注册 登录 English Version
模型与方法 | 浏览量 : 0 下载量: 437 CSCD: 0 更多指标
  • 导出

  • 分享

  • 收藏

  • 专辑

    • 地基LiDAR林木点云估算枝干材积

    • Stem and branch volume estimation using terrestrial laser scanning data

    • 靳双娜

      1

      张吴明

      23

      蔡尚书

      1

      邵杰

      2

      程顺

      4

      谢东辉

      1

      阎广建

      1
    • 2023年27卷第7期 页码:1653-1666   

      纸质出版日期: 2023-07-07

    • DOI: 10.11834/jrs.20210537     

    扫 描 看 全 文

  • 引用

    阅读全文PDF

  • 靳双娜,张吴明,蔡尚书,邵杰,程顺,谢东辉,阎广建.2023.地基LiDAR林木点云估算枝干材积.遥感学报,27(7): 1653-1666 DOI: 10.11834/jrs.20210537.
    Jin S N,Zhang W M,Cai S S,Shao J,Cheng S,Xie D H and Yan G J. 2023. Stem and branch volume estimation using terrestrial laser scanning data. National Remote Sensing Bulletin, 27(7):1653-1666 DOI: 10.11834/jrs.20210537.
  •  
  •  
    论文导航

    摘要

    材积是森林清查工作的一个重要参数,基于地基激光雷达点云的树木定量结构模型(QSM)重建方法能够实现林木材积的非破坏性获取,解决了传统森林原位调查方式耗时耗力的问题。但由于伐木材积真值的获取较难实现,使得量化结构模型方法的材积获取能力在树干及各级树枝水平上尚未开展研究,且仅应用于单木尺度地基激光雷达点云中,缺乏基于样方尺度扫描点云进行材积获取的探究。因此本文分别在单木及样方尺度完成QSM重建方法在树干及各级枝材积估算结果评估。实验结果表明,基于单木及样方尺度地基激光雷达点云均能有效地获取树干和一级枝的材积,而次级枝的材积估算存在明显的偏差:样方扫描尺度点云的树干及全树材积估算精度与单木尺度相当,估算偏差均为5%及10%左右,而一级枝材积估算偏差略大,其中单木尺度一级枝估算偏差在10%左右,样方尺度一级枝材积估算偏差在15%左右;此外,林分密度与样方尺度枝干材积估算精度呈负相关关系,在较低林分密度(425株/ha、625株/ha和925株/ha)的样方中树干材积估算误差均在5%以内,一级枝材积估算误差在15%左右,另外受树干及一级枝材积低估与各次级枝材积高估的部分中和效应影响,样方内总蓄积量估算偏差均在10%左右,因此在较低林分密度的森林中,样方尺度扫描数据能够很好地估算树干、一级枝及全树材积。

    Abstract

    Tree volume is an important parameter in forest inventory. The reconstruction of the Quantitative Structure Model of Trees (TreeQSM) method based on ground-based LiDAR point clouds can achieve nondestructive acquisition of forest volume. It can also solve the time-consuming and labor-intensive problem of traditional forest in situ investigation. However, the reference volume of the felled timber is difficult to obtain. Thus, the ability of the TreeQSM volume estimation has not been studied at the stem and different branch orders. Moreover, TreeQSM is only applied to the ground-based LiDAR point cloud collected at the tree level but not at the plot level. Therefore, this study proposes to assess the stem and branch volume estimation of TreeQSM from the point cloud collected from the tree and plot levels.

    In this study, we evaluate the stem and branch volume estimated by TreeQSM using TLS point cloud at the tree and plot levels:(1) Estimating the volume of stem and branch at different orders based on TLS scanning at the tree-level.(2) Estimating and comparing the volume of stem and branch at different orders based on TLS point cloud at the tree and plot levels.(3) Exploring the influence of stand density on the estimation of stem and branch volumes using the TLS point cloud at the plot level.

    The experimental results showed that the stem and first-order branch volume can be effectively estimated from the point cloud collected from the tree and plot levels. However, the volume estimation of the secondary branch has obvious deviations. At the plot level, the accuracy of the stem and whole tree volume is equivalent to that of the tree level. The deviations are approximately 5% and 10%. However, the first-order branch volume estimation deviation is slightly large, approximately 10% and 15% at the tree and plot levels, respectively. In addition, the stand density is negatively correlated with the accuracy of volume estimation at the plot level. In the low forest density (425, 625, and 925 plants/ha), the stem volume estimation error is within 5%, and the first-order branch volume estimation error is approximately 15%. In addition, the estimation deviations of the total volume in the plot are affected by the partial neutralization effect of the underestimation of the stem and the first-order branch volume and the overestimation of the secondary branch volume. These deviations are all approximately 10%. Thus, it can well estimate the tree stem, first-order branch, and whole tree volumes at the plot level in forests with a low stand density.

    关键词

    蓄积量; 枝干材积; 定量结构模型(QSM); 地基激光雷达; 样方尺度

    Keywords

    volume; stem and branch volume; Quantitative Structure Model (QSM); TLS; plot level

    1 引言

    森林蓄积量指一定区域森林中活立木材积之和。森林蓄积量在森林生态系统管理、可持续经营和陆地表层碳循环动力学建模中具有重要作用(

    刘纪远 等,2004)。如何高效、非破坏性地获取森林蓄积量一直是林业、生态等领域的研究热点和难点。传统森林蓄积量的获取方法主要是使用森林中砍伐标准木用以拟合回归方程(材积表或材积式)从而进行森林蓄积量的估算(韩斐斐 等,2017张菲和张岩,2016)。标准木伐取之后主要使用溢水法估算伐倒木的体积,精度高但费时费力,且破坏性砍伐获取标准木易存在采样样本数量和分布代表性不足的问题(Liang等,2014)。传统森林资源调查方式存在调查周期长,劳动强度大且树木参数不易获取等问题(李崇贵 等,2006),因此亟需一种非破坏性的材积估算方法以避免伐木带来的诸多不可靠性。

