吳培強，任廣波，張程飛，2，王浩，劉善偉，馬毅

1.自然資源部第一海洋研究所,青島 266061;

2.山東科技大學測繪與空間信息學院,青島 266590;

3.中國石油大學（華東）海洋與空間信息學院,青島 266580

1 引言

紅樹林是生長在熱帶和亞熱帶海岸潮間帶、受到海水周期性浸淹的木本植物群落，是全球4大濕地生態(tài)系統(tǒng)中最具特色的一個濕地生態(tài)系統(tǒng)（林鵬，1997），具有巨大的生態(tài)價值和社會價值，不僅在御風消浪、固岸護堤和維持生物多樣性等方面所發(fā)揮重要作用，也是珍稀瀕危水禽重要棲息地，魚、蝦、蟹、貝類生長繁殖場所。特別是2004年印度尼西亞海嘯的發(fā)生，讓世界看到紅樹林在防災減災中的重要作用。另外，紅樹林生態(tài)系統(tǒng)具有強大的固碳能力，其碳匯能力遠高于沿海灘涂鹽沼，是地球碳循環(huán)至關重要的組成部分，以面積不足陸地總面積的0.1%，卻埋置了大于10%的陸源可溶性有機碳，是重要的藍色碳匯，在減緩全球氣候變暖過程中發(fā)揮著重要作用（Duarte 等，2005）。碳儲量高和生態(tài)服務價值大，使得紅樹林生態(tài)系統(tǒng)成為“碳中和”和生態(tài)系統(tǒng)服務付費策略研究的重點對象之一。

隨著毀林填海造田、圍海養(yǎng)殖、城鎮(zhèn)建設等粗放型的人類開發(fā)活動的影響，全球紅樹林面積在過去的50年減少了30%—50%，在全球氣候變化背景下，按此減少速度，紅樹林及其特有的生態(tài)功能在未來100年可能會從地球上消失，其快速減少的趨勢必然對海洋中陸源可溶性有機碳產(chǎn)生深遠影響（Duke 等，2007）。中國紅樹林在20世紀50—90年代初的40 多年間銳減了68.7%（廖寶文和張喬民，2014）。近年來，隨著紅樹林人工栽種、保護等生態(tài)修復的開展，扭轉了中國紅樹林面積急劇減少趨勢，但紅樹林面積尚未得到完全的恢復，生境退化、生物多樣性降低、外來物種入侵嚴重等問題還依然存在。因此，開展紅樹林生態(tài)系統(tǒng)監(jiān)測和生物量的精確評估，對于紅樹林保護管理、生態(tài)修復具有重要的意義。

由于紅樹林生長在潮間帶淤泥灘，潮水周期性淹沒，現(xiàn)場調(diào)查和采樣費時費力。遙感技術具有探測范圍大、時效性強、受地面條件限制少等優(yōu)勢，已廣泛的應用于紅樹林監(jiān)測。特別是近年來，隨著高分辨率多光譜衛(wèi)星和無人機數(shù)據(jù)的漸多（Quickbird、IKONOS、WorldView-2 和WorldView-3等），使得紅樹林類型精準識別和生理參數(shù)高精度估算成為可能，（Wang 等，2004；Jia 等，2014；Manna等，2014；朱遠輝等，2014；Zhu等，2015；唐煥麗等，2015；Pham 和Brabyn，2017；聞馨等，2020；徐逸等，2021），但由于紅樹類型間具有相似的光譜反射特性，仍然會發(fā)生錯分和漏分現(xiàn)象，從而影響其生物量估算精度。激光雷達可以穿透植被冠層，測定地表和林冠的高度信息以及樹冠面積、樹木密度等信息，這些參數(shù)在紅樹林生物量估算起著重要的作用（Simard 等，2008；Olagoke等，2016；Feliciano等，2014，2017；Hickey等，2018；Fatoyinbo 等，2018；Navarro 等，2020；Salum 等，2020，2021）；然而激光雷達由于缺少光譜信息在紅樹林種類識別方面不理想（Lu 等，2016）。近年來，大多數(shù)研究發(fā)現(xiàn)主動激光雷達數(shù)據(jù)獲取的冠層高度、被動光學數(shù)據(jù)的光譜和紋理信息相融合可以有效克服單數(shù)據(jù)源的不足（Chadwick，2011；Li 等，2019；Wang 等，2019；Qiu 等，2019；Hu 等，2020；Zhu 等，2020），從而提高紅樹林種間類型識別和生物量估算精度。但是少有開展基于紅樹林單木識別的生物量估算研究（Li 等，2012；Yin 和Wang，2019；Silván-Cárdenas等，2020），且沒有開展進一步的紅樹種類識別，這會影響紅樹林生物量高精度估算。

