劉思康 史澤林 宋宏陽 甄貞

(東北林業(yè)大學，哈爾濱，150040)

森林資源與全球環(huán)境、經濟、生態(tài)問題等方面都有著不可分的聯系，實時監(jiān)測森林資源變化已成為必不可少的研究手段之一[1]，通常需要應用單木參數(如樹高、胸徑、冠幅等)估測獲得。傳統林業(yè)上，通常是抽取一定數量的樣地，在樣地里進行每木檢尺，估測單木參數，從而估測林分參數的。但是，這種方法往往消耗大量的人力和物力且工作效率低，無法實現連續(xù)的、快速的森林參數估測。隨著遙感技術的發(fā)展，激光雷達技術(LiDAR)日益成熟，成為近20年來單木探測的主力軍[2]。小光斑高密度的機載激光掃描系統(ALS)是一種較為常見的激光雷達應用技術，在一定程度上可以進行大面積的地物覆蓋，其高密度的激光點云屬性可以精確地獲得林下地形和冠層刨面結構[3-5]，為快速進行單木參數獲取提供可能。

國內外學者已經利用LiDAR數據來估測森林參數，并獲取到很多成果。Hyypp? et al.[6]較早地利用LiDAR點云數據構建冠層高度模型(CHM)，采用局部最大值法和圖像分割原理進行單木樹冠提取并估測樹高。單木樹冠的圖像分割算法眾多，其中分水嶺分割法、區(qū)域生長法、基于點云的距離判別聚類法等應用較為廣泛[7]。林怡等[1]通過利用激光雷達點云數據，基于圓檢測的理論，檢測局部極值點，計算其他點到中心點的距離，通過聚類，提取了單棵樹的位置、樹高及胸徑信息，并經檢驗單木提取的精度可達到90%以上。耿林等[8]利用LiDAR數據，采用標記控制分水嶺分割出樹冠邊界，并通過單木冠幅提取,樹高、冠幅、冠長精度可達85%以上。

然而由于地球表面起伏不平，地形因子作為描述地表形態(tài)和地面復雜性的參數，在地形變化研究中意義重大[9]。坡度描述了地表單元的陡度，是獲取其他地形因子的基礎[10-14]。因為不同區(qū)域的坡度和坡向各不相同，LiDAR的回波波形容易受到坡度影響，并且對于不同大小的光斑其坡度的影響也有所不同[15]。近些年，坡度對于單木樹冠提取的影響逐漸得到重視。胡凱龍等[16]于2017年在中國東北部大興安嶺山脈呼倫貝爾市境內量化了坡度等級對于森林冠層高度的影響，把GLAS數據的光斑點分成6個坡度等級，并發(fā)現隨著坡度等級的提高，地形校正前森林冠層高度的估測精度(即均方根誤差)由3.55 m升高到10.25 m；當引入坡度因素，用機載激光雷達森林冠層最大高度對模型進行校正之后，各坡度等級的均方根誤差在3.26～3.88 m。Khosravipour et al.[17]發(fā)現，對于CHM的單木樹冠提取，在陡坡上，位于樹冠下坡或上坡部分的原始高程值可能分別遠低于或高于樹干基部，從而引起“漏測”或“過測”。目前大部分有關單木探測技術研究中，坡度影響常是被忽略的環(huán)節(jié)，關于坡度對單木樹冠提取及單木參數估測是否有影響或影響有多大的認識和研究較少。因此，量化不同坡度下單木樹冠提取和參數估測誤差，能夠明確坡度是否對單木樹冠提取和參數估測結果有顯著影響，為不同地形下的單木參數估測提供理論依據。

本研究應用ALS數據，探索坡度對黑龍江省孟家崗林場中郁閉度較高的人工針葉林單木參數(如單木位置、冠幅和樹高)估測的影響，將坡度為4級。Ⅰ級為平坡，坡度<5°；Ⅱ級為緩坡，坡度5°～14°；Ⅲ級為斜坡，坡度15°～24°；IV為陡-急-險坡，坡度≥25°。同時在每個坡度等級中隨機選取8塊50 m×50 m的樣地作為研究對象進行單木參數提取，應用一套較全面的精度檢驗方法對比不同坡度上的單木樹冠勾繪結果，并探討不同坡度對單木參數估測(單木樹冠提取和單木位置、冠幅和樹高)的影響。本研究為量化不同坡度對高郁閉度人工針葉林的單木樹冠提取和單木參數估測誤差提供了理論依據，同時為孟家崗林場精準林業(yè)的發(fā)展提供技術支持。

