（東北林業(yè)大學(xué) 工程技術(shù)學(xué)院，黑龍江 哈爾濱 150040）

森林對生態(tài)系統(tǒng)的平衡發(fā)揮著重要的作用，森林系統(tǒng)是陸地生態(tài)系統(tǒng)中重要的碳匯源之一，森林生物量是衡量森林固碳能力和生產(chǎn)力的重要指標[1-2]。作為地表碳循環(huán)研究的重要組成部分，有效地監(jiān)測生物量和碳儲量等關(guān)鍵森林參數(shù)有助于更好地了解碳循環(huán)以及生物圈-大氣層的相互作用[3-6]?！毒┒紖f(xié)議書》中對于通過在本國或者第三國植樹造林以抵消本國CO2排放的規(guī)定促進了關(guān)于森林生物量動態(tài)監(jiān)測以及生物量制圖方面的研究[7]。

無人機憑借其機動性強和可以快速回訪的特點，已經(jīng)被廣泛應(yīng)用于林業(yè)和農(nóng)業(yè)調(diào)查研究中。隨著無人機技術(shù)的不斷發(fā)展，攝影測量技術(shù)在林業(yè)調(diào)查、森林結(jié)構(gòu)參數(shù)獲取、森林景觀三維重建等方面發(fā)揮著越來越重要的作用[8-11]。Bendig[12]利用普通RGB 商用相機對農(nóng)田生物量進行了估測以及估產(chǎn)研究，結(jié)果表明農(nóng)產(chǎn)品的鮮重和干重估測R2均大于0.8。何游云[13]在面向?qū)ο蟮幕A(chǔ)上獲取了森林的樹冠參數(shù)，分別利用兩個樣地進行建模和精度驗證，結(jié)果表明，結(jié)合CA-DBH 以及DBH-SB 經(jīng)驗方程的基礎(chǔ)上對森林生物量的估測是有效的。Du 等[14]的研究表明，經(jīng)過校準的森林覆蓋比例圖可以按比例縮小區(qū)域森林生物量統(tǒng)計數(shù)據(jù)到森林覆蓋像素，從而生成相對精細分辨率的生物量圖。付凱婷[15]利用高分辨率遙感影像提取單木冠幅數(shù)據(jù)，結(jié)合實際測量的單木胸徑數(shù)據(jù)建立了CA-DBH模型，并通過結(jié)合胸徑與單木材積之間的關(guān)系模型得到航空單木材積模型，最后估測出林分的蓄積量，總體精度能達到90%以上。Goodbody 等[16]結(jié)合無人機航空攝影測量獲取的影像數(shù)據(jù)與Lidar數(shù)據(jù)獲取完整的樹木點云，在完整點云數(shù)據(jù)的基礎(chǔ)上建立單木生物量預(yù)測模型，結(jié)果表明，利用無人機航空數(shù)據(jù)估測生物量在減少人力成本的同時可以提高森林的運營管理效率。趙鑫[17]利用無人機影像獲取的冠幅和樹高信息分別編制了冠幅-材積一元航空立木材積表和冠幅以及樹高-材積二元航空立木材積表。

以往的研究多集中于利用衛(wèi)星遙感數(shù)據(jù)進行大規(guī)模的森林生物量調(diào)查與估測，受限于衛(wèi)星影像的分辨率以及回訪周期，很難高效率的進行森林生物量獲取。而部分研究側(cè)重于不同樹種的生物量估測，對不同的樹種分別進行建模不但工作量大且無法應(yīng)對較為復(fù)雜的森林環(huán)境。因此，本研究利用無人機航空攝影測量技術(shù)獲取森林樹高，結(jié)合實測建立的H-DBH模型與生物量通用經(jīng)驗?zāi)Ｐ凸罍y研究區(qū)森林生物量，并可快速完成生物量制圖工作。研究結(jié)果可快速準確地完成森林樣地生物量估測和制圖，同時也為大尺度生物量的估測和碳儲量的估算提供技術(shù)參考。

