王雪峰 陳珠琳 管青軍 劉嘉政 王 甜 袁 瑩

(1.中國(guó)林業(yè)科學(xué)研究院資源信息研究所 北京 100091；2.內(nèi)蒙古莫爾道嘎林業(yè)局 額爾古納 022357)

森林是陸地生態(tài)系統(tǒng)中最大的碳庫(kù)，森林植被碳儲(chǔ)量約占全球植被碳儲(chǔ)量的77%，森林土壤碳儲(chǔ)量約占全球土壤碳儲(chǔ)量的39%，森林每年固定的碳約占整個(gè)陸地生態(tài)系統(tǒng)的2/3，在全球碳循環(huán)和緩沖氣候變化過(guò)程中具有不可替代的作用(Brownetal.，1993；Johnstonetal.，2004)。據(jù)第八次全國(guó)森林資源清查結(jié)果，我國(guó)森林面積現(xiàn)已達(dá)2.08億hm2，森林覆蓋率為21.63%，其中，天然林面積1.22億hm2，占全國(guó)森林總面積的58.65%，可見(jiàn)，明確天然林生態(tài)系統(tǒng)碳儲(chǔ)量和碳庫(kù)分配特征對(duì)更好了解我國(guó)森林生態(tài)系統(tǒng)碳庫(kù)和未來(lái)森林生態(tài)系統(tǒng)碳匯均具有重要意義(魏亞偉等，2015)。

隨著溫室效應(yīng)加劇，人們逐漸意識(shí)到森林在全球碳循環(huán)中的重要作用，但森林究竟是充當(dāng)碳源還是碳匯角色仍存在很大爭(zhēng)議(Caoetal.，1998)。為了解全球碳計(jì)量，學(xué)者們對(duì)世界范圍內(nèi)不同區(qū)域、不同類(lèi)型的森林碳儲(chǔ)量進(jìn)行了估算(Bracketal.，2002；Masellietal.，2009；Rutishauseretal.，2013)，采用的方法有樣地實(shí)測(cè)法、生理生態(tài)法和遙感反演法等(Sileshi，2014)。森林碳儲(chǔ)量的主要載體為森林生物量，大部分研究直接或間接以生物量的現(xiàn)存量乘以植被的含碳率推算得到森林碳儲(chǔ)量。樣地實(shí)測(cè)法(也稱(chēng)收獲法)是普遍采用的估算方法，可分為皆伐法、平均生物量法和相對(duì)生長(zhǎng)法3類(lèi)(木村允，1976；佐藤大七郎，1973)，其中，皆伐法精度較高，但要耗費(fèi)大量人財(cái)物力且對(duì)環(huán)境破壞大；平均生物量法樣地選擇受人為控制，常出現(xiàn)實(shí)測(cè)結(jié)果偏高的現(xiàn)象；相對(duì)生長(zhǎng)法通過(guò)建立林分各部分或整體的生物量回歸方程估算碳儲(chǔ)量，靈活多變，但需要針對(duì)不同地區(qū)、不同樹(shù)種分別考慮模型形式、參數(shù)估計(jì)和相容性等問(wèn)題(Kondwanietal.，2018；Chojnackyetal.，2014)。生理生態(tài)法基于植物生理因子或生態(tài)環(huán)境因子建立數(shù)學(xué)模型，從而估算森林碳儲(chǔ)量，其優(yōu)點(diǎn)是不需要大量工作即可完成碳儲(chǔ)量估算，但由于到目前為止人類(lèi)還不完全了解植物生理生態(tài)機(jī)制，因此該方法基本停留在研究階段。遙感反演法(Djomoetal.，2017；Main-Knornetal.，2013；Hoomanetal.，2015)在大范圍森林碳儲(chǔ)量估算方面具有一定優(yōu)勢(shì)，但其總體估計(jì)精度偏低，且作為數(shù)據(jù)源的衛(wèi)星影像或航片信息也非用戶(hù)隨手可得，同時(shí)不同季節(jié)、大氣效應(yīng)和天氣情況等都會(huì)對(duì)估計(jì)結(jié)果產(chǎn)生影響；雖然機(jī)載激光雷達(dá)(Rossetal.，2004；Patenaudeetal.，2004)、機(jī)載高光譜技術(shù)以及融合后的多源數(shù)據(jù)能夠解決一些上述問(wèn)題，但高成本等嚴(yán)重限制了其使用和推廣力度。

