鄔寧珊，王佳希，張 巖，*，元慕田，張 琪，高馳宇

(1.北京林業(yè)大學 水土保持學院，北京 100083； 2.山西吉縣森林生態(tài)系統(tǒng)國家野外科學觀測研究站，北京 100083)

黃土高原地貌獨特，生態(tài)環(huán)境脆弱，是我國生態(tài)環(huán)境建設與保護的重點區(qū)域。自1999年實施退耕還林工程以來，黃土高原植被恢復效果顯著[1]。植被可以保持水土、涵養(yǎng)水源，能夠反映陸地的生態(tài)環(huán)境變化[2-3]，也是衡量黃土高原自然環(huán)境狀況的重要生態(tài)指標[4]。探索快速、準確的植被調(diào)查方法，有利于及時反映林業(yè)生態(tài)工程所取得的效果，并為后續(xù)工程的實施提供理論參考和技術(shù)支撐[5]?，F(xiàn)階段，樹種的判別和樹冠信息的更新主要依靠人工實地調(diào)查和衛(wèi)星遙感影像獲取。然而，人工實地調(diào)查耗時、耗力、周期長，無法滿足植被信息快速更新的需求；衛(wèi)星遙感因分辨率較低、重返周期過長，以及云層遮擋影響清晰度等原因，實際應用受到制約。隨著無人機遙感技術(shù)的發(fā)展，其影像周期獲取時間靈活和分辨率高的優(yōu)點，彌補了人工調(diào)查和衛(wèi)星遙感的不足。但利用無人機遙感進行林地植被信息提取時，其在不同區(qū)域的適用性，以及信息提取的精度等仍有待進一步研究。

基于無人機影像的樹種判別方法主要可分為基于像元分類法、面向?qū)ο蠓诸惙ê蜋C器學習分類法?；谙裨诸惙ㄒ揽坑跋竦墓庾V信息，在像素層次進行分類[6]，被廣泛應用于低中分辨率遙感影像的信息提取[7-8]，但該方法未考慮到地物間的空間信息，分割過于破碎，分類易產(chǎn)生混淆，無法滿足高分辨率影像信息提取的需求。面向?qū)ο蠓诸惙ㄊ腔谕暾哪繕藢ο筮M行分析，可以有效地避免基于像元分類法導致的同一地物范圍內(nèi)像元錯分的問題，提取的紋理、光譜、形狀等信息更完整[9-10]，又可細分為閾值分類法和最鄰近分類法[11-12]。在對地物分類時，這兩者的精度差距不大，但最鄰近分類法的計算效率更高。機器學習分類法包括支持向量機算法[10，13]、隨機森林算法[14-17]、決策樹算法[18]和神經(jīng)網(wǎng)絡算法[19-20]等多種方法，可以實現(xiàn)植被的高精度分類。這幾種方法在一定條件下都可以實現(xiàn)良好的效果，但也都具有一定的局限性[21]：支持向量機算法在樣本數(shù)量很大時難以實施；隨機森林算法在樣本過少時分類效果較差；決策樹算法需要建立復雜的知識規(guī)則，在處理大訓練集時缺乏伸縮性；神經(jīng)網(wǎng)絡算法具有“黑箱”性質(zhì)，無法知曉分類依據(jù)，且多應用于基于像元的影像分類中。

樹冠提取方法主要包括人工判讀、分水嶺分割法和面向?qū)ο笞钹徑诸惙?。早期采用的人工判讀的方法，效率低下[22]。分水嶺分割法可以大大提升樹冠提取效率，保證低郁閉度區(qū)域的樹冠提取精度[23-24]，但當研究目標處于高郁閉度區(qū)域時，該方法的樹冠提取精度下降[25]。面向?qū)ο笞钹徑诸惙ㄊ悄壳盎跓o人機可見光影像提取冠幅的主流方法，已有較多研究基于樣地尺度使用該方法提取單一樹種純林或稀疏針葉林的冠幅特征[26-27]；但在復雜林層和高植被郁閉度條件下，利用面向?qū)ο笞钹徑诸惙ㄌ崛涔谔卣鞯木饶芊駶M足實際需求，且在流域尺度下該方法是否仍有較高的性能等，還有待進一步的探究。

