金忠明,曹姍姍,王 蕾,孫 偉,

(1.新疆農(nóng)業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院,烏魯木齊 830052；2.中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所,北京 100081；3.新疆林業(yè)科學(xué)院現(xiàn)代林業(yè)研究所,烏魯木齊 830052)

樹冠是樹木與大氣進(jìn)行物質(zhì)和能量交換的主要場(chǎng)所,是最直接反映樹木信息的部位,也是在遙感影像中最易被獲取信息的部分[1]。通過(guò)樹冠信息,可以間接估測(cè)胸徑[2]、樹高[3]、林分郁閉度[4]、生物量[5]等信息,也可以監(jiān)測(cè)由病蟲害、干旱、林火等引起的林冠變化。因此,及時(shí)準(zhǔn)確獲取樹冠參數(shù)信息對(duì)森林資源經(jīng)營(yíng)管理、健康監(jiān)測(cè)和生態(tài)系統(tǒng)評(píng)估等具有重要意義。

傳統(tǒng)的森林樹冠測(cè)量工作量大、周期長(zhǎng)、效率低、易受人為主觀因素影響,雖然衛(wèi)星遙感是一種有效的樹冠監(jiān)測(cè)方式,但易受云層干擾,而且受限于空間分辨率、幾何形變、時(shí)效性差等因素影響,無(wú)法滿足林場(chǎng)等中小尺度下樹冠信息被精準(zhǔn)快速提取的需求。無(wú)人機(jī)遙感具有高空間分辨率、不受云層影響、快速靈活、可搭載多種傳感器等優(yōu)點(diǎn),為快速獲取高精度樹冠信息提供了有效途徑。

近10年來(lái),在應(yīng)用無(wú)人機(jī)影像提取森林關(guān)鍵參數(shù)方面,國(guó)內(nèi)外學(xué)者開展了大量研究。對(duì)于無(wú)人機(jī)傳感器數(shù)據(jù)類型而言,主要包括可見光、多光譜、高光譜、激光雷達(dá)等,其中激光雷達(dá)等主動(dòng)遙感數(shù)據(jù)對(duì)森林三維參數(shù)的提取更為精準(zhǔn)[6],但數(shù)據(jù)獲取成本較高,而通過(guò)光譜信息可以有效獲取植物的顏色信息和紋理特征[7],尤其是無(wú)人機(jī)可見光影像的成本相對(duì)較低,具有良好的推廣應(yīng)用價(jià)值[8-9]。對(duì)于無(wú)人機(jī)影像樹冠信息提取方法而言,主要包括面向?qū)ο骩7-8,10]、隨機(jī)森林[11]、標(biāo)記控制分水嶺[12]、模板匹配[13]等方法,其中面向?qū)ο蠓ǔ浞掷昧擞跋竦募y理和形狀等空間特征,較大程度上克服了傳統(tǒng)方法基于像元而導(dǎo)致的光譜易混淆和混合像元等問(wèn)題,隨機(jī)森林法是基于決策樹的新型機(jī)器學(xué)習(xí)算法,運(yùn)算速度快、算法穩(wěn)定,有利于提高樹冠信息提取精度,從而被廣泛應(yīng)用。但是現(xiàn)有研究都是針對(duì)特定樹種和立地條件的,而每個(gè)樹種都有其獨(dú)特的顏色和紋理信息,對(duì)于不同影像和樹種沒有通用的高精度提取方法。

天山云杉(Piceaschrenkianavar.tianschanica)在我國(guó)僅見于新疆地區(qū),占新疆天然林有林地總面積的44.9%[14],是新疆山地森林中分布最廣、蓄積量最大、生態(tài)功能最為重要的森林植被。天山云杉主要分布在1 770～2 800m的中海拔區(qū)域,地形復(fù)雜、交通不便,相比于傳統(tǒng)樹冠信息獲取方法,遙感為快速準(zhǔn)確獲取天山云杉林樹冠信息提供了有效途徑,但現(xiàn)有研究多側(cè)重于應(yīng)用衛(wèi)星遙感影像獲取天山云杉林樹冠信息,在流域或區(qū)域等較大尺度上估測(cè)郁閉度[6]、森林生物量[15]、碳儲(chǔ)量和空間分布[16]等,對(duì)于適用于中小尺度的無(wú)人機(jī)影像提取天山云杉林關(guān)鍵參數(shù)的研究較少。因此,本研究采用無(wú)人機(jī)高分辨率可見光影像,對(duì)比分析3種主流的樹冠信息提取方法(以光譜為特征空間的面向?qū)ο蠓?、以光譜+紋理為特征空間的面向?qū)ο蠓?、隨機(jī)森林法),為天山云杉林樹冠信息提取最優(yōu)方法適應(yīng)性選擇提供參考依據(jù),以期促進(jìn)天山云杉林其他關(guān)鍵參數(shù)、單木生物量、森林生物量和碳儲(chǔ)量動(dòng)態(tài)監(jiān)測(cè)的遙感應(yīng)用水平。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

