-
小班是内部特征基本一致,与相邻地段有明显区别而需要采取相同经营措施的森林地块或小区,是森林资源统计、经营和管理的基本单位[1]。小班区划通常是依据高分辨率遥感影像目视判读或实地勾绘,工作量巨大,且会因调查员的知识水平、经验、调查线路、观察视角等主观因素差异产生结果不一致的问题[2-3]。因此,对小班自动区划进行研究十分必要。在小班的划分条件[1]中,权属、森林类别等因子是政策规定或造林时已经确定的,这些因子通常不因林分状态的变化而改变,且可以从上一期林相图中提取。而优势树种组成、龄级等因子可以通过遥感方法提取。
国内已有一些研究采用遥感影像来进行自动或半自动的小班区划。这些研究通常采用Landsat、SPOT5、QuickBird、ALOS等高分辨率卫星遥感影像作为辅助数据,使用多尺度分割和分类的方法获得小班界线[3-6]。但卫星影像受到空间分辨率的约束,对小班区划仍具有一定的局限性。国外有一些学者采用航空遥感影像进行小班区划[7-8],但多限于区分内部较均质的林分,没有对我国森林调查规划规程中规定的优势树种、小班面积等因子的严格界定。并且影像数据中不包含林分结构信息,可能会有树种相同,但树高、密度等不同的林分被划分为同一小班,同时影像也可能有云和阴影等干扰因素。
近年来机载激光雷达(ALS)技术在林业中的应用日益广泛[9]。ALS数据是由搭载在有人机或无人机平台上的激光雷达传感器扫描获取的,适用于森林结构观测[10]。由ALS数据生成的森林冠层高度模型可以为小班区划提供准确的位置、林分平均高、林分密度、郁闭度等信息[11-12]。通过对CHM的分割可以将森林参数不同的地块区分开,得到符合林区实际情况的小班边界。Mustonen等[13]比较了采用CHM和RGB航空遥感影像和综合两种数据的林分区划,发现基于CHM的区划的林分比基于RGB航空遥感影像和基于两种数据区划的林分更均匀。Koch等[11]利用20 m空间分辨率的低密度ALS数据进行小班区划,采用特征提取、创建和基于栅格的分类方法。Wu等[14]从点云中提取树的大小、林分密度和树种特征,使用非监督均值漂移算法和区域生长法进行分割。Dechesne等[15]从点云和多光谱影像中计算并筛选出了94个特征,并使用随机森林方法进行树种监督分类得到林分区划结果。Pukkala等[16-18]利用16 m的ALS数据和森林资源调查数据,使用元胞自动机方法,通过调整栅格内部属性参数来进行林分区划。而国内现有研究中,仅有少数研究利用ALS数据在ArboLiDAR软件中进行了林分高度分割[19],并用于反演云杉次生纯林的林分平均高。Jia等[20]讨论了不同形状和面积参数对元胞自动机林分区划的影响。
已有的研究中体现了ALS数据用于林分区划的潜力,但这些研究没有针对小班区划需求,并且未充分考虑树种信息。机载高光谱影像具有较高的空间和光谱分辨率,大量研究表明[21-25],机载高光谱数据可以产生高精度的森林树种分类结果,为小班区划提供准确的树种组成信息。因此,本研究利用机载激光雷达数据和高光谱影像树种分类结果进行小班区划,并与人工区划小班进行对比,综合探究在高光谱影像树种信息的辅助下,ALS数据生成的高精度CHM在小班区划中的应用潜力。
-
经过多次试验,对1 m空间分辨率CHM数据进行分割时,最优尺度参数为100,形状参数为0.1,紧致度参数为0.5,得到过分割结果。接着对平滑后的5 m空间分辨率CHM数据进行分割,最优尺度参数为37,形状参数为0.1,紧致度参数为0.5,得到欠分割结果。
最终区划结果与过分割结果、欠分割结果和人工区划小班的对比如图3所示。图3-a中显示过分割结果划分出了一些相对于小班尺度不必要分割开的区域。图3-b显示欠分割结果没有分割出相对于小班来说不必要的区域,但其边界与小班边缘的符合性较差。对比图3-a和3-b可以看出欠分割结果对于小班区域的划分效果比过分割结果好,但过分割结果与小班边缘的符合性更好。优化后的最终区划结果比欠分割结果与林分边缘更相符,比过分割结果更好地区分了不同的林分区域。最终区划结果与人工区划小班的对照如图3-c所示,结果显示最终区划结果与人工区划小班大体上近似,且最终区划结果与林分边界真实树冠边缘的一致性更高。
-
自动区划结果与参考小班边界一致性的对比如表1所示。表中各UMA特征从形状和面积等多个角度反映了自动区划结果边界的准确程度,自动区划结果与基于DOM勾绘的小班、主伐作业小班和人工区划的小班的各特征都较接近,相近程度依次递增。当IoU>0.7时,自动区划结果与人工区划小班相符性非常好,IoU>0.5时,自动区划结果与人工区划结果相符性较好。
小班
Sub-compartmentsRO CO SI RE EF P2A 交并比>0.7的小班占比
IOU>0.7
sub-compartments/%交并比>0.5的小班占比
IOU>0.5
sub-compartments/%小班数量
The number of
sub-compartments人工区划小班
Sub-compartments0.92 1.86 1.80 1.49 0.62 0.04 46 61 2 285 对应的自动区划小班
Corresponding automatic sub-compartments0.93 1.94 1.84 1.49 0.62 0.04 主伐作业小班
Logging sub-compartments0.63 1.50 1.48 1.33 0.72 0.07 37 54 148 对应的自动区划小班
Corresponding automatic sub-compartments0.84 1.63 1.63 1.42 0.65 0.04 DOM勾绘小班
Sub-compartments based on DOM0.46 1.40 1.40 1.25 0.81 0.04 43 55 100 对应的自动区划小班
Corresponding automatic sub-compartments0.87 1.78 1.73 1.44 0.63 0.04 Table 1. The mean values of UMA features and the proportion of automatic sub-compartments with IOU>0.7、IOU>0.5compared with reference sub-compartments
由此可知自动区划结果中46%、37%、43%与人工区划小班、主伐作业小班、基于DOM勾绘的小班相符性非常好,61%、54%、55%与人工区划小班、主伐作业小班、基于DOM勾绘的小班相符性较好。
交并比较低的小班主要对应以下3种情况:①人工区划小班边界与地面真实小班边界不符,而自动区划结果边界与真实边界相符。②人工区划小班人为地将同质的林分划分为多个小班,而自动区划时对这部分林分划分的界线与人工区划的不一致。③ 幼苗幼树小班的树高过低,接近耕地,CHM自动区划方法没有划分开。
-
自动区划结果的平均胸径可解释性方差为0.97,平均树高可解释性方差为0.98,和人工区划小班相同。可解释性方差精度较高,说明自动区划的小班和人工区划的小班都具有内部一致性高,且不同小班之间区分度好的特点。自动区划结果中小班与样地个数的对应情况与人工区划小班近似,并且二者的可解释性方差一致,说明自动区划方法产生了近似人工区划结果的合理的小班。人工区划小班的平均冠层高度的可解释性方差为83.04%,自动区划小班的平均冠层高度的可解释性方差为84.81%。自动区划小班比人工区划小班的可解释性方差提高了1.77%。说明自动区划小班对不同林分的区分效果比人工区划小班更优。
Forest Sub-compartment Delineation Based on Airborne LiDAR Canopy Height Model
- Received Date: 2021-04-15
- Accepted Date: 2021-07-06
- Available Online: 2022-04-20
Abstract: