基于無(wú)人機(jī)激光雷達(dá)點(diǎn)云的單木生物量估測(cè)

　　摘 要：【目的】為提高森林單木生物量估測(cè)精度和效率，本研究基于無(wú)人機(jī)激光雷達(dá)技術(shù)對(duì)哈爾濱城市林業(yè)示范基地的水曲柳、樟子松樣地進(jìn)行點(diǎn)云數(shù)據(jù)獲取及單木生物量估測(cè)。【方法】通過(guò)優(yōu)化算法對(duì)獲取的點(diǎn)云數(shù)據(jù)進(jìn)行樹(shù)高、冠幅等單木結(jié)構(gòu)參數(shù)的提取;然后基于改進(jìn)的凸包算法獲取樹(shù)冠體積、樹(shù)冠投影面積等樹(shù)冠因子。最后將上述獲得的單木結(jié)構(gòu)參數(shù)引入傳統(tǒng) CAR 生物量模型中，建立基于無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)的單木生物量模型。【結(jié)果】1)基于點(diǎn)云數(shù)據(jù)提取的單木結(jié)構(gòu)參數(shù)與實(shí)測(cè)數(shù)值間的相關(guān)性較好。其中水曲柳樣地平均冠幅和樹(shù)高值的決定系數(shù) R2 分別為 0.82 和 0.86，而樟子松樣地平均冠幅和樹(shù)高的決定系數(shù) R2 分別為 0.80 和 0.84。 2)通過(guò)與國(guó)家林業(yè)局頒布的水曲柳、樟子松生物量異速生長(zhǎng)方程進(jìn)行對(duì)比得出，當(dāng)引入樹(shù)高、冠幅、樹(shù)冠投影面積和樹(shù)冠體積作為 CAR 模型參數(shù)時(shí)構(gòu)建的生物量模型擬合效果最優(yōu)，R2 分別為 0.83、0.79，相應(yīng)的均方根誤差 RMSE 分別為 18.912 和 8.120 kg/ 株。通過(guò)最優(yōu)生物量模型評(píng)價(jià)指標(biāo)可以看出，兩塊樣地生物量模型的總相對(duì)誤差 SRE 分別為 -0.541% 和 0.311%，平均相對(duì)誤差 MRE 分別為 0.014% 和 0.020% 以?xún)?nèi)，而平均相對(duì)誤差絕對(duì)值 MARE 分別為 9.19% 和 6.95%。3)當(dāng)引入樹(shù)冠體積作為變量時(shí)，生物量模型的精度明顯提高。相比于樹(shù)高、冠幅作為變量的模型，樹(shù)冠體積的引入使得水曲柳、樟子松生物量模型的 R2 分別提高了 0.076 和 0.060，RMSE 分別下降 6.759 和 1.386 kg/ 株。【結(jié)論】本研究說(shuō)明無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)能夠通過(guò)結(jié)合其提取的單木結(jié)構(gòu)參數(shù)對(duì)森林單木生物量進(jìn)行估測(cè)研究，并能取得較好的擬合優(yōu)度和較高的預(yù)測(cè)精度。

　　本文源自劉浩然;范偉偉;徐永勝;林文樹(shù);， 中南林業(yè)科技大學(xué)學(xué)報(bào) 發(fā)表時(shí)間：2021-07-22

　　關(guān)鍵詞：無(wú)人機(jī)激光雷達(dá);點(diǎn)云數(shù)據(jù);單木結(jié)構(gòu)參數(shù);生物量模型

　　森林作為陸地生態(tài)系統(tǒng)中最大的碳儲(chǔ)庫(kù)在維持全球碳平衡過(guò)程中起著重要作用 [1-2]。因此，如何快速準(zhǔn)確的估算森林生物量及碳儲(chǔ)量成為亟待解決的問(wèn)題。目前林業(yè)研究所計(jì)算的生物量通常指森林地上生物量，即包括樹(shù)干、樹(shù)枝、樹(shù)葉等所有的地上活物質(zhì) [3]。然而，傳統(tǒng)測(cè)定森林地上生物量的方法耗時(shí)費(fèi)力、效率低下，還會(huì)對(duì)森林造成一定的損害。