1 研究區(qū)域概況

研究區(qū)位于東北林業(yè)大學(xué)哈爾濱城市林業(yè)示范基地（127°35′E，45°42′N），海拔134～163 m。基地總占地面積43.95 hm2，內(nèi)現(xiàn)有18種人工林分布在46個樣地內(nèi)，各類人工林共占地 25 hm2。研究區(qū)屬于溫帶季風(fēng)氣候，年平均氣溫為3.5℃，平均降水量為534 mm[18]。人工林的平均郁閉度在0.6 以上，且多為生長趨于穩(wěn)定的過成熟林木?；噩F(xiàn)有主要樹種有糖槭Acer saccharum、小青楊Populus pseudosimonii、興安落葉松Larixgmelinii、胡桃楸Juglans mandshurica、水曲柳Fraxinus mandshurica、白樺Betula platyphylla、樟子松Pinus sylvestris、蒙古櫟Quercus mongolica等。由于研究區(qū)域內(nèi)林分構(gòu)成較為復(fù)雜，包括了針葉和闊葉在內(nèi)的多種樹種，為了保證建模精度，本研究從研究區(qū)的四種人工林樣地中選取了2 塊針葉林和兩塊闊葉林樣方（20 m×20 m）[19]進行H-DBH模型構(gòu)建和精度驗證，另外從這些人工林樣地中再選取四塊樣方（20 m×20 m）進行無人機生物量估測與精度驗證。四種人工林樣地樹種分別由水曲柳、黑皮油松、蒙古櫟和樟子松組成。詳細情況如表1所示。

2 研究方法

2.1 研究流程

本研究的基于無人機影像的林分生物量估測與制圖的流程如圖1所示。該框架可分為樹高的估測和生物量模型估測兩個部分，最后結(jié)合數(shù)字冠層模型中得到的樹高數(shù)據(jù)和DBH-SB 生物量模型數(shù)據(jù)，并借助ArcGIS10.1 軟件完成生物量制圖工作。

表1 人工林樣地概況Table1 Summary of the plantation plots

圖1 生物量估測與制圖流程Fig.1 Biomass estimation and mapping process

2.2 樹高獲取

2.2.1 數(shù)據(jù)獲取

利用曼圖拉ms-670 無人機于2018年5月在東北林業(yè)大學(xué)城市林業(yè)示范基地進行航片數(shù)據(jù)采集。曼圖拉ms-670無人機主要由主機、手動遙控器、監(jiān)視器、影像云臺組成。主機對角軸距為67 cm，抗風(fēng)能力6級，搭載2 000萬像素數(shù)碼相機條件下最大飛行高度可達3 000 m。相機經(jīng)過校檢，內(nèi)方位元素中主距f為16.25 mm，像主點偏差x0和y0分別為-0.31 mm和-0.08 mm，徑向畸變系數(shù)k1和k2分別為3.12E-04和-1.59E-06，偏心畸變系數(shù)p1和p2分別為1.33E-04和4.91E-05。數(shù)據(jù)采集設(shè)置航高為200 m，航飛當天能見度高，風(fēng)力小于三級，整個林場共布設(shè)6個飛行控制點，同時獲取包含樣地在內(nèi)的林場的高精度影像數(shù)據(jù)，在航向與旁向重疊率為75%的條件下得到60 張研究區(qū)影像。采用南方NTS 全站儀測量航片控制點坐標以及地形數(shù)據(jù)，坐標系采用獨立坐標。整個林場共布6個飛行控制點坐標并用紅漆標記，對選取的樣地進行碎步測量以獲取樣地的地形數(shù)據(jù)。

2.2.2 樹高提取方法

樹高值的估測是生物量獲取的前提，由于研究區(qū)域的林分郁閉度較高（平均郁閉度在0.6 以上），傳統(tǒng)的目視解譯方法難以獲得單株立木樹高數(shù)據(jù)，本研究采用了一種無人機與全站儀結(jié)合的樹高提取方法獲取研究區(qū)域的樹高參數(shù)[20]。

首先利用Agisoft PhotoScan 無人機影像處理軟件進行初步的幾何校正以及空三加密，處理完成后得到整個實驗區(qū)的高分辨率DSM（Digital surface model）模型。由于研究區(qū)域林分郁閉度較高，難以直接通過無人機影像的三維重建獲得DEM（Digital elevation model)）模型，利用全站儀測得研究區(qū)域的地形數(shù)據(jù)生成DEM模型，最后通過對DSM 以及DEM的柵格減法歸一化處理后得到研究區(qū)域的數(shù)字冠層樹高模型（DCHM），研究區(qū)域的數(shù)字冠層模型，如圖2所示。

圖2 數(shù)字冠層樹高模型Fig.2 Digital canopy height model

在此基礎(chǔ)上，采用局部最大值法獲取研究區(qū)域的樹高數(shù)據(jù)。局部最大值法的思想是通過尋找樹冠光譜反射最大值點為樹冠的中心和樹冠頂點，通過設(shè)置一個移動窗口探測影像的局部最大值為樹冠中心點位置。本研究通過設(shè)置不同移動窗口大小進行多次對比確定移動窗口的大小為3 m×3 m，窗口每隔0.5 m 向上、向下滑動一次，取出每次滑動窗口內(nèi)的最高點作為局部最大值，處理完成后的所有局部最大值點即為我們選取的樹冠中心點。利用局部最大值算法可以提取樹冠中心點位置和對應(yīng)單木的樹高數(shù)據(jù)，由于數(shù)字冠層模型經(jīng)過了歸一化處理，所以得到的樹冠中心點坐標可認為通過無人機航空影像得到的樹高估測值。樣地樹高的實測數(shù)據(jù)通過尼康測樹儀獲取，并利用胸徑尺測量每株單木的胸徑數(shù)據(jù)，利用MS Excel 完成H-DBH 建模。

