方云杰 蓋振宇 尹海偉* 牛 萌 仲啟鋮

（1.南京大學(xué)建筑與城市規(guī)劃學(xué)院，南京 210093；2.中國(guó)城市建設(shè)研究院有限公司，北京 100032；3.上海市園林科學(xué)規(guī)劃研究院，上海 200232）

傳統(tǒng)植被指標(biāo)的測(cè)量方式需要消耗大量的人力、物力與時(shí)間，且忽視了不同植被類(lèi)型和結(jié)構(gòu)的生態(tài)效益影響?；邳c(diǎn)云數(shù)據(jù)能夠有效評(píng)估城市綠地三維植被參數(shù)，但受制于數(shù)據(jù)精度、算法軟件等因素影響，該方法結(jié)果精度存在10%～20%的誤差。以唐山市唐豐南路為例，選取了三處典型樣地（50 m × 50 m），進(jìn)行無(wú)人機(jī)遙感影像和手持激光雷達(dá)數(shù)據(jù)采集，從單木尺度和樣地尺度構(gòu)建三維植被參數(shù)體系，以融合數(shù)據(jù)為準(zhǔn)，對(duì)比分析了無(wú)人機(jī)點(diǎn)云數(shù)據(jù)和手持激光雷達(dá)點(diǎn)云數(shù)據(jù)在提取各項(xiàng)植被參數(shù)的精度。對(duì)無(wú)人機(jī)點(diǎn)云數(shù)據(jù)中的單木數(shù)量、總冠幅面積、喬木層綠量、灌木層綠量、平均三維綠量密度、郁閉度、間隙率和葉面積共8項(xiàng)參數(shù)，手持激光雷達(dá)數(shù)據(jù)中的平均樹(shù)高、平均冠徑、平均冠幅面積、喬木層綠量和平均三維綠量密度共5項(xiàng)參數(shù)，分別提出了修正系數(shù)，以提高結(jié)果精度，為后續(xù)研究提供幫助。最后，探討了無(wú)人機(jī)攝影測(cè)量技術(shù)和激光雷達(dá)技術(shù)在未來(lái)可能的應(yīng)用方向。

無(wú)人機(jī)；攝影測(cè)量；激光雷達(dá)；數(shù)據(jù)融合；三維植被參數(shù)

在快速城鎮(zhèn)化的進(jìn)程中，高強(qiáng)度的開(kāi)發(fā)建設(shè)活動(dòng)導(dǎo)致土地利用格局變化，城市綠地斑塊破碎化，島嶼化程度逐漸增大，導(dǎo)致生物多樣性降低，生態(tài)功能受損[1]。加強(qiáng)生態(tài)保護(hù)、推進(jìn)生態(tài)文明建設(shè)及保障生態(tài)安全已經(jīng)成為人們共識(shí)，城市綠地是提升城市品質(zhì)的重要抓手。城市綠地植被調(diào)查能夠有效獲得研究區(qū)的植被信息，因此至關(guān)重要。