    地基激光雷达TLS(Terrestrial Laser Scanning)能够以毫米级精度精细地描述树木三维结构(

    Kükenbrink等,2017Kunz等,2017),在林业中得到广泛应用,能够高精度获取林木参数(胸径、树高、冠幅和枝下高等)(李增元 等,2016马振宇 等,2019),在非破坏性获取树木材积方面得以广泛应用(Calders等,2015Dassot等,2012;Gonzalez等,2018;Liu等,2018Zhang等,2019)。TLS点云能够高精度获取林木参数(刘鲁霞 等,2014Liu等,2018),为基于材积表、材积式等林木材积获取方式提供一种新型的森林参数调查方法,有效地解决了森林原位测量费时费力且精度不高的难题。目前基于地基激光雷达进行林木材积非破坏性估算的相关研究有很多:基于林木高精度TLS点云进行林木参数获取,并使用已有异速生长模型进行林木材积的估算(Aguilar等,2019);基于多站或单站TLS点云获取树木干曲线(Liang等,2014Saarinen等,2017)等方式在避免伐木的同时也有效提高了树干材积估算精度;基于TLS多站点云的体素化方法估算林木材积(Bienert等,2014)等,但已有方法多用于树干材积的估算,对树枝鲜有研究。

    树枝,作为树冠的主要组成部分,在树木结构中占有重要地位。其在森林地上生物量估算中占有不可忽视的分量,理应得到量化并包含在未来森林调查中(

    Hauglin等,2014),已有研究表明树枝呼吸作用造成的碳消耗约占森林生态系统呼吸碳消耗的50%(Damesin等,2002),在森林生态系统碳水平衡中占有重要角色。由于树枝结构复杂,其结构参数难以量化。已有研究主要使用异速生长模型获取树枝材积或生物量,通过森林原位调查的方式量取树枝基径、枝长等参数构建树枝材积回归方程,或使用树冠参数拟合单木尺度树枝生物量(Damesin等,2002Hauglin等,20132014),同样存在耗时耗力,不易获取的难题。而林木材积的准确估算是森林地上生物量及碳储量的研究基础(Verity和Lagdon,1984Bredin等,2020),因此树枝材积估算研究很有必要。

    近年来,基于高精度TLS点云进行树木QSM重建的算法逐渐完善(

    曹伟 等,2021Delagrange等,2014Hackenberg等,2015Raumonen等,2013),为非破坏性材积估算的提供一种有效的方法。其中QSM重建方法可根据基元类型分为基于体素、圆台和圆柱的方式(Du等,2019Hackenberg等,2014Putman等,2018Raumonen等,2013Stovall等,2017Stovall和Shugart,2018),其中基于圆柱的QSM方法在材积估算方面具有较高的鲁棒性和精确性,因此被广泛使用并已发布多套开源软件,例如Pypetree、Simpletree和TreeQSM(Delagrange等,2014Hackenberg等,2015Raumonen等,2013)等。

    TreeQSM算法可基于TLS点云进行单木三维精细结构的重建,并获取树干材积及各级分枝材积等参数,目前主要应用于单木全树材积的估算,尤其是在森林地上生物量估算领域被广泛应用,被证实为一种有效的材积估算方法(

    Markku等,2015De Tanago等,2018Brede等,2019Stovall和Shugart,2018),已被用于材积参考值获取进行新算法的验证(Fan等,2020)。该方法对点云质量有较高要求,通常对单棵树在多个方向进行扫描以获取尽可能完整的树木点云,因此实验过程耗时耗力。该算法主要用于单木全树材积的估算,缺乏各级枝材积获取能力的评估。相比于单木扫描,对森林样方的多站扫描方式可有效提高外业作业效率,但是样方内树木自身树枝遮挡和树木之间相互遮挡造成的点云缺失不可避免地导致材积估算精度的下降,因此基于样方多站扫描方式的材积获取能力有待验证。目前,受限于整块样地的破坏性伐倒木验证数据难以获取等弊端,样方扫描点云对枝干材积估算精度的影响尚未展开。近年来,基于计算机模拟森林场景构建及三维激光点云获取平台的发展(Qi等,2019Bechtold和Höfle,2016),使得基于模拟森林场景的TLS点云获取成为可能。而用于模拟森林场景构建的单木模型,其各组分尺寸可控,能够有效获取树干及各级枝材积真实值,为基于TreeQSM的各级枝干材积获取评估提供有效的参考,解决了实测林木点云参考值难以获取的难题。

    为准确评估单木及样方尺度TreeQSM树干及各级枝材积估算能力,本文基于模拟数据获取单木树干及各级枝材积参考值,并就单木及样方尺度的TLS点云树干及各级枝材积估算进行评价。具体目标如下:(1)单木尺度树干及各级枝材积的评估。(2)单木及样方尺度地基激光雷达点云树干及各级枝材积估算对比。(3)不同林分密度对样方尺度地基激光雷达点云估算树干及各级枝干材积的影响。

    2 研究方法

    为准确获取树干及各级树枝材积参考值,本文使用模拟森林场景进行单木及样方尺度的TLS点云枝干材积评估。方法主要流程图如下:

    fig

    图1  树干及各级枝材积评估流程图

    Fig. 1  Flow chart for the stem and branch volume estimation

    icon 下载:  原图 | 高精图 | 低精图

    首先,使用OnyxTree完成单木模型重建,并获取各单木树干和各级枝材积的参考值;之后,构建不同林分密度的森林场景,并基于HELIOS(

    Bechtold和Höfle,2016)完成单木及森林样方尺度的模拟地基激光雷达数据获取;经过地面点滤波、单木提取过程完成两种扫描模式下各单木的提取及编号,并使用TreeQSM完成单木的枝干材积估算。最后,参考各单木模型树干及各级枝材积真值完成不同扫描模式及不同林分密度下基于激光雷达点云的TreeQSM算法枝干材积估算能力评估。

