基于无人机可见光影像的华山松人工林计测参数提取

doi:10.13466/j.cnki.lyzygl.2021.02.015

林业资源管理 ›› 2021, Vol. 0 ›› Issue (2): 110-116.doi: 10.13466/j.cnki.lyzygl.2021.02.015

基于无人机可见光影像的华山松人工林计测参数提取

袁梓健(), 舒清态(), 赵洪莹, 王柯人, 谭德宏

西南林业大学林学院,昆明 650224

收稿日期:2020-12-18 修回日期:2021-03-27 出版日期:2021-04-28 发布日期:2021-06-03
通讯作者: 舒清态
作者简介:袁梓健(1993-),男,山东威海人,在读硕士,研究方向:3S在林业中的应用。Email: 86831200@qq.com
基金资助:
云南省教育厅科学研究基金项目(2020Y0403);国家自然科学基金项目(31860205);国家自然科学基金项目(31460194)

Extraction of the Measuring Parameters of Pinus armandii Man-Made Forest Based on Visible Image of UAV

YUAN Zijian(), SHU Qingtai(), ZHAO Hongying, WANG Keren, TAN Dehong

College of Forestry,Southwest Forestry University,Kunming 650224,China

Received:2020-12-18 Revised:2021-03-27 Online:2021-04-28 Published:2021-06-03
Contact: SHU Qingtai

摘要/Abstract

摘要：

针对无人机在森林资源监测中的便携性特点,利用无人机RGB三波段影像进行森林计测参数(株数、树高及蓄积量)的提取及精度验证。以华山松人工林为研究对象,以无人机RGB影像为主要信息源,在前期进行5块0.08hm²华山松人工林标准地单木定位的基础上,采用冠层高度模型(CHM)最大值法和点云分割方法,提取华山松人工林计测参数,建立无人机RGB影像的华山松人工林单木二元材积模型。研究结果表明:1)采用CHM最大值分割法较点云分割方法精度高,单木株数分割精度分别为87.17%和80.79%;提取得到的树高与其地面实测所得树高的R²相比较,使用CHM方法,R²为0.71;而使用点云算法,R²为0.69。2)基于CHM最大值法提取的单株冠幅和树高所建立的二元材积模型,其决定系数(R²)为0.94,均方根误差(RMSE)为0.033 8m³;与基于云南省华山松人工林二元材积表的标准地实测蓄积量调查结果相比,基于无人机RGB数据的5块标准地蓄积量监测精度分别为79.72%,81.64%,83.57%,82.49%,80.28%,平均精度达81.54%。基于无人机RGB影像的华山松人工林在森林计测参数提取中,CHM最大值分割法优于点云分割,所建立的树高和冠幅二元材积模型,可为华山松单层人工林无人机遥感监测提供参考。

关键词: 无人机RGB影像, CHM分割, 点云分割, 森林计测参数, 华山松人工林

Abstract:

Thanks to the portability of unmanned aerial vehicles (UAV)in monitoring of forest resources,this paper uses RGB tri-band image of UAV to extract the forest measuring parameters (number of stems,height of tree and stand volume)and perform precision validation.Taking P.armandii man-made forest as research object,RGB image of UAV as main information source and based on five individual-tree positioning of 0.08hm² P.armandii man-made forest sample plots in the early stage,this paper adopts canopy height model (CHM)maximum method and point cloud segmentation method to extract the measuring parameters of P.armandii and establishes a binary volume model of individual-tree in P.armandii man-made forest via RGB image of UAV.The results show that:(1)The results of individual-tree number and tree-height segmentation indicate that CHM maximum segmentation method has a higher precision than point cloud segmentation method,and the segmentation accuracy of the number of stems is 87.17% and 80.79%,respectively;the segmentation accuracy of the height of tree is 0.71 and 0.69,respectively.(2)The determination coefficient (R²)of the binary volume model established according to individual-tree crown breadth and tree-height extracted via CHM maximum method is 0.94,and its root-mean-square error (RMSE)is 0.033 8m³.The results are compared with those of the measured stock volume in standard land based on P.armandii of Yunnan Province binary volume table,the monitoring accuracy of stand volume of the five sample plots based on RGB data of UAV is 79.72%,81.64%,83.57%,82.49% and 80.28%,respectively,with the average accuracy reaching 81.54%.During the extraction of the measuring parameters of P.armandii man-made forest via RGB image of UAV,CHM maximum method is superior to point cloud segmentation method,and the binary volume model of tree height and crown breadth established by it can be used for UAV remote sensing in monitoring P.armandii monolayer man-made forest.

Key words: RGB image of UAV, CHM segmentation, point cloud segmentation, forest measuring parameter, P.armandii man-made forest

中图分类号:

袁梓健, 舒清态, 赵洪莹, 王柯人, 谭德宏. 基于无人机可见光影像的华山松人工林计测参数提取[J]. 林业资源管理, 2021, 0(2): 110-116.

YUAN Zijian, SHU Qingtai, ZHAO Hongying, WANG Keren, TAN Dehong. Extraction of the Measuring Parameters of Pinus armandii Man-Made Forest Based on Visible Image of UAV[J]. FOREST RESOURCES WANAGEMENT, 2021, 0(2): 110-116.

