原创 赵颖慧等 南京林业大学学报
专题报道
基于ULS、TLS 和超声测高仪的天然次生林中不同林冠层树高估测
赵颖慧1,2，杨海城1，甄 贞1,2*
1.东北林业大学林学院；2.东北林业大学森林生态系统可持续经营教育部重点实验室。
树高是森林资源调查中重要因子之一，与胸径 （DBH）和树种等其他因子共同被广泛用于估测无法以无损方式获得的生物量等重要森林参数。在生物量模型构建中加入树高因子作为预测参数，可以显著地提高生物量模型的估计精度，因此，树高因子测定的准确性至关重要。目前，树高的实测方法通常是应用测高仪进行实地测量，不仅费时费力而且受林况、测量者的经验及所使用的设备等多种因素的影响。
激光雷达是一种主动遥感技术，其发射的激光脉冲在森林中具有很好的穿透性,高采样密度LiDAR能够获取单木三维结构特征,因此被广泛用于林业研究。无人机激光雷达(unmanned aerial vehicle laserscanning ，ULS)是近年来新兴的遥感数据,与机载激光雷达数据( airborne laser scanning，ALS)相比，具有更低的成本和更高的点云密度,在森林冠层结构中具有明显的优势。地基激光雷达( terrestrial laser scanning, TLS)生成的3D点云,能够获得高质量的林下LiDAR影像,可准确地描述林下信息,用于精确提取林下结构。有学者使用TILS提取树高并进行分析,认为TILS提取的树高会低于实际值。也有学者认为使用AIS提取的树高,也会受点密度和森林结构等影响而造成低估。另外,Sibona等测量了100株砍伐木树高,并对砍伐木树高与野外调查中使用测距仪获得的树高和使用ALS提取的树高进行了比较，结果显示ALS提取的树高更接近真实值。Wang等比较了UIS和TLS提取的树高,结果表明ULS在树高的估测方面优于TLS。Wallace等直接使用UILS点云生成冠层高度模型( canopy heightmodel，CHM),使用标记控制分水岭算法单木分割提取树高,结果表明树高被低估了0.11m。由此可见,基于单一数据源(AIS,UIS和TLS)提取树高都有一定的局限性。
有学者将林分按照一定的树木高度为分割点，分别采用不同数据源进行估测。例如，Wang 等分别用TLS和ALS提取的树高与样地实测树高对比,结果表明;当树高小于15 m时,TLS提取的树高与样地实测树高更接近;当树高大于15 m时,使用ALS提取的树高更准确,但该树高分割点(15m)的选取比较主观,仅适合应用于芬兰北部的松树和桦树混交林。另外,也有研究者认为树高测量的误差主要来自林冠层的遮蔽。林冠层垂直结构信息丰富,体现了森林植被在垂直方向上的层次性和空间配置方式,影响着树木生长和下层植被分布。胡文杰等根据样地调查数据,采用树冠光竞争高度法将林分划分为上林层、中林层和下林层。胡传伟等通过森林群落学调查的方法获取数据,应用聚类分析和生态位分析相结合的方法,研究了天然次生林的树种组成与垂直结构。对于激光雷达在林冠分层上的应用,也有学者进行了研究。有研究将冠层高度分布( camopyheight distribution，CHD)用于对林分的冠层划分，Maltamo 等使用改进的直方图阈值法对CHD直方图进行计算,实现了对冠层的分层。
综上所述,以ALS、UIS和TIS单一数据源提取树高的研究已十分常见,但大多数只是针对某一林分直接提取树高,而对林分以CHD进行分层,并根据不同冠层结合不同数据源提取树高的对比研究较少。因此,本期论文推荐的作者研究以UIS、TILS和野外样地调查实测树高为数据源,以东北林业大学帽儿山实验林场中林施业区50 m×50 m(0.25 hm²)样地为研究对象,基于CHD对林冠层进行分层,针对不同树木类型（针叶树和阔叶树）和不同林冠层（上层和下层）的单木进行树高估测，分析在不同林冠层中应用不同数据源探测提取树高的异同，探索适用于中国北方天然次生林树高估测的方法，为更准确地估测天然次生林树高提供依据。
下面跟学报君一探究竟！
作者简介
通讯作者
甄贞，女，博士，副教授，硕士生导师；林业遥感与地理信息系统方面专家，主要从事林业遥感与地理信息系统、时空统计模型、抽样技术、土地利用类型分类等相关研究及教学工作。
第一作者
赵颖慧，女，农学博士，副教授，博士生导师；主要从事数字林业、林业遥感与地理信息系统。
关键词：无人机激光雷达；地基激光雷达；超声测高仪；树高；森林冠层；天然次生林
基金项目：国家自然科学基金项目(31870530);中央高校基本科研业务费专项资金项目(2572019CP15)。
引文格式：赵颖慧,杨海城,甄贞.基于UILS,TLS和超声测高仪的天然次生林中不同林冠层树高估测[J].南京林业大学学报(自然科学版),2021,45(4);23-32.ZHA0YH，YANG HC,ZHENZ.Tree height estimations for different forest canopies in natural secondary forests based on UIS，TLS and ultrasonic altimeter systems[J]. Joumal of Nanjing Forestry University ( Natural Sciences Edition),2021 ,45(4):23-32.DOI:10.12302/j.issn.1000-2006.202009021.