    2.1 虚拟森林场景构建与TLS点云模拟

    为分析林分密度对材积获取的影响,分别构建了从低到高5种不同林分密度(425株/ha、625株/ha、925株/ha、1250株/ha及1500株/ha)(

    邵英男 等,2017)的落叶松虚拟森林场景,场景中5个样方尺寸均为20 m×20 m,单木位置在样方内随机分布,相邻单木的最小距离为2 m(图2)。

    fig

    图2  单木尺度扫描布站方式

    Fig. 2  The layout of stations in scanning at tree-level

    icon 下载:  原图 | 高精图 | 低精图

    各单木模型使用OnyxTree CONIFER 7.0(www.onyxtree.com[2020-12-10])生成,分别包含树干和四级分枝,其中各单木模型树干、枝下高、枝长等参数的不同,4个样方内的单木模型参数如表1所示。

    表1  样方内单木胸径、树高和材积统计
    Table 1  Statistics of DBH, H and volume of single wood in different plots
    林分密度参数范围均值
    425 胸径/cm 22.99—29.06 25.97
    树高/m 14.15—23.09 19.07
    材积/dm³ 485.09—1389.96 1016.57
    625 胸径/cm 23.16—28.58 26.46
    树高/m 14.58—23.16 19.21
    材积/dm³ 442.96—1024.46 1016.57
    925 胸径/cm 21.66—28.14 25.81
    树高/m 15.36—22.52 19.17
    材积/dm³ 391.82—955.03 660.57
    1250 胸径/cm 20.02—27.38 24.58
    树高/m 15.19—23.81 20.71
    材积/dm³ 408.53—859.257 665.49
    1500 胸径/cm 20.02—27.38 24.08
    树高/m 15.19—23.81 20.79
    材积/dm³ 408.53—859.257 654.73
    icon 下载:  导出CSV icon 下载:  下载表格图片

    模拟地基激光雷达点云使用HELIOS(https://github.com/GIScience/helios.git[2021-03-31])在虚拟森林场景中完成(

    Bechtold和Höfle,2016)。为采集尽可能完整的单木点云,已有研究通常采用多站扫描方式获取单木尺度TLS点云数据以用于单木材积估算。受垂直视场角和树高的限制,单木尺度扫描通常在距离树干8—10 m位置处布设扫描站,为平衡扫描效率和点云完整度,扫描仪通常围绕单木均匀地设置3—4站(周珺婕,2019)。本文模拟单木地基激光雷达扫描过程中,随机选取选取7棵单木并对每木设置3站进行扫描,3个设站点分别布设在单木四周8—10 m处,相邻两站夹角约120°(图2);此外,为节省数据采集时间,本文对森林样方尺度点云枝干材积估算进行验证,样方尺度扫描模式使用地基激光雷达林业调查常用方式(图3),在样方中心及四角分别布站(Malhi等,2018)。参考激光雷达实际作业过程,模拟地基激光雷达点云数据的采集选用Riegl VZ1000传感器,参数设置与实际作业一致,如表2所示。单木尺度扫描方式、样方尺度扫描方式及5种林分密度森林场景内5个样方的点云数据分别如图2图3所示:

    fig

    图3  5种不同林分密度森林样方的单木和扫描站分布以及相应的模拟TLS点云

    Fig. 3  The distribution of the trees and scan stations at plot-level in the five plots with different stand density, and the TLS point cloud

    icon 下载:  原图 | 高精图 | 低精图
    表2  地基激光雷达扫描参数
    Table 2  Scanning parameters of TLS
    参数数值
    垂直视场范围/(°) -40—60
    水平视场角/(°) 0—360
    扫描精度/mm 5
    角度分辨率/(°) 0.04
    发散角/rad 0.00035
    icon 下载:  导出CSV icon 下载:  下载表格图片

    2.2 参考值获取及点云数据处理

    由于OnxyTree无法生成封闭的单木模型,不能直接获取枝干材积。为获取单木树干及各级枝真实材积值,使用Geomagic Wrap(https://cn. 3dsystems.com/software/geomagic-wrap[2020-12-10])进行单木模型各组分的封闭并获取其参考材积。

    除坐标、反射率等属性信息外,基于HELIOS生成的模拟激光雷达点云还包含目标物的编号,即各单木模型的编号(ID)。因此,基于点云的ID属性值,使用CloudCompare(https://www.danielgm. net/cc/)[2020-12-10]中的filter by value工具完成各组模拟数据的地面滤波及单木分割等工作。

    2.3 枝干QSM重建

    近年来树木定量结构模型QSM(Quantitative Structural Model)被视为描述树木三维结构、估算枝干蓄积量及生物量最精确的模型之一,并且已应用于多种森林类型(

    Delagrange等,2014Stovall等,2017Stovall和Shugart,2018Calders等,2015)。本文采用TreeQSM重建树木定量结构模型(https://github.com/InverseTampere/TreeQSM[2020-12-10])。TreeQSM是芬兰坦佩雷大学Pasi Raumonen等(2013)开发的用于定量化结构模型重建的开源软件包,其优势在于模型重建精度高,树木参数提取准确,建模速度快且简单易用。TreeQSM利用树枝分叉处点云不连通的特性分割各级枝点云,并在各级枝点云上拟合圆柱构建树木定量模型(Calders等,2015Brede等,2019Fan等,2020),如图4所示。各级枝分割过程中TreeQSM使用多尺度体元替代个体点以提高点云分割结果的鲁棒性。分割过程由两个阶段组成首先使用统一尺寸的体元进行粗分割,体元尺寸参数为patchdiam1。在粗分割结果基础上使用多尺度的体元进行精分割,体元尺寸参数为最大及最小尺寸patchdiam2max和patchdiam2min。patchdiam1、patchdiam2max和patchdiam2min是影响TreeQSM定量结构重建结果的3个重要参数(Moorthy等,2020)。我们从所有样本中随机选取10棵进行3个参数的敏感性分析,并将最优参数作为其他样本的输入参数。TreeQSM的详细描述请参考文献(Hackenberg等,2014)。此外,由于体元被随机生成,因此在同一组参数下树木的定量结构模型不完全相同(Moorthy等,2020),对每个样本获取10组模型并使用10组模型估算的材积平均值作为最终结果。