本文選擇廣西茅尾海紅樹林保護區(qū)為研究區(qū)，綜合利用無人機多光譜遙感數(shù)據(jù)和機載激光雷達點云數(shù)據(jù)，結合地面實測的不同類型紅樹生長參數(shù)，開展基于無人機載主被動遙感手段相結合的紅樹林單木識別方法研究，并估算了紅樹林地上生物量。本文研究的技術方法和結果可為中國紅樹林生態(tài)系統(tǒng)的保護和修復，以及紅樹林碳儲量的估算提供技術支撐。

2 數(shù)據(jù)與方法

2.1 研究區(qū)

茅尾海 （21°46′N—21°54′N， 108°28′E—108°37′E）地處廣西壯族自治區(qū)欽州灣北部，欽江、茅嶺江的徑流帶來了大量陸地泥沙，造就了大面積的淤泥質(zhì)灘涂。該區(qū)域為南亞熱帶季風氣候，潮汐為不規(guī)則全日潮，平均潮差為2.51 m，溫暖濕潤的氣候以及豐富的灘涂資源為紅樹林生長提供了良好的條件。茅尾海紅樹林保護區(qū)成立于2005年，是以紅樹林生態(tài)系統(tǒng)保護為主的兼顧越冬鳥類棲息地保護的自然保護區(qū)，保護區(qū)內(nèi)共有紅樹植物11 科16 種，其優(yōu)勢物種包括桐花樹、秋茄、無瓣海桑和老鼠簕，其中還有白骨壤、鹵蕨等非該區(qū)域優(yōu)勢種的紅樹類型。自2000年左右，保護區(qū)內(nèi)較早開展了無瓣海桑的引種，隨后多次大規(guī)模進行了秋茄、桐花樹等本土紅樹類型的人工栽種，截止2020年，保護區(qū)內(nèi)紅樹林面積相比2000年增加了約120%（王浩等，2020）。但由于廣西最大的沙井大蠔（近江牡蠣）養(yǎng)殖區(qū)緊靠保護區(qū)，極大干擾了紅樹林的保護和修復。

圖1 研究區(qū)示意圖Fig.1 Location of study area

2.2 數(shù)據(jù)

2.2.1 遙感數(shù)據(jù)

2020年11月29日，在低潮位期間同步獲取了無人機多光譜遙感和LiDAR 點云數(shù)據(jù)。無人機飛行數(shù)據(jù)獲取過程中，航向重疊度設定為75%，旁向重疊度設定為50%。無人機多光譜數(shù)據(jù)獲取使用的是大疆精靈4 多光譜版，該設備集成了1 個可見光鏡頭和5 個多光譜鏡頭（藍光，綠光，紅光，紅邊和近紅外），分別負責可見光成像及多光譜成像。對于獲取得到的多光譜數(shù)據(jù)利用ContextCapture軟件進行圖像拼接，對于拼接后的影像，基于ENVI 5.3 軟件對其進行輻射校正等處理。無人機所搭載的LiDAR 為蜂鳥Genius 激光雷達系統(tǒng)，其360°的掃描視場和320 kHz 的高掃描頻率，可以極大提高地物測繪效率。無人機激光雷達數(shù)據(jù)經(jīng)過航帶匹配、噪聲點去除等預處理，得到較為完整的點云數(shù)據(jù)。無人機遙感數(shù)據(jù)的詳細參數(shù)見表1，無人機激光雷達點云數(shù)據(jù)和剖面數(shù)據(jù)見圖2。

表1 無人機遙感數(shù)據(jù)參數(shù)Table 1 The parameters of UAV data

圖2 無人機激光雷達數(shù)據(jù)和點云剖面Fig.2 UAV-LiDAR and illustration of mangrove point cloud profile

2.2.2 現(xiàn)場調(diào)查數(shù)據(jù)

