王雅佩，王振錫，李 擎，劉夢(mèng)婷，楊勇強(qiáng)

（新疆農(nóng)業(yè)大學(xué) a.林學(xué)與園藝學(xué)院；b.干旱區(qū)林業(yè)生態(tài)與產(chǎn)業(yè)技術(shù)自治區(qū)教育廳重點(diǎn)實(shí)驗(yàn)室， 新疆維吾爾自治區(qū) 烏魯木齊 830052）

天山云杉Picea schrenkianavar.tianshanica是新疆山地森林的主要優(yōu)勢(shì)針葉樹種，是北方森林重要的組成部分，天山云杉林在涵養(yǎng)水源、保持水土以及維持新疆綠洲生態(tài)平衡等方面發(fā)揮著不可替代的作用[1-2]。林分密度指的是林分株數(shù)密度，即每公頃的林木株數(shù)，是評(píng)定立地生產(chǎn)力和影響林木生長(zhǎng)發(fā)育的重要因子，是影響森林生態(tài)系統(tǒng)結(jié)構(gòu)和功能的主要因素[3-4]，對(duì)林業(yè)可持續(xù)發(fā)展以及森林生態(tài)系統(tǒng)的穩(wěn)定具有不可替代的現(xiàn)實(shí)意義。林分密度獲取的方式主要包括實(shí)測(cè)法和遙感手段估測(cè)[5]。傳統(tǒng)的樣方調(diào)查測(cè)量林分密度的方法時(shí)效性低、費(fèi)財(cái)耗力且不利于大面積區(qū)域的林分密度估測(cè)，滿足不了當(dāng)代林業(yè)發(fā)展的需要。與實(shí)地調(diào)查相比，遙感技術(shù)的推廣應(yīng)用為林分密度的便捷、快速估測(cè)提供了可能。樹冠作為遙感影像中最能直接反映樹木信息的部位[6]，人們常常通過(guò)獲取樹冠的信息來(lái)估測(cè)林木的樹高、胸徑、林分郁閉度和林分株數(shù)等各種參數(shù)，是森林資源調(diào)查、林木生長(zhǎng)監(jiān)測(cè)的必要手段，在森林經(jīng)營(yíng)管理中具有十分重要的作用[7-8]。因此，林地樹冠的提取對(duì)研究森林的生長(zhǎng)狀況及經(jīng)營(yíng)管理具有十分重要的意義。本研究通過(guò)提取天山云杉單株樹冠進(jìn)而對(duì)其林分密度進(jìn)行估測(cè)。