    fig

    图4  TreeQSM定量结构模型流程图

    Fig. 4  The flow chart of QSM reconstruction with TreeQSM

    icon 下载:  原图 | 高精图 | 低精图

    3 实验结果与分析

    3.1 单木尺度树干及各级枝材积估算结果

    基于单木尺度扫描模式获取的模拟点云数据进行QSM重建并获取树干、各级枝及全树材积,相对偏差结果如图5所示,由结果可以看出,在单木尺度树干和一级枝材积估算接近于真值,从二级枝开始材积估算偏差逐渐增大,四级枝材积估算偏差高达几倍。受树干材积在全树材积占比、树干及一级枝材积相对低估和次级枝相对高估的影响,全树材积估算结果相对偏差较小,这也是目前QSM法广泛应用于全树材积及森林地上生物量估算的原因。

    fig

    图5  单木尺度树干、各级枝及全树材积相对偏差图

    Fig. 5  The relative deviation of the volume estimation of stem, branch at all orders and the whole tree at tree-level

    icon 下载:  原图 | 高精图 | 低精图

    3.2 不同林分密度下样方尺度TLS点云枝干材积精度评估

    单木尺度点云数据获取需对每木进行多站(3—4站)扫描,因此实验过程耗时长,而样方尺度的点云数据获取能够有效地节省实验时间,因此有必要对样方尺度扫描点云的材积估算能力进行验证。为分析不同林分密度对材积估算结果的影响,我们分别使用5种林分密度的样方进行树干及各级枝材积的计算,并就各样方树干、各级枝材积总和及全树材积总和(蓄积量)进行评估。如表3所示,5种林分密度样方内全树总蓄积量估算误差均在10%左右;林分密度为425株/ha、625株/ha、925株/ha的森林样方中,树干总材积偏差在3%以内,林分密度为1250株/ha及1500株/ha的样方树干总材积估算精度明显降低,在1500株/ha的森林样方中树干材积估算超过10%。较低的3种林分密度样方一级枝材积估算偏差在20%以内,林分密度较高的两个样方受树木自身树枝及树木间遮挡严重,其一级枝估算偏差超过30%(低估);二、三、四等次级枝材积估算误差逐渐增大,且以高估为主,在四级枝部分高估高达几倍。总体来看,林分密度较低的样方树干和一级枝蓄积量估算结果偏差较小,二、三、四级枝材积估算结果偏差高,在较高林分密度的两个样方中方仅树干蓄积量估算结果偏差较低。这是因为地基激光雷达地面扫描的作业方式使得遮挡对远离地面的树冠部分比树干部分树枝的影响更严重,遮挡导致树顶部分的树枝缺失严重(图4)。

    表3  5种林分密度样方蓄积量
    Table 3  Volume of five plots with different forest density
    林分密度树干一级枝二级枝三级枝四级枝总蓄积量
    SD-425 材积和/dm³ 6293.31 7026.36 2612.22 1372.31 320.21 17845.40
    偏差/dm³ 120.07 999.79 1147.98 674.42 251.48 1206.87
    相对偏差/% 1.94 12.46 78.40 96.63 365.86 7.25
    SD-625 材积和/dm³ 10039.42 6957.09 2566.39 1451.70 277.25 20962.78
    偏差/dm³ 217.21 850.35 1141.15 768.15 227.32 2170.60
    相对偏差/% 2.21 10.89 80.07 112.38 455.25 11.55
    SD-925 材积和/dm³ 15287.20 5357.98 3231.55 1470.73 285.28 25623.74
    偏差/dm³ 75.43 1187.24 1320.22 503.27 218.21 779.04
    相对偏差/% 0.49 18.14 39.07 52.02 325.39 3.14
    SD-1250 材积和/dm³ 18396.41 5746.56 4446.01 2035.24 434.20 31058.42
    偏差/dm³ 1850.38 2637.59 1474.42 486.44 311.18 2215.93
    相对偏差/% 9.14 31.46 49.62 31.41 252.95 6.66
    SD-1250 材积和/dm³ 21012.02 6077.41 4568.13 2034.93 431.60 34124.09
    偏差/dm³ 3284.13 3983.57 1002.22 176.37 283.98 5805.13
    相对偏差/% 13.5 39.59 28.11 9.49 1.92 14.53
    icon 下载:  导出CSV icon 下载:  下载表格图片

    TreeQSM材积估算结果整体偏高估,但由于样方尺度地基激光雷达点云获取过程易受树木间及树枝自身遮挡的影响使得林木点云出现不同程度的缺失,理论上点云缺失会造成枝干材积的低估,因此TreeQSM的材积高估与点云缺失造成的低估会出现一定的中和现象。如表3所示,径围较大的树干和一级枝蓄积量被低估,径围较小的二、三、四级枝易被高估。随着林分密度的增大,树木自身及树木间的遮挡会越严重,点云缺失造成的材积低估也会越明显,因此在林分密度为625株/ha、925株/ha、1250株/ha及1500株/ha的5个森林样方中,二、三、四等次级枝随林分密度增大反而出现偏差减小的现象,这也说明在次级枝材积估算过程中TreeQSM自身对径围很小的次级枝材积高估效应远大于由于点云缺失造成的材积低估。

    为评估不同林分密度下单木全树材积估算结果,我们对5个林分密度样方内各单木全树材积进行评估。如图6所示,4个样方中全树材积整体偏低估,斜率分别是0.9995、0.8605、0.8458、0.6259和0.5072,林分密度越大,RMSE分别是103.43 dm³(8.87%)、119.17 dm³(13.64%)、58.23 dm³(8.41%)、100.66 dm³(16.21%)和145.19 dm³(25.52%)。此外,树木尺寸与树木材积估算偏差呈正相关,在遮挡更严重的中、高林分密度样方表现更明显,这说明遮挡对大尺寸树木材积估算影响更严重。

    fig

    图6  5种林分密度下树木全树材积估算结果

    Fig. 6  The results of the whole tree volume estimation in five plots with different stand density

    icon 下载:  原图 | 高精图 | 低精图

    为分析样方中各级枝干材积估算情况,我们对5种林分密度样方中各单木树干和各级枝材积估算结果进行统计,结果如图7所示。相比于树枝材积,树干材积估算稳定性和精度更高。3个较低林分密度的森林样方中树干材积估算中R²均在0.9左右,而树枝材积估算中R²明显偏低,在较高林分密度的两个样方中,各级枝R²均低于0.5,RMSE均在30%以上。树干蓄积估算能力优于树枝的原因是树枝比树干具有更小的尺寸,进行圆柱拟合时树枝点云受遮挡造成数据缺失的影响更大,因此造成圆柱在树枝上比在树干上的圆柱拟合精度更低甚至在树枝上错误地拟合出多个圆柱体(