　　近年來(lái)，激光雷達(dá)作為一種新興的主動(dòng)遙感技術(shù)在林業(yè)中的應(yīng)用越來(lái)越廣泛。國(guó)內(nèi)外學(xué)者開(kāi)展了大量關(guān)于基于激光雷達(dá)技術(shù)提取單木結(jié)構(gòu)參數(shù)的研究，為估算不同尺度下森林生物量提供了數(shù)據(jù)基礎(chǔ)。Gleason 等 [4] 基于單木樹(shù)冠采用支持向量機(jī)、隨機(jī)森林以及多元線性回歸等多種方法分別估計(jì)了森林單木生物量，結(jié)果表明支持向量機(jī)法估計(jì)的生物量模型精度最高，同時(shí)不同方法產(chǎn)生精度差異的原因可能是點(diǎn)云密度、模型差異及單木結(jié)構(gòu)參數(shù)提取精度的影響。Kankare 等 [5-6] 基于 LiDAR 數(shù)據(jù)和單木組分生物量構(gòu)建了新的生物量模型，當(dāng)引入算法提取的單木樹(shù)高、冠幅等結(jié)構(gòu)參數(shù)作為輸入變量時(shí)，該模型取得了較高的估計(jì)精度，表明 LiDAR 數(shù)據(jù)對(duì)于模型的構(gòu)建以及精度的提升具有重要作用。另外，作者又通過(guò)實(shí)驗(yàn)證明了相比于地基激光雷達(dá)，機(jī)載激光雷達(dá)在單木生物量預(yù)測(cè)方面精度略低，但應(yīng)用范圍更廣、適用性更高，同時(shí)利用樹(shù)冠結(jié)構(gòu)參數(shù)和幾何特征可對(duì)預(yù)測(cè)精度進(jìn)行提升。Usoltsev 等 [7] 引入虛擬變量構(gòu)建新的異速生長(zhǎng)方程，以樺樹(shù)為例估計(jì)其單木和林分的生物量，經(jīng)試驗(yàn)表明：該模型具有較高的實(shí)用性和移植性。同時(shí)，國(guó)內(nèi)利用 LiDAR 點(diǎn)云數(shù)據(jù)反演單木生物量的研究也越來(lái)越多。馮仲科等 [8] 將樹(shù)冠體積、表面積等樹(shù)冠因子引入生物量模型，獲得了相較于傳統(tǒng) CAR(Constant allometric ratio)模型精度更高的生物量模型。劉東起等 [9] 利用點(diǎn)云數(shù)據(jù)提取樹(shù)高、冠幅等結(jié)構(gòu)參數(shù)，基于異速生長(zhǎng)方程估測(cè)了小興安嶺涼水地區(qū)的森林生物量;劉峰等 [10] 利用條件隨機(jī)場(chǎng)和最優(yōu)化方法實(shí)現(xiàn) LiDAR 點(diǎn)云的單木分割，基于單木點(diǎn)云空間結(jié)構(gòu)、回波特征以及地形特征等作為特征變量，采用回歸模型估測(cè)喬木層單木地上生物量。李桂林等 [11] 以黃河三角洲孤島林場(chǎng)刺槐林為研究對(duì)象，利用無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)從單木尺度提取刺槐的樹(shù)高和冠幅，結(jié)合背包移動(dòng)雷達(dá)數(shù)據(jù)提取的單株刺槐胸徑，構(gòu)建了刺槐生物量估測(cè)模型，并對(duì)模型估算過(guò)程中存在的不確定性進(jìn)行了討論。

　　綜上所述，森林生物量與森林的垂直結(jié)構(gòu)有很緊密的相關(guān)關(guān)系，且易于被激光雷達(dá)獲取 [12]。目前國(guó)內(nèi)外學(xué)者大多基于機(jī)載激光雷達(dá)或地基激光雷達(dá)獲取的單木結(jié)構(gòu)參數(shù)作為變量，通過(guò)一系列反演推算最終得到森林生物量。而無(wú)人機(jī)激光雷達(dá)作為一種新型獲取點(diǎn)云數(shù)據(jù)設(shè)備，具有體積小、操作性強(qiáng)、作業(yè)周期短、能快速獲取高精度點(diǎn)云數(shù)據(jù)等優(yōu)點(diǎn) [13]。本研究基于無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)，通過(guò)聚類(lèi)算法獲取單木結(jié)構(gòu)參數(shù)作為變量，并基于多元回歸統(tǒng)計(jì)關(guān)系建立生物量與單木結(jié)構(gòu)參數(shù)之間的模型，探討模型的可行性以及多組變量與生物量之間的聯(lián)系，通過(guò)精度對(duì)比篩選出最佳因子估測(cè)森林單木生物量。