1 研究區(qū)域概況

研究區(qū)位于黑龍江省佳木斯市樺南縣孟家崗林場(46°20′～46°30′N，130°32′～130°52′E)，如圖1所示，林場地處完達山西麓余脈，以低山丘陵為主，坡度較為平緩，大部分坡度在10°～20°。地勢東北高，西南低。最高為老平崗，海拔575 m；最低為柳樹河與牡佳線鐵路交匯處，海拔170 m；平均海拔250 m。土壤種類以暗棕壤為主。暗棕壤中又以典型暗棕壤分布最廣，其次為白漿化暗棕壤，另有少量的潛育暗棕壤、原始暗棕壤、草甸暗棕壤。除暗棕壤外還有少量的白漿土、草甸土、沼澤土及泥炭土的分布。

根據2016年森林資源二類調查，林場經營面積15 503 hm2，林地面積13 671 hm2，森林覆蓋率達86.3%，活立木總蓄積量1 464 508 m3。主要樹種為長白落葉松(Larixgmelinii(Rupr.) Kuzen.)、樟子松(PinussylwestrisL. var.mongolicaLitv.)和紅松(PinuskoraiensisSieb. et Zucc.)等，以人工林為主，面積約占2/3，其他天然次生林約占1/3。

2 研究方法

2.1 數據及其預處理

2017年6—7月份，采用LiCHy系統在研究區(qū)進行LiDAR點云和高清影像的采集，具體參數見文獻[18]。使用“運-5”飛機作為飛行平臺，平均飛行高度2 500 m，飛行相對地面速度約200 km·h-1?？偢采w面積約300 km2，共獲取83條航帶數據，航帶平均掃描寬度約1 000 m，航帶重疊率60%。為了精確提取森林垂直結構參數，須對LiDAR點云數據進行預處理。航帶拼接時對重疊區(qū)域點云予以剔除，以保證點云在研究區(qū)密度水平的一致性。采用改進的漸進加密三角網濾波算法[19]，對點云進行分類，即區(qū)分地面點和非地面點；利用高程閾值法(高程>2 m)結合人工編輯，將非地面點區(qū)分為植被點和其他類型點云。根據與LiDAR數據同時獲取的0.5 m空間分辨率的正射影像，在每個坡度等級中隨機選取8塊50 m×50 m的樣地(共32塊)作為實驗區(qū)，研究區(qū)域位置分布如圖1所示。

本研究通過數字綠土公司的LiDAR360軟件對樣地的激光雷達點云數據進行地面點分類，對首次回波點應用反距離權重插值法(IDW)得到1 m分辨率的數字表面模型(DSM)和數字地形模型(DTM)，并通過兩者作差得到CHM。由于原始的CHM上存在著高度突變或者不正常高度值[20]，這導致CHM上存在少許非正常灰色空洞，會造成一些潛在錯誤[21]。因此，應用半自動的空洞填充算法[22]進行孔洞填充，同時通過高斯濾波進行平滑，用優(yōu)化后的CHM進行單木樹冠提取。

a.黑龍江省區(qū)域圖；b.佳木斯市樺南縣區(qū)域圖；c.孟家崗林場圖。

2.2 坡度分級

孟家崗林場地勢較為平坦，低坡度的區(qū)域主要分布的是樟子松和落葉松為主的高郁閉度的人工針葉林，高坡度的區(qū)域地勢崎嶇不斷，植被分布散且郁閉度低。考慮到孟家崗林場的實際地形狀況，利用DTM生成坡度圖，并對坡度重分類為4個等級，Ⅰ級為平坡：坡度<5°，Ⅱ級為緩坡：坡度5°～14°，Ⅲ級為斜坡：坡度15°～24°，IV為陡-急-險坡：坡度≥25°。坡度分布如圖2所示。采用分層隨機抽樣的方法在每個坡度等級中隨機選取8塊50 m×50 m樣地。

