应用无人机可见光遥感技术估测林分蓄积量1)

杨安蓉 张超 王娟 李华玉 白明雄 张玉薇

(西南林业大学，昆明，650224)

林分蓄积量指一定面积上活立木材积的总和，不仅是森林资源调查的重要参数，亦是评价森林数量特征、林地生产力高低及经营措施的重要指标[1-2]。进入21世纪以来，无人机遥感技术作为一种新型数据获取手段，为快速、高效、准确获取单木尺度和林分尺度的森林参数信息提供了重要技术手段，在森林资源调查领域已有初步探索[3]。应用无人机遥感进行林分蓄积量估测主要通过树高、冠幅、胸径之间的相关性建立回归模型估测森林参数，进而应用材积公式估算[4-5]。综合国内外研究发现[6-11]，无人机遥感技术可实现林分蓄积量的估算，既满足现代森林经营需求的同时，亦能提升森林资源调查效率，为森林资源数据更新提供重要保障。

本研究以云南松(Pinusyunnanensis)为研究对象，采用传统调查方法结合无人机遥感技术，探索林分蓄积量的调查方法，为利用无人机遥感技术进行单木尺度云南松蓄积量估测提供技术支撑和理论依据。根据实测冠幅和胸径建立最优冠幅-胸径回归模型，采用目视解译法对无人机影像进行单木冠幅提取，利用冠幅-胸径模型估测单木胸径，根据二元立木材积公式估测标准地的单木材积和林分蓄积量，并进行精度评价和分析。

1 研究区概况

研究区位于云南省昆明市富民县罗免乡，地理坐标102°20′46″～102°29′14″E，25°16′21″～25°25′26″N(见图1)。该地区为典型的低纬度亚热带高原季风气候区，气候条件总体呈现出四季不明显，具有干湿季分明，冬春干冷，夏秋湿热，春季升温快，秋季降温早，光热条件较好的特点。森林资源主要以云南松天然纯林为主，森林覆盖率46.8%。主要乔木树种有云南松、栎类、桤木(AlnuscremastogyneBurk.)、桉树(EucalyptusrobustaSmith)和杏(ArmeniacavulgarisLam.)等。

2 研究方法

2.1 标准地设置与调查

在研究区内选取能够充分代表云南松天然林总体特征水平的地块，设置方形标准地74个，标准地大小为25 m×25 m，每2个相邻样地呈东西向或南北向连接。依据森林资源规划设计调查技术规定，将标准地按郁闭度划分为3个等级：高郁闭度(0.70以上)、中郁闭度(0.40～0.69)、低郁闭度(0.20～0.39)。采用实测法，实地调查胸径≥5.0 cm所有活立木的胸径、树高、最长冠幅、最短冠幅，并对每木进行定位。

图1 研究区地理位置

图2 研究区样地概况

剔除异常数据后，共有1 046株样木，通过整理得到按径阶(2.0 cm)和郁闭度分布的序列，然后分别计算出单木冠幅的实测值、林分蓄积量，具体公式如下[12]：

V=0.000 058 290 117 5×D1.979 634 4×H0.907 151 55；

M=n1v1+n2v2+n3v3+…+nnvn。

2.2 无人机影像获取与处理

采用大疆PHANTOM4 PRO四旋翼单镜头无人机，传感器为高分辨率可见光相机，有效像素为2 000万，数据采集时间为2019年6—7月，影像获取与标准地调查同时进行。飞行高度为50 m，速度为2.5 m/s，平均航向重叠率为90%，平均旁向重叠率为80%。利用Pix4D mapper软件进行无人机影像数据的预处理，主要流程包括：相机参数和GPS位置信息读取，空间三维计算，影像自动校正，三维点云生成，正射影像(DOM)和数字表面模型(DSM)生成等(见图3)。

图3 研究区无人机影像

结合DOM和DSM，采用目视解译方法，根据影像的形状、颜色等信息勾绘识别遥感影像中的树冠边界，提取云南松单木冠幅[13-14]。以第15号标准地为例，单木冠幅提取结果如图4所示。74个标准地共识别提取单木冠幅1 059株。