1目的
应用不同数据源分析在不同林冠层中探测提取树高的异同,探索适用于中国北方天然次生林树高估测的方法。
2方法
以东北林业大学帽儿山实验林场中林施业区0.25 hm²样地为研究区域,基于无人机激光雷达(unmanned aerial vehicle laser scanmning，UILS)、地基激光雷达( terrestrial laser scanning,TLS)和VertexlV超声测高仪实测单木树高,根据冠层高度分布(canopy height distribution，CHD)对林冠层进行分层,对不同林冠层(上层和下层)、不同树木类型(针叶树和阔叶树)探测提取的树高进行对比与分析。
2.1 试验材料
研究区为东北林业大学帽儿山实验林场中林施业区50 m×50 m(0.25 hm²)方形样地(127°34'15"E，45°21’29"N)。林场位于黑龙江省尚志市西北部,地处张广才岭西坡,属于大陆性季风气候,植被是典型的东北天然次生林区,原始地带性顶级群落为红松阔叶林。由于遭受破坏,原始植被发生了逆向演替,形成了目前以珍贵阔叶林、杨桦林、柞木林等为主的天然次生林与红松(Pinus koraiensis)、落叶松(Iarix gmelinii)、樟子松( Pinus syluestris var. mongolica Litv.)等人工林镶嵌分布的森林景观。
2.2 研究方法
2018年7月在帽儿山林场中林施业区内选择包含多个优势树种的50 m×50 m方形样地,郁闭度为0.8,并于2019年7月复测。使用RTK ( realtime kinematic)记录样地中所有树木冠顶(树冠最高点)在地面上的投影坐标位置（误差小于0.1m)。以5 cm为起测径阶进行每木检尺,记录包括:胸径、树高、冠幅和树种等因子。使用瑞典Hagolf公司生产的Vertex IV 超声测高仪获取树高。样地中共记录359株样木,其中针叶树144株,主要为红松;阔叶树为215株,主要为榆树(Ulmus pumila）、胡桃楸(Juglans mandshurica)、杨树( Populus L.)、水曲柳(Fraxinusmandshurica)和白桦（Betulaplatyphylla)等。样地中不同树木类型(针叶树和阔叶树)的胸径、树高和冠幅的统计特征见表1。
▼表 1 样地统计特征
▲无人机雷达数据的获取
▲外业实测数据的获取1
▲外业实测数据的获取，量取树高
▲TLS数据的获取，布设靶球
3结果
由CHD计算得到的冠层分层阈值为8.5 m。树高的离群值大多产生在林冠上层,阔叶树比针叶树更容易产生离群值,ULS比TLS更容易产生离群值。在林冠上层,UILS比TLS估测树高的相对均方根误差(rRMSE)低2.56%,ULS提取针叶树树高的比TLS探测提取树高的rRMSE高6.31%,TLS提取针叶树树高的rRMSE比阔叶树低1.16%。
3.1 基于CHD曲线的林冠分层
对ULS点云切片后,以点云百分比为横坐标，点云高度为纵坐标,绘制CHD曲线如图1( a)所示。由Lloyd 算法计算出的林冠上、下层之间的高度阈值为8.5 m。在CHD 中,冠层的相对分布密度被描述为高度的函数。结合由图1(b)中的点云侧视图可以看出,在高度为0m的位置存在少量点云,该区域可视为地面部分。在8m以下的高度,点云百分比始终维持在较低的范围,主要由于样地中虽然存在大量低矮树木,但也受到冠层的遮蔽,难以接收到UIS的扫描。随着高度的增加,点云百分比逐渐增加，当高度到达8.5ｍ高度时，点云数量急剧增大，说明此时树木冠层更加密集，能接收到的点云数量增加。在9～12ｍ处为点云百分比较大的位置，结合ULS的扫描特点，可以认为 大部分树木的枝叶部分都集中在这个高度上，所以能够获得大量的点云回波，相应地也会对该高度以下的位置有较强的遮蔽作用，在12ｍ以上，点云百分比逐渐减小，可以认为随着冠层高度增加树木逐渐稀疏，很少受到遮挡或不受其他树木遮挡。