研究區(qū)位于新疆農(nóng)業(yè)大學(xué)南山實(shí)習(xí)林場(chǎng),屬于天山北麓中段的烏魯木齊南山區(qū)域,地理坐標(biāo)為43°16′～44°07′N,86°46′～87°56′E,平均海拔為2 200m,年降水量為500～600mm,春夏兩季降水量占全年的70%左右,年均氣溫達(dá)3°C,日照充足,無(wú)霜期約140d。地勢(shì)南高北低,北坡、東北坡和西北坡是天山云杉主要分布區(qū),林型以天山云杉純林為主,在研究區(qū)西北部通過(guò)輕小型無(wú)人機(jī)采集實(shí)驗(yàn)數(shù)據(jù),其地理位置如圖1所示。

1.2 無(wú)人機(jī)影像數(shù)據(jù)預(yù)處理

影像數(shù)據(jù)獲取于2017年11月21日,研究區(qū)地表仍有積雪覆蓋,天氣晴朗無(wú)云,氣溫為-5～1℃,能見度高,風(fēng)速較小,適合無(wú)人機(jī)航拍作業(yè)。使用搭載CCD相機(jī)的固定翼無(wú)人機(jī)獲取研究區(qū)天山云杉林的航空正射影像,規(guī)劃航線航向重疊率為80%,旁向重疊率為60%,所獲影像包括紅光(Red)、綠光(Green)和藍(lán)光(Blue)3個(gè)分量,數(shù)據(jù)格式為8bit無(wú)符號(hào)整形TIFF格式,空間分辨率為0.117 7m,數(shù)據(jù)坐標(biāo)系統(tǒng)為WGS84,采用UTM投影。

本研究選擇成像效果好、清晰、色彩飽滿的遙感影像,利用Agisoft Photo Scan無(wú)人機(jī)數(shù)據(jù)處理軟件進(jìn)行影像拼接,使整幅拼接影像的色彩均衡、過(guò)渡自然、邊界平滑,進(jìn)而對(duì)整幅影像做正射處理,影像預(yù)處理結(jié)果如圖2所示。由于山地地形復(fù)雜,無(wú)人機(jī)影像中一些樹冠處于陽(yáng)光直接照射的光照區(qū)域(簡(jiǎn)稱“光照區(qū)域”),樹冠顏色豐富,另一些樹冠分布在被山體遮擋而未被陽(yáng)光直射的區(qū)域(簡(jiǎn)稱“陰影區(qū)域”),樹冠顏色較為單一。

圖1 南山實(shí)習(xí)林場(chǎng)及數(shù)據(jù)采集區(qū)域地理位置Fig.1 Geographic positionof Nanshan Internship Forest Farm and data acquisitionregional (地圖來(lái)源:國(guó)家林業(yè)和草原科學(xué)數(shù)據(jù)中心、地理空間數(shù)據(jù)云平臺(tái))

圖2 無(wú)人機(jī)遙感影像預(yù)處理效果Fig.2 Pre-processing effect of UAV remote sensing image

