天津市测绘院有限公司 天津 300381
摘要：林业调查是林业资源管理和保护的基础研究工作，而传统的人工调查既浪费时间又容易出现误差。利用无人机遥感技术，将高分辨率遥感影像和激光雷达点云技术相融合，能够有效地提高了林业调查的效率，并且极大的增强了调查数据的真实性和准确性。本文选取天津市武清区一处储备林作为样地，阐述利用激光雷达点云技术判别林木种类，统计株数、成活率等林业调查工作的方法，并在此基础上探讨当前应用研究中面临的问题以及未来的发展方向。
关键词：林业调查；无人机遥感技术；激光雷达点云技术
1、引言
长期以来，开展林业调查特别是测量林木的株数、胸径、株行距等指标主要是外业人员利用计数器、围径尺、皮尺等工具。利用这种传统的方法进行林业调查和管理，相当费时、费力，而且难以获得各个林木指标的准确数值。随着无人机遥感技术的快速发展和完善，如今精细化、高效的森林资源监测时代己经到来。
激光雷达对植被空间结构以及地形具有较强的探测能力。因此，机载激光雷达（light detection and ranging，LiDAR）系统与高分辨率CCD相机的结合，提供了一种新型的林业调查数据采集手段。它在获得高分辨率遥感影像的同时，还可以获取林木三维坐标，从而可以获得林木的树高、林木密度等信息，因此，基于激光雷达点云数据采集提取林木信息已成为当前研宄的热点之一。本文选取天津市武清区一处储备林作为样地，利用0.04米高分辨率遥感影像和激光雷达点云数据开展林木类别、株数、成活率等指标信息的调查采集，并在此基础上探讨当前应用研究中面临的问题以及未来的发展方向。
2、应用分析
本次监测调查选取天津市武清区一处储备林作为样地，实际监测面积为0.44km2，如图所示：
.png)
.png)
图1 飞行区域
1）航摄数据获取及处理
根据调查需要，确定航摄范围，开展空域申请、进行实地踏勘，确定起降场地、选择合适的航摄相机、根据地形资料布设航线；选择合适的天气开展影像获取任务，将获取的影像进行质量检查，合格后进行成果整理与验收。
参数设置：飞行高度：100m；航线间隔：160m；旁向重叠度：20%；飞行速度：8m/s；点云密度：210pts/m2
2）数据处理
a）组合惯导数据处理
组合惯导处理利用GPS位置数据与IMU姿态数据进行联合解算，得到机载激光雷达数据采集过程中飞机的位置以及姿态信息。利用提供的GPS和INS数据松耦合及紧耦合两种算法，以GPS时间戳为基准，处理所用的GNSS、INS数据，实时提供高精度组合导航信息，包括位置、速度和姿态；或者针对精度和稳定性要求较高，不需要实时导航定位信息的应用，如点云数据解算，通过原始数据后处理方式（如PPK后差分处理），提高解算精度和稳定性。其优势有：高精度解算、松/紧耦合处理、兼容多种数据、长距离RTK和精密单点定位（PPP）。
b）激光雷达数据处理
数据预处理软件通过对采集到的POS数据和激光雷达数据联合解算，得到地物点的真实三维空间坐标信息，生成标准格式激光点云数据，并可对点云数据进行显示、编辑等操作。
3）激光点云数据质量检查
a）点云密度检查
为满足后续林区林木数量等信息统计处理要求，激光点云数据点云密度不宜过低，点云数据应尽量表达林区内林木三维空间分布情况。通常可在整个数据多处测量区域多边形二维面积及相应区域内点数，计算点云密度并取平均，求取整个激光点云数据的平均点云密度。
b）噪点检查
激光点云噪点问题将影响后续林区林木数量等信息统计处理效果，点云数据中的噪点可以通过算法或手动操作进行剔除，但若噪点问题过于严重可能无法进行后期改进，因此需对噪点分布及严重程度进行评估。
