基于無(wú)人機(jī)傾斜影像的闊葉林單木參數(shù)提取

陳周娟,程 光,卜元坤,黃 維,陳佳卉,李衛(wèi)忠

(1.西北農(nóng)林科技大學(xué) 林學(xué)院,陜西 楊凌 712100；2.陜西省林業(yè)科學(xué)院,西安 710082)

單木結(jié)構(gòu)參數(shù)作為森林資源調(diào)查最主要的測(cè)樹(shù)因子,不僅能反映林木個(gè)體的生長(zhǎng)情況,還能夠反映森林生態(tài)系統(tǒng)對(duì)地上部分資源的利用能力,對(duì)森林生物量的估測(cè)、森林碳庫(kù)的估算等方面起著重要作用。因此,高效獲取林木參數(shù)是掌握林木生長(zhǎng)狀態(tài)及改進(jìn)森林經(jīng)營(yíng)管理工作的重要前提[1]。傳統(tǒng)的每木檢尺調(diào)查方法不僅耗時(shí)長(zhǎng)、成本高,而且精度往往難以滿足現(xiàn)代精準(zhǔn)林業(yè)的需求。近年來(lái),無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)(Unmanned Aerial Vehicles Tilt Photogrammetric Technology)的發(fā)展與完善為高效獲取林木信息提供了新思路。與傳統(tǒng)森林資源調(diào)查方式相比,無(wú)人機(jī)傾斜攝影技術(shù)在采集數(shù)據(jù)方面具有經(jīng)濟(jì)、高效、方便、靈活等特點(diǎn),其數(shù)據(jù)可以滿足人們對(duì)三維信息的需求[2-4]。無(wú)人機(jī)傾斜攝影技術(shù)在林木精準(zhǔn)測(cè)量、森林科學(xué)經(jīng)營(yíng)方面具有廣闊的應(yīng)用前景,在森林資源調(diào)查上正逐步成為不可或缺的高新技術(shù)手段。

國(guó)內(nèi)外學(xué)者基于無(wú)人機(jī)傾斜影像數(shù)據(jù)的單木參數(shù)提取策略,通常將無(wú)人機(jī)影像數(shù)據(jù)經(jīng)過(guò)運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)(Structure from Motion,SfM)獲取影像匹配點(diǎn)云[5-7],再將影像匹配點(diǎn)云轉(zhuǎn)化為柵格化模型——冠層高度模型(Canopy Height Model,CHM),單木參數(shù)提取的過(guò)程隨即轉(zhuǎn)變成二維影像的檢測(cè)與分割問(wèn)題。識(shí)別單木的一般過(guò)程,包括樹(shù)頂探測(cè)和樹(shù)冠邊界勾繪過(guò)程,其中,局部最大值法[8-9]常用于樹(shù)頂點(diǎn)識(shí)別,區(qū)域增長(zhǎng)算法[10]、分水嶺算法[11-12]、模板匹配法[13]等則常見(jiàn)于樹(shù)冠提取。Mochan等[14]以混交針葉林為實(shí)驗(yàn)樣地,基于無(wú)人機(jī)衍生的CHM,利用局部最大值法進(jìn)行單木識(shí)別,準(zhǔn)確率高達(dá)85%(F得分為0.86)；劉江俊等[15]研究證明了基于無(wú)人機(jī)影像利用局部最大值法可以較好地提取密集針闊混交林的樹(shù)頂點(diǎn)和樹(shù)高,樹(shù)頂點(diǎn)識(shí)別的F得分最高可達(dá)到0.77,樹(shù)高提取的均方根誤差為1.41m；袁梓健等[16]研究發(fā)現(xiàn),利用CHM最大值法分割華山松時(shí),其精度比點(diǎn)云分割法高,林木株樹(shù)分割精度分別為87.17%和80.79%；陳崇成等[17]以2個(gè)分別種植羅漢松(Podocarpusmacrophyllus(Thunb.)D.Don)和桂花樹(shù)(Osmanthusfragrans(Thunb.)Lour.)的苗圃為樣地,運(yùn)用種子區(qū)域增長(zhǎng)算法分割單木樹(shù)冠,結(jié)果顯示,兩個(gè)樣地中樹(shù)冠估測(cè)的F得分均達(dá)到了0.89以上,冠幅誤差在0.14m以內(nèi)；杜意鴻等[18]研究表明分水嶺算法和均值漂移分割算法在提取單木油松冠幅上具有較大的潛力,冠幅估測(cè)的F得分均達(dá)到了0.8以上。以上研究表明,當(dāng)前基于無(wú)人機(jī)傾斜影像的林木參數(shù)提取技術(shù)主要是面向針葉林,少數(shù)基于無(wú)人機(jī)影像的闊葉樹(shù)相關(guān)研究也主要聚焦于樹(shù)種識(shí)別等方面。相較于針葉樹(shù)樹(shù)冠的錐形特征,闊葉樹(shù)常存在單個(gè)闊葉冠內(nèi)有多個(gè)局部峰值,樹(shù)冠輪廓更為復(fù)雜的問(wèn)題,如何從無(wú)人機(jī)影像數(shù)據(jù)中準(zhǔn)確提取闊葉樹(shù)的頂點(diǎn)及樹(shù)冠輪廓是目前無(wú)人機(jī)影像數(shù)據(jù)提取技術(shù)需要攻克的重點(diǎn)和難點(diǎn)。