　　1 研究區(qū)概況及數(shù)據(jù)獲取

　　1.1 研究區(qū)概況

　　研究區(qū)位于哈爾濱市城市林業(yè)示范基地，地理坐標(biāo)為 127°35′ ～ 127°39′E，45°42′ ～ 45°44′N，總占地面積為 43.95 hm2 。研究區(qū)海拔 134 ～ 163 m，屬溫帶季風(fēng)氣候，夏季溫暖多雨，冬季寒冷多雪，年平均氣溫為 3.5℃。實(shí)驗(yàn)林場(chǎng)現(xiàn)有主要樹(shù)種為落葉松 Larix gmelinii、核桃揪 Juglans mandshurica、水曲柳 Fraxinus mandshurica、白樺 Betula platyphylla、樟子松 Pinus sylvestris、蒙古櫟 Quercus mongolica 等 [14] 。

　　1.2 無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)獲取

　　本研究在獲取研究區(qū)內(nèi)水曲柳和樟子松樣地點(diǎn)云數(shù)據(jù)時(shí)使用的無(wú)人機(jī)型號(hào)為大疆 M600(深圳大疆創(chuàng)新科技有限公司)，搭載得激光雷達(dá)系統(tǒng)為 SZT-250。數(shù)據(jù)采集時(shí)間為 2018 年 9 月 27 日，天氣狀況良好，晴朗無(wú)風(fēng);平均飛行地速 28.8 km/h，相對(duì)飛行高度 50.2 m，飛行總時(shí)長(zhǎng) 6 min 56 s，掃描速度為 10 ～ 100 線 / 秒，平均點(diǎn)密度為 40 點(diǎn) /m2 ，共獲取西北 - 東南方向 7 個(gè)條帶的數(shù)據(jù)。數(shù)據(jù)采用標(biāo)準(zhǔn) LiDAR 存儲(chǔ)格式(.las)，根據(jù)需要可轉(zhuǎn)換為(.pcd)、(.txt)等格式。

　　1.3 實(shí)測(cè)數(shù)據(jù)獲取

　　水曲柳和樟子松樣地的野外調(diào)查于 2018 年 10 月 3—5 日期間開(kāi)展。結(jié)合林分密度，分別在水曲柳和樟子松樣地內(nèi)設(shè)計(jì)并隨機(jī)選取了 3 塊邊長(zhǎng) 15 m×15 m 的樣方進(jìn)行數(shù)據(jù)實(shí)測(cè)。采用皮尺測(cè)量單木東西、南北2個(gè)方向的冠幅并求算冠幅平均值，利用測(cè)高儀獲取單木樹(shù)高。

　　2 研究方法

　　2.1 基于點(diǎn)云數(shù)據(jù)單木參數(shù)提取

　　由于本研究所選林分的郁閉度較高，無(wú)人機(jī)激光雷達(dá)很難將激光點(diǎn)打到樹(shù)干，無(wú)法準(zhǔn)確提取單木胸徑。因此選擇樹(shù)高、冠幅、樹(shù)冠投影面積和樹(shù)冠體積作為反演生物量的單木結(jié)構(gòu)參數(shù)。