图/表 10

图1

表1

图2

图3

表2

二元材积模型估测方程

模型序号	模型
1	V= $b 0$ + $b 1 D 2$ H
2	V= $b 0 D 2$ + $b 1 D 2$ H
3	V= $b 0 D b 1 H b 2$
4	V= $b 0$ + $b 1 D 2$ + $b 2 D 2$ H
5	V= $b 0$ + $b 1 H$ + $b 2 D 2$ H
6	V= $b 0$ + $b 1 H$ + $b 2 D 2$

表2

表3

图4

图5

表4

石林县国有林场华山松人工林二元材积模型拟合结果

模型	参数估计值			R²	RMSE
模型	$b 0$	$b 1$	$b 2$	R²	RMSE
1	0.010232	0.000029		0.811985	0.0457
2	0.000132	0.000054		0.752549	0.0513
3	0.000073	2.001569	0.788883	0.937843	0.0338
4	-0.097267	0.000045	0.000015	0.773348	0.0475
5	0.987542	-0.000736	0.000035	0.717401	0.0568
6	-0.097651	0.000879	-0.000508	0.883084	0.0397

表4

表5

参考文献 20

[1]	李宇昊. 无人机在林业调查中的应用实验[J]. 林业资源管理, 2007(4):69-73.
[2]	李兆琨. 林业调查规划设计在林业生产建设中的作用分析[J]. 绿色科技, 2017(5):99-100.
[3]	林金洪, 潘峰. 林业调查规划设计与林业生产建设的关系探讨[J]. 南方农业, 2016(12):120-121.
[4]	白芝兵, 张洪江, 任改. 重庆四面山森林植物群落数量分类和排序[J]. 安徽农业科学, 2012(30):14839-14843.
[5]	黎燕琼, 郑绍伟, 陈俊华, 等. 成都市中心城区城市森林树木的数量结构特征[J]. 森林与环境学报, 2018(1):71-75
[6]	李旺, 牛铮, 王成, 等. 机载LIDAR数据估算样地和单木尺度森林地上生物量[J]. 遥感学报, 2015(4):669-679.
[7]	刘莉. 森林植物种质资源价值评估的研宄[D]. 哈尔滨: 东北林业大学, 2013.
[8]	王参福, 余于文, 汪林清, 等. 论森林资源数量与质量的辩证关系——以江西省森林资源为例[J]. 江西林业科技, 2001(2):62-65.
[9]	郑治刚, 李留瑜, 付秀山. 论森林的数量分布结构[J]. 系统工程理论与实践, 1996(4):82-89.
[10]	滕建生. 林业调查规划设计在林业生产建设中的地位和作用[J]. 农业与技术, 2015(4):77-78.
[11]	唐景华, 陈育娟. 林业调查规划设计在林业生产建设中的重要性分析[J]. 现代园艺, 2015(20):227-228.
[12]	张艳丽. 杭州市典型城市森林类型生态保健功能研究[D]. 北京: 中国林业科学研宄院, 2013.
[13]	罗仙仙, 亢新刚. 森林资源综合监测研究综述[J]. 浙江林学院学报, 2008(6):803-809.
[14]	陈述彭. “数字地球”与对地观测[J]. 地理学报, 2000,55(1):9-13. doi: 10.11821/xb200001001
[15]	宫鹏. 遥感生态测量学进展[J]. 自然资源学报, 1999(10):313-317.
[16]	王二丽, 李凤日, 王敏, 等. 基于大比例尺航片的针叶树种冠幅的提取[J]. 森林工程, 2011,27(6):16-22.
[17]	Popescu S C, Wynee R H, Scrivani J A. Fusion of small footprint LiDAR and multispectral data to estimate plot-level volume and biomass in deciduous and pine forests in Virginia,USA[J]. Forest Science, 2004,50(4):551-565.
[18]	Koukoulas S, Blackbum G A. Mapping individual tree location,height and species in broadleaved deciduous forest using airbome LiDAR and multi spectral remotely sensed data[J]. International Journal of Romote Sensing. 2005,26(3):431-455.
[19]	Kwak Doo-Ahn, Lee Woo-kyun, Lee Jun-Hak, et al. Detection of individual trees and estimation of tree height using LiDAR data[J]. Journal of Forest Research., 2007(12):425-434.
[20]	宋永俊. 云南省林业数表编制现状分析与对策建议[J]. 林业资源管理, 2015(6):37-40.

样地数/块	胸径/cm				树高/m				冠幅/m
样地数/块	林分平均胸径	最大值	最小值		林分平均高	最大值	最小值		林分平均冠幅	最大值	最小值
5	19.8	10.6	38.2		17.71	23.27	9.24		3.8	7.8	1.1

单木测量方法	未分离株数	过度分离株数	正确分离株数	总株数
基于CHM提取单木	25	28	360	413
基于点云提取单木	34	44	328	406
地面实测单木	0	0	443	443

样地	实测蓄积量/m³	基于CHM提取蓄积量/m³	估测精度/%	基于点云提取蓄积量/m³	估测精度/%
1	11.5553	9.2129	79.72	8.4331	73.12
2	15.7498	12.8581	81.64	11.1004	70.48
3	18.3729	15.3452	83.57	13.2137	71.92
4	18.8449	15.5451	82.49	13.8396	73.44
5	24.3454	19.5444	80.28	17.4386	71.63

基于无人机可见光影像的华山松人工林计测参数提取

Extraction of the Measuring Parameters of Pinus armandii Man-Made Forest Based on Visible Image of UAV

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 20

相关文章 1

编辑推荐

Metrics

本文评价