基于此,本研究以闊葉樹(shù)種銀杏(GinkgobilobaL.)為研究對(duì)象,基于影像匹配點(diǎn)云,采用局部最大值算法、種子區(qū)域增長(zhǎng)算法和標(biāo)記控制分水嶺算法,對(duì)研究區(qū)內(nèi)單木進(jìn)行定位識(shí)別及樹(shù)冠輪廓分割,旨在探索基于無(wú)人機(jī)傾斜影像快速精確地提取闊葉樹(shù)種單木參數(shù)的可行性與精度,為無(wú)人機(jī)傾斜攝影技術(shù)在森林資源調(diào)查中的推廣以及基于無(wú)人機(jī)影像的闊葉樹(shù)種單木參數(shù)快速提取提供理論和方法支撐。

1 研究區(qū)概況及數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

研究區(qū)位于陜西省咸陽(yáng)市楊凌農(nóng)業(yè)高新技術(shù)產(chǎn)業(yè)示范區(qū)(34°14′～34°20′N,107°59～108°08′E),海拔在418.0～540.1m之間,屬東亞暖溫帶半濕潤(rùn)半干旱氣候區(qū),具有春暖多風(fēng),夏熱多雨、秋熱涼爽多連陰雨、冬寒干燥等明顯的大陸性季風(fēng)氣候特征。年均氣溫12.9℃,無(wú)霜期211d。年均日照時(shí)數(shù)2 163.8h,年總太陽(yáng)輻射量為114.86kcal/cm2,年均降水量635.1mm。

研究區(qū)內(nèi)主要的喬木樹(shù)種為銀杏。銀杏是銀杏科、銀杏屬落葉喬木,為陽(yáng)性樹(shù)種,深根性,對(duì)氣候環(huán)境及土壤條件的適應(yīng)范圍廣,旺盛生長(zhǎng)于冬春溫寒干燥或者溫涼濕潤(rùn)、夏秋溫暖多雨,土壤肥沃、排水良好的地區(qū)。銀杏適應(yīng)能力強(qiáng),是主要的造林樹(shù)種、防護(hù)樹(shù)種、抗病蟲(chóng)樹(shù)種及耐污染樹(shù)種,在改善生態(tài)環(huán)境、固土保水、防治蟲(chóng)害和保護(hù)生物多樣性等方面具有重要意義。