　　2.1.1 預(yù)處理

　　基于 LiDAR360 軟件(北京數(shù)字綠土科技有限公司)，對(duì)無(wú)人機(jī)點(diǎn)云數(shù)據(jù)進(jìn)行了 3 步預(yù)處理： 1)點(diǎn)云數(shù)據(jù)中常見(jiàn)的噪聲主要為孤立點(diǎn)。本研究采用基于距離的孤立點(diǎn)算法進(jìn)行去噪處理 [15-16]，以一定球形區(qū)域內(nèi)的點(diǎn)數(shù)少于既定值的點(diǎn)視為噪聲點(diǎn)。根據(jù)本研究樣地點(diǎn)云數(shù)據(jù)的分布情況，設(shè)置鄰域點(diǎn)個(gè)數(shù)為 3，鄰域搜索半徑為 5 m。2)采用漸進(jìn)加密三角網(wǎng)濾波算法 [17] 將點(diǎn)云劃分為地面點(diǎn)和非地面點(diǎn)。當(dāng)角度為 8°，距離為 1.4 m 時(shí)地面點(diǎn)分離效果最佳。3)將分離得到的地面點(diǎn)以 0.5 m×0.5 m 為基本單元建立規(guī)則格網(wǎng)，采用反距離權(quán)重法 [18] 進(jìn)行局部?jī)?nèi)插處理，生成數(shù)字高程模型(Digital elevation model, DEM)和數(shù)字表面模型(Digital surface model, DSM)。 由 DSM 減 去 DEM 將得到冠層高度模型(canopy height model, CHM)[19]。

　　2.1.2 單木冠幅與樹(shù)高提取

　　k 均值聚類(lèi)算法(k-means clustering algorithm)是一種通過(guò)迭代求解的聚類(lèi)分析算法，首先隨機(jī)選擇 K 個(gè)元素作為初始聚類(lèi)中心，然后計(jì)算數(shù)據(jù)集所有元素與每個(gè)聚類(lèi)中心之間的距離，并把每個(gè)元素分配給距離它最近的聚類(lèi)中心。全部元素都被分配后，每個(gè)聚類(lèi)的聚類(lèi)中心會(huì)根據(jù)聚類(lèi)中現(xiàn)有元素重新計(jì)算，直到目標(biāo)函數(shù)收斂為止 [20] 。因此，通過(guò)迭代把點(diǎn)云中的每一個(gè)點(diǎn)劃分到不同的聚類(lèi)中，可以實(shí)現(xiàn)對(duì)單木樹(shù)冠的識(shí)別與分割。

　　在軟件 Visual Studio 2017 中， 利 用 k-means 算法對(duì)冠層點(diǎn)云進(jìn)行分割，依據(jù)單木樹(shù)冠分割結(jié)果提取東西、南北冠幅，并求算平均冠幅值。基于局部最大值法找到單木樹(shù)冠的極大值點(diǎn)，該點(diǎn)的 z 值即為樹(shù)高。

　　2.1.3 單木樹(shù)冠投影面積及體積計(jì)算

　　二維凸包算法是基于離散的點(diǎn)云集構(gòu)建樹(shù)冠投影面積主要算法：樹(shù)冠投影面為一定范圍內(nèi)所有點(diǎn)的集合，二維凸包就是將點(diǎn)集中最邊緣的點(diǎn)連接起來(lái)構(gòu)建凸多邊形，根據(jù)凸多邊形的面積估算樹(shù)冠的投影面積 [21] 。而樹(shù)冠體積的求算方法則基于積分的思想，首先將樹(shù)冠分為若干層，對(duì)每一層實(shí)施二維凸包算法求算該層的橫截面積，利用分層高度和橫截面積計(jì)算各層體積，最后把所有的切片體積累加求和得到樹(shù)冠體積，該方法稱(chēng)為漸進(jìn)凸包算法 [22] 。

　　2.2 生物量模型構(gòu)建

　　非線性模型在森林單木生長(zhǎng)模型中使用最為普遍。其中，相對(duì)生長(zhǎng)模型(異速生長(zhǎng)關(guān)系)作為最具代表性的非線性模型，大致分為 CAR (Constant allometric ratio)和 VAR(Variable allometric ratio)兩種類(lèi)型。胥輝采用再抽樣的方法證明在相對(duì)生長(zhǎng)模型中 CAR 模型參數(shù)估計(jì)值更加準(zhǔn)確 [23] 。本研究以 CAR 模型為基礎(chǔ)，引入冠幅、樹(shù)冠體積、樹(shù)冠投影面積構(gòu)建生物量模型，并與國(guó)家林業(yè)局公布水曲柳以及樟子松的異速生長(zhǎng)方程估算得到的生物量(表 1)進(jìn)行對(duì)比 [24]。由于各樹(shù)冠因子均滿足相對(duì)生長(zhǎng)關(guān)系，所以將 CAR 模型表示為各自變量或組合變量?jī)绾瘮?shù)相乘的形式 [25] 。

