邱世平,韋明新,馬依莎

(1.廣西南寧林業(yè)勘測設(shè)計院有限公司,南寧 530001；2.國家林業(yè)和草原局林產(chǎn)工業(yè)規(guī)劃設(shè)計院,北京 100010)

隨著硬件技術(shù)的迅猛發(fā)展,無人機遙感技術(shù)以其高精度、機動性強、低成本等優(yōu)勢[1],逐漸成為了森林資源監(jiān)測調(diào)查、參數(shù)提取的一種重要手段[2]。汪小欽等[3]提出了一種可見光波段差異植被指數(shù),并通過實驗驗證了植被提取精度要比其他的可見光波段植被指數(shù)高；周小成等[4]基于2期無人機影像,提出一種針對針葉林伐區(qū)蓄積量參數(shù)進行估算的方法；蘇迪等[5]利用主成分回歸方法提取郁閉度參數(shù),并結(jié)合GIS因子,采用偏最小二乘法完成了蓄積量的估測；王枚梅等[6]針對亞高山針葉林,基于無人機遙感影像,自動化提取了冠幅、株數(shù)、郁閉度等森林參數(shù)；張煜星等[7]利用無植被區(qū)域設(shè)置的校正點,對數(shù)字表面模型DSM進行了高程校正；劉江俊等[8]針對不同分辨率的樹冠高度模型,以均值濾波為濾波器,組合大小各異的平滑移動窗口提取樹頂點；董新宇等[9]針對無人機原始影像進行增強,提出了一種單株立木信息參數(shù)自動化提取方法。以往研究大多數(shù)只針對某一種森林參數(shù)(如樹冠、株數(shù)等)的提取方法進行研究,而對于樹高、郁閉度等綜合預(yù)估參數(shù)的研究尚存在諸多不足,且針對這些森林參數(shù)的提取精度,尚未給出科學(xué)系統(tǒng)的精度評價依據(jù)。

本文以速生桉林為研究對象,基于無人機航拍影像,經(jīng)航測內(nèi)業(yè)數(shù)據(jù)處理,得到數(shù)字正射影像模型DOM成果和數(shù)字表面模型DSM成果,從而構(gòu)建出速生桉林的樹冠高度模型,最后完成速生桉林株數(shù)、樹高、郁閉度等森林參數(shù)的自動化提取及精度分析,并通過具體實踐結(jié)果,驗證了通過該方法提取森林參數(shù)的可靠性。

1 研究區(qū)概況

選取廣西扶綏縣龍頭鄉(xiāng)將軍屯速生桉林為試驗區(qū),該速生桉林為4a生人工一代純林,土地種類為喬木林,優(yōu)勢樹種組為巨尾桉,郁閉度0.7,下木灌木層平均蓋度5%,下木灌木層平均高1.2m,草本層平均蓋度97%,草本層平均高0.5m,面積46 620m2,其中,航攝區(qū)域面積約200 000m2。分2個架次進行航飛,其中第1架次布設(shè)了22條航線,5 040張航片,第2架次布設(shè)了8條航線,1 700張航片,航攝比例尺為1∶500,平均地面分辨率為0.05m,采用SONY-A5100相機進行航拍。測區(qū)共布設(shè)50個平高控制點,其中,第1架次35個,第2架次15個,均勻分布在測區(qū)。具體航攝結(jié)合如圖1所示。

圖1 航攝結(jié)合圖

2 研究方法

基于無人機遙感影像,實現(xiàn)速生桉林分參數(shù)自動化提取技術(shù)原理,主要包括無人機遙感影像數(shù)據(jù)處理、速生桉林分參數(shù)自動化提取及精度分析三部分。

