0 引言
潮滩是指海岸带地区高潮时淹没、低潮时露出的区域[1]，该区域常伴随着耐盐且喜水的陆生植被即盐沼植被的出现。盐沼植被的发达根系有助于保持潮滩泥沙，其对潮水的缓流作用和对悬浮细颗粒泥沙的黏附、捕捉作用也促进了泥沙沉降和滩面淤高[2]；同时，潮滩高程的增加加快了盐沼植被群落的演替和向海延伸，植株密度和生物量也随之增加[2-3]。高精度潮滩地形数据可为盐沼植被对潮滩动力、地貌、沉积过程的影响机理研究以及盐沼生物量的获取提供定量支持，探测和量测潮滩地形变化对于制定海岸带综合管理计划具有重要的现实意义和参考价值。然而潮滩滩面宽广、潮沟纵横、滩面质地松软以及盐沼植被的覆盖等干扰情况，给盐沼潮滩地形的精准快速测量带来较大难度。
目前，常用的地形测量方式主要有InSAR(interferometric synthetic aperture radar)、LiDAR(light detection and ranging)以及地面观测如全站仪、GPS-RTK(global positioning system - real time kinematic)技术等。InSAR、LiDAR主要用于较大区域范围的测量，全站仪、GPS-RTK主要用于小范围的测量。这些方式方法和手段在应用于潮滩时，分别存在着重访周期长、时效性差、成本高、单点测量效率低下等问题。近年来，TLS(terrestrial laser scanner)在潮滩区域的地形测量中得到良好的应用，它能获取目标物的纹理信息和颜色信息。相对于其他地面测量手段，TLS获取地形数据的效率更高，覆盖范围可达2~5 km，能够保证野外连续实时测量。近年来，国内外学者使用TLS在潮滩地形测量和反演方面取得了不少研究成果。常直杨等[4]使用TLS在江苏潮滩获取滩涂地形数据，评估了在该条件下使用的水平和高程偏差，结果表明该技术可以高精度获取潮滩微地貌特征数据。Hannam等[5]利用TLS对帕迪拉湾区域展开连续3年监测，以了解沉积地貌的时空变化模式。Guarnieri等[6]使用TLS获取意大利威尼斯泻湖盐沼区域的地形数据，构建植被滤除算法，分别得出TLS在较密和较稀疏植被区域使用的精度。
TLS在潮滩光滩地区获取地形数据具有良好的效果，然而在盐沼潮滩区域，植被对激光发射信号有遮蔽效应，TLS获取的激光反射信号包含了植被、地面信息等数据，因此，要获取真实的盐沼地形数据，必须去除植被数据的干扰。本项研究以长江口4种典型盐沼植被(芦苇、白茅、互花米草、海三棱藨草)的样方为研究目标，采用先稀释植被盖度后TLS扫描地形数据的步骤，构建分离植被与地面激光点云的植被滤除算法，研究TLS在盐沼区域使用的适用性及典型盐沼植被与反演地形精度的关系，为使用TLS反演盐沼潮滩地形演变量化研究提供参考。
1 研究区域概况长江口是长江在我国东部的入海口，长江上游丰富的泥沙资源在河口的大量淤积使得沿岸潮滩处于动态的淤涨变化过程中。作为典型的淤泥质河口，长江口的滩坡十分平缓，这在一定程度上有利于植被的生长和扩散，使得长江口盐沼植被资源非常丰富。长江口盐沼植被主要有芦苇群落、藨草群落、海三棱藨草群落、糙叶苔草群落以及外来物种互花米草群落等[7]。
本研究区域选取崇明东滩、南汇边滩两块长江口潮滩盐沼区域(图 1a)。崇明东滩位于上海市崇明岛东部，南临长江入海口，东濒东海，潮沟发育丰富，走向大致与滩地延伸方向一致，在平面上呈树状向外散射[8]。目前该区域盐沼植被分布的一般趋势为：低潮带的盐渍藻类带；中潮带及高潮带下部的海三棱藨草和藨草群落带；高潮带及潮上带的芦苇群落带。此外还散生一些白茅、糙叶苔草等斑块状群落。崇明东滩湿地互花米草生态控制与鸟类栖息地优化工程的顺利开展使得大片互花米草种群基本消失。由于不同类型植被的平均株高和密度不同，本文分别在崇明东滩南部地区选取3块典型类型的芦苇区域、白茅与低矮芦苇的混生区域(后续称白茅区域)、海三棱藨草区域建立样方，分别分布于图 1b中的S1、S2、S3位置，平均株高分别为150、50、30 cm。南汇边滩地处长江口和杭州湾的交汇处，该区域潮滩盐沼植被主要由低潮区的海三棱藨草(包括糙叶苔草和藨草群落带)，中、高潮混生的互花米草群落及高潮带内侧的芦苇群落三大类组成[9]。本文在该地区选取互花米草分布带建立样方，分布于图 1c中的S4位置，平均植株高度为150 cm。
|
| 图 1 研究区及样方位置示意图 Figure 1 The study area and quadrat location |
|
|