分別于2020年10月和2020年11月對廣西茅尾海紅樹林保護區(qū)開展了現(xiàn)場樣本采集，共獲取了28 個站點的經(jīng)緯度位置、類型等解譯信息和植株高度、胸徑、基徑、冠幅等紅樹生長參數(shù)，包含4 個優(yōu)勢物種（秋茄、桐花、無瓣海桑和老鼠簕）以及與紅樹林混生的鹽沼植物茳芏。對于桐花樹、秋茄和無瓣海桑等3種喬木，現(xiàn)場調(diào)查樣方設置為5 m×5 m，在樣方內(nèi)逐株測量株高、基徑（離地面3—10 cm 處，避開有隆起的部位）、胸徑（大于1.3 m的植株，測量第一個分叉處下方）、冠幅和分支數(shù)等。對于灌木老鼠簕，樣方設置為1 m×1 m，測量其平均高度和株數(shù)，選取具有代表性的兩株帶回實驗室烘干稱量，作為地上生物量測算的現(xiàn)場樣本依據(jù)。對于鹽沼草本植物茳芏，樣方設置為0.5 m×0.5 m，測量其平均高度和株數(shù)。現(xiàn)場調(diào)查站位分布見圖3所示，紅樹生長參數(shù)統(tǒng)計見表2。

表2 茅尾海紅樹林生長參數(shù)Table 2 Growth parameters of mangrove in Maowei Sea

圖3 現(xiàn)場調(diào)查站位圖Fig.3 Site survey station map

2.3 方法

2.3.1 紅樹種間分類方法

紅樹林生長在淤泥質(zhì)潮間帶，環(huán)境復雜，且受潮汐影響頻繁，現(xiàn)場調(diào)查困難，因此，對于開展紅樹林種間類型遙感監(jiān)測，樣本少是面臨的普遍問題。針對此問題，本文選擇使用建立在統(tǒng)計學習理論基礎上的支持向量機SVM（Support Vector Machine）分類方法，可以有效解決分類過程中小樣本問題，同時能通過核方法解決線性不可分問題，是目前遙感圖像分類中應用最為廣泛的方法之一（唐煥麗等，2015；甄佳寧等，2019）。本文選用ENVI 5.3軟件中的SVM 模塊開展紅樹林分類，核函數(shù)選用徑向基核函數(shù)，懲罰參數(shù)為100。

2.3.2 紅樹單木分層分區(qū)距離判別聚類分割方法

對于LiDAR 點云數(shù)據(jù)，基于LiDAR 360 軟件中的面向點云的距離判斷聚類算法來提取單木的空間信息和冠幅數(shù)據(jù)。經(jīng)現(xiàn)場調(diào)查發(fā)現(xiàn)，由于研究區(qū)內(nèi)紅樹生長時間和環(huán)境的不同，導致紅樹生長狀況也不盡相同，從而表現(xiàn)為樹木的高度和冠幅存在較大差異，假如整景點云數(shù)據(jù)作為一個整體利用統(tǒng)一的閾值開展紅樹單木樹高和冠幅的反演，易造成過分割和弱分割現(xiàn)象，從而影響紅樹的生物量估算精度，因此本文基于樹高和類型將研究區(qū)分為若干區(qū)域，對于不同的區(qū)域選擇合適的分割閾值提取紅樹單木結構信息，這樣可以有效的避免由于同一分割尺度帶來的誤差。

2.3.3 精度驗證

遙感影像分類精度驗證旨在確定分類過程的準確程度，本文使用混淆矩陣法對紅樹林分類精度進行評價。具體指標包含：總體精度OA（Overall Accuracy）、制圖精度PA（Producer Accuracy）、用戶精度UA（User Accuracy）和Kappa 系數(shù)（賈明明，2014）。具體公式如下：

式中，Khat為Kappa系數(shù)，xii為第i行i列的樣本數(shù)，xi+為分類結果中第i類總和，x+i為地表真實數(shù)據(jù)中第i類的總和，n為類別的數(shù)量，N為樣本總數(shù)。

2.3.4 紅樹林地上生物量估算模型

本文通過查閱前人構建的紅樹生長參數(shù)—生物量異速生長方程（多是通過砍伐采樣方式研究得到），計算紅樹地上生物量，將其作為真實的樣本數(shù)據(jù)。由于調(diào)研的文獻中所研究的紅樹林類型、樹齡、地理位置和生長環(huán)境等均有差別，其所構建的異速生長方程也不盡相同，為此本文根據(jù)研究區(qū)內(nèi)紅樹林類型、樹齡、生長環(huán)境因素等特點，選取與研究區(qū)同等緯度、鄰近區(qū)域和相同生長形態(tài)的紅樹異速生長方程，計算得到站位中每棵樹的地上生物量。所選用紅樹林異速生長方程如表3所示。

