摘要
目前生物量估算的数据来源包括光学、合成孔径雷达(Synthetic Aperture Radar,SAR)和激光雷达(Light Detection and Ranging,LiDAR)等．利用遥感技术对区域生物量进行反演时,实地样方数据的不足限制了模型反演精度的提升．本研究采用无人机雷达点云数据结合实地调查扩大样本量,试图验证利用机载雷达替代实地调查的可行性,并与光学影像特征(植被指数数据和纹理特征数据)建立植被地上生物量反演模型．结果表明:1)基于LiDAR获取的单株冠幅数据估算的生物量具有较好的精度,与实地测算的生物量的总体误差为1.74%;2)南京龙王山风景区，利用LiDAR数据估算的地上生物量密度为96.78 Mg·hm-2,利用光学影像特征模型反演的生物量密度为107.94 Mg·hm-2;3)毗邻龙王山的大学校园验证数据结果显示,模型反演生物量密度值为92.6 Mg·hm-2,基于LiDAR数据的结果为104.11 Mg·hm-2,可以看出所提出的方法具有较好的效果．因此,通过无人机LiDAR和冠幅生物量模型可以扩大样本量,由此建立的影像特征生物量模型具有良好的效果,为大范围生物量反演提供一种可行的方法．
Abstract
Currently,remote sensing data sources for biomass estimation include optical,Synthetic Aperture Radar (SAR) and Light Detection and Ranging (LiDAR).The scarcity of field plot data constrains the improvement of model inversion accuracy when using remote sensing techniques to invert regional biomass.Here,we utilize Unmanned Aerial Vehicle (UAV) LiDAR point cloud data,combined with field surveys,to expand the sample size,aiming to verify the feasibility of using airborne radar as a substitute of field survey,and establish an inversion model for aboveground vegetation biomass using optical image features (vegetation index data and texture feature data).The results show that,the biomass estimates derived from tree canopy width data acquired by LiDAR exhibit high accuracy,with an overall error percentage of 1.74% compared to field-measured biomass results;the aboveground biomass density in Nanjing's Longwang Hill scenic area is estimated to be 96.78 Mg·hm-2 using LiDAR data and 107.94 Mg·hm-2 using optical image feature model;validation data from the campus adjacent to Longwang Hill show that the model-inverted aboveground biomass density is 92.6 Mg·hm-2,while the result based on LiDAR data is 104.11 Mg·hm-2,demonstrating the effectiveness of the proposed method.Therefore,the integration of UAV LiDAR and canopy amplitude biomass model effectively expands the sample size,and the resulting image characteristic biomass model performs well,which provides a feasible approach for large-scale biomass inversion.