本文以晉西黃土區(qū)蔡家川流域為研究區(qū)，基于無人機可見光遙感影像，探索面向?qū)ο笞钹徑诸惙ㄔ诟哂糸]度復雜林分條件下提取樹種和樹冠特征的精度和適用性，并分析晉西黃土區(qū)生態(tài)恢復背景下的林分特征，探討流域尺度提取林分特征參數(shù)的快捷方法，以期為黃土高原區(qū)森林資源的調(diào)查提供經(jīng)濟、高效和精準的方法。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于晉西黃土區(qū)吉縣蔡家川流域(36°14′27″～36°18′23″N，110°39′45″～110°47′45″E，圖1)，地處黃土高原西南部，海拔為900～1 513 m，屬于黃河的三級支流，流域面積39.33 km2，屬暖溫帶大陸性氣候，年平均降水量575.9 mm，年無霜期170 d左右，年平均氣溫10 ℃，年均日照時數(shù)2 563.8 h[28]。

圖1 研究區(qū)無人機遙感影像Fig.1 Unmanned aerial vehicle imageof study area

流域內(nèi)含有人工林子流域、農(nóng)地子流域、農(nóng)牧復合子流域、天然次生林子流域，以及封禁子流域。土壤類型主要為褐土，黃土母質(zhì)，呈堿性。山地的斜坡、梁頂和塬面等為第四紀馬蘭黃土覆蓋，溝底為淤積黃土母質(zhì)，溝坡腳為塌積黃土母質(zhì)，底層常混有紅膠土母質(zhì)。天然植被主要有遼東櫟(QuercuswutaishanseaMary)、山楊(PopulusdavidianaDode)、側(cè)柏[Platycladusorientalis(L.) Franco]、胡枝子(LespedezabicolorTurcz.)等，人工植被主要有油松(PinustabuliformisCarr.)、刺槐(RobiniapseudoacaciaL.)、蘋果(Malusdomestica

Borkh.)、山杏(ArmeniacavulgarisLam.)、梨(Pyrusspp.)等，農(nóng)作物以玉米(ZeamaysL.)、小麥(TriticumaestivumL.)、谷子[Setariaitalica(L.) Beauv.]為主[29]。

1.2 數(shù)據(jù)收集與處理

1.2.1 樣地調(diào)查

于2019年10月12—21日進行樣地調(diào)查。調(diào)查蔡家川流域若干農(nóng)地子流域和人工林子流域的樹種信息作為真實值，以驗證樹種分類結(jié)果的準確性。具體地：選取10塊不同類型的樣地(7塊喬木林地和3塊果園)，以驗證樹冠提取結(jié)果的準確性，樣地面積均為10 m×10 m，使用集思寶G128BD手持GPS定位儀和DQY-1型地質(zhì)羅盤儀記錄每個樣地中心點的坐標、海拔、坡度和坡向(表1)，使用800VR/VH手持式激光測高測距測角一體機測量每株樹木的樹高，同時測量并記錄樣地內(nèi)每株樹木的位置、類型和胸徑，取東西冠幅和南北冠幅的平均值記為冠幅。

表1 樣地基本情況Table 1 Information of sample plots

1.2.2 無人機影像獲取與處理

由于不同樹種的樹葉顏色和形態(tài)在秋季存在不一致性，在落葉前，無人機航拍下不同類型樹種的顏色和形態(tài)差異大，比其他季節(jié)更易區(qū)分，因此本研究定于2019年10月12—21日對蔡家川流域進行無人機影像拍攝。選取天氣晴朗、風速小、適宜無人機作業(yè)的中午，使用大疆Inspire 2無人機搭載X4云臺相機進行拍攝，有效像素1 240萬，飛行高度150 m，鏡頭垂直于地面，設置航向重疊率80%、旁向重疊率70%。無人機拍攝的影像含有紅(R)、綠(G)、藍(B)3個可見光波段，空間分辨率約為0.15 m。

無人機影像通過Pix4D Mapper 4.4.12軟件生成正射影像(DOM)、數(shù)字表面模型(DSM)、點云數(shù)據(jù)集。主要步驟包括：(1)對無人機拍攝照片進行篩選，去除模糊、偏色等不合格的照片；(2)提取和匹配影像特征點，生成加密點云數(shù)據(jù)；(3)重建研究區(qū)域三維模型，生成DOM和DSM。