早期的LANDSAT 系列數(shù)據(jù)空間分辨率相對(duì)較低，單一像素大小通常比典型的樹冠尺寸大得多，因此無(wú)法通過(guò)影像數(shù)據(jù)準(zhǔn)確地提取樹冠信 息[9]。隨著遙感技術(shù)的快速發(fā)展，IKONOS、QuickBird 影像分辨率雖然可以達(dá)到1 m 甚至亞米級(jí)，但對(duì)于單株樹冠信息的提取仍然有些顧此失彼。以高穿透、全天候的主動(dòng)遙感方式的激光雷達(dá)數(shù)據(jù)能夠較好地反映森林結(jié)構(gòu)信息，特別是對(duì)單木的信息提取，但雷達(dá)傳感器要搭載在小型飛機(jī)上，價(jià)格昂貴，故推廣存在困難。無(wú)人機(jī)遙感作為信息采集的新平臺(tái)，在森林資源調(diào)查中的需求也不斷增大，它具有機(jī)身輕巧靈活、成本低，可在云下飛行、耗能少、時(shí)效性高等優(yōu)勢(shì)[10-11]。無(wú)人機(jī)價(jià)格相對(duì)便宜，且分辨率可以達(dá)到厘米級(jí)，為快速獲取林木樹冠信息提供了有效的途徑。高空間分辨率的遙感影像具有更加豐富的空間信息和清晰的幾何紋理特征。在圖像信息提取的過(guò)程中，傳統(tǒng)的基于像元的處理方法會(huì)過(guò)多關(guān)注地物的局部細(xì)節(jié)而忽略整體結(jié)構(gòu)信息，往往出現(xiàn)“同物異譜”和“同譜異物”的現(xiàn)象，致使分類精度不高[12-13]。為了克服這一缺陷，面向?qū)ο蠓诸惙椒☉?yīng)用越來(lái)越廣泛。面向?qū)ο蠓诸惙椒ㄍㄟ^(guò)圖像分割，將具有相近特征的相鄰像元組成一個(gè)對(duì)象，并以此為基礎(chǔ)，構(gòu)建目標(biāo)地物識(shí)別合適的特征空間，在分類時(shí)不僅利用地物的光譜信息，并充分考慮地物的紋理、結(jié)構(gòu)以及圖像中地物之間的相關(guān)性特征，結(jié)合專業(yè)知識(shí)，從而實(shí)現(xiàn)目標(biāo)地物的提取[14-15]。eCognition 作為全球第一個(gè)面向?qū)ο蟮姆诸愜浖呀?jīng)得到了廣泛應(yīng)用[16]。王茹雯等[17]基于QuickBird 遙感數(shù)據(jù)，利用面向?qū)ο蠓诸惣夹g(shù)對(duì)樹冠信息進(jìn)行提??；崔少偉等[18]基于QuickBird影像，利用面向?qū)ο蠓诸惣夹g(shù)對(duì)影像進(jìn)行分割，運(yùn)用目視手動(dòng)法和種子區(qū)域生長(zhǎng)法對(duì)研究區(qū)內(nèi)單株樹冠進(jìn)行了提取。這些研究提取樹冠的精度均取得了較好的效果。李濤等[19]基于無(wú)人機(jī)攝影數(shù)據(jù)實(shí)現(xiàn)孤立單木的三維點(diǎn)云模型重建，利用切割法和投影法提取冠幅的精度分別為89.65%和91.50%。李亞?wèn)|等[20]基于無(wú)人機(jī)影像，利用三維點(diǎn)云數(shù)據(jù)進(jìn)行濾波處理，之后對(duì)于濾波后的點(diǎn)云數(shù)據(jù)進(jìn)行聚類，最終冠幅的提取精度為85.15%，白樺單位株數(shù)提取精度達(dá)到了94.11%。

目前，大多數(shù)研究者通過(guò)算法的改進(jìn)提取單株樹冠。王書涵等[21]運(yùn)用光譜局部最大值濾波方法，基于QuickBird 影像對(duì)林分密度進(jìn)行估計(jì)，取得了較好的結(jié)果；何藝等[22]運(yùn)用局部最大值和多尺度算法，基于無(wú)人機(jī)遙感提取了亞熱帶森林林分的株數(shù)，總體精度達(dá)90%左右；Hernandez等[23]基于無(wú)人機(jī)影，運(yùn)用混合像素和基于區(qū)域的算法對(duì)影像進(jìn)行分割，從而自動(dòng)提取人工林的單木，估測(cè)單木的高度和冠幅，結(jié)果表明樹木的檢出率為100%，冠幅直徑R2達(dá)到0.95。但由于森林及林木空間結(jié)構(gòu)的復(fù)雜多變性，對(duì)于單株樹冠的準(zhǔn)確提取仍存在一些困難及難點(diǎn)問(wèn)題，特別是在郁閉度高的林分中，由于林木樹冠之間存在重疊和連接現(xiàn)象，以及被壓木和幼樹被冠層遮擋，使單株樹冠識(shí)別困難，精度降低。通常樹冠在遙感影像上所顯示的是中心點(diǎn)顏色淺，邊緣顏色深，通過(guò)不同算法改進(jìn)對(duì)單株樹冠取的提取取得了一定效果。但仍存在問(wèn)題諸如受拍攝時(shí)光照的影響，使重疊區(qū)域的樹冠中心及邊緣不明顯，導(dǎo)致圖像上無(wú)法分清單株樹冠?？梢娏址置芏刃畔⒌奶崛∫廊恍枰粩嗟亻_展研究。