    Hackenberg等,2015)。

    fig

    (a)  树干材积估算结果

    (a)  The results of stem volume estimation

    icon 下载:  原图 | 高精图 | 低精图
    fig

    (b)  一级枝材积估算结果

    (b)  The results of the-first-branch volume

    icon 下载:  原图 | 高精图 | 低精图
    fig

    (c)  二级枝材积估算结果

    (c)  The results of the-second-branch volume

    icon 下载:  原图 | 高精图 | 低精图
    fig

    (d)  三级枝材积估算结果

    (d)  The results of the-third-branch volume

    icon 下载:  原图 | 高精图 | 低精图
    fig

    (e)  四级枝材积估算结果

    (e)  The results of the-five-branch volume

    icon 下载:  原图 | 高精图 | 低精图

    图7  5种林分密度森林场景中树干及各级枝材积估算结果

    Fig. 7  The results of the stem and branch volume in five plots with different stand density

    综上所述,随林分密度的增大,树干及各级枝材积估算精度越低,在较低林分密度的两个森林样方中,样方尺度扫描点云数据对树干和一级枝材积估算结果比较可靠,且具有较高的稳定性;在较高林分密度的两个森林样方中,一级枝材积估算结果偏差较大,相对偏差高于30%;各林分密度在全树材积估算方面均取得很好的估算结果(15%以内)。

    3.3 单木及样方尺度点云枝干材积估算对比

    为评估样方尺度扫描数据材积估算结果与单木尺度结果的异同,本文在样方扫描数据中提取进行单木尺度扫描的7棵模拟落叶松点云,进行样方与单木尺度材积估算结果的异同。图8是采用单木和样方尺度扫描方式获取的树干及各级树枝材积结果,其中图8(a)为单木及样方尺度在树干及各级枝材积估算相对偏差的折线图,结果显示在树干、一级枝、二级枝和全树材积估算中,单木与样方尺度材积估算精度相当,在三级枝材积估算中两种扫描方式材积估算结果出现明显差异,尤其在四级枝材积估算中差异明显。受坐标轴刻度影响,对树干、一级枝及全树材积估算相对偏差进行单木与样方尺度的折线图绘制(图8(b))。图8(a)、(b)结果显示单木与样方尺度扫描点云获取树干及全树材积能力相当,在一级枝材积估算中单木尺度精度高于样方尺度,但样方尺度也能很好的估算一级枝材积,其估算偏差在15%左右;同样,样方尺度次级枝点云缺失影响较大,受其造成的材积低估与TreeQSM材积高估中和效应影响,由图8(a)显示样方尺度四级枝材积估算精度反而高于单木尺度。

    fig
    icon 下载:  | 高精图 | 低精图

    图8  单木和样方尺度点云树干及各级枝材积估算对比

    Fig. 8  The comparison of stem and branch volume estimated from the point cloud collected at tree and plot-level

    4 讨论

    4.1 枝干材积估算的重要性

    在林学中,材积一般指树干的体积。相较于树干较高的经济价值,树枝经济价值相对较低且结构复杂,因此其材积估算鲜少得到关注(Ver Planck和MacFarlane,2014)。但树枝作为树干和树叶生理及物理特性的重要连接纽带(

    Malhi等,2018),具有较高的森林生态价值,在全树结构中占有重要地位;准确估算树枝材积是全树材积获取及森林蓄积量获取的基础,也为准确获取森林地上生物量及碳储量提供重要依据。

    4.2 TreeQSM样方尺度树枝材积估算潜力

    TreeQSM主要基于树枝分叉处点云不连通的特性进行各级枝点云的分割,并通过圆柱拟合的方式完成树木枝干定量结构模型的重建(

    Brede等,2019Fan等,2020),圆柱拟合过程是通过不断增大圆的半径以实现对点云的最佳拟合,因此可能会造成拟合的圆柱模型略大于实际枝干模型,尤其是在结构复杂的次级枝拟合中这种偏差可能会增大,此外,在尺寸很小的次级枝中易存在圆柱的错误拟合,这均是造成TreeQSM材积估算整体偏高估的原因(Hackenberg等,2015)。

    图4所示,TreeQSM算法能很好地进行树干及各级枝点云的分割,但在树梢部分受点云缺失影响,存在一定的错分,这也导致单木模型重建结果存在一定的偏差,是各级枝材积估算误差的来源之一。相比OnyxTree模拟单木模型(图9),QSM重建结果(图9)整体较为可靠,图9两侧分别为树冠上、中、下3部分的局部放大图,直观展示了QSM单木枝干重建目视效果,容易发现树冠上部分错分严重,靠近树梢部分几乎全被做分为更高级的次级枝,树冠中部和下部次级枝分级明显且较为准确。目视效果与枝干材积估算结果相一致,即树干及一级枝重建效果较好,而等级越高的次级枝越容易被错分,材积估算误差越大。因此,受树干及一级枝材积在全树材积中的占比影响,QSM单木全树材积估算整体较为可靠。综合单木尺度及各林分密度下样方尺度材积估算结果显示,基于样方尺度的地基激光雷达点云的QSM重建法可较为准确的估算单木树干及一级枝的材积,而对次级枝的高估较为明显,其中二级枝材积存在约30%—80%的高估,有待进一步完善以更好地获取二级枝材积。因此,基于QSM重建方法对树枝材积的分级获取与研究具有一定的参考依据。

