張玉薇,張 超,王 娟,李華玉,白明雄,楊安蓉

(西南林業(yè)大學(xué),昆明 650224)

樹冠作為遙感影像中最直觀、信息量最豐富的組成部分,歷來是森林遙感研究的主要對象[1],其生長的優(yōu)劣程度直接影響森林生態(tài)系統(tǒng)對地上部分資源的利用能力,與林木生長有著密切的關(guān)系[2]。云南松(Pinusyunnanensis)是西南地區(qū)荒山造林的先鋒樹種和主要樹種之一[3-4],經(jīng)濟(jì)價值高,適應(yīng)能力強(qiáng)。據(jù)云南省森林資源連續(xù)清查第5次復(fù)查結(jié)果[5],云南松林分占云南省林分總面積的19.63%,對云南的經(jīng)濟(jì)、社會和環(huán)境可持續(xù)發(fā)展具有非常重要的作用[6]。但西南地區(qū)海拔往往較高,交通不便,傳統(tǒng)森林資源調(diào)查工作成本高,數(shù)據(jù)獲取周期長并且受人為操作影響較大。近年來,高光譜遙感影像、雷達(dá)數(shù)據(jù)、高分辨率影像逐漸廣泛的運(yùn)用在林業(yè)遙感中。隨著無人機(jī)技術(shù)的快速發(fā)展,實現(xiàn)了高分辨率影像的獲取,彌補(bǔ)了衛(wèi)星遙感因云層覆蓋而無法獲取影像的缺點(diǎn),同時也解決了傳統(tǒng)衛(wèi)星遙感重返周期過長,應(yīng)急不及時的問題[7]。因此,結(jié)合高分辨率的遙感影像數(shù)據(jù),對樹冠進(jìn)行自動分割和提取的研究,受到了研究人員的關(guān)注。王枚梅等[8]基于面向?qū)ο蠓椒ㄗ詣犹崛×藖喐呱结樔~林的東西、南北冠幅,并與目視解譯提取結(jié)果相比,提取精度分別為0.765,0.856。董新宇等[9]通過引入DBI指數(shù)自動化確定K-means聚類的最優(yōu)聚類數(shù)目,對影像像素進(jìn)行標(biāo)記,利用高斯馬爾可夫隨機(jī)場模型對影像進(jìn)行分割得到單株立木樹冠信息,結(jié)果表明,單株立木識別總體精度分別為89.52%和95.65%、單木樹冠提取精度分別為81.90%和95.65%,均具有較好地適用性。

冠幅、樹冠面積和樹高是胸徑建模中最常用的變量[10-11],且胸徑越大,冠幅越大[12-13]。萬紅梅[14]對塔里木河下游的胡楊進(jìn)行研究,結(jié)果表明,以胡楊胸徑與樹高模型預(yù)測樹高的平均精度為90.08%,冠幅與胸徑模型預(yù)測胸徑的平均精度為81.37%,且冠幅與胸徑、胸徑與樹高模型相關(guān)顯著。何游云[15]基于無人機(jī)遙感影像提取的單木冠幅與實測胸徑值存在較好的非線性相關(guān)關(guān)系。目前,以樹高、冠幅預(yù)測胸徑的方法基本成立,但傳統(tǒng)人工測量提取單木參數(shù)的方法工作量較大,而且基于無人機(jī)遙感估測胸徑模型研究較少,也不夠深入全面。本研究以無人機(jī)獲取的云南松林地影像數(shù)據(jù)為研究對象,通過樹梢標(biāo)記分水嶺方法提取單木冠幅、樹冠面積信息,分別建立回歸模型,證明無人機(jī)遙感影像數(shù)據(jù)可估測胸徑,可以提高云南松森林資源調(diào)查效率和科技含量。

1 研究區(qū)概況

研究區(qū)位于云南省富民縣羅免鄉(xiāng),地理位置介于25°08′～25°36′N,102°21′～102°47′E之間,地勢南高北低。境內(nèi)盆地山嶺相間,大部分地區(qū)海拔在1 500～2 800m之間,海拔高差大,山多平壩少,氣候為典型的低緯度亞熱帶高原季風(fēng)氣候,年平均氣溫15.8℃,年平均降雨量846.5mm,森林類型為云南松天然純林。