鑒于此，本研究采用面向?qū)ο蠓诸惙椒?，以新疆農(nóng)業(yè)大學(xué)實(shí)習(xí)林場(chǎng)伐后更新的天然林為研究對(duì)象，喬木層僅有天山云杉，以無(wú)人機(jī)獲取的高分辨率遙感影像為數(shù)據(jù)源，分別提取低、中和高郁閉度天山云杉林分的林分密度，并以樣地實(shí)測(cè)結(jié)果作為精度檢驗(yàn)的依據(jù)，不僅豐富了現(xiàn)代森林資源調(diào)查技術(shù)方法，而且能夠?yàn)樘烊涣直Ｗo(hù)工程實(shí)施20年來(lái)新疆森林資源的更新恢復(fù)評(píng)價(jià)提供技術(shù)支撐。

1 研究區(qū)概況與數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

研究區(qū)位于天山山脈中段中山帶的新疆農(nóng)業(yè)大學(xué)實(shí)習(xí)林場(chǎng)內(nèi)，區(qū)域地處天山北麓烏魯木齊西南方向110 km 處，位于頭屯河上游，地理坐標(biāo)范圍為北緯43°16′～43°26′ N，東經(jīng)86°46′～86°57′ E。林場(chǎng)年降水分布不均勻，年平均降水量約600 mm，其海拔高度為1 700 ～3 200 m。經(jīng)營(yíng)面積為10 444 hm2，其中林業(yè)用地面積為5 116 hm2。地勢(shì)南高北低，地形切割較為劇烈，坡度多為10°～40°。土壤發(fā)育較好，林下土壤為普通灰褐色森林土。林區(qū)以天山云杉純林為主。

1.2 數(shù)據(jù)來(lái)源

1.2.1 影像數(shù)據(jù)來(lái)源

本研究采用的無(wú)人機(jī)搭載的相機(jī)型號(hào)是SONY DSC-RX1RM2（35 mm）相機(jī)，搭載鏡頭焦距為35 mm。為了避免夏季背景植被（草本、灌木等）的影響，無(wú)人機(jī)數(shù)據(jù)拍攝于2017年11月15日上午，天氣晴朗，能見度高，風(fēng)速較小。無(wú)人機(jī)起飛前，預(yù)先設(shè)定好飛行方向、航線和高度載入飛行控制系統(tǒng)，此次飛行路線的航向重疊為80%，旁向重疊為60%，飛行高度為923 m。獲取的無(wú)人機(jī)影像地面分辨率為0.118 m。

1.2.2 外業(yè)數(shù)據(jù)的獲取

在新疆農(nóng)業(yè)大學(xué)實(shí)習(xí)林場(chǎng)伐后更新的天然林內(nèi)，喬木層僅有天山云杉。按照郁閉度低（0.20 ～0.39）、中（0.40 ～0.69）和高（0.70 以上）3 個(gè)等級(jí)，分別選3 塊具有代表性的典型樣地。樣地規(guī)格為30 m×30 m，對(duì)樣地內(nèi)所有的天山云杉進(jìn)行每木檢尺，記錄每塊樣地四角及中心點(diǎn)的坐標(biāo)。低郁閉度樣地林分平均胸徑為5.33 cm，林分平均高3.66 m，林分年齡24 a；中郁閉度樣地平均胸徑為4.09 cm，林分平均高3.22 m，林分年齡26 a；高郁閉度樣地平均胸徑為9.56 cm，林分平均高9.73 m，林分年齡29 a。

