一、概述

樹(shù)冠是樹(shù)木光合作用的主要場(chǎng)所，是樹(shù)木乃至森林的重要組成部分。準(zhǔn)確獲取樹(shù)冠信息有助于監(jiān)測(cè)樹(shù)木長(zhǎng)勢(shì)、估算樹(shù)木生物量及小班蓄積量、預(yù)防樹(shù)木病蟲害，在森林經(jīng)營(yíng)管理中越來(lái)越受到重視。位于我國(guó)青藏高原東南緣的川西亞高山針葉林，既是長(zhǎng)江上游重要的生態(tài)屏障，也是許多高寒生物物種的分化和變異中心，在涵養(yǎng)水源、調(diào)節(jié)區(qū)域氣候和維持生物多樣性等方面有著不可替代的作用。但川西亞高山針葉林區(qū)往往海拔較高，交通不便，傳統(tǒng)方法難以用于研究該區(qū)樹(shù)冠。且傳統(tǒng)調(diào)查工作量大、成本高、周期長(zhǎng)、效率低，不能及時(shí)反映森林情況，滿足不了現(xiàn)代林業(yè)發(fā)展的需求。隨著計(jì)算機(jī)和對(duì)地觀測(cè)技術(shù)的發(fā)展，現(xiàn)代遙感與攝影測(cè)量技術(shù)的應(yīng)用將會(huì)把亞高山針葉林研究的尺度和精度提升到一個(gè)新的高度。

無(wú)人機(jī)是近年迅速發(fā)展起來(lái)的對(duì)地觀測(cè)技術(shù)。配備不同傳感器的無(wú)人機(jī)，可由無(wú)線電遙控設(shè)備進(jìn)行手搖操縱飛行，或在計(jì)算機(jī)預(yù)編程序控制下自主飛行。利用無(wú)人機(jī)可快速拍攝航空影像，獲取所需空間遙感數(shù)據(jù)，并實(shí)時(shí)處理、建模和分析。傳統(tǒng)方法往往受限于調(diào)查成本和效率，衛(wèi)星遙感受限于低空間分辨率、云影、低時(shí)效性，均不能滿足亞高山針葉林樹(shù)冠信息快速準(zhǔn)確提取的要求。無(wú)人機(jī)遙感具有高空間分辨率、可云下飛行、快速靈活、低成本等優(yōu)點(diǎn)，為快速獲取亞高山針葉林影像及處理影像獲取信息提供了有效途徑。

目前已有基于無(wú)人機(jī)高分影像對(duì)森林樹(shù)冠信息提取的研究。樊仲謀等獲取試驗(yàn)區(qū)無(wú)人機(jī)影像后，提取出單木樹(shù)冠并獲取樹(shù)冠的直徑和面積大小，測(cè)量精度達(dá)到82.2％。呂曉君等通過(guò)無(wú)人機(jī)對(duì)病蟲害危害的松林進(jìn)行航拍，生成數(shù)字正射影像圖。利用松樹(shù)樹(shù)冠顏色改變，統(tǒng)計(jì)出作業(yè)區(qū)域內(nèi)變色樹(shù)木數(shù)量。國(guó)外Hernández等基于研究區(qū)無(wú)人機(jī)影像，采用混合像元和基于區(qū)域的算法自動(dòng)提取單木，估測(cè)出單木樹(shù)高、冠幅等參數(shù)。以樣地實(shí)測(cè)數(shù)據(jù)進(jìn)行精度檢驗(yàn)，結(jié)果表明樣方內(nèi)所有樹(shù)木都被正確探測(cè)，參數(shù)提取精度也較高。Panagiotidis等結(jié)合三維重建技術(shù)和GIS技術(shù)（地理信息系統(tǒng)），從無(wú)人機(jī)影像中提取樹(shù)高、冠幅，取得了較好的效果。

