一种基于无人机多光谱高重叠度影像的森林林分特征反演方法与流程

本发明属于森林资源管理与保护技术领域，具体涉及一种基于无人机多光谱高重叠度影像的森林林分特征反演方法。

背景技术：

精准的森林林分特征提取，对于森林资源调查，生产力估测及生物多样性研究有重要意义，同时这些信息又可用于掌握森林空间结构及动态变化规律，对于森林可持续生产经营、生态环境建模及维持区域生态平衡提供数据支持。常规的林分特征提取主要依赖于地面调查方法，费时耗力，仅能够获取“点”上的数据，精度不高，且不易于在大面积上进行推广。

近年来基于多光谱高重叠影像技术进行林分特征反演研究为：puliti等2015年在《remotesensing》第8卷上发表的“inventoryofsmallforestareasusinganunmannedaerialsystem”，该研究利用装配了可见和近红外相机的固定翼无人机采集了挪威东南部北方森林的图像，并用地面参考数据拟合林分的lorey′s高(按林分面积对林分高度的贡献加权)、优势木高度、树木株数、胸高断面积和蓄积量的线性模型；vega等2008年在《internationaljournalofremotesensing》第11卷上发表的“mappingcanopyheightusingacombinationofdigitalstereo-photogrammetryandlidar”，该研究利用数字航空摄影测量影响生成数字表面模型，结合根据lidar数据获取的数字地面模型，从而建立冠层高度模型，用于森林冠层高度的测量。以上方法都是基于拼接后的二维影像提取特征，是基于单一的数据源来反演林分特征。

技术实现要素：

发明目的：针对现有技术中的方法存在反演能力弱，反演精度不高的问题，本发明的目的在于提供一种基于无人机多光谱高重叠度影像的森林林分特征反演方法。

技术方案：为了解决上述问题，本发明所采用的技术方案如下：

一种基于无人机多光谱高重叠度影像的森林林分特征反演方法，借助无人机机载多光谱传感器获取高重叠度影像，利用波段组合和植被指数变换获取光谱特征，并利用空中三角测量算法与点云密集匹配算法生成数字点云数据，基于归一化点云数据和光谱数据来提取待测林冠层结构特征变量；最后结合地面实测待测林林分数据和提取的待测林冠层结构特征变量构建多元回归模型，反演待测林林分特征。

优选的，基于无人机多光谱高重叠度影像的森林林分特征反演方法的步骤如下：

(1)借助固定翼无人机搭载的多光谱相机采集高重叠度影像数据，并借助多旋翼无人机搭载的lidar传感器采集lidar原始点云数据；

(2)对点云数据的预处理生成数字高程模型；进一步处理获得归一化点云数据；

(3)对获取的高重叠度影像数据利用波段组合和植被指数变换提取光谱数据；

(4)基于归一化点云数据和光谱数据提取待测林林分冠层结构特征变量百分位高度、各层覆盖度和冠层体积与剖面特征变量；

(5)通过相关性分析筛选特征变量，首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与各林分特征相关性高于0.6的特征变量；

(6)结合地面实测数据，以地面实测林分特征作为因变量，提取的待测林冠层结构特征变量作为自变量，分别构建多元回归模型。

优选的，所述步骤(2)中，点云数据的预处理为：首先去除lidar原始点云数据的噪音点，基于idw滤波算法去除非地面点，然后通过计算每个像元内激光点高度的平均值，生成数字高程模型；

点云数据进一步处理由特征点提取和匹配、空中三角测量、三维点云加密组成，具体为：

(1)通过遥感平台拍摄研究区的数字影像，通过imu实时记录每幅影像的姿态参数；

(2)对获取影像像对的特征点进行特征点匹配，通过光束法进行影像内外方位元素的解析并结合空中三角测量算法生成点云；

(3)在点云加密的基础上，通过加入地面控制点来对点云进行空间位置校正，并通过生成的数字高程模型对点云进行归一化处理，得到归一化点云数据。

优选的，所述数字高程模型的空间分辨率为0.5m。

优选的，所述步骤(4)林分冠层结构特征变量百分位高度、各层覆盖度和冠层体积与剖面特征变量分别为：

百分位高度变量包括4个冠层高度分布百分位数变量：h25、h50、h75、h95，冠层点云分布平均高度以上的覆盖度，冠层点云分布的变异系数；各层覆盖度变量包括点云数量在各百分数高度d3、d5、d7、d9以上的点占所有点云的百分比；冠层体积与剖面特征变量包括：weibull函数对冠层高度分布剖面进行拟合得到2个剖面特征量weibulα和weibullβ；冠层各结构类别的体积所占百分比，包括开放层、透光层、低光层和封闭层四个冠层结构类别。

优选的，所述步骤(6)地面实测数据：记录胸径不小于5cm的单木的树种，并测量胸径、树高和枝下高；胸径采用胸径尺测量，树高和枝下高分别用vertexv超声和激光测高器测量；借助实测的单木信息，汇总得到样地级平均胸径、胸高断面积、lorey′s平均树高、林分密度、蓄积量和地上生物量。

优选的，所述步骤(6)运用逐步回归法选择进入模型的自变量，即在预先给定的f水平下进行显著性检验：

t检验达不到显著水平，即p＞0.1，则予以剔除；

t检验达到显著水平，即p＜0.05，则予以进入。

优选的，所述步骤(6)为了降低自变量之间的相关性，通过主成分分析计算相关关系矩阵得到控制因子k，即最大特征根的平方根与最小特征根的比值，k小于30则模型进一步被选中。

优选的，采用决定系数r²、均方根误差rmse和相对均方根误差rrmse评价回归模型拟合的效果及估测精度：

式中，xi为某林分特征实测值；为某林分特征实测平均值；为某林分特征的模型估测值；n为样地的数量；i为某一个样地。

有益效果：与现有的技术相比，本发明具有的优点包括：

(1)本发明基于无人机平台的激光雷达技术更具有飞行成本低，数据获取便捷高效，可获取高密度点云等优势。

(2)本发明是在获取光谱信息的基础上通过立体摄影测量，从多光谱影像像对中提取三维点云，从而获取林分冠层的光谱信息和结构特征；由于林分特征与森林冠层光谱信息和结构特征有很好地相关性和机理联系，故本发明增强了林分特征反演的能力和精度，与使用其他相近遥感方法进行林分特征反演相比，其决定系数提升了10％以上。

(3)本发明同时运用光谱数据和点云数据，提取多组光谱特征和点云特征，并进行了特征变量优选，从而可以高质量反演林分特征。

(4)本发明不仅有利于特征变量的机理解释，也易于进行方法移植，即可以应用于不同树种的森林类型。

附图说明

图1从上到下分别为航空摄影测量点云条带效果图、激光雷达点云图及航空摄影测量和激光雷达点云叠加效果图；

图2为综合模型预测值与样地实测数据交叉验证散点图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合具体实施例对本发明的具体实施方式做详细的说明。

实施例1

研究区位于江苏省北部地区邳州市铁富镇，其地理位置北纬34°33′49″～34°34′23″，东经118°05′1″～～118°06′06″，属于半湿润温带季风气候；年降雨量约为903mm，最大降雨量集中在7、8月份梅雨季节；年平均温度约为13.9℃，无霜期211天；主要土壤类型为黑粘土壤，呈酸性；本地区银杏大规模种植始于1993年，总面积约5400hm²。

基于无人机多光谱高重叠度影像的森林林分特征反演方法，包括以下步骤：

(1)借助固定翼无人机采集获取的高重叠度航片的三维重建算法生成相对坐标准确的多光谱图像(蓝波段、绿波段、红波段、近红外、红边)和点云，并通过地面控制点(gcps)进行几何校正，并借助多旋翼无人机搭载的激光雷达传感器进行激光雷达数据采集。

(2)点云数据预处理，首先去除lidar原始点云数据的噪音点，基于idw滤波算法去除非地面点，然后通过计算每个像元内激光点高度的平均值，生成数字高程模型(dem)，数字高程模型(dem)的空间分辨率为0.5m。

点云数据的进一步处理由特征点提取和匹配、空中三角测量、三维点云加密组成。首先，通过遥感平台拍摄研究区数字影像，通过imu实时记录每幅影像的姿态参数。然后，获取影像像对的特征点并进行特征点匹配，通过光束法进行影像内外方位元素的解析并结合空中三角测量生成点云。在点云加密的基础上，通过加入地面控制点来对点云进行空间位置校正，并通过生成的数字高程模型对点云进行归一化处理，得到归一化点云数据。航空摄影测量点云条带效果图、激光雷达点云图及航空摄影测量和激光雷达点云叠加效果图如图1所示。由图1可知，通过以上方法获得的林区摄影测量点云结构完整，能够详细记录森林的三维结构信息，因此该摄影测量点云可以用来准确反演森林林分特征。

(3)将数字航空摄影测量影像与处理后的各个波段数据作为原始数据，进行波段组合、多种植被指数变换，提取多个光谱特征变量，包括5个原始单波段特征和18个植被指数特征，5个原始单波段特征是指航空摄影测量记录的红色、绿色、蓝色、红边和近红外这五个原始单波段。其中光谱特征变量已由像元尺度经均值计算转换为样地尺度，各多光谱植被指数如表1所示。

表1各多光谱植被指数

表1中的参考文献为：

[1]y.j.kaufman，d.tanre.atmosphericallyresistantvegetationindex(arvi)foreos-modis[j].ieeetrans.geosci.remotesens.1992，30(2)：261-270.

[2]tuckerc.j.redandphotographicinfraredlinearcombinationsformonitoringvegetation[j].remotesens.environ.1979，8(2)：127-150.

[3]a.r.huete，h.q.liu，k.batchily，w.vanleeuwen.acomparisonofvegetationindicesoveraglobalsetoftmimagesforeos-modis[j].remotesens.environ.1997，59(3)：440-451.

[4]pintyb，verstraetem.m.gemi：anon-linearindextomonitorglobalvegetationfromsatellites[j].plantecol.1992，101(1)：15-20.

[5]gitelsona.a，kaufmany.j，merzlyakm.n.useofagreenchannelinremotesensingofglobalvegetationfromeos-modis[j].remotesens.environ.1996，58(3)：289-298.

[6]roberte.crippen.calculatingthevegetationindexfaster[j].remotesensingofenvironment，1990.34(1)：71-73.

[7]j.a.gamon，j.s.surfus.assessingleafpigmentcontentandactivitywithareflectometer[j].newphytol.1999，143(1)：105-117.

[8]jiaguoqi，a.chehbouni，a.r.huete，y.h.kerr，s.sorooshian.amodifiedsoiladjustedvegetationindex[j].remotesens.environ.1994，48(2)：119-126.

[9]jingmingchen.evaluationofvegetationindicesandamodifiedsimpleratioforborealapplication[j].can.j.remotesens.1996，22(3)：229-242.

[10]d.haboudane，j.r.miller，e.pattey，p.jzarco-tejada，i.strachan.hyperspectralvegetationindicesandnovelalgorithmsforpredictinggreenlaiofcropcanopies：modelingandvalidationinthecontextofprecisionagriculture.remotesens.environ.2004，90(3)：337-352.

[11]j.w.rouse，r.h.haas，j.a.schell，d.w.deering，j.charlan.monitoringthevemaladvancementsandretrogradation(greenwaveefffect)ofnaturevegetation(r).nasa/gsfcfinalreport，nasa：greenbelt，md，usa，1974.

[12]rondeauxg，stevenm，baretf.optimizationofsoil-adjustedvegetationindices[j].remotesens.environ.1996，85(17)，8369-8375.

[13]roujeanj.l，breonf.m.estimatingparabsorbedbyvegetationfrombidirectionalreflectancemeasurements[j].remotesens.environ.1995，51(3)，375-384.

[14]pearsonr.l，millerl.d.remotemappingofstandingcropbiomassandestimationoftheproductivityoftheshortgrassprairie[j].remotesensingofenvironment.1972，45(2)：7-12.

[15]huetea.r.asoiladjustedvegetationindex(savi)[j].remotesensingofenvironment.1988，25(3)：295-309.

[16]c.fjordan.derivationofleafareaindexfromqualityoflightonthheforestfloor[j].ecology1969，50：663-666.

[17]gongp，pur，bigingg.s，larrieum.r.estimationofforestleafareaindexusingvegetationindicesderivedfromhyperionhyperspectraldata[j].ieeetrans.geosci.remotesens.2003，41：1355-1362.

(4)基于归一化点云数据和光谱数据提取冠层结构特征变量，提取三组特征变量，即百分位高度、各层覆盖度和冠层体积与剖面特征变量；1)百分位高度变量包括：冠层高度分布百分位数(h25、h50、h75、h95)，冠层点云分布平均高度以上的覆盖度(ccmean)，冠层点云分布的变异系数(hcv)；2)各层覆盖度：点云数量在各百分数高度(30th、50th、70th、90th，即d3、d5、d7、d9)以上的点占所有点云的百分比；3)冠层体积与剖面特征变量：weibull函数对冠层高度分布剖面进行拟合得到2个剖面特征量α，β(即weibullα和weibullβ)；冠层各结构类别体积占比，包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比(即opengap、oligophotic、euphotic、closedgap)。

(5)通过相关性分析筛选特征变量，即首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与各林分特征相关性高于0.6的特征变量。

(6)根据历史森林资源调查数据和前期获取的卫星遥感影像数据在银杏人工林核心分布区内选取了5块1×1km的正方形大样地，然后在5个样地内按照典型选样的方法设置9块半径为15m的圆形小样地，样地的中心位置通过trimblegeoxh6000handhelds手持gps定位(结合jscros广域差分系统)进行定位，精度优于0.5m。样地调查过程中，对于胸径大于5cm的单木，逐一测定其胸径(胸径尺量测)、树高和枝下高(vertexv超声波和激光测高器量测)。借助实测的单木信息，汇总得到样地级林分特征，即平均胸径、胸高断面积、lorey′s平均树高(以每棵树的胸高断面积为权重，加权求和得到的平均树高)、林分密度、蓄积量和地上生物量。

将地面实测林分特征作为因变量，提取的冠层结构特征变量作为自变量，建立多元回归模型。运用逐步回归法选择进入模型的变量，即在预先给定的f水平下进行显著性检验，如果t检验达不到显著水平(p＞0.1)，则予以剔除；t检验达到显著水平(p＜0.05)则予以进入。为了降低自变量之间的相关性，本方法通过主成分分析计算相关关系矩阵得到控制因子k(即最大特征根的平方根与最小特征根的比值)，k小于30则模型进一步被选中。本方法采用决定系数(r²)、均方根误差(rmse)和相对均方根误差(rrmse)评价回归模型拟合的效果及估测精度：

式中xi为某林分特征实测值；为某林分特征实测平均值；为某林分特征模型估测值；n为样地的数量；i为某一个样地。

各林分结构参数估测模型及模型预测精度见表2，由表2可知各林分结构参数估测模型总体精度较高(r²＝0.27-0.94，rrmse＝34.60-5.86％)，dap模型精度普遍高于多光谱模型。同时，集成点云和光谱特征的综合模型能够提升胸高断面积、蓄积量等林分特征的反演精度。因此，本方法对森林林分特征反演具有较高的精度，同时通过集成摄影测量影像及点云信息能够实现森林林分特征反演精度的进一步提升。

表2基于参数模型各林分特征反演交叉验证结果

综合模型预测值与样地实测数据交叉验证见图2。由图2可知，综合模型的模型预测结果与地面实测各林分特征较为接近。因此，本方法可以准确地对胸径、蓄积量等森林林分特征进行估算。