图4 标准地单木冠幅轮廓

云南松树冠多呈不规则形状，为了简便计算，将树冠近似视为圆形。通过ArcGIS计算各单木树冠轮廓的面积和周长，用面积和周长求平均半径的平均值作为冠幅[15]。单木冠幅的计算公式如下[16]：

Cl=l/2π;

式中：Ca为冠幅面积；Cl为冠幅周长；s为单木树冠面积；l为单木树冠周长。

2.3 云南松单木胸径-冠幅拟合模型

将异常数据(枯立木13株)及提取过程中丢失的9株样木数据剔除，共剩余1 037株样木信息，基本信息如表1所示。

分别从3个郁闭度等级的样木中，随机抽取80%的样本数据，进行云南松单木胸径-冠幅回归模型的构建，剩余20%用于模型检验。按照不同郁闭度等级绘出胸径-冠幅关系散点分布图(见图5)和冠幅-材积关系散点分布图(见图6)。从图中可以看出，不同郁闭度林分胸径-冠幅、冠幅-材积的关系具有一定的规律，因此，可以根据3个郁闭度等级的散点分布形状和趋势选定拟合模型(见表2)。

表1 样地数据汇总表

图5 不同郁闭度林分胸径-冠幅散点分布

图6 不同郁闭度林分冠幅-材积散点分布

表2 胸径-冠幅拟合模型

回归模型进行评价及精度验证。对回归模型的信息统计和评价应采用何种指标暂无明确标准[17]。本研究利用调整后R2、F值、P值、估计标准误差(SEE)及残差平方和(RSS)对回归模型进行拟合优度及显著性评价。

回归模型适用性评价。选用均方根误差(RMSE)、总相对误差(TRE)、平均绝对误差(MAE)、平均相对误差(MRE)、平均百分标准误差(MPSE)和模型总体精度(A)6个指标定量评价各回归模型的适用性。

3 结果与分析

3.1 云南松单木冠幅提取结果

由表3可知，在冠幅提取过程丢失了9株样木数据，均为中郁闭度林分中的云南松样木，共有99.2%的样木树冠被有效提取。3组数据的平均相对误差均较小，说明整体上3个郁闭度等级单木冠幅的提取精度较好。

表3 单木冠幅提取精度

3.2 不同郁闭度林分胸径-冠幅拟合模型

3.2.1 拟合模型研建及评价

利用SPSS对不同郁闭度林分的建模数据进行回归分析，以胸径为自变量，冠幅为因变量，得到各模型的参数及评价指标(见表4)。

由表4可知，3个郁闭度林分中11种模型的显著性结果均为0.0000，且F>Fa(k，n-k-1)均成立，因此认为列入模型的各个解释变量(胸径)联合起来对因变量(冠幅)有显著影响，即模型的回归关系显著成立。经过比较分析，低郁闭度林分，模型1和模型7的拟合效果较好；中郁闭度林分，模型7拟合效果最优；高郁闭度林分，模型10和模型11拟合效果较好。低郁闭度和高郁闭度难以直观判断其最优回归模型，因此，将拟合效果较好的2个模型均进行适用性检验，以验证模型在实际中的适用性，经过对比分析选出最优模型。

表4 不同郁闭度林分胸径-冠幅模型拟合参数

3.2.2 模型适用性检验

将验证样地数据(单木冠幅)分别代入待选回归模型，进行单木胸径估算，利用6个指标作为模型的适用性评价标准，将得到的估算值与实测结果对比分析(见表5)。

由表5可知，模型的适用性检验中，各项误差指标的绝对值越接近于0，说明误差越小，越能经受实践的检验。经过对比判定，模型1、模型7和模型10能够分别最有效地描述3个郁闭度云南松林分胸径-冠幅的回归关系。3个模型的参数均大于0，符合线性函数变化趋势，说明冠幅与胸径呈正相关关系，即冠幅与胸径的大小呈现同增同减之趋势，结果既符合云南松生物学生长规律，亦符合现实变化情况。且模型通过了F检验和T检验，说明这3个模型能够准确描述林分胸径-冠幅的回归关系。