1.3 數(shù)據(jù)提取與分析方法

1.3.1 樹種提取及其精度評價

在傳統(tǒng)分類法劃分土地利用類型的基礎上，將喬木林地中的主要造林樹種和經(jīng)濟果木林提取出來，包括刺槐、油松、側(cè)柏、蘋果、梨，其他喬木樹種不做類別上的詳細區(qū)分，統(tǒng)歸為其他喬木。

灌木林地上的植被統(tǒng)歸為灌木。采用面向?qū)ο笞钹徑诸惙╗30]對樣地內(nèi)的樹種進行判別，具體通過eCongnition development 9.0軟件實現(xiàn)。首先，進行多尺度分割，并結(jié)合實地調(diào)查數(shù)據(jù)選定目標樹種，包括刺槐、油松、側(cè)柏、蘋果、梨、山杏6種植被。然后，根據(jù)具體目標樹種的光譜、形狀、紋理特征等建立分類規(guī)則。其中，特征集合包括光譜特征的平均值、標準差和亮度，灰度共生矩陣(GLCM)提取的紋理特征包括平均值、方差、相關(guān)性、異質(zhì)性和同質(zhì)性5個紋理參數(shù)，幾何特征包括形狀指數(shù)、緊湊型、密度和不對稱性4個特征。利用特征空間優(yōu)化工具Feature Space Optimization自動計算最優(yōu)的特征空間數(shù)量和類別。結(jié)果表明：光譜特征的平均值和亮度、紋理特征的異質(zhì)性和同質(zhì)性，以及幾何特征中的形狀指數(shù)為最優(yōu)的5個特征。最后，用最近鄰分類法進行自動分類。

本研究選取蔡家川流域中的2個子流域——農(nóng)地子流域和人工林子流域?qū)Σ煌匚镞M行分類。結(jié)合目視解譯和實地調(diào)查的情況，選取227個農(nóng)地子流域樣本數(shù)據(jù)和298個人工林子流域樣本數(shù)據(jù)作為真值，采用混淆矩陣法，對面向?qū)ο笞钹徑诸惙ǖ慕Y(jié)果進行定量評價。

無人機影像中目標地物的提取精度具有不確定性。通過比較自動提取的影像分類結(jié)果和真值之間的吻合度，可以評價目標地物分類結(jié)果的精度[31]。本研究使用生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)[32-33]作為具體的評價指標。生產(chǎn)者精度是指地面上任選一個樣本，其與分類結(jié)果相同的概率；用戶精度是指分類結(jié)果中任選一個樣本，其與地面實際類型相一致的概率；總體精度是指對每一個隨機樣本，所分類的結(jié)果與地面對應區(qū)域的實際類型相一致的概率；Kappa系數(shù)是反映提取結(jié)果準確性的指標，范圍在0～1，越接近1表示精度越高[34]。

1.3.2 單木樹冠提取及其精度評價

基于面向?qū)ο笞钹徑诸惙ㄟM行單木樹冠分割、冠幅值提取，主要步驟包括影像多尺度分割、構(gòu)建并優(yōu)選特征空間和分類。首先，對影像進行多尺度分割，按照對象內(nèi)部同質(zhì)性最大、對象之間異質(zhì)性最小的原則進行分割，將研究區(qū)影像分割為若干個獨立對象[35]。影像分割受分割尺度、波段權(quán)重、影像同質(zhì)性參數(shù)的影響，分割結(jié)果直接影響最終的提取精度[33，36]。本研究利用ESP2(estimation of scale parameters 2)工具確定最佳分割尺度[37]。目標之間異質(zhì)性局部方差(LV)和局部方差變化率(ROC)的波峰值提示最佳分割尺度的備選值[26]。波段權(quán)重參數(shù)值在0～1。對特征信息明顯的波段賦予較高的權(quán)重值，如提取綠地信息時，就可以對綠色光譜賦予較大的權(quán)重，而對紅、藍光譜賦予較小的權(quán)重。影像同質(zhì)性參數(shù)包括顏色(光譜)特征屬性和形狀特征屬性，兩者權(quán)重之和為1.0，其中，形狀特征屬性由平滑度參數(shù)和緊湊度參數(shù)組成，兩者權(quán)重之和也為1.0。以上參數(shù)的調(diào)整，均在eCongnition development 9.0軟件中實現(xiàn)。對分割效果進行評價時，采用基于幾何對象差異性的評價指標，包括過分割指數(shù)(OR)和欠分割指數(shù)(UR)[38]。在影像分割的基礎上，對特征空間進行自動優(yōu)化，最終選擇特征空間的最佳組合為R、G、B這3個波段上像素的平均值，可見光波段差異植被指數(shù)(VDVI)和形狀指數(shù)。其中，VDVI是一種模擬歸一化植被指數(shù)(NDVI)的植被指數(shù)，其精度高于其他可見光波段的植被指數(shù)[8]。最后，將影像分為林隙和林冠2種類別。

