基于无人机影像的高郁闭度马尾松林蓄积量估算方法研究

doi:10.13466/j.cnki.lczyyj.2024.02.009

林草资源研究 ›› 2024›› Issue (2): 68-79.doi: 10.13466/j.cnki.lczyyj.2024.02.009

基于无人机影像的高郁闭度马尾松林蓄积量估算方法研究

骆耀培¹^,²(), 李和平³(), 杨广斌¹^,², 岑刚⁴, 李蔓¹^,², 曹乾洋¹^,², 王仁儒¹^,², 陈盼芳³

1.贵州师范大学地理与环境科学学院,贵阳 550025
2.贵州省山地资源与环境遥感应用重点实验室,贵阳 550025
3.贵州省第一测绘院,贵阳 550025
4.贵州省林业调查规划院,贵阳 550003

收稿日期:2023-12-11 修回日期:2024-01-18 出版日期:2024-04-28 发布日期:2024-09-02
通讯作者: 李和平,高级工程师,主要从事地理信息系统与遥感技术研究。Email:1596686651@qq.com
作者简介:骆耀培,硕士研究生,主要从事地图学与地理信息系统研究。Email:lypcp1874@163.com
基金资助:
贵州省科技计划项目“基于遥感大数据的自然资源统计和资产价值评估”(黔科合重大专项[2022]001);贵州省科技计划项目“基于喀斯特地区自然资源资产遥感监测关键技术研究”(黔科合支撑[2023]一般176)

Volume Estimation Method of High Canopy Density Pinus massoniana Forest Based on UAV Image

LUO Yaopei¹^,²(), LI Heping³(), YANG Guangbin¹^,², CEN Gang⁴, LI Man¹^,², CAO Qianyang¹^,², WANG Renru¹^,², CHEN Panfang³

1. School of Geography and Environmental Science,Guizhou Normal University,Guiyang 550025,China
2. Key Laboratory of Mountain Resources and Environmental Remote Sensing Application,Guiyang 550025,China
3. Guizhou First Surveying and Mapping Institute,Guiyang 550025,China
4. Forest Survey and Planning Institute of Guizhou Province,Guiyang 550003,China

Received:2023-12-11 Revised:2024-01-18 Online:2024-04-28 Published:2024-09-02

摘要/Abstract

摘要：

为降低传统野外调查成本,提高高郁闭度森林资源调查效率,以多光谱无人机影像结合实地样地调查数据为源数据,以马尾松纯林为研究对象,采用冠层高度模型(CHM)及多光谱影像6种植被指数构建模型,估算研究区林分蓄积量。结果表明:1)高分辨率数字高程模型的辅助能够有效弥补无人机影像在茂密森林无法提取地面点的缺陷,可提高CHM构建的精度,实现在茂密森林树高的准确提取;2)采用CHM提取研究区单木树高并估算蓄积量时,样地内共提取马尾松292株,提取的平均树高为18.77 m,小班区域内共提取马尾松18 120株,提取的平均树高为17.02 m,实测平均树高为18.17 m,平均树高提取效果较好,估算蓄积量为7 466.74 m³,实测蓄积量为9 024.40 m³,蓄积量估算精度为82.90%;3)植被指数模型的RMSE为0.39,R²为0.84,模型精度较高,蓄积量估算为8 620.30 m³,估算精度为96.26%。通过借助无人机遥感技术,两种蓄积量估算方法均能在高郁闭度森林中实现蓄积量的快速估算,其中通过多光谱数据提取植被指数构建模型估算蓄积量的效果更佳,这为进一步推广无人机影像在高郁闭度森林资源调查中的应用提供了有力的科学依据。

关键词: 无人机影像, 高郁闭度, 马尾松, 冠层高度模型, 植被指数, 蓄积量

Abstract:

In order to reduce the cost of traditional field investigation and improve the efficiency of high canopy density forest resource investigation,multi-spectral UAV images combined with field sample survey data were used as the source data,and the Pinus massoniana pure stand was used as the research object.The stand stock volume in the study area was estimated by using the canopy height model(CHM)and six vegetation indices from multi-spectral images.The results show that:1)The assistance of a high-resolution digital elevation model can effectively compensate for the defect that UAV images can not extract ground points from in dense forests,improve the accuracy of CHM construction,and achieve accurate extraction of tree height in dense forests.2)When CHM was used to extract the tree height of a single tree in the study area and estimate the volume,292 Pinus massoniana were extracted from the plot,and the average tree height was 18.77 m.A total of 18 120 Pinus massoniana were extracted from the subcompartment area,and the average tree height was 17.02 m.The measured average tree height was 18.17 m.The average tree height extraction effect was good.The estimated volume was 7 466.74 m³,the measured volume was 9 024.40 m³,and the accuracy of the estimation was 82.90%.3)The RMSE of the vegetation index model is 0.39,R²=0.84,and the accuracy of the model is high.The volume is estimated to be 8 620.30 m³,and the estimation accuracy is 96.26%.By using UAV remote sensing technology,both of the two stock volume estimation methods can achieve rapid estimation of stock volume in high-canopy density forests.Among them,the effect of estimating stock volume by extracting vegetation index from multi-spectral data is better.This provides a strong scientific basis for further promotion and application of UAV images in surveys of forest resources with high canopy density.

Key words: UAV image, high canopy density, Pinus massoniana, canopy height model, vegetation index, stock volume

中图分类号:

S771.8

骆耀培, 李和平, 杨广斌, 岑刚, 李蔓, 曹乾洋, 王仁儒, 陈盼芳. 基于无人机影像的高郁闭度马尾松林蓄积量估算方法研究[J]. 林草资源研究, 2024,(2): 68-79.

LUO Yaopei, LI Heping, YANG Guangbin, CEN Gang, LI Man, CAO Qianyang, WANG Renru, CHEN Panfang. Volume Estimation Method of High Canopy Density Pinus massoniana Forest Based on UAV Image[J]. Forest and Grassland Resources Research, 2024,(2): 68-79.