2.3 生物量模型建立

為了完成生物量數(shù)據(jù)的估測，需要借助生物量經(jīng)驗?zāi)Ｐ瓦M行胸徑到樹干生物量的反演工作。通過航空影像可以直接提取樹高數(shù)據(jù)，而無法直接獲取樹木的胸徑值，建立H-DBH模型便成了獲取胸徑數(shù)據(jù)的直接方法。本研究首先通過水曲柳、蒙古櫟、樟子松、黑皮油松四塊建模樣方的實測數(shù)據(jù)建立H-DBH 反演模型。已有研究表明，徑階和該徑階下的樹木平均高程得到的線性擬合方程效果比較好，對于反演樣方樹高來說，最好的模型是徑階-樹高模型[21]。因此，在完成H-DBH模型建模后，將通過無人機影像提取得到的樹高數(shù)據(jù)估測代入到模型當中可以得到胸徑估測值，結(jié)合已有的DBHSB 經(jīng)驗?zāi)Ｐ蛷亩玫綐淠镜纳锪繑?shù)據(jù)。

2.4 生物量估測與制圖

通過樹高提取和H-DBH模型建立方法可以得到胸徑的估測值，通過胸徑估測值結(jié)合DBH-SB模型便可以提取森林生物量數(shù)據(jù)。由于東北林業(yè)大學(xué)城市林業(yè)示范基地中現(xiàn)共存18個樹種，若采用不同樹種的生物量經(jīng)驗?zāi)Ｐ蜔o法通過無人機影像準確區(qū)分不同樹種，因此采用一種通用的生物量模型成為最適合的選擇。本研究采用了曹偉生提出的通用性一元立木地上生物量模型[22]，模型公式：

式（1）中M為待求生物量，D為1.3 m 處胸徑，r為木材密度（取木材的平均密度0.54）。

在完成H-DBH模型的研建和DBH-SB模型選擇后，將得到的數(shù)字冠層樹高模型（DCHM）導(dǎo)入到ArcGIS 軟件中，通過軟件中的空間分析功能結(jié)合DBH-SB模型完成航空生物量制圖。

3 結(jié)果分析及評價

3.1 樣方數(shù)據(jù)

本研究在無人機航空攝影測量影像的基礎(chǔ)上通過局部最大值算法提取了測試樣方（20 m×20 m）樹高數(shù)據(jù)，同時通過測樹儀和胸徑尺獲取了樹高和胸徑的實測數(shù)據(jù)，如表2所示為實測樹高和通過影像提取的樹高數(shù)據(jù)，4 塊樣方的平均精度均超過了85%，提取的樹高平均精度達到了89%。

表2 樣方平均樹高Table2 Average tree height of the quadrats

整個研究區(qū)域中包括了針葉和闊葉在內(nèi)的多種樹種，本研究在測試樣方所在的人工林樣地內(nèi)另外選取了針葉林和闊葉林樣方各2 塊（20 m×20 m），獲取了4 塊建模樣方所有樹木的徑階-樹高模型，并以此作為研究區(qū)域生物量制圖的基礎(chǔ)。表3為4 塊樣方中的樹木徑階和樹高數(shù)據(jù)。

3.2 模型建立

首先利用各徑階的平均胸徑和平均樹高分別建立了4個建模樣方的H-DBH模型，然后分別采用線性及多項式對數(shù)據(jù)進行回歸，結(jié)果發(fā)現(xiàn)二項式回歸得到的模型精度最高。4個樣方的徑階-樹高模型R2均大于0.70，回歸結(jié)果如表4和圖3所示。

表3 建模樣方徑階-樹高數(shù)據(jù)Table3 Diameter class-tree height data of the modeling quadrats

通過對回歸結(jié)果進行進一步的分析發(fā)現(xiàn)，隨著胸徑的增加，特別是當胸徑超過25 cm后，樹高的增長變得緩慢。造成這種情況的主要原因是由于大部分樹種隨著林齡的增大，樹木長到一定高度后，生長緩慢造成的[23]；另外，徑階大于30 cm的多為闊葉林，相同生長條件下闊葉林的樹高普遍低于針葉林。根據(jù)4個建模樣方總的樹高-徑階數(shù)據(jù)建立了總的H-DBH 回歸模型，如圖4所示。

