基于无人机遥感的云南松林冠参数提取研究.pdf

西北林学院学报2 0 2 4,3 9(1):1-9J o u r n a l o f N o r t h w e s t F o r e s t r y U n i v e r s i t y d o i:1 0.3 9 6 9/j.i s s n.1 0 0 1-7 4 6 1.2 0 2 4.0 1.0 1基于无人机遥感的云南松林冠参数提取研究 收稿日期:2 0 2 2-1 1-0 1 修回日期:2 0 2 3-0 5-0 6 基金项目:国家自然科学基金(3 2 1 6 0 4 0 5);云南省“万人计划”人才培养项目(YNWR-QN B J-2 0 1 8-3 3 4)。第一作者:杨安蓉。研究方向:“3 S”技术在林业中的应用。E-m a i l:1 5 2 0 1 9 1 7 5 3q q.c o m*通信作者:张 超,教授,博士,博士生导师。研究方向:森林经理学。E-m a i l:4 2 6 6 8 6 0 0q q.c o m杨安蓉,张 超*(西南林业大学 林学院,云南 昆明 6 5 0 2 2 4)摘 要:以滇中地区典型天然云南松纯林为对象,结合无人机遥感影像获取和外业标准地调查,利用传统目视解译、多尺度分割和分水岭分割方法进行单木冠幅和郁闭度2个林冠参数的提取研究。结果表明,以地面实测数据为参考,3种单木分割方法的冠幅提取精度分别达9 1.4 8%、8 7.3 3%、8 4.0 4%;以目视解译结果为参考,多尺度分割方法提取郁闭度的精度达9 0.2 4%,且决定系数(R2)达0.8 8 4 5;分水岭分割方法提取郁闭度的精度达8 7.4 0%,R2达0.7 4 3 7。研究结果表明,基于无人机遥感影像的多尺度分割方法能很好地提取云南松纯林的林冠参数信息,且提取精度满足森林资源调查的要求,可有效提高森林资源调查的效率。关键词:林冠参数;无人机遥感;目视解译;多尺度分割;分水岭分割;云南松中图分类号:S 7 5 7.2 5 7 文献标志码:A 文章编号:1 0 0 1-7 4 6 1(2 0 2 4)0 1-0 0 0 1-0 9P a r a m e t e r E x t r a c t i o n o f P i n u s y u n n a n e n s i s C a n o p y B a s e d o n UAV R e m o t e S e n s i n gY A N G A n-r o n g,Z H A N G C h a o*(S o u t h w e s t F o r e s t r y U n i v e r s i t y,K u n m i n g 6 5 0 2 2 4,Y u n n a n,C h i n a)A b s t r a c t:T a k i n g t h e t y p i c a l n a t u r a l P i n u s y u n n a n e n s i s p u r e f o r e s t i n c e n t r a l Y u n n a n a s t h e r e s e a r c h o b-j e c t,c o m b i n e d w i t h u n m a n n e d a e r i a l v e h i c l e(UAV)r e m o t e s e n s i n g i m a g e a c q u i s i t i o n a n d f i e l d s t a n d a r d s u r v e y,t h e t r a d i t i o n a l v i s u a l i n t e r p r e t a t i o n,m u l t i-s c a l e s e g m e n t a t i o n a n d w a t e r s h e d s e g m e n t a t i o n m e t h o d s w e r e u s e d t o e x t r a c t t h e t w o c a n o p y p a r a m e t e r s o f s i n g l e t r e e c r o w n a n d c a n o p y d e n s i t y.B a s e d o n t h e g r