表3 不同紅樹類型異速生長方程及茳芏回歸模型Table 3 Algorithms of allometric growth equations for different mangrove species and Cyperus malaccensis of regression model

3 結果與分析

3.1 紅樹林種間類型分類

現(xiàn)場調(diào)查發(fā)現(xiàn)，無人機飛行區(qū)域主要分布有7 種地物類型，包括4 種紅樹：秋茄、桐花樹、無瓣海桑和老鼠簕，1種本土鹽沼植被茳芏，還包括裸露的潮灘和水域。本文基于現(xiàn)場調(diào)查站點數(shù)據(jù)和無人機低空飛行獲取的照片，選取了316個獨立的單一紅樹類型區(qū)域作為分類模型中訓練和驗證樣本，這些樣本均勻分布于整個研究區(qū)，包括紅樹不同的生長狀況，其中訓練樣本和驗證樣本的比例為2∶1。利用LiDAR 360 點云處理軟件，計算得到研究區(qū)的高度特征，提取了冠層高度模型（canopy height model）、高程標準偏差（standard deviation of elevation）、高程方差（variance of eleva?tion）、冠層起伏率（canopy relief ratio）、高程平均絕對偏差（absolute average deviation of elevation）和高程L2（elevation L2）（Li 等，2019）等6 個高度特征參量。將高度特征與多光譜特征結合用于紅樹林類型識別，對分類結果展開分析。

本文以無人機多光譜和LiDAR 點云數(shù)據(jù)為數(shù)據(jù)源，利用支持向量機分類方法開展了紅樹林種間類型識別研究，從總體精度、用戶精度和生產(chǎn)者精度等方面進行了比較分析（表4），分類結果圖見圖6。其中，基于無人機多光譜和LiDAR 提取的高度特征相結合的分類精度最高，總體精度可達90.69%，較單數(shù)據(jù)源都有所提高；基于無人機多光譜數(shù)據(jù)的分類結果精度要高于基于LiDAR 點云的結果?？赡苁茄芯繀^(qū)內(nèi)紅樹林冠層密度較高，能夠穿透冠層的點云數(shù)量較少，形成的回波強度較為一致，紅樹林種間類型高度和冠幅存在較大的重疊區(qū)，僅利用LiDAR 點云數(shù)據(jù)難以做到紅樹林類型的高精度識別。從表4 的分類結果可以看出，秋茄的分類效果最好，其制圖精度均在90%以上。桐花樹識別精度大都在90%以上，但其中利用LiDAR 的高度特征識別桐花樹時，用戶精度最低，僅為51.16%，被錯分為秋茄和老鼠簕較為明顯。老鼠簕為灌叢結構，與外圍的稀疏、矮小且高潮時受潮汐浸沒的桐花樹在紋理和光譜上差異較小，僅利用多光譜影像易造成錯分現(xiàn)象，將多光譜和LiDAR 數(shù)據(jù)結合時，增加了老鼠簕高度特征，從分類精度提高可以看出多特征結合能解決這一問題。對于無瓣海桑，現(xiàn)場調(diào)查時，發(fā)現(xiàn)研究區(qū)內(nèi)僅有4株，訓練樣本的缺少導致其分類精度最低。對于鹽沼植被茳芏，其生長密度最大且高度均一，且無人機拍攝時，茳芏正處于物候期，植株干枯，從而基于高度特征分類效果要好過多光譜影像的光譜特征。潮灘無植被覆蓋，地形起伏小，且高度最低，由此僅利用高程特征便可以很好對其區(qū)分，分類精度達到93.83%。由于水體對可見光和激光雷達的吸收性和衰減效應較其他地物要高，因此水域的分類精度都較高。

表4 基于不同遙感數(shù)據(jù)特征的紅樹林分類精度Table 4 Classification accuracy statistical table base on different characteristics of remote sensing data

