無人機可見光遙感木麻黃人工林株數提取方法比較研究

趙各進孫夢蓮宋賢芬郝振幫李明慧武紅梅劉 健余坤勇

（1. 福建農林大學林學院，福建 福州 350002；2. 3S 技術與資源優化利用福建省高校重點實驗室，福建 福州 350002）

濱海地區社會、經濟發展離不開環境支持與保障，濱海地區特殊的氣候和土壤條件導致濱海防護林生態系統十分脆弱。木麻黃人工林作為濱海主要防護林，具有重要的生態功能[1-3]。林分株數是林分密度的重要指標，能夠表征林分現狀，快速、實時、準確地獲取林分株數利于及時監測木麻黃人工防護林的健康狀況，同時，為科學管理森林資源提供便利[4]。傳統每木檢尺的調查方法結果雖然相對準確，但需要消耗大量的人力物力，且只能獲得點上的數據，難以滿足精準、快速獲取區域或更大尺度的林業調查需求[5]。近年來，隨著無人機科學、傳感器、計算機視覺的并行發展，促進了無人機低空遙感在林業資源的監測應用[6-8]。機載LiDAR 對冠層具有較強的穿透性，可以探測到林下地表信息，機載LiDAR 點云數據經濾波、插值等處理可生成高精度DEM[9-10]，從而可以極大地提高森林參數的提取精度。但由于機載LiDAR 設備非常昂貴，數據處理過程復雜，限制了機載LiDAR 在基層林業系統的推廣和應用[11]。相比較之下，無人機可見光遙感數據處理簡單、獲取成本低廉，成為了當下研究的熱點[12]。

單木是森林的基本單元，林分株數提取的關鍵在于單木識別。目前，利用可見光遙感數據作為數據源識別單木的方法大致分為2 類：一是直接基于數字正射影像或其增強影像識別單木，主要方法包括：多尺度分割法[13-15]、分水嶺算法[16-18]、邊緣檢測[19]、光譜局部最大值法[20]等；二是基于運動恢復結構（SfM）算法構建可見光影像匹配點云，將其轉化為具有高度信息的柵格表面模型（DSM/CHM），在此基礎上識別單木，主要方法包括：局部最大值法、局部最小值法[21-23]。其中，多尺度分割法、局部最大值法這兩種方法在單木識別中應用較為廣泛。馮靜靜等[24]運用改進的數學形態學圖像增強技術處理數字正射影像，基于生成的灰度梯度圖像進行面向對象多尺度分割，單木分割精度為83.19%；張倉皓等[14]基于無人機不同飛行高度獲取的可見光正射影像，運用面向對象多尺度分割方法，實現了不同飛行高度的毛竹立竹度提取。郭偉等[25]以大興安嶺無人機可見光遙感數據為基礎，采用局部閾值法去除背景干擾，結合局部最大值法獲取了森林株數；劉江俊等[26]基于無人機可見光相片衍生的CHM，使用局部最大值法識別樹冠頂點，F1_score 為0.77；Hao 等[21]以杉木人工林為實驗標準地，基于無人機可見光影像生成的CHM 進行單木識別，整體F1_score 達0.99。

基于無人機可見光遙感的林分株數提取研究大多只探討了某一種方法的提取精度，并未在同一研究區對多種經典方法的準確性、適用性對比研究。鑒于此，選取平潭島一塊木麻黃人工林為研究區域，分別設置3 塊典型的幼齡林、成熟林標準地，以無人機可見光遙感為數據來源，使用基于冠層高度模型的局部最大值方法（LMC）、基于正射影像的局部最大值方法（LMD）、基于正射影像的多尺度分割方法（MST）提取幼齡林和成熟林的標準地株數，對3 種方法提取的株數和實測數據進行對比分析，旨在探索基于無人機可見光遙感快速精確地提取木麻黃人工林林分株數方法的適用性。同時，為無人機可見光遙感技術監測森林資源狀況、輔助資源調查，以及無人機可見光遙感的濱海防護林株數的快速提取等方面提供技術和方法支撐。

1 研究區概況

研究區位于福建省福州平潭境內（25°15′～25°45′N, 119°32′～120°10′E）。平潭島上地形多以丘陵、平原為主；屬南亞熱帶海洋季風性氣候，冬暖夏涼，濕潤溫和，降雨時節分明；年平均氣溫19.5 ℃，年平均降水量900～1 200 mm，年平均風速9 m/s，是福建省的強風區之一。島上森林類型主要分為闊葉林、針葉林和針闊混交林。其中，常綠喬木主要有木麻黃（Casuarina equisetifolia）、臺灣相思（Acacia confusa）、黑松（Pinus thunbergia）等，植被結構較為單一，優勢樹種明顯，同時分布著海濱藜（Atriplex maximowicziana）、秋茄樹（Kandelia obovata）等濱海地區特有植物。研究區內的常綠喬木為木麻黃純林，分別設置3 塊30 m × 30 m 的幼齡林標準地和成熟林標準地，見圖1。

