原創(chuàng) 吳 炅等 南京林業(yè)大學學報
專題報道
結合樹冠體積的油茶樹高與產量估測研究
吳 炅1，蔣馥根1，彭邵鋒2，馬開森1，陳 松1，孫 華1，2
1.中南林業(yè)科技大學林業(yè)遙感信息工程研究中心；2.湖南省林業(yè)科學院。
油茶(Camellia oleifera)作為我國特有的食用油料木本植物,其種子可用來榨取食用油,具有較高的食用和醫(yī)藥價值。近年來我國油茶產業(yè)取得了一定的發(fā)展,但油茶總產量一直處于較低水平,隨著人們對食用油用量的不斷增加,茶油的生產難以滿足市場需求,因此科學管理油茶,并對油茶產量進行準確估測具有重要意義。樹高作為林木的垂直結構特征,是評估作物生長的一項指標,對作物產量估測具有參考價值,精準地獲取油茶樹高有益于產量估測。
傳統(tǒng)的油茶樹高和產量調查主要以實地采摘鮮果為主,惡劣的環(huán)境和天氣常給調查帶來不便。遙感技術已被用于大規(guī)模的森林調查,由于光學變量在一定程度上能反映作物生長狀況,利用光學變量估測作物株高和產量已經成為常用的方法。然而光學遙感通常忽視了樹木的垂直結構和三維結構信息,容易造成光譜信息過飽和,三維激光掃描技術可全面地獲取樹冠點云數據,實現樹木三維結構參數的自動探測,且獲取的林木因子精度理想,但激光掃描儀器價格昂貴,獲取的數據量龐大。無人機攝影測量技術可快速地獲取高分辨率林木影像,經過密集匹配后生成的點云帶有空間坐標,可進行單木的三維結構分析。相比傳統(tǒng)的實地調查,無人機具有方便、快捷等優(yōu)勢,能同時獲取多維的結構信息,相比地面三維激光掃描技術,無人機更適用于作業(yè)調查,其密集匹配點云的數據量可觀,便于后續(xù)處理。因此通過無人機同時獲取光學變量和高度變量建立估測模型,可為樹高和產量的估測提供更有效的方式。
樹冠體積可直接反映樹木生長活力,同時也是研究三維綠量和經濟林估測產量的重要指標。然而,樹冠具有復雜的空間結構,且表現為外形不一,導致表征樹冠特征的樹冠體積測量復雜,難以獲取真實值。樹冠的三維數字化可以通過三維分析模擬數字表面,呈現出更直接的樹冠空間信息,利用離散的點云展現樹木三維信息已經成為一種主流方式。然而基于點云數據對單木樹冠重建具有挑戰(zhàn)性,如何高效﹑精確地模擬樹冠輪廓也是待解決的研究問題?？臻g插值通過采樣點的測量值對整個區(qū)域進行預測,是實現空間點數據轉化為面狀數據的有效手段。將樹冠點云作為采樣點進行空間插值,并將插值柵格轉化為不規(guī)則三角網(TIN)能夠還原樹冠的原始輪廓,精確地記錄樹冠的三維信息,相比分段計算樹冠體積的方式,具有快速且高效的優(yōu)點。過濾三角網可有效剔除樹冠外部間隙,使樹冠擬合接近真實輪廓,然而不同插值方法因研究目的不同會產生相異的插值結果,尋找獲取表面信息的最優(yōu)插值方法有助于樹冠體積和產量的估算。本期論文推薦的作者以無人機正射影像及影像密集匹配生成的點云為數據源,利用克里金法(Kriging)、反距離權重法(inverse distance weight, IDW)、自然鄰近點法(natural neighbor,NN)和過濾三角網法(filteringtriangulation, FT)模擬樹冠表面,分析不同插值對樹冠體積獲取的影響,確定適用于體積計算的最優(yōu)方法,結合樹冠體積通過多元線性回歸、隨機森林、K最鄰近法建立油茶樹高和產量估測模型并進行對比分析,以期為油荼樹高和產量的估測提供高效的技術手段。
下面跟學報君一探究竟！
作者簡介
通訊作者
孫華，男，1979年9月出生，湖南隆回人，博士，教授，碩士生導師，主要研究領域為林業(yè)定量遙感，激光雷達林業(yè)應用，數字化森林資源監(jiān)測。
第一作者
吳炅，女，1998年5月出生，中南林業(yè)科技大學碩士研究生。
關鍵詞：經濟林；油茶產量；隨機森林；無人機；樹冠體積；空間插值
基金項目：湖南省林業(yè)科技創(chuàng)新專項(XIK201986);國家重點研發(fā)計劃(2016YFDO702105);湖南省普通高校青年骨干教師培養(yǎng)對象項目(7070220190001)。
引文格式：吳靈,蔣馥根,彭邵鋒,等.結合樹冠體積的油茶樹高與產量估測研究[J].南京林業(yè)大學學報(自然科學版), 2022,46(2):53-62.WU J,JIANG F G,PENG S F,et al.Estimating the tree height and yield of Camellia oleifera by combining crown volume[J].Jourmal of Nanjing Forestry University (Natural Sciences Edition) ,2022,46(2):53-62.DOI：10.12302/j. issn.1000-2006.202108051.