本研究使用的地面激光扫描仪型号为RIEGL VZ 4000。该扫描仪的有效扫描距离为4 000 m，单次测量精度为15 mm，重复测量精度为10 mm，激光发射波长为单色近红外波段。4种植被的实验样方大小均为2 m×2 m，仪器架设距离样方5 m，扫描仪距离地面高度2.5 m，该条件下扫描实际覆盖扫描距离为950 m左右。完成TLS扫描后，修剪稀疏植被植株，以减小样方内的植被盖度，再使用TLS对样方实施稀疏后的测站扫描；重复该步骤，至修剪完植被的样方扫描数据为真实地形数据。同时，TLS针对每个样方进行重复扫描测量实验时，不移动测站位置，确保同一样方的激光扫描测量拥有相同的自身坐标系统SOCS(scanner’s own coordinate system)——以扫描仪测站位置为基础的空间三维坐标系。
2.2 植被盖度获取及估算各样方植被盖度信息从数码相片上获取，植被盖度定义为观测区域内植被垂直投影面积占地表面积的百分比[10]。数码相机架设在距地面2.5 m高的位置，垂直对样方拍摄。由于样方的尺寸较大，人为修剪一次后，用数码相机分别拍摄样方的4个拐角，最后取盖度均值作为样方植被盖度。数码相片的像元值代表植被和土壤像素。一副相片的像素可分为植被和非植被两种像素的二值图。数码相片上的植物盖度通过计算植被像素占总像素的比例算得。本文使用Envi软件监督分类模块进行相片二值化处理，从原始到多次稀释的结果为：芦苇盖度估值分别为50%、45%、40%、35%、30%、15%、0；白茅盖度估值分别为70%、55%、40%、30%、20%、0；互花米草盖度估值分别为65%、50%、40%、30%、15%、0；海三棱藨草盖度估值分别为65%、60%、50%、40%、30%、20%、0。
2.3 点云噪声点去除使用TLS在野外获取数据时，由于物体的遮挡以及其他外部条件的影响，所获取的点云数据不可避免地会带有噪声点[11]，这些噪声点对构建DEM(digital elevation model)不可避免地产生较大的干扰。因此，在获取原始点云数据后，必须先进行点云数据去噪处理，删除噪声点的工作通过点云可视化处理软件Riscan pro完成。
3 植被滤除算法构建与反演精度评估 3.1 植被滤除算法构建点云数据包含三维坐标、回光振幅、回光反射率以及颜色等属性信息。本文所使用的植被滤除算法在移动窗口法[12]的基础上，结合点云属性信息对植被噪声点进行滤除。移动窗口法已经被许多研究者用来去除植被影响[13-15]，其思想是提取窗口内的最低高程点为地面点，获取到地面点的可能性与窗口的尺寸大小密切相关。当窗口很小时，TLS返回的激光信号高程值可能高于地面实际高程，随着窗口尺度的增加，该值越来越有可能是激光穿透植被冠层到达地面的返还点。然而窗口过大时，又有可能平滑或去掉一些小的地形不连续部分[16]。不同的植被样方因植株高度与密度的不同，其最佳窗口尺度也不同。本文分别对4块样方点云数据使用移动窗口法过滤，窗口尺寸从1 cm到20 cm递增，增量为1 cm。同时，激光扫描仪返回信号里包含的信息可以被用于地表不同材质物体的分类，例如振幅属性[17]；采用非监督分类K-means的方法去除分类结果为植被的点云。先移动窗口后去除植被点云的方法相比单一使用移动窗口法精度有进一步的提升[6]。K-means算法是一种以平均值作为聚类中心的分割聚类算法。RIEGL VZ 4000 TLS激光反射信号为近红外波段，对水体没有回波反射信号，因此在研究区域内激光反射信号只有植被和土壤两类。因此，算法根据属性值(本例中指点云振幅属性)将簇群的n个目标(本例中指TLS扫描点云数据)分成k类(本例中指土壤和植被)。
该算法的具体步骤如下：
1) 从数据集中随机选择k个对象C1，C2，…，Ck作为初始的聚类中心。
2) 把每个对象分配到与之距离最小的聚合，每个聚合用其中所有对象的均值来代表。对于每个点Vi(i=1，2, …, n)，找出一个质心Cj(j=1，2, …, k)，使它们之间的距离d(Vi, Cj)最小，并把Vi分配到第j组。
3) 把所有的点都分配到相应的组之后重新计算每个组的质心Cj。
4) 循环执行第2)步和第3)步，直到数据的划分不再发生变化。
选取裸土和覆盖植被的土壤表面(以白茅植被为例)两类点云数据，两种点云振幅属性频率分布如图 2所示。K-means算法对白茅植被分类结果为12，振幅小于12时为土壤点云数据、大于12时为盐沼植被点云数据。该分类结果与裸土振幅频率分布图(图 2a)有较好的一致性，故去除振幅值大于12的点云。由于本文实验样方较小，同时部分植被存在激光穿不透现象，为确保样方有足够多点云构建DEM，本方法仅用于去除个别高程异常高点，使得构建样方DEM点云不少于100个。
|
| a.裸土；b.覆盖白茅的土壤。 图 2 点云振幅属性频率分布图 Figure 2 Frequency distribution of amplitude attributes of point cloud |
|
|
以不同盖度构建的样方DEM定量分析反演4种不同盐沼样方区域的地形精度。在完成上述去除低质量点以及植被滤除后，为了便于后续精度评估，对点云数据进行插值建模。本文基于Arcgis10.2软件，使用克里金插值法构建扫描样方DEM。
通过生成的DEM与完全去除植被后的DEM对比不同盖度情况下的地形反演精度。不同情境下的实验完全独立进行，使用均方根误差(root-mean-square error, RMSE)来衡量算法生成DEM的精度。
4 结果与分析 4.1 测量精度与植被盖度的关系根据实验结果建立TLS反演4种不同植被样方地表地形精度与盖度、窗口尺度的关系，如图 3所示。从图 3可以看出，在窗口尺度为0~20 cm的范围内，随着窗口尺度的增加，TLS反演不同盖度的4种植被样方地表地形精度不断提高。
|
| a.芦苇；b.白茅；c.互花米草；d.海三棱藨草。 图 3 植被过滤算法窗口尺度与RMSE关系图 Figure 3 Window sizes of vegetation filtering algorithm vs. RMSE |
|
|
1) 从图 3a可以看出：当窗口尺度为20 cm、芦苇盖度为50%时，TLS反演芦苇样方地表地形精度最低，RMSE为4.5 cm；在窗口尺度为20 cm、芦苇盖度小于50%时，RMSE均在4.5 cm以内。因此，激光基本上可以穿透盖度为50%的芦苇冠层到达地面。
2) 从图 3b可以看出：在窗口尺度大于15 cm时，RMSE虽有降低，但降低的幅度较小，几乎平行于坐标轴。在窗口尺度为20 cm、白茅盖度为70%时，TLS反演白茅样方地表地形精度最低，RMSE为22 cm，激光无法穿透植被冠层到达地表。在该情况下，以10 cm窗口滤除算法构建的DEM及原始数据地表DEM见图 4(以扫描仪的SOCS空间坐标系为参考)。从图 4中可以看出：沿入射方向，激光可以部分穿透植被，但有效距离很短；沿着该方向，随着与TLS距离的增加，激光穿透的能力越来越弱，呈现一个缓坡。样方内的白茅株高为50 cm左右，在样方后部，顶层DEM距离地面DEM约为40 cm，激光穿透深度为10 cm。当窗口尺寸为20 cm、RMSE为5 cm时，白茅盖度为30%左右。
|
| a. 10 cm窗口尺度过滤算法构建的DEM；b.原始数据地表DEM。 图 4 白茅样方DEM示意图 Figure 4 DEM of Imperata cylindrica quadrat |
|
|
3) 从图 3c可以看出：在窗口尺度为20 cm、互花米草盖度为65%时，TLS反演互花米草样方地表地形精度最低，RMSE为22 cm，激光无法穿透植被冠层到达地表。在窗口尺度为20 cm、互花米草盖度小于等于50%时，互花米草曲线关系图与芦苇曲线关系图有一定的相似性。在窗口尺度为20 cm，互花米草、芦苇盖度为50%时，互花米草RMSE为5.7 cm，稍高于芦苇(4.5 cm)；当两者盖度小于50%时精度相近。当窗口尺寸为20 cm、RMSE为5.7 cm时，互花米草盖度为50%左右。
4) 从图 3d可以看出：在窗口尺度为20 cm、海三棱藨草盖度为65%时，TLS反演海三棱藨草样方地表地形精度最低，RMSE为8.6 cm，激光无法穿透植被冠层到达地表。当窗口尺寸为20 cm、RMSE为5 cm时，海三棱藨草盖度为40%左右。
4.2 激光穿透植被分析当盖度大于50%时，白茅、互花米草、海三棱藨草样方原始盖度分别为70%、65%、65%，RMSE分别为22.0、22.0、8.6 cm，TLS激光均不能穿透植被冠层到达地面。以白茅样方为例，图 5a为白茅样方原始盖度扫描结果，图 5b为经过3次人为稀释植被盖度后的扫描结果：随着植被盖度的稀释，激光穿透能力增强。当激光穿不透时，任何算法都不能在原始数据缺失的情况下提取地表、地形、地貌特征。
|