2 研究方法

首先對無人機(jī)影像進(jìn)行預(yù)處理構(gòu)建冠層高度模型CHM,然后基于標(biāo)記分水嶺分割算法對影像圖進(jìn)行分割并提取冠幅和樹冠面積信息。選取樣地中80%有效樣本樹作為擬合樣本樹,擬合出樹冠面積和冠幅與地面測量胸徑的相關(guān)模型,其余20%樣本樹用來計算胸徑值,并與實際測量的胸徑值進(jìn)行比較,計算胸徑誤差以驗證該方法的準(zhǔn)確性。具體流程如圖1所示。

圖1 流程圖

樣地的郁閉度為0.20～0.60,為了考慮不同郁閉度對胸徑估算模型的影響,將所有樣地按郁閉度分為3個密度等級:Ⅰ級為0.20～0.34;Ⅱ級為0.35～0.49;Ⅲ級為0.50～0.60。

2.1 無人機(jī)影像采集

使用的無人機(jī)為大疆Phantom 4 Pro,該無人機(jī)具有輕便、靈活等優(yōu)勢。外業(yè)影像采集選擇在天氣晴朗、無風(fēng)的條件下進(jìn)行。利用DJI GO 4 軟件進(jìn)行航線自動規(guī)劃及數(shù)據(jù)自動采集工作。本實驗設(shè)定無人機(jī)飛行高度為50.0m,飛行速度為2.5m/s,相機(jī)朝向平行于主航線,主航線上圖像重復(fù)率為90%,主航線間圖像重復(fù)率為80%,云臺俯仰角度為-90°(垂直攝影)。共獲取了13個25m×25m的天然云南松純林標(biāo)準(zhǔn)樣地,其中:Ⅰ級密度4塊；Ⅱ級密度5塊；Ⅲ級密度4塊。

2.2 標(biāo)準(zhǔn)地調(diào)查

對標(biāo)準(zhǔn)樣地進(jìn)行每木檢尺,用胸徑尺分別測量每棵樹的上坡位胸徑,用皮尺測量每木最長和最短冠幅(水平直徑)。

2.3 數(shù)據(jù)預(yù)處理

利用Pix4Dmapper軟件,對13個標(biāo)準(zhǔn)地的無人機(jī)原始影像進(jìn)行全自動處理,生成拼接后的正射影像DOM、數(shù)字表面模型DSM及數(shù)字地形模型DTM；在此基礎(chǔ)上,計算并得到冠層高度模型CHM。

2.4 單木冠幅提取

分水嶺算法是Vincent等[16]提出的是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法,該算法模擬了地貌浸水過程。在每個局部極小值表面,刺穿1個小孔,然后把整個模型慢慢浸入水中,隨著浸入的加深,每個局部極小值的影響域向外擴(kuò)展,在2個集水盆匯合處構(gòu)筑大壩,即形成分水嶺。傳統(tǒng)的分水嶺算法通常會受到噪聲和其他因素的影響,導(dǎo)致過度分割現(xiàn)象。Meyer等[17]和Beucher等[18]對分水嶺算法進(jìn)行了改進(jìn),引入用戶定義的“標(biāo)記”到分水嶺算法中,以避免過度分割問題。本研究使用基于標(biāo)記樹梢控制分水嶺算法,對圖像進(jìn)行形態(tài)學(xué)調(diào)整,以此消除來自背景不規(guī)則的局部極小值點(diǎn)的干擾,最后對標(biāo)記后的圖像進(jìn)行分水嶺分割。具體步驟如下:

1) 去噪。采用 canny邊緣算子檢測圖像邊緣,創(chuàng)建結(jié)構(gòu)元素,填補(bǔ)空洞；利用bwareaopen函數(shù)去噪,消除噪聲影響。2) 閉運(yùn)算。進(jìn)行膨脹和腐蝕重建圖像,填充物體內(nèi)細(xì)小的空洞,平滑物體邊界；區(qū)域的極大、極小值能得到修正,削弱了分水線位置偏移和過分割的現(xiàn)象。3) 強(qiáng)制最小值。使用函數(shù) bwdist,將圖像轉(zhuǎn)換為二值圖像；根據(jù)分水嶺變換原理,求取相關(guān)區(qū)域局部極小值,確定對應(yīng)的分水線；并利用函數(shù)imextendedmin過濾微小的局部最小值,修改距離變換,獲取圖像的局部最小值。4) 標(biāo)記分水嶺分割。修改梯度幅值圖像,使圖像標(biāo)記局部極小值,最后對修改的梯度圖像進(jìn)行分水嶺分割。

2.5 單木冠幅和樹冠面積

冠幅(CW)取最大冠幅(CW1)與最小冠幅(CW2)的平均值,即:

(1)

把樹木冠幅看作一個橢圓,最大冠幅和最小冠幅看作橢圓的長軸和短軸,實測冠幅面積(CAf)即:

(2)

式中:CAf表示實地調(diào)查的樹冠面積；CWf1表示最大冠幅；CWf2表示最小冠幅。標(biāo)記控制分水嶺算法自動提取的冠幅(CWm)與樹冠面積(CAm)由matlab軟件直接算出。

2.6 單木樹冠評價

本研究的單木樹冠評價是通過準(zhǔn)確率(Pd)、召回率(Pr)和 F 測度體現(xiàn)的。準(zhǔn)確率是指正確分割的樹冠個數(shù)占所有分割出來樹冠個數(shù)的比例；召回率是指正確分割的樹冠占參考樹冠數(shù)的比例；F 測度是對準(zhǔn)確率和召回率的綜合描述,F測度越高表示結(jié)果越好,公式如下:

(3)

(4)

(5)

式中:Nc為分割正確的樹冠數(shù)目；Nd為分割出來的樹冠總數(shù)；Nr為參考樹冠總數(shù)。

3 結(jié)果與分析

3.1 分割結(jié)果

在matlab軟件中,采用基于樹梢標(biāo)記的分水嶺分割算法,取得了較好效果,結(jié)果如圖2所示。大多數(shù)的樹冠能被正確提取出來,但仍有合并、錯分、漏分的現(xiàn)象。

圖2 各密度等級分割結(jié)果

3.1.1單木樹冠

根據(jù)改進(jìn)樹梢標(biāo)記控制分水嶺分割算法與實地調(diào)查的參考數(shù)據(jù)比較,將單木樹冠分割情況分成匹配、接近匹配、漏分、錯分和合并5種。匹配即分割樹冠與參考樹冠的重疊面積占雙方的 50% 以上；接近匹配即重疊面積占其中一方的50%；漏分即參考樹冠的 50% 面積內(nèi)無分割樹冠；合并即分割樹冠中包括多個參考樹冠；當(dāng)分割樹冠不存在對應(yīng)的參考樹冠則為錯分。其中正確分割包括匹配以及接近匹配,漏分誤差包括漏分和合并,錯分屬于錯分誤差。單木樹冠提取結(jié)果如表1所示,參考樹冠總數(shù)203個,提取樹冠總數(shù)182個,正確分割樹為157個,漏分?jǐn)?shù)為21個,合并數(shù)為16個,錯分?jǐn)?shù)為9個。其中,參考樹冠為實地調(diào)查的樹冠,分割樹冠為標(biāo)記分水嶺分割算法分割的樹冠,正確分割結(jié)果包括匹配和接近匹配。

表1 單木分割結(jié)果

3.1.2單木冠幅

將在Matlab中采用標(biāo)記控制分水嶺分割算法正確分割的樹冠,進(jìn)行平均冠幅和冠幅面積信息的自動提取,并與實地調(diào)查數(shù)據(jù)相比較,結(jié)果如表2所示。在提取的182株樹中,冠幅和樹冠面積跨度很大,冠幅最大值為8.79m,最小值為2.06m,平均值為4.41m；樹冠面積最大值為56.76m2,最小值為2.60 m2,平均值為15.07 m2；在各密度等級中,冠幅和樹冠面積跨度最大的是Ⅲ級,最大、最小冠幅和樹冠面積都出現(xiàn)在該林分中。