1目的
以長沙縣明月村油茶林基地為研究區(qū),探討利用無人機傾斜攝影提取樹冠體積進行油茶樹高和產量估測的可行性。
2方法
基于無人機正射影像和密集匹配點云,提取波段反射率、植被指數、紋理因子.高度特征等遙感變量和冠幅等冠層參數,同時利用克里金法、反距離權重法、自然鄰近點法和過濾三角網法分別獲取油茶樹冠體積,建立多元線性回歸、隨機森林,K最鄰近模型估測油茶樹高和產量,并以地面三維激光點云獲取的樹冠體積、樣地實測樹高和產量作為實測值分別對估測結果進行精度評價。
2.1 試驗材料
實驗區(qū)位于湖南省長沙縣東北部的油茶研究基地內(112°56'~113°30'E,27°55’~28°40'N),屬于平原地區(qū),年均降水量在1389.8 mm左右,森林覆蓋率為75%。該區(qū)受季風影響,季節(jié)變化明顯，1月平均氣溫在0 ℃以上,土壤疏松呈酸性,適宜油茶等經濟林木的生長。
2.2 研究方法
2.2.1 樣地數據
數據采集時間為2019年11月和2020年11月,在研究區(qū)內選取85株生長健康的油茶樹,利用水準尺直接測量油茶樹的高度作為實測樹高,取得果實袋裝稱重,記錄每株油茶的鮮果質量作為實測產量,樹高、產量的平均值分別為2.5 m、7.1 kg,最小值分別為1.8 m、1.4 kg,最大值分別為3.4 m、13.4 kg ,標準差分別為0.3 m、2.8 kg。
2.2.2 三維激光點云數據
利用三維激光掃描儀FARO Focus 3D X330,輔以配套的參考球對油茶林進行掃描。單株油茶周圍布設3個測站,3~5株油茶周圍布設5個測站,利用伸縮桿調整參考球高度,掃描過程需保證參考球無遮擋。設置掃描范圍水平方向為360° ,分辨率為1/4,在該分辨率下的平均單站掃描時間為11 min。在FARO Scene中完成坐標點匹配,形成三維立體點云,并剔除主干點云和樹冠點云存在的噪點。為了便于后續(xù)樹冠體積的計算,將樹冠點云坐標進行平移處理,保證所有點云的坐標處于第一象限。
2.2.3 無人機點云數據
設置無人機航速為36 km/h,旁向重疊率為75% ,在實驗區(qū)上空90 m高度拍攝油茶林地,共獲取試驗區(qū)3個可見光波段紅(band1)、綠( band1) 、藍(band3)下的138幅影像。將無人機影像導入Pix4Dmapper軟件,快速完成相鄰航片之間的拼接和校正,生成測區(qū) 2 cm分辨率的數字正射影像(DOM)和密集匹配點云。通過改進的漸進加密三角網濾波(IPTD)算法分離點云中的地面點和非地面點,分別插值生成5 cm分辨率的數字高程模型(DEM)和數字表面模型(DSM),兩者作差可得冠層高度模型(CHM),將CHM用于后續(xù)變量提取,無人機點云通過插值獲取的DEM 、 DSM、CHM模型見圖1。
▲圖 1 由無人機點云獲取的DEM、 DSM 和CHM
2.3 單木分割及樹冠體積提取
采用多尺度標記優(yōu)化分水嶺方法分割油茶單木樹冠。該方法首先利用面向對象的方式分析DOM影像特征,分離油茶林地與非林地對象,對保留的油茶對象做整合處理,消除碎多邊形。然后以半徑為3個像素的圓形元素,對分離的油茶林地對象進行形態(tài)學腐蝕運算,通過基于像素的形態(tài)學腐蝕將相連的樹冠對象分離,得到油茶的樹頂標記，并利用區(qū)域增長算法對樹頂標記做迭代處理,遍歷標記的鄰域像元,以區(qū)域增長后的樹冠標記修正油茶林地。最后以修正后的油茶林地為基礎,通過分水嶺方法分離油茶樹冠,得到實驗區(qū)單株油茶對象,并依據油茶對象的分割邊界提取單木樹冠點云。