圖2 孟家崗林場坡度分布圖

2.3 單木樹冠提取及單木參數估測

本研究應用基于區(qū)域的多層次截面分析算法(RHCSA)進行單木樹冠提取[2]。該算法將CHM視為一個三維的拓撲表面，將樹冠看作一個個山峰狀的隆起，樹頂點即為山頂點，從樹頂到樹冠邊界高度值不斷降低。它實現了用等高度的水平面自上而下水平切割CHM。在每一層水平切割之后，CHM被分解為一個包含許多樹冠截面的平面數據集，所有的水平切割可以代表垂直空間上不同高度處的樹冠的水平結構。第i層包含所有樹冠區(qū)域的集合被定義為Ci。根據樹冠在CHM上表現出的垂直結構可以定義連續(xù)切割CHM產生的包含關系，如公式(1)

Ci?Ci+1。

(1)

基于這種包含關系，RHCSA自動確定該單木是否第一次出現，是由獨立的樹冠產生的或者是由多棵樹相互接觸的區(qū)域產生的，然后自上而下逐層對包含多個樹頂的區(qū)域進行分割。在RHCSA算法中，每一層水平切割即代表了一次迭代，直到迭代結束(切割到最后一層)樹頂和樹冠被完全提取出來。

本研究根據單木樹冠提取得到的矢量文件結合CHM獲取相應的單木參數(單木位置、樹高和冠幅)，其中，單木位置由單木樹冠區(qū)域內CHM上的最高點的位置決定。而單木位置對應的CHM的像元即為單木樹高。由于樹冠的水平投影呈現出近圓形[23-24]，單木冠幅(D)由公式(2)確定，其中A代表單木樹冠面積。

(2)

2.4 精度檢驗

本研究對單木樹冠提取和單木參數估測兩個方面進行檢驗，從而來評價坡度對人工針葉林單木參數估測的影響。其中，用作驗證的參考樹冠由解譯員結合高分辨率正射影像和冠層高度模型目視解譯獲得，相應作為參考數據的單木參數(單木位置、樹高和冠幅)獲取方法與2.3中方法相同。對于單木樹冠提取的檢驗，需要考慮參考單木與探測單木兩個視角的匹配情況。參考樹冠視角表達了每個參考樹冠是否被正確地勾繪，而探測樹冠視角則反映探測樹冠是否能夠被參考樹冠真實表達。不同視角上的單木匹配均分為7種情況[2]，這里僅列出了本研究最注重的4種情況，如表1所示。

表1 本研究用到的4種單木匹配情況

根據參考樹冠與探測樹冠的匹配情況，本研究采用3個評價指標進行單木樹冠提取結果的驗證：生產者精度(PA)、用戶精度(UA)和總體精度(OA)，其公式定義如(3)—(5)所示[2]。

PA=(NPM+NPNM)/NRef；

(3)

UA=(NUM+NUNM)/NDet；

(4)

(5)

式中：NPN、NPNM分別為參考樹冠視角中1∶1匹配和近似匹配的數量；NRef代表參考樹冠的總數；NUM、NUNM分別代表探測樹冠視角中1∶1匹配和近似匹配的數量；NDet代表探測樹冠的總數。因此，PA代表了參考樹冠被正確勾繪的概率，UA代表了探測樹冠中被參考樹冠正確表達的樹冠概率?？傮w精度(OA)可以從兩個視角描述探測樹冠和參考樹冠的匹配關系，通過PA和UA的調和平均值來代表[2]。

由于從探測樹冠視角和參考樹冠視角定義的1∶1匹配和近似匹配的樹冠不一定相同，因此，應用總體匹配來代表同時在兩個視角下1∶1匹配和近似匹配的情況，并對總體匹配的探測樹冠進行單木參數(單木位置、樹高和冠幅)驗證。單木位置精度(PW)由總體匹配的參考樹頂和探測樹頂之間距離的均方根誤差來確定，見公式(6)。類似，樹高和冠幅估測精度(PH、PD)由總體匹配的參考樹冠和探測樹冠之間樹高和冠幅的均方根誤差表達，見公式(7)和(8)。

(6)

(7)

(8)

式中：dist()表示計算歐式距離的函數；No_match代表了總體匹配的數量；Rpi和Dpi分別代表第i個總體匹配的參考樹頂和探測樹頂的位置；Rhi和Dhi分別代表第i個總體匹配的參考樹冠和探測樹冠的樹高；Rdi和Ddi分別代表第i個總體匹配的參考樹冠和探測樹冠的冠幅。