森林碳儲(chǔ)量估計(jì)是一個(gè)非常棘手的問(wèn)題，人們一直在探索消耗少、精度高的碳儲(chǔ)量估計(jì)方法，但是研究進(jìn)展緩慢。隨著圖像或視頻設(shè)備的普及，無(wú)論是通過(guò)林業(yè)現(xiàn)場(chǎng)的圖像傳感器還是調(diào)查員攜帶的數(shù)字相機(jī)、智能手機(jī)，人們可以非常容易獲取反映林木疏密和高矮等信息的林內(nèi)圖像，那么，如果能基于這些圖像估測(cè)森林碳儲(chǔ)量，則必將極大改觀現(xiàn)有碳儲(chǔ)量的調(diào)查方法。鑒于此，本研究從普通圖像入手，探尋適合林內(nèi)圖像的目標(biāo)信息分類(lèi)提取算法及與碳儲(chǔ)量的關(guān)系，并嘗試提出一種基于林內(nèi)圖像的單位面積森林碳儲(chǔ)量估計(jì)方法。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古大興安嶺西北麓的寒溫帶針葉原始林內(nèi)，該區(qū)森林覆蓋率94.7%，地理坐標(biāo)為120°00′26″—121°19′31″E，51°03′16″—52°06′00″N，屬大陸性季風(fēng)氣候區(qū)的低山丘陵地帶，坡度一般小于15°，海拔450～1 405 m，年均氣溫-5～-7 ℃，冬寒夏溫，年降水量414～528 mm，喬木以興安落葉松(Larixgmelinii)為主，另外有白樺(Betulaplatyphylla)、山楊(Populusdavidiana)、樟子松(Pinussylvestrisvar.mongolica)等；林下植物主要有興安杜鵑(Rhododendrondauricum)、杜香(Ledumpalustre)、篤斯越桔(Vacciniumuliginosum)、五味子(Schisandrachinensis)等。

1.2 研究數(shù)據(jù)

沿著防火林帶隨機(jī)設(shè)置64塊圓形樣地，樣地中心選擇在垂直距離防火帶100 m處，樣地半徑為10.3 m，中心海拔482～1 018 m。記錄樣地海拔、經(jīng)緯度、灌草、土壤等基本信息，實(shí)測(cè)樣地內(nèi)全部樹(shù)木的胸徑、樹(shù)高。使用分辨率為3 456×5 184像素的佳能單反700D相機(jī)，攝取林分縱斷面和樹(shù)冠2類(lèi)圖像?？v斷面圖像采集從磁北方向開(kāi)始，每隔45°縱向采集1張，每點(diǎn)8張，拍攝時(shí)保持過(guò)光心和成像中心的連線與攝影方向地面平行，圖1所示為實(shí)際樣地圖像。由于縱斷面圖像包含林地等信息，為避免林木外因素對(duì)預(yù)測(cè)結(jié)果的影響，采用交互式方式剔除地平線以下部分，即僅使用地平線上部分作為待用圖像。最終計(jì)算的圖像密閉度最小值為13.3%、最大值為86.8%，蓄積量分布區(qū)間為16～367 m3·hm-2，碳儲(chǔ)量基于張俊(2008)模型根據(jù)蓄積量計(jì)算得到。