圖 1 研究區地理位置及標準地分布Fig. 1 Location and sample distribution of the study area

2 材料與方法

2.1 數據來源與預處理

2.1.1 無人機影像數據的獲取及預處理

2021 年9 月8 日，采用搭載Mica Sense Red Edge 多光譜鏡頭（藍光、綠光、紅光、紅邊、近紅外）和普通可見光鏡頭的大疆精靈 4 無人機系統，于正午獲取研究區影像。無人機定位系統由GPS + BeiDou 組成，其中多頻多系統高精度RTK GNSS 使用的頻點為GPS：L1/L2；BeiDou：B1/B2，首次定位時間小于50 s，垂直定位精度為1.5 cm +1 ppm（RMS）；水平定位精度為1 cm + 1 ppm（RMS）；地面采樣距離 (H/18.9) cm/pixel，H為飛行器相對于起飛點的飛行高度（單位：m）；照片最大分辨率為：1 600 × 1 300（4∶3.25）；云臺可轉動范圍為俯仰-90°～30°。本研究飛行參數設置為航線高度為80 m，航向重疊率和旁向重疊率分別為85%和75%，等時間間隔拍攝，拍攝間隔為2 s。

采用大疆智圖（DJI Terra）軟件對無人機可見光相片進行校正、拼接等預處理，獲得無人機可見光正射影像（DOM）、數字表面模型（DSM）及點云數據，對點云數據進行分類，插值等處理生成數字地形模型（DEM），將DSM 與DEM 作差生成冠層高度模型（CHM），其中DOM 影像的分辨率為0.03 m，CHM 影像分辨率為0.06 m。

2.1.2 地面實測數據的獲取及單木位置確定

本研究共設置了6 塊標準地，幼齡林1、2、3 號標準地實測株數分別為182、175、170 株，共計527 株；成熟林1、2、3 號標準地實測株數分別為212、207、190 株，共計609 株。以正射影像為參考底圖，標準地西南角的頂點作為坐標原點構建平面坐標系，確定標準地內的單木的相對位置。使用RTK 對標準地的4 個頂點和個別單木進行定位，實現標準地木麻黃的實地位置與遙感影像的精準對應。

2.2 單木提取方法

2.2.1 基于CHM影像的局部最大值濾波方法（LMC）

冠層高度模型（CHM）可以表達林分中每棵樹的冠層到地面的相對垂直距離[27]。木麻黃樹冠具有中心比四周高的特點，代表樹冠中心有更高的像元值，局部最大值法即通過固定窗口尋找CHM 中局部最高點來確定樹冠中心。前人研究表明，平滑窗口和固定窗口的大小是局部最大值檢測樹冠的關鍵，不同窗口組合會影響識別效果[21]。

為了突出局部最大值算法的最佳株數提取性能，本研究將3 種（0.1、0.2、0.3 m）平滑窗口和4 種（0.5、0.6、0.7、0.8 m）固定窗口相組合，共計12 個窗口組合，分別選擇1 塊幼林標準地和成熟林標準地進行測試，選擇精度最高的窗口組合對其他標準地進行株數提取。

2.2.2 基于DOM 影像的局部最大值濾波法（LMD）

在林分中，單木樹尖部分屬于新生部位且接收更多的光能，從而具有較高的光譜反射率[28]，正射影像的G 通道影像對綠色植物較為敏感，使用局部最大值濾波算法探測影像中冠狀最大值即單木樹冠最高值，從而實現單木識別。此外濱海地區土壤貧瘠，林下植被較少，木麻黃人工林裸地占比較高，而裸地的像素值高于植被，直接使用G 通道影像進行局部最大值方法提取樹頂點效果較差，本研究使用過綠指數（EXG）[29]對G 通道進行增強處理，能夠有效提高樹頂點的獲取精度。公式如下：

式中：R、G、B分別代表DOM 影像的紅、綠、藍3 個通道的像素值。

由于此方法也是基于局部最大值算法提取株數，故以LMC 方法獲得的最佳窗口組合作為本方法的最優參數，提取6 塊標準地的株數。

2.2.3 基于DOM 影像的多尺度分割法（MST）

多尺度分割是一種自下而上的分割方法，通過合并相鄰的像素或小的分割對象，在保證不同對象之間平均異質性最小、對象內部像元之間同質性最大的前提下，基于區域合并技術實現影像分割[30]。采用eCognitionDeveloper 8.9 軟件對6 塊木麻黃標準地進行多尺度分割處理，提取樹冠，實現木麻黃人工林株數提取。