图/表 15

图1

表1

表2

图2

图3

图4

表3

图5

表4

图6

表5

图7

图8

图9

表6

参考文献 35

[1]	肖越, 许晓东, 龙江平, 等. 基于国产高分数据的森林蓄积量反演研究[J]. 林业资源管理, 2021(3):101-107.
[2]	李世波, 林辉, 王光明, 等. 基于GF-1的森林蓄积量遥感估测[J]. 中南林业科技大学学报, 2019, 39(8):70-75.
[3]	雷令婷, 高金萍, 张晓丽, 等. 基于Sentinel-1和Sentinel-2A数据的森林蓄积量估算[J]. 云南大学学报(自然科学版), 2022, 44(6):1174-1182.
[4]	王月婷, 张晓丽, 杨慧乔, 等. 基于Landsat 8卫星光谱与纹理信息的森林蓄积量估算[J]. 浙江农林大学学报, 2015, 32(3):384-391.
[5]	曹霖, 彭道黎, 王雪军, 等. 应用Sentinel-2A卫星光谱与纹理信息的森林蓄积量估算[J]. 东北林业大学学报, 2018, 46(9):54-58.
[6]	郭倩, 魏嘉豪, 张健, 等. 基于无人机多光谱影像和随机森林的蔬菜识别[J]. 中国农业科技导报, 2023, 25(2):99-110. doi: 10.13304/j.nykjdb.2022.0027
[7]	胡灵炆, 周忠发, 尹林江, 等. 基于无人机RGB影像的苗期油菜识别[J]. 中国农业科技导报, 2022, 24(9):116-128.
[8]	饶雄飞, 周龙宇, 杨春雷, 等. 基于无人机多光谱影像和关键点检测的雪茄烟株数提取[J]. 农业机械学报, 2023, 54(3):266-273.
[9]	LIN Lili, HAO Zhenbang, POST C J, et al. Protection of coastal shelter forests using UAVs:Individual tree and tree-height detection in Casuarina equisetifolia L.Forests[J]. Forests, 2023, 14(2):233.
[10]	KARPINA M, JARZABEK-RYCHARD M, TYMKÓW P, et al. UAV-Based automatic tree growth measurement for biomass estimation[J]. ISPRS-International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2016,XLI-B8:685-688.
[11]	谢雨涵, 史建康, 孙晓慧, 等. 基于大疆精灵4无人机多光谱影像的西沙植被监测[J]. 遥感技术与应用, 2022, 37(5):1170-1178. doi: 10.11873/j.issn.1004-0323.2022.5.1170
[12]	白明雄, 张超, 陈棋, 等. 基于无人机可见光遥感的单木树高提取方法研究[J]. 林业资源管理, 2021(1):164-172.
[13]	张玉薇, 张超, 王娟, 等. 基于UAV遥感的单木冠幅提取及胸径估算模型研究[J]. 林业资源管理, 2021(3):67-75.
[14]	HAO Zhenbang, LIN Lili, POST C J, et al. Assessing tree height and density of a young forest using a consumer unmanned aerial vehicle(UAV)[J]. New Forests, 2021, 52(5):843-862.
[15]	SINDE-GONZÁLEZ I, GIL-DOCAMPO M, ARZA-GARCÍA M, et al. Biomass estimation of pasture plots with multitemporal UAV-based photogrammetric surveys[J]. International Journal of Applied Earth Observation and Geoinformation, 2021,101:102355.
[16]	GONZÁLEZ-JARAMILLO V, FRIES A, BENDIX J. AGB estimation in a tropical mountain forest(TMF)by means of RGB and multispectral images using an unmanned aerial vehicle(UAV)[J]. Remote Sensing, 2019, 11(12):1413.
[17]	BAZZO C O G, KAMALI B, HÜTT C, et al. A review of estimation methods for aboveground biomass in grasslands using UAV[J]. Remote Sensing, 2023, 15(3):639.
[18]	周小成, 何艺, 黄洪宇, 等. 基于两期无人机影像的针叶林伐区蓄积量估算[J]. 林业科学, 2019, 55(11):117-125.
[19]	朱思名, 王振锡, 裴媛, 等. 基于无人机影像的天山云杉林冠幅提取及蓄积量反演[J]. 干旱区资源与环境, 2020, 34(10):160-165.
[20]	杨安蓉, 张超, 王娟, 等. 应用无人机可见光遥感技术估测林分蓄积量[J]. 东北林业大学学报, 2022, 50(5):70-75.
[21]	刘欢, 杨柳, 孙金华, 等. 基于无人机多光谱影像的森林蓄积量估算研究[J]. 河南科学, 2023, 41(9):1279-1284.
[22]	CARVAJAL-RAMÍREZ F, SERRANO J M P R, AGÜERA-VEGA F, et al. A comparative analysis of phytovolume estimation methods based on UAV-Photogrammetry and multispectral imagery in a mediterranean forest[J]. Remote Sensing, 2019, 11(21):2579.
[23]	VERAS H F P, CUNHA N E M D, BRASIL I D S, et al. Estimating tree volume based on crown mapping by UAV pictures in the Amazon Forest[J/OL]. Scientific Electronic Archives, 2023, 16(7)(2023-07-26)[2024-01-05]. https://doi.org/10.36560/16720231742.
[24]	贵州省林业厅. 贵州省第四次森林资源规划设计调查实施细则[EB/OL].(2015-10-05)[2023-11-10]. https://www.docin.com/p-2549295223.html.
[25]	SCARANELLO M A D S, ALVES L F, VIEIRA S A, et al. Height-diameter relationships of tropical Atlantic moist forest trees in southeastern Brazil[J]. Scientia Agricola, 2012, 69(1):26-37.
[26]	SPRIGGS R, COOMES D, JONES T, et al. An alternative approach to using LiDAR remote sensing data to predict stem diameter distributions across a temperate forest landscape[J]. Remote Sensing, 2017, 9(9):944.
[27]	GIANNICO V, LAFORTEZZA R, JOHN R, et al. Estimating stand volume and above-ground biomass of urban forests using LiDAR[J]. Remote Sensing, 2016, 8(4):339.
[28]	DJOMO A N, CHIMI C D. Tree allometric equations for estimation of above,below and total biomass in a tropical moist forest:Case study with application to remote sensing[J]. Forest Ecology and Management, 2017,391:184-193.
[29]	GONZÁLEZ-FERREIRO E, DIÉGUEZ-ARANDA U, BARREIRO-FERNÁNDEZ L, et al. A mixed pixel-and region-based approach for using airborne laser scanning data for individual tree crown delineation in Pinus radiata D.Don plantations[J]. International Journal of Remote Sensing, 2013, 34(21):7671-7690.
[30]	王宗梅, 岳彩荣, 刘琦, 等. 基于光学和微波遥感数据的森林蓄积量估测模型研究[J]. 西南农业学报, 2018, 31(8):1722-1726.
[31]	杨柳, 冯仲科, 岳德鹏, 等. 结合纹理因子和地形因子的森林蓄积量多光谱估测模型[J]. 光谱学与光谱分析, 2017, 37(7):2140-2145.
[32]	吕金城, 王振锡, 杨勇强, 等. 基于WorldView-2影像和随机森林算法的天山云杉蓄积量反演[J]. 新疆农业科学, 2022, 59(8):1992-1998. doi: 10.6048/j.issn.1001-4330.2022.08.020
[33]	吕金城, 王振锡, 杨勇强, 等. 基于无人机影像的天山云杉林树高提取及蓄积量的反演[J]. 新疆农业科学, 2021, 58(10):1838-1845. doi: 10.6048/j.issn.1001-4330.2021.10.009
[34]	孙世泽, 汪传建, 尹小君, 等. 无人机多光谱影像的天然草地生物量估算[J]. 遥感学报, 2018, 22(5):848-856.
[35]	覃静婷, 刘世男, 张丽琼, 等. 无人机遥感影像提取的单木冠幅数据在桉树林分蓄积量估测中的应用[J]. 东北林业大学学报, 2023, 51(6):96-102.

