基于无人机可见光植被指数的森林冠幅信息提取研究——以内蒙古旺业甸林场为例.pdf

382024年2 月Feb.2024CENTRAL SOUTH FOREST INVENTORY AND PLANNINGVol.43 No.1中南林业调查规划第43卷第1期基于无人机可见光植被指数的森林冠幅信息提取研究以内蒙古旺业甸林场为例李晓晨，龙江平（中南林业科技大学，湖南长沙410 0 0 4）摘要：基于无人机遥感影像，以内蒙古自治区赤峰市喀喇沁旗旺业甸林场实验样地为例，提取树冠信息，再利用可见光植被指数对影像进行增强，以样地与单木两个尺度进行提取研究，并对提取精度进行分析。结果表明：影像灰度值标准差提高了16 2.6 1%；使用增强后的影像进行多尺度分割对林分树冠进行提取，精度提高了14.2 2%，对单木树冠进行提取，精度提高了11.48%。使用基于无人机可见光植被指数的影像增强方法可消除或降低无人机影像容易受到阴影及树冠间交叉重叠的影响，对利用遥感技术进行森林资源调查具有重要意义。关键词：森林冠幅；信息提取；无人机；可见光植被指数中图分类号：S771.8文献标识码：A文章编号：10 0 3-6 0 7 5（2 0 2 4）0 1-0 0 38-0 6D0I:10.16166/43-1095.2024.01.009Research on UAV Image Enhancement Based on Visible LightVegetation IndexA Case Study from Wangyedian Forest Farm in Inner MongoliaAutonomous RegionLI Xiaochen,LONG Jiangping(Central South University of Forestry and Technology,Changsha 410004,Hunan,China)Abstract:At both the plot scale and single tree scale,we extracted tree crown information through UAV re-mote sensing images from experimental plots of Wangyedian Forest Farm in Haraqin Banner,Chifeng City,In-ner Mongolia Autonomous Region,and then used the visible light vegetation index to enhance the images.Theresults showed that the standard deviation of the images gray values improved by 162.61%.The accuracy had in-creased by 14.22%because of using the enhanced multi-scaled image segments to extract forest stand crowns.Asto single tree crowns,the accuracy had increased by 11.48%.All the improvements were statistically significant.This paper indicates adopting image enhancement methods based on UAV visible light vegetation index can elimi-nate or reduce UAV images that are easily affected by shadows and cross-overlaps between tree crowns,which isof great significance for using remote sensing technology to conduct forest resource surveys.*收稿日期：2 0 2 3-11-2 7基金项目：湖南省科技厅重点领域研发计划“基于地一空一天多源数据的森林蓄积量、生物量和碳储量智能计量与监测技术”(2020NK2051)。作者简介：李晓晨（19 9 9 一），男，河北石家庄人，硕士研究生，主要研究方向为森林资源经营与管理。E-mail：7 5412 9 9 9 8 qqcom。39：第43 卷以内蒙古旺业甸林场为例2024年第1期李晓晨，于无人机可见光植被指数的森林冠幅信息提取研究Key words:crown width;information extraction;UAV;vegetation index树冠面积是一项用于评估树木生长状况的关键指标，不仅反映了森林结构的重要特征，而且在评估生产潜力、监测生物量以及追踪林木生长等研究中扮演着至关重要的角色。