o u n d m e a s u r e d d a t a,t h e r a t e s o f c r o w n e x t r a c t i o n a c c u r a c y o f t h e t h r e e s i n g l e t r e e s e g m e n t a t i o n m e t h o d s w e r e 9 1.4 8%,8 7.3 3%a n d 8 4.0 4%,r e s p e c t i v e l y.T a k i n g t h e v i s u a l i n t e r p r e t a t i o n r e s u l t s a s a r e f e r e n c e,t h e a c c u r a c y o f m u l t i-s c a l e s e g m e n t a t i o n m e t h o d t o e x t r a c t c a n o p y d e n s i t y w a s 9 0.2 4%,a n d R2 w a s 0.8 8 4 5.T h e a c c u r a c y o f c a n o p y d e n s i t y e x t r a c t e d b y w a t e r s h e d s e g m e n t a t i o n m e t h o d w a s 8 7.4 0%,a n d R2 w a s 0.7 4 3 7.T h e r e s u l t s i n d i c a t e t h a t t h e m u l t i-s c a l e s e g m e n t a t i o n m e t h o d b a s e d o n UAV r e m o t e s e n s i n g i m a g e c a n e x t r a c t t h e c a n o p y p a r a m e t e r i n f o r m a t i o n o f P.y u n n a n e n s i s p u r e f o r e s t w e l l,a n d t h e e x t r a c t i o n a c c u r a c y m e e t s t h e r e q u i r e m e n t s o f f o r e s t r e s o u r c e s u r v e y,w h i c h c a n e f f e c t i v e l y i m p r o v e t h e e f f i c i e n c y o f f o r e s t r e s o u r c e s u r v e y.K e y w o r d s:f o r e s t c a n o p y p a r a m e t e r s;UAV r e m o t e s e n s i n g;v i s u a l i n t e r p r e t a t i o n;m u l t i-s c a l e s e g m e n t a-t i o n;w a t e r s h e d s e g m e n t a t i o n;P i n u s y u n n a n e n s i s 树冠是树木进行呼吸和光合作用的重要场所,冠幅作为树冠结构的重要特征因子,可直接影响树木的生产力和生命力。诸多研究表明,树冠能很好地预测林分蓄积量1-3。近年来,传统树冠分割技术分割不稳定、识别率低等问题不断暴露,树冠的探测和分割方法呈现出多维化、智能化的发展趋势。由于不同森林类型的复杂性,任何一种树冠信息提取方法都不可能适用于所有立地环境内的林分,因此,更精确高效的树冠信息提取方法有待进一步研究发掘。进入2 1世纪以来,无人机遥感技术作为一种新型数据获取手段,为快速、高效、准确获取森林结构参数信息提供了重要技术支撑,在森林资源调查等领域已有初步探索4,研究发现,无人机遥感技术可实现森林结构参数的信息提取5-7,既满足现代森林经营的需求,亦能提升调查效率,为森林资源数据更新提供重要保障。通过无人机获取的数据包含了丰富的信息,如何有效地通过数字图像处理技术进行兴趣信息提取,并筛选研究所需的林分调查因子,是目前无人机遥感技术在森林资源调查与监测领域中的重点和难点。