一种森林地上生物量的测量系统及测量方法与流程

本发明涉及植被生态学研究领域，尤其涉及一种森林地上生物量的测量系统及测量方法。

背景技术：

生物量是指一个有机体或群落在一定时间内积累的有机质总量。

森林生物量(forestbiomass)包括林木的生物量(根、茎、叶、花果、种子和凋落物等的总重量)和林下植被层的生物量。通常以单位面积或单位时间积累的干物质量或能量来表示。

森林群落的生物量是森林生态系统生产力的最好的指标，是森林生态系统结构优劣和功能高低的最直接的表现，是森林生态系统环境质量的综合体现。森林通过吸收大气中的碳来增加生物量，而树干生物量通常占地上生物量的70％以上(zengetal.2012)，所以估算树干生物量对森林碳储量的计算至关重要。

在现有技术中，植物的地上生物量一般是通过样地调查或卫星遥感估算。

样地调查是通过破坏性地取样测得植物地上生物量，或者是测量一个或多个变量，如胸径和树高，然后将树伐倒，切割各部分，分别称其重量，通过建立相关生物量方程得出(niklaskj(1994)，plantallometry.thescalingofformandprocess，universityofchicagopress.chicago)。

在样地上测量林木参数，包括测量林木的胸径和树高，看起来可靠，但是对样地尺度进行调查工作量大，极耗时费力，操作过程损失造成的误差也很大，对大型树木十分困难，而且对森林群落造成的破坏很大。

即使获得精确的测定结果，由于群落空间异质性的关系，以一个样地测定的数据代表整个群落或小流域的生物量，也存在很大的不确定性。

随着遥感技术的出现和快速发展，多元化的遥感数据适应于各种尺度上森林生物量估算，但是通过遥感数据无法提取准确的树冠轮廓，因此卫星遥感在单木水平上的应用还存在困难。

为了提高森林地上生物量的监测和评估水平，有必要建立针对单木地上生物量的测量方法。

另外，激光雷达在森林调查上的应用日渐突出，主要表现在对森林单木特征的直接测量，如高度。但是，由于树冠一般呈圆形而没有比较明显的顶端，让激光雷达难以识别。相比遥感，激光雷达设备及其数据的预处理费用远远超过研究者的预算范围，限制了激光雷达在森林调查中的广泛应用。因此，在森林调查中迫切需要低成本的，能够准确获取森林基本信息的方法。

传统的生物量调查方法需要进行详细的样地调查，耗费大量的人力物力，并且有些地区由于地形险恶、交通不便等原因人力所不及，无法完成调查。如何进一步提高大尺度生物量的估算精度，是当前生态学研究的热点和难点之一。

由于上述原因，本发明人对现有的获得森林地上生物量的方法进行了深入研究，以便设计出一种快速精确，操作性强，成本较低的森林地上生物量测量系统和测量方法，该测量系统和测量方法不仅能评估森林整体的地上生物量，还能评估单木的地上生物量和胸径，有助于森林调查和管理。

技术实现要素：

为了克服上述问题，本发明人进行了锐意研究，设计出一种森林地上生物量的测量系统和测量方法，该方法操作简单，成本较低，结果精确。

具体来说，本发明的目的在于提供以下方面：

第一方面，一种森林地上生物量的测量系统，其特征在于，该系统包括树冠影像获取子系统01和数据处理子系统02；

所述树冠影像获取子系统01用于获取目标位置上的森林树冠影像，和/或

数据处理子系统02用于处理所述森林树冠影像，进而获得每棵林木的地上生物量和林地的整体地上生物量。

第二方面，根据第一方面所述的测量系统，其特征在于，树冠影像获取子系统01包括飞行平台011、地面控制平台012和影像获取平台013，

其中，所述飞行平台011是飞行器，优选包括飞行控制模块0111、全球定位模块0112、数据传输模块0113、驱动模块0114、电源模块0115和拍摄模块0116，更优选地，飞行平台011为无人机系统，

地面控制平台012用于控制飞行平台01，

影像获取平台013用于获取目标位置上的森林树冠影像。

第三方面，根据第一方面所述的测量系统，其特征在于，数据处理子系统02包括影像拼接模块021和轮廓勾勒模块022，

影像拼接模块021用于对树冠影像获取子系统01获得的树冠影像做拼接处理，将多幅影像拼成一幅完整的影像，

轮廓勾勒模块022用于勾勒每棵林木的树冠轮廓，进而获得每棵林木的树冠面积，并且统计林木的数量。

第四方面，根据第一方面所述的测量系统，其特征在于，数据处理子系统02还包括数据处理模块023，该数据处理模块023用于获得每棵林木的地上生物量和森林的整体地上生物量，其中，单棵林木的地上生物量通过树冠面积获得，林地的整体地上生物量通过每棵林木的生物量相加获得。