圖1 研究區(qū)位置示意圖

1.2 數(shù)據(jù)來(lái)源

1.2.1無(wú)人機(jī)數(shù)據(jù)采集

無(wú)人機(jī)數(shù)據(jù)采集于2020年9月11日中午進(jìn)行,天氣晴朗,風(fēng)力小,適合無(wú)人機(jī)航拍作業(yè)。飛行利用大疆四旋翼無(wú)人機(jī)經(jīng)緯M300 RTK,搭載賽爾五目鏡頭PSDK 102S,為獲取地面分辨率達(dá)到1cm的無(wú)人機(jī)傾斜影像數(shù)據(jù),設(shè)置無(wú)人機(jī)飛行高度為64m,飛行速度為7.9m/s,旁向重疊度75%,航向重疊度80%,外擴(kuò)邊距64m(表1),獲取5組研究區(qū)影像照片,共2 510張相片。

表1 PSDK 102S相機(jī)參數(shù)及M300RTK無(wú)人機(jī)飛行參數(shù)

1.2.2地面實(shí)測(cè)數(shù)據(jù)采集

地面實(shí)測(cè)數(shù)據(jù)采集于2020年9月25日開(kāi)始。在研究區(qū)銀杏林分內(nèi),選取地形平坦(坡度<5°)且株數(shù)密度大于200株/hm2的典型樣地1塊,如圖1所示。樣地為梯形,樣地面積為8 160m2,樣地內(nèi)共有銀杏林木184株。使用載波相位差分技術(shù)(Real-Time Kinematic,RTK)記錄每株林木的GPS坐標(biāo)與樣地四角點(diǎn)坐標(biāo),以便在ArcGIS中準(zhǔn)確定位,定位精度在3～5cm之間。利用傳統(tǒng)方法對(duì)胸徑大于5cm的銀杏進(jìn)行每木調(diào)查,調(diào)查包含胸徑、樹(shù)高、東西和南北方向的冠幅長(zhǎng)度等因子(表2)。由于實(shí)地采集樹(shù)冠面積“真值”具有一定的難度,且精度難以保證,因此,本研究將采用研究區(qū)的數(shù)字正射影像(Digital Orthophoto Map,DOM)運(yùn)用eCongnition軟件進(jìn)行多尺度分割,再由ArcGIS軟件對(duì)分割結(jié)果進(jìn)行手動(dòng)修改和描繪,得到的冠幅面積作為實(shí)冠幅面積“真值”。

表2 實(shí)測(cè)單木參數(shù)統(tǒng)計(jì)

2 研究方法

2.1 數(shù)據(jù)處理與分析

2.1.1無(wú)人機(jī)影像預(yù)處理

為提取研究區(qū)三維結(jié)構(gòu)信息,需先對(duì)無(wú)人機(jī)影像進(jìn)行運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)(SfM)三維重建。SfM算法首先根據(jù)攝影相機(jī)參數(shù)及無(wú)人機(jī)拍攝時(shí)記錄的位姿數(shù)據(jù)(POS數(shù)據(jù)文件)對(duì)初始無(wú)人機(jī)影像數(shù)據(jù)進(jìn)行特征點(diǎn)匹配,在稀疏重建處理之后得到稀疏結(jié)構(gòu)點(diǎn)云,經(jīng)空中三角測(cè)量加密進(jìn)行多視角影像密集匹配得到稠密點(diǎn)云。點(diǎn)云數(shù)據(jù)經(jīng)插值生成數(shù)字表面模型(Digital Surface Model,DSM),經(jīng)地面點(diǎn)分類、歸一化等處理,生成數(shù)字高程模型(Digital Elevation Model,DEM),DSM和DEM之差,得到CHM；同時(shí),由實(shí)景三維模型可獲取數(shù)字正射影像(Digital Orthophoto Map,DOM)(圖2)。本文采用Benltly公司的Context Capture軟件和R語(yǔ)言中的LidR包處理無(wú)人機(jī)影像數(shù)據(jù)。