因此，分析树冠直径在林业资源监测中具有重要意义。随着我国利用无人机的现代森林遥感技术的不断进步与发展，无人机拍摄的森林遥感影像已经广泛应用于国家林业资源管理监测工作中2 ，但是在无人机影像的森林冠幅提取上，由于大量利用了遥感影像的物理光谱和测量数据，使其不同分类测量结果之间往往存在不同程度的测量误差，导致遥感影像对冠幅的提取效果与实际应用要求仍存在一定差距。将面向对象的影像分割思想应用于无人机遥感影像的冠幅信息提取中，能够充分挖掘无人机影像中所包含的林分信息，这对提高树冠的提取精度具有重要意义。当前，提取林木树冠信息的方法主要包括模板匹配法3-4、多尺度分割法5-6 、区域种子生长算法7-8 、谷地跟踪法9-10 、面向对象的分类法 等。田新光12 在面向对象的小比例尺遥感影像信息的提取中，对进一步优化面向对象的高分辨率遥感影像信息提取进行了研究；付飞飞【13 在面向对象的低空无人机遥感影像分类中发现不同的影像对象具有不同的最优分割尺度，在最优分割尺度的前提下，面向对象的高分辨率无人机遥感影像提取可以达到较高的精度。Brovkina等14 使用多光谱无人机数据的近红外波段与植被指数相结合进行多树种分类。研究结果显示，植被指数在提高林分的分类精度方面有显著的效果，但在复杂的地物结构区域，其所带来的精度效果有限，因此还应辅以其他特征。Morales 等15 将研究对象选为夏威夷北部的热带干旱丛林，定量利用IKONOS影像提取郁闭度，并采用相关性分析法作用于实地测量的树冠覆盖度，相关系数可达0.8 6。Pouliot等16 使用针叶林幼林的单株树木影像，成功识别树冠等信息，精度可达到9 1%，但其预测树冠直径仍有较大改进空间。Lisein等17 通过将无人机影像与机载激光雷达数据结合，通过建立完整的工作流，生成了落叶松林冠层的数学模型。实验证明，该工作流能够充分利用机载摄影机的优势，短时间内获取不同时相的冠层信息，生成新的树冠高度模型，并使用计算机技术高效率地获取冠幅数学模型，在保持准确的条件下显著提高工作效率。Brandtberg等18 提出了一种单木提取精度不低于7 0%的树冠提取方法。本文基于无人机遥感影像，以内蒙古自治区赤峰市喀喇沁旗旺业甸林场实验样地为例，采用无人机影像在单木及林分两个尺度提取树冠信息，并进行分析，以期为相关研究提供参考。1研究区概况研究区范围主要在内蒙古赤峰市喀喇沁旗西北部的旺业甸林场，地理坐标范围为118 0 9 118 30 E，41214139N。该区域地处燕山山脉北麓七老图山支脉上，为茅荆达坝次生林带的主要组成部分，主要地形地貌为中山山地，地势西南方较高且东北方较低，海拔在8 0 0 18 9 0 m之间；年均降水量30 0 500mm，7 一8 月份为雨季，年蒸发量在2 0 0 0 mm，为明显的大陆性季风性气候；年平均气温为4.2，年有效积温为2 0 0 0 30 0 0，全年无霜期117 d；年平均风速3.5m/s，主要为西北风。研究区域的土壤主要有褐土、棕壤、山地黑土和草甸土。旺业甸林场处于草原向森林的过渡地带，分布于东北、华北两区植物区系的交会点，动植物资源非常丰富。旺业甸林场的林地面积为2.33万hm，其中有天然林1.17 万hm，人工林1.16 万hm，活立木总蓄积为152.7 万m。人工林树种主要包括油松、樟子松、落叶松、云杉等，天然林树种主要包括山杨、白桦、蒙古栎等。整个林场的森林年生长量为4.5万m，年采伐蓄积为1.5万m，年增长蓄积为3.0 万m。2数据与方法2.1数据来源2.1.1地面数据实地调查时间为2 0 19 年9 月5日至9 月10 日，针对旺业甸林场的不同林分条件，采用了分层次随机抽样方法，共布设了31个油松样地。这种抽样方法考虑了林分的差异性，通过将研究区域划分为不同的层次，然后在每个层次内进行随机抽样，确保了样地的代表性。样地大小均为2 5m25m。调查时使用GPS设备确定了样地的四至坐标和中心点坐标，以确保样地位置的准确性。同时，对样地内的每棵树木进行详细的测量和记录。这些测量数据为后续的林分结40中南林业调查规划2024年第1期第43 卷构分析、生态评估和资源管理提供了重要的数据基础。对地面采集数据中的冠幅与材积进行相关性分析，可得二者皮尔斯相关性系数为0.8 8，为强正相关，结果见图1。0.50.40.38O0.20.10234567平均冠幅/m2图1单木材积与平均冠幅散点图2.1.2无人机数据影像数据来源于旺业甸林场实地采集，获取时间为2 0 19 年9 月，通过机载激光雷达系统携带的CCD相机获取数据，其中包含了红、绿、蓝三个波段的信息。数据的分辨率为0.0 5m，坐标系统采用了WCS84，并采用了UTM北半球第50 带投影。影像覆盖地面所有样地。