    fig

    图9  OnyxTree单木模型构建结果与点云重建单木QSM

    Fig. 9  The tree 3D model constructed by OnyxTree and reconstructed by TreeQSM

    icon 下载:  原图 | 高精图 | 低精图

    4.3 TreeQSM点云密度敏感性分析

    为更好地将TreeQSM林木材积非破坏性获取应用于实际工作,本文分析了点云密度对树干及各级枝材积估算的影响,为实测地基激光雷达点云获取过程提供参考。本文选取5棵单木点云,使用随机采样方法将各单木原始点云数量按0.8、0.6、0.4、0.2的比例抽稀到固定点数,其中原始点云密度约为12000点/㎡,抽稀之后点云密度分别为9600、7200点/㎡、4800点/㎡和2400点/㎡。因为所用数据为单木点云,这里将单木点云投影到XY平面,并通过点云数量与投影面积比计算点云密度,因本文模拟数据采集过程使用与实际试验一致的参数,通过验证也证明单木点云密度与同样参数实测数据的单木点云密度(约11500 pts/㎡)相当)。各点云密度下单木枝干材积估算结果如图10所示。结果显示,树干、一级枝及全树材积对点云密度敏感性较小,5组不同点云密度下材积估算结果相当;二、三、四等次级枝材积估算结果对点云密度较为敏感,尤其在三、四级枝材积估算结果中差异明显,与遮挡效应类似,点云密度越低,其材积低估程度越高,从而更多的中和TreeQSM的材积高估,造成点云密度越小,材积估算高估程度越低,精度越高。

    fig

    图10  不同点云密度下枝干材积估算结果

    Fig. 10  The results of the volume estimation from point cloud with different density

    inlinegraphic代表原始点云密度,inlinegraphicinlinegraphicinlinegraphicinlinegraphic分别为原始点云密度的80%、60%、40%及20%

    icon 下载:  原图 | 高精图 | 低精图

    5 结论

    基于目前定量结构模型算法在单木尺度激光雷达点云中的应用现状,本研究开展了基于地基激光雷达单木及森林样方尺度扫描点云的森林蓄积量评估及不同林分密度对样方扫描点云枝干材积估算的影响。我们分别从单木尺度及不同林分密度森林场景的样方尺度评估了TreeQSM算法单木树干及各级树枝材积估算能力。实验结果显示单木及样方尺度地基激光雷达点云均能有效获取林木树干及一级枝材积,对于次级枝的材积估算偏差较大;对于不同林分密度森林场景而言,随林分密度增大,受枝干遮挡效应的影响,样方尺度估算单木枝干材积能力下降。因此,对于实际森林场景中获取树木枝干材积的研究中,我们需要就林分密度及对树干和各级枝估算精度的要求综合考虑进行单木或样方尺度的激光雷达点云获取;相比于各级树枝材积,单木总材积估算精度相对较高,主要是树干和一级枝的普遍低估及次级枝高估中和的结果。对于森林地上生物量的研究会更加关注于全树材积的估算的结果,因此基于定量结构模型的材积获取是森林地上生物量的非破坏性获取的一种有效方法。

    针对已有研究较多关注于森林树干材积及全树材积获取用以生物量估算的研究现状,本文从树干和各级枝层面分别评估QSM重建法的材积估算能力,证明了其对树干及一级枝较为准确的材积估算及在次级枝材积估算的潜力,有助于误差源的探寻及未来QSM更为准确估算各级枝材积的改进。

    参考文献(References)

    Aguilar F J, Nemmaoui A, Peñalver A, Rivas J R and Aguilar M A. 2019. Developing allometric equations for teak plantations located in the coastal region of Ecuador from terrestrial laser scanning data. Forests, 10(12): 1050 [DOI: 10.3390/f10121050] [百度学术] 

    Bechtold S and Höfle B. 2016. HELIOS: a multi-purpose LiDAR simulation framework for research, planning and training of laser scanning operations with airborne, ground-based mobile and stationary platforms. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, III-3: 161-168 [DOI: 10.5194/isprsannals-III-3-161-2016] [百度学术] 

    Bienert A, Hess C, Maas H G and Von Oheimb G. 2014. A voxel-based technique to estimate the volume of trees from terrestrial laser scanner data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-5: 101-106 [DOI: 10.5194/isprsarchives-XL-5-101-2014] [百度学术] 

    Brede B, Calders K, Lau A, Raumonen P, Bartholomeus H M, Herold M and Kooistra L. 2019. Non-destructive tree volume estimation through quantitative structure modelling: comparing UAV laser scanning with terrestrial LIDAR. Remote Sensing of Environment, 233: 111355 [DOI: 10.1016/j.rse.2019.111355.] [百度学术] 

    Bredin Y K, Peres C A and Haugaasen T. 2020. Forest type affects the capacity of Amazonian tree species to store carbon as woody biomass. Forest Ecology and Management, 473: 118297 [DOI: 10.1016/j.foreco.2020.118297] [百度学术] 

    Calders K, Newnham G, Burt A, Murphy S, Raumonen P, Herold M, Culvenor D, Avitabile V, Disney M, Armston J and Kaasalainen M. 2015. Nondestructive estimates of above-ground biomass using terrestrial laser scanning. Methods in Ecology and Evolution, 6(2): 198-208 [DOI: 10.1111/2041-210X.12301.] [百度学术] 

    Cao W, Chen D, Shi Y F, Cao Z and Xia S B. 2021. Progress and prospect of LiDAR point clouds to 3D tree models. Geomatics and Information Science of Wuhan University, 46(2): 203-220 [百度学术] 

    曹伟, 陈动, 史玉峰, 曹震, 夏少波. 2021. 激光雷达点云树木建模研究进展与展望. 武汉大学学报(信息科学版), 46(2): 203-220 [DOI: 10.13203/j.whugis20190275] [百度学术] 

    Damesin C, Ceschia E, Le Goff N, Ottorini J M and Dufrêne E. 2002. Stem and branch respiration of beech: from tree measurements to estimations at the stand level. New Phytologist, 153(1): 159-172 [DOI: 10.1046/j.0028-646X.2001.00296.x] [百度学术] 

    Dassot M, Colin A, Santenoise P, Fournier M and Constant T. 2012. Terrestrial laser scanning for measuring the solid wood volume, including branches, of adult standing trees in the forest environment. Computers and Electronics in Agriculture, 89: 86-93 [DOI: 10.1016/j.compag.2012.08.005] [百度学术] 

