LiDAR采样形状及采样尺度对林分均高估测的影响

彭　涛 ，邢艳秋，尤号田，丁建华，戚大伟

（东北林业大学 a.森林作业与环境研究中心；b.理学院，黑龙江 哈尔滨 150040）

林分平均高作为重要的森林结构因子，在森林资源调查及后续其他森林结构参数估测中均发挥着重要的作用[1-3]。机载LiDAR作为一种新兴的主动遥感技术，现已成功应用于多种森林结构参数估测研究中[4-7]，其中林分平均高的估测尤为多见。如：庞勇等[8]从LiDAR数据中提取了点云上四分位数处的高度值用于估测森林林分均高，结果表明：针叶林、阔叶林的估测精度均高于87%，且阔叶林的估测精度高于针叶林的估测精度。尤号田等[9]从机载LiDAR数据中提取了最大树高及最大冠层高用于估测森林样方平均高，结果表明，估测精度均在90%以上，满足林业生产需要。焦义涛等[10]通过计算LiDAR点云中植被点云的高度阈值的均值估算了森林的林分高，结果表明估测平均精度为94.56%。Andersen等[11]从LiDAR数据中衍生得到百分位数高、最大数高、平均树高、变异系数及冠层回波比，用线性回归估测了森林的冠层高度，结果表明百分位数高和冠层回波比与森林冠层高的相关性最好，Rmse为1.5 m。上述研究表明：LiDAR点云数据衍生得到的高度分布参数可以用于林分平均高的估测研究且估测结果精度较高。

因森林地形及冠层结构相对复杂，会导致林下GPS定位精度有所下降，使得野外方形样方的采集难于圆形样方，因而在遥感林业应用研究中圆形野外采样样方较为多见。虽然圆形野外采样样方对于LiDAR数据估测森林单样方结构参数没有任何影响，但对于实现区域结构参数连续估测及LiDAR数据与其他栅格数据协同应用均会产生一定的影响。这主要是因为方形像素是栅格数据的最小单元，圆形采样无法与方形栅格进行完美匹配，且圆形采样也无法实现区域性的连续无缝估测。因此，必须通过LiDAR采样数据将野外圆形测量数据转换为方形数据产品，但LiDAR数据采样形状的改变对森林结构参数估测产生的影响结果未知。

同时，LiDAR数据采样尺度的确定一直是研究的热点，不同的学者虽进行了大量的研究，但至今仍未达成一致。如：Solberg等用不同采样尺度的圆形样方LiDAR数据估测了挪威云杉的Lai，结果表明当LiDAR数据的采样尺度为样方平均树高的0.75倍时森林Lai的估测结果最优。骆社周等[12]利用5种不同采样尺度的方形LiDAR数据分别估测了青海云杉的Lai，结果表明当LiDAR数据的采样尺度为20 m时森林Lai的估测结果达到最优。邢艳秋等[13]利用4种不同的LiDAR数据采样尺度对白桦林的Lai进行了估测研究，结果表明，当LiDAR数据的采样尺度为15 m时估测结果最优。虽然上述研究结果表明LiDAR数据采样尺度对森林Lai估测结果有一定的影响，但均仅对一种森林类型估测结果进行了研究，未考虑同一研究区内不同森林类型估测结果的差异。

因此，本研究分别利用圆形及方形两种采样形状对LiDAR数据进行采样，从中提取点云高度分位数用于估测林分均高，以此量化LiDAR方形采样对林分均高估测的影响，之后在方形采样的基础上提取不同采样尺度下的LiDAR数据，分别用于估测研究区不同林分类型均高，进而量化LiDAR采样尺度对不同林分类型均高估测的影响，以期为后续LiDAR数据与其他栅格数据协同应用及大区域连续估测提供方法指导。

1　研究区概况与研究方法

1.1　研究区域概况

本研究以长春净月潭国家森林公园（43°52′N，125°21′E）为研究区，位于吉林省长春市东南部，具体位置如图1所示。因研究区处于两种地带类型的过渡区，因而植被组成相对丰富多样，主要有落叶松Larix cajanderi、樟子松Pinus sylvestris、山杨Populus davidiana、蒙古栎Quercus mongolicaFisch. ex Ledeb及数量较少的胡桃楸Juglans mandshuricaMaxim、榆树Ulmus pumila、红松Pinus koraiensisSieb. et Zucc及云杉Picea asperataMast等树种，形成了较为完善的森林生态系统。其中樟子松和落叶松作为研究区的主要树种类型，成片分布于研究区内。樟子松树冠相对较大且多为不规则的圆顶或平顶，落叶松树冠相对较小且多为圆锥形。