2.2研究方法2.2.1植被指数提取可见光植被指数（VI）是一种由R、G、B三个波段组成的新型植被增强指数，可以通过可见光波段提高无人机影像中植被覆盖区域的明度值，同时降低非植被覆盖区域明度值，从而增大影像中植被与非植被的区别。本研究先将所获得的无人机影像进行可见光植被指数运算，获得增强后的影像。可见光植被指数计算公式如下：VI=(2G-R-B)-(1.4R-G)(1)G=G/(R+G+B)(2)R=R/(R+G+B)(3)B=B/(R+G+B)(4)式中：R为红光波段，G为绿光波段，B为蓝光波段，R、G 、B 分别代表该像素点R、G、B对应的灰度值占比。2.2.2波段融合将待融合的影像分别构建拉普拉斯金字塔是多波段融合的理念。在这一过程中，影像的高频信息将被拉普拉斯算子提取出来，金字塔中影像的高频信息是被逐渐增强的。通常采用Alpha-blending或Feathering等技术对同一层的影像进行融合；对于不同层的影像，即不同频率段的影像，可以采用不同的融合规则。最后，重建融合后得到的影像金字塔，可以得到最后的融合图。这一过程充分利用了金字塔结构的信息，使得融合结果更具细节和整体的一致性。本次实验将增强后的图层与原图层融合，既可以增强树冠的边缘信息，又可以保留树冠内的纹理信息，经过目视解译法可知，经过增强后的影像在区分树冠与非树冠、提高阴影内的树冠清晰度具有明显优势。2.2.3基于多尺度分割的冠幅提取影像分割是一种综合考虑影像的光谱特征、形状特征等因素，将影像划分成反映特定地物特征的地理对象的过程。这是面向对象遥感信息提取的基础19 。在影像分割算法中，多尺度分割在提高分割结果的准确性和地物类别的识别能力方面具有优势，可以形成多个地理对象层，有利于从不同角度反映遥感影像对应的地表覆盖实际物理形态，能够为地理对象多尺度特征描述提供良好条件2 0 。本文采用易康及ESP2插件对增强后的无人机影像进行参数的自动化选取，最.41第43 卷以内蒙古旺业甸林场为例李晓晨，于无人机可见光植被指数的森林冠幅信息提取研究2024年第1期优分割尺度为：2 7、34、48，选取结果见图2。将选取后的参数代人多尺度分割，经过目视解译法选取最优参数组，最后确定最优参数组为分割尺度2 7、形状因子0.7、紧致度因子0.6。对增强后的冠幅影像进行多尺度分割来提取影像中的冠幅东西长、南北长、位置、面积等信息。最大差异变化率一变化率为0 的基准线2.5282.02600O:1.5241.0O：O0.522OO0.088200-0.518-1.02030405060708090100110分割尺度图2ESP2插件选取结果3结果与分析3.1影像增强结果3.1.1影像评价指标标准差是评价像素灰度值对影像均值的离散程度的重要指标，通常用于衡量影像的质量。标准差越小，表示影像中灰度级分布得越集中，影像质量越差，反之，则越好。标准差的计算公式如下：(5)uMstd(6)式中：u代表灰度值均值；M代表影像横坐标像素数；N代表影像纵坐标像素数；F为影像的像素集合；i代表当前像素横坐标；j代表当前像素纵坐标；std代表灰度值标准差。3.1.2增强结果分析增强前的样地影像灰度值标准差的均值为7.7 3，增强后的样地影像灰度值标准差的均值为2 0.30，整体提高了12.57，比原来增强了16 2.6 1%，对影像质量的提升具有显著效果。详见表1、图3。3.2影像提取结果3.2.1林木树冠提取结果从遥感影像上看，可知树冠的形状近似一个圆形，故本实验采用近似圆的面积来计算树冠面积。S=T (Rew+Rsn)/16(7)相对误差计算公式为：表1影像增强前后标准差对比样地号增强前增前后提高百分比WO01_1Y5.4818.46236.86%WO1_2Y6.6822.00229.34%WO1_3Y8.6022.57162.44%WO2_3Y7.6824.10213.80%WO6_1Y7.8018.45136.54%W06_2Y8.5319.88133.06%W06_3Y7.4319.81166.62%WO7_1Y9.3922.58140.47%WO7_2Y3.678.42129.43%W07_3Y7.4420.23171.91%W08_1Y8.3823.89185.08%W08_2Y8.4924.15184.45%W08_3Y6.0017.10185.00%W09_2Y7.6921.04173.60%W09_3Y8.5020.63142.71%W11_1Y7.1818.28154.60%W11_2Y7.9219.74149.24%W11_3Y9.0723.96164.17%W12_1Y7.6920.06160.86.%W12_2Y8.3822.06163.25%W12_3Y8.3621.16153.11%W14_2Y8.4018.63121.79%W14_3Y11.2926.85137.82%W15_1Y8.2420.98154.61%W15_2Y8.9121.18137.71%W16_1Y4.3716.06267.51%W16_3Y9.2221.49133.08%42中南林业调查规划第43 卷2024年第1期表1影像增强前后标准差对比（续）样地号增强前增前后提高百分比W17_1Y5.9812.78113.71%W19_1Y8.2121.84166.02%W20_2Y8.6322.66162.57%W21_1Y6.1618.11193.99%均值7.7320.30162.61%8=S,-S。1/S,10 0%(8)样本精度计算公式为：(1-8)R=(9)n式中：S为冠幅面积；为误差；Rew为东西冠幅；Rsn为南北冠幅；S,为实测树冠面积；S.为提取树冠面积；n为株数；R为精度。30提高百分比一增强前一增强后300.00%25250.00%20200.00%15150.00%10100.00%550.00%00.00%210M10M1OM80M60M44样地名称图3影像增强前后标准差对比3.2.1.1单木冠幅提取结果影像增强前单木冠幅提取精度为6 1.2 1%，最大相对误差系数为47.6 2%，最小相对误差系数为1.7 7%；影像增强后单木冠幅精度为7 2.6 9%，最大相对误差系数为39.51%，最小相对误差系数为1.0 8%。相较影像增强前，影像增强后提取精度提高了11.48%，最大相对误差系数减少了8.11%，最小相对误差系数减少了0.6 9%。3.2.1.2样地冠幅提取结果影像增强前样地冠幅总面积的提取精度为6 1.43%，最大相对误差系数为7 9.8 2%，最小相对误差系数为4.40%；影像增强后样地冠幅总面积的提取精度为75.65%，最大相对误差系数为45.0 4%，最小相对误差系数为3.30%。与影像增强前相比，影像增强后提取精度提高了14.2 2%，最大相对误差系数减少了34.78%，最小相对误差系数减少了1.10%。影像增强前后样地冠幅面积提取情况详见表2。3.2.2林木株树提取结果本次地面采集数据共49 0 5株树，影像增强前共成功提取样树39 7 2 株，提取成功率为8 0.9 8%；影像增强后共成功提取样树456 2 株，提取成功率为表2影像增强前后样地冠幅面积提取对比提取总冠幅/m实测总冠幅/样地号影像增强前影像增强后mWO1_IY571.58335.12256.30W01_2Y731.34487.87406.71W01_3Y422.20427.06441.61W02_3Y470.62389.48362.43W06_1Y310.46368.22541.50W06_2Y165.17222.16393.15W06_3Y275.09326.04478.91W07_1Y409.56460.12611.80W07_2Y53.31159.46227.92W07_3Y349.60298.65281.67W08_1Y678.33311.89189.75W08_2Y672.07368.35267.11W08_3Y531.71449.63422.28W09._2Y378.07322.89304.50W09_3Y191.28252.96438.01W11_1Y699.21597.30563.33W11_2Y620.92736.441 083.00W11_3Y564.29605.48729.0743第43 卷以内蒙古旺业甸林场为例2024年第1期李晓晨，于无人机可见光植被指数的森林冠幅信息提取研究表2影像增强前后样地冠幅面积提取对比（续）提取总冠幅/m实测总冠幅/样地号影像增强前影像增强后mW12_1Y282.15302.74364.53W12_2Y622.88489.02444.40W12_3Y565.39398.81343.29W14_2Y172.89265.17542.00W14_3Y494.96404.20373.95W15_1Y542.60393.78344.17W15_2Y545.45505.51492.20W16_1Y550.18652.09957.83W16._3Y588.57534.61972.74W17_1Y582.56505.93876.03W19_1Y459.91364.70332.96W20_2Y194.28267.31486.37W21_1Y265.67243.93203.3593.01%，增强前比增强后提取成功率提高了12.0 3%4结语本文基于可见光植被指数的无人机影像增强方法，并利用增强后的无人机影像进行林分与单木的冠幅提取。结果表明，相对于传统的无人机影像提取冠幅无法准确区分树冠与非树冠部分的情况，本文通过使用可见光植被指数增强了冠幅与非冠幅的区分度，并在一定程度上增强了阴影部分的树冠像元，对通过无人机影像提取树冠的结果精度有较大的提升。但对于个别多株树冠重叠遮挡的问题，还存在着多分、错分的问题，提取结果需要进行适当人工编辑处理。