EN中文

Journal of Geo-information Science >

2014 , Vol. 16 >Issue 6: 958 - 964

DOI: https://doi.org/10.3724/SP.J.1047.2014.00958

Orginal Article

Study of Factors Impacting the Tree Height Extraction Based on Airborne LIDAR Data

  • WANG Yifu , 1, 2 ,
  • YUE Tianxiang , 1, * ,
  • ZHAO Mingwei 1, 2 ,
  • DU Zhengping 1 ,
  • LIU Xiangfeng 3 ,
  • LIU Shuang 3 ,
  • SONG Erfei 3 ,
  • SUN Wenzheng 3 ,
  • ZHANG Yanli 4
Expand
  • 1. State Key Laboratory of Resources and Environment Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. College of Surveying and Geo-Informatics, Tongji University, Shanghai 200092, China
  • 4. College of Geography and Environment Science, Northwest Normal University, Lanzhou 730070, China
*Corresponding author:YUE Tianxiang, E-mail:

Received date: 2014-02-20

  Request revised date: 2014-03-20

  Online published: 2014-11-01

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

The purpose of this study is to evaluate the accuracy of extracting average height of natural secondary forest using airborne LIDAR data and to explore the problems that accompany. The DSMs and DEMs with differentspatial resolutions were simulated, by applying HASM-AD algorithm. DSM minus DEM gives CHM, and the tree heights were extracted from CHM. We applied tree vertex recognition algorithm with different recognition scopes. Using 30 measured plot data for verification, we tried to express how CHM spatial revolutionand recognition scope could affect tree height extraction accuracy. Firstly, we produced the 0.5 m resolution of CHM and gave 3 trials with setting the recognition scope radius as 0.5 m, 1.0 m and 1.5 m consecutively. The contrast between the results showed that the number of tree vertices extracted was the largest when the recognition scope radius was set as 0.5 m. The algorithm's ability to recognize tree vertex decreases as recognition scope radius increases. Then, we set the recognition scope radius as 0.5 m unchanged and gave 3 trials in which we extracted tree vertex from different CHM with 3 different resolutions (0.1 m, 0.25 m, 0.5 m). The results showed that the number of tree vertices extracted in 3 trials were close. In other words, the recognition scope radius could hardly influence tree vertex extraction. Finally, we compared the average value of the extracted tree heights in each plot to the average of the measured values. The result showed that they were highly correlated with each other, and the regression coefficient between them was 0.694. In conclusion, the recognition scope radius has great influence on tree vertex extraction, while resolution of CHM has little influence on tree vertex extraction. Increasing the sampling density of LIDAR data, choosing an appropriate CHM simulation method and improving the tree vertex recognition algorithm can increase the accuracy of tree height extraction.

Key words： airborne LIDAR; HASM; tree height; Tianlaochi; natural secondary forest

Cite this article

WANG Yifu , YUE Tianxiang , ZHAO Mingwei , DU Zhengping , LIU Xiangfeng , LIU Shuang , SONG Erfei , SUN Wenzheng , ZHANG Yanli . Study of Factors Impacting the Tree Height Extraction Based on Airborne LIDAR Data[J]. Journal of Geo-information Science, 2014 , 16(6) : 958 -964 . DOI: 10.3724/SP.J.1047.2014.00958

