文章信息
- 樊仲谋, 周成军, 周新年, 吴能森, 张世杰, 蓝天华
- FAN Zhongmou, ZHOU Chengjun, ZHOU Xinnian, WU Nengsen, ZHANG Shijie, LAN Tianhua
- 无人机航测技术在森林资源调查中的应用
- Application of unmanned aerial vehicle aerial survey technology in forest inventory
- 森林与环境学报,2018, 38(3): 297-301.
- Journal of Forest and Environment,2018, 38(3): 297-301.
- http://dx.doi.org/10.13324/j.cnki.jfcf.2018.03.007
-
文章历史
- 收稿日期: 2017-09-28
- 修回日期: 2017-11-14
2. 深圳飞马机器人科技有限公司, 广东 深圳 518000
2. Feima Robot Technology Limited Company, Shenzhen, Guangdong 518000, China
森林资源调查是对森林中各种资源的特征、数量进行测量或调查的过程。目前森林资源调查的因子包括面积、蓄积量[1]、林分大小、年龄、树种组成、营林状况、采伐设施[2]、生物多样性、森林健康、碳和土壤等[3-4]。从调查手段上来说,传统的调查方法主要以地面样地抽样技术作为技术手段[4],以胸径尺、测高器、皮尺和罗盘仪等作为调查工具[6-7]。但这些操作方法较为繁琐,或者效率低下,或者精度难以满足要求[8]。近年来,学术界已经开始使用跨学科手段进行森林资源调查,如电子经纬仪[9]、测树枪[10]、测树仪[11]、机载、星载、合成孔径雷达[12]、卫星遥感[13-14]、无人机[15]等都取得了一定的效果。
目前使用无人机进行森林资源调查的研究主要集中在宏观调查,如蓄积量、密度和地形因子的估测,对单木因子的提取研究较少。因此,对无人机测树因子获取的方法进行研究,并通过试验进行验证,通过无人机摄影测量技术可快速、方便、高效和低成本地完成森林资源调查,可为林场实现信息化、精准化的森林信息管理和规划提供数据基础。
1 研究区概况试验地位于福建省建瓯市墩阳林业采育场47林班8大班40小班。建瓯市地处北纬26°38′~27°20′,东经117°58′~118°57′,属中亚热带山地丘陵,多为低山和高丘山地;气候属中亚热带海洋性季风气候,年平均气温18. 7 ℃,年平均湿度80%,年平均降水量1 733 mm,年平均蒸发量1 450 mm,年日照时间1 612 h,全年无霜期286 d。试验林林地土壤为花岗片麻岩发育而成的山地黄红壤,海拔250~350 m,地面坡度25°~30°。试验林为23年生杉阔混交人工林,郁闭度0. 7左右,树种组成Ⅰ为60%阔叶树、40%杉木[Cunninghamia lanceolata (Lamb.) Hook.],树种组成Ⅱ为50%杉木、40%阔叶树、10%马尾松(Pinus massoniana Lamb.)。
2 试验方法 2.1 传统森林资源调查法使用传统森林资源调查法对墩阳杉阔混交人工林样地进行调查,在墩阳林业采育场47林班8大班40小班中选择16块固定样地(20 m×20 m),调查时间为2016年7月24日,通过尼龙绳和预先布设的4个样地边界水泥桩确定样地范围,对样地内所有满足起测要求的单木(胸径5 cm以上)进行调查,调查的内容包括编号、树种、胸径、树高、枝下高、冠幅和坐标(无编号的需记录),用“每木调查表”记录。胸径调查使用胸径围尺,因所调查样地的郁闭度较高,树高和枝下高无法通过仪器进行精确观测,使用测高伸缩杆器直接测得,少量特征木的冠幅调查通过普通皮尺完成,坐标的调查以样地的边界建立相对坐标系进行估测。
2.2 无人机森林资源调查法试验所用的无人机为飞马智能航测系统F1000,无人机搭载的相机为索尼α5100数码相机,传感器尺寸为23. 5 mm ×15. 6 mm,有效像素为2 430万。用无人机对同一地点进行航空摄影测量试验,飞行时间为2016年7月24日上午9:00,根据测区情况及测区范围,按照10 cm分辨率,航向重叠度80%,旁向重叠度70%的要求设计10条航线,飞行时间30 min,共获取有效像片394张,覆盖面积5. 41 km2,对获取的像片使用pix 4d软件进行像片畸变校正、自动空三处理、连接点与控制点校正、外方位元素计算和平差处理后,获得试验地区的数字表面模型(digital surface model,DSM)和数字正射影像(digital orthophoto map, DOM)。平差过程共参与393张相片,匹配像素点27 828个。
为了验证通过无人机森林资源调查获取的树高和冠幅的精度,在测区内选择了20株没有遮挡的孤立木,使用测高器和皮尺分别测量其树高和冠幅,使用手持全球定位系统(global positioning system, GPS)测量其坐标并记录。在每个样地中任意选择9株立木,使用测高器、皮尺和胸径尺精确测量其树高、平均冠幅和胸径,用以建立胸径-树高/冠幅回归模型,进行胸径计算。
3 结果与分析 3.1 基于传统森林资源调查法的8号样地调查结果表 1列举了使用传统方法调查的8号样地115株调查木中的10株调查木数据,其中1~5号为杉木,6~10号为木荷(Schima superba Gardn. et Champ.)。从表 1可知,使用传统方法进行森林资源调查时,往往因为所选样地的地理位置和复杂的林地条件,使调查工作难以按要求进行,只有树种和胸径能满足调查要求,树高、枝下高、冠幅和坐标测量难度较大,精度和效率低下。此外,单个样地调查会耗费大量人力和时间,需3人组成小组,调查时间取决于样地内树木数量,但大多都需要90~120 min。
序号 Serial number |
胸径 DBH/cm |
树高 Tree height/m |
枝下高 Crown height/m |
冠幅 Crown width/m |
坐标 Coordinate/m | |
水平 Horizontal |
垂直 Vertical |
|||||
1 | 12.1 | 7 | 4 | 2×3 | 4 | 1 |
2 | 12.7 | 9 | 5 | 2×3 | 5 | 7 |
3 | 12.7 | 7 | 4 | 3×3 | 2 | 3 |
4 | 14.3 | 8 | 3 | 3×4 | 2 | 5 |
5 | 12.1 | 9 | 5 | 2×3 | 2 | 6 |
6 | 12.0 | 8 | 6 | 2×3 | 2 | 19 |
7 | 12.8 | 8 | 3 | 2×3 | 3 | 17 |
8 | 11.0 | 7 | 3 | 3×4 | 2 | 17 |
9 | 12.4 | 8 | 4 | 2×3 | 2 | 16 |
10 | 9.6 | 7 | 2 | 3×4 | 3 | 13 |
使用Arcgis 10. 1软件从无人机获取的影像中针对所选的立木进行树高和冠幅提取,冠幅提取方法为,分别使用Arcgis 10. 1的测量工具测量树冠南北和东西边缘之间的距离(即南北冠幅和东西冠幅),并计算其平均值。树高提取的基本思路是通过树冠周围4个方向的地面点坐标确定地面高度,由树冠中心坐标确定树干高度,但是试验中所选样地郁闭度较大,可直接获取的样地中地面点坐标不够,所以采用通过克里格插值方法获得其数字高程模型(digital elevation model, DEM),继而通过树冠中心高度和DEM获取其近似树高。考虑到无人机影像可进行多次处理,对树高和冠幅各提取4次,取其算术平均值以减少因观测和软件操作带来的误差。
从无人机获取的影像中提取的冠幅和树高对比结果见表 2,1~20为孤立木对比数据,21~40为样地内对比数据。由表 2可知,在无人机后处理产品DSM和DOM提取的单木树高和平均冠幅与实地调查结果相比误差并不大,树高平均相对误差为4. 0%,误差最大的为32号和40号树,误差值为0. 9 m,相对误差分别为7. 0%和6. 8%,而相对误差最大的为11号树,误差值为0. 5 m,相对误差为7. 6%;冠幅平均相对误差为4. 9%,误差最大的为10号和11号树,误差值为0.5 m,相对误差分别为7. 0%和7. 6%,相对误差最大的为28号树,误差值为0.3 m,相对误差为9. 1%。误差均在林业调查允许的范围内,同时因为DSM和DOM可以进行多次观测消除其观测误差,故使用无人机来代替传统的冠幅和树高调查是可行的。
序号 Serial number |
树高测量值 Tree height measurement/m |
树高提取值 Tree height extraction value/m |
误差 Error/m |
相对误差 Fractional error/% |
冠幅测量值 Crown width measurements/m |
冠幅提取值 Crown width value extraction/m |
误差 Error/m |
相对误差 Fractional error/% |
1 | 8.3 | 8.2 | 0.1 | 1.2 | 6.1 | 5.9 | 0.2 | 3.3 |
2 | 6.1 | 6.3 | 0.2 | 3.2 | 2.2 | 2.1 | 0.1 | 4.5 |
3 | 6.8 | 7.1 | 0.3 | 4.4 | 2.1 | 2.3 | 0.2 | 9.5 |
4 | 8.5 | 8.1 | 0.4 | 4.7 | 3.3 | 3.2 | 0.1 | 3.0 |
5 | 8.8 | 8.6 | 0.2 | 2.2 | 3.8 | 3.5 | 0.3 | 7.9 |
6 | 4.5 | 4.3 | 0.2 | 4.4 | 5.6 | 5.9 | 0.3 | 5.4 |
7 | 4.2 | 4.4 | 0.2 | 4.7 | 6.2 | 6.6 | 0.4 | 6.5 |
8 | 7.1 | 7.2 | 0.1 | 1.4 | 7.5 | 7.3 | 0.2 | 2.7 |
9 | 7.8 | 7.9 | 0.1 | 1.2 | 8.1 | 7.8 | 0.3 | 3.7 |
10 | 5.2 | 5.0 | 0.2 | 3.8 | 7.1 | 6.6 | 0.5 | 7.0 |
11 | 6.6 | 7.1 | 0.5 | 7.6 | 6.6 | 7.1 | 0.5 | 7.6 |
12 | 6.8 | 7.2 | 0.4 | 5.9 | 11.1 | 11.3 | 0.2 | 1.8 |
13 | 9.2 | 9.8 | 0.6 | 6.5 | 14.6 | 14.2 | 0.4 | 2.7 |
14 | 12.9 | 13.5 | 0.6 | 4.7 | 2.8 | 2.6 | 0.2 | 7.1 |
15 | 11.8 | 11.7 | 0.1 | 0.8 | 1.7 | 1.8 | 0.1 | 5.9 |
16 | 10.2 | 10.8 | 0.6 | 5.8 | 1.7 | 1.8 | 0.1 | 5.9 |
17 | 10.0 | 9.7 | 0.3 | 3.0 | 1.2 | 1.3 | 0.1 | 8.3 |
18 | 11.9 | 11.4 | 0.5 | 4.2 | 2.3 | 2.1 | 0.2 | 8.7 |
19 | 14.3 | 15.1 | 0.8 | 5.6 | 3.0 | 2.9 | 0.1 | 3.3 |
20 | 10.7 | 10.3 | 0.4 | 3.7 | 2.6 | 2.4 | 0.2 | 7.7 |
21 | 13.3 | 12.4 | 0.9 | 6.8 | 2.8 | 2.7 | 0.1 | 3.6 |
22 | 12.5 | 12.3 | 0.2 | 1.6 | 2.7 | 2.6 | 0.1 | 3.7 |
23 | 14.3 | 13.6 | 0.7 | 4.9 | 2.7 | 2.7 | 0.0 | 0.0 |
24 | 12.9 | 13.4 | 0.5 | 3.9 | 2.2 | 2.2 | 0.0 | 0.0 |
25 | 12.7 | 13.5 | 0.8 | 6.3 | 2.0 | 2.1 | 0.1 | 5.0 |
26 | 12.5 | 11.8 | 0.7 | 5.6 | 1.2 | 1.3 | 0.1 | 8.3 |
27 | 12.5 | 11.9 | 0.6 | 4.8 | 2.5 | 2.5 | 0.0 | 0.0 |
28 | 14.7 | 15.3 | 0.6 | 4.1 | 3.3 | 3.6 | 0.3 | 9.1 |
29 | 13.0 | 13.3 | 0.3 | 2.3 | 2.6 | 2.4 | 0.2 | 7.7 |
30 | 12.2 | 12.2 | 0.0 | 0.0 | 1.6 | 1.7 | 0.1 | 6.3 |
31 | 13.1 | 12.4 | 0.7 | 5.3 | 2.8 | 3.0 | 0.2 | 7.1 |
32 | 12.9 | 12.0 | 0.9 | 7.0 | 2.6 | 2.7 | 0.1 | 3.9 |
33 | 12.9 | 12.5 | 0.4 | 3.1 | 1.5 | 1.5 | 0.0 | 0.0 |
34 | 14.8 | 15.4 | 0.6 | 4.0 | 3.3 | 3.4 | 0.1 | 3.0 |
35 | 12.5 | 12.3 | 0.2 | 1.6 | 3.1 | 3.2 | 0.1 | 3.2 |
36 | 12.5 | 12.2 | 0.3 | 2.4 | 2.4 | 2.5 | 0.1 | 4.2 |
37 | 12.8 | 12.2 | 0.6 | 4.7 | 2.7 | 2.9 | 0.2 | 7.4 |
38 | 10.1 | 9.9 | 0.2 | 2.0 | 1.2 | 1.2 | 0.0 | 0.0 |
39 | 13.1 | 13.3 | 0.2 | 1.5 | 2.7 | 2.9 | 0.2 | 7.4 |
40 | 13.3 | 12.4 | 0.9 | 6.8 | 2.8 | 2.7 | 0.1 | 3.6 |
无人机获取影像的方式是从空中拍摄获取,因树冠本身遮挡的原因导致无法获取林冠下的影像,无法对胸径进行量测。为了提取胸径,对试验地区的树种建立胸径回归模型,因树高是由插值方法获取的,而冠幅是直接量测的,所以采用胸径-冠幅一元回归模型的方式来计算胸径[16]。
利用曾伟生等[17]提出的“利用全部样本(不分建模样本和检验样本)来建立模型,以充分利用样本信息,使模型的预估误差达到最小”这一原则将事先调查获取的16块样地中的144株林木的冠幅和胸径精测数据全部作为样本数据,使用1stopt数据处理软件平台中的麦夸特法和通用全局优化法(Levenberg-Marquardt),对所测数据进行拟合,并采用相关系数(R)、估计值的标准差(standard error estimate,SSE)、总相对误差(total relative error,TRE)、平均系统误差(mean system error, MSE)、平均预估误差(mean prediction error,MPE)和平均百分标准误差(mean prediction standard error,MPSE)对结果进行评价。建模结果及评价如表 3所示,在6个备选模型中,三次线性模型D=12. 07-5. 41C+3. 38C2-0. 41C3的各项指标评价最好,相关系数为0. 910,TRE和MSE都控制在±5%以内,表明模型拟合良好,MPE在8. 1%左右, 说明该模型对树冠体积的预估精度在91. 9%左右, MPSE则表明了单木树冠体积估计误差的平均水平, 约为5. 4%,为最优模型,可以应用于其他样地的胸径估测。
模型类型 Model type |
模型 Model |
R | SSE/cm | TRE/% | MSE/% | MPE/% | MPSE/% |
对数 Logarithmic function | D=6.8+17.11logC | 0.870 | 1.022 | 0.169 | 0.173 | 9.640 | 6.328 |
幂函数 Power function | D=7.61C0.62 | 0.895 | 0.927 | 6.400 | 0.186 | 8.744 | 5.802 |
指数 Exponential function | D=6.94e0.26C | 0.907 | 0.871 | 1.015 | 0.106 | 8.213 | 5.566 |
倒数 Reciprocal function | D=19.28-13.89/C | 0.803 | 1.234 | -0.169 | 0.300 | 11.644 | 7.681 |
二次线性 Two linear function | D=7.31+1.29C+0.44C2 | 0.908 | 0.872 | -0.291 | 0.104 | 8.228 | 5.578 |
三次线性 Three linear function | D=12.07-5.41C+3.38C2-0.41C3 | 0.910 | 0.861 | -1.015 | -0.098 | 8.127 | 5.432 |
基于无人机森林资源调查法和三次线性模型的样地8部分调查结果见表 4,与传统森林资源调查法相比,无人机森林资源调查法无法直接获取树种信息,但是可比较精确地获取树高、冠幅和坐标信息,并可通过反演的方式获取胸径信息,同时可以获取株数、密度和样地面积等信息。需要指出的是,在高郁闭度地带进行无人机样地调查时,有可能因为冠幅遮挡等原因带来误判,导致样地内调查株数小于实际调查株数。
序号 Serial number |
树高 Tree height/m |
冠幅 Crown width/m |
胸径 DBH/cm |
坐标 Coordinate | |
X | Y | ||||
1 | 8.2 | 1.6 | 9.7 | 660 497.613 | 3 018 178.758 |
2 | 9.1 | 2.6 | 13.5 | 660 499.041 | 3 018 179.287 |
3 | 8.9 | 2.5 | 13.3 | 660 501.819 | 3 018 179.287 |
4 | 8.9 | 2.4 | 13.0 | 660 504.968 | 3 018 178.625 |
5 | 8.8 | 2.1 | 12.1 | 660 507.005 | 3 018 178.572 |
6 | 8.5 | 2.4 | 13.0 | 660 508.355 | 3 018 178.255 |
7 | 8.5 | 2.6 | 13.5 | 660 510.577 | 3 018 180.133 |
8 | 8.4 | 1.9 | 11.3 | 660 512.562 | 3 018 177.541 |
9 | 8.5 | 2.6 | 13.5 | 660 514.731 | 3 018 179.975 |
10 | 8.3 | 2.4 | 13.0 | 660 520.587 | 3 018 176.082 |
在调查效率方面,本试验所使用的无人机在起飞的一个架次内就可以获取5. 4 km2左右的影像信息,单人操纵仅需0. 5 h即可完成外业调查任务;而传统的外业调查每一块样地均需要2~3 d通过2 h以上时间完成;在内业处理中,影像预处理获取5. 4 km2的DSM所需时间为1 h,其中森林覆盖面积4. 1 km2,单个样地的内业调查时间为1 h,与传统方法时间相近,通过无人机进行森林资源调查,可脱离传统的依靠样地进行的外业调查方法,在获取影像后,可在内业处理中对影像范围内任意区域进行任意次数的调查,调查能力和调查效率高于传统的固定样地调查法。
4 讨论与结论传统森林调查法即样地调查法较耗费人力和时间,单块样地需要2~3人成组,调查时长90~120 min,观测和复查也只能在现场进行,调查结束后将很难再对数据进行检查。无人机外业调查仅需0. 5 h即可快速高效获取大范围的森林影像数据,可提高森林调查的效率,并可以获取影像化的森林调查成果,在内业中可以重复多次对影像内任意样地进行观测。无人机森林样地调查法通过无人机获取地面影像数据生成DSM和DOM进行调查,可以精确获取的因子包括冠幅、树高、面积、株数、密度和郁闭度等。通过试验对比,无人机提取的树高平均相对误差为4. 0%,误差最大的为32号和40号树,误差值为0. 9 m,相对误差分别为7. 0%和6. 8%,而相对误差最大的为11号树,误差为0. 5 m,相对误差为7. 6%;冠幅平均相对误差为4. 9%,误差最大的为10号和11号树,误差值为0. 5 m,相对误差分别为7. 0%和7. 6%,相对误差最大的为28号树,误差0. 3 m,相对误差为9. 1%,满足森林调查要求。通过建立胸径-冠幅回归模型,对无人机无法直接观测的胸径因子进行建模计算,从6个备选模型中,参考评级指标后,选择三次线性模型D=12. 07-5. 41C+3. 38C2-0. 41C3作为最优模型,该模型可用于试验地区其他样地的胸径估测。从本调查过程和结果中看,使用无人机进行森林资源调查还存在一定的问题,一是因为GPS的误差原因,特别是在林冠下GPS的误差往往超过5 m,所以在地面调查进行一对一的匹配常常产生偏差;二是森林资源调查中胸径作为重要因子只能通过建模获取,不能精确测量。在未来的研究中可以考虑使用无人机搭载Lidar尝试进行林冠下的点云获取并提取胸径。
[1] | 尹伟伦. 全球森林与环境关系研究进展[J]. 森林与环境学报, 2015, 35(1): 1–7. |
[2] | 雷相东, 洪玲霞, 陆元昌, 等. 国家级森林资源清查地面样地设计[J]. 世界林业研究, 2008, 21(4): 35–40. |
[3] | SELLERS P J, MINTZ Y, SUD Y C, et al. A simple biosphere model(SiB) for use within general circulation models[J]. Journal of the Atmospheric Sciences, 1986, 43(6): 505–531. DOI:10.1175/1520-0469(1986)043<0505:ASBMFU>2.0.CO;2 |
[4] | 王利辉. 森林资源规划设计调查工作创新与实践分析[J]. 黑龙江科技信息, 2012(7): 239. |
[5] | 周新年, 赖阿红, 周成军, 等. 山地森林生态采运研究进展[J]. 森林与环境学报, 2015, 35(2): 185–192. |
[6] | 舒清态, 唐守正. 国际森林资源监测的现状与发展趋势[J]. 世界林业研究, 2005, 18(3): 33–37. |
[7] | 马茂江, 张文, 万国礼, 等. 德国与我国森林资源调查监测对比分析[J]. 四川林勘设计, 2008(3): 48–49. |
[8] | 王佳, 杨慧乔, 冯仲科, 等. 利用轻小型飞机遥感数据建立人工林特征参数模型[J]. 农业工程学报, 2013, 29(8): 164–170. |
[9] | 曹忠, 巩奕成, 冯仲科, 等. 电子经纬仪测量立木材积误差分析[J]. 农业机械学报, 2015, 46(1): 292–298. DOI:10.6041/j.issn.1000-1298.2015.01.041 |
[10] | 徐伟恒. 手持式超站测树仪研制及功能测试研究[D]. 北京: 北京林业大学, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10022-1014324716.htm |
[11] | 邢浩, 李昀, 潘远明, 等. 一种林业手持式多功能测树仪设计[J]. 传感器与微系统, 2014, 33(1): 78–81. |
[12] | 别强. 基于激光雷达和合成孔径雷达资料的森林参数反演研究[D]. 兰州: 兰州大学, 2013. http://cdmd.cnki.com.cn/Article/CDMD-10730-1014131689.htm |
[13] | GARCÍA M, POPESCU S, RIAÑO D, et al. Characterization of canopy fuels using ICESat/GLAS data[J]. Remote Sensing of Environment, 2012, 123: 81–89. DOI:10.1016/j.rse.2012.03.018 |
[14] | 向安民, 刘凤伶, 于宝义, 等. 基于k-NN方法和GF遥感影像的森林蓄积量估测[J]. 浙江农林大学学报, 2017, 29(3): 406–412. DOI:10.11833/j.issn.2095-0756.2017.03.004 |
[15] | 史洁青, 冯仲科, 刘金成. 基于无人机遥感影像的高精度森林资源调查系统设计与试验[J]. 农业工程学报, 2017, 33(11): 82–90. DOI:10.11975/j.issn.1002-6819.2017.11.011 |
[16] | 赵芳. 测树因子遥感获取方法研究[D]. 北京: 北京林业大学, 2014. http://cdmd.cnki.com.cn/article/cdmd-10022-1014319151.htm |
[17] | 曾伟生, 唐守正. 立木生物量方程的优度评价和精度分析[J]. 林业科学, 2011, 47(11): 106–113. DOI:10.11707/j.1001-7488.20111117 |