▲图 1 CHD曲线（a）和点云视图（b）
3.2 离群值的剔除
按公式（1）—（2）对 ULS和 TLS探测提取的树高离群值进行了剔除和比较，结果如表 2所示。
▼表 2 3种数据源的离群值统计
基于 ULS数据的离群值共有 30个，其中林冠上层有 20个，林冠下层有 10个。从树木类型来 看，产生离群值的有19株阔叶树、11株针叶树。
基于 TLS数据的离群值共有 11个，主要出现在林冠上层，在林冠下层仅有 2株单木被判定为离群值。从树木类型来看，产生离群值的主要是阔叶树，针叶树的离群值共有 2个。与实测数据对比发现，在11个离群值中，有6个离群值出现在 9～14 ｍ的高度上，由图1的 CHD 曲线图可以发现，在这 个高度上是点云百分比较大的位置，林冠层枝叶密集，容易产生误判。此外，TLS数据对 2株单木的树高产生了高估，这 2株单木都是阔叶树，高度位于 9～12ｍ的枝叶密度较大的林冠层中。
ULS数据与 TLS数据产生的离群值交集共有 3个，都是 9～11ｍ林冠层的阔叶树。
3.3 基于不同数据源的树高比较
3.3.1 基于ULS的估测树高与实测树高的比较
去掉ULS数据探测提取树高的离群值后,共有245株单木,其中林冠上、下层分别有单木230、15株,与样地实测树高比较结果如表3。在UIS探测的单木中,林冠下层仅有1株针叶树,所以并未对其指标进行计算。
总体来看,应用UIS数据提取的单木树高和应用超声测高仪实测单木树高之间的相关性很强，相关系数为0.97。应用ULS数据提取的单木树高存在低估现象,特别是阔叶树被明显低估了,rBias为-2.45%;针叶树也存在略微的低估现象,rBias为-0.57%。从估测效果来看,针叶树要比阔叶树估测结果更接近实测树高,针叶树RMSE仅为0.41m,阔叶树为0.77 m;针叶树rRMSE为3.44% ,阔叶树为6.23%。
▼表 3 基于 ULS的估测树高和样地实测树高的比较
由表3可知,在不同的林冠层中,不同树木类型树高的提取精度有所不同。在林冠上层,针叶树和阔叶树的相关系数都为0.97,应用ULS提取的树高都被低估了,总体rBias为-1.78%,其中阔叶树树高比针叶树树高低估的更严重一些,针叶树的rBias为-0.57%,M叶树的rBias为-2.73%,在树高的估测误差上(rRMSE),针叶树要比阔叶树的估测误差小2.68%。在林冠下层,估测的阔叶树树高存在很大误差，其RMSE为0.80 m,rRMSE为10.14%,比林冠上层阔叶树的rRMSE约高出4%。在林冠下层,基于UIS提取的树高和样地实测树高的相关性比林冠上层的相关性略低,但仍具有很强的相关性(R=0.90)。
应用UIS 数据估测的树高与实测树高比较得到的rRMSE随冠层高度的变化见图2。对于所有树木来说,基于UIS提取的树高误差(rRMSE)在>9~11 m冠层范围比≤9 m的范围有了明显的减小,rRMSE由10.46%减小到8.49%;在>11~13 m冠层范围,估测树高的rRMSE最小,仅为3.78%,这是由于在>11~13 m的冠层范围,ULS点云和样地实测均容易发现树顶并测量树高,因此具有较小的误差;在13 m以上,随着高度升高rRMSE略有升高,增加了约1.7%,上升的趋势要远小于林冠下层。基于UILS估测的阔叶树误差具有相同的变化规律,说明阔叶树的误差变化规律起主导作用。
▲图 2 基于 ULS 的估测树高和样地实测树高的 rRMSE随高度的变化
3.3.2 基于TLS的估测树高与实测树高的比较