1 引言

遥感技术能有效地进行森林类型识别、森林面积估算和森林蓄积量、生物量、碳储量反演等[1-6]。近年来,激光雷达(LIDAR)在森林监测中得以广泛应用[7]。诸如,大脚印激光雷达适用于大尺度的森林资源监测,小脚印激光雷达则能够在林分尺度甚至单木尺度上提取森林或林木垂直信息[8]。Nilsson通过计算第一回波与最后回波之间的时间间隔推算树高,并采用不同激光发散度的雷达数据提取平均树高,结果表明,不同数据提取树高的结果相差不到1 m,说明激光发散度对树高提取精度的影响甚微[9]。Hudak等研究了低密度的雷达点云数据在大尺度森林参数提取中的适用性,250 m采样间隔的点云数据能够有效地对俄勒冈州西部的集约经营森林进行森林参数提取[10]。St-Onge,Koukoulas,Suarez,Edson,Mora等分别采用不同采样密度的LIDAR点云数据进行森林树高的提取,其中,采样密度最小的为每平方米0.1个回波,最大的为每平方米12个回波,结果表明,不同采样密度数据适用于不同的森林类型,并且在大多数的研究中,提取树高值比实测值低[11-15]。
提取树林高度的前提是将雷达点云数据插值生成DEM和DSM。前期的相关研究中对于DEM和DSM的生成并没有特殊的论述,多采用经典的常规插值方法,而忽略了插值方法对所生成的DEM和DSM的精度影响。有研究表明,HASM方法在DEM构建中的精度显著高于经典插值方法[16-18],HASM的平差算法HASM-AD是根据分组平差原理构建的局部算法,提高了HASM模型的计算速度,适用于高密度的LIDAR点云数据的处理[19-20]。本研究采用HASM-AD生成研究区的DEM和DSM,利用树顶点识别算法提取研究区天然次生林的林木树高,并在样地尺度上分析树高提取精度,探索不同CHM空间分辨率、不同树冠识别范围,对天然次生林树高提取精度的影响。

2 研究区地理特征与数据处理

2.1 研究区地理背景

天涝池流域(38°23′55″~38°26′57″N,99°53′45″~99°57′12″E)位于黑河上游,地处甘肃省肃南裕固族自治县寺大隆林区,海拔2600~4400 m,属高寒半干旱山地森林草原气候,年平均气温0.6 ℃,1月和7月平均气温分别为-13.1 ℃和12.1 ℃;年降水量437.2 mm,雨季降雨(5-9月)占84.2%,年蒸发量1066.2 mm,年平均相对湿度59%,土壤和植被随山地地形和气候的差异形成明显的垂直分布带。土壤类型主要有山地灰褐土、亚高山草甸土、高山草甸土及寒漠土等。天涝池流域的森林植被是以青海云杉(Picea crassifolia)林和祁连圆柏(Sabina przewalskii)林为主的天然次生林,主要分布在中高山、亚高山地带。前者多在阴坡形成纯林,为林区森林的主体;后者多在阳坡形成稀疏林分。灌木优势种有金露梅(Potentilla fruticosa)、鬼箭锦鸡儿(Caragana jubata)、吉拉柳(Salix gilashanica)、高山绣线菊(Spiraea alpina)等。草本植物主要有冰草(Agropyron cristatum)、针茅(Stipa capillata)、乳白香青(Anaphalis lactea)、委陵菜(Potentilla chinensis)等。

2.2 数据及处理

(1)样地调查数据。2013年8月在天涝池流域设置森林样地30块,样地规格为10 m×20 m,样地长边与山坡走向平行,其中,青海云杉林26块,祁连圆柏林2块,云杉圆柏混交林2块,样地基本信息见表1。在样地内,采用围尺测量每株树木的胸径(树干1.3 m高度处的直径),采用手持超声波测高器测量每株树木的树高、枝下高(树冠下端第一活枝的高度),采用皮尺测量南北方向和东西方向冠幅,利用差分GPS对样地进行定位,样地位置如图1所示,图中的坐标系统为WGS1984。
Tab. 1 Description of plots