目前,面向对象的分类方法已成为高分遥感影像分析的主流方式8,该方法有3个优势,一是可利用纹理特性、空间特征和邻域信息轻松地将光谱特征相似而类型不同的影像区分开来;二是能构建多尺度网络层次,为分类提供上下文拓扑关系信息,有利于信息的精确提取9;三是将分割后的对象作为信息提取和分析的基本单元,分类结果有良好的整体性,可有效减少“椒盐现象”的产生1 0。但在提取森林结构参数时由于没有考虑高度因素,该法往往会将灌草错误识别为树冠,给冠幅信息提取造成一定干扰。林分冠层高度模型(c a n o p y h e i g h t m o d e l,CHM)消除了地形起伏变化对数字表面模型中地表高层信息的影响,能反映林木高度和冠层的空间分布状态,有效减少灌草的影响,因此常用于反演冠幅、树高、郁闭度、蓄积量、生物量等森林参数1 1-1 3。本研究采用传统调查方法结合无人机遥感技术,以云南松(P i n u s y u n n a n e n s i s)纯 林林分为对象,采用传统目视解译,基于面向对象的多尺度分割方法及CHM的分水岭分割方法,对无人机影像进行单木林冠参数的精准提取,并进行精度评价和分析,借此探索森林结构参数的遥感估测方法,为利用无人机遥感技术进行单木尺度的云南松蓄积量估测提供理论依据和技术支撑。1 研究区概况研究区位于云南省昆明市富民县罗免乡(1 0 2 2 0 4 6 -1 0 2 2 9 1 4 E、2 5 1 6 2 1 -2 5 2 5 2 6 N)。为典型 的 低 纬 度 亚 热 带 高 原 季 风 气 候,总 面 积 约1 5 0 h m2,最高海拔2 3 0 6 m,最低海拔2 0 1 9 m,地势较为平坦。气候条件良好,有利于林木的生长发育。主要 乔 木 树 种 有 云 南 松、栎 类、桤 木(A l n u s c r e m a s t o g y n e)、桉 树(E u c a l y p t u s r o b u s t a)和 杏(A r m e n i a c a v u l g a r i s)等。其中,云南松林分以天然纯林为主,多数林木树冠间不相连,视线通透良好。研究区地理位置见图1。图1 研究区地理位置F i g.1 G e o g r a p h i c a l l o c a t i o n o f t h e s t u d y a r e a2 材料与方法2.1 标准地调查依据标准地的选择和设置原则,结合研究区现状,选择未受或少受人为干扰的天然云南松纯林林分。设置 方形标准地(共5 4个)大 小 为2 5 m2 5 m,面积为0.0 6 2 5 h m2。依据森林资源规划设计调查技术规定,按郁闭度划分为3个等级:级2西北林学院学报3 9卷 2 0个(0.2 00.3 9)、级1 8个(0.4 00.6 9)、级1 6个(0.7 0以上)。采用实测法调查标准地内所有活立木的胸径、树高、最长冠幅、最短冠幅,并对每木进行精确定位。共有8 4 9株样木,将立木树冠近似视作椭圆,长冠幅和短冠幅分别视为椭圆的长轴和短轴,计算林木的平均冠幅。CW=CW1+CW22(1)式中:CW为平均冠幅;CW1为长冠幅;CW2为短冠幅。处理得到的数据概况见表1。表1 样地数据汇总T a b l e 1 S a m p l e p l o t d a t a s u mm a r y t a b l e变量数量最小值最大值平均值标准差变异系数(%)郁闭度5 4个标准地0.2 10.7 10.4 30.1 12 6.5 3密度/(株h m-2)5 4个标准地9 6.0 05 1 2.0 02 5 0.9 68 6.4 63 4.4 5胸径/c m8 4 9株2.6 04 1.9 02 0.8 26.4 43 0.9 3树高/m8 4 9株1.5 22 2.3 08.2 32.9 13 5.3 5长冠幅/m8 4 9株1.5 01 4.6 06.0 81.7 82 9.3 1短冠幅/m8 4 9株0.2 08.9 23.9 01.5 13 8.7 3平均冠幅/m8 4 9株1.3 09.9 24.9 91.5 13 0.1 72.2 无人机影像获取与处理标准地设置完成后,利用大疆P h a n t o m 4 p r o四旋翼无人机搭载单镜头可见光传感器获取无人机遥感影像,根据研究区现状和技术方案,规划设计飞行航线(完全覆盖样 地)。