c）数据完整性检查
若所覆盖林区范围内激光点云数据出现空洞缺少现象（水体区域的空洞除外），将会对后续林木信息统计结果准确产生影响。因此，应对激光点云数据的完整性进行检查确认，及时发现数据缺失问题便于进行补飞。
4）海量激光点云数据加载与可视化
激光点云数据量大，同时加载需要耗费大量的计算机资源，采用静态LOD实现多分辨率金字塔模型的构建，降低点云存储开销，并提高点云读取、浏览、渲染速度。
通过多尺度点云数据检索，可以快速的加载相应分辨率、相应视域范围的点云数据到三维场景中，利用三维可视化平台中的点云渲染机制可以按照不同的方式对点云数据进行渲染显示，包括类别渲染、高程渲染、自定义类别显示，若经过处理的点云数据带有颜色属性还可对其按自有颜色进行渲染。
5）激光点云数据预处理
a）数据去噪
由于水体对激光的吸收、镜面反射及其他原因，使有些地面点无明显回波信号，以至于得不到测距值。此外，由于电路、飞鸟、局部地形等原因，也会使数据中产生异常距离值，即为噪声点。这些噪声点有些是系统干扰或人为扰动产生的孤立误差点，有些是远距离目标由于对激光反射较敏感产生的非有用离群点数据。这部分冗余信息不仅会占据一定的数据存储空间，而且会改变点云数据特征，从而对后续的地物自动分类提取产生干扰，因此，需对数据进行去噪处理，可以通过自动去噪或手动删除两种方式对噪点进行去除。
b）点云数据分区裁切
若一个架次的激光点云数据量过大，为提高后续处理效率可将数据进行分割裁切，为多个区域分别进行处理。另外，无人机采集的激光点云数据不可避免的包含生态储备林种植区周边的居民区、道路、绿化带等非关注区域，为减少数据冗余，可在预处理过程中通过激光点云处理软件的多边形分割工具进行冗余去边，不仅可以避免其对后续处理的干扰，还能降低数据量，提高处理效率。
6）激光点云林区地物分类
为基于激光点云数据实现林区内林木信息统计，首先需获取测区内关键地物三维空间分布情况。针对林区林木信息统计需求，只需要关注生态储备林种植区内的林木分布信息，因此，在激光点云数据分类过程中，只需对地面点和种植区内林木进行分类。
7）单木提取与信息统计
为保证数据处理效率，采用基于冠层高程模型（CHM）方法对激光点云数据进行单木提取。根据储备林区内地面与林木激光点云，基于CHM提取林木冠顶所在位置，并以此为种子点对林木点云进行分割，获取每株林木所属激光点云。
.png)
图2 点云单株提取结果
基于林区分割结果得到每一单木点云，利用林区地面数字高程模型（DEM）对单木点云进行归一化得到单木点云相对高度，从而提取单木树高。通过统计当前林木及其邻域一定范围内林木的所含点数、树冠半径等信息判断当前林木存活状态，从而对生态储备林的苗木成活情况进行统计。
.png)
.png)
图3 长势茂盛树冠丰盈区域点云形态
（左侧为点云数据，右侧为对应的实景照片）
.png)
.png)
图4 树冠稀少区域点云形态
（左侧为点云数据，右侧为对应的实景照片）
8）云统计验证
在柳树林选取10×10=100棵树进行取样进行验证，下图为点云识别情况：
.png)
.png)
图5 点云数据取样验证
取样判别：取样区域点云100棵柳树，21棵人工判活
点云判别：13棵树株点云点数大于20个，实际树冠大小在50cm以上，点云判别为生长正常和茂盛树株；4棵树株点云点数在5-20个，实际树冠大小在15-50cm之间，点云判别为成活树株；3棵树株点云点数在3-5个，实际树冠大小在10-15cm之间，点云判别为树冠稀少，长势较弱，但仍旧成活树株；其它只有树干或树冠很少的树株点云点数少于3个，实际树冠小于10cm，是未成活树株，此类树株点云并未统计在总株数内；其中只有1棵树冠稀少成活树株，但未识别，为点云识别误差。