為了對比克里金法(Kriging)、反距離權重法(IDW)、自然鄰近點法(NN)和過濾三角網法(FT)4種插值方法獲取的樹冠體積V,以單株油茶樹冠點云為單位,一方面分別采用克里金法、反距離權重法和自然鄰近點法對點云進行插值分析,生成柵格數據,通過GIS的三維分析模塊將柵格轉化為TIN;另一方面,以樹冠點云為單位,通過三維分析創(chuàng)建TIN,利用過濾三角網方法對TIN邊界的三角形進行篩除,形成新的TIN?；?種方法獲取的TIN,以單木樹冠邊界作為約束,對邊界和冠體點云的內插區(qū)做相交處理,確定兩者公共區(qū)域,以x方向和y方向所形成的平面為水平面,將樹冠點云最低點所在的水平面做為參考平面,通過三維分析計算參考平面上方公共區(qū)域的凸包體積,分析不同方法對計算樹冠體積的影響,并選擇最優(yōu)結果作為特征變量參與建模。
2.4 基于無人機影像和密集點云的特征選取
基于正射影像，提取樹冠對象的東西冠幅(CEW)、南北冠幅(CSN),計算兩個主方向的冠幅均值作為平均冠幅(C) ,引入樹冠體積(V)為生長因子變量。選擇3個可見光單波段反射率、兩波段和三波段比值形成的9個光譜變量,2個常用的圖像指數包括過綠指數(IEXC)和植被顏色指數(ICIVE) 以及均值(TMean)、嫡(TEntropy)、同質性(THomogeneity)、異質性(TDissimilarity)、相關性(TCorrelation)、方差(TVariance)、角二矩陣(TSecond moment）、對比度(TContrast)8個紋理因子,總計22個特征變量用于建模。波段比值和圖像指數的計算公式如下:
式中:Ri為單波段反射率、Rij、Ri,j,k分別為兩波段和三波段比值;Rbandi、Rbandj和Rbandk分別表示無人機影像第ij和k波段的反射率。以油茶點云插值生成的冠層高度模型為底圖,以樹冠對象的邊界為掩膜,提取樹冠對象內的最大冠層高度值作為HCHM，選擇15個高度百分位數(P1—P99),10個密度變量(D0—D9), 15個累積高度百分位數(H1—H99)，8個高度變量(Hiq、Hmadmedian、Hmax、Hmean 、Hmedian 、Haqrt、Hcurt、Hstd),總計49個變量用于建模,表1為特征集構建結果。
▼表 1 特征集構建結果
2.5 結合樹冠體積的油茶樹高和產量估測模型構建
利用多元線性回歸(multiple linear regression,MLR)、隨機森林(random forest,RF )和K最鄰近法(K-nearest neighbor, KNN)構建估測模型,并對估
測精度進行比較。
2.5.1 變量篩選
利用線性逐步回歸和重要性評價法分別對變量進行篩選以分別構建線性和非線性模型,其中MLR通過線性逐步回歸篩選變量，RF和KNN通過重要性評價獲取最優(yōu)變量組合。
計算各變量與估測變量之間的皮爾森(Pearson)相關系數，選擇顯著性水平在0.05以上的變量,結合方差膨脹因子(variance inflation factor, VIF)進行共線性分析,利用逐步回歸篩選變量,基于保留的變量建立MLR模型。
通過RF先計算每棵決策樹對應的袋外誤差,對某一變量進行干擾，分析干擾前后誤差衡量變量的重要性。依據重要性排序,逐步剔除重要性較低的變量進行建模,按照精度判斷保留的變量個數,將保留變量組成新的特征集,根據新特征集再次進行重要性排序,重復以上步驟找到精度最優(yōu)的變量組合：