圖2 無(wú)人機(jī)影像預(yù)處理流程圖

2.1.2單木識(shí)別和分割

1)基于局部最大值法的單木識(shí)別

CHM是表達(dá)樹(shù)冠上表面距離地面高度和樹(shù)冠水平分布的模型,樹(shù)冠邊緣與樹(shù)冠頂部有較大區(qū)別,一般而言,樹(shù)冠頂部亮度值較高。本研究使用基于CHM探測(cè)單木頂點(diǎn)位置的方法是局部最大值法(Local-maximum Based Algorithm)。局部最大值法可以通過(guò)設(shè)置一個(gè)移動(dòng)窗口探測(cè)CHM的局部最大值為樹(shù)冠中心點(diǎn)位置。獲取準(zhǔn)確局部最大值的關(guān)鍵在于設(shè)置一個(gè)準(zhǔn)確合理的移動(dòng)窗口范圍[19]。結(jié)合研究區(qū)的林分結(jié)構(gòu)與地面實(shí)測(cè)數(shù)據(jù),本文設(shè)置3種移動(dòng)窗口大小(3m×3m,5m×5m,7m×7m)進(jìn)行單木頂點(diǎn)探測(cè)。

2)基于種子區(qū)域增長(zhǎng)算法的樹(shù)冠提取

種子區(qū)域生長(zhǎng)算法(Seeded Region Growing Algorithm)的基本思想是將有相似性質(zhì)的像素點(diǎn)合并到一起,對(duì)每一個(gè)區(qū)域要先指定一個(gè)種子點(diǎn)作為生長(zhǎng)的起點(diǎn),然后將種子點(diǎn)周圍領(lǐng)域的像素點(diǎn)和種子點(diǎn)進(jìn)行對(duì)比,將具有相似性質(zhì)的點(diǎn)合并起來(lái)繼續(xù)向外生長(zhǎng),直到?jīng)]有滿足條件的像素被包括進(jìn)來(lái)為止。本研究應(yīng)用的種子區(qū)域增長(zhǎng)算法,在LidR軟件包的dalponte2016函數(shù)[20]中實(shí)現(xiàn),用探測(cè)的單木頂點(diǎn)位置作為區(qū)域生長(zhǎng)法的起始點(diǎn),并根據(jù)單木實(shí)際生長(zhǎng)特征,設(shè)定算法的判斷閾值,相關(guān)參數(shù)設(shè)置為th_seed=0.2,th_cr=0.75,其余參數(shù)值均為默認(rèn)。

3)基于標(biāo)記控制分水嶺算法的樹(shù)冠提取

標(biāo)記分水嶺分割算法(Marked-controlled Watershed Algorithm)是根據(jù)分水嶺的結(jié)構(gòu)來(lái)進(jìn)行圖像的分割,是一種模擬浸水過(guò)程的數(shù)學(xué)形態(tài)學(xué)分割方法。將CHM翻轉(zhuǎn)之后,假設(shè)模型局部中存在極小值點(diǎn),在極小值點(diǎn)處開(kāi)始浸水,隨著水的上升,圖形逐漸被浸沒(méi),最終形成積水盆。過(guò)程結(jié)束后,若積水盆中的極小值點(diǎn)為單木頂點(diǎn),則相鄰積水盆之間合并形成的分水嶺即為樹(shù)冠邊界。本研究使用的標(biāo)記控制分水嶺算法與種子區(qū)域算法相似,為避免傳統(tǒng)分水嶺分割造成的過(guò)分割現(xiàn)象,本研究首先在判斷單木頂點(diǎn)位置后,再根據(jù)林木實(shí)測(cè)因子參考值調(diào)試分水嶺算法中的參數(shù)閾值。標(biāo)記控制分水嶺算法使用LidR軟件包中的segment_trees函數(shù),相關(guān)參數(shù)閾值設(shè)置為th_tree=6,其余參數(shù)值均為默認(rèn)。