0 引言
城市森林植被生物量及其固碳能力估算对于城市化地区的碳收支平衡意义重大．由于城市植被通常与建成区交错，小规模、不连续分布的植被斑块众多，且树种多样，林龄构成复杂[1]，加大了城市森林普查的难度和成本，因而难以获取林分蓄积量和生物量．如何准确测算城市森林生物量和固碳能力是近年来探讨的热点问题和难题[2]．
遥感影像技术具备快速获取大规模植被信息的特点，近年来发展迅速的激光雷达技术能够测量冠层结构和林下地形信息[3]，获取植株的冠幅、树高等结构信息，为城市森林生物量估算提供了新技术和新方法．例如Wu[4]利用手持激光测距仪实时获取树冠信息，建立了林分尺度和单木冠幅尺度下植被指数（Normalized Difference Vegetation Index，NDVI）与干重生物量（Dry Weight Biomass，DWB）的多元回归方程．由于采集成本高、数据预处理复杂，地基雷达的大面积使用受到一些限制[5-6]．相对于雷达数据而言，卫星光学影像数据覆盖范围广，获取成本更低，在足够多的样方调查数据支持下，可以建立影像特征生物量模型，并较为便捷地估测大面积植被地上生物量．Li等[7]通过实地调查获取植被结构信息，并以此为基础利用异速生长方程计算了研究区192个城市植被样方的生物量，从而建立哨兵10 m分辨率影像特征的植被生物量反演模型，由此验证了免费哨兵图像在城市生态系统研究中的潜力，同时指出区分植被树种可以改善生物量反演模型．另有研究强调生物量反演中样地实测和光学影像数据时间同步的重要性[8-9]．为了解决大范围植被生物量建模需要的样地数据量高、地面调查耗时耗力的问题，高燕等[10]利用无人机辅助地面调查，以地面实测鲜重生物量为无人机多光谱影像的像元真值，构建并选择最优回归模型进行生物量反演，再以无人机反演生物量为高分一号多光谱影像（GF-1 WFV）像元真值，与GF-1 WFV 的NDVI构建生物量回归模型，由此扩大了模型构建的样本量．为了兼顾LiDAR数据对冠层结构信息识别能力和卫星光学影像在空间覆盖方面的优势，Zhang等[11]基于无人机载LiDAR点云数据获取冠层参数，与对应样地的实测生物量建立回归方程，计算获取更多样本的真实值，再结合多光谱影像（WV-2、WV-3、GaoFen-2）的光学特征建模估算城市森林和草地生物量．Safari等[12]则直接使用免费获取的哨兵1号合成孔径雷达（Sentinel-1 SAR）和哨兵2号多光谱仪器（Sentinel-2 MSI）数据成功绘制了大面积森林地上生物量（Aboveground Biomass，AGB）．上述研究探索了综合利用光学影像和激光雷达数据建立植被生物量估算模型的方法，表明了无人机载LiDAR数据可以有效估计森林结构参数[13]，用于生物量测算，特别是树木茂密地区的森林地上生物量的准确估算．然而，在建立LiDAR数据与生物量之间模型时仍然需要大量实测样方数据．针对该问题，本研究尝试改变样地获取办法，使用无人机载LiDAR数据和验证后的单木生物量模型直接获取足量像元样本的生物量，在此基础上探索建立基于光学影像特征的生物量估算模型，为同类研究提供借鉴，并拓展不同地域环境城市森林植被生物量建模方法．
1 研究方法与过程
1.1 研究思路
本研究主要思路是利用无人机调查获取实验区大规模样本，通过机器学习方法建立基于光学特征的生物量估算模型，并应用于其他地区以验证模型的适用性（图1）．首先，利用实验区龙王山的无人机载LiDAR点云数据得到数字高程模型（Digital Elevation Model，DEM）和数字表面模型（Digital Surface Model，DSM），利用DSM减去DEM得到冠层高度模型（Canopy Height Model，CHM）进行单木分割以获取植株冠幅信息，基于冠幅模型计算单木生物量，并加和得到实验区植被生物量分布图.为了检验单木生物量测算的精度，通过样方内每木检尺的方法测算样方的材积量，得到实测生物量值，与冠幅模型的计算生物量值进行比较，验证调整冠幅模型的参数.其次，在实验区随机抽取需要的样本单元数，采用机器学习方法，建立对应生物量和可见光影像光学特征的回归模型.最后，将模型应用于校园，以探讨该方法的可行性．