進行單木樹冠提取時，通過樣地定位信息和目視法，將自動提取的樹冠與樣地數(shù)據(jù)一一對應，記錄多分割(即一株樹木冠幅分割成多株)和少分割的情況，從自動提取結(jié)果中選擇正確分割的樹冠，分別計算單個樹冠的東西向和南北向冠幅，取二者的平均值作為平均冠幅，對提取出的冠幅值與實測冠幅值進行線性回歸，測算其相關(guān)系數(shù)和決定系數(shù)(R2)。

1.3.3 不同類型小流域的樹冠特征提取

將上述面向?qū)ο笞钹徑诸惙ㄍ茝V到研究區(qū)內(nèi)的子流域，統(tǒng)計自動提取株數(shù)和樹冠面積。計算樹冠面積與流域面積之比，獲取郁閉度[39]；計算樹冠面積與林木株數(shù)之比，獲取平均冠幅。

2 結(jié)果與分析

2.1 樹種提取及其精度

農(nóng)地子流域和人工林子流域的無人機影像和植被信息提取結(jié)果分別如圖2、圖3所示。

圖2 農(nóng)地子流域的無人機影像(a)、樹種提取結(jié)果(b)和蘋果的局部放大效果(c)Fig.2 Unmanned aerial vehicle image (a)，extracted tree species (B) and partial enlarged view of apple (c) in farmland sub-watershed

圖3 人工林子流域的無人機影像(a)、樹種提取結(jié)果(b)和油松、刺槐的局部放大效果(c)Fig.3 Unmanned aerial vehicle image (a)，extracted tree species (B) and partial enlarged view of Pinus tabuliformis and Robinia pseudoacacia(c) in plantation sub-watershed

農(nóng)地子流域各地物類型總體分類結(jié)果很好，Kappa系數(shù)為0.898，總體精度為92.95%。刺槐和蘋果的用戶精度在90%以上(表2)，生產(chǎn)者精度在94.4%以上，自動分類結(jié)果與實際類別具有較好的一致性。

表2 農(nóng)地子流域分類混淆矩陣

人工林子流域各地物類型的總體分類結(jié)果較好，Kappa系數(shù)為0.728，總體精度為76.51%。梨和蘋果的用戶精度最高，在86%以上(表3)，油松和刺槐的用戶精度在75.8%以上，梨、側(cè)柏、蘋果、油松、刺槐的生產(chǎn)者精度依次降低，其中，梨、側(cè)柏和蘋果的生產(chǎn)者精度均在82%以上，提取精度較高。

表3 人工林子流域分類混淆矩陣Table 3 Classification confusion matrix of plantation sub-watershed

上述結(jié)果說明，用本文所提出的結(jié)合光譜、形狀、紋理信息的面向?qū)ο笞钹徑诸惙ㄌ崛浞N是可行的。

2.2 單木樹冠提取及其精度

以刺槐為例，由其目標之間的異質(zhì)性局部方差和局部方差變化率曲線(圖4)可知，最佳分割尺度的備選值有64、77、103和131。當分割尺度為131時(圖5)，樹冠之間存在合并，存在欠分割的情況；當分割尺度為103時，樹冠被完整且清晰地提取出來；但當分割尺度繼續(xù)縮小至64和77時，單木樹冠逐漸破碎，不能被完整地提取，存在過分割的情況。據(jù)此，確定最佳分割尺度參數(shù)為103。