2.2 精度驗(yàn)證

2.2.1樹(shù)頂點(diǎn)識(shí)別驗(yàn)證

樹(shù)冠頂點(diǎn)與單木根部平面位置通常存在偏差,因此,根據(jù)Hirschmugl等[21]提出的檢測(cè)方法,在實(shí)測(cè)單木根部位置建立1m緩沖區(qū),由預(yù)測(cè)頂點(diǎn)與緩沖區(qū)的相對(duì)位置判斷預(yù)測(cè)頂點(diǎn)位置的準(zhǔn)確性。3種常見(jiàn)單木樹(shù)頂檢測(cè)結(jié)果如圖3所示,在緩沖區(qū)內(nèi)若只有唯一提取值則作為正檢林木(圖3(a)-(b)),若有多株提取木則取距真實(shí)位置最近值作為正檢值,緩沖區(qū)外且樹(shù)冠范圍內(nèi)的作為誤檢林木(圖3(c)),若樹(shù)冠范圍內(nèi)沒(méi)有被檢測(cè)到林木頂點(diǎn)則記為漏檢林木(圖3(d))。

統(tǒng)計(jì)3種不同窗口下進(jìn)行局部最大值法的單木探測(cè)結(jié)果,并進(jìn)行精度分析與評(píng)價(jià)。本研究采用以下3個(gè)指標(biāo)進(jìn)行單木識(shí)別衡量[22]:

注:紅點(diǎn)表示實(shí)測(cè)單木根部位置,藍(lán)點(diǎn)表示預(yù)測(cè)單木頂點(diǎn)位置,圓表示以實(shí)測(cè)單木根部位置為中心建立的1m緩沖區(qū)。

(1)

(2)

(3)

式中:r為探測(cè)率,指正確預(yù)測(cè)樹(shù)頂點(diǎn)的數(shù)量和研究區(qū)內(nèi)所有樹(shù)頂點(diǎn)數(shù)量的比率,衡量預(yù)測(cè)系統(tǒng)的查全率；p為探測(cè)準(zhǔn)確率,指正確預(yù)測(cè)樹(shù)頂點(diǎn)的數(shù)量與檢測(cè)出的所有樹(shù)頂點(diǎn)之間的比率,衡量模型的查準(zhǔn)率；一般情況下r和p指標(biāo)往往是相互制約的,F得分則為r與p的加權(quán)調(diào)和平均值,當(dāng)F得分越高時(shí),則說(shuō)明單木識(shí)別的方法比較有效；TP,FN,FP分別代表正檢、漏檢和誤檢的數(shù)量。

對(duì)預(yù)測(cè)樹(shù)高與實(shí)測(cè)樹(shù)高、預(yù)測(cè)冠幅與實(shí)測(cè)冠幅的擬合效果采用決定系數(shù)(R2)、均方根誤差(RMSE)2個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。其中,決定系數(shù)(R2)表示模型的擬合程度,均方根誤差(RMSE)表示模型的回歸效果。如下:

(4)

(5)

2.2.2樹(shù)冠分割驗(yàn)證

判斷樹(shù)冠分割的準(zhǔn)確性,一方面需要考慮預(yù)測(cè)冠幅與實(shí)測(cè)冠幅之間的相對(duì)誤差,另一方面則需要判斷樹(shù)頂點(diǎn)是否與分割冠幅有較好的匹配。根據(jù)楊全月等[23]提出的方法,可使用單木頂點(diǎn)位置與冠幅面積綜合判定策略:樹(shù)木屬于正檢且冠幅面積小于判斷閾值時(shí)判定為正確率,則正確率的定義為:

(6)

