據(jù)丟失和估測結果跨度較大的現(xiàn)象，經(jīng)過反復比對和分析發(fā)現(xiàn)，除了單木連接導致樹冠重疊之外，還可能是在目視解譯時部分樹冠邊界未被識別導致單木樹冠提取面積偏小。隨著利用無人機高分影像進行單木樹冠提取的研究逐漸增多，單木樹冠提取方法越來越多，因此選擇適合于不同林分尺度下的單木樹冠提取方法能夠提升森林蓄積量估測效率。

(2)未考慮樹高等因子對森林蓄積量估測的影響。本研究根據(jù)單木水平進行云南松蓄積量估測，僅考慮了郁閉度和冠幅、胸徑間的相關關系對蓄積量的影響，未考慮到樹高等其他因子的影響。李亞東等[6]以無人機高分辨率影像提取的樹高和冠幅作為解釋變量，根據(jù)二元材積模型采用最小二乘法估算森林蓄積量，估算精度為81.80%，相對于林分水平蓄積量估測未考慮到地形因子及林分因子對蓄積量的影響；蘇迪等[19]基于無人機高分影響及點云數(shù)據(jù)提取估測平均樹高、平均胸徑、坡度、坡向、海拔和樹冠等因子進行蓄積量估測精度達88.43%。

本研究證明了利用無人機遙感技術估測云南松林分蓄積量具有可行性，為無人機遙感技術在林業(yè)中的運用提供了初步的理論經(jīng)驗，今后的研究方向可考慮進一步擴大研究區(qū)、增加影響因子以及嘗試其他研究方法，探索精度更高、適用性更強的蓄積量估測方法，從而減少外業(yè)調(diào)查的工作量，為森林經(jīng)營管理提供技術支持。