論文探討高空間分辨率的無(wú)人機(jī)影像在亞高山針葉林樹(shù)冠信息提取中的應(yīng)用。以四川省貢嘎山雅家梗局部范圍內(nèi)的亞高山針葉林為研究對(duì)象，以高分辨率無(wú)人機(jī)影像為數(shù)據(jù)源，利用面向?qū)ο蠓椒ㄌ崛〕鰳?shù)冠，結(jié)合空間分析整飾結(jié)果，并提取出單元面積樹(shù)木數(shù)、林分郁閉度、東西向冠幅、南北向冠幅四個(gè)參數(shù)。以人工勾繪結(jié)果為參考進(jìn)行精度驗(yàn)證，結(jié)果表明提取方法高效易行，精度可靠。

二、研究區(qū)概況及無(wú)人機(jī)系統(tǒng)

2.1 研究區(qū)概況

選擇貢嘎山雅家梗為研究區(qū)，經(jīng)度范圍102.02°~102.03°E，緯度范圍29.86°~29.88°N，研究區(qū)位置如圖1所示。貢嘎山位于青藏高原東南緣，全區(qū)域年均溫度東高西低、南高北低，降雨豐富。雅家梗位于貢嘎山東坡，處于我國(guó)東部亞熱帶濕潤(rùn)季風(fēng)區(qū)與青藏高原寒冷氣候的過(guò)渡帶，海拔高程3000米~4000米，多年平均氣溫3.8℃，年平均降水量1940mm。氣候和植被呈寒溫帶特征，土壤層較厚，以山地暗棕壤為主。雅家梗地區(qū)森林資源豐富，植被垂直分異明顯，分布有大面積的以冷杉屬（AbiesMill）、云杉屬(PiceaDieter)為主的亞高山常綠針葉林和以高山櫟（Quercusspinosa）為主的山地硬葉常綠闊葉林，在區(qū)域水土保持、生態(tài)系統(tǒng)穩(wěn)定性維護(hù)方面起著重要作用。

圖1 貢嘎山雅家?？臻g位置示意圖

2.2 無(wú)人機(jī)系統(tǒng)及作業(yè)過(guò)程

所用飛馬F1000無(wú)人機(jī)遙感系統(tǒng)由四部分組成：電動(dòng)固定翼無(wú)人機(jī)飛行平臺(tái)（圖2 (a)），飛行控制系統(tǒng)（圖2 (b)），微型單反相機(jī)（圖2 (c)）及地面控制系統(tǒng)（圖2 (d)）。無(wú)人機(jī)飛行平臺(tái)翼展1.6m，機(jī)身長(zhǎng)1.1m，起飛重量3.2kg。飛行控制系統(tǒng)主要控制和穩(wěn)定無(wú)人機(jī)的起飛/著陸、飛行高度、航向和姿態(tài)。所配備經(jīng)改裝后的SONY ILCE-5100微單相機(jī)，尺寸為75×63×50mm，重192g（含鏡頭）。地面控制系統(tǒng)的主要功能有航跡規(guī)劃與上傳、飛行姿態(tài)數(shù)據(jù)下載、遙控指令發(fā)送等。固定翼無(wú)人機(jī)具有續(xù)航時(shí)間長(zhǎng)、飛行速度快、飛行效率高、穩(wěn)定安全等優(yōu)勢(shì)，適合高海拔復(fù)雜山地環(huán)境的航拍作業(yè)。

圖2 飛馬F1000電動(dòng)固定翼無(wú)人機(jī)遙感系統(tǒng)

航攝在2016年5月24日進(jìn)行，試驗(yàn)當(dāng)天晴天，風(fēng)速較小，適合無(wú)人機(jī)航拍作業(yè)（圖3）。規(guī)劃飛行航線時(shí)，設(shè)置航向重疊率為80%，旁向重疊率為60%，保證后期數(shù)據(jù)處理精度。將預(yù)設(shè)航線導(dǎo)入飛行控制系統(tǒng)，以70km/h的速度飛行90分鐘，拍攝高度約1000m。獲取JPEG格式的真彩色影像451張，空間分辨率為0.15m，有紅、綠、藍(lán)3個(gè)波段，2400萬(wàn)像素（6000×4000）。