　　據(jù)此可以得到包含樹(shù)高、冠幅、樹(shù)冠體積、樹(shù)冠投影面積的生物量模型如下： 2 3 1 a a W aH C = 。 (1) 2 4 3 1 a a a W aH C S = 。 (2) 2 4 3 1 a a a W aH C V = 。 (3) 2 4 3 5 1 a a a a W aH C S V = 。 (4)式(1)～(4)中：W 為生物量;H 為樹(shù)高;C 為冠幅平均值;S 為樹(shù)冠投影面積;V 為樹(shù)冠體積; a1、a2、a3、a4 為模型參數(shù)。

　　2.3 模型的評(píng)價(jià)和驗(yàn)證

　　本研究使用決定系數(shù)(R2 )、均方根誤差(RMSE)、總相對(duì)誤差(SRE)、平均相對(duì)誤差(MRE)、平均相對(duì)誤差絕對(duì)值(MREA)5 個(gè)統(tǒng)計(jì)指標(biāo)評(píng)估模型的擬合精度以及預(yù)測(cè)能力 [26]。各指標(biāo)公式如下所示： 2 2 1 2 1 ( ) ˆ 1 ( ) n i i i n i i y y R y y = = - = - - ∑ ∑ 。 (5) 2 1 ( ) ˆ RMSE n i i i y y n = - = ∑ 。 (6) 1 1 1 ˆ SRE 100% ˆ n n i i i i n i i y y y = = = - = × ∑ ∑ ∑ 。 (7) 1 ˆ ˆ MRE 100% n i i i i y y y n = ? ? - ? ? ? ? = × ∑ 。 (8) 1 ˆ ˆ MREA 100% n i i i i y y y n = - = × ∑ 。 (9)式(4)～(8)中：n 為樣本單元數(shù); ˆi y 為模型的預(yù)測(cè)值;yi 為實(shí)測(cè)值; y 為樣本平均值。

　　3 結(jié)果與分析

　　3.1 單木冠幅與樹(shù)高提取結(jié)果

　　利用 k-means 算法對(duì)樣地點(diǎn)云數(shù)據(jù)進(jìn)行聚類(lèi)，對(duì)聚類(lèi)后的單木樹(shù)冠進(jìn)行冠幅提取，依據(jù)研究區(qū)方位，把單木樹(shù)冠點(diǎn)云中 x 方向的最大值與最小值之差作為東西冠幅值，y 方向的最大值與最小值之差作為南北冠幅值，基于東西和南北方向的冠幅數(shù)據(jù)計(jì)算平均冠幅值。分別用水曲柳樣地和樟子松樣地中單木平均冠幅實(shí)測(cè)數(shù)據(jù)與 k-means 算法提取的平均冠幅值進(jìn)行回歸分析，并繪制散點(diǎn)圖。由圖 1 和圖 2 可知，基于算法提取的水曲柳樣地單木平均冠幅值在 3.47 ～ 8.10 m 之間，均值為 5.54 m;樟子松樣地單木平均冠幅值在 2.27 ～ 5.78 m 之間，均值為 4.11 m。從表 2 結(jié)果可以看出，k-means 算法提取平均冠幅值 x 與實(shí)測(cè)平均冠幅值 y 的存在較好的線性關(guān)系，水曲柳樣地中平均冠幅的 R2 為 0.82，RMSE 均值為 0.61 m;樟子松樣地中平均冠幅的 R2 分別為 0.80，RMSE 均值為 0.43 m。結(jié)果表明：基于 k-means 算法提取的單木冠幅精度具有較高的可靠性。