傳統(tǒng)植被結(jié)構(gòu)的獲取方法一般需要進(jìn)行大量的實(shí)地調(diào)查，需要耗費(fèi)大量的人力、物力與時(shí)間。攝影測(cè)量技術(shù)具有采集效率高、使用成本低、獲取影像速度快且分辨率高等優(yōu)點(diǎn)。董新宇等[2]利用無(wú)人機(jī)遙感影像提取油松林區(qū)和樟子松林區(qū)的單木樹(shù)冠信息。提取精度分別達(dá)到81.90%和95.65%。Panagiotidis等[3]根據(jù)高分辨率無(wú)人機(jī)圖像進(jìn)行樹(shù)高和樹(shù)冠直徑的估測(cè)，將無(wú)人機(jī)測(cè)量結(jié)果與地面測(cè)量結(jié)果對(duì)比驗(yàn)證精度，RMSE%值分別在11.42～12.62和14.29～18.56。Zarco-Tejada等[4]利用無(wú)人機(jī)獲得的高分辨圖像進(jìn)行樹(shù)木高度量化，估算樹(shù)高的驗(yàn)證評(píng)估結(jié)果為R2，其值為0.83，相對(duì)均方根誤差（R-RMSE）為11.5%。此外，隨著LiDAR技術(shù)的逐步成熟，使得植被垂直方向覆蓋及其定量指標(biāo)獲取成為可能，極大推動(dòng)了生境多樣性立體化定量評(píng)價(jià)的研究工作[5]。李肖肖等[6]基于背包式激光雷達(dá)對(duì)城市綠地樹(shù)木的三維綠量進(jìn)行了估算，其結(jié)果表明相較于傳統(tǒng)方法相對(duì)誤差在10.7%～33.7%，平均相對(duì)誤差為20.9%。Huang等[7]將機(jī)載激光雷達(dá)數(shù)據(jù)的三維信息與高分辨率遙感影像中植被信息結(jié)合，計(jì)算上海陸家嘴地區(qū)的綠量體積，相對(duì)準(zhǔn)確率高達(dá)95.26%。Cao等[8]使用無(wú)人機(jī)高光譜圖像對(duì)紅樹(shù)林物種進(jìn)行分類(lèi)，KNN和SVM的總體分類(lèi)準(zhǔn)確率分別達(dá)到82.09%和88.66%。不難發(fā)現(xiàn)，無(wú)論是無(wú)人機(jī)遙感影像還是地基雷達(dá)數(shù)據(jù)進(jìn)行的植被結(jié)構(gòu)的提取時(shí)，總會(huì)與實(shí)際數(shù)據(jù)都存在一定范圍的誤差，影響后續(xù)研究的精度。

綜上所述，無(wú)論是無(wú)人機(jī)遙感影像還是激光雷達(dá)技術(shù)，其提取樹(shù)木信息的精度通常達(dá)到80%以上，已滿足實(shí)際應(yīng)用需求，但與實(shí)際樹(shù)木數(shù)據(jù)還存在一定的差異。當(dāng)前研究主要集中于實(shí)地調(diào)研數(shù)據(jù)與無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)或地基激光雷達(dá)數(shù)據(jù)的對(duì)比分析，缺少對(duì)于無(wú)人機(jī)遙感影像數(shù)據(jù)、移動(dòng)式激光雷達(dá)數(shù)據(jù)和二者融合數(shù)據(jù)之間的比較研究。因此，本文以唐山市唐豐南路為研究對(duì)象，利用無(wú)人機(jī)遙感影像數(shù)據(jù)和手持激光雷達(dá)數(shù)據(jù)，獲取研究區(qū)的三維點(diǎn)云數(shù)據(jù)，評(píng)估三維綠地植被參數(shù)，通過(guò)分析無(wú)人機(jī)、手持激光雷達(dá)以及二者融合后的點(diǎn)云數(shù)據(jù)三者間的誤差精度，計(jì)算修正系數(shù)以解決無(wú)人機(jī)遙感影像和手持激光雷達(dá)儀器空地雙視角下采集數(shù)據(jù)的誤差問(wèn)題。旨在探討能否通過(guò)比較不同數(shù)據(jù)的偏差，獲得一個(gè)修正系數(shù)區(qū)間，為今后采用無(wú)人機(jī)遙感數(shù)據(jù)或手持激光雷達(dá)數(shù)據(jù)的研究提供幫助，通過(guò)點(diǎn)云數(shù)據(jù)獲得更加精準(zhǔn)的三維植被結(jié)構(gòu)數(shù)據(jù)，降低實(shí)地調(diào)研的成本并提高數(shù)據(jù)獲取的精度與效率。

1 研究區(qū)概況

唐山市是河北省的重點(diǎn)城市，地處河北東部、華北平原東北部，南臨渤海，北依燕山，毗鄰京津，是華北與東北通道的咽喉要地，位于東經(jīng)117°31′–119°19′，北緯38°55′–40°28′之間，總面積為13 472 km2。唐山市地形由北向南呈梯形下降趨勢(shì)，包括山地丘陵、沿海平原兩大地貌區(qū)。唐山市屬暖溫帶半濕潤(rùn)季風(fēng)型大陸性氣候，年平均氣溫12℃左右，常年平均降水量500～700 mm，主集中在7、8月。唐山市物種資源豐富，北部地處山區(qū)，森林茂密，植被覆蓋度高。