圖4 異質(zhì)性局部方差及其變化率曲線Fig.4 Curve of local variance and its rate of change

利用波段集統(tǒng)計工具，統(tǒng)計各波段協(xié)方差矩陣和相關(guān)性統(tǒng)計矩陣，結(jié)果顯示，紅、綠、藍3個波段對分割的貢獻程度相似，故將此三波段權(quán)重均設為1。

基于最佳分割尺度，對顏色(光譜)特征屬性和形狀特征屬性進行調(diào)整。隨著形狀特征屬性權(quán)重的縮小和顏色(光譜)特征屬性權(quán)重的增加，分割后的影像邊界的破碎程度增大(圖6)，表明分割效果變差，最終確定形狀特征屬性權(quán)重為0.5。類似地，確定分割對象的邊緣平滑度參數(shù)和緊湊度參數(shù)的權(quán)重均為0.5[33]。將上述參數(shù)設置推廣至蔡家川流域內(nèi)的不同子流域進行應用。

在表1所示的10塊樣地上共實地調(diào)查了152

a～d的分割尺度依次為64、77、103、131。Segmentation scales of a-d were 64， 77， 103， 131， respectively.圖5 不同分割尺度下的樹冠分割圖Fig.5 Canopy segmentation results under different segmentation scales

株樹木，其中有140株樹木的冠幅被正確提取，沒有多分割或少分割的情況，冠幅株數(shù)提取精度為92.1%。從自動提取結(jié)果中選擇正確分割的樹冠，基于提取出的冠幅值與實測冠幅值進行線性回歸(圖7)。油松、側(cè)柏、油松側(cè)柏混交林、梨、蘋果和山杏的樹冠清晰，且冠幅提取精確度較

a～c的形狀特征參數(shù)權(quán)重依次為0.5、0.3、0.1。The weight of shape parameter in a-c was 0.5， 0.3， 0.1， respectively.圖6 不同形狀特征參數(shù)權(quán)重下的分割圖Fig.6 Segmentation result under different weights of shape parameters

a為油松，b為側(cè)柏，c為刺槐，d為刺槐油松混交林，e為刺槐側(cè)柏混交林，f為油松側(cè)柏混交林，g為蘋果，h為山杏，i為梨，j為次生林。a is Pinus tabuliformis; b is Platycladus orientalis; c is Robinia pseudoacacia; d is Robinia pseudoacacia L. and Pinus tabuliformis mixed forest; e is Robinia pseudoacacia L. and Platycladus orientalis mixed forest; f is the Pinus tabuliformis and Platycladus orientalis mixed forest; g is Malus domestica; h is Armeniaca vulgairs; i is Pyrus spp.; j is secondary forest.圖7 實測冠幅值與自動提取冠幅值的線性回歸結(jié)果Fig.7 Linear regression result of measured and automatically extracted crown width

高。比較擬合的各回歸方程的決定系數(shù)，蘋果>油松側(cè)柏混交林>側(cè)柏>油松>梨，且均在0.8以上，山杏>刺槐，均在0.7以上。刺槐油松混交林和刺槐側(cè)柏混交林樹冠有輕微的重合和遮擋，冠幅提取精確度相對略低，R2在0.5～0.7，其中，刺槐側(cè)柏混交林的冠幅提取效果優(yōu)于刺槐油松混交林。次生林幾乎不能提取出完整的樹冠，冠幅提取精確度較差，R2僅有0.422 3。