1.2　研究方法

1.2.1　野外数据收集与处理

在进行野外数据采集之前，首先利用获取LiDAR数据时同时得到的高分影像数据对研究区的树种组成进行分析，确定研究区的主要树种为分层随机采样所用的层，之后根据主要层所占面积的多少确定各层采样样本的具体数量[14]。2014年7月根据分层随机采样在研究区内随机选取了63块半径为10 m的圆形样方，其中包括30块樟子松和33块落叶松。确定好采样位置后，利用天宝GeoXH 6000 GPS及南方NTS 312B全站仪测定了样方中心点的经纬度及高程信息，并利用Vertex IV激光测距仪对样方内所有单木树高进行测量，同时利用胸径尺对样方内所有单木1.3 m高处的直径进行测量，用于后续计算林分平均高。

图1　研究区位置及采样分布Fig.1　Location of the study area and the distribution of field plots

因林业遥感研究中多采用Lorey’s树高，即：胸高断面积加权平均树高，作为林分平均高[15-16]，因此本研究在样方单木树高及胸径测量的基础上通过加权运算得到森林林分均高，其具体计算过程如公式（1）所示。

式（1）中，hL为样方林分平均树高，hi为样方内第i棵树的测量树高，gi为样方内第i棵树的胸高断面积，n为样方内所有单木的数量。

1.2.2　机载LiDAR数据收集与处理

研究区所用机载LiDAR数据是在2012年5月31日由Leica ALS70型传感器收集完成，飞行高度为560 m，所用激光脉冲波长为1 064 nm，光束发散角为0.22 mrad，扫描角在±20°以内，扫描频率为40.3 Hz，光斑直径为0.28 m，平均点云密度为2～4脉冲/m2。

获取的原始机载LiDAR点云数据通常会包含一部分噪声点，因此在进行点云数据处理之前需先利用孤立点算法对LiDAR点云数据进行去噪处理。同时因单条航带覆盖面积相对较小，为了获得较大区域的连续覆盖数据需飞行多条航带且相邻航带之间存在一定的旁向重叠，因此在进行LiDAR数据处理时应对相邻航带间的LiDAR点云数据进行重叠点移除操作。之后通过不规则三角格网算法将去噪后的点云数据分为地面点和非地面点，并利用不规则三角网插值算法将地面点插值生成数字高程模型[17]，并将非地面点插值生成数字表面模型[18]。在数字高程模型的基础上对所有LiDAR点云数据进行高程归一化，并将高度大于1.5 m 的非地面点归为植被点，将小于1.5 m的非地面点和地面点统称为地面点，上述所有操作均是在Terrasolid（Terrasolid, Helsinki, Finland）软件平台上完成实现，详细的数据处理过程与介绍见参考文献[19]。

1.2.3　参数提取

因野外样方采样尺度固定，为半径10 m的圆形，所以为了量化采样形状及采样尺度对森林林分均高估测的影响，只能通过改变LiDAR点云数据的采样形状及采样尺度实现。因此，本研究分别采用圆形及方形样方对预处理后的机载LiDAR数据进行采样，并从中提取了一系列点云高度参数用于估测森林林分均高，其中所用参数具体描述如表1所示。

表1　森林林分均高估测所用点云高度参数Table 1　The point cloud height metrics used for forest stand mean height estimation

为了研究采样尺度对不同林分类型均高估测的影响，更好地实现LiDAR数据产品与栅格数据的协同应用，利用不同空间采样尺度对LiDAR数据进行采样，采样大小分别为10、15、20、25、30、35和40 m的方形样方，并从中提取不同林分均高估测的最优参数用于量化LiDAR采样尺度对不同林分均高估测的影响。

1.2.4　模型建立与精度评价

为了更加直观地反映LiDAR采样形状及采样尺度对不同林分均高估测的影响，本研究采用最简单的一元线性回归来建立林分均高估测模型，具体如公式（2）所示。

式（2）中：y为实测林分均高，a为拟合系数，x为LiDAR点云高度参数，b为常数项。

因研究所用样本数量相对较少，为了在有限样本情况下获得稳定可靠的森林林分均高估测结果，本研究采用留一交叉验证法（Leave One Out Cross Validation，LOOCV）进行建模及精度评价[14,20]。其中，模型决定系数R2和均方根误差（Root Mean Square Error，Rmse）作为模型的精度评价指标。

2　结果与分析

2.1　不同采样形状LiDAR数据林分均高估测结果

2.1.1　樟子松林分均高估测结果

20 m采样尺度下圆形LiDAR数据樟子松林分均高估测结果如表2所示。通过对表2所示结果进行分析可知，樟子松林分均高估测精度随点云百分位数高的增大而逐渐增大，直到点云分位数高为HP55时估测精度达到最大，R2为0.892，Rmse为0.868 m，之后随着高度分位数的继续增加估测精度逐渐下降。