本次研究以唐山市唐豐南路為對(duì)象，唐豐南路是當(dāng)前唐山市進(jìn)行生態(tài)修復(fù)與建設(shè)的典型生態(tài)廊道（圖1）。選擇唐豐南路段進(jìn)行調(diào)研與數(shù)據(jù)采集，一方面可以了解設(shè)計(jì)項(xiàng)目施工建設(shè)前的生態(tài)情況，另一方面可以與建設(shè)后的生態(tài)效益情況進(jìn)行對(duì)比，驗(yàn)證生態(tài)修復(fù)措施的有效性。同時(shí)還可以了解唐山當(dāng)?shù)仄胀ňG地的生態(tài)狀況。

圖1 研究區(qū)Fig.1 Study area

2 數(shù)據(jù)與研究方法

2.1 數(shù)據(jù)收集與處理

本文選取了唐豐南路的三處樣方進(jìn)行調(diào)研及數(shù)據(jù)采集。補(bǔ)充樣方基本信息：樣方面積、樣方地勢(shì)平坦程度和植被基本情況。研究的實(shí)驗(yàn)數(shù)據(jù)采集于2023年5月19日和5月20日，天氣晴朗無(wú)風(fēng)，期間樹(shù)冠層無(wú)明顯位移。實(shí)驗(yàn)的遙感影像由無(wú)人機(jī)（DJI悟INSPIRE 2）采用自動(dòng)巡航的方式，影像重疊率保證大于70%，飛行速度大約5 m/s，飛行高度設(shè)定為60 m，智能采集獲取研究區(qū)的遙感影像信息。手持激光雷達(dá)數(shù)據(jù)由手持移動(dòng)激光掃描儀（LiGrip H120）分別對(duì)三處研究樣地進(jìn)行掃描獲得。在掃描前，根據(jù)樣地內(nèi)植被的范圍大小和樹(shù)木的具體分布，采取慢行走蛇形掃描線路，掃描高度為1.5～2 m。同時(shí)，在掃描過(guò)程中保持勻速通過(guò)掃描區(qū)域，以提高掃描的精度和可靠性。此外，為將樣區(qū)點(diǎn)云數(shù)據(jù)添加投影坐標(biāo)和垂直坐標(biāo)系，需使用移動(dòng)站RTK（UniStrong G970 II）記錄控制點(diǎn)準(zhǔn)確位置。

本研究采用專(zhuān)業(yè)的激光雷達(dá)點(diǎn)云數(shù)據(jù)處理和分析軟件LiDAR360（5.2版本）、基于影像自動(dòng)生成高質(zhì)量三維模型的軟件PhotoScan Pro（1.4.5版本）作為處理點(diǎn)云數(shù)據(jù)和計(jì)算植被結(jié)構(gòu)參數(shù)的工具。無(wú)人機(jī)點(diǎn)云數(shù)據(jù)利用PhotoScan Pro軟件獲得，首先對(duì)無(wú)人機(jī)采集的圖像數(shù)據(jù)進(jìn)行圖像質(zhì)量評(píng)估，移除質(zhì)量較差的照片；然后選擇對(duì)齊照片功能，構(gòu)建疏點(diǎn)云模型；最后生成可視化的密集點(diǎn)云模型，獲得無(wú)人機(jī)采集的三維點(diǎn)云數(shù)據(jù)。對(duì)于手持激光雷達(dá)點(diǎn)云數(shù)據(jù)，先對(duì)手持激光雷達(dá)儀器采集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)解算，再添加RTK采集像控點(diǎn)的絕對(duì)坐標(biāo)，進(jìn)行數(shù)據(jù)拼接等一系列預(yù)處理，最后獲得點(diǎn)云數(shù)據(jù)。對(duì)上述得到的無(wú)人機(jī)點(diǎn)云數(shù)據(jù)與手持激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行空間配準(zhǔn)，再進(jìn)行數(shù)據(jù)融合，得到相對(duì)完整的三維點(diǎn)云數(shù)據(jù)。根據(jù)采集區(qū)數(shù)據(jù)大小以及植被分布情況等因素，決定對(duì)三個(gè)樣區(qū)分別選取50 m×50 m的樣地區(qū)域（圖2）。對(duì)原始數(shù)據(jù)進(jìn)行重采樣，減少不必要的點(diǎn)云數(shù)據(jù)；去除采集過(guò)程中產(chǎn)生的噪點(diǎn)；提取地面點(diǎn)并進(jìn)行歸一化處理；喬灌草植被點(diǎn)分層等一系列處理。