圖3 現(xiàn)場(chǎng)組裝和航拍作業(yè)照片

三、研究方法

3.1 影像處理

圖4 研究區(qū)無(wú)人機(jī)正射影像

采用俄羅斯的無(wú)人機(jī)數(shù)據(jù)處理軟件AgiSoft PhotoScan進(jìn)行影像處理。它根據(jù)最新的多視圖三維重建技術(shù)，基于影像自動(dòng)生成高分辨率正射影像及帶精細(xì)色彩紋理的數(shù)字高程模型 。帶有空間參考坐標(biāo)的數(shù)據(jù)產(chǎn)品可直接測(cè)量，為研究者帶來(lái)了極大的便利，目前已廣泛應(yīng)用于林業(yè)調(diào)查、考古等行業(yè)。主要處理流程為：檢查無(wú)人機(jī)影像，篩選掉航線拐角處重疊度過(guò)大、姿態(tài)角過(guò)大、成像效果較差的影像；輸入影像及姿態(tài)數(shù)據(jù)，自動(dòng)空三，正射校正，圖像拼接。完成處理后，裁剪影像獲取研究區(qū)的高分辨率正射影像（圖4）。

3.2 多尺度分割

采用面向?qū)ο蟮姆椒ㄌ崛?shù)冠，用美國(guó)Trimble公司的軟件eCognition實(shí)現(xiàn)。無(wú)人機(jī)高分辨率影像有著豐富的空間結(jié)構(gòu)信息和清晰的紋理細(xì)節(jié)信息，能準(zhǔn)確表達(dá)對(duì)象的表面紋理、內(nèi)部結(jié)構(gòu)、形狀面積和空間關(guān)系等。面向?qū)ο蟮姆椒ňC合影像對(duì)象的光譜、形狀、紋理、鄰域、層次、空間位置等特征信息，分割影像得到同質(zhì)對(duì)象，再根據(jù)目標(biāo)地物的實(shí)際要求進(jìn)行提取，能夠得到較高精度的信息提取結(jié)果。在面向?qū)ο蟮倪b感影像信息提取技術(shù)中，影像分割是關(guān)鍵技術(shù)之一，分割結(jié)果直接影響后續(xù)的分類及信息提取效果。分割時(shí)需要輸入三個(gè)參數(shù)：分割尺度、形狀因子、緊湊度因子。尺度（scale）參數(shù)即基于異質(zhì)性最小的區(qū)域合并算法中的閾值，它直接決定了影像對(duì)象大小、分割的質(zhì)量及信息提取的精度。eCoginition采用多尺度分割方法，即在不同尺度上對(duì)影像進(jìn)行分割，這樣可避免采用同一尺度分割影像容易造成的“分割不足”或“分割過(guò)度”現(xiàn)象。其分割原則是：影像對(duì)象內(nèi)部同質(zhì)性最大、異質(zhì)性最小。依據(jù)經(jīng)驗(yàn)并參考其他學(xué)者研宄，形狀和緊湊度因子均設(shè)為0.5。

利用eCoginition軟件的ESP (Estimation of Scale Parameter) 插件，結(jié)合具體的信息提取目標(biāo)（這里是針葉林樹(shù)冠），找到影像的最佳分割尺度。此次處理中候選最佳分割尺度有24、69、72、81、90、104。從圖5可以看出，當(dāng)分割尺度為24時(shí)，影像被分割得過(guò)于破碎（圖5(a)）；分割尺度為69時(shí)，略破碎，沒(méi)達(dá)到一次分割的目的（圖5(b)）。當(dāng)分割尺度為72時(shí)，破碎對(duì)象幾乎不存在，樹(shù)冠輪廓清晰可見(jiàn)（圖5(c)）。當(dāng)分割尺度由81到104時(shí)，對(duì)象逐漸被大規(guī)模合并，不是理想結(jié)果(圖5(d)~(f))。因此確定本次分割的最佳分割尺度為72。