圖1 樣地圖像

2 研究方法

林木越密集，圖像前景點(diǎn)數(shù)越稠密，林木越高大，成像后其所占用的縱向像素?cái)?shù)越多，即林分縱斷面圖像隱式包含林分密度和高度2類(lèi)復(fù)合信息。這種感官上的“密集”“高大”與林分碳儲(chǔ)量存在正相關(guān)關(guān)系。假設(shè)某空間點(diǎn)周?chē)嬖谔摂M環(huán)幕，外圍林木投影到環(huán)幕上，則環(huán)幕上林木點(diǎn)與整個(gè)環(huán)幕的比值就代表該空間的密集大小程度，區(qū)間為[0，1]，本研究將其稱(chēng)為“林分密閉度”。如果在該點(diǎn)用攝影機(jī)環(huán)周攝影得到n幀圖像，則此n幀圖像的平均密閉度可反映林木對(duì)該點(diǎn)周?chē)臻g的平均“填充”程度，如此，即將感官上林木對(duì)空間的占有程度由定性描述轉(zhuǎn)為定量刻畫(huà)，其相對(duì)客觀地反映了林木密度和大小信息，這一參數(shù)必定與單位面積林木碳儲(chǔ)量存在關(guān)系。

2.1 林分密閉度計(jì)算

欲得到單位面積林木碳儲(chǔ)量，首先要獲取林分密閉度，即需要計(jì)算某點(diǎn)周?chē)苛帜緢D像的前景比例均值。

2.1.1 確定全局閾值 找到圖像中一個(gè)灰度值ts，通過(guò)如下方法將圖像變?yōu)橹挥星熬昂捅尘?個(gè)灰度級(jí)的新圖像Inew：

(1)

如果hg是灰度為g的像素?cái)?shù)(即灰度直方圖)、a是g≤ts的灰度平均值、b是g>ts的灰度平均值，則容易滿(mǎn)足此約束條件。其中，

Brink等(1996)采用對(duì)稱(chēng)交叉熵全局閾值，確定使下式dt達(dá)到最小的ts就能將圖像分割成只有前景和背景2個(gè)灰度級(jí)的新圖像：

(2)

對(duì)稱(chēng)交叉熵法給出了一個(gè)優(yōu)化閾值，該閾值相比大津算法和最大熵算法得到的閾值更接近于最優(yōu)閾值(Li，1993)。但由于整幅圖像的等權(quán)重考慮，對(duì)于光線不均的林內(nèi)圖像常使樹(shù)體內(nèi)部出現(xiàn)空洞、非樹(shù)體部分劃歸為樹(shù)體的情況，因此必須兼顧當(dāng)前像素的周邊環(huán)境信息，最終決定該像素的歸屬。

2.1.2 閾值調(diào)整與前景抽出 如果g為n×m圖像中第x(x=0，…，n×m)個(gè)像素的灰度，C++通過(guò)hg++遍歷全部像素，即可得到該圖像的灰度直方圖，此時(shí)，hg是灰度為g的像素?cái)?shù)。需要注意，在遍歷前要為從黑(0)到白(255)的每一個(gè)灰度級(jí)各分配8位內(nèi)存空間并清零。按照上述對(duì)稱(chēng)交叉熵法對(duì)圖像進(jìn)行全局性二值化分類(lèi)，由于各像素是獨(dú)立考慮的，所以常出現(xiàn)本來(lái)是樹(shù)體像素被判斷成背景、而非樹(shù)體像素被判斷成前景的情況。客觀需求是，樹(shù)體內(nèi)部像素點(diǎn)無(wú)論灰度值多少均應(yīng)歸為前景、而樹(shù)體外部像素點(diǎn)無(wú)論灰度大小均應(yīng)歸于背景，一種解決策略是考慮相鄰像素屬性并采取相應(yīng)措施。

在判斷焦點(diǎn)像素歸屬時(shí)，考慮其上下左右各r個(gè)像素，規(guī)定以當(dāng)前焦點(diǎn)像素為中心的方形內(nèi)，小于閾值的像素?cái)?shù)大于γ=r(3r+2)時(shí)判為前景，否則判為背景。如圖2a所示，當(dāng)r=2時(shí)，a、b、c、d、o、e、f、g、h將全部被判為前景；如果r=1，則a、c被判為前景，其他被判為背景。而對(duì)于圖2b，不論r=1還是r=2，u、w、v均被判為背景?？梢钥闯?，對(duì)于物體內(nèi)部，如果考慮鄰近周邊像素屬性，適當(dāng)?shù)陌霃胶团袛鄿?zhǔn)則對(duì)樹(shù)體有填充效果；而物體外部正好相反，具有抑制作用，這恰好與實(shí)際問(wèn)題相符合。