2.3 不同類型子流域的樹種分布與樹冠特征

將本文提出的面向?qū)ο笞钹徑诸惙☉玫窖芯繀^(qū)內(nèi)不同類型的子流域，分析不同類型子流域的樹種分布與樹冠特征。以晉西黃土區(qū)主要造林樹種油松和主要經(jīng)濟作物蘋果為例，提取出不同子流域的油松和蘋果的位置和樹冠信息(圖8)，統(tǒng)計自動提取的株數(shù)、林分密度、郁閉度和平均冠幅(表4)。經(jīng)測算，人工林子流域大多林地為混交林，刺槐、側(cè)柏和油松交錯分布，經(jīng)濟作物主要是蘋果和梨，有刺槐14 339株，林分密度為997株·hm-2，平均冠幅為3.52 m；有油松8 268株，林分密度為1 744株·hm-2，平均冠幅為2.24 m；有側(cè)柏941株，林分密度為1 862株·hm-2，平均冠幅為1.95 m；有蘋果491株，林分密度為382株·hm-2，平均冠幅為4.26 m；有梨107株，林分密度為502株·hm-2，平均冠幅為4.01 m。農(nóng)地子流域以刺槐、蘋果為主，共有1 488株刺槐和912株蘋果，蘋果的林分密度為439株·hm-2，平均冠幅為3.84 m。農(nóng)牧復合子流域有油松2 155株，林分密度1 051株·hm-2，平均冠幅為2.74 m。

表4 不同子流域樹種冠幅統(tǒng)計Table 4 Crownwidth in different sub-watersheds

圖8 人工林子流域(a、c)和農(nóng)地子流域(b、d)油松(a、b)與蘋果(c、d)的樹冠提取結(jié)果Fig.8 Canopy extraction result for Pinus tabuliformis Carr. (a， b) and Malus domestica Borkh. (b， d) in plantation sub-watershed (a， c) and farmland sub-watersheds (b， d)

3 討論

本研究利用面向?qū)ο笞钹徑诸惙?，基于無人機可見光影像提取樹種和樹冠信息，結(jié)果表明:

(1)面向?qū)ο笞钹徑诸惙ㄟm用于基于無人機可見光影像的高郁閉度復雜林分的樹種信息提取，樹種的自動提取結(jié)果和實測結(jié)果具有高度一致性。對于郁閉度較低的林分和經(jīng)濟作物的提取效果極好，但復雜的植被類型下提取精度下降。(2)面向?qū)ο笞钹徑诸惙ㄟm用于基于無人機可見光影像的高郁閉度復雜林分的樹冠信息提取，人工林和經(jīng)濟果木林的樹冠提取精度較高，次生林的提取效果較差。(3)將本文提出的面向?qū)ο笞钹徑诸惙ㄍ茝V到晉西黃土區(qū)的蔡家川流域，可以高效并準確地提取出子流域內(nèi)不同樹種的林木株數(shù)、郁閉度和平均冠幅等林分特征參數(shù)?？偟膩砜?，該方法可以及時、高效地獲取退耕還林背景下黃土區(qū)的植被更新情況。

3.1 樹種分類和樹冠提取精度

本研究基于面向?qū)ο笞钹徑诸惙ㄌ崛浞N，在農(nóng)地子流域的分類Kappa系數(shù)為0.898，在人工林子流域的分類Kappa系數(shù)為0.728，自動分類結(jié)果和實際類別具有較好的一致性，證明基于無人機可見光影像結(jié)合面向?qū)ο笞钹徑诸惙ㄌ崛浞N信息是可行的，且具有一定的適用性和推廣價值[33]。人工林子流域分類的總體精度為76.51%，農(nóng)地子流域分類的總體精度為92.95%，接近現(xiàn)有研究結(jié)果[11，40]。最鄰近分類法與閾值分類法相比，提取精度相差不大，且均處較高水平，已經(jīng)能夠滿足大部分用戶的精度要求[12]。牛利偉[41]使用最鄰近分類法、隨機森林法、支持向量機法、神經(jīng)網(wǎng)絡法進行行道樹樹種分類研究，在這4種分類方法中，最鄰近分類法效果最佳，隨機森林法次之，支持向量機法再次之，神經(jīng)網(wǎng)絡法效果最差。本研究的結(jié)果也表明，面向?qū)ο笞钹徑诸惙ㄟm用于植被類型復雜、面積分布不均的林地植被信息提取。在研究中發(fā)現(xiàn)，農(nóng)地子流域多為郁閉度較低的林分和經(jīng)濟作物，分類精度極高，人工林子流域植被類型復雜，精度有所下降。今后，可針對植被結(jié)構(gòu)復雜的林地，加入歸一化數(shù)字表面模型(nDSM)的規(guī)則集和DSM的紋理特征，進一步優(yōu)化特征空間。