圖5 不同分割尺度效果對(duì)比圖

3.3 單木樹(shù)冠提取

采用最鄰近分類的方法提取單木樹(shù)冠。最鄰近分類是監(jiān)督分類的一種，根據(jù)要求選擇樣本，確定合適的特征集，計(jì)算樣本在所選特征之間的分離程度。所選研究區(qū)為海拔3000米以上的亞高山針葉林分布區(qū)，沒(méi)有人工建筑的干擾，因此將分類系統(tǒng)設(shè)為冠層和地面兩類。然后構(gòu)建特征空間，特征空間指參與分類的特征。面向?qū)ο蠓诸悤r(shí)可直接使用波段參與，也可以利用標(biāo)準(zhǔn)差（standard deviation）、波段比率（ratio）、亮度(brightness)等光譜特征，形狀指數(shù)(shape index)、長(zhǎng)寬比(length-widthratio)等形狀特征，以及GLCM和GLDV兩種類型的多種紋理特征等。按照要求選擇樣本后進(jìn)行特征空間優(yōu)化，即基于各類別的樣本及初始特征集，找到類別之間區(qū)別最大的特征組合，作為分類的最優(yōu)特征集。優(yōu)化目的在于避免采用過(guò)多特征導(dǎo)致分類特征冗余、計(jì)算量增大、分類精度降低等問(wèn)題?？紤]到軟件運(yùn)行負(fù)荷和距離，最終選擇用10個(gè)特征：Ratio R，Ratio G，Ratio B，Shape index，Mean R，Mean G，Mean B，GLCM Dissimilarity，GLCMCorrelation，VI’。VI’是模擬歸一化植被指數(shù)（normalized difference vegetationindex，NDVI）提取植被的一個(gè)參數(shù)，其公式為：

確定最優(yōu)特征空間后進(jìn)行分類，提取出樹(shù)冠。結(jié)果文件以shp格式輸出，疊加分類圖到原始影像上。少量地面被錯(cuò)分到樹(shù)冠類，使用編輯器直接修正分類結(jié)果；合并少量分割過(guò)度的樹(shù)冠；修改錯(cuò)誤分類的部分。經(jīng)多次修正檢查后，完成分類結(jié)果整飾。

四、結(jié)果與討論

4.1 樹(shù)冠參數(shù)提取及分析

由于缺少野外實(shí)地調(diào)查數(shù)據(jù)，因而對(duì)原始影像目視解譯，得到的樹(shù)冠提取結(jié)果被視為參考圖，且參考圖被認(rèn)為是樹(shù)冠的準(zhǔn)確表達(dá)。對(duì)比參考圖和上一步自動(dòng)提取結(jié)果，分析二者間的差異，以此衡量基于面向?qū)ο蠓椒ǖ臉?shù)冠提取精度。分別提取參考圖和自動(dòng)提取結(jié)果的郁閉度、單元面積樹(shù)木數(shù)兩個(gè)參數(shù)。由于所選研究區(qū)面積不是很大，所以分別從參考圖和自動(dòng)提取結(jié)果中選擇對(duì)應(yīng)的20個(gè)樹(shù)冠，再分別提取這20個(gè)樹(shù)冠的東西冠幅和南北冠幅。計(jì)算公式分別是：

式中，D代表郁閉度，Ac代表樹(shù)冠總面積，A代表研究區(qū)面積。N代表單元面積樹(shù)木數(shù)，Nc代表樹(shù)木棵數(shù)。W、L分別代表單個(gè)樹(shù)冠東西向、南北向冠幅，Ymax、Ymin、Xmax、Xmin分別代表樹(shù)冠區(qū)域的最大Y坐標(biāo)、最小Y坐標(biāo)、最大X坐標(biāo)、最小X坐標(biāo)。對(duì)比結(jié)果見(jiàn)圖6，表1，表2。

