劉曉農(nóng),旦 增，邢元軍

(1.國(guó)家林業(yè)局中南林業(yè)調(diào)查規(guī)劃設(shè)計(jì)院，長(zhǎng)沙 410014；2.西藏自治區(qū)林業(yè)調(diào)查規(guī)劃研究院，拉薩 850000)

基于無(wú)人機(jī)高分影像的冠幅提取與樹(shù)高反演

劉曉農(nóng)1,旦 增2，邢元軍1

(1.國(guó)家林業(yè)局中南林業(yè)調(diào)查規(guī)劃設(shè)計(jì)院，長(zhǎng)沙 410014；2.西藏自治區(qū)林業(yè)調(diào)查規(guī)劃研究院，拉薩 850000)

以湖南省攸縣黃豐橋林場(chǎng)無(wú)人機(jī)(UAV)高分影像和地面樣地調(diào)查數(shù)據(jù)為基礎(chǔ)，利用Definiense Cognition 8.0軟件，對(duì)影像進(jìn)行多尺度分割，確定最佳的冠幅分割參數(shù)，同時(shí)進(jìn)行平滑處理，利用平滑后的影像冠幅與實(shí)測(cè)樹(shù)高，建立冠幅樹(shù)高曲線估計(jì)模型和非線性聯(lián)立方程組反演模型。建立的非線性聯(lián)立方程組模型擬合效果最佳，決定系數(shù)R2為0.854 2，最佳擬合曲線模型分別為CW=0.127+1.068*PCW和H=-1.910+4.861*CW-0.819*CW2+0.049*CW3；模型的CV和MPSE均在10%以內(nèi)，是樹(shù)高反演的一種有效手段。

林業(yè)遙感；無(wú)人機(jī)；冠幅；樹(shù)高

森林資源監(jiān)測(cè)正在向大尺度、短周期方向發(fā)展，以人工調(diào)查為主的傳統(tǒng)森林資源監(jiān)測(cè)手段已難以適應(yīng)新形勢(shì)下林業(yè)生產(chǎn)和生態(tài)建設(shè)的需求。學(xué)界對(duì)如何利用航空航天遙感進(jìn)行森林蓄積量估測(cè)進(jìn)行了深入的研究，以遙感為主的數(shù)字化技術(shù)已成為森林資源監(jiān)測(cè)的發(fā)展趨勢(shì)，但遙感技術(shù)在應(yīng)用上也存在一定的局限性。如何更快捷高效、連續(xù)動(dòng)態(tài)地對(duì)森林資源進(jìn)行遙感監(jiān)測(cè)，逐漸成為森林資源監(jiān)測(cè)研究中的熱點(diǎn)[1-2]。

國(guó)內(nèi),在2005年采用面向?qū)ο蠓指罴夹g(shù)研究樹(shù)冠提取，利用樣本的模糊分類(lèi)方法可高效提取樹(shù)冠信息[3]；2010年通過(guò)面向?qū)ο髮?duì)京津風(fēng)沙源工程區(qū)試驗(yàn)地的樹(shù)冠信息進(jìn)行提取，并取得較好的效果，監(jiān)測(cè)精度達(dá)到80.02%[4]。近年來(lái)，隨著無(wú)人機(jī)技術(shù)的發(fā)展，小型無(wú)人機(jī)在遠(yuǎn)程遙控、續(xù)航時(shí)間、飛行品質(zhì)上有了顯著的突破，因其獲取影像機(jī)動(dòng)靈活、影像分辨率高、成本低等優(yōu)勢(shì)，成為傳統(tǒng)航空攝影測(cè)量手段的有效補(bǔ)充[5-9]。目前無(wú)人機(jī)廣泛應(yīng)用于農(nóng)業(yè)資源規(guī)劃與監(jiān)測(cè)、農(nóng)業(yè)生產(chǎn)與調(diào)控，而較少應(yīng)用于林業(yè)上，還處于探索階段。輕小型無(wú)人機(jī)作為一種林業(yè)遙感技術(shù)，符合森林監(jiān)測(cè)中外業(yè)探測(cè)的需求，可以極大程度減少林業(yè)調(diào)查中的人力消耗[10-12]。