去掉TLS探测树高的离群值后,共有单木280株,其中林冠上、下层分别有单木227、53株,与样地实测树高比较结果如表4。TLS对林冠下层探测提取的单木树高的 rRMSE要远远小于林冠上层树高，相同林冠层中，针叶树的rRMSE也要小于阔叶树。
▼表 4 基于 TLS估测树高和样地实测树高的比较
总体来看,TLS探测提取的树高和样地实测树高之间的相关性很强,相关系数为0.98,针叶树和阔叶树均存在低估现象,特别是阔叶树,其rBias为-4.07% ,被明显低估了,针叶树也存在一定的低估现象, rBias为-2.51%。从估测效果来看,针叶树要比阔叶树的树高估测更准确,针叶树RMSE为0.60 m，阔叶树为0.95 m;针叶树rRMSE为5.62% ,阔叶树为8.30%。由表4可知,在不同的林冠层中,不同树木类型的树高误差也有所不同。在林冠上层,阔叶树被低估的程度比针叶树更明显,阔叶树的rBias为-4.7%,针叶树的rBias为-3.23%。在估测误差上(rRMSE),阔叶树比针叶树误差更大,rRMSE比针叶树高2.69%,在林冠下层，TLS 探测提取的针叶树树高误差略小于阔叶树，rRMSE比阔叶树低1.16% ,针叶树和阔叶树的rBias分别为2.00%和2.22% ,存在高估现象。
应用TIS数据估测的树高与实测树高比较得到的rRMSE随冠层高度的变化图见图3。总体来看,随着冠层高度的增加,基于TIS估测树高误差(rRMSE)也在不断增加,在9 m冠层高度以上，rRMSE迅速增大，在>9～17 m的冠层高度上，rRMSE增加了约5.9%。基于TLS估测的阔叶树和针叶树树高的误差具有同样的变化规律,阔叶树树高的rRMSE仍然主导着总体变化规律,而对于针叶树来说, rRMSE变化更稳定一些,rRMSE最小值出现在>7~9 m冠层范围(3.23%),最大值出现在>13 m(5.52%),变化幅度仅为2.29%,而阔叶树树高的误差变化幅度高达6.71%。
▲图 3 基于 TLS的估测树高和样地实测树高的 rRMSE随高度的变化
3.3.3 基于ULS和TLS估测树高的比较
基于ULS估测树高和基于TLS估测树高的比较如表5所示。由于在林冠下层,应用ULS仅探测到1株针叶树,因此并未对其指标进行计算。
▼表 5 基于 ULS和 TLS估测树高的比较
由表5可知,分别基于ULS和TLS估测的树高具有很好的相关性(总体相关系数为0.95)。总体而言,基于TLS估测的树高要比基于UIS估测的树高偏低,rBias为-3.56%,TLS和ULS探测提取的针叶树和阔叶树树高相差不大, rRMSE仅相差0.18%。
由表5可知,在林冠上层,基于TLS估测的树高要比基于ULS估测的树高偏低，rBias为-3.60%,而在下冠层,基于TIS估测的树高要比基于ULS估测的树高偏高, rBias为0.69%。这是由于TLS和ULS均受到冠层遮蔽的影响,在林冠上层，TLS不能对树顶进行完整扫描,因此TIS估测的树高要比ULS估测的树高偏低;在林冠下层，ULS对树木扫描不充分,因此ULS估测的树高要比TIS估测的树高偏低。
分别应用UIS和TLS数据估测树高得到的rRMSE随冠层高度的变化见图4。由图4可知, rRMSE变化范围为5%~8% ,在>9~13m冠层范围的rRMSE最小(约为5%),随着冠层高度的增加或减小，rRMSE也逐渐增加。阔叶树的rRMSE具有相同的变化规律,说明阔叶树的误差变化起主导作用。
▲图 4 基于 ULS和 TLS估测树高的 rRMSE随高度的变化
4结论
针叶树的树高估测精度普遍高于阔叶树；当TLS和ULS均能对单木进行完全扫描时,具有准确提取树高的潜力;树高离群值多由冠型不规则或相互交叉的阔叶树产生，而大部分针叶树，由于具有规则的冠型，所以产生的离群值较少；基于CHD 对林冠层进行划分能够 较好地反映不同数据源估测树高的适用范围，具有一定的推广意义。
关注我们，更多精彩