圖6 樹(shù)冠冠幅提取值與參考值散點(diǎn)圖

表1 提取值與參考值對(duì)比（單元面積樹(shù)木數(shù)與郁閉度）

4.2 討論

如圖6所示，自動(dòng)提取的樹(shù)冠與人工勾繪的樹(shù)冠呈較強(qiáng)的線性關(guān)系。自動(dòng)提取的東西冠幅和人工勾繪的東西冠幅的R2達(dá)0.7651，自動(dòng)提取的南北冠幅和人工勾繪的南北冠幅的R2達(dá)0.8556。這表明，基于面向?qū)ο蟮臒o(wú)人機(jī)高分影像樹(shù)冠信息提取是可行的，精度較高，可有效替代人工目視解譯，減少勞動(dòng)成本。

從表1、表2可看出，基于面向?qū)ο筇崛〉挠糸]度、冠幅大小、單元面積樹(shù)木數(shù)總體上大于人工提取的結(jié)果。導(dǎo)致這一現(xiàn)象的原因是：獲取研究區(qū)無(wú)人機(jī)影像時(shí)，影像不可避免地受到陰影的影響。陰影與某些樹(shù)冠在紋理、光譜特征上差異不明顯，從而被誤分到樹(shù)冠，導(dǎo)致樹(shù)冠自動(dòng)提取結(jié)果的相關(guān)參數(shù)總體上大于真實(shí)情況。

五、結(jié)論

樹(shù)冠可用來(lái)估測(cè)樹(shù)木胸徑、樹(shù)高、單木材積、林分郁閉度和生物量等重要參數(shù)，是監(jiān)測(cè)樹(shù)木長(zhǎng)勢(shì)、調(diào)查森林資源的關(guān)鍵指標(biāo)之一，其獲取是建立森林定量化管理平臺(tái)的關(guān)鍵[20]。隨著無(wú)人機(jī)遙感和信息提取技術(shù)的發(fā)展，高空間分辨率的無(wú)人機(jī)影像使快速、準(zhǔn)確獲取樹(shù)冠信息成為可能。論文基于面向?qū)ο蠓椒?，利用無(wú)人機(jī)遙感影像，提取四川貢嘎山雅家梗內(nèi)某一區(qū)域亞高山針葉林的樹(shù)冠及參數(shù)。關(guān)鍵技術(shù)和步驟包括：無(wú)人機(jī)影像獲取，影像預(yù)處理，最佳分割尺度確定，最優(yōu)特征空間選擇，最鄰近分類，結(jié)果整飾，參數(shù)提取及精度對(duì)比分析。結(jié)果精度較高，自動(dòng)提取的東西冠幅和南北冠幅與真實(shí)冠幅的R2分別達(dá)0.7651、0.8556，單元面積樹(shù)木數(shù)和郁閉度的提取精度分別達(dá)0.99、0.92。這驗(yàn)證了基于面向?qū)ο蟮臒o(wú)人機(jī)高分影像樹(shù)冠信息提取的可行性和可靠性。

目前的單木樹(shù)冠提取往往僅針對(duì)特定的樹(shù)種和立地條件進(jìn)行，沒(méi)有適合所有林分的提取方法。論文提出的參數(shù)提取方法主要針對(duì)相對(duì)稀疏的亞高山針葉林，研究區(qū)內(nèi)樹(shù)種相對(duì)單一，樹(shù)冠交叉或重疊現(xiàn)象較少，針對(duì)該現(xiàn)象的樹(shù)冠參數(shù)信息提取是下一步的研究工作。無(wú)人機(jī)影像不可避免地帶有陰影，這會(huì)造成樹(shù)冠提取的精度損失，如何減少甚至消除陰影的影響有待進(jìn)一步研究。初始特征集的選擇會(huì)影響后續(xù)最優(yōu)特征空間的確定，因而后面的工作將選擇基于更多不同初始特征集下的最優(yōu)特征組合參與分類，以提高精度。在做精度驗(yàn)證時(shí)，有條件的情況下，應(yīng)盡量獲取地面實(shí)地調(diào)查數(shù)據(jù)作為參考。將人工目視解譯結(jié)果作為參考時(shí)，應(yīng)盡量有多名具有相關(guān)專業(yè)背景的人員參與解譯，以增加驗(yàn)證的可靠性。