利用 目 前 广 泛 应 用 的P i x 4 Dm a p p e r、M e n c i A P S和P h o t o S c a n 3无人机影像处理软件对原始影像数据进行预处理,获取研究区 的 数 字 正 射 影 像(d i g i t a l o r t h o p h o t o m a p,D OM)、数 字 表 面 模 型(d i g i t a l s u r f a c e m o d e l,D S M)、数 字 地 面 模 型(d i g i t a l t e r r a i n m o d e l s,D TM)、三维点云和精度报告等1 4,对3款软件的处理 结 果 对 比 择 优,发 现A P S软 件 处 理 得 到 的D OM影像清晰、颜色对比鲜明,几何形变程度较小,能明 显区分出林 冠区与非林 冠区,因此选 择A P S软件的预处理结果作为林冠参数提取的基础数据。利用L i D A R 3 6 0软件对原始点云数据进行剪裁、去噪后,利用改进的渐进加密三角网滤波算法1 5对点云进行地面点分类,利用不规则三角网插值法对分类后的点云进行空间插值1 6生成D S M和D EM,最终处理得到CHM,并根据D EM对点云进行归一化处理(图2)。2.3 林冠参数提取2.3.1 传统目视解译方法 目视解译(v i s u a l i n-t e r p r e t a t i o n)是遥感图像解译的一种技术手段1 7,在冠幅提取中精度较高但比较费时费力。本研究在D OM基础上,分析其形、色、位特点,把握解译特征,结合研究区解译标志,对地物进行目视解译,手动勾绘云南松单木树冠轮廓。2.3.2 基于面向对象的多尺度分割方法 2.3.2.1 多尺度分割 该步骤需输入3个参数:尺度、形状、紧致度。尺度参数(s c a l e)直接决定了分割对象大小、地物提取精度及分割质量1 8。形状因子(s h a p e)决定着分割对象的形状因子和颜色因子在同质性准则中的占比。紧致度 因子(c o m p a c t-n e s s)基于一定的形状规则对分割图像进行紧致度约束,从而优化影像分割结果。由于不同树种的树冠存在尺度和形态差异,进行单木树冠分割时需要设置不同参数才能达到较好的分割效果1 9。评判分割尺度是否合适的标准是,对象内部同质性最大,对象之间异质性最大2 0,目标地物可被清晰地分割出来。在此前提下,分割尺度越大越好2 1。设置形状因子为0.10.6,尺度参数为3 0 0,紧致度因子为0.5,共进行6次试验,确定最优形状因子为0.1。取尺度参数为3 0 0,形状因子0.1,紧致度因子为0.10.9,每次调整0.1,共进行9次试验,确定最优紧致度因子为0.5。在此基础上,采用e C o g n i t i o n软件中的E S P 2插件运算结果作为判断分割效果好坏的标准。由图3看出,横坐标为分割尺度,左侧纵坐标为局部方差L V,右侧纵坐标为局部方差变化率R O C-L V。R O C-L V出现波峰时对应的尺度参数即为某一对象的最优分割尺度2 2。该图像的最优尺度有2 1 0、2 1 8、2 3 0、2 4 6、2 7 8、2 8 4、3 2 8、3 3 6、3 4 4、3 6 3、3 7 9、3 8 7。设置形状因子为0.1,紧致度因子为0.5,尺度参数分别为上述最优尺度参数值,进行1 2次分割试验,得到不同尺度参数控制下的影像分割结果,通过对比分析发现,当尺度参数为3 4 4时,分割对象大小适中,树冠轮廓也较为贴近实际情况,因此确定形状因子为0.1、紧致度因子为0.5时,最优分割尺度为3 4 4。以最优分割参数组合对研究区所有样地进行多尺度分割。2.3.2.2 面向对象分类 选择面向对象影像分类(样本模式)的分类方法将分割结果分为林冠区与非3第1期杨安蓉 等:基于无人机遥感的云南松林冠参数提取研究林冠区,分别为2种地物类别选取图像特征指标以构建特征空间,并对其进行优化,选择分割特征的最佳组合。在此参考前者研究选择了以下3大类特征指标2 3-2 5:1)光谱特征,包括在R、G、B波段上的像素平均值、亮度、标准差、V I值、M a x.d i f f;2)纹理特征,包括灰度共生矩阵的纹理均值、相异性和相关性;3)形状特征,包括长宽比、形状指数。按照林冠区和非林冠区利用样本采集器采样,当分类依据0.8 5,错分到其他类别的概率级林分级林分;就召回率而言,级林分级林分级林分;F测度方面,级林分级林分级林分。