式中:δ為預(yù)測(cè)冠幅與實(shí)測(cè)冠幅的相對(duì)誤差,δt為判定閾值,Nr為實(shí)測(cè)樹(shù)冠數(shù)量。預(yù)測(cè)冠幅與實(shí)測(cè)冠幅的相對(duì)誤差計(jì)算如下:

(7)

式中:S為算法提取的樹(shù)冠面積；Sr為對(duì)應(yīng)位置參考樹(shù)冠面積。

3 結(jié)果與分析

3.1 單木識(shí)別結(jié)果

利用局部最大值法進(jìn)行樹(shù)頂點(diǎn)探測(cè)時(shí),不同窗口大小的識(shí)別結(jié)果都存在一定的漏檢、誤檢現(xiàn)象(表3)。研究中發(fā)現(xiàn),采用5m×5m窗口大小進(jìn)行識(shí)別效果最好,準(zhǔn)確率達(dá)到了80.11%,F得分為0.88；采用3m×3m窗口時(shí),出現(xiàn)較多誤檢現(xiàn)象,而采用7m×7m窗口時(shí)出現(xiàn)較多漏檢現(xiàn)象(圖4)。

樹(shù)高預(yù)測(cè)由樹(shù)頂點(diǎn)所在位置的相對(duì)高程決定,圖5列出了研究區(qū)內(nèi)預(yù)測(cè)樹(shù)高與實(shí)測(cè)樹(shù)高之間的回歸方程,從中可以看出,研究區(qū)的預(yù)測(cè)樹(shù)高與實(shí)測(cè)樹(shù)高表現(xiàn)出很強(qiáng)的線性關(guān)系,線性方程的斜率接近于1,R2為0.99。無(wú)人機(jī)傾斜影像數(shù)據(jù)在重建三維模型時(shí),可能會(huì)造成樹(shù)頂數(shù)據(jù)的缺失,以及受到點(diǎn)云密度的影響,預(yù)測(cè)樹(shù)高值總體上偏低。

表3 樹(shù)頂探測(cè)精度驗(yàn)證結(jié)果

圖4 5m×5m窗口單木樹(shù)頂點(diǎn)識(shí)別結(jié)果

圖5 單木樹(shù)高提取結(jié)果精度評(píng)定

3.2 單木樹(shù)冠分割結(jié)果

兩種算法的樹(shù)冠分割結(jié)果如圖6所示。從圖6中可以看出,分水嶺算法在提取部分密集林木樹(shù)冠時(shí)表現(xiàn)出一定優(yōu)勢(shì),對(duì)于樹(shù)冠邊緣復(fù)雜、細(xì)節(jié)多的影像輪廓勾繪較敏感,而種子區(qū)域生長(zhǎng)算法對(duì)林隙大的銀杏冠層中勾繪更為精細(xì)。本研究對(duì)于樹(shù)冠分割的精度驗(yàn)證方式是在相對(duì)誤差閾值梯度下,分別統(tǒng)計(jì)了兩種算法中樹(shù)冠分割結(jié)果正檢數(shù)量和正確率,并根據(jù)建立預(yù)測(cè)樹(shù)冠面積與實(shí)測(cè)樹(shù)冠面積參考值之間的回歸關(guān)系計(jì)算出了相應(yīng)的R2。兩種算法對(duì)于相對(duì)誤差閾值、正確率與R2的關(guān)系如圖7所示。由圖7可以看出,R2隨著相對(duì)誤差閾值的增大而減小,正確率則相反,這是因?yàn)橄鄬?duì)誤差閾值增加時(shí),樹(shù)冠投影面積預(yù)測(cè)誤差較大的樹(shù)被保留了下來(lái),從而降低冠幅面積的提取精度,同時(shí)被判斷為正確探測(cè)的樹(shù)木數(shù)量也隨之增加。