    Delagrange S., Jauvin C., & Rochon P. (2014). PypeTree: a tool for reconstructing tree perennial tissues from point clouds. Sensors, 14(3), 4271-4289 [DOI: 10.3390/s140304271] [百度学术] 

    De Tanago J G, Lau A, Bartholomeus H, Herold M, Avitabile V, Raumonen P, Martius C, Goodman R C, Disney M, Manuri S, Burt A and Calders K. 2018. Estimation of above-ground biomass of large tropical trees with Terrestrial LiDAR. Methods in Ecology and Evolution, 9(2): 223-234 [DOI: 10.1111/2041-210X.12904] [百度学术] 

    Delagrange S, Jauvin C and Rochon P. 2014. PypeTree: a tool for reconstructing tree perennial tissues from point clouds. Sensors, 14(3): 4271-4289 [DOI: 10.3390/s140304271.] [百度学术] 

    Du S L, Lindenbergh R, Ledoux H, Stoter J and Nan L L. 2019. AdTree: accurate, detailed, and automatic modelling of laser-scanned trees. Remote Sensing, 11(18): 2074 [DOI: 10.3390/rs11182074] [百度学术] 

    Fan G P, Nan L L, Dong Y Q, Su X H and Chen F X. 2020. AdQSM: a new method for estimating above-ground biomass from TLS point clouds. Remote Sensing, 12(18): 3089 [DOI: 10.3390/rs12183089] [百度学术] 

    Hackenberg J, Morhart C, Sheppard J, Spiecker H and Disney M. 2014. Highly accurate tree models derived from terrestrial laser scan data: a method description. Forests, 5(5): 1069-1105 [DOI: 10.3390/f5051069] [百度学术] 

    Hackenberg J, Spiecker H, Calders K, Disney M and Raumonen P. 2015. SimpleTree—an efficient open source tool to build tree models from TLS clouds. Forests, 6(11): 4245-4294 [DOI: 10.3390/f6114245] [百度学术] 

    Han F F and Jiang L C. 2017. Tree volume function based on diameter at different relative heights of Dahurian larch. Journal of Northeast Forestry University, 45(4): 65-69 [百度学术] 

    韩斐斐, 姜立春. 2017. 基于树干不同高度直径的落叶松立木材积方程. 东北林业大学学报, 45(4): 65-69 [DOI: 10.13759/j.cnki.dlxb.2017.04.013] [百度学术] 

    Hauglin M, Astrup R, Gobakken T and Næsset E. 2013. Estimating single-tree branch biomass of Norway spruce with terrestrial laser scanning using voxel-based and crown dimension features. Scandinavian journal of forest research, 28(5), 456-469 [DOI: 10.1016/j.isprsjprs.2013.02.013] [百度学术] 

    Hauglin M, Gobakken T, Astrup R, Ene L and Næsset E. 2014. Estimating single-tree crown biomass of Norway spruce by airborne laser scanning: A comparison of methods with and without the use of terrestrial laser scanning to obtain the ground reference data. Forests, 5(3): 384-403 [DOI: 10.3390/f5030384] [百度学术] 

    Kükenbrink D, Schneider F D, Leiterer R, Schaepman M E and Morsdorf F. 2017. Quantification of hidden canopy volume of airborne laser scanning data using a voxel traversal algorithm. Remote Sensing of Environment, 194: 424-436 [DOI: 10.1016/j.rse.2016.10.023] [百度学术] 

    Ma Z Y, Pang Y, Li Z Y, Lu H, Liu L X and Chen B W. 2019. Fine classification of near-ground point cloud based on terrestrial laser scanning and detection of forest fallen wood. Journal of Remote Sensing, 23(4): 743-755. [百度学术] 

    马振宇, 庞勇, 李增元, 卢昊, 刘鲁霞, 陈博伟. 2019. 地基激光雷达森林近地面点云精细分类与倒木提取. 遥感学报, 23(4): 743-755 [DOI: 10.11834/jrs.20197383] [百度学术] 

    Kunz M, Hess C, Raumonen P, Bienert A, Hackenberg J, Maas H G, Härdtle W, Fichtner A and Von Oheimb G. 2017. Comparison of wood volume estimates of young trees from terrestrial laser scan data. iForest, 10(2): 451-458 [DOI: 10.3832/ifor2151-010] [百度学术] 

    Li C G, Zhao X W and Li C G. 2006. Theory and Realization of Estimating Forest Stock Volume By Remote Sensing. Beijing: Science Press [百度学术] 

    李崇贵, 赵宪文, 李春干. 2006. 森林蓄积量遥感估测理论与实现. 北京: 科学出版社: 1-5 [百度学术] 

    Li Z Y, Liu Q W and Pang Y. 2016. Review on forest parameters inversion using LiDAR. Journal of Remote Sensing, 20(5): 1138-1150 [百度学术] 

    李增元, 刘清旺, 庞勇. 2016. 激光雷达森林参数反演研究进展. 遥感学报, 20(5): 1138-1150 [DOI: 10.11834/jrs.20165130] [百度学术] 

    Liang X L, Kankare V, Yu X W, Hyyppä J and Holopainen M. 2014. Automated stem curve measurement using terrestrial laser scanning. IEEE Transactions on Geoscience and Remote Sensing, 52(3): 1739-1748 [DOI: 10.1109/TGRS.2013.2253783] [百度学术] 

    Liu G J, Wang J L, Dong P L, Chen Y and Liu Z Y. 2018. Estimating individual tree height and diameter at breast height (DBH) from terrestrial laser scanning (TLS) data at plot level. Forests, 9(7): 398 [DOI: 10.3390/f9070398] [百度学术] 

    Liu J Y, Wang S Q, Chen J M, Liu M L and Zhuang D F. 2004. Storages of soil organic carbon and nitrogen and land use changes in China: 1990-2000. Acta Geographica Sinica, 59(4): 483-496 [百度学术] 

    刘纪远, 王绍强, 陈镜明, 刘明亮, 庄大方. 2004. 1990~2000年中国土壤碳氮蓄积量与土地利用变化. 地理学报, 59(4): 483-496 [DOI: 10.11821/xb200404001] [百度学术] 