表2 單木冠幅提取結(jié)果表

3.2 胸徑估算模型

首先對203個樣本的冠幅、冠幅面積和胸徑進(jìn)行皮爾森相關(guān)性分析。結(jié)果表明:樹冠面積與胸徑值的皮爾森相關(guān)性為0.651,冠幅與胸徑值的皮爾森相關(guān)性為0.654,且顯著性都為極顯著,說明胸徑與樹冠面積和冠幅有較強(qiáng)的相關(guān)性。

從各密度等級樣地中選取80%有效樣本樹作為擬合樣本樹,擬合出樹冠面積和冠幅與地面測量胸徑的相關(guān)函數(shù)曲線,其余20%樣本樹用來計算胸徑值。其中:Ⅰ級樣地有效樣本樹39株,Ⅱ級樣地有效樣本樹58株,Ⅲ級樣地有效樣本樹60株。各密度等級樣地冠幅和樹冠面積與胸徑的反演模型如圖3所示。

Ⅰ,Ⅱ,Ⅲ級樣地擬合出來的冠幅-胸徑、樹冠面積-胸徑及冠幅&樹冠面積-胸徑模型結(jié)果如表3所示。根據(jù)決定系數(shù)最大為最優(yōu)模型原則,各密度等級的冠幅&樹冠面積-胸徑模型決定系數(shù)最高,擬合效果優(yōu)于其他模型；在冠幅-胸徑、樹冠面積-胸徑模型中,Ⅱ級樣地的決定系數(shù)最高,擬合效果最好；在所有模型中,冠幅&樹冠面積-胸徑模型的擬合效果最好；隨著模型自變量的增加,模型的決定系數(shù)越高,擬合效果越好。

3.3 精度評價

3.3.1單木分割

單木樹冠分割精度結(jié)果如表4所示,總樣本樹的分割準(zhǔn)確率為86.34%,召回率為77.45%,F測度為81.65%,且隨著密度等級的升高,單木樹冠分割精度降低。經(jīng)分析可知,樹木冠幅和樹冠面積提取結(jié)果的精度較高,表明利用無人機(jī)高分辨率影像進(jìn)行冠幅和樹冠面積提取的方法可取得較好的效果。

表4 單木分割評價

3.3.2單木冠幅

在提取的182株樹中,單木冠幅評價如表5所示,提取冠幅與實測冠幅的誤差絕對值最大值為1.22m,最小值為0.01m,平均誤差為0.30m；提取冠幅與實測冠幅相對誤差絕對值最大值為27.45%,最小值為0.03%,平均值為6.04%；提取冠幅面積與實測冠幅面積的誤差絕對值最大值為6.86 m2,最小值為0 m2,平均值為1.62 m2；提取冠幅面積與實測冠幅面積的相對誤差絕對值最大值為35.95%,最小值為0.01%,平均值為11.23%；在各密度等級中,提取樹冠面積的相對誤差要比冠幅的相對誤差大。

表5 各密度等級單木冠幅提取誤差

3.3.3估算模型

將各密度等級中20%的有效樣本樹作為驗證樣本樹,分別代入各模型中,反演胸徑值,且與實際測量的胸徑值相比較,計算誤差,如表6所示。在所有模型中,平均相對誤差最大值為5.8%,最小值為2.83%,其中,冠幅&樹冠面積-胸徑二元模型相對誤差最小,且都不超過5%,符合A類森林資源調(diào)查胸徑誤差值低于5%的要求；二元模型的相對誤差低于一元模型的相對誤差,說明隨著模型自變量的增加,模型的誤差變小。

表6 模型精度驗證

(續(xù)表)

4 討論與結(jié)論

4.1 討論

4.1.1樹冠分割

單株樹冠提取對評估樹木生長狀況以及林分密度等有重要的意義,在森林調(diào)查中必不可少,樹冠信息的精確獲取是優(yōu)化森林資源管理的關(guān)鍵[19]。利用標(biāo)記控制分水嶺分割提取單木樹冠的方法,對無人機(jī)影像圖進(jìn)行有效分割且準(zhǔn)確的提取了信息。