20 m采样尺度下方形LiDAR数据樟子松林分均高估测结果如表3所示。通过对表3所示结果进行分析可知，在方形采样下樟子松林分均高估测精度同样随点云百分位数高的增大而逐渐增大，直到点云分位数高为HP55时估测精度达到最大，R2为0.896，Rmse为0.853 m，之后随着高度分位数的继续增加估测精度逐渐下降。

表2　圆形采样LiDAR数据樟子松林分均高估测结果Table 2　The results of scotch pine stand mean height estimation with circular sampling LiDAR data

表3 方形采样LiDAR数据樟子松林分均高估测结果Table 3　The results of scotch pine stand mean height estimation with square sampling LiDAR data

综上所述，圆形及方形LiDAR数据采样对樟子松林分均高估测的影响趋势一致，均是随点云百分位数高的增大而逐渐增大，直到HP55时估测结果达到最优，之后随着点云百分位数的增大结果逐渐降低。通过对表2和表3所示结果进行对比分析可知，对樟子松林分均高估测而言，方形LiDAR数据采样估测结果高于圆形LiDAR数据采样估测结果。

2.1.2　落叶松树高估测模型

20 m采样尺度下圆形LiDAR数据落叶松林分均高估测结果如表4所示。通过对表4所示结果进行分析可知，落叶松林分均高估测精度随点云百分位数高的增大而逐渐增大，直到点云分位数高为HP99时估测精度达到最大，R2为0.741，Rmse为1.161 m。

表4　圆形LiDAR点云数据落叶松林分均高估测结果Table 4　The results of larch pine stand mean height estimation with circular sampling LiDAR data

20 m采样尺度下方形LiDAR数据落叶松林分均高估测结果如表5所示。通过对表5所示结果进行分析可知，在方形采样下落叶松林分均高估测精度同样随点云百分位数高的增大而逐渐增大，直到点云分位数高为HP99时估测精度达到最大，R2为 0.705，Rmse为 1.238 m。

表5　方形LiDAR点云数据落叶松林分均高估测结果Table 5　The results of larch pine stand mean height estimation with square sampling LiDAR data

综上所述，圆形及方形LiDAR数据采样对落叶松林分均高估测的影响趋势一致，均是随点云百分位数高的增大而逐渐增大，直到HP99时估测结果达到最优。通过对表4和表5所示结果进行对比分析可知，对落叶松林分均高估测而言，圆形LiDAR数据采样估测结果高于方形LiDAR数据采样估测结果。

2.2　不同LiDAR采样尺度林分均高估测结果

2.2.1　不同LiDAR采样尺度樟子松林分均高估测结果

由表3可知，在方形LiDAR采样形状下樟子松林分均高估测精度达到最高时所对应的参数为HP55，因此分别提取LiDAR不同采样尺度下的HP55参数，用于樟子松林分均高估测，结果如表6所示。通过对表6进行分析可知，不同采样尺度LiDAR数据对樟子松林分均高估测结果有一定的影响，且当采样尺度为35 m时估测结果达到最优，R2=0.904，Rmse=0.820 m。

表6　不同LiDAR数据采样尺度下樟子松林分均高估测结果Table 6　The results of scotch pine stand mean height estimation with different sampling scales LiDAR data

2.2.2　不同LiDAR采样尺度落叶松林分均高估测结果

由表5可知，在方形LiDAR采样形状下落叶松林分均高估测精度达到最高时所对应的参数为HP99，因此分别提取LiDAR不同采样尺度下的HP99参数，用于落叶松林分均高估测，结果如表7所示。通过对表7所示结果进行分析可知，当采样尺度为15 m时落叶松林分均高估测结果达到最优，R2=0.720，Rmse=1.206 m。

表7　不同LiDAR数据采样尺度下落叶松林分均高估测结果Table 7　The results of larch pine stand mean height estimation with different sampling scales LiDAR data

3　结　论

本研究以长春净月潭国家森林公园为例，通过对LiDAR数据进行圆形和方形采样，之后在方形采样的基础上对LiDAR数据进行不同空间采样，从中提取点云高度分位数用于估测樟子松及落叶松的林分均高，以此量化LiDAR采样形状及采样尺度对不同林分均高估测的影响，得到以下结论：

（1）圆形及方形LiDAR数据采样林分均高估测结果虽存在差异，但估测结果趋势一致。对樟子松而言，LiDAR圆形及方形采样估测结果均随着点云百分位数高的增大而逐渐增大，直到HP55时估测结果达到最优，之后随着高度分位数的继续增加估测精度逐渐下降；对落叶松而言，LiDAR圆形及方形采样估测结果均是随点云百分位数高的增大而逐渐增大，直到HP99时估测结果达到最优。