圖3 樣地?zé)o人機(jī)、手持lidar數(shù)據(jù)和融合數(shù)據(jù)單木分割結(jié)果Fig.3 The results of single-wood segmentation of UAV, handheld LiDAR data and fusion data in sample

2.2 植被參數(shù)體系構(gòu)建

傳統(tǒng)二維指標(biāo)作為城市綠地的評(píng)價(jià)標(biāo)準(zhǔn)，存在明顯的局限性。低矮灌木、草坪、喬灌草、行道樹(shù)等不同類(lèi)型的植物與分層結(jié)構(gòu)所產(chǎn)生的生態(tài)效果是截然不同的[9]。隨著LiDAR技術(shù)的逐步成熟，使得植被垂直方向覆蓋及其定量指標(biāo)獲取成為可能。N?sset等[10]利用小型足跡激光掃描儀分別測(cè)算了幼齡林和成熟林的平均樹(shù)高、優(yōu)勢(shì)樹(shù)高、平均直徑、莖數(shù)等指標(biāo)系數(shù)，并計(jì)算了其預(yù)測(cè)值與真實(shí)值的標(biāo)準(zhǔn)差。Nelson等[11]通過(guò)計(jì)算植被冠層頂部的點(diǎn)云與地面點(diǎn)云之間的距離估測(cè)出樹(shù)高，并以此反演出生物量、郁閉度等植被參數(shù)；劉清旺等[12]利用機(jī)載激光雷達(dá)數(shù)據(jù)，提出了一種雙正切角樹(shù)冠識(shí)別算法，有效識(shí)別出單株樹(shù)高和冠幅，樹(shù)高的精度高達(dá)97%。韓文泉[13]利用激光雷達(dá)數(shù)據(jù)，獲得了樹(shù)高、樹(shù)冠形狀及被遮擋的灌木高度等多個(gè)城市植被三維結(jié)構(gòu)信息。在三維綠量方面，陳自新等[14]提出以植物葉面積總量計(jì)算綠量的方法；周堅(jiān)華等[15-16]采用以平面量模擬立體量的方法進(jìn)行綠量計(jì)算，并首次使用綠量估算了綠化環(huán)境效益；劉常富等[17]采用立體量推算立體量的方法，對(duì)沈陽(yáng)市城市森林三維綠量進(jìn)行測(cè)算；朱文泉等[18]利用綠量回歸模型，考慮了植被的冠幅和冠高，分樹(shù)種逐株計(jì)算綠量。

近年來(lái)，越來(lái)越多的學(xué)者運(yùn)用激光雷達(dá)技術(shù)提取綠地植被的三維參數(shù)，并分析其可行性。林業(yè)學(xué)者對(duì)于植被三維參數(shù)的研究最多，通常傾向于分樹(shù)種逐株測(cè)算單木指數(shù)，包括單木胸徑（DBH）、樹(shù)高（Htree）、樹(shù)冠直徑（CD）、冠幅面積（CA）、樹(shù)冠體積（CV）[19]、郁閉度（CC）、間隙率（GF）和葉面積指數(shù)（LAI）[20]等三維結(jié)構(gòu)參數(shù)（表1）。規(guī)劃學(xué)者關(guān)注于生態(tài)廊道三維參數(shù)的識(shí)別與生態(tài)網(wǎng)絡(luò)構(gòu)建，致力于提升物種多樣性和植被生境的復(fù)雜性。研究的參數(shù)有冠層高度、冠層蓋度、斑塊面積、葉高多樣性和三維綠量等[21]。風(fēng)景園林學(xué)者通常關(guān)注喬灌草不同植物群落的生長(zhǎng)狀況，采用分層參數(shù)構(gòu)建的方法：?jiǎn)棠緦又饕涗浄N名、數(shù)量、高度、胸徑、冠幅、冠高、第一活枝下高度等；灌木層主要記錄種名、數(shù)量、蓋度、高度、冠幅、冠高等；地被層主要記錄種名、高度、蓋度等[22]。生態(tài)學(xué)者則側(cè)重于物種多樣性保護(hù)的研究，Simonson等[23]利用機(jī)載激光雷達(dá)分析植被垂直結(jié)構(gòu)與物種多樣性之間的關(guān)聯(lián)，發(fā)現(xiàn)森林物種多樣性與植被高度呈顯著相關(guān)。