圖6 單木樹(shù)冠分割結(jié)果

圖7 相對(duì)誤差閾值對(duì)提取結(jié)果的影響

當(dāng)相對(duì)誤差閾值取30%時(shí),種子區(qū)域增長(zhǎng)算法提取的樹(shù)冠正確率為73.14%,R2為0.98；標(biāo)記控制分水嶺算法提取的樹(shù)冠正確率為63.43%,R2為0.97。兩種算法中,預(yù)測(cè)樹(shù)冠面積與實(shí)測(cè)樹(shù)冠面積參考值建立的線性回歸關(guān)系如圖8所示。由圖可知,種子區(qū)域增長(zhǎng)算法和標(biāo)記控制分水嶺算法的樹(shù)冠預(yù)測(cè)結(jié)果均與實(shí)測(cè)參考值顯著相關(guān),但種子區(qū)域算法的預(yù)測(cè)結(jié)果(RMSE=1.79m2)相對(duì)于標(biāo)記控制分水嶺算法預(yù)測(cè)結(jié)果(RMSE=2.44m2)誤差更小。本研究的單木樹(shù)冠提取結(jié)果,整體上較為準(zhǔn)確,達(dá)到了半自動(dòng)化、快速精準(zhǔn)的樹(shù)冠分割的目標(biāo),能夠滿足林業(yè)精準(zhǔn)化、智能化的發(fā)展需求。

圖8 樹(shù)冠面積提取結(jié)果精度評(píng)定

4 結(jié)論與討論

4.1 結(jié)論

本研究以銀杏闊葉林為研究對(duì)象,基于無(wú)人機(jī)傾斜影像數(shù)據(jù),運(yùn)用三維重建技術(shù)提取了單木三維點(diǎn)云數(shù)據(jù),通過(guò)不同探測(cè)窗口下的局部最大值法識(shí)別了單木頂點(diǎn)位置并提取了樹(shù)高,同時(shí)運(yùn)用種子區(qū)域增長(zhǎng)算法和標(biāo)記控制分水嶺算法實(shí)現(xiàn)了銀杏樹(shù)冠的提取,并以地面實(shí)測(cè)數(shù)據(jù)作為“真值”對(duì)單木參數(shù)提取結(jié)果進(jìn)行了精度驗(yàn)證。研究結(jié)果表明:采用5m×5m固定窗口進(jìn)行單木識(shí)別的效果最好,銀杏的樹(shù)頂點(diǎn)識(shí)別的F得分達(dá)到了0.88,樹(shù)高預(yù)測(cè)值總體偏低；在樹(shù)冠預(yù)測(cè)結(jié)果相對(duì)誤差為30%的情況下,種子區(qū)域增長(zhǎng)算法的樹(shù)冠提取精度高于標(biāo)記控制分水嶺算法,標(biāo)記控制分水嶺算法預(yù)測(cè)面積值相比之下較離散,說(shuō)明在林分密度小的銀杏闊葉林中,種子區(qū)域生長(zhǎng)算法比分水嶺算法能更好地處理樹(shù)冠之間的林隙。本研究證實(shí)了運(yùn)用無(wú)人機(jī)傾斜攝影數(shù)據(jù)可以對(duì)闊葉樹(shù)進(jìn)行單木識(shí)別與分割,達(dá)到了半自動(dòng)化、快速精準(zhǔn)的樹(shù)冠分割的目標(biāo),可為無(wú)人機(jī)傾斜攝影技術(shù)在單木參數(shù)提取提供有效的理論與方法支撐。