总体来说,级林分的冠幅分割精度最高。在5 4个标准地中,单木分割百分比平均值为9 3.4 0%,单木分割百分比达1 0 0%的共2 8个,其中,密度等级1 3个,密度等级9个,密度等级6个。分水岭分割方法中,就准确率来说,级林分级林分级林分;就召回率而言,级林分级林分级林分;F测度方面,级林分级林分级林分。总体来说,级林分的冠幅分割精度最高。在5 4个标准地中,单木分割百分比平均值为9 3.7 6%,单木分割百分比达1 0 0%的共2 6个,其中,密度等级1 1个,密度等级1 1个,密度等级4个。表4 不同密度等级单木尺度分割精度评价T a b l e 4 E v a l u a t i o n o f s e g m e n t a t i o n a c c u r a c y o f s i n g l e w o o d s c a l e w i t h d i f f e r e n t d e n s i t y g r a d e s分割方法密度等级准确率(%)召回率(%)F测度(%)单木分割百分比(%)单木分割百分比达1 0 0%的标准地数/个多尺度分割9 7.2 49 2.1 49 4.6 29 4.7 61 39 5.4 08 7.9 99 1.5 49 2.2 399 4.9 28 8.7 29 1.7 29 3.4 76合计9 5.7 18 9.4 09 2.4 59 3.4 02 8分水岭分割9 6.7 49 0.8 39 3.6 99 3.8 91 19 3.8 09 0.8 19 2.2 89 6.8 21 19 0.8 88 2.7 98 6.6 59 1.1 04合计9 3.4 78 7.6 39 0.4 69 3.7 62 66西北林学院学报3 9卷 由表5可知,目视解译方法中各密度等级林分冠幅提取的 平均绝对误 差分别为0.3 8、0.3 8和0.4 1,平均相对 误差较小,分 别 为0.0 8、0.0 8和0.0 9,冠幅提取 精度分 别 为9 2.3 4%、9 1.7 4%和9 0.6 9%。说明3个密度等级林分中目视解译方法获取的冠幅提取值与实测值相差较小,提取精度较好。多尺度分割方法中各密度等级林分中冠幅提取的平均绝对误差分别为0.5 7、0.6 3和0.6 6,平均相对误差分别为0.1 1、0.1 2和0.1 4,冠幅提取精度分别为8 8.7 0%、8 7.5 7%和8 6.1 4%。分水岭分割方法中各密度等级林分中冠幅提取的平均绝对误差分别为0.8 1、0.8 0和0.8 4,平 均 相 对 误 差 分 别 为0.1 5、0.1 6和0.1 7,冠幅提取精度分别为8 4.7 4%、8 4.4 4%和8 2.8 3%。表5 不同密度等级林分单木冠幅提取精度分析T a b l e 5 A n a l y s i s o n t h e e x t r a c t i o n a c c u r a c y o f s i n g l e t r e e c r o w n w i d t h i n s t a n d s w i t h d i f f e r e n t d e n s i t y g r a d e s分割方法密度等级数量/株类别范围平均值标准差变异系数(%)平均绝对误差平均相对误差精度(%)目视解译2 2 9实测冠幅1.7 79.8 55.1 61.5 32 9.7 30.3 80.0 89 2.3 4提取冠幅1.7 69.9 35.1 21.5 12 9.4 62 8 3实测冠幅1.3 09.9 25.0 81.5 53 0.5 80.3 80.0 89 1.7 4提取冠幅1.4 61 0.0 55.0 91.5 83 0.9 83 3 7实测冠幅1.9 59.5 44.8 21.4 42 9.7 80.4 10.0 99 0.6 9提取冠幅1.8 31 0.1 14.8 51.4 83 0.4 9多尺度分割2 1 1实测冠幅1.2 79.8 55.2 61.5 32 9.0 80.5 70.1 18 8.7 0提取冠幅1.7 99.6 74.8 61.4 12 8.9 52 4 9实测冠幅1.9 09.9 35.2 61.5 62 9.6 60.6 30.1 28 7.5 7提取冠幅2.1 39.9 84.9 11.4 93 0.2 52 9 9实测冠幅1.9 59.5 44.9 61.4 32 8.8 60.6 60.1 48 6.1 4提取冠幅1.5 99.0 64.7.11.4 33 0.2 7分水岭分割2 0 8实测冠幅1.2 79.8 55.2 91.5 42 9.0 80.8 10.1 58 4.7 4提取冠幅1.4 71 0.8 84.8 01.5 73 2.7 82 5 7实测冠幅1.2 89.9 35.1 81.5 52 9.9 30.8 00.1 68 4.4 4提取冠幅1.2 91 0.4 84.8 01.5 93 3.1 42 7 9实测冠幅1.9 59.5 44.9 61.4 62 9.4 60.8 40.1 78 2.8 3提取冠幅1.8 79.9 64.6 41.5 13 2.6 43.2 林分郁闭度的遥感估测由表6可知,多尺度分割方法中,郁闭度识别提取的平均绝对误差为0.0 4,平均相对误差为0.1 0,总体估测精度达9 0.2 4%,将目视解译获取的郁闭度与多尺度分割获取的郁闭度进行拟合,两者的R2达0.8 8 4 5。分水岭分割方法中,郁闭度识别提取的平均绝对误差为0.0 5,平均相对误差为0.1 2,总体估测精度达8 7.4 0%,将目视解译获取的郁闭度与分水岭分割获取的郁闭度进行拟合,两者的R2达0.7 4 3 7。表6 林分郁闭度提取精度分析T a b l e 6 A n a l y s i s o n t h e e x t r a c t i o n a c c u r a c y o f s t a n d c a n o p y c l o s u r e分割方法最小值最大值平均值标准差变异系数(%)平均绝对误差平均相对误差精度(%)目视解译0.2 10.7 50.4 30.1 22 6.9 3-多尺度分割0.1 90.7 40.4 00.1 22 8.8 20.0 40.1 09 0.2 4分水岭分割0.2 10.7 70.4 50.1 32 8.0 70.0 50.1 28 7.4 04 讨论对比影像原图发现,目视解译方法的误差来源有2个,一是数据处理过程中有部分影像发生形变和图像模糊的情况;二是部分树木聚集分布使树冠重叠,提取时无法分清树冠轮廓。目视解译在判定过程中易产生人为误差导致数据提取精度下降,且该法在实施过程中需辅助大量的人工解译工作,内业工作量较大,说明通过无人机遥感目视解译提取林冠参数的方法仍有一定进步空间。对于面向对象的多尺度分割方法来说,造成提取结果产生部分树冠漏提、错提的原因除影像形变和树冠重叠之外,还有2个重要原因,一是标准地内有灌草分布,而灌草的像素特征值与树冠相似,难以将两者区分;二是部分树冠叶片分布较稀疏,难以通过像素特征将其与周围的地物区别出来。在今后的7第1期杨安蓉 等:基于无人机遥感的云南松林冠参数提取研究研究过程中可着重考虑空间特征指标的选择,以更好地区分灌草、目标树种和非目标树种,进而提高林冠参数的提取精度。另外,温昱婷等2 7基于无人机遥感平台,采用面向对象的方法进行树种分类研究,发现D S M与R G B特征融合图像提取树种的精度较R G B单一图像提高了6.6 9%,表明特征融合图像结合面向对象分类方法可提高无人机可见光影像的树种分类精度。后续研究考虑利用特征融合结合多种图像分割方法进行森林参数提取,探索更高精度的森林参数提取方法。本研究中的实地冠幅调查,与孙钊等2 8使用8个方向冠幅均值决定树冠大小相比,可能会导致人为误差增大进而影响冠幅提取精度,但在形状、尺度和紧致度参数的设置上本研究考虑较为全面,可能是多尺度分割提取效果较好的原因。同时,徐永胜等2 9研究发现无人机在5 0 m飞行高度下获取的遥感影像林隙识别效果最好,本研究中的无人机飞行高度设置与此相同,且林分郁闭度多数较低,可能是本研究中林冠参数提取结果较好的原因。另外,许多学者在进行林冠参数提取时采用了基于冠层高度模型的标记控制分水岭方法3 0、基于点云的层堆叠分割、区域增长算法等分割方法3 1,这些方法在树冠信息提取时考虑了高度因素和林木的整体性,有效避开了灌草的干扰,在今后的研究中可尝试这些方法以提高林冠参数的提取精度。另外,利用基于C HM和点云的单木分割不仅可以获取单木位置、冠幅、郁闭度信息,还可获取树高等空间三维信息,由此即可为林分蓄积量、生物量的估测提供坚实的数据基础,后期研究将从林分蓄积量生物量的估测方面着手,探索基于无人机遥感技术,利用不同单木分割方法获取森林参数进行林分蓄积量、生物量估测。