2.1 影像數(shù)據(jù)處理

無人機遙感數(shù)據(jù)處理的目的,主要是恢復(fù)無人機航拍時的準(zhǔn)確位置和姿態(tài),以獲取數(shù)字正射影像成果DOM和數(shù)字表面模型成果DSM。其實現(xiàn)原理主要是根據(jù)共線方程,通過同名影像點的匹配進行初始空三平差校正,然后加入地面控制點,重新優(yōu)化空三平差,得到高精度的內(nèi)外方位元素,準(zhǔn)確恢復(fù)航拍影像的真實位置和姿態(tài),之后進行點云密集匹配,提取DSM,再對DSM進行濾波處理,得到數(shù)字高程模型DEM,最后,進行單片糾正和鑲嵌,獲取數(shù)字正射影像成果DOM。本研究主要通過Pix4D軟件來進行無人機遙感影像數(shù)據(jù)處理[10],具體流程如圖2所示。

圖2 無人機影像數(shù)據(jù)處理流程圖

2.2 林分參數(shù)自動化提取

1) 樹冠高度模型的構(gòu)建。根據(jù)無人機遙感內(nèi)業(yè)數(shù)據(jù)處理的DSM成果和已有的DEM成果,做差得到高度模型,再根據(jù)DOM成果,裁剪速生桉林區(qū)域的航攝,裁剪得到速生桉林的樹冠高度模型。本文根據(jù)已有地形圖成果采集等高線,通過空間差值,得到該速生桉林區(qū)的數(shù)字高程模型DEM,其精度為1m,將該DEM與無人機航測數(shù)據(jù)處理后得到的數(shù)字表面模型DSM做差即可得到樹冠高度模型。

2) 株數(shù)提取。基于局域最大值法自動提取速生桉林株數(shù)。針對綠波段影像,通過高斯濾波方法,對樹冠高度模型進行平滑處理,并在濾波后的樹冠高度模型中,指定一個標(biāo)準(zhǔn)的窗口值,獲取的局部極大值即為樹冠最高點,同時,根據(jù)樹冠最高點的個數(shù)獲取該區(qū)域速生桉林的株數(shù)[11]。本文在窗口值的研究過程中,首先對無人機遙感影像中包含有分類的物質(zhì)進行剪裁,以反映影像視覺效果和影像紋理緊密程度兩個紋理特征為例,來確定窗口值。

3) 樹高提取。樹高提取主要基于樹冠高度模型來實現(xiàn),通過確定每株林木的實際坐標(biāo)位置,以此坐標(biāo)對應(yīng)到樹冠高度模型的坐標(biāo),該位置在樹冠高度模型的高程值即為該棵林木的樹高[12]。

4) 郁閉度提取。郁閉度的提取方法眾多,常用的有樣點法、樣線法、目測法、樹冠投影法。本文采用掩膜分析法來實現(xiàn)速生桉林郁閉度參數(shù)自動化提取。由于有樹冠頂部枝葉部分和沒有樹冠的地面部分存在明顯的高差,通過對照數(shù)字正射影像DOM,在樹冠高度模型灰度圖上會存在明暗交界的區(qū)域,確定閾值,區(qū)分地面區(qū)域和樹冠區(qū)域,統(tǒng)計分析,樹冠區(qū)域占整個速生桉林樣地區(qū)域的比值,即為該速生桉林郁閉度[13]。

2.3 林分參數(shù)提取精度分析

1) 株數(shù)提取精度。采用株數(shù)探測率、株數(shù)準(zhǔn)確率、F參數(shù)3個指標(biāo),對速生桉林的株數(shù)提取精度進行驗證分析,計算公式如下所示。

(1)

(2)

(3)

式中:Pr,Pp,F分別表示速生桉林株數(shù)探測率、速生桉林株數(shù)準(zhǔn)確率、F參數(shù)；Mt,Mc,Mo分別表示正確分割的株數(shù)數(shù)量、漏分株數(shù)數(shù)量和過度分割的株數(shù)數(shù)量。