表1 三維植被參數(shù)體系Tab.1 Three-dimensional vegetation parameters system

與綠地率、綠化覆蓋率、人均綠地面積[24]等二維參數(shù)相比，三維植被參數(shù)擴(kuò)展了綠地植被的研究方向，可以更加精確地體現(xiàn)出綠地布局的合理性和植被的生態(tài)質(zhì)量水平，對(duì)評(píng)價(jià)城市植被的生態(tài)效益產(chǎn)生重要作用[25]。綜合前人學(xué)者對(duì)于綠地樹(shù)木結(jié)構(gòu)的研究，本文將從單木尺度和樣地尺度兩大方面構(gòu)建植被參數(shù)體系。單木尺度的植被參數(shù)包括了單木數(shù)量、樹(shù)高、冠幅直徑、冠幅面積和冠幅體積等。樣地尺度的植被參數(shù)包括喬灌草比例、三維綠量、平均三維綠量密度、郁閉度、間隙率和葉面積指數(shù)等。

2.3 研究方法

2.3.1 植被參數(shù)

單木尺度的植被參數(shù)利用LiDAR360軟件中的點(diǎn)云分割操作，通過(guò)分析點(diǎn)的高程值以及與其他點(diǎn)之間的距離，確定點(diǎn)云中待分割的單木，獲取每株單木的樹(shù)高（tree height）、冠徑（crown diameter）、冠幅面積（crown area）和冠幅體積（crown volume）等屬性數(shù)據(jù)。具體方法參考Li等[26]開(kāi)發(fā)出的點(diǎn)云分割算法，采取間距臨界和最小間距原則，從全局極大值開(kāi)始計(jì)算，將單棵樹(shù)木自上而下從點(diǎn)云中一株一株地分割開(kāi)。根據(jù)召回率、精度和F-score對(duì)結(jié)果進(jìn)行評(píng)估，檢測(cè)到86%的樹(shù)（召回率），94%的分割樹(shù)是準(zhǔn)確的（精度），總體F-score為0.9。結(jié)果表明該算法在分割結(jié)構(gòu)相似的混交林單株樹(shù)方面具有良好的效果。

在樣地尺度的植被參數(shù)中，與喬灌草三維綠量有關(guān)的計(jì)算采用分層測(cè)算法。關(guān)于三維綠量的計(jì)算方法，周堅(jiān)華等[15]通過(guò)構(gòu)建三維綠量模型逐株計(jì)算喬木和灌木的三維綠量，而地表植物的三維綠量則通過(guò)實(shí)測(cè)面積與高度的乘積來(lái)獲得[27]，最終喬木、灌木、地表的綠量之和即為總?cè)S綠量[22]。余柏蒗等[28]研究表明草坪和灌木的分界值為0.5 m，灌木與喬木的分界值為1.8 m，喬木最大高度幾乎沒(méi)有超過(guò)12 m。根據(jù)相關(guān)文獻(xiàn)和研究區(qū)的具體情況，設(shè)定草地層高度為0～0.5 m[9]、灌木層高度為0.5～2 m、喬木層高度為2～15 m，使用LiDAR360中的點(diǎn)云分類(lèi)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)。參考了分層測(cè)量的研究方法，對(duì)研究區(qū)的三維綠量采用分層計(jì)算的方法，分別計(jì)算喬灌草三種類(lèi)型的綠量。草地層和灌木層的綠量通過(guò)分別計(jì)算低矮植被點(diǎn)和中等植被點(diǎn)的體積獲得。而喬木層的綠量為研究區(qū)內(nèi)單木分割得到的冠幅體積的數(shù)值之和。而郁閉度是林分冠層的垂直投影占林地面積的百分比，在森林經(jīng)營(yíng)管理中，郁閉度是確定撫育采伐強(qiáng)度的重要指標(biāo)，也是進(jìn)行森林蓄積量估測(cè)不可或缺的因子。通過(guò)計(jì)算植被點(diǎn)數(shù)與總點(diǎn)云數(shù)的比值獲得。葉面積指數(shù)是表征植被冠層結(jié)構(gòu)的基本參量之一，定義為單位地表面積上所有葉片表面積的一半，由歸一化后的點(diǎn)云數(shù)據(jù)中的植被點(diǎn)計(jì)算得到。

