-
机载激光雷达已经成为当前森林资源调查的强大工具[1]。自Jaakkola等于2009年开展第一次无人机(UAV)激光雷达(LiDAR)森林应用试验[2]以来,随着自动驾驶车用激光扫描仪的发展,国内外已经开发了大量商用的、可搭载于轻型无人机的轻量级激光雷达系统[3-4]。这些激光扫描仪大多可以测量250 m范围内的物体,并具有较高的测距精度(≤5 cm),能够较为准确地提取森林冠层高度和其他森林参数[4]。并且,无人机激光雷达具有使用简单灵活、费用低、易重复等优势,在小区域森林资源、森林健康、森林火灾、造林成效等调查监测中得到大量应用[5]。
传感器技术的发展极大地改善了机载激光雷达的数据精度。离散激光雷达系统产生的点云密度和回波数量呈指数增加的趋势[6-7],可以提取枝条等十分详细的树冠结构信息[8]。一些传感器(如Riegl Q680i和YellowScan Mapper等)的点云密度达到了30~40点∙m−2[9-10]。在以直升飞机为平台进行低空飞行和窄扫描角的情况下,激光雷达的点云密度可以高达每平方米上千个甚至数千个[10-11],能够极为精确地刻画林木的枝、干结构,达到可以取代地基激光雷达和地面调查的程度[3]。有研究表明,点云密度越大,激光雷达提供的信息越丰富,林分林木参数估测精度越高[12]。与机载激光雷达相比,无人机激光雷达的点云密度更高,一般达200点∙m−2以上[13-14]。然而,无论是机载激光雷达还是无人机激光雷达,数据获取与预处理费用和效率是应用中必须考虑的问题。点云密度与飞行高度、速度、航线重叠率等密切相关,是影响数据获取和预处理成本和效率最重要的因素。因此,探明适宜的点云密度,对于无人机激光雷达森林应用十分重要。研究目的和背景不同,所需的点云密度亦不相同。有研究表明:在提取火炬松(Pinus taeda L)人工林单木树高时,当点云密度≥50点∙m−2时,根方根误差(RMSE)和标准差才趋于稳定[15]。也有研究表明,对于孤立木,当点云密度由8点∙m−2增加至62点∙m−2时,树高提取的标准差由0.26 m减少至0.15 m[5]。Peng等[16]对陆均松(Dacrydium pierrei de Laub)林分单木树高提取的研究表明,当点云密度分别由12点∙m−2增加到17点∙m−2、17点∙m−2增加到108点∙m−2时,均方根误差分别减少了6.92%和0.99%,说明点云密度17点∙m−2可满足陆均松树高提取需要。有关无人机激光雷达点云密度对林分(样地)尺度森林参数估测精度影响的研究报道很少,仅见的公开发表论文是Sumnall等对火炬松人工林叶面积指数(LAI)的研究。他们指出:当点云密度高于0.5点∙m−2时,样地尺度LAI估测精度基本上不受点密度变化的影响[15]。显然,有关点云密度对无人机激光雷达林分尺度森林参数估测的影响,仍需要进行更多的试验,以确定适宜的点云密度,为无人机激光雷达森林资源调查监测技术方案优化提供技术支持。
本研究的目的是评估点云密度对无人机激光雷达森林参数估测精度的影响,为林分尺度无人机激光雷达森林调查监测应用的技术方案设计提供参考依据。为此,在一个小区域人工林区获取了无人机激光雷达数据,并在马尾松林和桉树林中进行了样地调查。试验的具体目标包括:(1)探明密度点云对林分尺度无人机激光雷达森林参数估测精度的影响;(2)分析不同密度点云的无人机激光雷达变量的差异。
-
本试验在广西南宁市北部的国有高峰林场界牌、东升分场进行。试验区为一个呈东北―西南走向的近矩形区域,中心地理位置为22°58′33″ N,108°23′45″ E,长11.2 km,宽4.2 km,面积约4 770 hm2。研究区内森林几乎全部为人工林,其中:杉木(Cunninghamia lanceolata (Lamb.) Hook.)林、松树林、桉树林和一般阔叶林分别占森林面积的10.0%、14.8%、46.8%和26.1%。桉树林主要为尾叶桉(Eucalyptus urohpylla S. T. Blake)和巨尾桉(E. grandis W. Hill ex Maiden × E. urohpylla)林,全为同龄纯林;松树林主要为马尾松(Pinus massoniana Lamb.)林,约三分之一为异龄混交林(与阔叶树、杉木混交),其余为纯林。
-
本研究对象为马尾松林和桉树林。2022年3月在试验区内分别设置马尾松林、桉树林样地33个和35个。样地面积为30 m × 20 m,分为4个面积为15 m × 10 m的亚样地。采用千寻星矩SR6网络惯导RTK-GNSS接收机(上海千寻位置网络有限公司)进行样地和亚样地测设。全部样地的角点坐标均可采集到固定解,样地定位精度满足样地数据与UAV-LiDAR数据空间配准要求。对样地内直径≥5.0 cm的林木进行每木检尺,并记录树种(组)名称。根据样木的直径分布,按均匀分布原则选取5~7个径级,每个径级选取3~4株样木,采用超声波测高仪(Haglöf VERTEX Ⅳ)测量树高。每个样地测量20~21株优势树种的树高,用于建立直径-树高模型,以计算样木的树高。对于样地内的杉木和阔叶树样木,采用2016年同区域样地调查材料建立的相应树种的直径-树高模型计算树高。采用广西立木二元材积表计算样木材积。研究区中马尾松林幼、中龄林很少,样地中以成过熟林居多。样地基本情况见表1。