利用无人机遥感技术虽然可高效、实时获取研究区的影像数据,且基于影像数据可直接获取森林参数,相比卫星遥感技术来说,为森林资源调查提供了很大的便利,但对研究区的选择具有很大限制性,目前该法多用在地势平坦地区的稀疏林分,随着研究区的坡度上升,林冠参数的提取精度大幅下降,对于坡度较大的研究区,林冠参数提取方法还有待进一步探讨。另外,无人机遥感影像在航拍和预处理过程中,或多或少会受到光照、风速、传输和处理机制的影响,从而造成影像质量不高的结果,如何消除或者减小这些影响有待进一步研究。本研究的对象为地势相对平坦地区的云南松纯林,使得结果具有一定局限性,今后可在不同地区、不同树种的样地上验证本研究的结果。5 结论随着传感器和遥感技术的发展,当前的无人机低空高光谱遥感影像以及小光斑雷达影像在空间分辨率、光谱成像、数据处理、估算模型等方面具有显著优势,且这些影像不受或少受大气影响,可实现全天候监测,能提取林木株数、树冠、树高等信息,在林分蓄积量、生物量等参数估算方面表现出广阔的应用前景。本研究利用无人机获取高分影像,采用目视解译、多尺度分割和分水岭分割方法,对林木冠幅和郁闭度进行了提取,结果表明,3种分割方法按冠幅提取精度排列依次为目视解译(9 1.4 8%)、多尺度分割(8 7.3 3%)、分水岭分割(8 4.0 4%)。多尺度分割方法提取结果中,各郁闭度等级的林分冠幅提取误差依次上升,分水岭分割方法提取结果中,级林分误差降低幅度最小,说明分水岭分割方法较适用于本研究中的级林分林冠参数的识别提取。在树冠轮廓贴合度方面,多尺度分割结果轮廓较为贴近目视解译结果,分水岭分割结果与目视解译结果之间的贴合度则较差。以目视解译结果为参考,多尺度分割方法提取郁闭度的精度达9 0.2 4%,R2达0.8 8 4 5,分 水 岭 分 割 方 法 提 取 郁 闭 度 的 精 度 达8 7.4 0%,R2达0.7 4 3 7,说明面向对象的多尺度分割方法能很好地提取云南松纯林林冠参数信息。参考文献:1 李赟,温小荣,佘光辉,等.基于UAV高分影像的杨树冠幅提取及相关性研究J.林业科学研究,2 0 1 7,3 0(4):6 5 3-6 5 8.L I Y,WE N X R,S HE G H,e t a l.S t u d y o n p o p l a r c r o w n e x-t r a c t i o n a n d c o r r e l a t i o n b a s e d o n UAV h i g h r e s o l u t i o n i m a g eJ.F o r e s t R e s e a r c h,2 0 1 7,3 0(4):6 5 3-6 5 8.(i n C h i n e s e)2 向安民,刘凤伶,于宝义,等.基于k-NN方法和G F遥感影像的森林蓄积量估测J.浙江农林大学学报,2 0 1 7,3 4(3):4 0 6-4 1 2.X I AN G A M,L I U F L,YU B Y,e t a l.F o r e s t s t o c k v o l u m e e s-t i m a t i o n b a s e d o n t h e k-NN m e t h o d a n d G F r e m o t e s e n s i n g d a t aJ.J o u r n a l o f Z h e j i a n g A&F U n i v e r s i t y,2 0 1 7,3 4(3):4 0 6-4 1 2.(i n C h i n e s e)3 李亚东,曹明兰,李长青,等.无人机森林航摄影像三维点云估测林分蓄积量研究J.中南林业科技大学学报,2 0 1 9,3 9(3):5 6-6 0.L I Y D,C A O M L,L I C Q,e t a l.A r e s e a r c h o n t h r e e-d i m e n s i o n a l p o i n t c l o u d e s t i m a t i o n o f f o r e s t s t a n d v o l u m e b y UA V f o r e s t a e r i a l s u r v e y i m a g e sJ.J o u r n a l o f C e n t r a l S o u t h U n i v e r s i t y o f F o r e s t r y&T e c h n o l o g y,2 0 1 9,3 9(3):5 6-6 0.