1.3 無(wú)人機(jī)影像預(yù)處理

對(duì)無(wú)人機(jī)搭載相機(jī)的鏡頭進(jìn)行測(cè)量檢校。采用PIX4D 軟件對(duì)無(wú)人機(jī)影像數(shù)據(jù)進(jìn)行處理，主要過(guò)程：1）首先篩掉航拍中成像效果差、模糊等不合格的照片；2）建立測(cè)區(qū)，導(dǎo)入有效的照片、POS 數(shù)據(jù)和控制點(diǎn)文件，設(shè)置參數(shù)后提交，軟件會(huì)自動(dòng)提取照片及相機(jī)的相關(guān)信息；3）進(jìn)行空中三角測(cè)量計(jì)算，提取和匹配影像特征點(diǎn)，進(jìn)行點(diǎn)云加密工作，生成點(diǎn)云數(shù)據(jù)，最終生成正射影像（DOM），空間分辨率為0.118 m，色調(diào)自然，為后期樹冠提取提供了有力條件。輸出與實(shí)測(cè)樣地一一對(duì)應(yīng)的正射圖。

2 研究方法

2.1 多尺度分割

本研究使用eCognition Developer 9.0 軟件，采用面向?qū)ο蟮姆椒ㄌ崛⊙芯繀^(qū)內(nèi)的樹冠。影像分割是面向?qū)ο笮畔⑻崛〉年P(guān)鍵技術(shù)之一。借助2010年Drǎgu? 等[24]發(fā) 表 的ESP文獻(xiàn)為理論基礎(chǔ)制作的插件工具，對(duì)最優(yōu)分割尺度進(jìn)行計(jì)算，在軟件中加載該插件，算法為Estimation of Scale Parameter，參數(shù)設(shè)置步長(zhǎng)為1，起始尺度參數(shù)為10，循環(huán)次數(shù)為100，形狀和緊湊度參數(shù)均為0.5。

ESP 算法完成后，得到橫坐標(biāo)為尺度參數(shù)、縱坐標(biāo)分別為局部方差（Local variance，LV）和局部方差變化率（Rate of change，ROC）的折線圖。當(dāng)ROC 呈波峰狀態(tài)即出現(xiàn)局部最大值時(shí)，則表示此尺度為某種地物對(duì)象的最佳分割尺度。

2.2 分類

采用監(jiān)督分類中基于樣本的最鄰近分類方，通過(guò)定義特征空間，選擇訓(xùn)練樣本分類，此方法可簡(jiǎn)單快速地處理類間層次結(jié)構(gòu)[25]。具體過(guò)程如下：1）首先需要建立分類體系，由于所選的研究區(qū)無(wú)人工建筑干擾，因此只需構(gòu)建樹冠和地面兩個(gè)類別；2）選擇具有代表性的訓(xùn)練樣本；3）構(gòu)建特征空間，初選如表1 所示的15 個(gè)特征因子作為規(guī)則集；4）分類特征的優(yōu)化，可以避免由于采用過(guò)多參與分類的特征所帶來(lái)的計(jì)算量大、特征冗余和分類精度低等問(wèn)題，將類別之間可分性最大時(shí)的特征優(yōu)選結(jié)果應(yīng)用到分類體系中；5）執(zhí)行分類；6）分類結(jié)果優(yōu)化，將少量被錯(cuò)分的部分進(jìn)行修正，將過(guò)分割的樹冠進(jìn)行合并，多次檢查修正完成后，得到樹冠輪廓提取結(jié)果。

其中，光譜因子中VI′是模擬歸一化植被指數(shù)提取植被的一個(gè)參數(shù)，公式如下：

表1 初選特征因子Table 1 Primary characteristic factors

2.3 分類精度評(píng)價(jià)

為了確定提取的樹冠是否更接近真實(shí)情況，需要進(jìn)行精度評(píng)價(jià)。本研究選擇eCognition 軟件提供的基于樣本的誤差矩陣評(píng)價(jià)的方法，通過(guò)采集新的樣本對(duì)象，進(jìn)行分類精度驗(yàn)證。最終得到混淆矩陣、單類別分類精度以及總體分類精度3種評(píng)價(jià)結(jié)果。本研究對(duì)低、中和高郁閉度林地的分類結(jié)果進(jìn)行精度評(píng)價(jià)，選取生產(chǎn)者精度、用戶精度、Kappa 系數(shù)和總體精度4 個(gè)指標(biāo)。