式中:G(x)表示變量x的重要性;n表示決策樹數量;Et表示變量干擾前計算的袋外誤差;E‘t表示變量干擾后計算的袋外誤差。
2.5.2 建模過程
先利用提取的變量建立樹高估測模型(HMLR,HRF,HKNN),將估測得到的樹高作為新的特征H與其他變量共同建立估產模型(H-YMLR,H-YRF,H-YKNN),分別在樹高估測模型和估產模型中引人樹冠體積(V),得到新的估測模型,再結合實測樹高(Hm)和其他變量建立估產模型,最后利用提取的變量建立估產模型。
2.6 體積提取與產量估測的精度評價
傳統(tǒng)的樹冠體積計算需要測量胸徑、冠幅、樹高等因子,先將樹冠分層,再根據各層冠體的形狀特征選擇合適的幾何模型計算體積,傳統(tǒng)計算方式易受到樹冠形態(tài)的影響。而體元模擬法用n個小立方體模擬樹冠形狀,樹冠體積即為n個小立方體的體積之和,其優(yōu)點是不受形態(tài)約束,當物體被分割的單元越小,分割越穩(wěn)定,體元的體積越小,模擬的樹冠體積越真實。為了評價樹冠體積提取的準確性,將地面激光點云數據進行體元累加后的體積作為實測值,分析對比無人機點云通過不同插值方法提取體積的結果,并計算提取值與實測值之間的平均相對誤差(σRE)作為評價指標,計算公式為:
式中:vi表示提取的樹冠體積;Vi表示體積實測值。
采用決定系數(R2)、均方根誤差(RMSE)和相對均方根誤差(RRMSE)作為樹高和產量估測的精度評價指標。
3結果
過濾三角網是獲取油茶樹冠體積最有效的方法,其平均相對誤差(31.54%)優(yōu)于反距離權重法(36.73%)、克里金法(37.04%)和自然鄰近點法(38.54%)。將樹冠體積作為特征變量參與建模后,樹高和產量的多元線性回歸、隨機森林,K最鄰近模型的精度均有所提升(樹高相對均方根誤差分別減小了3.77% ,0.78% ,0.64% ,產量相對均方根誤差分別減小了1.32%,0.34%,0.16%)。對比3種估測模型,隨機森林模型的決定系數均優(yōu)于多元線性回歸和K最鄰近(樹高決定系數分別為0.78,0.51和0.19,產量決定系數分別為0.61,0.48和0.24)。分別使用估測樹高和實測樹高參與產量建模的精度無明顯差異。
3.1 油茶樹冠單木分割及點云提取結果
油茶單木分割結果及點云重建結果見圖2。分水嶺分割正確識別的油茶株數為75,錯誤識別的株數為10,單木識別率為88.23%。高分辨率影像在進行分割時,通過標記分水嶺方法能有效減少噪聲的干擾,因此取得了較好的分割結果,對于未識別的單木采用解譯的方式進行補全,依據分割邊界重建油茶單株樹冠點云。
▲圖 2 油茶單木分割及樹冠點云重建結果
3.2 不同方法提取油茶樹冠體積
不規(guī)則三角網(triangulated irregular network ,TIN)具有高效、適用性強的優(yōu)點,以TIN模擬樹冠并計算體積,能夠在最大限度維持冠形不變的基礎上縮短構網的時間。而過濾三角網法(FT)將邊長超過閾值的三角形視為空隙,按順時針方向對三角網邊界進行過濾,直到所有邊長超過閾值的三角形被剔除。以這樣的方式計算樹冠體積,使得提取結果更接近樹冠實際輪廓。利用4種插值方法模擬樹冠輪廓,插值結果見圖3。相對另外3種方法而言,NN法模擬的樹冠表面被過渡平滑,出現樹冠輪廓失真,因此可能導致樹冠體積計算結果相比其他方法偏大,而Krigmy法、IDW法和FT法模擬的表面相似。
▲圖 3 不同插值方法提取的樹冠表面