1.3 遙感樣地選擇

研究區(qū)天山云杉主要分布在天山北坡中山陰坡地帶,地形條件復(fù)雜。森林資源二類調(diào)查數(shù)據(jù)表明,超過(guò)95%的天山云杉分布于北坡、西北坡、東北坡和西坡,其中幼齡林占10.63%、中齡林占38.30%、近熟林占15.96%、成熟林占24.47%、過(guò)熟林占10.64%。為驗(yàn)證樹冠提取精度,綜合考慮海拔、林齡、光照條件等因素,選取16個(gè)小班,其中幼齡林1個(gè)、中齡林5個(gè)、近熟林4個(gè)、成熟林5個(gè)、過(guò)熟林1個(gè)。在小班內(nèi)劃定遙感樣地16個(gè),每個(gè)樣地100m×100m(圖3),其中海拔1 500～1 999m的5個(gè)、2 000～2 499m的10個(gè)、2500～3000m的1個(gè)；陰影區(qū)域8個(gè)、光照區(qū)域8個(gè)。同時(shí),以目視解譯出的樣地內(nèi)天山云杉林樹冠值作為參考數(shù)據(jù)。

圖3 樣地分布Fig.3 The distribution of plots

1.4 面向?qū)ο筇崛》?/h3>

1.4.1多尺度分割

遙感影像分割是面向?qū)ο蠓ㄌ崛√焐皆粕紭涔谛畔⒌年P(guān)鍵步驟,分割結(jié)果直接關(guān)系到特征信息提取的精度,而多尺度分割過(guò)程由分割尺度、形狀因子、緊致度因子和輸入圖層所占權(quán)重等4個(gè)參數(shù)控制。尺度(scale)參數(shù)是基于異質(zhì)性最小的一種區(qū)域合并算法中的閾值,直接決定了天山云杉高分辨率影像中對(duì)象的大小和分割質(zhì)量；形狀因子主要調(diào)節(jié)色彩和形狀分割準(zhǔn)則的權(quán)重關(guān)系,形狀因子越大,色彩因子越??；緊致度因子主要調(diào)節(jié)平滑度和緊致度分割準(zhǔn)則的權(quán)重關(guān)系,緊致度因子越大,對(duì)象邊緣的平滑度越小。

試驗(yàn)采用eCognition軟件中的多尺度分割算法(Multiresolution Segmentation)對(duì)影像進(jìn)行分割。通過(guò)固定形狀因子、緊致度因子和輸入圖層所占權(quán)重,確定影像最佳分割尺度,利用Dragut設(shè)計(jì)的自動(dòng)計(jì)算最佳分割尺度參數(shù)工具ESP(Estimation of Scale Parameter)[17]確定影像分割尺度,ESP通過(guò)計(jì)算不同分割尺度參數(shù)下影像對(duì)象同質(zhì)性局部變化(local variance,LV)的變化率值ROC-LV(rates of change of LV)來(lái)指示影像分割的最佳尺度參數(shù)[18],根據(jù)公式(1)計(jì)算ROC-LV。當(dāng)ROC-LV出現(xiàn)波峰狀態(tài)的值,即局部最大值時(shí),該點(diǎn)對(duì)應(yīng)的分割尺度值即為最佳分割尺度。

(1)

式中:LV(L)為目標(biāo)層次,即L層對(duì)象層的平均標(biāo)準(zhǔn)差；LV(L-1)則為目標(biāo)層L層的下一層L-1層中對(duì)象層的平均標(biāo)準(zhǔn)差。

本研究為排除其他因子的影響,將形狀因子與緊致度因子分別設(shè)定為默認(rèn)值0.1和0.5,輸入圖層所占權(quán)重為1,利用ESP工具計(jì)算最優(yōu)分割尺度,結(jié)果如圖4所示。

圖4中橫坐標(biāo)表示分割尺度參數(shù),縱坐標(biāo)分別表示LV(紅色線)和ROC(藍(lán)色線)。參考ROC局部最大值,獲得最優(yōu)分割尺度值為23,29,39,51,63,75,99。光照區(qū)域不同分割尺度分割效果如圖5(a)—(d)所示,陰影區(qū)域不同分割尺度分割效果如圖5(e)—(h)所示。從圖5(a),(e)中可以看出,當(dāng)分割尺度為23時(shí),影像中無(wú)論陰影區(qū)域樹冠還是光照區(qū)域樹冠都被分割得過(guò)于破碎。如圖5(b),(f),當(dāng)分割尺度為29時(shí),對(duì)象分割略破碎,但樹冠和雪地區(qū)分良好。如圖5(c),(g)和圖5(d),(h),當(dāng)分割尺度為39,51時(shí),部分樹冠與較暗的雪地合并,分割結(jié)果不理想。分割尺度由51至99的過(guò)程中,對(duì)象逐漸被大規(guī)模合并,不適于分類。因此,本研究將分割尺度確定為29。