　　基于分割后的點(diǎn)云數(shù)據(jù)，利用局部最大值法探測(cè)樹(shù)冠頂點(diǎn)，該點(diǎn)的 Z 值即為單木的樹(shù)高。分別用水曲柳樣地和樟子松樣地中樹(shù)高實(shí)測(cè)數(shù)據(jù)與算法提取樹(shù)高值進(jìn)行回歸分析，并繪制提取值與實(shí)測(cè)值的散點(diǎn)圖。由圖 3 ～ 4 所示，基于算法得提取的水曲柳單木樹(shù)高在 17.97 ～ 23.27 m 之間，均值為 20.78 m;樟子松單木樹(shù)高在 15.54 ～ 19.12 m 之間，均值為 17.25 m。從表 3 所示的提取樹(shù)高和實(shí)測(cè)樹(shù)高回歸關(guān)系結(jié)果可以得出：水曲柳樣地中樹(shù)高的R2 為0.86， RMSE 為 0.49 m;樟子松樣地中樹(shù)高的 R2 為 0.84， RMSE 為 0.40 m。結(jié)果表明算法提取的單木樹(shù)高與實(shí)測(cè)值之間具有較好的相關(guān)性。

　　對(duì)分割后的點(diǎn)云數(shù)據(jù)采用二維凸包算法分別計(jì)算兩塊樣地的 46 株水曲柳和 43 株樟子松的樹(shù)冠投影面積，并基于漸進(jìn)凸包算法分別計(jì)算水曲柳和樟子松兩塊樣地的樹(shù)冠體積，得到的水曲柳和樟子松樹(shù)冠投影面積和體積數(shù)據(jù)統(tǒng)計(jì)分別如表 4 ～ 5 所示：

　　3.2 生物量模型擬合結(jié)果

　　基于國(guó)家林業(yè)局公布的水曲柳和樟子松異速生長(zhǎng)方程計(jì)算樣地生物量，結(jié)合無(wú)人機(jī)激光雷達(dá)提取的單木結(jié)構(gòu)參數(shù)，根據(jù)生物量模型 1 ～ 4，采用非線性最小二乘回歸方法分別對(duì)生物量進(jìn)行擬合，建立生物量估算模型，得出模型參數(shù)估計(jì)值以及評(píng)價(jià)指標(biāo)，結(jié)果如表 6 所示。

　　由表 6 可知，當(dāng)生物量模型中引入樹(shù)冠投影面積、樹(shù)冠體積后，相關(guān)系數(shù) R2 增大，同時(shí)均方根誤差 RMSE 減小。結(jié)果表明樹(shù)冠投影面積、樹(shù)冠體積和樹(shù)高、冠幅一樣，與生物量之間具有一定的相關(guān)性。模型 4 是兩塊樣地生物量擬合最優(yōu)的，其中，水曲柳樣地模型擬合優(yōu)度 R2 =0.834， RMSE=18.912 1 kg/ 株;樟子松樣地模型擬合優(yōu)度 R2 =0.792，RMSE=8.120 kg/ 株，與國(guó)家林業(yè)局頒布的兩種樹(shù)木計(jì)算生物量的異速生長(zhǎng)方程具有較高的相關(guān)性。綜上所述，通過(guò)對(duì)擬合優(yōu)度總結(jié)分析，得到兩塊樣地生物量最優(yōu)模型：

　　水曲柳生物量最優(yōu)模型為 W=0.14H1.546C0.385 S0.247 V0.426;樟子松生物量最優(yōu)模型為 W=0.193H1.912C0.329 S-0.18V0.104。

　　由于在模型中引入了樹(shù)冠投影面積和樹(shù)冠體積變量，使得生物量模型預(yù)估精度比僅有樹(shù)高、冠幅作為變量的生物量模型有明顯提高。由表 7 中生物量模型評(píng)價(jià)指標(biāo)可以看出，兩塊樣地生物量模型的 SRE 和 MRE 分別在 1.5% 和 0.7% 以?xún)?nèi)，而 MARE 在 6.95% ～ 12.59% 之間;當(dāng)選用樹(shù)高、冠幅、樹(shù)冠投影面積和體積作為變量時(shí)，兩塊樣地生物量模型的各項(xiàng)評(píng)價(jià)指標(biāo)均最小。

　　總之，模型 4 在利用最小二乘法擬合生物量時(shí)的擬合程度最好、預(yù)測(cè)精度最高，表明無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)可以通過(guò)提取樹(shù)高、冠幅、樹(shù)冠投影面積及樹(shù)冠體積等單木結(jié)構(gòu)參數(shù)對(duì)研究區(qū)樣地單木生物量進(jìn)行反演，能取得較高的反演精度。

　　4 結(jié)論與討論

　　4.1 結(jié) 論

　　本研究利用無(wú)人機(jī)激光雷達(dá)對(duì)水曲柳和樟子松兩塊樣地進(jìn)行掃描，利用編制算法及數(shù)據(jù)處理軟件提取單木結(jié)構(gòu)參數(shù)。基于提取的單木結(jié)構(gòu)參數(shù)，建立包含樹(shù)高、冠幅、樹(shù)冠投影面積及樹(shù)冠體積的新生物量模型，并將新模型擬合結(jié)果與國(guó)家林業(yè)局頒布水曲柳、樟子松生物量的異速生長(zhǎng)方程估算的生物量進(jìn)行對(duì)比。本研究具體結(jié)論如下：

　　1)將算法提取的單木冠幅、樹(shù)高與實(shí)測(cè)值進(jìn)行對(duì)比，其中水曲柳樣地平均冠幅在 3.47 ～ 8.10 m 之間，樹(shù)高均值為 20.78 m;樟子松樣地平均冠幅在 2.27 ～ 5.78 m 之間，樹(shù)高均值為 17.25 m，這與研究區(qū)內(nèi)樣地樹(shù)木實(shí)際情況相符，且單木因子均與實(shí)測(cè)數(shù)據(jù)相關(guān)性良好，故本研究基于無(wú)人機(jī)激光雷達(dá)測(cè)得的單木參數(shù)可作為變量應(yīng)用在生物量模型中。

　　2)當(dāng)選用樹(shù)高、冠幅、樹(shù)冠投影面積和樹(shù)冠體積作為變量時(shí)，水曲柳和樟子松生物量模型擬合效果最優(yōu)，R2 分別為 0.834、0.792，RMSE 分別為 18.912、8.120 kg/ 株，且各項(xiàng)評(píng)價(jià)指標(biāo)均較優(yōu)，符合上述擬合結(jié)果。

　　3)當(dāng)生物量模型中加入樹(shù)冠因子時(shí)，模型擬合效果和評(píng)價(jià)指標(biāo)均較優(yōu)，尤其當(dāng)加入樹(shù)冠體積時(shí)更為明顯：對(duì)比樹(shù)高、冠幅作為自變量的模型，樹(shù)冠體積的引入使得水曲柳、樟子松生物量模型的 R2 分別提高了 0.076、0.060，RMSE 分別下降了 6.759、1.386 kg/ 株;同理，對(duì)比樹(shù)高、冠幅和樹(shù)冠投影面積作為自變量的模型，加入樹(shù)冠體積則使得兩種生物量模型 R2 分別提高了 0.082、 0.060，RMSE分別下降了5.329、1.085 kg/株。因此，通過(guò)分析結(jié)果發(fā)現(xiàn)將樹(shù)冠因子引入生物量模型是提高森林單木生物量估計(jì)精度的一種可行方法。

　　4.2 討 論

　　1)本研究基于無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)提取的樣地單木樹(shù)高、冠幅、樹(shù)冠投影面積及樹(shù)冠體積 4 種結(jié)構(gòu)參數(shù)擬合單木生物量模型，通過(guò)與國(guó)家林業(yè)局頒布的水曲柳和樟子松異速生長(zhǎng)方程估算的生物量進(jìn)行對(duì)比，證明了在沒(méi)有樹(shù)木胸徑數(shù)據(jù)作為參數(shù)進(jìn)行生物量模型構(gòu)建，依然能夠取得較好的擬合優(yōu)度和較高的預(yù)測(cè)精度，結(jié)合無(wú)人機(jī)激光雷達(dá)技術(shù)的優(yōu)勢(shì)，表明無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)具有獨(dú)立、高效、高精度反演生物量的潛力。龐勇、李增元等人利用機(jī)載激光雷達(dá)獲取了研究區(qū)內(nèi)針葉林、闊葉林等多種森林類(lèi)型的點(diǎn)云數(shù)據(jù)，結(jié)果表明：各樣地中除根生物量外各組分生物量模型的 R2 均高于 0.8。這與本研究得到的結(jié)果基本一致，表明了基于無(wú)人機(jī)激光雷達(dá)估測(cè)生物量的可行性。