表1 样地基本信息表

样地号 森林类型 株数 平均树高(m) 最大树高(m) 最小树高(m) 平均胸径(cm) 样地号 森林类型 株数 平均树高(m) 最大树高(m) 最小树高(m) 平均胸径(cm)
1 祁连圆柏 30 7.3 11.3 2.2 29.7 16 青海云杉 34 11.0 21.2 2.6 15.6
2 祁连圆柏 13 8.8 12.7 2.5 33.5 17 青海云杉 27 13.0 21.6 2.4 19.8
3 青海云杉 60 3.4 19.3 0.5 9.9 18 青海云杉 40 12.8 26.3 2.0 16.1
4 青海云杉 17 11.1 18.6 0.8 21.7 19 青海云杉 39 10.4 21.6 2.3 15.0
5 混交林 36 4.0 10.7 1.3 8.2 20 青海云杉 46 10.7 20.8 2.9 13.7
6 青海云杉 106 7.1 16.9 1.8 9.9 21 青海云杉 108 9.0 13.6 4.4 10.0
7 青海云杉 21 9.9 20.4 1.7 20.1 22 青海云杉 20 13.5 22.8 3.5 18.8
8 青海云杉 65 8.0 17.7 2.0 13.2 23 青海云杉 25 10.8 20.0 4.5 15.6
9 青海云杉 44 7.7 17.0 2.2 12.6 24 青海云杉 37 7.7 17.3 2.6 10.4
10 青海云杉 22 7.1 20.1 1.5 13.8 25 青海云杉 26 11.4 21.8 3.2 17.6
11 青海云杉 16 10.7 25.0 2.5 21.3 26 青海云杉 26 12.4 22.1 3.9 16.9
12 青海云杉 16 11.7 25.3 1.8 25.3 27 青海云杉 34 10.4 22.4 3.5 14.6
13 青海云杉 6 21.1 24.4 15.1 39.1 28 青海云杉 11 20.3 31.1 4.8 30.2
14 青海云杉 49 9.4 19.9 2.0 14.2 29 青海云杉 29 14.6 26.6 4.6 20.4
15 青海云杉 17 14.0 21.8 3.0 23.5 30 混交林 19 10.2 23.4 2.8 22.5
Fig. 1 Distribution of plots

图1 样地分布图

(2)LIDAR点云数据。来源于“黑河生态水文遥感试验(HiWATER)”,获取时间为2012年7月25日,利用运12飞机搭载的Leica公司ALS70LIDAR系统,ALS70发射的激光波长为1064 nm,多次回波(1、2、3和末次);飞行绝对航高为4800 m,平均点云密度约为1个/m2。本研究使用ALSPP软件生成点云数据,采用TerraScan、TerraMatch等软件进行参数检校、点云自动分类和人工编辑等,最终将激光点分成地面点(ground)、植被点(vegetation)和其他点[21]。
Fig. 2 Compution units of HASM-AD algorithm

图2 HASM-AD算法计算窗口

3 基于LIDAR数据的树高识别算法分析

3.1 HASM-AD曲面模拟方法

考虑到实验数据(大数据量)和模拟结果(高分辨率)的特点,选用HASM-AD算法生成研究区域的DEM和DSM。HASM-AD算法基于测量平差原理计算HASM的解,在5×5分析窗口内(见图2,其中空心圆表示模拟计算的内部点,实心圆是边界值,由驱动场提供),依据高斯方程和采样点约束条件建立条件平差方程组[19]。
( f i + 1 , j + v 7 ) - 2 ( f i , j + v 4 ) + ( f i - 1 , j + v 1 ) h 2 = ( Γ 11 1 ) i , j ( f i + 1 , j + v 7 ) - ( f i - 1 , j + v 1 ) 2 h + Γ 11 2 i , j ( f i , j + 1 + v 5 ) - ( f i , j - 1 + v 3 ) 2 h + L i , j E i , j + G i , j - 1 ( f i , j + 1 + v 5 ) - 2 ( f i , j + v 4 ) + ( f i , j - 1 + v 3 ) h 2 = ( Γ 22 1 ) i , j ( f i + 1 , j + v 7 ) - ( f i - 1 , j + v 1 ) 2 h + Γ 22 2 i , j ( f i , j + 1 + v 5 ) - ( f i , j - 1 + v 3 ) 2 h + N i , j E i , j + G i , j - 1 ( f i + 1 , j + 1 + v 8 ) - ( f i - 1 , j + 1 + v 2 ) + ( f i - 1 , j - 1 + v 0 ) - ( f i + 1 , j = 1 + v 6 ) 4 h 2 = ( Γ 12 1 ) i , j ( f i + 1 , j + v 7 ) - ( f i = 1 , j + v 1 ) 2 h + Γ 12 2 i , j ( f i , j + 1 + v 5 ) - ( f i , j = 1 + v 3 ) 2 h + M i , j E i , j + G i , j - 1 f ̅ m , n + v q = f ̅ m , n
(1)
式(1)中,vi(i=0,…,8)为分析窗口内部解算格网点上的模拟变量改正数,作为方程组的未知数;fi,j为格网点上初始值,由HASM模型的输入驱动场给出; f ̅ m , n 为采样点值,同样由HASM模型的输入采样点信息得到;E、G、L、M、N、Γ为曲面基本量和克式符号,可由驱动场计算得到。
求解方程组(1)得到改正数向量,改正数向量与初始值的和即为对应格网点上的精确解。
用5×5分析窗口顺序遍历整个研究区域,并在遍历过程中实时更新格网点的属性值,获得整个研究区域的HASM高精度解。
以上是HASM-AD串行算法的计算过程,为了进一步提高计算速度,本研究采用HASM-AD算法的并行版本。HASM-AD并行算法是基于MPI和共享边界的数据分割方案实现的,能够快速生成大区域、高分辨率的地表模拟结果。