2.4 樹冠參數(shù)的提取

將eCognition 軟件提取的樹冠結(jié)果文件以矢量文件輸出，作為樹冠的自動(dòng)提取結(jié)果。將實(shí)測(cè)值與自動(dòng)提取的結(jié)果作對(duì)比，分析兩者之間的差異，驗(yàn)證樹冠自動(dòng)提取精度。根據(jù)隨機(jī)數(shù)表法，在低、中和高郁閉度林分中隨機(jī)選擇自動(dòng)提取和實(shí)測(cè)相互對(duì)應(yīng)的10 個(gè)樹冠，分別計(jì)算自動(dòng)提取樹冠的南北和東西冠幅，檢驗(yàn)樹冠邊緣提取精度。提取參數(shù)公式如下：

式中：L為南北冠幅；W為東西冠幅；Xmax和Xmin分別表示樹冠區(qū)域X坐標(biāo)的最大值和最小值；Ymax和Ymin分別為樹冠區(qū)域Y坐標(biāo)的最大值和最小值；N表示林分密度（株/hm2）；Nc表示林木總株樹；A表示樣地總面積；表示冠幅的平均值；S表示自動(dòng)提取的樹冠面積。

其中，樣地內(nèi)林木株數(shù)的確定通過(guò)ArcGIS 軟件自動(dòng)統(tǒng)計(jì)。本研究樣地為方形樣地，因此樣地邊界木的取舍一般遵循的原則是將邊界上的立木一半計(jì)入樣地中，樹冠大部分在樣地內(nèi)的則計(jì)數(shù)，否則刪除該樹冠面，若難區(qū)分的則每2 棵計(jì)數(shù)為1 棵。對(duì)于林木重疊或者相互連接以致于無(wú)法區(qū)分單株樹冠的區(qū)域，采用樹冠平均冠幅法來(lái)估測(cè)林木株數(shù)。以樣地內(nèi)樹冠投影總面積除以對(duì)應(yīng)實(shí)測(cè)的喬木株數(shù)，獲取平均單木冠幅，即平均冠幅等于林木樹冠覆蓋面積除以樣地內(nèi)林木株數(shù)。通過(guò)統(tǒng)計(jì)計(jì)算后得到該區(qū)域的林木株數(shù)，根據(jù)樣地面積換算成每公頃株數(shù)，最終獲得該樣地的林分密度。

3 結(jié)果與分析

3.1 最優(yōu)分割尺度及參數(shù)的確定

據(jù)上述原理，借助ESP 工具得到最佳分割尺度，以中郁閉度林地為例，結(jié)果如圖1 所示，橫坐標(biāo)為尺度參數(shù)，縱坐標(biāo)為L(zhǎng)V 和ROC。波峰點(diǎn)對(duì)應(yīng)的尺度分別為13、16、28、40、52、60、67、74、78、87、94、100。由于本樣區(qū)內(nèi)只有樹冠和地面，無(wú)其他地類，因此只需將樹冠和地面分開即可，分割效果見圖2。由圖2 可以看出，當(dāng)分割尺度為13 時(shí)，影像被分割得十分破碎，單株樹冠也被分開；分割尺度為16 時(shí)，破碎對(duì)象幾乎不存在，樹冠的輪廓清晰可見；分割尺度為28 時(shí)，可發(fā)現(xiàn)有很多地塊將樹冠和裸地分割到了一起；當(dāng)分割尺度由40 到87 時(shí)，林分中的對(duì)象漸漸被大規(guī)模的合并，沒(méi)有達(dá)到本次分割的目的。因此，經(jīng)對(duì)比本次最佳的分割尺度為16。此時(shí)，觀察圖像分割結(jié)果依然存在有多個(gè)樹冠被分割到了一起，且樹冠輪廓邊緣粗糙的現(xiàn)象。在形狀和緊湊度因子均為0.5 的基準(zhǔn)下，逐步進(jìn)行參數(shù)調(diào)整，確定形狀因子為0.5，緊湊度因子為0.7 是目前最佳的分割參數(shù)，影像分割效果最好（圖3）。