| 黄色点云为扫描仪扫描结果，蓝色点云为修剪完植被的真实地形数据。 图 5 白茅植被稀释前扫描数据(a)与3次稀释后扫描数据(b) Figure 5 Imperata cylindrica of TLS scanning before coverage reduced (a) vs. three coverage reduced (b) |
|
|
当盖度为50%时，TLS反演4种盐沼植被样方地形的误差为芦苇＜互花米草＜海三棱藨草＜白茅，RMSE分别为4.5、5.7、6.6、16.0 cm。白茅样方反演精度较差，地形反演精度与芦苇相差3.56倍，海三棱藨草地形反演精度与芦苇相差1.47倍，互花米草地形反演精度与芦苇地形反演精度相近。造成低矮植被比较高植被反演精度差的原因是植物构型的影响。由图 6可见：芦苇和互花米草(图 6a、c)植株较高，茎秆光杆长度较长，叶片主要在上部，下部的茎秆对激光穿透影响很小，因此能够穿过芦苇、互花米草茎秆缝隙到达地面；白茅(图 6b)样方内为白茅与小芦苇的混生区，该区域植被高度较低，茎秆光杆长度很短，上部分布了多层叶片，在同样的TLS视角下，激光不但被表层植被叶子遮挡且很难穿过被叶片遮挡的较短光杆部分，致使误差较高即图 4a现象；海三棱藨草(图 6d)株高同样较低，表层根状茎对激光穿透作用较芦苇、互花米草茎秆影响更大，出现同样盖度情况下反演精度比芦苇和互花米草差的现象。海三棱藨草比白茅误差小的原因可能有两种：一是白茅的平均株高比海三棱藨草高；二是海三棱藨草的根须茎比白茅叶片对激光穿透的影响更小。
|
| a.芦苇；b.白茅；c.互花米草；d.海三棱藨草。 图 6 TLS扫描样方示意图 Figure 6 Quadrat of TLS scanning |
|
|
当盖度小于50%时，由于激光能够穿透芦苇、互花米草，TLS反演两种盐沼植被地形精度量级变化不明显；TLS反演海三棱藨草精度小幅度提升；由于激光难穿透白茅，随着盖度的稀释，TLS反演精度提升较为明显。在同种盖度情况下，海三棱藨草误差小于白茅误差。
综上所述，盐沼植被盖度越高，地形反演精度越低，两者呈现负相关关系。值得注意的是，当起始窗口尺度为1 cm时，芦苇误差≈互花米草误差＞白茅误差＞海三棱藨草误差。这是算法所致，较小窗口获取点云高程最小值时易获取其值相对较大的点，导致整体样方误差偏高。
5 结论与建议本文以长江口盐沼潮滩区域典型4种植被：芦苇、白茅、互花米草、海三棱藨草样方的TLS扫描点云为数据源，构建植被点云过滤算法，使用控制变量的方法固定仪器的高度、与样方的距离和扫描分辨率；通过人为改变盐沼植被盖度的方法，研究植被盖度与点云数据反演盐沼潮滩区域地形精度之间的关系，探究TLS在反演盐沼潮滩区域地形的适用性。通过初步分析有以下认识：盐沼植被盖度越高，地形反演精度越低，两者呈现负相关关系；反演4种盐沼植被地形的精度达到5 cm左右的盖度临界值分别为：芦苇、互花米草等于50%左右，白茅等于30%左右，海三棱藨草等于40%左右。当盖度等于50%时，TLS反演芦苇、互花米草、白茅、海三棱藨草地形的精度分别为4.5、5.7、16.0、6.6 cm。当盖度小于50%时，TLS激光更容易穿透株高较高的禾本科盐沼植被如芦苇、互花米草以及株高较低的莎草科植被海三棱藨草，激光对株高较低的禾本科植被白茅的反演效果随着盖度的降低精度提高较多。
本文通过TLS反演小样方盐沼植被的实验，探究了TLS在反演盐沼潮滩区域地形的适用性。然而盐沼潮滩地区植被大面积分布，大片盐沼植被盖度均大于50%，距离TLS越远，激光点云密度越小，衰减作用越明显，激光穿透植被能力越弱，远处激光点云数据可能只在植被表层。在盐沼潮滩地区使用TLS反演地形时，增加TLS架设高度、对同一区域多方位反复扫描可能有助于提高地形反演效果。
| [1] |
陈吉余, 程和琴, 戴志军. 滩涂湿地利用与保护的协调发展探讨:以上海市为例[J]. 中国工程科学, 2007, 9(6): 11-17. Chen Jiyu, Cheng Heqin, Dai Zhijun. Compatibility of Utilization and Protection of Tidal Flat and Wetland:A Case Study in Shanghai Area[J]. Engineering Science, 2007, 9(6): 11-17. DOI:10.3969/j.issn.1009-1742.2007.06.002 |
| [2] |
王卿.长江口盐沼植被群落分布动态及互花米草入侵的影响[D].上海: 复旦大学, 2007. Wang Qing. The Dynamics of Plant Community Distribution of the Salt Marshes in the Yangtze River Estuary as Influenced by Spartina Alterniflora Invasions[D]. Shanghai: Fudan University, 2007. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1273641 |
| [3] |
袁兴中, 陆健健, 刘红. 河口盐沼植物对大型底栖动物群落的影响[J]. 生态学报, 2002, 22(3): 326-333. Yuan Xingzhong, Lu Jianjian, Liu Hong. Influence of Characteristics of Scirpus Mariqueter Community on the Benthic Macro-Invertebrate in a Salt Marsh of the Changjiang Estuary[J]. Acta Ecologica Sinica, 2002, 22(3): 326-333. DOI:10.3321/j.issn:1000-0933.2002.03.006 |
| [4] |
常直杨, 王建, 李晶冰, 等. 基于地面激光扫描仪的潮滩地貌研究初探[J]. 海洋通报, 2016, 35(3): 258-263. Chang Zhiyang, Wang Jian, Li Jingbing, et al. Preliminary Study About the Geomorphology in the Tidal Flat Based on the Terrestrial Laser Scanning[J]. Marine Science Bulletin, 2016, 35(3): 258-263. |
| [5] |
Hannam M, Moskal L. Terrestrial Laser Scanning Reveals Seagrass Microhabitat Structure on a Tideflat[J]. Remote Sensing, 2015, 7(3): 3037-3055. DOI:10.3390/rs70303037 |
| [6] |
Guarnieri A, Vettore A, Pirotti F, et al. Retrieval of Small-Relief Marsh Morphology from Terrestrial Laser Scanner, Optimal Spatial Filtering, and Laser Return Intensity[J]. Geomorphology, 2009, 113(1/2): 12-20. |
| [7] |
高占国.长江口盐沼植被的光谱特征研究[D].上海: 华东师范大学, 2006. Gao Zhanguo. A Study on the Spectral Characteristics of Salt Marsh Vegetation in Yangtze Estuary[D]. Shanghai: East China Normal University, 2006. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1015459 |
| [8] |
陈勇, 何中发, 黎兵, 等. 崇明东滩潮沟发育特征及其影响因素定量分析[J]. 吉林大学学报(地球科学版), 2013, 43(1): 212-219. Chen Yong, He Zongfa, Li Bing, et al. Spatial Distribution of Tidal Creeks and Quantitative Analysis of Its Driving Factors in Chongming Dongtan, Shanghai[J]. Journal of Jilin University (Earth Science Edition), 2013, 43(1): 212-219. |
| [9] |
李贺鹏, 张利权, 王东辉. 上海地区外来种互花米草的分布现状[J]. 生物多样性, 2006, 14(2): 114-120. Li Hepeng, Zhang Liquan, Wang Donghui. Distribution of an Exotic Plant Spartina Alterniflora in Shanghai[J]. Biodiversity Science, 2006, 14(2): 114-120. DOI:10.3321/j.issn:1005-0094.2006.02.004 |
| [10] |
张云霞, 张云飞, 李晓兵. 地面测量与ASTER影像综合计算植被盖度[J]. 生态学报, 2007, 27(3): 964-976. Zhang Yunxia, Zhang Yunfei, Li Xiaobing. The Synthetically Estimating Vegetation Fractional Coverage of Grassland Using Field Data and ASTER Remote Sensing in Agine[J]. Acta Ecologica Sinica, 2007, 27(3): 964-976. DOI:10.3321/j.issn:1000-0933.2007.03.017 |
| [11] |
孙智慧, 陆声链, 郭新宇, 等. 基于点云数据的植物叶片曲面重构方法[J]. 农业工程学报, 2012, 28(3): 184-190. Sun Zhihui, Lu Shenglian, Guo Xinyu, et al. Surfaces Reconstruction of Plant Leaves Based on Point Cloud Data[J]. Transactions of the CSAE, 2012, 28(3): 184-190. DOI:10.3969/j.issn.1002-6819.2012.03.032 |
| [12] |
Petzold B. Results of the OEEPE WG on Laser Data Acquisitions[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33: 718-741. |
| [13] |
Coveney S, Fotheringham A S. Terrestrial Laser Scan Error in the Presence of Dense Ground Vegetation[J]. Photogrammetric Record, 2011, 26: 307-324. DOI:10.1111/phor.2011.26.issue-135 |
| [14] |
Latypov D. Estimating Relative Lidar Accuracy Information from Overlapping Flight Lines[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2002, 56(4): 236-245. |
| [15] |
Wang C, Menenti M, Stoll M P, et al. Separation of Ground and Low Vegetation Signatures in LiDAR Measurements of Salt-Marsh Environments[J]. IEEE Transactions on Geoscience & Remote Sensing, 2009, 47(7): 2014-2023. |
| [16] |
Fan L, Powrie W, Smethurst J, et al. The Effect of Short Ground Vegetation on Terrestrial Laser Scans at a Local Scale[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2014, 95(3): 42-52. |
| [17] |
Ge Z, Shi H, Mei X, et al. Semi-Automatic Recognition of Marine Debris on Beaches[J]. Scientific Reports, 2016, 6: 25759. DOI:10.1038/srep25759 |