其中,正確分割的株數(shù)數(shù)量為自動化提取的林木株數(shù)中,能夠正確地與實測林木一一對應(yīng)的林木數(shù)量；漏分株數(shù)數(shù)量為實測林木中,沒有找到與之一一對應(yīng)的自動化提取的林木數(shù)量；過度分割的株數(shù)數(shù)量為自動化提取的林木株數(shù)中,沒有實測林木能夠與之一一對應(yīng)的林木數(shù)量。3個精度驗證指標(biāo)越高,說明自動化提取的株數(shù)參數(shù)越準(zhǔn)確,反之,3個精度驗證指標(biāo)越低,說明自動化提取的株數(shù)參數(shù)準(zhǔn)確度不可靠。

2) 樹高提取精度。針對樹高的提取精度,采用樹高實際值與樹高自動化提取的估測值之間的殘差及其決定系數(shù)來進行驗證分析,其殘差與決定系數(shù)的計算公式如下所示。

V=H0-H

(4)

(5)

決定系數(shù)表示樹高實際值與樹高自動化提取的估測值的擬合程度,決定系數(shù)越大,說明二者之間的相關(guān)性較強,擬合模型精度越高；而殘差可以直觀的反映出自動化提取樹高參數(shù)的準(zhǔn)確度。

3) 郁閉度提取精度。郁閉度的提取精度分析一般采用直接比對法。通過計算標(biāo)準(zhǔn)實測郁閉度和基于自動化提取的郁閉度之差的絕對值占標(biāo)準(zhǔn)實測郁閉度的比重來衡量,具體計算公式如下所示。

(6)

3 結(jié)果與分析

3.1 航測數(shù)據(jù)

通過Pix4D軟件對無人機航測影像進行處理,經(jīng)初步處理,快速檢測,提取海量同名點并優(yōu)化初始POS,檢查快速處理質(zhì)量報告,無誤后刺入控制點,重新優(yōu)化平差,利用點云密集匹配數(shù)字表面模型DSM,最后生成0.05m高分辨率的數(shù)字正射影像成果DOM,如圖3所示。

圖3 數(shù)字正射影像圖

3.2 林分參數(shù)自動化提取

1) 速生桉林株數(shù)提取。選取(1×1)～(11×11)共8種不同窗口值,并給出相應(yīng)窗口下反映影像視覺效果和影像紋理緊密程度2個紋理特征,具體紋理數(shù)值如表1所示。

表1 紋理數(shù)值變化表

由表1可知,影像視覺效果隨著窗口變大而逐漸變小,紋理緊密程度隨著窗口變大而逐漸變大,并在8×8后趨近于平緩狀態(tài)。從該表格內(nèi)選取 5×5,8×8和11×11這3種不同窗口規(guī)格,由此獲取影像紋理圖,如圖4所示。

圖4 不同窗口規(guī)格影像紋理圖

3種不同窗口規(guī)格下進行紋理信息分析可知,8×8窗口規(guī)格下的影像紋理更為清晰。以該窗口值提取樹冠頂點,同時,通過頂點個數(shù)即可獲得該速生桉林的株數(shù)。

2) 速生桉林樹高提取。根據(jù)窗口值8×8,在樹冠高度模型中提取該速生桉的樹高。根據(jù)徑級的不同,自動化提取的樹高值在10.06～17.33m之間。

3) 速生桉林郁閉度提取。通過掩膜提取分析法自動化計算,該速生桉林的郁閉度為0.75。

3.3 精度驗證分析

通過樹冠高度模型,可實現(xiàn)速生桉林分參數(shù)的自動化提取。為驗證自動化提取的可靠性,分別對速生桉林株數(shù)、樹高、郁閉度等參數(shù)進行驗證分析。

1) 速生桉林株數(shù)提取分析。在8×8的窗口值下,自動化提取速生桉林株數(shù)共6 107株,而通過人工實測統(tǒng)計,該速生桉林株數(shù)為6 225株。其中,正確分割株數(shù)為5 843株,漏分株數(shù)為126株,過度分割株數(shù)為531株,由式(1)—式(3)可分別計算株數(shù)探測率、株數(shù)準(zhǔn)確率、F參數(shù)。具體參數(shù)值如表2所示。

