基于无人机光学遥感的森林生物量估算研究

李滨,刘可宁

(1.东北林业大学 机电工程学院，哈尔滨 150040；2.黑龙江工程学院 工程训练中心，哈尔滨 150050)

0 引言

森林是地球上分布最为广泛的陆地生态系统，在世界环境、经济和社会中扮演着重要的角色[1-2]。森林资源也是自然界最重要的资源之一，不仅为人类社会的生产和日常的生活提供生存栖息地，同时也为野生动物提供生存基础。不但如此，森林通过调节气候、涵养水源等方式影响着全球的生态环境[3]。森林生物量是森林生态系统生产能力的关键指标。在进行森林资源清算时，对森林生物量的准确估算有着重要的意义[4-5]。森林生物量估算就是获取森林的相关参数，如森林分布、树木种类和单木冠幅等。由于森林环境极为复杂，具有多样性、可变性等特征。因此提高构建模型的能力进行森林生物量的分析是不可或缺的。

国内外有大量关于运用遥感技术估算森林生物量的研究。以色列军方利用无人机技术取得军事领域的成功，间接地带动了无人机在民用领域的普及和应用。自20世纪80年代开始，无人机技术在电力、通信和森林测绘等应用领域发挥作用。Curran等[6]探索近红外波段和乔木叶生物量之间的关系，发现二者之间具有较强相关性。Hame等[7]利用TM数据和AVHRR数据，结合森林实测数据，构建光谱特征因子和地上生物量间的模型关系，最终可获取精确度较高的欧洲地区的森林地上生物量。Dean[8]利用遥感影像提取林分断面积、叶面积指数特征和冠层郁闭度，分析其与地面生物量的相关性。以上研究结果表明，林分断面积与生物量存在较高的关联性，但是难以从遥感影像中提取，而叶面积指数和冠层郁闭度可以充分表达森林生物量。曹庆先等[9]利用TM数据将纹理特征和广西地区的红树林生物量数据结合，采用KNN算法与回归分析法对比生物量精度，结果表明利用KNN算法的精度与尺度成正比，并且在像元尺度上K=5时，回归分析法显著优于KNN算法。王月婷等[10]基于卫星遥感数据的纹理信息，建立多元非线性回归模型，表明纹理信息与生物量和碳储量关系优于光谱信息。申鑫等[11]基于样地实测数据，结合无人机获取的高光谱和高空间分辨率数据进行多源遥感因子提取，建模估算了亚热带天然次生林生物量，R2为0.62，均方根误差(RMSE)为11.42。

目前关于森林生物量的估算研究方法有很多，但是主要研究方法依然是运用光学遥感技术。本研究选择东北林业大学林场作为试验区域，通过实地勘察设置2块面积相同的标准样地，分别为建模样地(plot1)和验证样地(plot2)。对于樟子松的地上生物量利用无人机遥感技术获取plot1和plot2的样地图，结合对2个样地内的每木检尺测定的单木胸径和遥感影像获取的单木树冠面积，建立精度高、效果好的树冠面积-胸径模型，并借助已有相同树种的胸径-生物量经验模型，间接建立树冠面积-生物量模型，最终完成试验区域内树种单木地上生物量计算。

1 研究地区与研究方法

1.1 研究区概况

研究区设在黑龙江省哈尔滨市东北林业大学城市林业示范基地，其地理坐标为126°37′15″E，45°43′10″N。东临马家沟河，西以哈尔滨师范大学为界。降水主要集中在5—9月，全年平均降水量约为569.1 mm。气候属中温带大陆性季风气候，冬长夏短。夏季气候温热多雨，7月平均温度为18.1～22.8 ℃，最高温度达38 ℃，平均降水量高达全年的60%～70%。研究区域作为黑龙江省优质林业示范基地，树木种类丰富多样，示范基地内有白桦树、黑皮油松、樟子松树、水曲松树和胡桃树等人工群落。

1.2 研究方法

1.2.1 试验设计

根据黑龙江省哈尔滨市东北林业大学城市林业示范基地的实际条件，由于示范基地的樟子松都是分好区域的纯林，在较小的面积内就有足够数量的样本进行试验。樟子松样地内有乔木、灌木和草木3层。其中，乔木层树种即为樟子松，灌木树种主要为榆叶梅和文灌果，草本层植物主要为狗尾巴草等，分布比较广泛且均匀。本研究在东北林业大学城市林业示范基地设置2块面积均为30 m×30 m的实验样地，称为plot1和plot2，并进行地上生物量的估测。