2.3.2 修正系數(shù)

依據(jù)單木尺度和樣地尺度各類(lèi)植被參數(shù)的計(jì)算結(jié)果，根據(jù)公式（1），分別計(jì)算融合數(shù)據(jù)與無(wú)人機(jī)數(shù)據(jù)以及融合數(shù)據(jù)與手持激光雷達(dá)數(shù)據(jù)之間的偏差。通過(guò)分析對(duì)比不同數(shù)據(jù)之間的偏差大小，分別選取單木尺度和樣地尺度的植被參數(shù)，計(jì)算修正系數(shù)，見(jiàn)公式（2）。

式中，n是偏差系數(shù)，α是融合數(shù)據(jù)的植被參數(shù)計(jì)算結(jié)果，β是無(wú)人機(jī)數(shù)據(jù)或手持激光雷達(dá)數(shù)據(jù)的植被參數(shù)計(jì)算結(jié)果。

式中，y是修正系數(shù)，n0是無(wú)人機(jī)數(shù)據(jù)或手持激光雷達(dá)數(shù)據(jù)偏差系數(shù)的平均值。

3 結(jié)果分析

3.1 單體植被參數(shù)計(jì)算結(jié)果

對(duì)于LiDAR360點(diǎn)云分割的結(jié)果進(jìn)行統(tǒng)計(jì)，分別計(jì)算平均樹(shù)高、平均冠徑、平均冠幅面積和總冠幅面積等參數(shù)，比較融合數(shù)據(jù)與無(wú)人機(jī)數(shù)據(jù)以及融合數(shù)據(jù)與手持激光雷達(dá)數(shù)據(jù)之間的偏差。

從總體上看，利用無(wú)人機(jī)遙感數(shù)據(jù)進(jìn)行的單木分割，在平均樹(shù)高、平均冠徑和平均冠幅面積三項(xiàng)參數(shù)上均優(yōu)于手持激光雷達(dá)數(shù)據(jù)的統(tǒng)計(jì)結(jié)果，偏差在10%以?xún)?nèi)。而在樹(shù)木數(shù)量和總冠幅面積統(tǒng)計(jì)結(jié)果上，手持激光雷達(dá)數(shù)據(jù)更有優(yōu)勢(shì)，偏差普遍較低，更能反映出當(dāng)?shù)貙?shí)際樹(shù)木分布狀況。這與兩者采集數(shù)據(jù)的方式有關(guān)，無(wú)人機(jī)通常自上向下掃描，更傾向于采集到植被上層結(jié)構(gòu)，采集數(shù)據(jù)過(guò)程中易受到物體遮擋，對(duì)于中下層植被信息難以獲取。而手持激光雷達(dá)數(shù)據(jù)則是以自下而上的方式采集獲得，由于采集高度的限制，可能會(huì)缺少樹(shù)冠頂層的數(shù)據(jù)。

從表2，表3具體來(lái)看，無(wú)人機(jī)數(shù)據(jù)中的樣地1、2、3各個(gè)參數(shù)的偏差相似，其中樹(shù)木數(shù)量的偏差在22.22%～29.67%之間，平均偏差為26.52%；總冠幅面積的偏差在23.61%～28.84%之間，平均偏差為26.41%；其余三項(xiàng)數(shù)值的偏差較低可以滿足基本的研究要求，最終決定選取樹(shù)木數(shù)量和總冠幅面積兩項(xiàng)參數(shù)進(jìn)行系數(shù)修正。而手持激光雷達(dá)數(shù)據(jù)中，樣地1和樣地3樹(shù)木分布結(jié)構(gòu)相似，計(jì)算所得的偏差也相近，而樣地2由于樹(shù)木數(shù)量限制，計(jì)算結(jié)果偏差較大。本文主要采用樣地1和3的計(jì)算結(jié)果，對(duì)平均樹(shù)高、平均冠徑和平均冠幅面積三項(xiàng)參數(shù)提出相應(yīng)的修正系數(shù)。

表2 樣地單木樹(shù)木特征值對(duì)比Tab.2 Comparison of tree characteristic values in sample

表3 樣地單木偏差對(duì)比（單位：%）Tab.3 Comparison of deviation in sample

3.2 樣地植被參數(shù)計(jì)算結(jié)果

根據(jù)表4和表5的計(jì)算結(jié)果可以看出，在喬灌草綠量的計(jì)算上，三個(gè)樣地三維綠量均為喬木層綠量占比最高，灌木層綠量占比其次，草地層綠量占比最小。融合數(shù)據(jù)與手持激光雷達(dá)數(shù)據(jù)的計(jì)算結(jié)果更為接近，偏差最大為樣地2中的草地層綠量，數(shù)值為16.87%，表明手持激光雷達(dá)數(shù)據(jù)能夠較好地反映出植被的分層結(jié)構(gòu)信息。平均三維綠量密度與喬灌草三者的綠量有關(guān)，無(wú)人機(jī)數(shù)據(jù)的偏差較大，最高達(dá)到了57.71%。在郁閉度、間隙率和葉面積指數(shù)三項(xiàng)參數(shù)上，融合數(shù)據(jù)和手持激光雷達(dá)數(shù)據(jù)的數(shù)值幾乎相同，而與無(wú)人機(jī)數(shù)據(jù)的差值較大，均在10%以上，其中葉面積指數(shù)的偏差最大，在12.19%～64.71%之間。根據(jù)計(jì)算結(jié)果中各個(gè)參數(shù)的偏差大小差異，本次研究剔除了部分精度較高的參數(shù)，對(duì)無(wú)人機(jī)數(shù)據(jù)的喬木層綠量、灌木層綠量、平均三維綠量密度、郁閉度、間隙率和葉面積指數(shù)等多項(xiàng)參數(shù)提出修正系數(shù)。而對(duì)手持激光雷達(dá)數(shù)據(jù)中的喬木層綠量和平均三維綠量密度參數(shù)進(jìn)行修正。

表5 樣地偏差計(jì)算結(jié)果（單位：%）Tab.5 Calculation results of deviation amplitude in sample

3.3 修正系數(shù)計(jì)算結(jié)果

根據(jù)上述中單體樹(shù)木和樣地區(qū)域植被參數(shù)的分析結(jié)果，通過(guò)分析對(duì)比不同數(shù)據(jù)之間的精度差異，選取了不同參數(shù)進(jìn)行修正系數(shù)計(jì)算。無(wú)人機(jī)數(shù)據(jù)中選取了樹(shù)木數(shù)量、總冠幅面積、喬木層綠量、灌木層綠量等8項(xiàng)參數(shù)；手持激光雷達(dá)數(shù)據(jù)選取了平均樹(shù)高、平均冠徑、平均冠幅面積等5項(xiàng)參數(shù)，以融合數(shù)據(jù)的計(jì)算結(jié)果作為準(zhǔn)確數(shù)據(jù)，根據(jù)偏差的計(jì)算公式，計(jì)算各個(gè)參數(shù)的修正系數(shù)。具體計(jì)算結(jié)果如表6所示。

表6 植被參數(shù)修正系數(shù)計(jì)算結(jié)果Tab.6 Calculation results of correction factor of vegetation parameters