最后，本研究通過方差分析判斷不同坡度是否對單木樹冠提取及單木參數估測在統計學上有顯著影響。方差分析中零假設(H0)為平坡、緩坡、斜坡和陡-急-險坡上的單木樹冠提取或單木參數估測結果均值相等，即坡度不會影響單木樹冠提取或單木參數估測結果；備擇假設(H1)為在平坡、緩坡、斜坡和陡-急-險坡上至少有一個坡度的單木提取或參數估測結果有顯著不同。當p值小于顯著性水平時(α=0.05、0.01)，在顯著水平下拒絕零假設H0，即認為坡度因素對單木樹冠提取或單木參數精度有顯著影響，并進一步深入分析是哪一個坡度造成了這個顯著影響。

3 結果與分析

3.1 單木樹冠提取結果

應用RHCSA算法對孟家崗林場4個坡度等級的32塊人工針葉林樣地進行單木樹冠提取，精度驗證結果(PA、UA和OA)如表2所示。可知，隨著坡度的增加，單木樹冠提取精度呈明顯下降趨勢。其中，平坡的PA、UA、OA值在75%～95%，平均值均達到80%以上；緩坡的PA、UA、OA值在50%～70%，平均值均接近60%；斜坡的PA、UA、OA值在40%～61%，平均值均接近50%；而陡-急-險坡的PA、UA、OA值最低，其平均值在38%～45%。主要原因是坡度更容易造成樹冠重疊，合并錯誤增多，導致精度逐漸降低。

3.2 單木參數估測結果

根據單木樹冠提取結果，分析不同坡度等級下樣地單木參數(包括單木位置、樹高和冠幅)估測的結果，如表3所示。在緩坡上，單木定位的平均精度最高(均方根誤差最小)，比平坡和斜坡、陡-急-險坡的分別降低16%、10%、26%。對于單木冠幅，各個坡度上的精度差異很小(0.49～0.56)。對于樹高，緩坡、斜坡、陡-急-險坡的精度差異基本一致，平坡與其他坡度的精度差異較大。

表2 不同坡度下單木樹冠提取精度 %

表3 不同坡度下單木參數估測精度 m

3.3 方差分析結果

采用R語言對單木樹冠提取的生產者精度、用戶者精度、總體精度以及單木定位誤差、樹高誤差、冠幅誤差在4個坡度等級下制作均值和標準差如表4所示?？芍?，對于單木樹冠結果，無論PA、UA還是OA，均隨坡度的增大呈現著逐漸減小的趨勢，在陡-急-險坡上單木樹冠提取精度最低(PA、UA、OA值最小)，且3種指標的估計精度均較低，即變異性較大；而在平坡上，單木樹冠提取精度最高(PA、UA、OA值最大)，且估計精度較高(即變異性較小，標準差僅有約0.03)；UA和OA在斜坡上變異性也較小(標準差為0.032)，即估計值的精度較高。對于單木參數結果，單木定位在緩坡上的估測準確度最高，在陡-急-險坡上估測準確度最低，但變異性較小(標準差僅為0.061)；樹高在4個坡度的變異性較大，尤其是緩坡(標準差為0.173)，斜坡精度略低于其他坡度；冠幅在4個坡度的變異性均較大，尤其是斜坡(標準差為0.126)。

表4 不同坡度的單木樹冠提取和單木參數精度 m

由于表4無法判斷不同坡度是否對單木樹冠提取及單木參數估測有顯著性差異，本研究進行了方差分析，結果如表5所示。對于單木樹冠和單木參數的方差分析結果，無論PA、UA、OA還是PW，p值均小于顯著性水平(α=0.05、0.01)，即認為平坡、緩坡、斜坡和陡-急-險坡上至少有一個坡度對單木樹冠提取和單木定位有顯著影響。深入研究發(fā)現，對每一組坡度的檢驗p值也均小于顯著性水平，即可認為平坡、緩坡、斜坡和陡-急-險坡每一個坡度都會對單木樹冠提取和單木定位有顯著影響。對于樹高，p值(0.06)略大于顯著性水平(α=0.05)，即認為坡度對單木樹高估測沒有統計學上的顯著影響。但平坡和斜坡及平坡和陡-急-險坡的兩組比較中，p值小于顯著性水平(α=0.05、0.01)，即可認為平坡與斜坡、陡-急-險坡之間對單木樹高估測有明顯不同。而對于冠幅，所有坡度的p值均大于顯著性水平(α=0.05、0.01)，因此坡度對單木冠幅估測無顯著性影響。