3.2 单木树高提取算法

单木树高的提取是基于CHM(Canopy Height Model, 树冠高度模型)进行的,关键在于准确地从CHM上找出树冠顶点(图3)。树冠顶点识别算法可概括为2类：(1)直接在给定的滤波窗口内查找局部最大值(如将半径为3的圆形窗口内的中心点与窗口内其他点进行比较,若其值为最大值,则判定为树冠顶点,或者首先限定相邻顶点间隔范围,再进行局部最大值查找,适用于人工林;(2)先识别树冠形状,再在树冠多边形内查找树冠顶点。目前,对于树冠形状的识别,主要有2类算法：(1)结合航空相片和CHM提取树冠多边形,其缺点在于航空照片获取成本较高;(2)采用Pouring算法[22]或双正切角树冠识别算法[23]识别树冠,这类算法均是在识别出树冠顶点之后识别树冠形状,无法提高树顶点的提取精度。虽然第2类树冠顶点识别算法在理论上能够更精确地识别树冠顶点,但目前很难实现。综合考虑,本文采用第1类树冠顶点识别算法。
Fig. 3 Flow chart

图3 单木树高提取算法流程图

4 树高识别算法应用结果与分析

4.1 DEM、DSM和CHM的生成

采用HASM-AD算法的并行版本对已分类好的LIDAR点云数据进行模拟,由地面点生成DEM,由所有点生成DSM,对DSM与DEM作差值运算即得到地表地物的高度,在森林区域为CHM。

4.2 CHM分辨率对树顶点提取的影响

本文采用的树顶点识别算法为第1类算法,即用给定搜索半径的圆形窗口在CHM上查找局部最大值,若圆心象元值为最大值,则判定为树冠顶点,树顶点的像元属性值即为树高。
影响树顶点提取效果的主要因素有CHM的分辨率和查找局部最大值的搜索窗口半径的大小。为确定两者对提取精度的影响,本研究采用相同的模拟方法将LIDAR点云生成不同分辨率CHM,在提取树顶点时,搜索半径设置为不同的大小,进行对比分析(表2)。
Tab. 2 Parameter settings of comparison trials

表2 对比试验参数设置

实验 分辨率(m) 搜索半径(m)
1 0.1×0.1 0.5
2 0.25×0.25 0.5
3 0.5×0.5 0.5
4 0.5×0.5 1.0
5 0.5×0.5 1.5
首先,将搜索半径为0.5 m,CHM分辨率分别为0.1 m×0.1 m、0.25 m×0.25 m和0.5 m×0.5 m的1、2、3号实验进行对比,如图4所示。三者差异不大,说明在搜索半径相同时,CHM分辨率对树顶点的提取效果影响甚微。然后,固定CHM分辨率为0.5 m×0.5 m,将搜索半径分别为0.5 m、1.0 m、1.5 m的3、4、5号实验进行对比,如图4所示。随着搜索半径的增大,提取的树顶点个数逐渐减少,表明搜索半径对树顶点的识别影响较大,这与研究区天然次生林的林分结构有关。研究区域的天然次生林中,树木呈聚集分布,林木间聚集度不同,有的聚集度很高,有的聚集度很低,甚至出现林窗。因此,当搜索半径较大时,聚集度较高的林木不能被全部识别,造成识别树顶点数减少。
Fig. 4 The influence of the parameter setting on tree vertex extracting

图4 参数设置对树顶点提取的影响

鉴于CHM分辨率和搜索半径的影响,本研究在进行树高提取精度分析时,采用0.5 m×0.5 m分辨率的CHM,设定搜索半径为0.5 m,树高提取结果如图5所示。
Fig. 5 Tree height extraction results in Tianlaochi