森林类型
Forest type样地数量
Number of
plot林木密度
Stem density/
(株∙hm−2)平均直径
Average DBH平均高
Average height断面积
Basal area蓄积量
Stand volume均值
Mean/cmCV/% 均值
Mean/mCV/% 均值
Mean/(m2∙hm−2)CV/% 均值
Mean/(m3∙hm−2)CV/% 马尾松林
Masson pine forest33 717~2 233 26.2 24.6 17.5 26.2 32.9 23.4 242.7 30.5 桉树林
Eucalyptus forest35 1 067~3 450 11.1 28.0 15.2 30.6 18.3 53.9 150.6 65.3 Table 1. Summary statistics of the field plot
-
2022年3月采用深圳飞马机器人科技有限公司生产的飞马D2000四旋翼无人机系统获取LiDAR点云数据。该系统集成了激光测距、全球导航卫星系统(GNSS)和惯性导航系统(IMS)。激光雷达传感器为D-LiDAR2000。工作波长为905 nm,发散角0.03°H × 0.28°V,点频240 kpts∙s−1,回波数为3回波,最大测程320 m,测距精度 ± 2 cm。标称定位定姿系统(POS)定位精度:水平2 cm,垂直3 cm,横滚/俯仰精度0.006°,航向角精度0.03°。GNSS和惯导数据更新频率分别为20 Hz和200 Hz。仿地飞行,相对航高200 m,航速6 m∙s−1。共飞行了40架次,约22 h。激光点云平均密度约247点∙m−2。
-
有多种降低激光雷达点云密度的方法,如:百分比法[17-18],以GNSS时间为基础的系统抽样法[1],随机抽样法[12],间隔距离法[19]。在本试验中,采用美国Boise中心航空航天实验室研制的点云百分比重采样工具[20]对原始点云(247 点∙m−2)进行点云抽稀,该工具从每个回波的等高点中按总点数的百分比随机选取保留点云。将原始密度点云分别降低至40%、20%、8%、4%和2%,得到5个稀疏密度点云数据集,平均密度分别为110、55、22、11、5点∙m−2。不同密度的样地尺度点云分布见图1。
Figure 1. Vertical distribution of point cloud of a plot of percentage-based UAV-LiDAR data reduction
采用TerraSolid软件对各个点云数据集进行独立预处理,包括:将点云分类为地面点和植被点,采用渐进式不规则三角网(TIN)加密滤波算法生产数字高程模型(DEM)。采用DEM对点云进行高程归一化处理,以消除地形影响。采用归一化点云数据,分别提取15个激光雷达变量,包括:25%、50%、75%和95%分位数高度(hp25、hp50、hp75和hp95),点云最大高(Hmax)、平均高(Hmean),点云高度的标准差(Hstd)和变动系数(Hcv);25%、50%和75%分位数密度(dp25、dp50和dp75),修正的郁闭度(CC)[21];叶面积密度的均值(LADmean)、标准差(LADstd)和变动系数(LADcv)[22]。以上15个变量可分为3组:高度变量、密度变量和垂直结构变量,每组变量从不同的角度对森林冠层的三维结构进行刻画。
-
为使所建立的模型符合森林计测学原理并具有良好的可解释性,采用10个UAV-LiDAR变量(hp95、Hmean、Hstd、Hcv、dp50、dp75、CC、LADmean、LADstd和LADcv),通过有规则的穷举法变量组合方法[23-24],得到44个模型结构式,用于林分蓄积量(VOL)、断面积(BA)、平均高(H)和平均直径(DBH)估测。采用原始密度点云数据集,分别对44个模型结构式进行拟合,通过3个优度统计指标评价模型拟合效果,包括:决定系数(R2)、相对根方根误差(rRMSE)和平均预估误差(MPE)[25]。以rRMSE最小为标准确定最优模型,得到2个森林类型4个森林参数估测的最优模型,见表2。
森林类型
Forest type森林参数
Attribute模型 Models R2 rRMSE/% MPE/% 马尾松林