4.2 討論

本研究中,當(dāng)移動(dòng)窗口大小為3m×3m,5m×5m時(shí),單木分割效果較好,7m×7m時(shí)漏檢數(shù)目較多,因?yàn)檠芯繀^(qū)中的銀杏闊葉林平均冠幅為5.8m,過(guò)大的窗口會(huì)使得多個(gè)樹(shù)冠被誤判為一個(gè)樹(shù)冠,而造成頂點(diǎn)的漏檢。同時(shí),5m×5m窗口樹(shù)頂點(diǎn)檢測(cè)優(yōu)于3m×3m窗口,因?yàn)殂y杏為闊葉樹(shù)種,不同于針葉樹(shù)種的頂端優(yōu)勢(shì),觀測(cè)位置不同時(shí)可能存在多個(gè)樹(shù)冠頂點(diǎn),3m×3m窗口下,漏檢有所降低但誤檢樹(shù)木明顯增多。本研究中的樣地為銀杏闊葉林,其樹(shù)冠結(jié)構(gòu)相比于針葉樹(shù)更為復(fù)雜,因此提取難度更大,這與Guerra-Hernández等[24]研究結(jié)果相似。因此,單木分割窗口選擇應(yīng)考慮樹(shù)種與單木實(shí)際冠幅。此外,通過(guò)可變窗口大小[2]、改變CHM像素大小[25]、基于冠層形態(tài)的局部最大值識(shí)別[26]等方式,可在一定程度上提高單木識(shí)別的準(zhǔn)確率,故單木識(shí)別算法需要不斷地改進(jìn),以適應(yīng)不同喬木類型的調(diào)查需求。

森林資源調(diào)查中很多重要的單木結(jié)構(gòu)參數(shù),例如,胸徑、樹(shù)高、冠幅、郁閉度等,都可以從CHM中直接或間接地獲得。但從CHM獲取的這些參數(shù)通常會(huì)比實(shí)際值低。在前人的研究中發(fā)現(xiàn),由于LiDAR數(shù)據(jù)中樹(shù)頂周圍的點(diǎn)云錯(cuò)失或?qū)Ⅻc(diǎn)云數(shù)據(jù)轉(zhuǎn)換為CHM過(guò)程中存在的一些無(wú)效值,樹(shù)高通常會(huì)被低估1～3m[27-28],這與本文從無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)獲取的CHM中估測(cè)樹(shù)高的結(jié)果相一致。同時(shí),由于林木間的競(jìng)爭(zhēng)關(guān)系,使得樹(shù)冠相互遮擋與覆蓋,冠幅往往也被低估[29-30]。本研究中的銀杏闊葉林林分密度中等,林木之間的相互遮擋相對(duì)較少,因此,樹(shù)冠的估測(cè)效果較好。

在以往大多數(shù)研究中,樹(shù)冠分割算法都是基于樹(shù)冠形狀為錐形這一設(shè)定來(lái)研發(fā)的,適合運(yùn)用于針葉樹(shù)種。本研究針對(duì)銀杏闊葉林,運(yùn)用標(biāo)記分水嶺算法與種子區(qū)域增長(zhǎng)算法提取樹(shù)冠,取得了較好的預(yù)測(cè)效果。從總體來(lái)看,標(biāo)記分水嶺算法對(duì)與誤差閾值的變化更為敏感,種子區(qū)域增長(zhǎng)算法在相對(duì)誤差閾值為50%正確率趨于穩(wěn)定,且R2的損失較小,這是由于種子區(qū)域增長(zhǎng)算法能將具有相同特征的聯(lián)通區(qū)域分割出來(lái),避免由于闊葉樹(shù)樹(shù)冠結(jié)構(gòu)復(fù)雜對(duì)分水嶺的干擾[31]。本研究中銀杏闊葉林分密度為中等水平,受陰影干擾較小,種子區(qū)域增長(zhǎng)算法表現(xiàn)更佳。當(dāng)前,大多數(shù)的單木樹(shù)冠提取研究集中在比較簡(jiǎn)單、規(guī)則或郁閉度不大的林分中,在未來(lái)的研究中,可進(jìn)一步研究和探索復(fù)雜林分中林木參數(shù)提取的方法與精度,明晰林木快速自動(dòng)檢測(cè)與分割機(jī)制,滿足未來(lái)更高效、更精確的森林資源調(diào)查需求。