表5 不同郁闭度林分胸径-冠幅模型适用性检验指标

3.2.3 基于无人机技术的调查方法实现

将云南松单木冠幅提取结果按照不同郁闭度等级林分划分情况进行分类，与标准地调查数据对比分析，采用云南松低郁闭度林分单木胸径-冠幅最优拟合模型，进行云南松单木胸径的估算，得到的估算胸径与实测胸径对比结果(见表6)。

表6 不同郁闭度林分胸径预估统计量

由表6可知，3个郁闭度等级云南松林分的胸径估算得到的预估胸径与实测胸径的2组数据平均状态均较相近，平均相对误差也较小，分别为0.31、0.31和0.33 cm，总体上估算结果较理想。

3.3 不同郁闭度林分蓄积量估算

利用二元立木材积公式计算样地的实测每公顷蓄积量，分别统计不同郁闭度等级云南松林分的蓄积量，如表7所示。

表7 不同郁闭度林分蓄积统计量

经过3个郁闭度等级云南松林分的胸径-冠幅相关关系的建模、检验后，得到最优模型的评价分析及无人机遥感估算模型估测林分蓄积量于实测的结果分析(见表8)。

表8 不同郁闭度林分无人机遥感估算模型估测林分蓄积与实测的结果分析

由表8可知，无人机遥感估算林分蓄积量结果中，低郁闭度林分平均精度达53.12%；中郁闭度林分，总相对误差为-4.37%，误差绝对值小于10%，平均估测精度达78.65%；高郁闭度林分，总相对误差为4.83%，总相对误差小于10%，平均估测精度达81.16%；3个模型(高、中、低郁闭度林分)的遥感估算结果均较为理想，尤其以中郁闭度和高郁闭度最优。

4 结论与讨论

本研究利用目视解译方法精确提取云南松的单木冠幅，3个郁闭度等级云南松林分冠幅提取的平均相对误差均较小，分别为0.24、0.29和0.29。采用11个模型拟合云南松胸径-冠幅回归模型，得到最优回归模型分别为：低郁闭度C=1.216+0.183D、中郁闭度C=0.566D0.718、高郁闭度C=2.373exp(0.036D)。无人机遥感估算林分蓄积量与传统调查方法相比，3个郁闭度等级云南松林分的平均估测精度达53.12%、78.65%和81.16%。

(1)冠幅测量及提取方法存在不足。本研究中的实地冠幅调查，与孙钊等[18]使用8个方向冠幅均值决定树冠大小相比，可能会导致人为误差增大进而影响胸径-冠幅模型的拟合效果，最终影响蓄积量估测精度。在冠幅提取时有数据丢失和估测结果跨度较大的现象，经过反复比对和分析发现，除了单木连接导致树冠重叠之外，还可能是在目视解译时部分树冠边界未被识别导致单木树冠提取面积偏小。随着利用无人机高分影像进行单木树冠提取的研究逐渐增多，单木树冠提取方法越来越多，因此选择适合于不同林分尺度下的单木树冠提取方法能够提升森林蓄积量估测效率。

(2)未考虑树高等因子对森林蓄积量估测的影响。本研究根据单木水平进行云南松蓄积量估测，仅考虑了郁闭度和冠幅、胸径间的相关关系对蓄积量的影响，未考虑到树高等其他因子的影响。李亚东等[6]以无人机高分辨率影像提取的树高和冠幅作为解释变量，根据二元材积模型采用最小二乘法估算森林蓄积量，估算精度为81.80%，相对于林分水平蓄积量估测未考虑到地形因子及林分因子对蓄积量的影响；苏迪等[19]基于无人机高分影响及点云数据提取估测平均树高、平均胸径、坡度、坡向、海拔和树冠等因子进行蓄积量估测精度达88.43%。

本研究证明了利用无人机遥感技术估测云南松林分蓄积量具有可行性，为无人机遥感技术在林业中的运用提供了初步的理论经验，今后的研究方向可考虑进一步扩大研究区、增加影响因子以及尝试其他研究方法，探索精度更高、适用性更强的蓄积量估测方法，从而减少外业调查的工作量，为森林经营管理提供技术支持。