　　2)無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)在聚類(lèi)過(guò)程中存在“欠分割”或“過(guò)分割”的現(xiàn)象，是因?yàn)闃拥亓珠g距過(guò)小導(dǎo)致樹(shù)木存在樹(shù)冠重疊現(xiàn)象，因此難以正確地分割出重疊樹(shù)冠的邊界，造成冠幅數(shù)據(jù)提取誤差增大;由于樣地林分的高郁閉度，激光雷達(dá)打在地面上的點(diǎn)減少，會(huì)造成樹(shù)高提取值的誤差增大，選擇更為適合的算法提取單木結(jié)構(gòu)參數(shù)能更好的反演生物量。

　　3)本研究構(gòu)建的 4 個(gè)生物量模型，通過(guò)對(duì)比擬合程度和預(yù)測(cè)精度可以得出：引入樹(shù)冠投影面積和樹(shù)冠體積 2 個(gè)樹(shù)冠因子能明顯提高生物量模型的質(zhì)量，其中樹(shù)冠體積對(duì)生物量模型的貢獻(xiàn)度更為顯著，這是因?yàn)闃?shù)冠部分的生物量受樹(shù)冠形狀、大小、飽滿程度以及樹(shù)木長(zhǎng)勢(shì)影響很大，與樹(shù)冠投影面積相比樹(shù)冠體積能更好的反應(yīng)單木樹(shù)冠的生長(zhǎng)態(tài)勢(shì)，因此和生物量是緊密相關(guān)的。

　　4)選取水曲柳和樟子松 2 塊樣地作為研究對(duì)象，其中水曲柳屬于闊葉木，樟子松屬于針葉木。通過(guò)數(shù)據(jù)分析對(duì)比發(fā)現(xiàn)：水曲柳生物量擬合模型的更高，但樟子松生物量模型的 RMSE 明顯低于水曲柳;在評(píng)價(jià)指標(biāo)方面，樟子松生物量模型的各項(xiàng)指標(biāo)均優(yōu)于水曲柳生物量模型。分析原因主要是闊葉木樹(shù)冠冠幅、體積相對(duì)較大，在單木生物量上占比更多，因此引入樹(shù)冠因子時(shí)，相比于樟子松生物量模型，水曲柳生物量模型 R2 提升更大。而闊葉木冠型多變，針葉木樹(shù)冠結(jié)構(gòu)單一、冠型整齊，造成了水曲柳樣地單木結(jié)構(gòu)參數(shù)獲取精度的降低，因此產(chǎn)生較大的誤差值，符合上述統(tǒng)計(jì)結(jié)論。

　　綜上所述，本研究基于無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)引入樹(shù)冠因子作為生物量建模的變量，既保證了模型精度又比傳統(tǒng)的通過(guò)人工測(cè)量單木結(jié)構(gòu)參數(shù)來(lái)估測(cè)單木生物量成本小。需要注意的是，在進(jìn)行單木樹(shù)冠點(diǎn)云分割時(shí)可能會(huì)產(chǎn)生漏檢、過(guò)檢等錯(cuò)誤分割現(xiàn)象，因此在今后的研究中需要提高分割算法的精度和自動(dòng)化程度。另外，本研究選擇的樣地是人工林，樣本數(shù)據(jù)相對(duì)較少，在后續(xù)研究中應(yīng)需加大樣本數(shù)據(jù)的容量，同時(shí)選取結(jié)構(gòu)更加復(fù)雜、樹(shù)種更為豐富的天然林林分進(jìn)行生物量估測(cè)研究;最后，聯(lián)合多源遙感技術(shù)手段協(xié)同作業(yè)將成為獲取森林高精度單木結(jié)構(gòu)參數(shù)以及優(yōu)化生物量模型的關(guān)鍵。