圖1 ESP 最佳分割尺度折線Fig.1 The optimal segmentation scale line chart

圖2 不同分割尺度的對(duì)比Fig.2 The comparison chart of different segmentation scales

3.2 最優(yōu)特征空間的選擇及分類精度評(píng)價(jià)

如圖4 所示，以中郁閉度林分為例，分類特征優(yōu)化綜合考慮類別之間的距離和運(yùn)行的負(fù)荷，最終選取R 波段波段比、G 波段波段比、R 波段均值、灰度共生矩陣均質(zhì)性、VI'、G 波段均值、亮度、灰度共生矩陣均值、B 波段均值、灰度共生矩陣相關(guān)性、灰度共生矩陣相異性、灰度共生矩陣二階距、R 波段標(biāo)準(zhǔn)差、B 波段波段比、B 波段標(biāo)準(zhǔn)差、長(zhǎng)寬比這16 個(gè)特征作為最優(yōu)分類特征指標(biāo)執(zhí)行分類。分類后，進(jìn)行分類結(jié)果的校正，疊加分類后的圖層到原始影像上，將少量錯(cuò)分的對(duì)象劃分到正確的類別中，合并少量過(guò)度分割的樹冠，得到分類結(jié)果（圖5）。

圖4 分類特征維數(shù)與分割距離的關(guān)系Fig.4 The relation graph between feature dimensions and segmentation distance

圖5 不同郁閉度林分的分類結(jié)果Fig.5 Classification results of different forest stands

分類精度評(píng)價(jià)結(jié)果如表2 所示，不同等級(jí)郁閉度林分的分類精度均較好，總體精度均在0.900以上，Kappa 系數(shù)均在0.800 以上。

表2 分類精度Table 2 The accuracy of classification

3.3 樹冠參數(shù)的提取

3.3.1 冠幅的提取

低、中和高郁閉度樹冠提取效果如圖6 所示。由表3 結(jié)果顯示，采用面向?qū)ο蠓椒ㄌ崛〉牡?、中和高郁閉度林分冠幅大小總體上要比實(shí)測(cè)冠幅結(jié)果大，其中提取的南北冠幅精度要比東西冠幅精度低，推測(cè)造成這結(jié)果的原因可能是本研究區(qū)無(wú)人機(jī)影像是在2017年11月15日11 時(shí)左右拍攝，此時(shí)太陽(yáng)位于東南（偏南）方向，其林木的陰影朝向?yàn)槲髌狈较?，故提取的南北冠幅值要比?shí)測(cè)值偏大，精度要略低于東西冠幅的精度。低郁閉度林分的單株冠幅提取精度達(dá)到了0.93；中郁閉度林分的單株冠幅提取精度達(dá)到了0.86；高郁閉度林分的單株冠幅精度為0.80。

由圖7 顯示，自動(dòng)提取的冠幅與實(shí)測(cè)冠幅呈較強(qiáng)的線性關(guān)系。低郁閉度林分提取的平均冠幅R2達(dá)0.928 8，中郁閉度林分提取的平均冠幅R2達(dá)0.888 8，高郁閉度林分提取的平均冠幅R2為0.577 1。這表明低、中郁閉度林分單株樹冠的冠幅提取結(jié)果較好，而在高郁閉度林分中冠幅的提取精度略低。綜合來(lái)看，基于無(wú)人機(jī)影像采用面向?qū)ο蟮姆椒▽?duì)天山云杉樹冠邊緣提取是可行的，精度相對(duì)較高。