1.2 研究区和样地调查
本研究实验区为南京龙王山风景区．南京地处长江下游，为湿润的亚热带气候，年平均气温15.4℃，年平均降水1 200 mm[14]．龙王山风景区中心坐标为118°42′E，32°12′N，位于南京江北新区，总面积309 hm2，主峰海拔114 m，植被以栎树（Quercus L.）、柞木（Xylosma racemosum）、构树（Broussone-tia papyrifera）、栾树（Koelreuteria paniculata）、槲树（Quercus dentata）、梧桐（Firmiana simplex）等常绿和落叶阔叶树为主，周围种植少量龙柏（Juniperus chinensis）等针叶树．
图1基于LiDAR和光学影像的生物量估算方法建立流程
Fig.1Flow chat for establishment of biomass estimation method based on LiDAR and optical imagery
本研究样地布设参考张加龙等[15]提供的使用机载LiDAR估测森林生物量的样地调查方法，在龙王山人行步道两侧布设了14个样地（图2a），树木应具有完整树形、均匀冠形，枝叶生长茂盛无病虫害，生长状态良好．样地大小设置综合参考实地和遥感调查需求[16-17]，由9个10 m×10 m方块组成30 m×30 m样地（图2b）．实际测量时先确定中心10 m×10 m样方的现场位置和经纬度，采用快特能RD 1000电子测树仪和Onick欧尼卡激光测距仪，对中心样方内胸径大于5 cm的乔木进行每木检尺，获得单木树高及胸径，用于树木生物量估算．然后将10 m×10 m样方的位置信息导入地图软件，延伸生成30 m×30 m样地，用于无人机载LiDAR数据分析．这一步骤的关键在于将地图中获取的位置信息与LiDAR数据进行空间上的匹配．
样地树木通过平均实验形数法计算立木材积，然后采用材积源-生物量法估测生物量[15]．立木材积计算公式为
(1)
式中:V为立木材积（m3）; G1.3为树干胸高断面积（m2）; H为树高（m）; fε表示平均实验形数[18]．
总生物量与材积量关系模型采用双曲线关系模型[19]:
(2)
式中:B为生物量（kg）; V为立木材积（m3）.
1.3 研究数据及预处理
1.3.1 无人机LiDAR和可见光数据获取及预处理
通过大疆无人机经纬M300 RTK飞行器搭载的DJI L1激光雷达传感器和ZENMUSE P1传感器采集龙王山点云数据和可见光影像数据．采集时间为2022年7月12日，飞行时间为上午10:00，飞行时长1 h左右，相机有效像素2 000万，形成了1 992张图像．
获取数据后，使用LiDAR360软件对无人机激光雷达数据进行点云去噪处理，采用嵌入的深度学习分类算法实现植被、建筑物和地面点分类，根据分类得到的地面点生成数字高程模型DEM，归一化处理后得到数字表面模型DSM，利用DSM减去DEM得到冠层高度模型CHM．
1.3.2 单木生物量计算
基于CHM对单木进行分割时使用的是分水岭分割算法，该算法是图像分割中的经典算法之一，也是目前在单木分割中应用最广泛的方法．已有研究显示基于CHM的单木分割效果明显好于直接用点云分割[20]，因此本研究采用基于冠层高度模型进行单木分割，单木分割后获得单木的冠幅信息．
分割后的单木采用异速生长方程计算获取地上生物量[21]．经现场实地调查，龙王山研究区的主要树种为栎、柞、构、栾等落叶或常绿乔木，树冠近似球形．本文对比了基于冠幅的异速生长方程[12]和基于树高的异速生长方程[22]，最终采用基于冠幅的生长方程计算获取单木生物量值，并对单木生物量进行汇总，得到实验区的地上生物量总量．
(3)
式中:CW为冠幅（m）．
1.4 生物量估算模型
1.4.1 样本选取