本文以無(wú)人機(jī)高分影像為數(shù)據(jù)源，利用均值漂移算法(MeanShiftalgorithm)進(jìn)行杉木幼林樹(shù)冠信息提取與樹(shù)高反演研究。首先從無(wú)人機(jī)影像中提取冠幅邊緣，再用影像分割的方法確定最佳的冠幅提取尺度。同時(shí)開(kāi)展地面樣地調(diào)查，進(jìn)行每木檢尺，主要調(diào)查因子有：坐標(biāo)、樹(shù)高、胸徑、冠幅(東西和南北)、和郁閉度等信息。對(duì)實(shí)測(cè)的冠幅與影像提取的冠幅進(jìn)行相關(guān)性分析，最終根據(jù)實(shí)測(cè)樹(shù)高和冠幅的關(guān)系，建立杉木人工林影像冠幅樹(shù)高聯(lián)立方程組反演模型。

1 研究區(qū)概況

黃豐橋國(guó)有林場(chǎng)呈帶狀，跨株洲市攸縣東西部，以中低山貌為主，介于東經(jīng)113°04′―113°43′E，和北緯27°06′―27°04′N(xiāo)之間，東北部與江西的蓮花、萍鄉(xiāng)交界，東南與茶陵縣接壤，西北部與株洲、醴陵毗鄰。地貌以中低山為主，境內(nèi)最高海拔1 270 m，最低海拔115 m，坡度介于20°～35°之間。林場(chǎng)地處中亞熱帶季風(fēng)濕潤(rùn)氣候區(qū)，年均氣溫17.8℃，平均無(wú)霜期為292 d；主要成土母巖為板頁(yè)巖，土壤以板頁(yè)巖發(fā)育而成的山地黃壤為主?，F(xiàn)有林地面積10122.6 hm2，以杉木為主，森林覆蓋率為86.24%。

2 研究方法

2.1 數(shù)據(jù)來(lái)源

實(shí)驗(yàn)數(shù)據(jù)的獲取于2016年8月上旬，采用數(shù)字綠土八旋翼無(wú)人機(jī)進(jìn)行航拍，無(wú)人機(jī)搭載了Liortho高分辨率影像獲取系統(tǒng)(由高分辨率相機(jī)、控制系統(tǒng)以及差分GPS系統(tǒng)或POS系統(tǒng)組成)，相對(duì)航拍高度為200 m。將獲取的4張單幅影像輸入LiMapper軟件，使用自動(dòng)空中三角測(cè)量和光束平差法原理自動(dòng)提取影像特征點(diǎn)，計(jì)算正確的位置參數(shù)，并進(jìn)行幾何校正、正射校正，最后自動(dòng)拼接成一幅影像，其影像分辨率為0.15 m，處理后的高分影像如圖1所示。

圖1 無(wú)人機(jī)高分影像圖

2.2 數(shù)據(jù)預(yù)處理

對(duì)于二類(lèi)調(diào)查矢量數(shù)據(jù)，選取所有杉木小班，提取杉木小班范圍內(nèi)的影像數(shù)據(jù)；對(duì)實(shí)地調(diào)查數(shù)據(jù)，利用ArcGIS 10.1軟件，通過(guò)樣地實(shí)測(cè)GPS點(diǎn)坐標(biāo)，將樣地邊界及部分林木位置在高分影像上進(jìn)行標(biāo)記，并利用數(shù)理統(tǒng)計(jì)原理進(jìn)行整合與篩選，剔除異常數(shù)據(jù)。

2.3 林木冠幅分割與提取

利用Definiense Cognition 8.0軟件，輸入樣地尺度大小的無(wú)人機(jī)高分影像，利用多尺度分割法，對(duì)影像進(jìn)行分割，獲得林木冠幅與其余地物的影像圖斑，再利用面向?qū)ο蠓诸?lèi)法，通過(guò)隸屬度函數(shù)篩選出林木冠幅，最后將提取冠幅與實(shí)地測(cè)量冠幅進(jìn)行精度對(duì)比[13-16]。

在完成影像面向?qū)ο蠓指詈?，影像被分割成無(wú)數(shù)細(xì)小對(duì)象斑塊，如圖2所示，陰影、草地、裸地、冠幅混淆在一起。此外，對(duì)于單株樹(shù)木而言，由于分割尺度的不同，會(huì)出現(xiàn)一個(gè)完整的樹(shù)冠被分割成多個(gè)斑塊。要想單獨(dú)分離出林木樹(shù)冠，并使被分裂的冠幅趨于完整，需進(jìn)行林木冠幅的識(shí)別、提取與合并。