3.3.2 林分密度的估測(cè)

通過(guò)ArcGIS 軟件統(tǒng)計(jì)樣地內(nèi)林木株數(shù)，并按面積轉(zhuǎn)換為每公頃株數(shù)，得到林分密度，結(jié)果如表4 所示。結(jié)果發(fā)現(xiàn)，在低和中郁閉度林分中，林木密度相近，低郁閉度林分中精度達(dá)到了0.986 8，中郁閉度林分中精度達(dá)到了0.933 3；但對(duì)于高郁閉度林分精度較低，為0.765 7。分析其原因，在低郁閉度林分中樹冠間幾乎相互分離，使樹冠面分割較為準(zhǔn)確；在中郁閉度林分中，有部分樹冠相互連接或重疊，給分割造成一定困難，樹冠相互連接或重疊無(wú)法區(qū)分單個(gè)樹冠的區(qū)域，通過(guò)樹冠平均冠幅估測(cè)計(jì)算得到該研究區(qū)的天山云杉株數(shù)，結(jié)果較好；在高郁閉度林分中，林冠相互連接或重疊連接成林冠，幾乎沒(méi)有相互分離的樹冠，并且還存在幼樹被冠層遮擋現(xiàn)象，因此林分密度提取精度較低。

圖6 不同郁閉度林木樹冠的提取效果Fig.6 Extracted results of tree crown for forest stands in different canopy densities

表3 冠幅提取值與實(shí)測(cè)值的對(duì)比Table 3 The comparison between extraction value and measured value of crown width

圖7 天山云杉平均冠幅提取值與實(shí)測(cè)值關(guān)系散點(diǎn)圖Fig.7 The scatter diagram of average crown width extracted value and measured value of Picea schrenkianavar.tianshanica

表4 林分密度提取值與實(shí)測(cè)值的對(duì)比Table 4 The comparison between automatic extraction and measured value of number of stand density

4 結(jié)論與討論

從整體看來(lái)，面向?qū)ο蠓椒▽?duì)天山云杉林伐后更新造林地的樹冠邊緣信息提取，以及對(duì)林分密度估測(cè)是可行的，對(duì)于低、中郁閉度林分提取的精度較高。該方法與傳統(tǒng)的樣地調(diào)查方法相比，不僅大大提高了提取效率，而且較為精確，基本可以滿足對(duì)天山云杉林木生長(zhǎng)狀況的快速評(píng)價(jià)和動(dòng)態(tài)監(jiān)測(cè)需求，為伐后更新的天山云杉林木長(zhǎng)勢(shì)監(jiān)測(cè)提供了較為有效的途徑。

本研究中無(wú)人機(jī)影像在冬季成像，研究區(qū)全部被積雪覆蓋，由于天山云杉是常綠樹種，在樹冠提取時(shí)有效規(guī)避了地表背景植被的影響，使樹冠在影像上顯示更為明顯，有利于樹冠邊緣的精確提取。

在面向?qū)ο蠖喑叨确指罴夹g(shù)中，最優(yōu)尺度的確定十分重要，它直接決定影像對(duì)象的大小及信息提取的精度[25]。通常情況下最優(yōu)尺度的確定需要反復(fù)多次對(duì)影像尺度進(jìn)行手工調(diào)整，并通過(guò)目視判斷確定，但運(yùn)用EPS 算法插件減少了嘗試次數(shù)，能夠較快又準(zhǔn)確地確定最優(yōu)尺度。多尺度算法處理會(huì)存在樹冠的欠分割和過(guò)分割現(xiàn)象，影響林木株數(shù)的提取精度，應(yīng)嘗試與其它方法結(jié)合，提高估測(cè)效果。

目前，學(xué)者已經(jīng)開展了大量有關(guān)樹冠信息的提取方面的研究，但往往應(yīng)用于特定的樹種和立地條件，不適用于所有林分的單株樹冠提取[26]。國(guó)內(nèi)大多數(shù)的單木樹冠提取研究仍集中在較簡(jiǎn)單規(guī)則或者郁閉度不高的林分中，姜仁榮等[27]基于法國(guó)Pléiades 高分辨率衛(wèi)星獲取的全色波段數(shù)據(jù)，通過(guò)將水文分析和區(qū)域生長(zhǎng)融合方法對(duì)荔枝進(jìn)行單木探測(cè)和樹冠描繪，結(jié)果表明單木探測(cè)總體精度為87.75%，單木樹冠描繪總體精度為78.69%。吳見等[28]通過(guò)面向?qū)ο蠓椒?，基于QuickBird影像對(duì)退耕地樹冠信息進(jìn)行提取，總體精度為84.67%。而且，近期ENVI 也推出了精準(zhǔn)農(nóng)業(yè)工具包算法模塊，能夠獲取作物株數(shù)，包括每株作物的地理位置和大小，可以運(yùn)用到樹冠提取，但該工具對(duì)規(guī)則栽培的作物、果樹等具有較好的識(shí)別效果，比如果園、農(nóng)田等?？墒怯捎谏纸Y(jié)構(gòu)的復(fù)雜性和異質(zhì)性，林分中樹種、年齡、郁閉度、林下植被以及地形等因素的差異給樹冠信息提取帶來(lái)了諸多不便。本研究中就存在由于郁閉度的差異出現(xiàn)了樹冠與樹冠間交叉重疊的現(xiàn)象，特別是在高郁閉度林分中，樹冠的形狀和邊緣信息的精確獲取仍有很大的困難。

在林分密度的估測(cè)方面，王書涵等[21]基于QuickBird 影像，運(yùn)用光譜最大值法較好地提取了林分密度；韋雪花[29]基于LiDAR 點(diǎn)云數(shù)據(jù)以及高分辨率航空影像，利用面向?qū)ο蠓椒ㄌ崛涔?，統(tǒng)計(jì)后得到株數(shù)，實(shí)現(xiàn)了林分密度的估測(cè)，精度達(dá)到了84%。由此可見，利用高分辨率的遙感影像能夠?qū)崿F(xiàn)對(duì)林地林分密度的估測(cè)。在林木生長(zhǎng)的過(guò)程中，由于林木競(jìng)爭(zhēng)以及立地條件等方面的差異逐漸導(dǎo)致林木分化，出現(xiàn)了聚集分布現(xiàn)象。由于在低、中郁閉度林分樹冠聚集分布情況相對(duì)較少，林木密度提取精度相對(duì)較高，林分密度估測(cè)精度分別達(dá)到了0.986 8 和0.933 3；而高郁閉度林分集聚分布現(xiàn)象嚴(yán)重，幼樹會(huì)被冠層遮擋，因此林木密度提取精度相對(duì)較低。在無(wú)人機(jī)圖像中依然存在無(wú)法分清樹冠邊緣及中心點(diǎn)的問(wèn)題，導(dǎo)致單株樹冠提取效果較差。本研究嘗試采用平均冠幅法計(jì)算冠層遮擋以及重疊區(qū)域的林木株數(shù)，研究結(jié)果表明該方法能較好地提取林分密度，高郁閉度林分密度估測(cè)精度達(dá)到了0.765 7。這種方法對(duì)栽植時(shí)間大致相同、定植方式規(guī)則的林分密度估測(cè)具有很大的優(yōu)勢(shì)，但隨著林分異質(zhì)性的增強(qiáng)，其估測(cè)精度將有所降低。由此可見，對(duì)于相互遮擋的高聚集分布林分密度信息提取仍需拓展思路，進(jìn)一步開展研究。

綜上所述，采用樹冠平均冠幅法提取伐后更新的天山云杉林的林分密度是可行的，這彌補(bǔ)了由于林木連接重疊或者在高郁閉度林分中無(wú)法準(zhǔn)確分割單木樹冠的不足。