第五方面、根据第四方面所述的测量系统，其特征在于，数据处理模块023通过下式(2)获得单棵林木的地上生物量，

其中，a2、b2为数据回归相关系数，c代表单棵林木的树冠面积，e(a)代表单棵林木的地上生物量。

第六方面、根据第三方面所述的测量系统，其特征在于，

轮廓勾勒模块022通过树冠影像的颜色特征、亮度特征和树冠纹理特征勾勒单棵林木的树冠轮廓。

第七方面、一种森林地上生物量的测量方法，其特征在于，该方法包括以下步骤：

步骤1)：测量第一森林样地上每棵林木的胸径，并通过飞行器获得第一森林样地上每棵林木的树冠面积；

步骤2)：通过统计，获得第一森林样地上林木的胸径-树冠面积回归方程，并根据地上生物量-胸径关系式，得到地上生物量-树冠面积回归方程；

步骤3)：通过飞行器获得待预测第二森林样地上每株林木的树冠面积，其中待预测第二森林样地中的林木种类与第一森林样地中林木种类相同；

步骤4)：根据步骤2)得到的地上生物量-树冠面积回归方程，获得待预测第二森林样地上每棵林木的地上生物量，进而获得第二森林样地的整体地上生物量。

第八方面、根据第七方面所述的方法，其特征在于，在步骤1)和4)中，获得每棵林木树冠面积通过包括下子步骤的过程进行：

子步骤1.1)：设定飞行器的参数，包括飞行路径、飞行高度和拍摄间隔；

子步骤1.2)：利用所述飞行器获得多幅森林样地的树冠影像；

子步骤1.3)：对所述多幅森林树冠影像进行拼接和勾勒处理，获得森林样地上每棵林木的树冠面积。

第九方面，根据第八方面所述的方法，其特征在于，所述拼接是将多幅森林样地的树冠影像拼接在一起获得一幅完整的影像，

所述勾勒是指在所述完整的影像上勾勒树冠轮廓获得每棵林木的树冠面积，

优选地，通过所述完整的影像的颜色特征、亮度特征和树冠纹理特征，在所述完整的影像上勾勒单棵林木的树冠轮廓。

第十方面，根据第七至第九方面之一所述方法，其特征在于，步骤2)中，

第一森林样地上林木的胸径-树冠面积回归方程如下式(1)所示：

其中，a1、b1为数据回归得到的相关系数，c代表通过飞行器获得的单棵林木的树冠面积，e(d)代表实地测量的单棵林木的胸径；

地上生物量-胸径关系式如式(4)所示：

其中，a3、b3为数据回归相关系数，d为单株林木的胸径，e(a)代表单棵林木的地上生物量；

地上生物量-树冠面积回归方程如式(2)所示：

其中，a2、b2为数据回归相关系数，c代表单株林木的树冠面积，e(a)代表单棵林木的地上生物量。

本发明所具有的有益效果包括：

(1)快速有效，操作性强，适用范围广；

(2)可以实现无破坏性估计，对于估计群落或景观尺度生物量则可以达到较高的精度；

(3)不需要花费大量的人力物力，成本较低；

(4)能够用于监测森林单木信息，如单木的树冠面积、胸径；

(5)有利于森林调查和管理，有助于评估其生态功能，为森林碳储量的估算提供准确数据来源；

(6)有助于推广无人机技术在林业调查上的广泛使用。

附图说明

图1示出根据本发明一种优选实施方式的森林地上生物量的测量系统的结构示意图。

图2示出根据本发明一种优选实施方式的飞行平台的结构示意图。

图3示出根据本发明一种优选实施方式的森林地上生物量的测量方法的流程图。

图4示出根据本发明一种优选实施方式的获得森林样地上每棵林木树冠面积的步骤流程图。

图5-a、5-b、5-c、5-d和5-e示出根据本发明一种优选实施方式的无人机拍摄的森林树冠影像图。

图6示出无人机获得的第一冷杉样地树冠影像。

图7示出第一冷杉样地树冠轮廓图。

图8示出无人机获得的第二冷杉样地树冠影像。

图9示出第二冷杉样地树冠轮廓图。

图10示出第二冷杉样地中的胸径预测值与实测值关系比较。

图11示出第二冷杉样地中的地上生物量预测值与实测值关系比较。

附图标号说明：

01-树冠影像获取子系统

02-数据处理子系统

011-飞行平台

012-地面控制平台

013-影像获取平台

021-影像拼接模块

022-轮廓勾勒模块

023-数据处理模块

0111-飞行控制模块

0112-全球定位模块

0113-数据传输模块

0114-驱动模块

0115-电源模块

0116-拍摄模块

具体实施方式

下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在本发明中，技术术语“e(d)”与“d”均为森林样地单棵林木的胸径。

在本发明中，技术术语“树冠面积”是指树冠在垂直方向上的投影面积。

根据本发明优选的一种森林地上生物量的测试系统，如图1所示，该系统包括树冠影像获取子系统01和数据处理子系统02。

所述树冠影像获取子系统01用于获取目标位置上的森林树冠影像，

并且，所述树冠影像获取子系统01包括飞行平台011、地面控制平台012和影像获取平台013，

其中，飞行平台011是能够飞离地面，在空间飞行并且能被控制的飞行器。如图2所示，飞行平台011包括飞行控制模块0111、全球定位模块0112、数据传输模块0113、驱动模块0114、电源模块0115和拍摄模块0116，更优选地，飞行平台011为便携式无人机系统；

地面控制平台012用于控制飞行平台011的飞行高度、飞行速度，并且，指引飞行平台011飞往目标位置上空，

影像获取平台013用于获取目标位置上的森林树冠影像。

数据处理子系统02用于处理所述森林树冠影像，进而获得单棵林木的地上生物量和林地的整体地上生物量，

并且，所述数据处理子系统02包括影像拼接模块021、轮廓勾勒模块022和数据处理模块023，

其中，影像拼接模块021用于对树冠影像获取子系统01获得的树冠影像做拼接处理，将多幅影像拼成一幅完整的影像，

轮廓勾勒模块022用于勾勒单棵林木的树冠轮廓，进而获得单棵林木的树冠面积，并且统计林木的数量，

数据处理模块023用于获得单棵林木的地上生物量和森林的整体地上生物量，其中，单棵林木的生物量通过其树冠面积获得，林地的整体生物量通过每棵林木的生物量相加获得。

在一个优选的实施方式中，轮廓勾勒模块022通过树冠影像的颜色特征、亮度特征和树冠纹理特征勾勒单棵林木的树冠轮廓。在一个优选的实施方式中，如图5-a、5-b和5-c所示，其中，图5-b是图5-a中a部分的放大图，通过颜色、亮度和预设的碎片化程度将图5-b分割成若干块碎片，得到图5-c，然后去除图5-c中的林窗获得图5-d，图中紫色线包围的黑色区域即为林窗，其中林窗可根据亮度确定，例如当碎片亮度低于设定值75时即认为该碎片为林窗，然后通过颜色、亮度和树冠纹理勾勒单棵林木的树冠轮廓，进而获得单棵林木的树冠面积，如图5-d中所示，一条红线圈起的区域为一棵林木的树冠轮廓。

数据处理模块023通过下式(2)获得单棵林木的地上生物量，

其中，a2、b2为数据回归相关系数，c代表单株林木的树冠面积，e(a)代表单株林木的地上生物量。

根据本发明优选的一种森林地上生物量的测量方法，如图3所示，优选采用所述的测量系统进行测量，该方法包括以下步骤：

步骤1)：测量第一森林样地上每株林木的胸径，并通过飞行器获得第一森林样地上每株林木的树冠面积；

优选的，如图4所示，获得每棵林木树冠面积通过包括下子步骤的过程进行：

子步骤1.1)：设定飞行器的参数，包括飞行路径、飞行高度和拍摄间隔，

优选地，所述飞行器为无人机系统，所述无人机系统包括飞行控制模块0111、全球定位模块0112、无线数据传输模块0113、驱动模块0114、电源模块0115和拍摄模块0116。