图5 天涝池树高识别提取结果

4.3 天然次生林树高提取精度分析

鉴于本研究在野外采样时,未对样地中的每株林木进行定位,因此,对树高提取结果只进行样地尺度上的精度分析。以天涝池流域30个样地数据对树高提取结果进行检验,结果见表3,提取的样地平均树高与实测值之间存在明显的线性相关性,但是回归系数仅仅为0.694(图6(a)),效果并不理想。而从图6(d)可知,林分密度较大时,提取株数明显小于实际株数,说明在提取树顶点时存在漏判,且随着林分密度的增加,漏判的株数也随之增加。
Fig. 6 Regression analysis between extracted tree height/number and measured tree height/number

图6 提取树高和株数与实测值的回归分析

Tab. 3 Linear dependence between extracted tree height and measured tree height

表3 提取树高与实测树高的线性回归关系

线性回归方程 R2 说明
y1=0.819x1+5.032 0.694 y1、x1分别为提取的样地平均树高和实测值
y2=0.845x2+2.390 0.850 y2、x2分别为提取的样地最大树高和实测值
y3=1.582x3+2.340 0.111 y3、x3分别为提取的样地最小树高和实测值
y4=0.145x4+10.01 0.339 y4、x4分别为提取的样地株数和实测值
漏判的原因之一是前述的天然次生林的聚集分布。为进一步探究漏判的其他原因,分别将提取的样地最大树高和最小树高与其实测值进行回归分析,结果显示(表3),提取的最大树高与其实测值的回归关系较好(R2=0.85)(图6(b));而提取的最小树高与其实测值的回归关系很差(R2=0.111)。从图6(c)的散点分布看出,提取的最小树高明显地大于实测值,表明树顶识别算法对高大的林木树冠识别效果较好,对矮小的林木识别效果较差,对矮小的林木存在严重的漏判。
如图7所示,打在小树上的激光点很容易被误判为邻近大树树腰上的激光点,从而在生成DSM和CHM时,这类小树顶点无法形成峰值,因此不能被识别为树顶点。在刘清旺等的研究中,提取的样地平均树高与实测样地平均树高线性回归系数为0.97 [23],比本研究(0.694)精度高。这主要是因研究中所采用的LIDAR点云数据平均采样点密度为3.7个/m2,远大于本研究(约1个/m2),较稠密的点云有效地降低了小树顶点被误判的概率。
Fig. 7 Simulation of CHM’s generating

图7 CHM生成示意图

5 结论

本文采用的LIDAR点云数据采样点平均密度为1 个/m2,采用HASM-AD并行算法生成为0.5 m×0.5 m分辨率的DEM和DSM,并进行差值运算得到CHM,能获得较好精度的树高提取效果。在样地尺度上,提取的平均树高与实测值之间线性回归系数能达到0.694。利用LIDAR点云数据提取树高,能够大大地减轻森林调查的工作量,但单木尺度的树高提取仍存在一些问题,有待进一步研究。
目前,绝大数的研究是基于点云数据插值生成的CHM的,合适的插值方法是精确开展后续工作的保障。本文所采用的HASM-AD高速度高精度曲面模拟方法已在多个领域中表现出优越性,该方法在高密度采样的情况下,能更好地突出峰值,更准确地提取树高。
通过在给定窗口内查找最大值的树顶识别算法能够较好地识别树顶点,尤其在林木排列整齐的人工林中,能够获得准确的结果。但在天然林中,林木年龄不一,分布不均,树高参差不齐,采用此方法提取树高时矮小林木易被遗漏,且对聚集度高的林木难以全识别出来。近年来,虽有很多研究对树冠识别算法进行了改进,但在树顶点识别算法上的进展较小,因此,要进一步提高树高的提取精度,树顶点识别算法仍然是一个重要的研究课题。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
高广磊,信忠保,丁国栋,等.基于遥感技术的森林健康研究综述[J].生态学报,2013,33(6):1675-1689.

[2]
Fang J Y, Chen A P, Peng C H, et al.Changes in forest biomass carbon storage in china between 1949 and 1998[J]. Science, 2001,292(5525):2320-2322.