1) 單木樹冠分割結(jié)果與鄭鑫等[20]提出的基于形態(tài)學(xué)閾值標(biāo)記分水嶺算法相比,分割準(zhǔn)確率提高了21.72%,召回率提高了20.4%,F測度提高了21.03%；與曾霞輝等[21]提出的基于無人機(jī)影像最大類間方差法標(biāo)記分水嶺分割算法相比,分割準(zhǔn)確率提高了4.22%,說明利用數(shù)學(xué)形態(tài)學(xué)濾波的標(biāo)記控制分水嶺分割算法在一定程度上能提高樹冠分割準(zhǔn)確率。

2) 樹冠面積提取精度與馮靜靜等[22]利用數(shù)學(xué)形態(tài)學(xué)多尺度分割灰度梯度圖像的精度相比降低了1.87%。其主要因素是:實地量測時,視覺造成的誤差；計算冠幅面積時,利用橢圓面積代替樹冠造成的誤差[23]。提取冠幅和樹冠面積與實測數(shù)據(jù)相比,提取冠幅普遍小于實測數(shù)據(jù),其主要原因是:在進(jìn)行形態(tài)運(yùn)算時樹冠邊緣被弱化,導(dǎo)致標(biāo)記控制分水嶺算法未能精確的識別及分割樹冠；本研究區(qū)為天然云南松純林,存在樹冠重疊現(xiàn)象,導(dǎo)致提取冠幅偏小。

4.1.2胸徑估算

在所有模型中,隨著模型自變量的增加,模型的相關(guān)系數(shù)升高,誤差率降低；其中,冠幅&樹冠面積-胸徑模型的擬合效果最好,決定系數(shù)均在0.7以上。與劉文萍等[24]基于無人機(jī)的單因子模型相比(樹冠面積-胸徑),本研究在建立胸徑反演模型時,增加了冠幅因子和樣本數(shù)；與賈鵬剛[7]進(jìn)行多元胸徑反演模型研究相比,本研究考慮了不同密度等級對模型擬合精度的影響。

4.2 結(jié)論

1) 本研究以云南松為研究對象,基于無人機(jī)獲取影像數(shù)據(jù)并采用標(biāo)記控制分水嶺算法分割提取樹冠面積和冠幅2個參數(shù),最后與胸徑建立多個反演模型。其中,單木樹冠分割準(zhǔn)確率為86.26%,冠幅相對誤差平均值為6.04%,冠幅面積的相對誤差平均值為11.23%,證明利用數(shù)學(xué)形態(tài)學(xué)濾波的強(qiáng)制最小值變換的標(biāo)記控制分水嶺分割算法,可以抑制過分割現(xiàn)象,有效提取單木冠幅信息,且能夠滿足森林資源調(diào)查的精度要求。

2) 擬合出來的模型中,冠幅&樹冠面積-胸徑模型的擬合效果最好,決定系數(shù)均在0.7以上,該模型驗證數(shù)據(jù)相對誤差也最小,且均不超過5%,符合A類森林資源調(diào)查胸徑誤差值低于 5%的要求。本研究證明了可以通過無人機(jī)遙感影像數(shù)據(jù)估測胸徑,并找到了單木云南松胸徑估測模型。

3) 無人機(jī)可見光傳感器僅包含R,G,B 三個波段,為更好地提取樹冠信息,未來可增設(shè)可見光近紅外傳感器,計算歸一化植被指數(shù)(NDVI),更好地提取樹冠區(qū)域。實際森林中,樹冠重疊,喬灌交叉現(xiàn)象非常多,如何解決該類林分的有效森林信息提取是當(dāng)前的無人機(jī)遙感應(yīng)用于實踐生產(chǎn)中的難點(diǎn)。本研究是在云南松純林林區(qū)中進(jìn)行的,且只考慮了樹冠面積和冠幅因子對胸徑模型的影響,在下一步研究中,可增設(shè)樹高因子建立三元一次模型,提高模型精度,而對于闊葉林和混交林區(qū)胸徑模型的建立,有待進(jìn)一步研究。