Masson pineVOL $ VO{L_{Pine}} = 4.678{\text{ }}5Hmea{n^{1.485{\text{ }}4}}C{C^{ - 0.510{\text{ }}0}}LADst{d^{0.276{\text{ }}0}}Hst{d^{0.106{\text{ }}0}}dp{75^{ - 0.010{\text{ }}58}} $ 0.813 12.97 4.81 BA $ B{A_{Pine}} = 5.538{\text{ }}0Hmea{n^{0.737{\text{ }}4}}C{C^{ - 0.443{\text{ }}2}}LADst{d^{0.208{\text{ }}7}}HSst{d^{0.060{\text{ }}30}}dp{50^{0.203{\text{ }}4}} $ 0.676 13.12 4.86 H $ {H_{Pine}} = 0.429{\text{ }}0h{p^{1.023{\text{ }}2}}C{C^{0.706{\text{ }}5}}LADc{v^{0.055{\text{ }}65}}Hc{v^{ - 0.359{\text{ }}0}}dp{75^{ - 0.928{\text{ }}7}} $ 0.676 14.69 5.44 DBH $ DB{H_{Pine}} = 3.877{\text{ }}4h{p^{0.620{\text{ }}8}}C{C^{0.605{\text{ }}6}}LADc{v^{ - 0.353{\text{ }}3}}Hc{v^{ - 0.084{\text{ }}60}}dp{75^{0.060{\text{ }}19}} $ 0.546 16.36 6.06 桉树林
EucalyptusVOL $ VO{L_{Eucalyptus}} = 3.895{\text{ }}5hp{95^{1.311{\text{ }}5}}C{C^{1.620{\text{ }}3}}LADc{v^{0.591{\text{ }}5}}Hst{d^{0.083{\text{ }}83}}dp{50^{ - 0.020{\text{ }}20}} $ 0.966 11.50 4.19 BA $ B{A_{Eucalyptus}} = 3.076{\text{ }}1hp{95^{0.781{\text{ }}4}}C{C^{1.514{\text{ }}9}}LADc{v^{0.510{\text{ }}0}}Hc{v^{0.107{\text{ }}5}}dp{75^{0.045{\text{ }}61}} $ 0.917 14.33 5.22 H $ {H_{Eucalyptus}} = 2.467{\text{ }}8hp{95^{0.670{\text{ }}5}}C{C^{0.067{\text{ }}13}}LADc{v^{0.121{\text{ }}0}}Hc{v^{0.047{\text{ }}33}}dp{50^{ - 0.041{\text{ }}90}} $ 0.922 8.12 2.96 DBH $ DB{H_{Eucalyptus}} = 1.379{\text{ }}8hp{95^{0.727{\text{ }}3}}C{C^{0.127{\text{ }}9}}LADmea{n^{ - 0.053{\text{ }}60}}Hc{v^{0.032{\text{ }}93}}dp{75^{ - 0.062{\text{ }}12}} $ 0.945 6.13 2.23 Table 2. The best models for estimating forest inventory attributes using original density dataset of point clouds and their goodness-of-fit statistics
对于5个稀疏密度点云数据集,分别采用表2的结构式进行模型拟合,得到各个稀疏密度点云数据集的森林参数估测最优模型。本试验的目的是分析森林参数估测精度的点云密度效应,故不考虑样地数据的异方差,也不作模型检验,只将它们的优度统计指标与表2进行比较。UAV-LiDAR变量提取、模型拟合均采用Python软件(版本3.7.5)进行。
采用配对样本t检验方法,分析各个稀疏密度点云数据集和原始密度点云数据集的森林参数估测值均值的差异。
-
采用配对样本t检验方法,分析各个稀疏密度点云数据集和原始密度点云数据集15个激光雷达变量均值的差异。
-
各个稀疏密度点云数据集和原始密度点云数据集的森林参数估测模型的拟合效果十分接近,各个优度统计指标与随着点云密度的变化并未表现出有规律的变化(表2,表3),说明点云密度对森林参数估测精度不产生明显的影响。
森林类型
Forest type参数
Attribute优度统计指标
Goodness-of-fit statistic100点(pts)∙ m−2 50点(pts)∙m−2 20点(pts)∙m−2 10点(pts)∙m−2 5点(pts)∙m−2 马尾松林
Masson pineVOL R2 0.832 0.848 0.840 0.812 0.847 rRMSE/% 12.22 11.71 12.02 13.02 11.73 MPE/% 4.70 4.34 4.45 4.82 4.35 BA R2 0.690 0.716 0.717 0.693 0.733 rRMSE/% 12.55 12.29 12.27 12.78 11.92 MPE/% 4.83 4.55 4.55 4.73 4.42 H R2 0.685 0.736 0.729 0.718 0.701 rRMSE/% 9.99 13.25 13.43 13.69 14.11 MPE/% 3.84 4.91 4.97 5.07 5.23 DBH R2 0.550 0.484 0.507 0.450 0.435 rRMSE/% 16.74 17.44 17.05 18.00 18.24 MPE/% 6.44 6.46 6.32 6.67 6.76 桉树林