本研究利用無人機獲取的高分影像，基于面向?qū)ο笞钹徑诸惙ㄌ崛涔谛畔ⅲ傮w來說，人工林和經(jīng)濟果木林的樹冠提取精度較高，R2都在0.7以上，油松、側(cè)柏和油松側(cè)柏混交林的樹冠提取精度較高，擬合效果較好，但冠幅提取結(jié)果偏大。這主要是由于以上樹種均以人工林的形式存在，排列規(guī)則且整齊，易于識別和提取，但即使在正午拍攝，無人機影像也無法避免陰影問題，導致自動提取冠幅時會將陰影錯分到樹冠上，從而使得冠幅提取結(jié)果略微偏大。梨、蘋果和山杏的冠幅提取效果較好，這是因為它們均為經(jīng)濟作物，受到人工培育和修剪，且栽種時為保證充足的陽光，樹冠間隔較大，易于分割和辨認。刺槐樣地樹冠提取值小于實測值。這是由于刺槐林林分郁閉度較高，樹冠之間間距較小，樹冠和樹冠之間存在重疊。刺槐油松混交林和刺槐側(cè)柏混交林的冠幅提取誤差主要是由刺槐的冠幅較大且樹高高于油松和側(cè)柏，導致油松和側(cè)柏被遮蓋造成。次生林的提取效果較差，R2僅有0.422 3，這是由于次生林林分郁閉度很高，種群結(jié)構(gòu)豐富多樣，沒有人為干預，排列無規(guī)則，所以冠幅提取效果不理想。前人研究也發(fā)現(xiàn)，樹木分布均勻、密度稀疏的純林，冠幅解譯的精度較高；反之，則精度降低[27]。次生林冠幅提取較差的問題是下一步研究的重點方向，可以考慮加入有近紅外波段的傳感器，加入NDVI和葉面積指數(shù)等規(guī)則，進一步提高樹冠提取精度。喬正年等[42]用目視解譯方法，手動勾繪判定單木冠幅邊界，萬紅梅等[39]使用快鳥(QuickBird)影像，對胡楊、檉柳冠幅進行人機交互式解譯，其平均精度分別達到84.00%、76.24%。與之相比，本研究提出的半自動化冠幅提取和計算方法精度較高(R2>0.7)，且省時省力，說明用本文提出的面向?qū)ο笞钹徑诸惙ㄌ崛」诜畔⑹强尚械摹?/p>

3.2 樹種分類和樹冠提取方法在流域林分調(diào)查中的應用

傳統(tǒng)的樣地法在進行植被信息調(diào)查時，除了存在費時、費力和人工測量誤差等不足外，還存在一定的局限性，即調(diào)查僅能選取部分樣地來代表整個區(qū)域，而無法對整個區(qū)域內(nèi)的植被信息進行直接的提取。在以往的研究中，面向?qū)ο笞钹徑诸惙ú⑽丛诹饔虺叨壬系玫酱竺娣e的應用，僅用于在小面積樣地中對植被信息進行提取。例如：耿仁方等[15]對面積為0.28 km2的巖溶濕地樣地進行植被信息提取，總體精度為86.75%；曾霞輝等[43]在100 m×100 m的樣地尺度上進行樹冠信息提取，樹冠面積相對誤差為13.3%。本研究將面向?qū)ψ钹徑诸惙ㄍ茝V至流域尺度，自動提取不同類型子流域內(nèi)不同樹種的林木株數(shù)、郁閉度、平均冠幅等林分特征參數(shù)。相較于通過提取林木南北冠幅、東西冠幅來計算樹冠投影面積的方法，直接對影像分割對象進行面積計算，精度更高，信息提取更全面，且效率很高。該方法可以及時、高效地獲取流域尺度的植被更新情況，對于蘋果、梨等果樹長勢的迅速監(jiān)測來說具有實際應用的可能性和推廣價值。

本研究僅選擇樹種判別和冠幅特征提取作為最鄰近分類法提取林分特征在流域尺度的嘗試，總體來說，結(jié)果不錯。結(jié)合DSM數(shù)據(jù)對其余林分特征，如林分蓄積量、林分平均胸徑、樹高等進行提取研究，是下一步工作開展的方向和目標。