表4 建模樣方H-DBH模型Table4 H-DBH model of the modeling quadrats

將提取得到的樹高數(shù)據(jù)代入建立的H-DBH模型中便可以得到胸徑估測值，分別對比了4 塊測試樣方的胸徑實測值和估測值（表5），4 塊樣方的平均胸徑精度均超過了80%，估測胸徑平均精度達到了88%。

3.3 生物量估測

圖3 每個建模樣方的H-DBH 回歸模型Fig.3 H-DBH regression model for each modeling quadrat

圖4 總的H-DBH 回歸模型Fig.4 Total H-DBH regression model

根據(jù)生物量的經(jīng)驗?zāi)Ｐ秃虷-DBH 總回歸模型，結(jié)合實測樹高和提取樹高求得了4 塊測試樣方的生物量和估測航空生物量。對于不同樣方，采用實測樹高均值反演得到的胸徑均值來計算實測平均地上生物量；根據(jù)每棵單木的樹高反演得到的胸徑計算每木生物量，通過求和得到總地上生物量。估測航空生物量的計算方法與實測法類似，只是將實測樹高替換為采用局部最大值法提取的樹高。蒙古櫟樣方由于樹型較小，實測和估測平均地上生物量均值均不足100 kg，4 塊測試樣方估測地上生物量均值為151.86 kg，總地上生物量平均值為6 915.85 kg。將平均地上生物量和總地上生物量的平均精度作為每塊測試樣方的生物量估測精度，4 塊測試樣方總的估測精度為87%。具體結(jié)果如表6所示。

3.4 生物量制圖

在ArcGIS 軟件中完成生物量制圖工作，首先通過柵格減法運算，得到研究區(qū)域高程歸一化后的數(shù)字冠層模型，此時的數(shù)字冠層模型高度值即代表估測樹高值。接下來通過局部最大值算法提取得到的樹冠中心點平面坐標提取所有潛在的單木位置以及高度，代入相應(yīng)的模型得到整個研究區(qū)域的生物量數(shù)值，最后通過重分類得到完整的生物量分布圖。

表5 測試樣方平均胸徑Table5 Average DBH of the testing quadrats

表6 測試樣方地上生物量Table6 Above ground biomass of the testing quadrats

圖5為整個研究區(qū)的森林地上生物量分布圖，無人機航空遙感估測的該區(qū)域平均森林地上生物量可達254.43 kg，總地上生物量達到了4 396.18 t。而生物量高于300的區(qū)域多集中在興安落葉松樣地區(qū)域，其區(qū)域內(nèi)單位面積生物量較其他區(qū)域生物量高，該生物量分布估算結(jié)果與實際情況基本符合。

圖5 研究區(qū)域地上生物量Fig.5 Aboveground biomass map in the study area

4 結(jié)論與討論

本研究以東北林業(yè)大學(xué)城市林業(yè)示范基地的森林地上生物量為研究對象，基于搭載普通數(shù)碼相機的無人機平臺得到的航空影像對實驗區(qū)域內(nèi)的地上生物量進行估測和航空生物量制圖研究。研究結(jié)果表明森林地上生物量數(shù)字冠層模型及精度和研究區(qū)域內(nèi)的平均樹高存在明顯線性關(guān)系，其通過通用性的H-DBH和DBH-SB模型可以完成生物量的估測和制圖工作。本研究得到的徑階-樹高估測模型存在顯著的相關(guān)性關(guān)系，通過通用性的一元地上生物量回歸模型估測得到的研究區(qū)平均地上生物量可達254.43 kg，總地上生物量達到了4 396.18 t。

為了提高森林調(diào)查效率，更好地服務(wù)于森林調(diào)查與經(jīng)營，大尺度的生物量估測與制圖必不可少。本研究的研究結(jié)果可以為大尺度生物量估測與制圖提供參考；同時精確區(qū)分森林類型進行精確建模有利于提高生物量估測精度，進而提高森林地上生物量的制圖準確率；單一的航空影像數(shù)據(jù)無法直接提取樹木胸徑從而得到森林生物量，而胸徑是與生物量關(guān)系最密切的森林調(diào)查參數(shù)，本研究受限于高郁閉度林分的冠幅密度，采用無人機與全站儀結(jié)合提取樹高的方法在一定程度上提高了樹高提取精度的前提下也加大了參數(shù)提取的工作量。因此，在今后的研究中可考慮利用無人機Lidar數(shù)據(jù)進行胸徑的直接提取，同時結(jié)合衛(wèi)星影像數(shù)據(jù)進行大范圍的森林生物量反演以及碳儲量估測對林業(yè)精細化經(jīng)營有重要意義，隨著遙感以及數(shù)字圖像處理等技術(shù)進步，無人機在森林生物量估測及森林資源調(diào)查中必將得到更廣泛應(yīng)用。