EucalyptusVOL R2 0.966 0.965 0.959 0.959 0.959 rRMSE/% 11.51 11.67 12.58 12.58 12.58 MPE/% 4.43 4.25 4.58 4.58 4.58 BA R2 0.898 0.906 0.898 0.898 0.898 rRMSE/% 16.06 15.28 15.87 15.87 15.87 MPE/% 6.17 5.56 5.78 5.78 5.78 H R2 0.906 0.925 0.924 0.924 0.924 rRMSE/% 9.05 7.96 7.99 7.99 7.99 MPE/% 3.48 2.90 2.91 2.91 2.91 DBH R2 0.950 0.948 0.937 0.937 0.937 rRMSE/% 6.05 5.97 6.55 6.55 6.55 MPE/% 2.33 2.17 2.38 2.38 2.38 Table 3. Fitting statistics of models for estimating forest inventory attributes with various reduced point density datasets
各稀疏密度点云数据集森林参数估测结果与原始密度点云数据集森林参数估测结果的配对样本t检验结果表明:2个森林类型的4个森林参数估测值的均值都不存在显著性差异(p≥0.05)。
将各个数据集的估测值与实测值进行比较,可以看出各个森林参数的估测值均随机分布于1∶1直线的两侧(图2),暗示着模型残差呈随机分布。
-
各个稀疏密度点云数据集与原始密度点云数据集之间,同一激光变量的差值的均值都很小,接近于0,它们的标准差也很小,但一般比均值大一个数量级(表4)。配对样本t检验结果表明:除桉树林的Hstd和Hcv的均值在点云密度20、50和100点∙m−2存在有规律性的显著性差异(p<0.05)外,虽然其他少数变量的均值在少数密度也存在显著性差异(p<0.05),但它们不具规律性。总体而言,即使点云密度降低至5点∙m−2,它们的激光变量的均值与点云密度为247点∙m−2的激光变量的均值不存在显著性差异。
点云密度
Point
density
(点pts∙m−2)森林类型
Forest type统计指标
Statistichp25 hp50 hp75 hp95 Hmax Hmean Hstd Hcv dp25 dp50 dp75 CC LADmean LADstd LADcv 5vs.250 马尾松林
Masson pine均值 Mean -0.038ns 0.002ns 0.017ns 0.052ns -0.237ns 0.001ns 0.019ns 0.001ns 0.002ns 0.000ns 0.028* 0.000ns 0.033ns 0.035ns 0.049ns 标准差 SD 0.471 0.483 0.448 0.499 0.708 0.426 0.131 0.008 0.012 0.020 0.069 0.007 0.113 0.125 0.362 桉树林
Eucalyptus均值 Mean 0.129ns 0.131ns 0.129ns 0.159* -0.085ns 0.112ns 0.072* 0.005ns 0.002ns 0.004ns 0.012ns 0.006ns 0.032* 0.057ns 0.019ns 标准差 SD 0.641 0.482 0.423 0.453 1.443 0.390 0.174 0.023 0.030 0.027 0.065 0.041 0.085 0.278 0.259 10vs.250 马尾松林
Masson pine均值 Mean 0.028ns -0.015ns -0.014ns 0.040ns -0.068ns 0.012ns -0.015ns -0.002ns 0.004ns -0.001ns 0.011ns 0.000ns 0.008ns 0.025ns 0.055ns 标准差 SD 0.418 0.454 0.453 0.481 1.040 0.422 0.088 0.009 0.014 0.024 0.078 0.008 0.045 0.097 0.287 桉树林
Eucalyptus均值 Mean 0.000ns 0.099ns 0.071ns 0.067ns -0.191ns 0.045ns 0.052ns 0.005ns 0.001ns 0.005ns 0.017** -0.002ns 0.019ns 0.052ns 0.053ns 标准差 SD 0.584 0.452 0.466 0.493 0.688 0.404 0.175 0.016 0.025 0.020 0.030 0.024 0.082 0.277 0.337 20vs.250 马尾松林