圖2 考慮鄰域像素的判斷方法在樹(shù)體內(nèi)外產(chǎn)生的不同效果

在對(duì)稱(chēng)交叉熵法處理基礎(chǔ)上，結(jié)合鄰域像素屬性進(jìn)行分類(lèi)通常能取得較為滿(mǎn)意的結(jié)果。圖3a為一幅圖像的縱剖面圖；圖3b為基于對(duì)稱(chēng)交叉熵法的計(jì)算結(jié)果，此時(shí)得到的前景面積占47.09%；圖3c在獲取閾值時(shí)采用同樣方法，但在分類(lèi)時(shí)不單純針對(duì)單個(gè)像素，還考慮焦點(diǎn)像素與鄰域像素的關(guān)系。鄰域半徑取1，當(dāng)鄰域內(nèi)的前景像素?cái)?shù)大于5歸為同類(lèi)，此時(shí)前景面積占全部面積的48.74%，增加1.65%，觀察發(fā)現(xiàn)，樹(shù)體內(nèi)部應(yīng)填充的部分被填充了，而樹(shù)體外部無(wú)關(guān)像素被忽略。

圖3 對(duì)稱(chēng)交叉熵法處理及在此基礎(chǔ)上考慮鄰域像素屬性的算法比較

為了更加清晰起見(jiàn)，圖4給出了興安落葉松樹(shù)體部分的一個(gè)實(shí)際圖像計(jì)算結(jié)果。由于樹(shù)冠、樹(shù)葉等相互遮擋，樹(shù)體內(nèi)部光線不均，加之噪聲存在，致使樹(shù)體內(nèi)部不同區(qū)域出現(xiàn)過(guò)暗或過(guò)亮斑點(diǎn)(圖4a)；采用對(duì)稱(chēng)交叉熵法處理，這些斑點(diǎn)可能區(qū)分成背景(圖4b)；加入鄰域其他像素信息后，誤判有所改善(圖4c)。這種利用與鄰域像素關(guān)系以決定當(dāng)前像素歸屬的方法具有腐蝕和膨脹雙重特性，即當(dāng)焦點(diǎn)像素處于樹(shù)體內(nèi)部時(shí)容易將該點(diǎn)歸為樹(shù)體，當(dāng)焦點(diǎn)像素處于樹(shù)體外部時(shí)容易將該點(diǎn)歸為背景，樹(shù)體內(nèi)部被膨脹、樹(shù)體外部被腐蝕，符合客觀實(shí)際。

圖4 對(duì)稱(chēng)交叉熵法及與進(jìn)一步考慮鄰域像素的結(jié)果比較

需要注意的是，兼顧?quán)徲蛳袼貙傩缘姆椒▽?duì)鄰域半徑大小和區(qū)域內(nèi)多少像素為前景時(shí)將焦點(diǎn)像素判為前景的入選準(zhǔn)則很敏感，如果這2個(gè)參數(shù)選擇不當(dāng)，將出現(xiàn)較大誤判。試驗(yàn)表明，鄰域半徑以不大于2為宜，入選準(zhǔn)則選擇γ∈[3r2+2r,4r2+2r]之間的一個(gè)數(shù)較為合適。本研究中所用圖像取r=1、γ=6，即在以焦點(diǎn)像素為中心的3×3的鄰域內(nèi)，如果有大于6個(gè)相似像素出現(xiàn)，則將焦點(diǎn)像素歸為該類(lèi)。