體元法計算樹冠體積在CAD中實現,設置體元邊長為CAD格網最小邊長5 cm,樹冠體積即為立方體格網的體積之和,以該值作為體積實測值。通過三維分析分別計算4種插值方法獲取的凸包體積,對比不同方法獲取樹冠體積的結果。Kriging法、IDW法,NN法和FT法提取樹冠體積的平均相對誤差分別為37.04% 、36.73% 、38.54% 、31.54%,圖4為樹冠體積提取值與實測值的對比。從總體來看,4種方法獲取的體積相對誤差均為30%~40% ,體積計算結果總體偏大。從不同插值方法來看,Kriging法的平均相對誤差低于自然鄰近點法，IDW法計算樹冠體積的結果優(yōu)于Kriging 法,FT法的平均相對誤差最小。
▲圖 4 不同插值方法提取樹冠體積結果對比
由圖4可知,普通插值方法和FT方法獲取的不同樣木樹冠體積大小與對應實測值的波動趨勢一致,個別樣木樹冠體積計算值偏大或偏小造成平均相對誤差變大,這是由于無人機傾斜攝影獲取的點云為表層點云,樹冠的部分細節(jié)被忽視,反觀4種插值方法,FT能夠最大限度地減小誤差,因此選擇使用FT方法提取的樹冠體積與其他變量建立估測模型。
3.3 油茶樹高和產量估測模型建模結果及精度驗證
3.3.1 MLR變量篩選
經Pearson相關分析可知,在0.01水平上與樹高顯著相關的9個變量為V、HCHM、C、CEW、CSN、TCorrelation、R23、R123、R3相關系數分別為0.600、0.649、0.495、0.471、0.399、0.285、0.315、0.299、0.280,在0.05水平上與產量顯著相關的變量共有14個。選擇顯著性水平在0.05以上的變量結合MLR估測樹高(H),最終篩選的變量為HCHM、V,建立的多元線性回歸模型方程為:
Y=0.318x1+ 0.072x2+1.201。 (8)
式中:Y表示樹高(H); x1表示最大冠層高度值(HCHM); x2表示樹冠體積(V)。
同樣計算各變量與產量之間的Pearson相關系數矩陣,在0.01水平上與產量顯著相關的4個變量為V、HCHM、TCorrelation、H,相關系數分別是0.333,0.287 ,0.294,0.420,在0.05水平上與產量顯著相關的變量共有37個。同理,選擇顯著性水平在0.05以上的變量建立MLR估產模型最終篩選的變量為H、H5、Hiq、TCorrelation,建立的多元線性回歸模型方程為:
Y=4.961x1+ 2.208 x2+4.248x3-22.238x4+11.150。 (9)
式中:Y表示產量;x1表示樹高(H); x2表示累積高度百分位數(H5) ;x3表示高度變量(Hiq) ;x4表示相關性(TCorrelation)。
3.3.2 RF變量篩選
重要性用于評估變量對模型的貢獻程度，重要性越高的變量與因變量的非線性關系越好，對預測的影響程度越大。重要性排序后,選擇使模型誤差達到最小的變量組合。樹高、產量隨機森林模型的相對均方根誤差與估測變量個數之間的關系見圖5,從圖5可以看出,并不是所有的變量都在放入模型時誤差最小,變量個數的增加可以降低估測誤差,但隨著變量的增加誤差呈現出先減小再增大最后逐漸穩(wěn)定的趨勢。
▲圖 5 相對均方根誤差和估測變量個數間的關系
依次將重要性低的變量剔除后,樹高模型最終保留了2個自變量(V、HCHM),產量模型最終保留7個自變量(H、CWE、H5、Hiq、P70、D7、TCorrelation),圖5表示變量的重要性排序。在兩種變量篩選方式中，樹高和產量保留的變量基本一致。產量的保留變量中, H 、H5、HIQ為樹高變量,說明樹高對產量有一定程度的影響;有研究發(fā)現小麥孕穗期的紋理特征與產量相關性可達到極顯著水平,在本研究中，紋理特征同樣與油茶產量顯著相關。