圖2 均值漂移算法冠幅提取結(jié)果

3 數(shù)據(jù)建模與分析

采用近代統(tǒng)計(jì)學(xué)中聯(lián)立方程組法構(gòu)[16-17]建樹(shù)高—冠幅模型、冠幅—影像冠幅模型和樹(shù)高—影像冠幅模型。實(shí)測(cè)冠幅用CW代表，實(shí)測(cè)樹(shù)高HT代表，提取的影像冠幅用PCW代表。操作步驟如下：①通過(guò)樣地實(shí)測(cè)數(shù)據(jù)，構(gòu)建CW-PCW模型和HT-CW模型； ②建立提取的影像冠幅與實(shí)測(cè)樹(shù)高的HT-PCW模型； ③建立HT-CW模型與CW-PCW模型聯(lián)立。

利用確定系數(shù)R2、估計(jì)值的標(biāo)準(zhǔn)差(SEE)、變動(dòng)系數(shù)(CV)和平均百分標(biāo)準(zhǔn)誤差(MPSE)4個(gè)評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行檢驗(yàn)。

3.1 曲線估計(jì)模型

樣地調(diào)查的冠幅主要包括東西和南北兩個(gè)方向的長(zhǎng)度，為找到最佳的模型，分別采用實(shí)測(cè)冠幅和影像提取的冠幅建立樹(shù)高—冠幅模型。通過(guò)采用11種曲線估計(jì)模型，對(duì)冠幅—影像冠幅模型、樹(shù)高—冠幅模型、樹(shù)高—影像冠幅模型進(jìn)行建模，最終選出7種最佳擬合模型，詳見(jiàn)表1。

從表1可以看出，根據(jù)實(shí)測(cè)冠幅、影像冠幅、樹(shù)高建立的冠幅—影像冠幅模型、樹(shù)高—冠幅模型的擬合最佳曲線分別有一次方程和三次方程，模型的決定系數(shù)R2分別為0.911和0.440。利用影像冠幅和樹(shù)高建立的樹(shù)高—影像冠幅模型的擬合最佳曲線為三次方程，模型的決定系數(shù)最高，R2為0.440。

通過(guò)圖3和圖4的殘差分析表明樹(shù)高—冠幅模型、樹(shù)高—影像冠幅模型檢驗(yàn)數(shù)據(jù)的殘差絕大部分都在置信帶內(nèi)[-2，2]，殘差點(diǎn)分布隨機(jī)性較好，以0為基準(zhǔn)線上下對(duì)稱分布。

圖3 樹(shù)高 — 冠幅模型殘差分析圖

圖4 樹(shù)高 — 影像冠幅模型殘差分析圖

利用1/3的樣本對(duì)模型進(jìn)行檢驗(yàn)，得到表2。從表2可知，HT-CW模型的R2高于HT-PCW模型，說(shuō)明HT-CW模型更加可靠；HT-CW模型的SEE、CV和MPSE值均低于HT-PCW模型，說(shuō)明HT-CW

表2 模型檢驗(yàn)結(jié)果模型R2SEECV/%MPSE/%CW-PCW091104261044709HT-CW0432132518501362HT-PCW0411143318751443

模型更加穩(wěn)定。反應(yīng)出利用影像提取的冠幅直接建立的冠幅—樹(shù)高模型的精度低于實(shí)測(cè)冠幅與樹(shù)高建立的模型，因此利用影像冠幅直接建立樹(shù)高的遙感反演模型的效果并不理想。

3.2 非線性聯(lián)立方程組反演模型

從分析實(shí)測(cè)冠幅和分割平滑后的冠幅之間的關(guān)系入手，可建立影像上的冠幅與實(shí)測(cè)樹(shù)高的反演模型。首先對(duì)多尺度均值漂移提取的52個(gè)平滑后的杉木冠幅與實(shí)測(cè)冠幅進(jìn)行匹配，再建立曲線估計(jì)模型，從模型建立的情況來(lái)看，實(shí)測(cè)冠幅與遙感影像提取的冠幅存在良好的線性關(guān)系(圖5)，其決定系數(shù)R2=0.854 2。

由上可知，實(shí)測(cè)冠幅與影像冠幅存在線性關(guān)系，而實(shí)測(cè)冠幅與樹(shù)高之間是三次方程的關(guān)系，是一種非線性關(guān)系。假定遙感影像冠幅沒(méi)有度量誤差，則可以通過(guò)實(shí)測(cè)冠幅建立影像冠幅與樹(shù)高的非線性聯(lián)立方程組反演模型。非線性聯(lián)立方程組的嚴(yán)格數(shù)學(xué)模型和推

圖5 平滑后冠幅與實(shí)測(cè)值擬合效果

導(dǎo)方法見(jiàn)參考文獻(xiàn)[17]，研究所建模型的分線性聯(lián)立方程組運(yùn)算通過(guò)ForStat軟件得到。從52個(gè)樣本中，抽取35個(gè)樣本進(jìn)行非線性聯(lián)立方程組反演模型構(gòu)建，剩余17個(gè)樣本用于模型精度檢驗(yàn)，所得冠幅—影像冠幅、冠幅—樹(shù)高的非線性聯(lián)立方程組如表3：

表3 非線性聯(lián)立方程組方程組模型參數(shù)估計(jì)方法 R2CW=0127+1067?PCWHT=0359+2909?CW-0318?CW2+0011?CW3{Newton?Lagrange0434牛頓唐法0434CW=0127+1068?PCWHT=0845+2480?CW-0198?CW2{Newton?Lagrange0433牛頓-唐法0433

圖6 非線性聯(lián)立方程組模型殘差分布圖

從表4驗(yàn)證數(shù)據(jù)的結(jié)果來(lái)看，驗(yàn)證數(shù)據(jù)所得的冠幅影像冠幅模型的決定系數(shù)為0.914，樹(shù)高影像冠幅模型的決定系數(shù)為0.431，與之前的冠幅與影像冠幅、樹(shù)高直接建立的反演方程相比，并沒(méi)有得到明顯改善；其余3個(gè)評(píng)價(jià)指標(biāo)的統(tǒng)計(jì)結(jié)果與表2統(tǒng)計(jì)結(jié)果也不差上下。分析可知，假定影像冠幅提取的結(jié)果沒(méi)有度量誤差，建立影像冠幅與實(shí)測(cè)冠幅以及樹(shù)高的非線性聯(lián)立方程組反演模型，沒(méi)有達(dá)到預(yù)期的建模目標(biāo)，需要對(duì)非線性聯(lián)立方程組的建模因子做進(jìn)一步的分析，提高模型的精度，使得模型解釋更為合理。

表4 非線性聯(lián)立方程組模型檢驗(yàn)結(jié)果模型R2SEECV/%MPSE/%CW-PCW0914146520441326HT-PCW04310242600709

4 結(jié)論

本文以黃豐橋林場(chǎng)為研究區(qū)，利用無(wú)人機(jī)高分影像提取林木冠幅以及林木株數(shù)為基礎(chǔ)，結(jié)合地面實(shí)測(cè)數(shù)據(jù)，建立相關(guān)回歸模型,得到了以下結(jié)論:

1)影像分割平滑后的冠幅與實(shí)測(cè)冠幅存在良好的線性關(guān)系，決定系數(shù)R2=0.854 2；

2)建立的樹(shù)高―冠幅和冠幅影像―冠幅非線性聯(lián)立方程組，最佳擬合曲線模型分別為CW=0.127+1.068*PCW和HT=-1.910+4.861*CW-0.819*CW2+0.049*CW3；

3)影像冠幅―樹(shù)高模型的決定系數(shù)為0.411，非線性聯(lián)立方程組模型的兩種參數(shù)估計(jì)方法的決定系數(shù)都為0.431。模型的適用性檢驗(yàn)表明，CV和MPSE均在10 %以內(nèi)，是樹(shù)高反演的一種有效手段。

[1] 杜鳳蘭，田慶久，夏學(xué)齊.遙感圖像分類(lèi)方法評(píng)析與展望[J].遙感技術(shù)與應(yīng)用，2004，19(6)：521-525.

[2] 譚炳香，李增元，陳爾學(xué)，等.高光譜遙感森林信息提取研究進(jìn)展[J].林業(yè)科學(xué)研究，2008，21(增刊)：105-111.

[3] 李巍岳，胡志斌，閆巧玲.基于ETM+影像的森林資源信息提取[J].生態(tài)學(xué)雜志，2009，28(9)：1737-1742.

[4] 孫華，鞠洪波，張懷清，等.偏最小二乘回歸在Hyperion影像葉面積指數(shù)反演中的應(yīng)用[J].中國(guó)農(nóng)學(xué)通報(bào)，2012，28(7)：44-52.

[5] 莫登奎.中高分辨率遙感影像分割與信息提取研究[D].長(zhǎng)沙：中南林業(yè)科技大學(xué)碩士論文，2006：19-21.

[6] 龐勇，趙峰，李增元，等.機(jī)載激光雷達(dá)平均樹(shù)高提取研究[J].遙感學(xué)報(bào)，2008，12(1)：152-158.