Masson pine均值 Mean -0.038ns -0.024ns -0.036ns 0.014ns -0.163ns -0.025ns 0.001ns 0.000ns 0.002ns -0.001ns 0.014ns 0.000ns 0.006ns 0.012ns 0.021ns 标准差 SD 0.424 0.450 0.435 0.446 0.615 0.408 0.099 0.008 0.013 0.015 0.050 0.006 0.040 0.090 0.224 桉树林
Eucalyptus均值 Mean -0.025ns 0.111ns 0.112ns 0.125ns 0.000ns 0.047ns 0.094** 0.008** -0.002ns -0.002ns 0.005ns 0.000ns 0.007ns 0.036ns 0.043ns 标准差 SD 0.594 0.428 0.429 0.522 0.850 0.391 0.167 0.014 0.020 0.026 0.051 0.021 0.041 0.192 0.262 50vs.250 马尾松林
Masson pine均值 Mean -0.017ns -0.051ns -0.047ns -0.012ns -0.118ns -0.034ns -0.011ns 0.000ns 0.004ns -0.002ns 0.004ns 0.000ns 0.004ns 0.021ns 0.029ns 标准差 SD 0.404 0.446 0.436 0.468 0.618 0.406 0.088 0.006 0.015 0.015 0.058 0.006 0.035 0.145 0.215 桉树林
Eucalyptus均值 Mean -0.009ns 0.084ns 0.081ns 0.056ns -0.051ns 0.030ns 0.067** 0.006** -0.004ns -0.001ns 0.007ns -0.006ns -0.005ns 0.004ns 0.031ns 标准差 SD 0.558 0.434 0.443 0.487 0.614 0.395 0.159 0.014 0.020 0.018 0.027 0.039 0.038 0.030 0.165 100vs.250 马尾松林
Masson pine均值 Mean -0.005ns -0.038ns -0.059ns -0.029ns -0.051ns -0.031ns -0.024ns -0.001ns 0.001ns -0.001ns -0.002ns -0.001ns -0.005ns -0.006* -0.002ns 标准差 SD 0.399 0.436 0.438 0.467 0.529 0.403 0.093 0.005 0.006 0.009 0.050 0.005 0.022 0.015 0.043 桉树林
Eucalyptus均值 Mean -0.064ns 0.060ns 0.045ns 0.015ns -0.074ns 0.002ns 0.055* 0.006* -0.005ns -0.005ns 0.007ns -0.003ns 0.003ns 0.001ns 0.005ns 标准差 SD 0.569 0.425 0.442 0.473 0.528 0.395 0.145 0.012 0.019 0.020 0.030 0.021 0.040 0.026 0.077 注:*,**和***分别表示p<0.05,p<0.01和p<0.001时存在显著性差异,ns表示p≥0.05时不存在显著性差异;SD为标准差。
Note: Level of significance: *p<0.05; **p<0.01; ***p<0.001; ns=not significant (p≥0.05); SD=standard derivation.Table 4. Mean and stand deviation (SD) for the differences of LiDAR-derived metrics between the original point density (247 pts∙m−2) and various reduced point densities (100, 50, 20, 10, 5 pts∙m−2) of two forest types and the result of paired t-test
随着点云密度的降低,部分变量差值的均值呈增大的趋势,另一部分变量差值的均值则呈无规律的变化,但大部分变量差值的标准差均呈缓慢增大的趋势(表4)。
以上说明,即使密度由247点∙m−2降低至5点∙m−2,激光点云的水平和垂直分布特征基本一致,亦即不同密度点云对林分冠层三维结构的刻画效果基本相同。
Effect of UAV-LiDAR Point Density on Estimation Accuracy of Forest Inventory Attributes
- Received Date: 2023-06-07
- Accepted Date: 2023-07-26
- Available Online: 2024-04-27
Abstract: