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。

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.)。

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。

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。

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。

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。

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。

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。

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。

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。