1.2.2 无人机数据获取

本试验选取的航拍设备为无人机大疆MavicAir2，此无人机的飞行可以通过人工进行远程操控，并配备了全球定位系统(GPS)。在启动无人机进行试验之前，先进行航路规划，起飞后进入自主飞行模式。所选取的无人机主要参数见表1。

表1 实验用无人机主要参数

无人机本身配备了影像传感器，获得的有效影像达到1 200万像素，可获得影像为RGB真彩图像。相机主要参数见表2。

表2 相机主要参数

根据研究区域现状和无人机的性能，试验于2020年9月2日9:00—13:00进行。试验当天天气状况良好，风速低、无太阳、能见度高，适合对目标样地进行无人机遥感影像的采集。综合各种因素的考虑，设定无人机飞行高度为80 m。起飞前进行无人机检测，以保证无人机的参数稳定并可以正常飞行。在无人机采集影像时，为了避免产生阴影数据，应选择阳光较弱甚至阴天时进行无人机的飞行[12]。因为阳光较强时，大的树冠会在较小的树冠上方形成阴影，可能使部分低龄树种完全处于阴影中，不利于数据的正确采集。

2 影像分类与树冠信息提取

2.1 影像分割技术

本试验对于提取树冠轮廓选取面向对象分类的基本方法。面向对象分类的基本方法通常有2个步骤，包括影像的分割和面向对象的分类[13]。

在本试验中选取多尺度影像分割方法，该方法是一种既可以自动生成遥感影像又能将影像对象按等级结构连接起来的技术。多尺度分割是从多种角度多图像进行影像分割，从而使分割结果和实际情况更加吻合，达到较高的精度[14]。分割尺度较大的对象层中多边形包含的像元数目较多，而分割尺度最小的对象层中包含的多边形较多。多尺度分割方法是指在影像中起点可以为任意像元，采取从上至下的合并方式形成目标对象，合并后所有对象间在光谱和形状上存在异质性[15]。由于影像分割受尺度、颜色和光滑度的影响，需要经过多尺度分割比较，选出最合适的分割尺度。在分割过程中，若分割尺度参数设置较大，会使得影像欠分割，造成一个分割对象中包含多个树冠；而分割尺度过小，会使得影像分割过于细碎，可能将一个树冠分割成多块[16]。

在本试验中，使用eCognition软件对樟子松遥感图像进行影像分割[17]。通过反复分割试验对比，选取最合适的分割参数，进行目视比较，在最大满足分割目的的情况下确定分割尺度和设置参数。

不同参数下分割效果如图1所示，其中Scale是设置尺度参数，尺度参数越大，分割得到对象越大; 尺度参数越小，得到的分割对象越细碎。括号内数值分别为形状因子(Shape，用S表示)和紧致度(Compactness，用C表示)。由图1可以看到，在影像分割的尺度参数设置为100时，影像被过度分割；而在分割尺度设置过大时，分割的对象形状较大，且不能与林分边界相吻合，而适宜的分割尺度通常通过目视即可很好地识别。

图1 不同参数分割效果图

分割的具体操作步骤如下。

(1)将图像分解为基本对象：打开eCognition软件，在Process Tree窗口，右击选择Append New，将Name改为新建规则(Segmentation)，选择插入子规则(Insert Child),在Algorithm下选择多尺度分割算法(Multiresolution Segmentation)，并将尺度参数(Scale parameter)设定为200，形状因子(Shape)为0.1，紧致度(Compactness)为0.5。分割界面如图2所示。