样地编号	株数/ 株	郁闭度	平均坡度/(°)	胸径/cm			树高/m			蓄积量/m³
样地编号	株数/ 株	郁闭度	平均坡度/(°)	最大值	最小值	平均	最大值	最小值	平均	蓄积量/m³
1	60	0.75	8.04	26.50	10.70	18.79	18.20	13.00	15.95	14.36
2	74	0.75	5.29	33.90	11.00	19.61	19.00	12.90	17.05	20.45
3	71	0.75	2.78	33.60	11.10	20.83	20.50	15.00	17.98	23.26
4	56	0.70	2.21	32.80	13.90	22.32	21.70	16.30	18.85	21.69
5	48	0.70	3.84	41.40	14.30	26.25	23.90	18.80	21.01	28.43

波段名称	中心波长	波段范围
蓝	450	±16
绿	560	±16
红	650	±16
红边	730	±16
近红外	840	±26

植被指数	计算公式	公式变量含义
归一化植被指数(Normalized Differnce Vegetation Index,NDVI)	(R_NIR-R)/(R_NIR+R)	B:蓝光波段的反射值 G:绿光波段的反射值 R:红光波段的反射值 R_RedEdge:红边波段的反射值 R_NIR:近红外波段的反射值
可见光波段差异指数(Visible-band Difference Vegetation Index,VDVI)	(2×G-R-B)/(2×G+R+B)
植被颜色指数(Colour Index of Vegetation Extraction,CIVE)	0.44×R-0.88×G+0.39×G+18.79
归一化红绿差异指数(Normalized Green-Red Difference Index,NGRDI)	(G-R)/(G+R)
冠层叶绿素含量指数(Canopy Chlorophyll Content Index,CCCI)	(R_NIR-R_RedEdge)/(R_NIR+R_RedEdge)
红绿比值指数(Red-Green Ratio Index,RGRI)	R/G