取样区成功判别率：点云成功判别率为（100-1）/100*100%=99%
.png)
图6 点云数据统计说明
9）成果及分析
.png)
图7 可见光正射影像人工判读
由于上图中红色区域存在高压线塔，出于安全考虑，激光雷达暂未飞行，但正射影像完全覆盖，此区域采用正射影像人工解译的方法识别树株。
经点云自动提取，并结合上述部分区域正射影像人工解译，如图所示，紫色点为长势茂盛植株，绿色为成活植株，红色为未成活植株。
.png)
图8 测区点云统计结果
总共统计树株24477棵，无树冠或树冠很少的树株未统计在内。
通过点云单植株提取，统计长势良好树冠丰盈树株17234棵，成活树株4032棵，小计21266棵。
无点云区域目视解译，统计长势良好树冠丰盈树株2892棵，成活树株319棵，小计3211棵。
3、结论与展望
1）结论
无人机遥感技术的快速发展为林业调查带来了新的思路，也为加快林业调查的数字化、智能化提供了支撑。通过无人机遥感技术，再配合小部分的地面调查，可快速、高效地完成林业调查的相关工作。
本文以天津市武清区一处储备林样地作为实验区，基于点云数据和高分辨率遥感影像数据，完成对林木类别、株数、成活率等指标信息的调查采集。通过激光雷达点云数据能够简单高效地获取测区林木的总株数、成活株数、死亡株数等信息，经过人工外业调查验证激光雷达点云自动判别的成果，确保了激光雷达点云技术方法的可行性，同时也指明了今后优化提升的方向。
2）讨论和展望
a）进一步提高无人机性能
在应用无人机开展测区调查采集的信息的过程中，由于受到高压线塔的影像，机载激光雷达无法获取一小片区域的有效数据，只能通过高分辨率遥感影像进行人工解译，容易造成误差。由于无人机技术在林业研究中的应用还处于初步阶段，在无人机的稳定性以及在适应复杂环境的过程中仍然面临许多挑战，因此需要通过进一步深入的研究和开发以确保无人机遥感技术的生产应用并提高无人机相关性能。
b）准确提取数据信息
数据信息高效化、精确化提取是树种间分类识别的重点与难点，激光雷达点云数据采集提取往往取决于树木之间的结构差异，对样地林木实际情况和样地内林木种类相对敏感，对于郁闭度较高的林地或形态差异不明显的树种，单木信息提取会较为困难。因此，未来研究需要在掌握不同树种数据特点的前提下，从地面点滤波算法的优化以及下层灌丛和噪声的去除、高精度单木提取算法的研究、相邻树木空间结构关系的影响、特征参数的细化与组合、多种分类识别器的优选等方面展开，以提取更加精细有效的激光雷达点云数据信息。
c）加强“深度学习”等自动识别的研究
近年来，深度学习方法蓬勃发展，相较于传统机器学习方法更加智能化、识别能力更强、数据利用更加充分。将可见光影像与激光雷达点云融合后的数据特点，结合深度学习方法，改进现有识别的模型，从而适用于多源遥感数据融合的树种识别，应是今后重点的研究方向。
参考文献：
[1]罗正，谢宗音.激光雷达在林业调查中的应用——以广西融水苗族自治县森林资源规划设计项目为例[J].南方国土资源，2020，9.
[2]冯静静.基于LiDAR点云数据与高分辨率影像的单木参数提取[D].北京林业大学，2017.
[3]刘雨丝.试论无人机技术在林业工作中的应用[J].农业与技术，2021，41（07）.
[4]钟浩，刘浩然，林文树．激光雷达和高光谱遥感技术在树种识别中的应用[J].世界林业研究，2021.