子步骤1.2)：利用无人机系统获得多幅森林样地的树冠影像；

子步骤1.3)：对所述多幅森林树冠影像进行拼接和勾勒处理，获得森林样地上每棵林木的树冠面积。

无人机的飞行可以通过远程操控，也可以在路点导航系统以及全球定位系统的支持下自主飞行。启动无人机系统之前，设定无人机的航路，无人机起飞后进入自主飞行模式。

优选的，无人机的飞行高度设置为400米，无人机的拍摄间隔为2秒。

优选的，所述无人机系统的拍摄模块，获取jpeg格式的真彩色影像，1603万像素。

优选的，利用无人机系统获取森林树冠影像时，选择多云天气。当天气晴朗时，大的树冠会在小树冠上方形成阴影，使小的植物完全位于或者部分位于其阴影之中，给勾勒树冠轮廓带来困难，造成数据不准确。因此，选择多云天气利用无人机系统获取森林树冠影像不会产生阴影，获得的数据准确可靠。

本发明中，由于无人机的拍摄间隔为2秒，因此无人机拍摄的影像重叠率高于90％，因而在本发明中，利用无人机数据处理软件，选取重叠率为80％的无人机拍摄的影像做拼接处理，优选的，利用全自动快速无人机数据处理软件pix4d选取重叠率为80％的无人机拍摄的影像做拼接处理，获得一幅完整的影像。并且，为了避免边缘畸变，获得的完整的影像仅选取了影像正射部分。

优选的，对照子步骤1.3中获得的数据，实地测量第一森林样地上林木的胸径。

步骤2：通过统计，获得第一森林样地上林木的胸径-树冠面积回归方程，并根据生物量-胸径关系式，得到地上生物量-树冠面积回归方程；

每棵林木的地上生物量e(a)可以表示为其胸径d、树高h或者木材密度s的函数，如下式(3)所示：

e(a)＝f(d，h，s)(3)

由于式(3)中变量个数的增加对提高林木的地上生物量的估算精度的贡献不大，同时变量个数的增加加重了研究人员的工作量，而且研究显示林木的胸径与其树冠面积具有显著的相关性(hallatel1989；pretzschanddieler,2012)，因此可以利用树冠面积估算胸径，再通过胸径估算地上生物量。

因此，在本发明中胸径-树冠面积回归方程如下式(1)所示，地上生物量-树冠面积回归方程如下式(2)所示，

其中，a1、a2、b1、b2分别为数据回归相关系数，c代表通过无人机系统获得的单棵林木的树冠面积，e(d)代表实地测量的单棵林木的胸径，e(a)代表单棵林木的地上生物量，

而林木地上生物量-胸径关系式如下式(4)所示：

其中，a3、b3分别为数据回归相关系数，d代表实地测量的单棵林木的胸径，e(a)代表单棵林木的地上生物量。

如式(4)所示的，林木地上生物量-胸径关系式通过实际采树法：将一定面积上的林木，测量其胸径，逐个的伐倒后分段烘干，测定其各部分(树干、枝、叶、果等)的干重，将各部分的重量合计，即为单棵树木的地上生物量。

步骤3)：通过飞行器获得待预测第二森林样地上每株林木的树冠面积，其中待预测第二森林样地中的林木种类与第一森林样地中林木种类相同；

重复子步骤1.1至子步骤1.3，获得待预测第二森林样地上林木的树冠面积。

步骤4)：根据得到式(2)所示的地上生物量-树冠面积的回归方程，获得待预测第二森林样地上每株林木的地上生物量，进而获得第二森林样地的整体地上生物量。

实施例

以下通过范例性实施例进一步描述本发明。

为了验证本发明在利用树冠面积获得胸径和地上生物量是有效的，首先通过第一森林样地建立回归方程，包括：通过无人机获取森林树冠影像，对所述影像进行拼接和勾勒处理获得每棵林木的树冠面积，实地测量林木的胸径，建立如式(1)所示的胸径-树冠面积回归方程；通过胸径-树冠面积回归方程以及由已知的地上生物量-胸径回归方程建立如式(2)所示的树冠面积-地上生物量方程。然后利用建立的式(1)和式(2)分析第二森林样地的地上生物量和胸径，其中，第二森林样地中的林木种类与第一森林样地中林木种类相同。

将通过本发明获得的第二森林样地的地上生物量和胸径与实测的第二森林样地地上生物量和胸径分别进行t检验，计算皮尔森系数pcc，使用均方根误差rmse、相对均方根误差rrmse、偏差bias和相对偏差rbias进行评价。

皮尔森相关系数是一种线性相关系数，是用来反映两个变量线性相关程度的统计量。皮尔森相关系数的绝对值越大表明两个变量相关性越强。

t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。

异质性是指生态学过程和格局在空间分布上的不均匀性及其复杂性。群落的环境不是均匀一致的，空间异质性的程度越高，意味着有更加多样的小生境，所以能允许更多的物种共存。

研究区概况

四川省王朗自然保护区位于四川省西北部的平武县。本研究区地处岷山山系地带，青藏高原东缘，地势西北高、东南低，属于深切割型山地。海拔高度2300-4980米，属于丹巴-松潘半湿润气候区。岷江冷杉是该区分布最广、蓄积量最大的针叶森林。

基于样地实地测量的可能性，选取两块能够完整描述当地冷杉的生长和分布情况的样地作为实验样地，两块样地的面积分别为32m×32m，无人机的飞行高度设置为400米，拍摄间隔为2秒，实验在2014年6月进行，实验当天阴天，风速小于3m/s。

步骤1：测量第一冷杉样地上每棵冷杉的胸径，并通过飞行器获得第一冷杉样地上每棵冷杉的树冠面积；

无人机共获取森林树冠影像222张，由于拍摄间隔为2秒，许多森林树冠影像的重叠率高于90％。利用pix4d无人机数据处理软件，选取重叠率为80％的影像做拼接处理，获得完整的森林影像。为了避免边缘畸变，对拼接好的森林树冠影像仅选取影像正射部分。

利用arcgis软件，在所述完整的森林树冠影像上根据颜色、亮度和树冠纹理勾勒每棵冷杉的树冠轮廓，每棵冷杉的树冠面积由软件直接算出。

无人机拍摄的第一冷杉样地的树冠影像如图6所示。

在完整的第一冷杉样地树冠影像上勾勒树冠轮廓如图7所示。

结合森林树冠影像获取的数据，实地测量冷杉的胸径，形成属性表1，如下所示：

属性表1：

步骤2：通过统计，获得第一森林样地上林木的胸径-树冠面积回归方程，并根据生物量-胸径关系式，得到地上生物量-树冠面积回归方程；

本实验中，第一冷杉样地地上生物量-胸径方程为e(a)＝0.0405d^2.5680(5)。

通过属性表1获得第一冷杉样地胸径-树冠面积回归方程为e(d)＝12.874c^0.435(6)。

通过方程(5)和方程(6)获得第一冷杉样地地上生物量-树冠面积回归方程为

e(a)＝28.652c^1.118(7)。

步骤3：通过飞行器获得待预测第二冷杉样地上每棵冷杉的树冠面积；

无人机拍摄的第二冷杉样地的树冠影像如图8所示。

在完整的第二冷杉样地树冠影像上勾勒树冠轮廓如图9所示，并根据式(6)获得其胸径，形成属性表2，如下所示。

表2：

步骤4：根据方程(7)所示的地上生物量-树冠面积的回归方程，获得如表3所示的第二冷杉样地上每棵冷杉的地上生物量，和第二冷杉样地的整体地上生物量。

表3：

将通过本发明获得的第二冷杉样地的胸径和地上生物量与样地调查值进行t检验，计算皮尔森系数pcc，使用均方根误差rmse，相对均方根误差rrmse，偏差bias，相对偏差rbias进行评价：

其中，yi为样地调查值，为模型估算值，为样地调查的平均值，n为样本数。

皮尔森系数pcc分析得出，通过胸径-树冠面积回归方程(6)和地上生物量-树冠面积回归方程(7)获得的第二冷杉样地的胸径和地上生物量与实测值有很强的相关性。t检验显示，胸径-树冠面积回归方程获得的胸径平均值的偏差为-0.39cm，是实测值的1.75％，地上生物量-树冠面积回归方程获得的地上生物量平均值的偏差为-13.82kg，是胸径估算值的9.26％。并且，胸径-树冠面积回归方程与地上生物量-树冠面积回归方程偏差皆不显著，且皮尔森系数为0.892和0.915，说明两个回归方程在预测胸径和地上生物量上是准确有效的，具体如表4-5所示，所述胸径估算值和地上生物量估算值为通过本发明提供的测量系统获得的。

表4：第二冷杉样地中胸径实测值与估算值检验结果

表4：第二样地中地上生物量实测值与估算值检验结果

图10直观地显示出胸径估算值和实测值的对比结果，图11直观地显示出通过无人机估算地上生物量和通过实测的胸径估算地上生物量的结果，散点越接近虚线部分，说明估算越准确。

以上结合了优选的实施方式和实施例对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。