4 結(jié)論與討論

傳統(tǒng)的樣地調(diào)查方式在數(shù)據(jù)獲取方面存在成本高、效率低、誤差大等問(wèn)題。而無(wú)人機(jī)遙感影像和手持激光雷達(dá)都能彌補(bǔ)這些缺陷，其具有成本低、精度高、計(jì)算方便等特點(diǎn)。激光雷達(dá)數(shù)據(jù)在估測(cè)樹(shù)高、郁閉度、林分密度和林分生物量和積蓄量等方面均有應(yīng)用[29]?？梢岳脽o(wú)人機(jī)攝影測(cè)量技術(shù)和激光雷達(dá)技術(shù)快速獲取某一區(qū)域內(nèi)的單體樹(shù)木信息和三維綠量信息，對(duì)碳中和、碳匯管理和碳交易提供準(zhǔn)確的科學(xué)數(shù)據(jù)。城市綠化的生態(tài)環(huán)境效益不僅取決于綠化的覆蓋面積，而且取決于綠化的空間結(jié)構(gòu)[16]。就城市規(guī)劃方面而言，利用無(wú)人機(jī)遙感影像數(shù)據(jù)和手持激光雷達(dá)數(shù)據(jù)可以快速獲得研究區(qū)的三維植被信息，分析其現(xiàn)狀結(jié)構(gòu)。結(jié)合其他的軟件模型，可以模擬不同植被結(jié)構(gòu)條件下對(duì)于研究區(qū)的水熱環(huán)境的影響，從而提出更加合理的城市綠地結(jié)構(gòu)和生態(tài)廊道結(jié)構(gòu)，以加強(qiáng)不同棲息地之間的聯(lián)系，提升生物多樣性。此外，林學(xué)、生態(tài)學(xué)、地理學(xué)、城鄉(xiāng)規(guī)劃學(xué)等不同學(xué)科可以取長(zhǎng)補(bǔ)短，推動(dòng)激光雷達(dá)技術(shù)的多學(xué)科交叉應(yīng)用。

利用無(wú)人機(jī)遙感影像提取的激光雷達(dá)點(diǎn)云數(shù)據(jù)是自上而下掃描獲得的，對(duì)于植被上部的獲取更加完整，但通常缺少地面樹(shù)干和下層低矮植被的信息。而手持激光雷達(dá)儀器則通過(guò)自下而上的方式獲取點(diǎn)云數(shù)據(jù)的，能夠獲得較高質(zhì)量的點(diǎn)云數(shù)據(jù)，但是也會(huì)受到采集方式和地形的影響，導(dǎo)致上層植被獲取不夠完整。整體上看，手持激光雷達(dá)數(shù)據(jù)精度高，無(wú)人機(jī)遙感影像數(shù)據(jù)可以作為其上層結(jié)構(gòu)的補(bǔ)充，生成的融合數(shù)據(jù)彌補(bǔ)了二者的劣勢(shì)，對(duì)于樣地的識(shí)別更加精準(zhǔn)，有助于后續(xù)樹(shù)高、樹(shù)冠直徑、樹(shù)冠面積等植被三維參數(shù)的提取。

本文擴(kuò)充了三維視角下城市植被參數(shù)體系的研究，從精細(xì)化小尺度研究城市綠地的形態(tài)結(jié)構(gòu)，試圖改善傳統(tǒng)植被參數(shù)的測(cè)量方式，無(wú)人機(jī)數(shù)據(jù)和手持激光雷達(dá)數(shù)據(jù)二者融合后的點(diǎn)云數(shù)能夠較為完整地還原植被三維結(jié)構(gòu)，提升了獲取城市綠地植被參數(shù)的精度。由于缺少樣地的實(shí)測(cè)數(shù)據(jù)，無(wú)法比較無(wú)人機(jī)、地面、融合點(diǎn)云三者與實(shí)測(cè)數(shù)據(jù)的偏差。同時(shí)，受限于采集儀器、軟件算法、數(shù)據(jù)密度等，植被參數(shù)提取結(jié)果存在局限性。本文僅是對(duì)數(shù)據(jù)精度問(wèn)題作出初步研究，今后需結(jié)合更多的樣地?cái)?shù)據(jù)，從不同植被分類(lèi)結(jié)構(gòu)，進(jìn)一步完善相關(guān)系數(shù)。

注：本文圖表均由作者繪制。