圖像被執(zhí)行前景和背景二值化歸類(lèi)后，統(tǒng)計(jì)樹(shù)體像素比例，即得到該幅圖像所代表的林分密閉度，進(jìn)一步計(jì)算旋轉(zhuǎn)一周各圖像林分密閉度均值，即得到攝影點(diǎn)的林分密閉度。很明顯，該均值算法與圖像重疊沒(méi)有關(guān)系，且采集攝影點(diǎn)周?chē)鷪D像越全面，越能代表該攝影點(diǎn)的林分密閉度。

2.2 碳儲(chǔ)量估計(jì)

由林分密閉度求算單位面積碳儲(chǔ)量，最直接有效的方法就是使用模型。林業(yè)統(tǒng)計(jì)模型眾多，從中篩選出效果較好且使用較多的8個(gè)模型列于表1。模型中，x為林分密閉度，y為林分單位面積碳儲(chǔ)量。式(3)～(6)為2個(gè)參數(shù)，式(4)～(6)可首先由線性形式給出初始參數(shù)，式(7)～(10)為3個(gè)參數(shù)。需要說(shuō)明的是，盡管增加參數(shù)可能帶來(lái)更高的模擬精度，但未必是最佳模型；不過(guò)，由于生物統(tǒng)計(jì)模型中的廣泛使用，本研究仍選擇使用頻率較高的4個(gè)3參數(shù)模型，以便于比較。

表1 碳儲(chǔ)量預(yù)測(cè)模型選取

首先,根據(jù)建模數(shù)據(jù)計(jì)算決定系數(shù)、平均殘差和均方根誤差；然后，利用其他獨(dú)立數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，計(jì)算的參數(shù)包括平均誤差、平均絕對(duì)誤差、平均百分比誤差和平均絕對(duì)百分比誤差等，計(jì)算公式參見(jiàn)文獻(xiàn)(李鳳日，2004)；最后，綜合考慮這些數(shù)據(jù)，評(píng)價(jià)模型擬合效果。

3 結(jié)果與分析

從64塊樣地中隨機(jī)抽取50塊樣地?cái)?shù)據(jù)用于建模，剩余14塊樣地?cái)?shù)據(jù)作為獨(dú)立數(shù)據(jù)用于模型檢驗(yàn)。模型擬合使用IBM SPSS Statistics 21軟件，見(jiàn)表2、3。

表2 模型擬合參數(shù)

從表3可以看出，2參數(shù)模型中線性模型(3)的決定系數(shù)最大，3參數(shù)模型中(8)～(10)結(jié)果接近，以邏輯斯蒂模型(9)擬合效果最好。從平均誤差結(jié)果看，線性模型的絕對(duì)值最小，表明林分密閉度與林分單位面積碳儲(chǔ)量之間可能存在線性關(guān)系，但綜合考慮其他指標(biāo)，邏輯斯蒂模型擬合效果相對(duì)較優(yōu)。為了更清晰了解擬合效果，從2參數(shù)和3參數(shù)模型中分別選出擬合精度較高的前2個(gè)模型，繪制實(shí)測(cè)值和預(yù)測(cè)值對(duì)應(yīng)的散點(diǎn)圖(圖5)，粗略地看，幾個(gè)模型的預(yù)測(cè)結(jié)果接近，但仔細(xì)觀察發(fā)現(xiàn)，邏輯斯蒂模型擬合效果在較大值和較小值的兩端表現(xiàn)更加優(yōu)良。

表3 模型擬合精度

雖然圖5的總體趨勢(shì)較為理想，但各點(diǎn)間較分散，說(shuō)明還存在沒(méi)有考慮到的其他因素影響擬合效果。由于大多情況下海拔越高樹(shù)高越低，從而影響碳儲(chǔ)量，為此引入一個(gè)虛擬變量k代表海拔因素。

圖5 預(yù)測(cè)值與實(shí)測(cè)值的對(duì)應(yīng)效果

考慮到大興安嶺北部地區(qū)海拔差異不是特別大，同時(shí)不至于使模型難于應(yīng)用，以本次樣地中心海拔平均值750 m為界，如果海拔高小于該數(shù)值定義k=0，否則k=1。由于不分類(lèi)時(shí)線性模型平均誤差最小，而邏輯斯蒂模型在均方根誤差和決定系數(shù)等指標(biāo)上表現(xiàn)最優(yōu)，因此本研究?jī)H測(cè)試這2個(gè)模型。