对无人机获取的可见光影像拼接后，利用易康软件提取植被所在像元并重采样到10 m×10 m像元．将每一像元作为一个样方，统计落入像元内单木的生物量加和值，以此作为像元的生物量值．考虑到少量单木的冠幅远远超出像元，致使该像元的冠幅生物量值偏大，而且，还存在一个像元内仅有单棵树木的情况，可能影响模型模拟结果，故针对生物量值过小或过大的样本进行清洗．根据式（3），当一个像元仅有单棵冠幅值为5 m的树木时，生物量结果是158.95 kg，考虑到这些较小树木生物量估算误差较大，通常不纳入统计．当冠幅最大取像元对角线14 m时，生物量结果是4 412.42 kg．本研究取冠幅为14 m的1.3倍计算生物量，结果为5 736.15 kg．因此，从模型模拟结果的准确性考虑，排除了原始数据中生物量大于5 736.15 kg的像元以及生物量小于158.95 kg的像元.建模时，随机选取1 000个样本点，其中，80%作为训练样本，20%作为测试数据．
图2样地布设（a）、中心样方设置（b）及LiDAR数据单木分割结果（c）示意
Fig.2Arrangement of sampling plots (a) , central sample plot (b) , LiDAR data single-tree segmentation results (c)
1.4.2 植被指数和纹理参数筛选
无人机获取的影像分辨率高，其可见光波段的植被指数相继被提出并应用于农业及城市地区植被信息提取[9]．本文采集的影像包括红绿蓝三个波段，影像分辨率为0.5 m．数据源影像的14个可见光植被指数如表1所示．由于纹理特征可选择指标众多[12]，本文使用Google Earth Engine提供的基于灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）的纹理特征函数 glcmTexture（size，kernel，average），计算并选择角二阶矩（B2_asm）、对比度（B2_contrast）、相关性（B2_corr）、方差（B2_var）、逆差矩（B2_idm）和熵（B2_ent）这6个最常用特征[23]．对所有变量进行归一化后，用于像元尺度上植被地上生物量反演建模的指标筛选．
由于过多的特征变量容易导致训练速度过慢，还可能产生过拟合等问题[37]，本研究选用递归特征消除法（Recursive Feature Elimination，RFE）优选特征变量[38]．20个特征变量重要性排序如图3所示．对变量进行筛选，每次去除2个变量，当变量去除到剩12个时模型效果较好，继续删除变量时模型拟合结果呈下降趋势，因此最终确定12个变量．其中:纹理指数分别为方差（B2_var）、逆差矩（B2_idm）、对比度（B2_contrast）、相关性（B2_corr）和角二阶矩（B2_asm）; 植被指数为超红指数（exr）、植被指数（veg）、植被颜色指数（cive）、联合指数2（com2）、绿蓝比指数（gbri）、改进型绿红植被指数（mgrvi）和归一化绿化差分指数（ngrdi）．
图3特征变量重要性排序
Fig.3Ranking of feature variable importance
1.4.3 机器学习建模及评价
本研究综合分析多种机器学习算法后选择梯度提升决策树（Gradient Boosting Decision Tree，GBDT）回归算法进行建模．采用的交互性机器学习回归软件来源于中国科技基础条件平台——国家地球系统科学数据中心（http://www.geodata.cn），利用该软件中的GBDT算法建立生物量回归模型．使用决定系数（R2）、均方根误差（RMSE）以及平均绝对误差（MAE）对生物量反演模型进行定量的精度验证和评价:
表1可见光植被指数
Table1Visible-band vegetation indexes
注: R表示红光波段; G表示绿光波段; B表示蓝光波段; r表示红光波段标准化结果; g表示绿光波段的标准化结果; b表示蓝光波段的标准化结果．其中:r=R/（R+G+B）; g=G/（R+G+B）; b=B/（R+G+B）; r+g+b=1；r，g，b的范围为[0，1]．
(4)
(5)
(6)
式中：yi，分别为实际地上生物量、模型预测地上生物量值；n为验证样本数量.进行评估模型时，R2越趋近于1，代表拟合程度越高；RMSE越小，代表真实值与模型预测值之间离散程度越小；MAE越小，代表真实值与模型预测值之间的误差越小.