图2 分割界面

(2)尺度分割运行后，会发现遥感图像被分成了许多对象(Objects)，对樟子松图像分割完毕，分割效果如图3所示。

图3 分割效果图

经过目视对比和反复试验，得出尺度参数为200、形状因子为0.1、紧致度为0.5最符合本次试验影像分割的分割结果。

2.2 影像分类算法

2.2.1 常见分类算法

常用的分类算法包括多尺度分割算法、区域生长算法和分水岭分割算法。本试验所选用的多尺度分割算法，是一种可以生成任意尺度的、属性信息相似的影像多边形，采用模糊的数学方法获取每个对象的属性信息，遥感影像的信息提取以影像对象为基本单元，从而实现分类和信息提取。面向对象的遥感影像分类有2个独立分支，影像的分割和影像分类对象生成，采用多尺度分割技术生成同质对象是进行分类识别和信息提取的必要条件。信息提取的基本思想是基于模糊逻辑分类，建立特征属性的判别规则体系，获取单个目标对象属于某一类别的概率，达到分类识别和信息提取的目的。

2.2.2 Assign class模糊分类算法

本次试验采用非监督分类方法，使用Ecognition 9.0软件，选定其中的Assign class算法进一步对分割后的樟子松影像分类以区分出樟子松的林窗和树冠[18]。Assign class算法是一种简单的分类算法，其构建的分类规则就是在目标类别和背景类别存在差异时，可将其正确区分。该方法根据预先设置好的阈值条件，判断识别范围内的分割对象是否为同一类别。本文将需提取的樟子松树冠类别设定为目标类别，而林窗等其他类别看作背景类别。

由于样地樟子松为纯林，因此樟子松在无人机遥感影像呈现亮度高、颜色浅等特征，则分类时将亮度值(Brightness)大于等于127的部分设为樟子松树冠覆盖区，剩下的部分则为林窗[19]。图4为东北林业大学城市林业示范基地樟子松树冠覆盖区提取效果图。

图4 东北林业大学城市林业示范基地樟子松树冠覆盖区提取效果图

2.3 单木树冠提取

东北林业大学城市林业示范基地樟子松的分布较为规律，树木间相对紧凑且研究的目标树木为纯林，因此可直接对影像进行分割，在分割好的影像基础上提取目标样木的树冠。

在提取树冠时，存在树木的树冠相互堆叠的情况，不利于准确地分割，因此，提出了阳性冠幅的概念。阳性冠幅是指森林中单木垂直投影不与其他林木重叠的冠幅，相对于树木其他组织，是单木光合效率最强，有机物合成最多的部分，而除这部分冠幅外所吸收的光照较弱，对林木生长贡献较小，所以阳性冠幅足够体现单木的营养空间，利用其进行生物量的估算是有效的。因此，本试验提取的树冠采用阳性冠幅。

本次分割目的为提取树冠，因此分割尺度小于分类尺度，经过目视和经验判断，最终确定了分割尺度为200、形状因子为0.1、紧致度为0.5。由于目标样地内树木密集，分类后必须进行二次人工分割分类以保证精确提取樟子松树冠覆盖区的单木树冠。分割完成后通过目视，对分割过程中出现的欠分割和过分割情况进行人工校正。人工校正后，将树冠轮廓矢量导入ArcGIS10.2软件中，计算出目标树种相应的树冠面积。樟子松树冠轮廓如图5所示。

图5 树冠轮廓图

为验证单木冠幅提取效果，对单棵樟子松的冠幅轮廓进行展示，如图6所示。从图6中可以看到，单木冠幅提取效果良好，樟子松冠幅轮廓较为清晰。

(a)樟子松1局部图(a)Partial view of Pinus sylvestris var.mongolica1

利用ArcGIS软件，统计出研究区域内plot1和plot2内所有樟子松的树冠面积，再结合对2块样地内的100棵樟子松进行每木检尺，记录下胸径。

表3为东北林业大学城市林业示范基地内plot1和plot2樟子松胸径及冠幅统计情况。

表3 东北林业大学城市林业示范基地样地内樟子松统计情况

3 森林生物量估算

3.1 模型常用评价指标

对于建立单木生物量的模型而言，评价指标有很多种[20-21]。目前，残差平方和、剩余标准差等指标是常见的生物量预测模型。总误差、预估精度、平均相对误差和相对误差是选择合适的模型预估生物量时必须考虑的，而模型评价的核心是选择适宜的评价指标。黄劲松等[22]用到了平均相对误差绝对值指标；Parresol等[23]利用标准差和残差的平均值，拟合了残差的高斯分布。在已有研究中，地上生物量模型常用的指标有决定系数(R2)、模型显著性指标值(F)、总相对误差、均方根误差(RMSE，公式中用RMSE表示)和相对均方根误差(RMSE%)。本文采用R2、RMSE来评价模型的拟合效果。其中R2也称为拟合系数，是由总平方和(TSS)和残差平方和(RSS)计算得出的；RMSE反映模型的精度。其具体公式如下。

(1)

(2)

3.2 模型的选择

本文选择具有代表性的树冠面积-胸径模型对建模样地内的数据进行拟合，选择最优模型，通过提取树冠面积，估测樟子松的胸径值，进而完成樟子松地上生物量的估算。

由于此试验目的为估算单木地上生物量，在降低野外工作量的前提下，选择树冠面积(Canopy area，CA，公式中用CA表示)作为胸径(Diameter at Breast Height，DBH，公式中用DBH表示)的解释变量参与最优模型的选择。依次选取拟合线性函数、幂函数、多项式和指数函数模型。并采用R2和RMSE来评价模型的拟合效果。

以plot1内统计到的CA值和DBH值作为样本点，分别对6种模型进行拟合，并对拟合效果进行评价。各模型的拟合效果如图7所示。

a、b、c为拟合参数

拟合结果及评价分析见表4。

表4 樟子松各类CA-DBH模型拟合参数及评价

由表4对拟合效果的分析可知，6个模型中，除指数函数模型外，均有良好的拟合效果(R2>0.5)，其中多项式和幂函数的拟合效果最为理想，R2均达到了0.95以上，RMSE也都很低。因此本试验选取计算量少、结构更为简单的幂函数模型作为东北林业大学城市林业示范基地樟子松的树冠面积-胸径拟合模型。

3.3 最优模型的预测效果

利用东北林业大学城市林业示范基地内的plot2中采集到的数据进行模型有效性的验证。将样地内基于影像提取的CA值代入选定的幂函数模型，并得到DBH的估计值，将其与样地内观测到的真实值进行比较。

模型预测值与样地观测值对比效果如图8所示。

由图8可知，樟子松实际测量的胸径和建模样地估计的胸径偏差不显著，由此可以验证樟子松胸径-树冠面积拟合模型的有效性，可用于进一步估测其地上生物量。

图8 樟子松DBH观测值与预测值对比图

3.4 森林生物量估算

接下来进行樟子松地上生物量的估算，采用文献中已有的胸径-生物量经验方程，根据数学关系间接建立树冠面积-生物量模型。而后利用模型进行单木生物量的估算，计算得出目标树种总地上生物量。根据胸径-生物量经验方程得出

W=0.024D2.703。

(3)

式中：W为生物量；D为胸径。

根据树冠面积-生物量经验方程得出

W=6.995 2C1.173 1。

(4)

式中：C为树冠面积。

根据所得树冠面积-生物量经验方程计算出plot1和plot2中的地上生物量，具体结果见表5。

表5 plot1和plot2内樟子松生物量估计结果

4 结论

以东北林业大学城市林场示范基地的樟子松为研究对象，使用无人机遥感技术获取目标样地内的樟子松遥感影像，对目标样地进行实地人工调查，通过实测获取目标样地内所有樟子松的胸径数据。利用eCognition软件对樟子松进行分割和分类，提取遥感影像内的单木树冠，通过ArcGIS软件计算单木的树冠面积后将样地实测胸径和树冠面积一一匹配，进而通过胸径数据和树冠面积数据拟合得到最优模型，结合经验方程胸径-生物量模型计算目标样地内的地上生物量。本文的主要研究结果如下。

(1)运用eCognition软件对无人机获取的遥感影像进行信息提取，从而进行影像分割。结果表明，分割尺度设定为200，形状因子为0.1, 紧致度为0.5，可以有效对樟子松遥感影像进行分类，提取单木树冠。

(2)结合实测数据，拟合出研究区樟子松的树冠面积-胸径6种模型类型，其中包括线性函数、幂函数、多项式函数和指数函数。对比拟合效果，结果表明最合适的幂函数方程为树冠面积-胸径模型类型：DBH=aCAb。

(3)根据拟合得到的树冠面积-胸径模型，结合已有的胸径-生物量经验方程，通过数学运算得到樟子松与树冠面积有关的生物量方程，结果表明plot1和plot2中樟子松的总地上生物量估计值为12 117 kg。