本文還計算了多光譜波段和激光雷達高度特征的貢獻率（圖4）?？梢钥闯觯诸愡^程中，高度特征的分類精度要比多光譜波段高。在所有的高度特征中，冠層高度模型有很好的區(qū)分紅樹種類的能力，僅靠一個特征就達到了72.85%的分類精度，相對于總體精度的84.3%，其他高度特征發(fā)揮的作用要小一些。除此之外，高程L2、高程方差、高程標準偏差也都表現(xiàn)出比較重要的作用，這些特征的分類精度大都比多光譜波段要略高。在多光譜波段中，紅波段貢獻率最高，為55.78%。雖然各多光譜波段分類精度較低，但對于特定目標如水域、灘涂、茳芏等地物各個波段都有其優(yōu)勢。這些優(yōu)勢特征的融合所發(fā)揮的作用會出現(xiàn)超常效果，從而多光譜融合分類精度要高于激光雷達高度特征融合分類精度。

圖4 不同特征參量的分類精度Fig.4 Classification accuracy based on different characteristic parameter

3.2 紅樹單木結構分割

基于本文提出的紅樹單木分層分區(qū)距離判別聚類分割方法，計算得到紅樹單木冠幅和樹高（圖6）。結合現(xiàn)場調(diào)查站點數(shù)據(jù)，共實測秋茄和桐花樹分別為84棵和93棵，單木分割結果分別為72棵和56棵，精度分別為86.71%和60.21%。通過對比分析紅樹樹高和冠幅等結構特征發(fā)現(xiàn)（圖7），激光雷達估算紅樹高度的能力要遠超冠幅。其中秋茄實測樹高在1.8—4.4 m，中值為3.35 m，均值為3.36 m，而反演值在1.58—4.02 m，中值為2.99 m，均值為3.07 m，誤差為0.4 m以內(nèi)，比實測值略低。桐花樹樹高實測值在1.73—3.6 m，中值和均值分別為2.2 m 和2.24 m；反演值在1.94—3.2 m，中值和均值分別為2.38 m和2.47 m，精度要高于秋茄。從上述結果可以看出，激光雷達在估算樹木高度方面具有很高的精度。但對于紅樹冠幅，反演值要比實測值偏大，秋茄和桐花樹分割誤差分別為21%和43%；通過對比發(fā)現(xiàn)，秋茄冠層邊緣的老鼠簕和茳芏被錯分為秋茄冠幅的一部分；桐花樹由于生長茂密，樹木冠幅交錯，冠幅高低起伏差異較小，導致單木分割時出現(xiàn)弱分割，冠幅識別誤差變大?？梢妼τ趶碗s的紅樹林，LiDAR 點云單木分割還存在一定的局限性。

圖6 基于無人機遙感影像的單木分割Fig.6 Single tree segmentation results base on UAV-multispectral

為提高研究區(qū)紅樹林地上生物量估算準確性，本文對單木分割結果進行了后處理，挑選出異常值區(qū)域，通過目視經(jīng)驗判讀的方法對分類結果進行修正。對于秋茄冠層邊緣的老鼠簕和茳芏進行重新提取和賦值；對于桐花樹冠幅異常區(qū)域，利用鄰近現(xiàn)場調(diào)查采集的桐花樹密度、高度和冠幅等數(shù)據(jù)，重新定義該區(qū)域的單木數(shù)量和冠幅大小。

3.3 紅樹林地上生物量估算模型

對于研究區(qū)內(nèi)植被地上生物量，考慮其生長特征和現(xiàn)場數(shù)據(jù)，本文分為以下情況開展估算。（1）對于秋茄、桐花樹和無瓣海桑這3種喬木或灌木植被，基于現(xiàn)場采集的紅樹生長參數(shù)，結合已有研究中構建的不同類型紅樹異速生長模型，計算站位區(qū)域內(nèi)各類型紅樹的單木地上生物量作為實測值，基于點云數(shù)據(jù)得到的紅樹單木結構特征，構建紅樹生長參數(shù)與生物量回歸模型。（2）對于老鼠簕，多為單株灌木植被，構建歸一化植被指數(shù)與現(xiàn)場采集生物量之間的關系模型來估算其地上生物量。（3）由于調(diào)查時間段內(nèi)，茳芏正處于物候期，植株干枯，無法構建光譜與生物量之間的關系模型，因此采用單位面積生物量平均值乘以分布面積計算其地上生物量。

本文基于提取的秋茄、桐花樹和無瓣海桑等3種紅樹類型的冠幅和樹高等生長參數(shù)，結合站點的單木生物量數(shù)據(jù)，構建了包含樹高H（Height）、冠幅C（Canopy）的單變量和雙變量回歸模型。由于研究區(qū)內(nèi)無瓣海桑數(shù)量較少，現(xiàn)場調(diào)查時僅采集到其中兩株的生長參數(shù)，因此未構建回歸模型。