2 结果与分析
2.1 样地实测结果及冠幅生物量模型验证
根据式（1）、（2）的单木生物量计算方法得到实验区14块10 m×10 m样方的生物量（表2）; 再根据式（3）计算获得30 m×30 m样地内基于冠幅的生物量，取平均值作为中心样方计算生物量，与实测样方结果比较，探讨该冠幅生物量模型的适用性．
结果显示，除样地6以外，其余13个样地的误差百分比较低，平均相对误差为9.15%．样地6（118°42′11.089″E，32°11′44.38″N）海拔102.42 m，位于龙王山山顶，样方内高大树木对周边树木遮挡严重，可能是导致其生物量总值明显偏高的原因．从整体来看，14块样方的实测生物量总和为35.04 t，基于冠幅模型的生物量总和为34.43 t，总的绝对误差百分比为1.74%，这表明模型在整体上对生物量的估算相对准确，冠幅模型总体可行，可替代实地测量值来进一步建模．
2.2 基于机器学习算法的森林生物量估测
本研究采用GBDT算法设置的决策树个数为200，将1 000个样本数据导入交互机器学习软件，生成模型，测试结果如图4所示．散点图和折线图显示了模型预测值与真实值的分布趋势，模型精度评价参数R2为0.745，RMSE为45.95 Mg·hm-2，MAE为36.57 Mg·hm-2．将建立的回归模型应用于龙王山研究区重采样后10 m分辨率可见光影像，估算获得龙王山森林地上生物量结果为107.94 Mg·hm-2．
根据LiDAR点云单木分割结果采用冠幅生物量模型计算获得的龙王山森林植被地上生物量为96.78 Mg·hm-2，将该测算结果作为真实值，光学特征模型反演结果的相对误差百分比为11.16%．
2.3 回归模型异地应用
为进一步验证本研究获得的影像特征反演生物量模型是否适用于树木分布相对零散的城市建成区，同时获取了位于龙王山附近的南京信息工程大学校园（图5）的LiDAR点云数据和0.5 m分辨率的可见光数据．通过相关预处理步骤后获得校园植被10 m×10 m像元，提取影像特征参数，代入建立的生物量模型，获得像元单位上的生物量值，结果显示模型反演的生物量密度为92.6 Mg·hm-2．同样，通过LiDAR点云单木分割结果采用冠幅生物量模型计算校园植被地上生物量，结果显示冠幅模型测算的生物量为104.11 Mg·hm-2．将该测算的生物量作为真实值，回归模型反演的结果与之比较的相对误差百分比为11.51%，表明回归模型估算的总体精度达到88.49%．因此，本研究建立的基于密林的影像特征回归模型可用于城市建成区森林地上生物量反演．
表2样地中心样方调查结果及与冠幅生物量比较
Table2Surveyed central plot data and comparison with model-inverted canopy biomass results
图4测试集梯度提升决策树回归生物量真实值与预测值
Fig.4Actual versus predicted biomass values by GBDT regression on test set
3 讨论
城市地区植被的空间异质性对地上生物量估算影响较大，以往研究通过植被分类及基于类型的生物量建模来提高AGB估算精度[18]．本文综合运用LiDAR数据、可见光影像以及实地测量，建立光学特征反演生物量模型．其中，利用LiDAR技术直接获取树木冠幅信息用来估算AGB，经实地测量检验，采用冠幅模型计算的生物量结果的总体误差百分比为1.74%，误差较小，验证了该模型用于估算生物量的可行性．另外，以冠幅模型生物量结果作为像元生物量真实值，获取足量样本与影像特征建立模型，实现了扩大样本量的目的，减少了影像特征模型的不确定性[39]，也进一步保证了AGB模拟精度．建立的生物量模型的R2为0.745，证明通过该方法生成的影像特征生物量模型较为可靠．而且，将研究所得影像特征模型应用于具有完全不同植被分布特征的校园，所得结果的总体误差百分比11.51%，说明该影像特征模型具有一定的普适性，可以应用于同类自然条件下的其他城市地区，因此，也为缺少高分辨率LiDAR数据的城市地区AGB测算提供了一种准确高效的方法．