圖4 最優(yōu)分割尺度計(jì)算結(jié)果Fig.4 The optimal results of segmentation scale

圖5 不同分割尺度效果對(duì)比Fig.5 Comparison of different segmentation scales

確定分割尺度后,調(diào)整形狀因子和緊致度因子進(jìn)行分割實(shí)驗(yàn)對(duì)比,最終確定試驗(yàn)中分割尺度為29,形狀因子為0.2,緊致度因子為0.5,各圖層輸入權(quán)重為1。

1.4.2對(duì)象特征提取

分割后的對(duì)象特征是提取天山云杉樹冠信息的主要依據(jù),張凝等[7]研究得出,結(jié)合光譜+紋理的特征提取方法會(huì)提高面向?qū)ο蠓椒ㄌ崛涔谛畔⒌木?；但是毛學(xué)剛等[10]研究得出,在中小尺度分類時(shí),紋理特征的引入會(huì)降低樹冠、林隙、非林隙分類精度。因此,本研究采用以光譜為特征空間的面向?qū)ο蠓椒ê鸵怨庾V+紋理為特征空間的面向?qū)ο蠓?對(duì)象特征空間由光譜特征和光譜+紋理特征分別計(jì)算得到。

對(duì)于光譜特征,試驗(yàn)中的初始光譜特征選擇遙感影像紅、綠、藍(lán)3個(gè)分量均值(Mean)、標(biāo)準(zhǔn)差(Standard deviation,StdDev)、亮度(Brightness)、波段比(Ratio)和過(guò)綠減過(guò)紅指數(shù)(Excess green minus excess red index,ExG-ExR)[19]。其中：Ratio是對(duì)象在某個(gè)分量上的均值與3個(gè)分量均值的比率；ExG-ExR作為一種改進(jìn)的顏色指數(shù)模擬歸一化植被指數(shù),根據(jù)公式(2)計(jì)算。

(2)

對(duì)于紋理特征,描述方法有很多種,灰度共生矩陣(Gray Level Co-occurrence Matrix,GLCM)和灰度級(jí)差矢量(Gray Level Difference Vector,GLDV)是兩種應(yīng)用效果較好的紋理統(tǒng)計(jì)分析方法。初始紋理特征選擇紅、綠、藍(lán)3個(gè)分量灰度共生矩陣的平均值(GLCM Mean)、標(biāo)準(zhǔn)差(GLCM StdDev)、同質(zhì)性(GLCM Homogeneity)、對(duì)比度(GLCM Contrast)、非相似性(GLCM Dissimilarity)、熵(GLCM Entropy)、角二階矩(GLCM Angular Second Moment,Ang.2nd moment)、相關(guān)性(GLCM Correlation)以及灰度級(jí)差矢量的平均值(GLDV Mean)、對(duì)比度(GLDV Contrast)、角二階矩(GLDV Angular Second Moment,Ang.2nd moment)、熵(GLDV Entropy)。

1.4.3面向?qū)ο蠓诸?/p>

為避免產(chǎn)生冗余、增大計(jì)算量、降低分類精度等問(wèn)題,進(jìn)行訓(xùn)練樣本的特征空間優(yōu)化,結(jié)果如表1所示。

選擇同樣的訓(xùn)練樣本,分別采用光譜特征和光譜+紋理特征兩種方法提取的特征空間為依據(jù),使用eCognition Developer軟件的最近鄰分類器進(jìn)行樹冠和非樹冠分類,輸出分類結(jié)果。

1.5 隨機(jī)森林提取法

隨機(jī)森林(Random Forest,RF)由Breiman[20]于2001年提出,是一種通過(guò)集成學(xué)習(xí)的思想將多棵樹集成的算法,不需要先驗(yàn)知識(shí)。為保證隨機(jī)森林的生成,在隨機(jī)森林學(xué)習(xí)過(guò)程中需要設(shè)置決策樹的株數(shù)N和完成分類所需的變量參數(shù)M兩個(gè)關(guān)鍵參數(shù)[21]。一般而言,隨機(jī)森林分類器計(jì)算效率高且不會(huì)過(guò)度擬合,可以適當(dāng)增大N的取值[22]?，F(xiàn)有研究中,多將N值設(shè)置為500,因?yàn)樵谶_(dá)到該數(shù)量的分類樹之前,分類精度已趨于穩(wěn)定[23-24]；M的取值目前通常為輸入變量數(shù)量的算術(shù)平方根[25]。本研究的隨機(jī)森林提取法在ENVI5.3中的EnMAP-Box下實(shí)現(xiàn)[26],為保證分類精度,將參數(shù)N設(shè)置為500,參數(shù)M設(shè)置為總特征參數(shù)個(gè)數(shù)的算術(shù)平方根。