為了最大化突出本方法的株數提取性能，分別選取高、低密度林分的1 塊標準地來確定最佳分割尺度。使用ESP 工具來確定最佳分割尺度。在eCognition 軟件中加載ESP 插件，選擇Estimation of Scale Parameter 2 (ESP 2)算法，設置一系列的初始參數進行迭代，處理結果將輸出1 個*txt 文檔，將文檔加載在ESP 后處理軟件ESP_Estimation_Scale_Parameter_Chart.exe 中，經過計算將會生成最優分割尺度折線圖（圖2）。其中橫坐標表示分割尺度（Scale），縱坐標分別表示影像對象的局部方差（LV）和局部方差變化率（ROC）。當局部方差變化率（ROC）呈現波峰狀態時，表明此點的分割尺度為較優分割尺度，選擇起伏程度較大的波峰點作為備選分割尺度。成熟林的備選分割尺度為28、33、38、40、47、57、61、73、80、91、97、113，幼齡林的備選分割尺度為27、33、46、50、54、59、68、87、95、108。在eCognition 軟件中創建多尺度分割進程，形狀參數和緊致度參數都設計設置為0.5，然后改變分割尺度比較分割結果，經比較，高、低密度林分最優分割尺度分別為61、46。

對最優分割結果進行分類，篩選出木麻黃樹冠多邊形，樹冠多邊形的中心即為木麻黃樹冠中心。

圖 2 ESP 最佳分割尺度折線圖Fig. 2 The optimal segmentation scale line by estimation of scale parameter(ESP)

2.3 單木提取精度評價指標

以實地調查單木位置點為中心，建立1 個半徑為0.8 m 的圓形緩沖區，當識別到的潛在單木點位于緩沖區內有且只有1 株，定義為正確識別；當識別到的潛在單木點位于緩沖區內有且大于1 株時，將距離緩沖區中心最近的1 株定義為正確識別，其他定義為錯誤識別；當識別到的潛在單木點位于緩沖區外，定義為錯誤識別（圖3）。

圖 3 單木識別結果判斷流程圖Fig. 3 Flow of individual tree detection

使用準確率（P）、召回率（RE）、F 測度（Fscore）[31-32]3 個評價指標比較3 種方法識別精度。其中，P表示不同方法自動提取的單木株數中正確的株數占比，RE 表示正確提取單木株數占標準地內實際單木株數的比值，Fscore同時考慮準確率和召回率，是衡量單木提取的方法的綜合指標。

式中：TP 表示正確識別的株數，FP 表示錯誤識別的株數，FN 表示遺漏的株數。

3 結果與分析

3.1 最佳參數的確定

3.1.1 局部最大值算法最佳窗口組合的確定

窗口組合識別結果見表1。

表 1 不同窗口組合單木識別結果對比Table 1 Comparison of individual tree detection with different combinations of window size

經分析，在幼齡林或成熟林中，較小的平滑窗口和較小的固定窗口相組合均能獲得較高的RE 值。當窗口組合為0.1～0.5 m 的組合時，低、成熟林的RE 值都達到最高，分別為0.97、0.98。隨著平滑窗口和局部最大值窗口的增大，RE值呈現降低趨勢。其中，成熟林的RE值在窗口組合為0.2～0.7 m 趨于穩定。P值則與RE值的情況相反，隨著窗口的增大而升高。當窗口組合為0.2～0.8 m 時，幼齡林的P值最大，達到了0.98；窗口組合為0.3～0.7 m 和0.3～0.8 m 時，成熟林的P值都為1。研究表明，當平滑窗口和固定窗口較小時，遺漏株數較少，但誤判株數較多；當平滑窗口和局部最大值窗口較大時呈現與之相反的結果。Fscore同時考慮了遺漏株數和誤判株數，將RE 值和P值的結果進行調和，進而全面評價識別結果。

經過對比發現，窗口組合為0.3～0.5 m 時，幼齡林的遺漏株數和誤判株數都相對較低，Fscore最高；窗口組合為0.2～0.6 m 時，成熟林的遺漏株數和誤判株數都相對較低，Fscore最高。因此，幼齡林最佳窗口組合為0.3～0.5 m；成熟林最佳窗口組合為0.2～0.6 m。

3.1.2 面向對象的多尺度分割法最佳分割尺度的確定

為了獲得最佳的多尺度分割效果，將形狀參數（0.1～0.9）和緊致度參數（0.1～0.9）進行組合，得到共計81 組分割結果，對比分割效果，確定成熟林林分的形狀參數和緊致度參數都為0.8 時，單木分割效果最佳。使用相同方法，設置形狀參數和緊致度參數分別為0.8 和0.7 時，幼齡林分割效果最佳。