表5 單木樹冠提取和參數估測精度的方差分析結果

4 結論與討論

4.1 結論

在不同坡度上應用RHCSA方法提取單木樹冠和單木參數估測，提取精度和單木定位精度均有顯著性差異(p<0.05)，而單木樹高和單木冠幅的估測精度在不同坡度間并沒有顯著性差異。對于單木樹冠提取結果，均方根誤差在平坡上提取單木樹冠精度最高，總體精度、用戶者精度和生產者精度分別為84.61%、82.13%和87.35%。隨著坡度等級的增加，精度逐漸降低，坡度對單木樹冠提取精度影響顯著(p<0.05)。對于單木參數估測結果，單木定位誤差在緩坡上最小，均方根誤差均值為1.16 m，坡度對單木定位誤差影響是顯著的(p<0.05)，并且每一級坡度之間都存在著顯著性差異。對于單木冠幅估測，在陡-急-險坡上均方根誤差最小，為0.49 m，每一組坡度對估測精度的影響均不顯著；對于單木樹高估測，在斜坡上均方根誤差最小，為0.26 m，坡度對單木樹高估測影響是不顯著的(p>0.05)。但是，平坡和斜坡及平坡和陡-急-險坡之間的單木樹高誤差有顯著差別，說明坡度仍然對單木樹高估測存在一定影響。因此，在應用CHM進行單木樹冠提取和單木參數估測時，不能忽略坡度對估測精度的影響，可以適當進行坡度校正。

4.2 討論

近年來激光雷達遙感快速發(fā)展，其在林業(yè)研究上的應用更加廣泛，國內外學者對應用激光雷達數據進行森林參數提取展開了大量的研究。筆者研究了不同坡度(平坡、緩坡、斜坡和陡-急-險坡)對孟家崗人工針葉林單木樹冠提取和單木參數估測的影響。國外一些學者認為坡度的存在會干擾單木樹頂檢測，尤其是在復雜地形(例如溝壑、丘陵和其他突然的局部高程變化)會降低檢測的準確性，Khosravipour et al.[17]在法國阿爾卑斯山南部Barcelonnette盆地研究坡度對樹冠層高度模型影響時，發(fā)現坡度的增加會對蘇格蘭松樹的樹冠提取精度有顯著影響，這與本研究結論一致。從本研究結果可以看出，即使在地形相對平坦的地區(qū)，坡度依然會對單木樹冠提取精度和定位產生顯著影響。坡度對該林場單木樹冠估測有一定影響，但對冠幅估測的影響不明顯。這主要是因為孟家崗林場以人工針葉林為主，大部分的樹種是樟子松、落葉松和紅松，由形狀較為統一的圓錐形樹冠組成。胡凱龍等[17]發(fā)現用地形矯正模型后的冠層高度模型來估測針闊混交林冠幅和樹高時，精度會明顯提高，說明坡度對針闊混交林冠幅和樹冠的估測具有顯著影響。此外，由于復雜地形上林冠密閉等原因造成的點云重疊，使得樹冠分割的方法會存在過度分割或者分割不足等問題。隨著激光雷達技術的快速發(fā)展，除ALS之外，地基激光雷達(TLS)和背包激光雷達(BLS)在林業(yè)上的應用變的越來越普遍，每種激光雷達數據都有各自的優(yōu)缺點，ALS數據雖然覆蓋面積大，但是無法精確獲取林冠下層的結構信息，TLS和BLS數據能夠精確描述林冠下層信息，但是覆蓋范圍有限?？梢姡瑔我患す饫走_數據很難滿足現代林業(yè)調查需求，未來將會是多平臺激光雷達數據相結合，開展單木和林分尺度的研究，使未來的森林監(jiān)測與調查朝著更大范圍、更加精確、更少人力投入的方向發(fā)展。