結(jié)果表明,速生桉林株數(shù)提取精度驗證指標(biāo)較優(yōu),基于此自動化方法提取的速生桉林株數(shù)具有較高的精度。

2) 速生桉林樹高提取分析。為驗證速生桉林樹高提取精度,實驗采用Vertex IV測高測距儀分徑級實測樹高,其中,該速生桉林區(qū)共分10個徑級,每個徑級選取3～5株林木,記錄每株林木的實際坐標(biāo)位置,形成文件,并實測其樹高值,取平均值作為每個徑級的實測樹高值。

根據(jù)DOM成果和實測林木的坐標(biāo)位置展點圖,進行疊加分析,在樹冠高度模型中,找到該速生桉林區(qū)中實測的那些林木坐標(biāo)位置,提取這些林木在樹冠高度模型中的高度值,即為樹高估測值。最后將樹高估測值分徑級取平均值,作為該徑級的估測樹高值。將其與相應(yīng)徑級的實測樹高值進行對比,得到樹高對應(yīng)表(表3)。其中,速生桉徑級單位為厘米(cm),實測平均樹高單位和自動提取樹高單位為米(m)。

表3 樹高對應(yīng)表

根據(jù)實測樹高與自動提取樹高作差,得到樹高殘差分布圖(圖5)。

圖5 樹高殘差分布圖

根據(jù)樹高預(yù)估值與樹高實測值,由公式(5)計算其決定系數(shù)為0.915。結(jié)合殘差分布圖可知,使用自動化提取的速生桉林樹高預(yù)估值與樹高實測值之間擬合程度較高,二者存在線性相關(guān)性。

3) 速生桉林郁閉度提取分析。通過掩膜提取分析法自動化計算,該速生桉林的郁閉度為0.75,而該速生桉林概況實地調(diào)查值為0.7,其郁閉度提取準(zhǔn)確度為92.85%,由此可知,基于無人機DOM和DSM成果生成的樹冠高度模型,采用掩膜提取分析法提取的速生桉林郁閉度,可在較大程度上替代人工調(diào)查實測值。

4 討論與結(jié)論

基于無人機遙感影像的速生桉林分參數(shù)自動化提取方法,其株數(shù)探測率為0.978 8,株數(shù)準(zhǔn)確率為0.916 7,F參數(shù)為0.946 7,株數(shù)提取精度相對較高；樹高預(yù)估值與樹高實測值的決定系數(shù)為0.915,兩者之間呈線性相關(guān)；郁閉度估測參數(shù)值為0.75,相較實地調(diào)查值0.7,郁閉度參數(shù)提取準(zhǔn)確度高達92.85%。由此可知,基于無人機遙感影像的分參數(shù)自動化提取方法,可以在較大程度上替代傳統(tǒng)的提取方法,在森林結(jié)構(gòu)單一的速生桉林中具有較大的推廣應(yīng)用價值。

本文提出的方法雖實現(xiàn)了速生桉林分參數(shù)的自動化提取,能夠滿足林業(yè)部門對于高效提取速生桉林分參數(shù)統(tǒng)計要求。但由于實驗數(shù)據(jù)并不具有普遍代表性,因此,在后續(xù)研究進程中仍需采集實測數(shù)據(jù),重復(fù)進行大量實驗驗證分析,以提高方法模型的普遍適用性。由于研究樣地數(shù)據(jù)為一代純林,林相較為整齊,株數(shù)提取精度相對較高,對于林相差、林相參差不齊以及萌芽的二代林,其樹木高度參數(shù)不一,若個別幼林樹冠中心點參數(shù)未能準(zhǔn)確提取出來,將影響株數(shù)參數(shù)的提取精度。因此,針對樹種眾多、林層結(jié)構(gòu)復(fù)雜的情況,本文的研究成果能否滿足相應(yīng)要求,尚需進行更多的實驗進行驗證。