圖5 不同遙感數(shù)據(jù)特征分類結果圖Fig.5 Classification result of different characteristics of remote sensing data

本文構建了秋茄和桐花樹地上生物量與樹高和冠幅兩種生長參數(shù)之間的線性回歸模型，并使用決定系數(shù)R2來評價模型的精度。從表5 可以看出，雙變量回歸模型中，桐花樹和秋茄的回歸模型決定系數(shù)R2分別達到了0.832 和0.678。兩種紅樹地上生物量與冠幅呈較高的正相關性，單變量模型中決定系數(shù)R2分別為0.824 和0.547；但兩種紅樹的生物量與樹木高度相關性卻很低，決定系數(shù)R2只有0.019 和0.055。現(xiàn)場調(diào)查發(fā)現(xiàn)，研究區(qū)內(nèi)桐花樹和秋茄的植株高度與樹齡的相關性小，大部分桐花樹和秋茄的樹高分別在2.3 m 和3 m 左右（圖7），但其樹齡卻存在較大的差異，紅樹的基徑、胸徑和冠幅卻隨樹齡的增加而變大。這也是表3中秋茄和桐花樹的異速生長模型并未引入樹高作為參數(shù)的原因。對于老鼠簕，構建了歸一化植被和現(xiàn)場生物量之間的模型，決定系數(shù)R2為0.77。

圖7 桐花樹和秋茄生長參數(shù)實測值和反演值箱線圖和散點圖Fig.7 Box plots and scatter plots of field-measured and predicted values of growth parameters between Kandelia candel and Aegiceras corniculatum

表5 秋茄、桐花樹和老鼠簕地上生物量估算模型Table 5 Estimation model of aboveground biomass of Kandelia candel，Aegiceras corniculata and Acanthus ilicifolius L

3.4 紅樹林空間分布特征分析

研究區(qū)內(nèi)紅樹林多為人工種植，經(jīng)過20 多年的生長，其空間分布具有較為明顯的規(guī)律。研究區(qū)以桐花樹和秋茄混生種植為主；但隨著潮汐和

種間競爭的影響，紅樹林類型在垂直于堤壩呈現(xiàn)條帶式分布：秋茄—老鼠簕/茳芏—桐花樹。通過對比研究區(qū)地面高程發(fā)現(xiàn)，秋茄生長區(qū)域的平均高程比桐花樹要高出大約15 cm。研究區(qū)內(nèi)桐花樹面積最大，為8.9 hm2，分布最為廣泛，由于其耐鹽和抗潮汐能力強，多分布于遠離堤壩的潮溝兩側區(qū)域，樹高較低且生長茂密。秋茄面積次之，為4.69 hm2，主要分布于受潮水影響較弱的鄰近堤壩區(qū)域和被桐花樹。茳芏環(huán)繞區(qū)域。無瓣海桑分布數(shù)量較少，整個研究區(qū)域內(nèi)僅有4株，分布于潮水連通處，可能為種子自然擴散而來。老鼠簕和茳芏生長于秋茄和桐花樹之間，其中老鼠簕更靠秋茄一側多零散分布于秋茄樹木之間，茳芏緊鄰桐花樹成片生長。

3.5 紅樹林地上生物量空間特征分析

根據(jù)圖8 的研究區(qū)紅樹林地上生物量分布圖，其空間分布規(guī)律與地物類型分布相關，研究區(qū)內(nèi)地上生物量最小的區(qū)域是桐花樹，從無人機現(xiàn)場照片解譯發(fā)現(xiàn)，該區(qū)域為稀疏桐花樹幼苗區(qū)，地上生物量為0.34 kg/m2，最大值為無瓣海桑的8.6 kg/m2。整體上，大部分地上生物量分布區(qū)為1.24—3.6 kg/m2。從各地物類型地上生物量分布來看，呈現(xiàn)無瓣海桑>桐花>茳芏>秋茄>老鼠簕。無瓣海桑作為高大喬木，在茅尾海紅樹林保護區(qū)內(nèi)最大高度達20 m，且生長速度快，其他植被無法對其形成生存威脅，因此樹木高大，枝干茂密，單位面積生物量最高。桐花樹叢生，生長茂盛，地上生物量分布區(qū)間主要集中在1.76—3.73 kg/m2，均值為2.85 kg/m2。秋茄生長較為緩慢，其地上生物量分布區(qū)間為1.24—3.09 kg/m2，均值為2.32 kg/m2。老鼠簕地上生物量位于0.56—2.64kg/m2，其生物量均值為1.68 kg/m2；茳芏生物量位于2.00—3.73 kg/m2。