[7] 李廷偉，梁甸農(nóng)，朱炬波.極化干涉SAR森林高度反演綜述[J].遙感信息，2009(3)：85-91.

[8] 張周威，汪承義，陳靜波，等.基于LiDAR數(shù)據(jù)的平均樹(shù)高反演關(guān)鍵技術(shù)研究[J].中國(guó)體視學(xué)與圖像分析，2009，14(2)：209-215.

[9] 劉曉雙，黃建文，鞠洪波.高空間分辨率遙感的單木樹(shù)冠自動(dòng)提取方法與應(yīng)用[J].浙江林學(xué)院學(xué)報(bào)，2010，27(1)：126-133.

[10] 林輝，孫華，熊育久，等.林業(yè)遙感[M].北京：中國(guó)林業(yè)出版社，2011：88-89.

[11] Gong Peng，Pu Ruiliang，Biging GS，et al. Estimation of Forest Leaf Area Index Using Vegetation Indices Derived From Hyperion hyperspectral Data [J]. Geoscience and Remote Sensing，2003，41(6)：1355-1362.

[12] 林輝，呂勇，寧曉波.基于高分辨率衛(wèi)星圖像的立木材積表的編制[J].林業(yè)科學(xué)，2004，40(4)：33-39.

[13] 周廣益，熊濤，張衛(wèi)杰，等.基于極化干涉SAR數(shù)據(jù)的樹(shù)高反演方法[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，49(4)：510-513.

[14] 于穎，范文義，李明澤.利用大光斑激光雷達(dá)數(shù)據(jù)估測(cè)樹(shù)高和生物量[J].林業(yè)科學(xué)，2010，46(9)：84-87.

[15]孫華，林輝，莫登奎，等.面向?qū)ο蟮臎Q策樹(shù)分類(lèi)技術(shù)研究[J]，中南林業(yè)科技大學(xué)學(xué)報(bào)，2007，27(4)：39-43.

[16] 余國(guó)斌，陳愛(ài)斌，孫華，等.基于MeanShift的高分辨率遙感影像分割方法[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2012，32(10)：168-172.

[17] 唐守正，郎奎建，李?？?統(tǒng)計(jì)和生物數(shù)學(xué)模型計(jì)算:ForStat教程[M].北京：科學(xué)出版社，2009，197-290.

StudyonCrownDiameterExtractionandTreeHeightInversionBasedonHigh-resolutionImagesofUAV

LIU Xiaonong1，Danzeng2,XING Yuanjun1

(1.Central South Forest Inventory and Planning Institute of State Forestry Adminstration，Changsha 410014，Hunan，China；2.Forest Inventory and Planning Institute of Tibet Autonomous Region, Lhasa 850000, Tibet, China)

On the basis of UAV survey data of high-resolution images and ground plot of Huangfengqiao Forest Farm of Youxian county in Hunan province, using Definiense Cognition 8.0 software, based on multi-scale segmentation of Chinese fir plantation forest canopy information, by setting different segmentation scales to determine the optimal parameters of crown segmentation. For the extraction of the crown boundary smoothing, and measured by image smoothing after the tree crown, respectively established crown height curve estimation model and nonlinear simultaneous equations model inversion. The tree crown image high nonlinear simultaneous equations model was the best fit model, the coefficient of determinationR2was 0.854 2, the best fitting curve model was respectivelyCW=0.127+1.068*PCWandH=-1.910+4.861*CW-0.819*CW2+0.049*CW3; the variation coefficient model (CV), the average percent of standard error (MPSE) wasless than 10%, will bean effective means of tree height inversion.

forestryremote sensing；UAV；crown；tree height.

2017 — 03 — 22

劉曉農(nóng)(1963 — )，男，長(zhǎng)沙人，高級(jí)工程師，主要從事林業(yè)遙感等方面的工作。

S 771.8

A

1003 — 6075(2017)01 — 0039 — 05

10.16166/j.cnki.cn43 — 1095.2017.01.010

聲明

本期刊已許可中國(guó)學(xué)術(shù)期刊(光盤(pán)版)電子雜志社在中國(guó)知網(wǎng)及其系列數(shù)據(jù)庫(kù)產(chǎn)品中以數(shù)字化方式復(fù)制、匯編、發(fā)行、信息網(wǎng)絡(luò)傳播本刊全文。該社著作權(quán)使用費(fèi)與本刊稿酬一并支付。作者向本刊提交文章發(fā)表的行為即視為同意我編輯部上述聲明。

《中南林業(yè)調(diào)查規(guī)劃》編輯部