[3]
Foody G M, Boyd D S and Cutler M E J. Predictive relations of tropical forest biomass from landsat tm data and their transferability between regions[J]. Remote Sensing of Environment, 2003,85(4):463-474.

[4]
王立海, 赵正勇,杨旗.利用GIS对吉林针阔混交林TM遥感图像分类方法的初探[J].应用生态学报, 2006,17(4): 4577-4582.

[5]
Pant P, Heikkinen V, Hovi A, et al.Evaluation of simulated bands in airborne optical sensors for tree species identification[J]. Remote Sensing of Environment, 2013,138:27-37.

[6]
Hirata Y, Tabuchi R, Patanaponpaiboon P, et al.Estimation of aboveground biomass in mangrove forests using high-resolution satellite data[J]. Journal of Forest Research, 2014,19(1):34-41.

[7]
庞勇,赵峰,李增元,等.机载激光雷达平均树高提取研究[J].遥感学报,2008,12(1):152-158.

[8]
Clark M L, Clark D B, Roberts D A.Small-footprint lidar estimation of sub-canopy elevation and tree height in a tropical rain forest landscape[J]. Remote Sensing of Environment, 2004,91(1):68-89.

[9]
Nilsson M.Estimation of tree heights and stand volume using an airborne LiDAR system[J]. Remote Sensing of Environment, 1996,56(1):1-7.

[10]
Hudak A T, Lefsky M A, Cohen W B, et al.Integration of lidar and landsat ETM plus data for estimating and mapping forest canopy height[J]. Remote Sensing of Environment, 2002,82(2-3):397-416.

[11]
St-Onge B, Jumelet J, Cobello M, et al.Measuring individual tree height using a combination of stereophotogrammetry and LiDAR[J]. Canadian Journal of Forest Research-Revue Canadienne De RechercheForestiere, 2004,34(10):2122-2130.

[12]
Koukoulas S and Blackburn G A. Mapping individual tree location, height and species in broadleaved deciduous forest using airborne LiDAR and multi-spectral remotely sensed data[J]. International Journal of Remote Sensing, 2005,26(3):431-455.

[13]
Suarez J C, Ontiveros C, Smith S, et al.Use of airborne LiDAR and aerial photography in the estimation of individual tree heights in forestry[J]. Computers & Geosciences, 2005,31(2):253-262.

[14]
Edson C and Wing M G. Airborne light detection and ranging (LiDAR) for individual tree stem location, height, and biomass measurements[J]. Remote Sensing, 2011,3(11):2494-2528.

[15]
Mora B, Wulder M A, White J C, et al.Modeling stand height, volume, and biomass from very high spatial resolution satellite imagery and samples of airborne LiDAR[J]. Remote Sensing, 2013,5(5):2308-2326.

[16]
岳天祥,杜正平.高精度曲面建模与经典模型的误差比较分析[J].自然科学进展,2006,16(8):986-991.

[17]
Yue T X, Du Z P, Song D J, et al.A new method of surface modeling and its application to demconstruction[J]. Geomorphology,2007,91(1-2):161-172.

[18]
Chen C F, Yue T X.A method of dem construction and related error analysis[J]. Computers & Geosciences,2010,36(6):717-725.

[19]
Yue T X, Wang S H.Adjustment computation of HASM: A high-accuracy and high-speed method[J]. International Journal of Geographical Information Science,2010,24(11):1725-1743.

[20]
赵明伟,岳天祥,赵娜.改进的HASM-AD算法及在空间变量模拟的应用分析[J].地球信息科学学报,2013,15(5): 655-661.

[21]
肖青,闻建光.黑河生态水文遥感试验:天姥池小流域机载激光雷达DEM点云数据. 中国科学院遥感与数字地球研究所,2012.doi:10.3972/hiwater.009.2013.db

[22]
Koch B, Heyder U,Weinacker H.Detection of individual tree crowns in airborne LiDAR data[J]. Photogrammetric Engineering and Remote Sensing, 2006,72(4):357-363.

[23]
刘清旺,李增元,陈尔学,等.利用机载激光雷达数据提取单株木树高和树冠[J].北京林业大学学报,2008,30(6):83-89.

Options
Outlines

/

〈 〉