嘗試將虛擬變量加到模型不同參數(shù)位置上，最終顯示，表4中模型設(shè)置方法得到的模擬精度最高。觀察表4結(jié)果，考慮海拔因素后，2個(gè)模型的模擬精度均得到很大改觀，如邏輯斯蒂模型，決定系數(shù)從0.859升至0.949，平均絕對(duì)誤差從9.738降至4.229。

表4 加入海拔后線性和邏輯斯蒂模型的形式、參數(shù)和精度

圖6 加入虛擬變量前后直線與邏輯斯蒂模型的殘差比較

4 討論

4.1 碳儲(chǔ)量模型形式

從本次數(shù)據(jù)模擬結(jié)果看，基于縱向圖像預(yù)估單位面積碳儲(chǔ)量，邏輯斯蒂曲線精度最高，表現(xiàn)出較好的適應(yīng)性；但是僅有2個(gè)參數(shù)的線性方程表現(xiàn)出與3參數(shù)型曲線很接近的結(jié)果，由此推測(cè)，圖像密閉度與單位面積碳儲(chǔ)量之間可能存在線性關(guān)系。如果二者確實(shí)是線性關(guān)系，那么不僅給模型參數(shù)估計(jì)帶來(lái)方便，同時(shí)也更容易理解，因?yàn)楣潭臻g內(nèi)隨著樹(shù)木不斷生長(zhǎng)即碳儲(chǔ)量不斷增加，林分密閉度也不斷加大，二者之間呈線性關(guān)系最容易理解；當(dāng)達(dá)到土地的最大承載力時(shí)，單位面積碳儲(chǔ)量達(dá)到極限值，此時(shí)林分密閉度為1。以本研究模型比如海拔高度大于750 m的樣地(k=1)為例，當(dāng)密閉度達(dá)到1時(shí)，林地上單位面積碳儲(chǔ)量達(dá)到133.436 2 t，與邏輯斯蒂曲線的最大值131.952 2 t接近。所以有必要繼續(xù)測(cè)試圖像密閉度與單位面積碳儲(chǔ)量間的關(guān)系，如果確是線性，沒(méi)必要引用更復(fù)雜的多參數(shù)方程。

4.2 郁閉度與碳儲(chǔ)量的關(guān)系

由密閉度一個(gè)參數(shù)計(jì)算單位面積碳儲(chǔ)量，應(yīng)用時(shí)僅攝取縱向圖像即可，不需要額外參數(shù)就可以估測(cè)林分碳儲(chǔ)量，從而給應(yīng)用帶來(lái)方便，這也是本研究的出發(fā)點(diǎn)。郁閉度是森林調(diào)查時(shí)一個(gè)常用的調(diào)查因子，在遙感應(yīng)用中，基于郁閉度估測(cè)林分蓄積量或林內(nèi)因子也是常用做法。研究表明，碳儲(chǔ)量隨郁閉度增加呈上升趨勢(shì)(劉茂秀等，2011)，因此，如果將郁閉度作為碳儲(chǔ)量估計(jì)的一個(gè)自變量或分類(lèi)變量能夠進(jìn)一步提高碳儲(chǔ)量估計(jì)精度，則可以考慮繼續(xù)建立基于密閉度和郁閉度的“雙度”碳儲(chǔ)量預(yù)測(cè)模型，類(lèi)似于一元和二元材積表，這將給用戶(hù)提供更加豐富的選擇權(quán)力。由于在采集林木縱向圖像時(shí)，將鏡頭轉(zhuǎn)向冠層就可以獲得冠層圖像，由冠層圖像計(jì)算郁閉度簡(jiǎn)單且精度高，而這不需要增加太多的內(nèi)外業(yè)工作量，因此，繼續(xù)研究模型中是否包含郁閉度情況下，對(duì)林分碳儲(chǔ)量估計(jì)帶來(lái)多大影響有重要應(yīng)用價(jià)值。