今后还需要在区分树冠重叠、自动定位树冠顶点及提高精度上做进一步研究。参考文献：【1】罗致，孙士博。我国常见森林资源调查监测方法分析及应用J 中南林业调查规划，2 0 2 2，41（1）：9-13.2黄哲，刘寅学，彭泰来，等无人机测量技术在使用林地外业调查中的实践探索J中南林业调查规划，2 0 2 1，40(1):28-31.3戴亚文，王三武，王晓良基于灰度信息的多特征模板匹配法J电测与仪表，2 0 0 4，41（4：56-58.4王书涵，张晓丽，朱程浩，等基于光谱局部最大值滤波的林分密度估计J浙江农林大学学报，2 0 17，34（3）：413-420.5谭衢霖，刘正军，沈伟一种面向对象的遥感影像多尺度分割方法J.北京交通大学学报，2 0 0 7，31（4）：111-114，119.6蔡华杰，田金文一种高分辨遥感影像多尺度分割新算法J武汉理工大学学报，2 0 0 9，31（11）：9 7-10 0，12 1.7罗文村基于闵值法与区域生长法综合集成的影像分割法J现代计算机，2 0 0 1（5）：43-46.8张发存，赵晓红，王忠，等区域生长法影像分割的数据并行方法研究J计算机工程，2 0 0 4，30（17）：14-16.9王小鹏，郝重阳，樊养余基于形态学尺度空间和梯度修正的分水岭分割J电子与信息学报，2 0 0 6，2 8（3）：48 5489.【10 卢中宁，强赞霞，基于梯度修正和区域合并的分水岭分割算法J计算机工程与设计，2 0 0 9（8）：2 0 7 5-2 0 7 7.11田丹，刘爱利，丁浒，等地貌形态类型面向对象分类法的改进J地理与地理信息科学，2 0 16，32（2）：46-50，封2.12田新光面向对象高分辨率遥感影像信息提取【D北京：中国测绘科学研究院，2 0 0 7.13付飞飞面向对象的低空无人机遥感影像分类J地矿测绘（2 6 30-47 32)，2 0 19（5)：141-143.14 BROVKINA O,CIENCIALA E,SUROV P,et al.Unmannedaerial vehicles（U A V)f o r a s s e s s m e n t o f q u a l i t a t i v e c l a s s i f i c a t i o nof Norway spruce in temperate forest stands J.Geo-Spatial In-formation Science,2018,21（1):12-2 0.15 MORALES M R,IDOL T,CHEN Q.Differentiation of Acaciakoa forest stands across an elevation gradient in Hawaii using fine-resolution remotely sensed imagery J.International journal ofremote sensing，2 0 12,33（11/12):349 2-3511.16 POULIOT D A,KING D J,BELL F W,et al.Automated treecrown detection and delineation in high-resolution digital cameraimagery of coniferous forest regeneration J.Remote Sensing ofEnvironment:An Interdisciplinary Journal,2002,82（2/3):322-334.17 LISEIN J,MICHEZ A,CLAESSENS H,et al.Discriminationof Deciduous Tree Species from Time Series of Unmanned AerialSystem ImageryJ.PL0S0NE,2015,10（11):e 0 1410 0 6.18BRANDTBERGT,WALTER F.Automated delineation of indi-vidual tree crowns in high spatial resolution aerial images by multi-ple-scale analysis J.Machine Vision&Applications,1998,11(2):64 73.19关伟基于区域合并影像分割技术的多尺度地表景观分析J地理科学进展，2 0 0 4，2 3（12)：9-15.20 Claudio Rosito Jung.Unsupervised multiscale segmentation of col-or images J.Pattern Recognition Letters，2 0 0 6,2 8 （4):523-533.