样地编号	实测株数/株	实测平均树高/m	提取株数/株	提取平均树高/m	单木提取精度/%
1	60	15.95	58	12.50	96.67
2	74	17.05	66	17.98	89.19
3	71	17.98	68	20.77	95.77
4	56	18.85	55	20.84	98.21
5	48	21.01	45	21.76	93.75

小班编号	小班面积/hm²	株数/株	平均树高/m	平均胸径/cm	估算蓄积量/m³	实测蓄积量/m³	估算精度/%
00120	12.50	8 035	15.73	20.68	2 723.97	3 262.50	83.49
00086	15.70	10 085	18.31	23.34	4 742.77	5 761.90	82.31
合计	28.20	18 120	17.02	22.01	7 466.74	9 024.40	82.90

基于无人机影像的高郁闭度马尾松林蓄积量估算方法研究

Volume Estimation Method of High Canopy Density Pinus massoniana Forest Based on UAV Image

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 35

相关文章 15

编辑推荐

Metrics

本文评价

小班编号	小班面积/ hm²	估算蓄积量/ m³	实测蓄积量/ m³	估算精度/ %
00120	12.50	3 226.80	3 262.50	98.91
00086	15.70	5 393.50	5 761.90	93.61
合计	28.20	8 620.30	9 024.40	96.26

[1]	李炜, 王晓红. 基于融合点云数据的马尾松林地单木分割算法研究[J]. 林草资源研究, 2024, 0(2): 92-100.
[2]	吴莎, 边更战, 易烜, 吕勇. 青冈栎次生林林分形高模型构建[J]. 林草资源研究, 2024, 0(1): 134-142.
[3]	唐佳俊, 汪刚, 柴宗政. 基于机载激光雷达点云数据的马尾松单木材积估测[J]. 林草资源研究, 2023, 0(6): 105-112.
[4]	白星雯, 胡晟, 布日古德, 阳帆. 一类调查与二类调查森林蓄积量数据对接方案分析研究[J]. 林草资源研究, 2023, 0(5): 142-147.
[5]	焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023, 0(4): 123-131.
[6]	杨深钧, 谭伟, 陈歆宇, 唐佳俊, 杨泽钧, 吴宇洁. 贵州黎平典型马尾松混交林的林分空间结构研究[J]. 林业资源管理, 2023, 0(3): 105-114.
[7]	李成, 唐代生, 贾剑波. 基于地统计分析的马尾松立地指数预估[J]. 林业资源管理, 2023, 0(3): 128-133.
[8]	邱洁, 李倩楠, 虞瑶. 机载激光雷达数据估测森林资源蓄积量研究[J]. 林业资源管理, 2023, 0(1): 153-160.
[9]	章敏, 王健, 韩天一, 欧阳勋志, 潘萍, 刘冬冬. 基于CBM-CFS3模型的马尾松林碳密度特征及其影响因素[J]. 林业资源管理, 2022, 0(6): 44-53.
[10]	曾伟生, 杨学云, 孙乡楠, 刘樯漪, 张宇超. 森林资源调查监测中各级储量数据的一体化方法研究[J]. 林业资源管理, 2022, 0(4): 13-19.
[11]	黄冰倩, 岳彩荣, 朱泊东. 基于GF-1数据多尺度遥感特征的森林蓄积量估测研究[J]. 林业资源管理, 2022, 0(3): 54-59.
[12]	龙植豪, 罗鹏, 许等平, 李振, 代华兵. Sentinel-2A红边波段森林蓄积量反演研究[J]. 林业资源管理, 2022, 0(2): 126-134.
[13]	杨丹, 李崇贵, 张家政. 基于深度学习的多时相GF-1影像林分类型分类研究[J]. 林业资源管理, 2022, 0(1): 142-149.
[14]	曾伟生. 森林蓄积量和生物量多元混合模型研建[J]. 林业资源管理, 2021, 0(6): 23-28.
[15]	相莹莹. 2009—2018年京冀生态水源保护林区生态系统变化特征[J]. 林业资源管理, 2021, 0(6): 65-68.