3.2 LMC、LMD、MST 最佳尺度下的識別結果對比單木提取結果

運用基于CHM 的局部最大值法（LMC）、基于DOM 的局部最大值法（LMD）、基于DOM 的多尺度分割法（MST）3 種方法分別在2 種林齡中識別單木。3 種方法最佳結果見表2 和圖4，標準地總體Fscore從高到低為LMC、LMD、MST，分別為0.97、0.90、0.78。

表 2 不同方法單木識別精度對比Table 2 Accuracy comparison of individual tree detection with different methods

LMC 方法在幼齡林和成熟林的RE、P、Fscore都相近，Fscore皆為0.97，說明LMC 方法能較全面地識別幼齡林和成熟林中的單木，具有很好的穩定性和適用性；LMD 方法在不同林齡間的RE 值比較穩定（0.97、0.94），且與LMC 方法的RE 值（0.96、0.97）也相近，而該方法對幼齡的誤判株數較多，導致幼齡林的P值比成熟林低0.9；MST 方法在幼齡林、成熟林的Fscore分別為0.76、0.81，精度相近且明顯低于上述兩種方法。

圖 4 方法對比及標準地結果展示Fig. 4 Method comparison and sample plot results

4 結論與討論

4.1 討論

本研究以福建省平潭島沿海防護林為研究區，設置了2 種林齡實驗標準地，對基于冠層高度模型的局部最大值方法（LMC）、基于正射影像的局部最大值方法（LMD）、基于正射影像的多尺度分割方法（MST）木麻黃人工林株數提取結果進行對比分析，發現3 種方法的單木識別的精度存在較大差異。對LMD 方法進行精度評價后發現，相較于成熟林，幼齡林的P值降低了0.1，表明該方法對幼齡林的錯誤識別株數較多，錯誤識別是影響該方法的單木識別精度的主要因素。LMD 方法對幼齡林的單木識別精度較差，是因為幼齡林郁閉度較低，地表附著著一些其他植被，其像素值與木麻黃冠層像素值相近[25]，存在同譜異物的現象，使用像素閾值刪除非樹冠點會導致誤刪樹冠點或漏刪非樹冠點。對MST 方法進行精度評價后發現，其整體精度遠低于LMC 和LMD，原因是其步驟更加繁瑣，需要先獲得樹冠輪廓，再將樹冠輪廓轉換為樹冠中心點，分割效果受分割尺度、光譜異質性、形狀異質性等諸多因素影響[33]。不同林齡識別精度也呈現了差異，幼齡林的P值更低，說明其錯誤識別率較高，原因是雖然幼齡林具有更低的郁閉度，但其分布并不均勻，標準地同時出現了聚集和分散兩種分布情況，增加了分割參數選取的難度；其次，較低的郁閉度增加了地面植被以及陰影的影響。對LMC 方法進行精度評價后發現，其在不同林齡中的精度相近且較高，原因在于相較于LMD，其使用高度閾值刪除非樹冠點克服了陰影和地面植被的影響。

由于LMC 方法通過設置高度閾值篩除掉了非樹冠點，去除了地面誤判點的干擾，最終單木檢測結果中的誤判點全部來源于樹冠。本研究試驗了平滑窗口和局部最大值探測窗口的不同組合對局部最大值方法的單木識別效果，發現平滑窗口和局部最大值固定窗口的大小對單木識別結果具有影響。保持平滑窗口不變，發現幼林和成熟林具有相同規律，即隨著局部最大值探測窗口和平滑窗口的增大，RE 值呈現降低趨勢，P值呈現升高趨勢。研究表明較小的固定窗口可以獲得更高的單木檢測率，但是存在較高的誤判率。當樹冠尺寸較大或者冠形較復雜時，偏小的固定窗口導致重復檢測同一棵樹；偏大的固定窗口則會過濾掉較小的樹冠，從而導致單木漏檢。因此，不同林齡的木麻黃林分需要設置不同的窗口進行單木株數的提取。

4.2 結論

本研究以典型沿海防護林樹種木麻黃為研究對象，基于無人機可見光遙感數據，選取了6 個標準地（2 種林齡類型，共1 136 株），結合地面實測數據，通過計算召回率（RE）、準確率（P）和Fscore，比較3 種方法（LMC、LMD 、MST）的株數提取精度。結果表明：3 種方法中LMC 總體株數提取精度較高，Fscore達0.97，MST 總體株數提取精度最差，Fscore僅為0.78；LMC 方法對不同林齡木麻黃人工林的株數提取精度相近，而LMD、MST 在成熟林的株樹提取精度高于幼齡林；經綜合分析，3 種方法中，LMC 總體株數提取精度最高，且適用于不同林齡的木麻黃人工林株數提取，可以滿足實時、快速提取木麻黃人工林株數的需求。