（2）LiDAR数据采样形状对不同林分类型均高估测结果的影响不同。对樟子松而言，方形采样林分均高估测结果优于圆形采样估测结果；对落叶松而言，圆形采样林分均高估测结果优于方形采样估测结果。

（3）对LiDAR采样尺度林分均高估测结果而言，不同林分类型均高估测结果精度最高时所对应的LiDAR采样尺度不同。对樟子松而言，在35 m空间采样尺度下林分均高估测结果精度最高；对落叶松而言，在15 m空间采样尺度下林分均高估测结果精度最高。

虽然上述研究结果表明，在本研究区条件状况下不同LiDAR数据采样形状对不同林分类型均高估测的影响不同，且不同林分类型均高估测结果精度达到最高时所对应的采样尺度不同，但所用研究区地形结构及林分组成均较为简单。因而，在未来研究中应选用地形结构相对复杂、林分类型组成多样的研究区以验证上述结论在其他区域的有效性及推广性。

参考文献：

[1]邢艳秋,尤号田,霍 达,等.小光斑激光雷达数据估测森林树高研究进展[J].世界林业研究,2014,27(2):29-34.

[2]Popescu S C, Wynne R H, Nelson R F. Estimating plot-level tree heights with lidar: local filtering with a canopy-height based variable window size[J]. Computers & Electronics in Agriculture,2003, 37(1-3): 71-95.

[3]张巍巍,冯仲科,汪笑安,等.基于TM影像的林木参数提取和树高估测[J].中南林业科技大学学报,2013, 33(9):27-31.

[4]Næsset E, Bjerknes K O. Estimating tree heights and number of stems in young forest stands using airborne laser scanner data[J].Remote Sensing of Environment, 2014, 78(3): 328-340.

[5]Cao L, Coops N C, Innes J L,et al.Estimation of forest biomass dynamics in subtropical forests using multi-temporal airborne LiDAR data[J]. Remote Sensing of Environment, 2016(178):158-171.

[6]Heiskanen J, Korhonen L, Hietanen J,et al.Use of airborne lidar for estimating canopy gap fraction and leaf area index of tropical montane forests[J]. International Journal of Remote Sensing,2015, 36(10): 2569-2583.

[7]尤号田,邢艳秋,王 铮,等.基于LiDAR离散点云能量信息的针叶林叶面积指数反演方法[J].中南林业科技大学学报,2014, 34(10):39-44.

[8]庞 勇,赵 峰,李增元,等.机载激光雷达平均树高提取研究[J].遥感学报,2008, 12(1):152-158.

[9]尤号田,邢艳秋,王 铮,等.点云密度对激光雷达估计森林样方平均树高的影响[J].东北林业大学学报, 2014, 42(5):143-148.

[10]焦义涛,邢艳秋,霍 达,等.基于机载LiDAR点云估测林分的平均树高[J].西北林学院学报,2015(3):170-174.

[11]Andersen H E, Mcgaughey R J, Reutebuch S E. Estimating forest canopy fuel parameters using LIDAR data[J]. Remote Sensing of Environment, 2005, 94(4): 441-449.

[12]骆社周,王 成,张贵宾,等.机载激光雷达森林叶面积指数反演研究[J].地球物理学报,2013,56(5):1467-1475.

[13]邢艳秋,霍 达,尤号田,等.基于机载LiDAR单束激光穿透指数的白桦林LAI估测[J].应用生态学报,2016,27(11):3469-3478.

[14]You H, Wang T, Skidmore A K,et al. Quantifying the effects of normalisation of airborne lidar intensity on coniferous forest leaf area index estimations[J]. Remote Sensing, 2017, 9(2): 163.

[15]Næsset E. Determination of mean tree height of forest stands using airborne laser scanner data[J]. Isprs Journal of Photogrammetry & Remote Sensing, 1997, 52(2): 49-56.

[16]穆喜云,张秋良,刘清旺,等.基于机载LiDAR数据的林分平均高及郁闭度反演[J].东北林业大学学报,2015,43(9):84-89.

[17]Axelsson P. DEM Generation from laser scanner data using adaptive Tin models[J]. International Archives of Photogrammetry & Remote, 2000(33): 111-118.

[18]Zhang K, Chen S C, Whitman D,et al. A progressive morphological filter for removing nonground measurements from airborne LIDAR data[J]. IEEE Transactions on Geoscience &Remote Sensing, 2003, 41(4): 872-882.

[19]尤号田.基于小光斑激光雷达反演森林结构参数的研究[D].哈尔滨:东北林业大学,2014.

[20]Kayitakire F, Hamel C, Defourny P. Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery[J]. Remote Sensing of Environment, 2006, 102(3-4):390-401.