圖8 紅樹林地上生物量分布圖Fig.8 Spatial distribution of mangrove aboveground biomass

3.6 紅樹林監(jiān)測精度的影響因素分析

在本文研究區(qū)無人機多光譜遙感圖像的拍攝和拼接過程中，由于紅樹林樹木之間的相似性和枝葉隨風搖擺造成的同名點確定困難，導致了最終拼接而成的覆蓋整個調(diào)查區(qū)域的遙感圖像存在局部拉伸、畸變等情況。這種畸變和成像缺點在一定程度上影響了多光譜的分類效果和精度。同時由于遙感圖像的空間分辨率高，對紅樹陰影區(qū)域的清晰成像，更進一步地影響了分類效果。將LiDAR 數(shù)據(jù)獲取的高度特征與多光譜特征結合后，在很大程度上有效緩解了上述多光譜遙感圖像的成像缺陷帶來的分類精度不高的問題，因此結合無人機多光譜和LiDAR 點云數(shù)據(jù)在紅樹林精細識別方面具有較好的適用性。

由于飛行路線和傾角的原因，其激光雷達傳感器正下方的點云密度要高于瞬時視場角兩側的點云密度，由此提取的樹木高度特征也會隨之變化，從而會影響紅樹種類的識別和高度的估算（Yin 和Wang，2019）。同時，現(xiàn)場調(diào)查時發(fā)現(xiàn)，稀疏的秋茄樹下生長有較為茂密的老鼠簕和秋茄幼苗等植被，造成部分點云無法到達地面，影響了LiDAR 點云提取紅樹林木高度的精度，進而會降低紅樹林類型的分類精度和地上生物量估算準確性。再者，林下植被作為紅樹林生態(tài)系統(tǒng)的重要組成部分，能夠體現(xiàn)整個生態(tài)系統(tǒng)的生物多樣性、穩(wěn)定性和健康狀況，其地上生物量和種類豐富度是人工林的自然更新和演替的一個重要指標，在下一步研究中，將引入地面激光測量雷達，開展林下植被的研究。

圖9 紅樹林林下結構Fig.9 Understory structure of mangrove

4 結論

本文選擇廣西茅尾海紅樹林保護區(qū)為研究區(qū)，以無人機多光譜和激光雷達影像為數(shù)據(jù)源，利用支持向量機分類方法對研究區(qū)紅樹林種類進行分類；在此基礎上，結合實地測量的紅樹生長參數(shù)，提出了紅樹林分層分區(qū)距離判別聚類算法，實現(xiàn)了紅樹單木結構特征的準確提取，估算了研究區(qū)紅樹林地上生物量。得出以下結論：

（1）利用無人機多光譜和激光雷達數(shù)據(jù)在紅樹林種間類型識別是可行的，并且融合兩種數(shù)據(jù)源的分類結果要比單一數(shù)據(jù)源或單一特征分類結果精度更高，從分類精度來看，融合無人機多光譜影像和激光雷達高程特征的分類精度最高，總體精度可達90.69%。Kappa系數(shù)為0.8819。

（2）本文提出的分層分區(qū)距離判別聚類算法能夠較好的提取紅樹單木結構特征，秋茄和桐花樹單木分割精度分別為86.71%和60.21%；紅樹樹高的提取精度要高于冠幅，秋茄和桐花樹結構特征中樹木高度中誤差0.36 m和0.18 m，而秋茄和桐花樹冠幅分割誤差分別為21%和43%。基于紅樹單木高度、冠幅構建了不同紅樹種類的地上生物量回歸模型，雙變量融合模型精度要高于單變量模型。其中，桐花樹生物量估算模型精度最高，決定系數(shù)R2為0.832。

（3）通過構建的紅樹林地上生物量估算模型計算了研究區(qū)紅樹林地上生物量，發(fā)現(xiàn)無瓣海桑地上生物量最高，老鼠簕最低。其中桐花樹和秋茄的地上生物量主要分布區(qū)間分別位于1.76—3.73 kg/m2和1.24—3.09 kg/m2，老鼠簕地上生物量位于0.56—2.64 kg/m2，茳芏地上生物量均值2.53 kg/m2。