    Liu L X, Pang Y, Li Z Y, Xu G C, Li D and Zheng G. 2014. Retrieving structural parameters of individual tree through terrestrial laser scanning data. Journal of Remote Sensing, 18(2): 365-377 [百度学术] 

    刘鲁霞, 庞勇, 李增元, 徐光彩, 李丹, 郑光. 2014. 用地基激光雷达提取单木结构参数——以白皮松为例. 遥感学报, 18(2): 365-377 [DOI: 10.11834/jrs.20143091] [百度学术] 

    Malhi Y, Jackson T, Patrick Bentley L, Lau A, Shenkin A, Herold M, Calders K, Bartholomeus H and Disney M I. 2018. New perspectives on the ecology of tree structure and tree communities through terrestrial laser scanning. Interface Focus, 8(2): 20170052 [DOI: 10.1098/rsfs.2017.0052] [百度学术] 

    Markku Å, Raumonen P, Kaasalainen M and Casella E. 2015. Analysis of geometric primitives in quantitative structure models of tree stems. Remote Sensing, 7(4): 4581-4603 [DOI: 10.3390/rs70404581] [百度学术] 

    Moorthy S M K, Raumonen P, Van den Bulcke J, Calders K and Verbeeck H. 2020. Terrestrial laser scanning for non-destructive estimates of liana stem biomass. Forest Ecology and Management, 456: 117751 [DOI: 10.1016/j.foreco.2019.117751] [百度学术] 

    Putman E B, Popescu S C, Eriksson M, Zhou T, Klockow P, Vogel J and Moore G W. 2018. Detecting and quantifying standing dead tree structural loss with reconstructed tree models using voxelized terrestrial lidar data. Remote Sensing of Environment, 209: 52-65 [DOI: 10.1016/j.rse.2018.02.028] [百度学术] 

    Qi J B, Xie D H, Yin T G, Yan G J, Gastellu-Etchegorry J P, Li L Y, Zhang W M, Mu X H and Norford L K. 2019. LESS: LargE-scale remote sensing data and image simulation framework over heterogeneous 3D scenes. Remote Sensing of Environment, 221: 695-706 [DOI: 10.1016/j.rse.2018.11.036] [百度学术] 

    Raumonen P, Kaasalainen M, Åkerblom M, Kaasalainen S, Kaartinen H, Vastaranta M, Holopainen M, Disney M and Lewis P. 2013. Fast automatic precision tree models from terrestrial laser scanner data. Remote Sensing, 5(2): 491-520 [DOI: 10.3390/rs5020491] [百度学术] 

    Saarinen N, Kankare V, Vastaranta M, Luoma V, Pyörälä J, Tanhuanpää T, Liang X L, Kaartinen H, Kukko A, Jaakkola A, Yu X W, Holopainen M and Hyyppä J. 2017. Feasibility of terrestrial laser scanning for collecting stem volume information from single trees. ISPRS Journal of Photogrammetry and Remote Sensing, 123: 140-158 [DOI: 10.1016/j.isprsjprs.2016.11.012] [百度学术] 

    Shao Y N, Liu Y K, Liu Y H, Chen Y and Tian S Y. 2017. Soil nutrient characteristics in Larix olgensis plantation with different stand densities. Journal of Central South University of Forestry and Technology, 37(9): 27-31 [百度学术] 

    邵英男, 刘延坤, 李云红, 陈瑶, 田松岩. 2017. 不同林分密度长白落叶松人工林土壤养分特征. 中南林业科技大学学报, 37(9): 27-31 [DOI: 10.14067/j.cnki.1673-923x.2017.09.00] [百度学术] 

    Stovall A E L and Shugart H H. 2018. Improved biomass calibration and validation with terrestrial LiDAR: implications for future LiDAR and SAR missions. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(10): 3527-3537 [DOI: 10.1109/JSTARS.2018.2803110] [百度学术] 

    Stovall A E L, Vorster A G, Anderson R S, Evangelista P H and Shugart H H. 2017. Non-destructive aboveground biomass estimation of coniferous trees using terrestrial LiDAR. Remote Sensing of Environment, 200: 31-42 [DOI: 10.1016/j.rse.2017.08.013] [百度学术] 

    Ver Planck N R and MacFarlane D W. 2014. Modelling vertical allocation of tree stem and branch volume for hardwoods. Forestry: An International Journal of Forest Research, 87(3): 459-469 [DOI: 10.1093/forestry/cpu007] [百度学术] 

    Verity P G and Lagdon C. 1984. Relationships between lorica volume, carbon, nitrogen, and ATP content of tintinnids in Narragansett Bay. Journal of Plankton Research, 6(5): 859-868 [DOI: 10.1093/plankt/6.5.859] [百度学术] 

    Zhang F and Zhang Y. 2016. Compilation of binary standing volume tables of Larix principis-rupprechtii forest in Saihanba area. Hebei Journal of Forestry and Orchard Research, 31(2): 128-131 [百度学术] 

    张菲, 张岩. 2016. 塞罕坝地区华北落叶松人工林二元立木材积表编制研究. 河北林果研究, 31(2): 128-131 [DOI: 10.13320/j.cnki.hjfor.2016.0025] [百度学术] 

    Zhang W M, Wan P, Wang T J, Cai S S, Chen Y M, Jin X L and Yan G J. 2019. A novel approach for the detection of standing tree stems from plot-level terrestrial laser scanning data. Remote Sensing, 11(2): 211 [DOI: 10.3390/rs11020211.] [百度学术] 

    Zhou J J. 2019 Forest parameter extraction from terrestrial laser scanning data. Chengdu: University of Electronic Science and Technology of China [百度学术] 

    周珺婕. 2019. 基于地面三维激光扫描数据的林木参数提取方法研究. 成都: 电子科技大学 [DOI: 10.27005/d.cnki.gdzku.2019.000091] [百度学术] 

    文章被引用时,请邮件提醒。
    提交

    相关文章

    暂无数据

    相关作者

    暂无数据

    相关机构

    暂无数据
    0