5 結(jié)論

森林碳儲(chǔ)量估計(jì)工作量巨大。本研究基于實(shí)際感知經(jīng)驗(yàn)，提出了一種基于林內(nèi)圖像的單位面積碳儲(chǔ)量估計(jì)方法，并以興安落葉松為例，給出了具體估計(jì)方法、步驟和精度分析。

1)基于林內(nèi)圖像能夠?qū)崿F(xiàn)對(duì)單位面積森林碳儲(chǔ)量的較高精度估計(jì)。表面上看，本研究屬于圖像理解探索內(nèi)容，但實(shí)際上是基于林內(nèi)圖像求算林分密度和高度進(jìn)而估計(jì)碳儲(chǔ)量的一種方法。很明顯，單位面積森林碳儲(chǔ)量與其林木密度和高度直接相關(guān)，而林分縱向圖像正好隱式包含這2類(lèi)信息，同時(shí)圖像方法本身又能相對(duì)準(zhǔn)確地獲取這些信息，因此，估計(jì)碳儲(chǔ)量也僅僅是一個(gè)度量轉(zhuǎn)換問(wèn)題。

2)采用對(duì)稱(chēng)交叉熵法獲得初始值，進(jìn)一步考慮鄰域像素屬性以決定當(dāng)前像素所屬，能夠減弱林內(nèi)光線不均對(duì)圖像灰度造成的影響，提高林分分類(lèi)的準(zhǔn)確性。盡管對(duì)稱(chēng)交叉熵法是一種較好的圖像二值化算法，但是由于算法的整體統(tǒng)一處理，致使計(jì)算局部光照不均具有普遍性的林內(nèi)圖像時(shí)出現(xiàn)較大偏差。本研究提出利用與鄰近像素關(guān)系以決定當(dāng)前像素歸屬的方法，既保留了全局算法的優(yōu)點(diǎn)，又增加了對(duì)具體像素的處理信息，從而大大增強(qiáng)了適應(yīng)性，提高了分類(lèi)精度。

3)將圖像作為輸入變量，計(jì)算出林分密閉度后根據(jù)邏輯斯蒂模型就可以估計(jì)林地上單位面積碳儲(chǔ)量，為碳儲(chǔ)量估計(jì)提供了一種解決之路。隨著林業(yè)物聯(lián)網(wǎng)技術(shù)的不斷應(yīng)用，林內(nèi)圖像等各類(lèi)傳感數(shù)據(jù)不斷傳回，如何抽取此大量數(shù)據(jù)中所隱含的實(shí)用價(jià)值，特別是如何理解其中的海量圖像，已成為林業(yè)大數(shù)據(jù)應(yīng)用的難點(diǎn)之一，本研究方法可以從實(shí)時(shí)圖像中獲取監(jiān)測(cè)地碳儲(chǔ)量信息，對(duì)于林業(yè)大數(shù)據(jù)應(yīng)用是一個(gè)借鑒。

一直以來(lái)，林業(yè)上使用材積表估計(jì)林地蓄積量，對(duì)應(yīng)起見(jiàn)，本研究基于林內(nèi)圖像求算碳儲(chǔ)量(或蓄積量)的方法稱(chēng)為圖像表法。能夠看到，通過(guò)建立的圖像表也可以實(shí)現(xiàn)對(duì)單位面積森林碳儲(chǔ)量(或蓄積量)的估計(jì)，因?yàn)樵摲椒ㄍㄟ^(guò)手機(jī)或照相機(jī)掃描一周圖像即可得到該點(diǎn)為中心的單位面積碳儲(chǔ)量(或蓄積量)，效率要遠(yuǎn)高于目前的測(cè)徑方法。因此，通過(guò)建立某一樹(shù)種廣泛樣地的圖像表，以此為基礎(chǔ)估計(jì)該類(lèi)型單位面積林地碳儲(chǔ)量(或蓄積量)可能成為未來(lái)一種全新的快速測(cè)算方法。