3.3.3 油茶樹高和產量估測結果
分別利用3種模型估測的樹高、產量與實測樹高、產量進行一元線性回歸,樹高基礎多元線性回歸模型(HMLR)、樹高基礎隨機森林模型( HRF) 、樹高基礎K最鄰近模型(HKNN)、產量基礎多元線性回歸模型(H-YMLR)、產量基礎隨機森林模型(H-YRF)和產量基礎K最鄰近模型(H-YKNN)及分別表示向基礎模型中加入樹冠體積(V-HMLR、V-HRF、V-HKNN 、V-YMLR、V-YRF、V-YKNN)的建模結果見圖6。
由實測樹高與估測樹高的線性回歸圖可知:隨機森林模型的樹高估測值與實測值之間的相關性明顯優(yōu)于K最鄰近模型和多元線性回歸模型,K最鄰近模型的估測樹高與實測樹高在0.05水平上顯著相關,而多元線性回歸模型和隨機森林模型的估測樹高與實測樹高在0.01水平上顯著相關。
由實測產量與估測產量的線性回歸圖可知:多元線性回歸模型和隨機森林模型的效果較理想,產量估測值與實測值之間具有較好的相關性,而K最鄰近模型效果不如另外兩種,但3種模型的估測產量與實測產量均在0.01水平上顯著相關。
樹高和產量的建模結果見表2,加入樹冠體積的樹高多元線性回歸模型(V-HMLR,R2=0.51 ,RMSE為0.23 m, RRMSE為8.44%)、隨機森林模型(V-HRF ,R2=0.78, RMSE為0.19 m, RRMSE為7.41%),K最鄰近模型精度(V-HKNN , R2= 0.19,RMSE為0.28 m , RRMSE為11.03%)均優(yōu)于基礎模型精度,其相對均方根誤差分別減小了3.77%、0.78% 、0.64% ,對比3種模型,隨機森林的估測效果最好,多元線性回歸優(yōu)于K最鄰近。
將樹冠體積作為特征變量參與建模后,產量多元線性回歸模型(V-YMLR,R2=0.48,RMSE為2.39kg, RRMSE為30.02%)、隨機森林模型(V-YRF ,R2=0.61,RMSE為2.29 kg, RRMSE為28.96%) ,K最鄰近模型精度(V-YKNN,R2=0.24,RMSE為2.43kg, RRMSE為 30.67%)相比基礎模型均有一定程度提升,其相對均方根誤差分別減小了1.32% 、0.34%、0.16% ,在3種估測模型中,隨機森林的估測效果優(yōu)于多元線性回歸,K最鄰近最差。
▲圖 6 樹高、產量的估測值與實測值散點圖
注：*P<0.05，**P<0.01。
▼表 2 樹高和產量的估測模型精度
為了對比估測樹高(H)與實測樹高(Hm)建模結果的差異,分析H對建模的有效性,分別利用隨機森林篩選的變量集、Hm結合變量集構建估產模型(YRF、Hm-YRF)見圖6,建模精度見表2。引人Hm的產量模型精度(Hm-YRF ,R2= 0.64,RMSE為2.28 kg, RRMSE為28.82%)與利用H估產的精度相比有提升,但僅提升了0.14% ,而不考慮引人H或Hm的估產模型精度(YRF , R2= 0.54,RMSE為2.42 kg , RRMSE為30.54%)相比其他模型有所下降。
4結論
結合樹冠體積和樹高參與建?？捎行岣哂筒璁a量估測精度,研究結果可為區(qū)域范圍內利用無人機遙感技術開展油茶樹高和產量調查提供參考。
關注我們，更多精彩
好了，這篇文章的內容發(fā)貨聯盟就和大家分享到這里，如果大家網絡推廣引流創(chuàng)業(yè)感興趣，可以添加微信：80709525 備注：發(fā)貨聯盟引流學習； 我拉你進直播課程學習群，每周135晚上都是有實戰(zhàn)干貨的推廣引流技術課程免費分享！