表1 特征空間優(yōu)化結(jié)果Tab.1 The optimized results of characteristics space

2 結(jié)果與分析

2.1 3種方法提取的樹冠信息

采用上述3種方法分別提取研究區(qū)內(nèi)天山云杉林樹冠信息,效果如圖6所示。圖6(a)—(c)分別是光照區(qū)域以光譜、光譜+紋理為特征空間的面向?qū)ο蠓椒ê碗S機(jī)森林方法提取效果,圖6(d)—(f)分別是3種方法在陰影區(qū)域提取的效果。

為進(jìn)一步比較,從16塊樣地中選取50株較為孤立的單木,其中陰影區(qū)域單木25株,光照區(qū)域單木25株,部分單木如圖7(a)所示,目視解譯出50株單木樹冠面積作為參考值。以光譜為特征空間的面向?qū)ο蠓椒ㄌ崛文緲涔诿娣e效果如圖7(b)所示,以結(jié)合光譜+紋理為特征空間的面向?qū)ο蠓椒ㄌ崛文緲涔诿娣e效果如圖7(c)所示,隨機(jī)森林方法提取單木樹冠面積效果如圖7(d)所示。

從圖6和圖7中可以看出,由于受樹冠積雪和樹冠陰影的影響,隨機(jī)森林方法提取的天山云杉樹冠中存在較多空洞,造成提取的樹冠面積和輪廓不完整；面向?qū)ο蠓椒ê芎玫乇苊饬藰涔诜e雪對(duì)提取樹冠面積的影響,但是仍會(huì)將較暗的陰影區(qū)域與樹冠合并,影響提取精度。

圖6 3種方法提取樹冠局部效果Fig.6 Partial extracted results of tree crown in three methods

圖7 3種方法提取部分單木樹冠結(jié)果Fig.7 Partial extracted results of individual tree crown in three methods

2.2 林分郁閉度提取精度分析

對(duì)于天山云杉林分郁閉度而言,以研究區(qū)16塊遙感樣地中天山云杉樹冠面積目視解譯結(jié)果為參考值,計(jì)算樣地郁閉度。基于公式(3),(4),對(duì)比3種方法提取林分郁閉度的精度,結(jié)果如表2所示。

表2 3種方法提取樣地郁閉度信息的誤差對(duì)比Tab.2 The comparison of error of obtained plots canopy density in three methods

(3)

式中:δ為郁閉度提取的相對(duì)誤差,L測(cè)為3種方法分別提取的郁閉度的值,L真為目視解譯計(jì)算的郁閉度值。

(4)

式中:R為樣地郁閉度提取精度,δi為第i個(gè)樣地郁閉度的相對(duì)誤差,n為樣地?cái)?shù)量。

由表2可知,當(dāng)分割尺度為29時(shí),3種方法的平均提取精度分別為93.73%,93.07%,93.44%,均高于93%,能夠滿足天山云杉林分郁閉度高精度快速提取要求。其中,對(duì)于面向?qū)ο蠓ǘ?以光譜為特征空間比以光譜+紋理為特征空間的提取精度高0.66%,故而加入紋理特征對(duì)提取精度可能會(huì)有負(fù)面影響。

陰影區(qū)域和光照區(qū)域?qū)τ糸]度提取精度的影響也不相同,本研究中的陰影區(qū)域樣地編號(hào)為:1,2,8,11,13,14,15,16,3種方法的平均提取精度分別為96.03%,96.58%和95.6%；光照區(qū)域樣地編號(hào)為:3,4,5,6,7,9,10,12,3種方法的平均提取精度分別為91.44%,89.56%和91.27%。因此,3種方法在陰影區(qū)域的提取精度均高于在光照區(qū)域。在面向?qū)ο蠓ㄌ崛√焐皆粕紭涔跁r(shí),加入紋理特征會(huì)降低光照區(qū)域的提取精度,但會(huì)略微提升陰影區(qū)域的提取精度,效果不明顯。

2.3 單木樹冠面積提取精度分析

對(duì)于天山云杉單木樹冠面積而言,在3種方法提取的樹冠結(jié)果中選擇50株單木,使用Arcgis軟件計(jì)算每株單木的樹冠面積,以單木樹冠面積目視解譯結(jié)果為參考值,對(duì)比分析3種方法的自動(dòng)提取結(jié)果,具體情況如圖8所示。

圖8 3種方法提取單木樹冠面積值與參考值散點(diǎn)圖Fig.8 The scatter diagram of reference value and extracted individual tree crown area by three methods

如圖8所示,自動(dòng)提取的單木樹冠面積與目視解譯的單木樹冠面積呈較強(qiáng)的線性關(guān)系,R2分別為0.916 2,0.931 0,0.955 0。進(jìn)而將3種方法在光照區(qū)域和陰影區(qū)域自動(dòng)提取的25株單木樹冠面積分別與目視解譯結(jié)果對(duì)比(圖9,圖10)。

如圖9所示,在光照區(qū)域,3種方法和目視解譯單木樹冠面積的R2分別為0.928 9,0.915 1,0.929 5；在陰影區(qū)域如圖10所示,R2分別為0.946 8,0.958 9,0.981 6?？梢?對(duì)于每一種方法而言,陰影區(qū)域的提取精度均明顯高于光照區(qū)域；而且無(wú)論是在陰影區(qū)域還是在光照區(qū)域,面向?qū)ο蠓ㄌ崛〉膯文緲涔诿娣e均大于隨機(jī)森林法。這是由于樹冠上的積雪與樹冠本身的光譜差異大,會(huì)減少自動(dòng)提取的單木樹冠面積,樹冠陰影與一些樹冠在紋理、光譜特征上差異不明顯,會(huì)被誤分為樹冠,從而增加提取的單木樹冠面積。隨機(jī)森林法提取單木樹冠時(shí),樹冠積雪和樹冠陰影對(duì)所提取單木樹冠面積的干擾一減一增從而相互抵消；面向?qū)ο蠓ê芎玫乇苊饬藰涔诜e雪的干擾,但仍受樹冠陰影的影響,所以表現(xiàn)為面向?qū)ο蠓椒ㄌ崛〉膯文緲涔诿娣e較大,精度反而有所降低。雖然隨機(jī)森林方法提取的單木樹冠面積結(jié)果與目視解譯結(jié)果最接近,但是面向?qū)ο蠓ㄌ崛〉膯文緲涔诳色@得完整的閉合曲線輪廓,與實(shí)際樹冠更相符。因此,對(duì)于單木樹冠面積提取而言,以光譜+紋理為特征空間的面向?qū)ο蠓ǜ鼉?yōu)。

圖9 光照區(qū)域3種方法提取單木樹冠面積值與參考值散點(diǎn)圖Fig.9 The scatter diagram of reference value and extracted individual tree crown area by three methods inlight region

圖10 陰影區(qū)域3種方法提取單木樹冠面積值與參考值散點(diǎn)圖Fig.10 The scatter diagram of reference value and extracted individual tree crown area by three methods inshadow region

3 討論

1)基于無(wú)人機(jī)在積雪覆蓋背景下獲取的高分辨率天山云杉影像,3種方法提取林分郁閉度的精度均高于93%,這一結(jié)果高于姚國(guó)慧[27]基于雷達(dá)數(shù)據(jù)提取中低郁閉度天山云杉林郁閉度信息的精度79.55%,也高于李擎等[4]基于GF-2號(hào)遙感影像天山云杉林郁閉度信息的提取精度,說(shuō)明無(wú)人機(jī)可見光影像提取天山云杉林樹冠信息的可靠性和可行性。同時(shí),由于受限于研究區(qū)遙感樣地?cái)?shù)據(jù)限制,本研究的16個(gè)樣地郁閉度主要分布在0.6以下,總體表現(xiàn)為中低郁閉度林分,而當(dāng)林分郁閉度高于0.6時(shí),3種方法的提取誤差明顯增加,可見郁閉度的高低會(huì)對(duì)天山云杉樹冠信息提取精度產(chǎn)生一定影響。

2)無(wú)論是天山云杉林分郁閉度還是單木樹冠面積信息提取,3種方法在陰影區(qū)域的提取精度均大于光照區(qū)域。由于山地地形復(fù)雜,無(wú)人機(jī)傳感器獲取數(shù)據(jù)時(shí),受太陽(yáng)高度角和山體遮擋影響,影像中天然存在光照區(qū)域和陰影區(qū)域,雖然已經(jīng)經(jīng)過(guò)正射處理,但是在強(qiáng)光照區(qū)域,部分樹冠的陰影會(huì)遮擋其他樹冠,導(dǎo)致樹冠信息提取精度降低。在陰影區(qū)域,樹冠顏色較為一致,與積雪背景區(qū)分度良好,樹冠信息提取精度反而相對(duì)較高。何游云等[5]研究建議,為避免樹冠陰影的產(chǎn)生,應(yīng)該選在多云或者陽(yáng)光較弱時(shí)進(jìn)行無(wú)人機(jī)遙感數(shù)據(jù)采集；李赟[9]研究表明,在天氣晴朗、云量較少時(shí)進(jìn)行無(wú)人機(jī)航拍,提取楊樹冠幅效果良好。本試驗(yàn)在光照充足的天氣獲取無(wú)人機(jī)遙感影像,其中光照區(qū)域相當(dāng)于晴天,山體陰影區(qū)域則相當(dāng)于陰天。結(jié)果表明,在陰影區(qū)域的天山云杉樹冠信息提取精度更高。但是,這并不意味著在陰天或者多云天氣獲取山地森林無(wú)人機(jī)遙感影像一定可以提升樹冠信息的提取精度。因?yàn)樵陉幪鞐l件下,光照本身就弱,在山體遮擋區(qū)域的樹冠信息會(huì)更弱,并不利于樹冠信息的提取,光照強(qiáng)度以多少為宜尚待進(jìn)一步研究。

3)面向?qū)ο蠓ㄌ崛×址钟糸]度信息時(shí),加入紋理特征會(huì)略微降低提取精度,這與毛學(xué)剛等[10]的研究結(jié)論一致。同時(shí),加入紋理特征在陰影區(qū)域表現(xiàn)為提升精度,在光照區(qū)域反之,這是因?yàn)樵谧顑?yōu)分割尺度下,陰影區(qū)域每個(gè)樹冠分割較為完整,保留了完整的紋理特征,而光照區(qū)域的天山云杉樹冠顏色信息多樣,被分割為多個(gè)對(duì)象,樹冠的完整性被破壞,每個(gè)對(duì)象包含很少的紋理特征,加入不明顯的紋理特征后,不僅使分類精度有所下降,反而大幅增加了運(yùn)算時(shí)間。但值得注意的是,在單木樹冠面積提取時(shí),加入紋理特征卻會(huì)提高提取精度。雖然單木樣本較少,且為人工選擇色彩鮮明容易辨認(rèn)的單株樹木,但仍舊說(shuō)明紋理特征在提取天山云杉樹冠其他信息中的作用不容忽視。

4 結(jié)論

基于輕小型無(wú)人機(jī)獲取并預(yù)處理積雪背景下天山云杉高分辨率可見光影像,以光譜為特征空間的面向?qū)ο蠓?、以光譜+紋理為特征空間的面向?qū)ο蠓ê碗S機(jī)森林法都能夠高精度、快速、自動(dòng)化地提取天山云杉林分郁閉度和單木樹冠面積,可以滿足以天山云杉為代表的中小尺度山地森林樹冠信息提取要求。對(duì)于林分郁閉度而言,以光譜為特征空間的面向?qū)ο蠓ㄝ^優(yōu),加入紋理特征反而會(huì)降低林分郁閉度提取精度；對(duì)于單木樹冠面積而言,雖然從統(tǒng)計(jì)指標(biāo)來(lái)看,隨機(jī)森林法最優(yōu),但綜合樹冠輪廓和紋理特征等因素分析,以光譜+紋理為特征空間的面向?qū)ο蠓ㄝ^好。