(i n C h i n e s e)4 郭庆华,吴芳芳,胡天宇,等.无人机在生物多样性遥感监测中的应用现状与展望J.生物多样性,2 0 1 6,2 4(1 1):1 2 6 7-1 2 7 8.GUO Q H,WU F F,HU T Y,e t a l.P e r s p e c t i v e s a n d p r o s-p e c t s o f u n m a n n e d a e r i a l v e h i c l e i n r e m o t e s e n s i n g m o n i t o r i n g o f b i o d i v e r s i t yJ.B i o d i v e r s i t y S c i e n c e,2 0 1 6,2 4(1 1):1 2 6 7-8西北林学院学报3 9卷 1 2 7 8.(i n C h i n e s e)5 杨立岩.多平台多源遥感测树因子提取技术与方法研究D.北京:北京林业大学,2 0 1 8.6 付凯婷.无人机遥感技术估算桉树蓄积量的研究D.南宁:广西大学,2 0 1 5.7 HAMY L T ON S M,MO R R I S R H,C A RVA L HO R C,e t a l.E v a l u a t i n g t e c h n i q u e s f o r m a p p i n g i s l a n d v e g e t a t i o n f r o m u n-m a n n e d a e r i a l v e h i c l e(UAV)i m a g e s:P i x e l c l a s s i f i c a t i o n,v i s u-a l i n t e r p r e t a t i o n a n d m a c h i n e l e a r n i n g a p p r o a c h e sJ.I n t e r n a-t i o n a l J o u r n a l o f A p p l i e d E a r t h O b s e r v a t i o n s a n d G e o I n f o r m a-t i o n,2 0 1 9,1 3(4):4 7 3-5 0 0.8 B L A S C HK E T,HAY G J,K E L L Y M,e t a l.G e o g r a p h i c o b-j e c t-b a s e d i m a g e a n a l y s i s-t o w a r d s a n e w p a r a d i g mJ.I S P R S J o u r n a l o f P h o t o g r a mm e t r y a n d R e m o t e S e n s i n g,2 0 1 4,8 7:1 8 0-1 9 1.9 S HA C K E L F O R D K.A c o m b i n e d f u z z y p i x e l-B a s e d a n d o b j e c t-b a s e d a p p r o a c h f o r c l a s s i f i c a t i o n o f H i g h-R e s o l u t i o n m u l t i-s p e c t r a l d a t a o v e r u r b a n a r e a sJ.I E E E t r a n s a c t i o n s o n G e o-s c i e n c e a n d R e m o t e s e n s i n g,2 0 0 3,4 1(1 0):2 3 5 4-2 3 6 4.1 0 B E R B E R O G L U S,L L OY D C D,A T K I N S ON P M,e t a l.T h e i n t e g r a t i o n o f s p e c t r a l a n d t e x t u r a l i n f o r m a t i o n u s i n g n e u r a l n e t