本研究中影像特征模型是在提取植被像元及其参数的基础上运行获得AGB，估算结果同时受植被提取范围及参数值的影响．所测算的校园植被AGB（92.6 Mg·hm-2）略低于龙王山植被AGB（107.94 Mg·hm-2），与校园植被树木株数密度相对低于森林公园有关，同时，校园植被斑块形状不规则导致像元中非植被特征比重增加也可能造成结果低估．参考江苏及周边省份的生物量估算结果，申鑫等 [40] 结合高光谱数据和实地调查数据估算了江苏省国营虞山林场的地上生物量和地下生物量，结果显示森林地上生物量均值范围85.9至91.82 Mg·hm-2．苏华等[41]的研究显示福建省地上生物量遥感反演估算值范围主要分布在100至140 Mg·hm-2．Ju等[42]以遥感、森林清查和原地森林生物量数据为基础建立了AGB估计模型，结果显示广西壮族自治区森林平均AGB水平为73.30 Mg·hm-2．Qiu等[43]在实地研究中观察到山东泰山的AGB值约为100 Mg·hm-2．全国尺度的研究[44-45]显示中国森林生物量（AGB）密度平均为120 Mg·hm-2，标准差为61 Mg·hm-2．由此可见，空间异质性造成生物量结果存在或多或少的差异，本研究区测得的AGB在东部地区属于中等偏上水平，森林公园与建成区植被的AGB变化幅度在合理区间．
图5南京信息工程大学校园可见光数据（a），校园树木冠层激光LiDAR影像前等距视图（b），及校园树木冠层激光LiDAR影像前视图（c）
Fig.5Visible light data of Nanjing University of Information Science & Technology campus (a) , isometric view of LiDAR image of campus tree canopy (b) , and frontal view of LiDAR image of campus tree canopy (c)
研究发现像元的大小对于模型反演精度有一定影响，像元越小精度越低（表3）．Zhang等[11]利用随机森林回归方法建立了1.43 m多光谱影像的城市森林生物量模型，结果显示模型R2为0.53，均方根误差为38.58 Mg·hm-2．Ju等[42]利用集成学习方法，通过结合多个基本分类器建立了250 m分辨率MOD13Q1卫星影像的地上生物量模型，模型R2达到0.96，均方根误差为10.61 Mg·hm-2．中等和较低分辨率数据在光学特征反演生物量模型建立中具有一定优势，因为数据经过信息融合和平滑效应后，能够更好地捕捉数据的总体趋势，从而降低模型的复杂性，提高模型的鲁棒性和泛化能力．因此，在某些情况下，尤其是在对大范围地表特征进行整体分析时，中等和较低分辨率数据可能会产生更为准确和稳定的模型结果．本研究采用由无人机拍摄0.5 m影像重采样到10 m，建立的生物量模型决定系数R2为0.745，均方根误差为45.95 Mg·hm-2．
本研究的结果表明，与实地测量值相比，利用LiDAR数据提取植被的结构参数在保证精度的同时更高效，利用植被结构参数获取的生物量值也可以更加便捷地在影像上与像元特征进行建模，为大面积生物量反演提供了一种方法．综合使用无人机LiDAR与光学数据，一定程度上突破了无人机LiDAR只能获取小范围影像这一局限性，扩大样本量的同时也提高了反演精度．目前在利用光学影像提取植被类型的精度和基于LiDAR点云数据进行单木分割的准确度有待进一步提升．另外，基于当地树种和林分特征对冠幅生物量模型参数进行调整，可以进一步提高估算的准确性．
表3不同分辨率遥感影像生物量反演精度比较
Table3Comparison of biomass retrieval accuracy using remote sensing images at different resolutions
4 结论
本研究的主要贡献在于发展并验证了利用无人机LiDAR数据扩大样本、精确估算植被AGB方法的可行性．本文利用无人机获取的LiDAR数据提取了树木的结构参数，建立了单棵树木的生物量并进行验证，统计样地内单棵树木的生物量值作为样地生物量与可见光影像数据二者统一于10 m分辨率的像元单元上建模，模拟测算的植被AGB结果与实际误差较小．通过研究建立了南京龙王山地区植被地上生物量反演模型，测算龙王山森林地上生物量为107.94 Mg·hm-2，校园森林地上生物量为92.6 Mg·hm-2．
本文所采用的LiDAR数据单木分割和冠幅生物量模型+光学影像的地上生物量反演方法，通过了异地适应性验证，可应用于更广泛范围内的光学影像生物量估算．后续研究中，考虑植物在红外波段中表现出较高的反射率，可利用多光谱及高光谱影像，以获取更为详细和全面的植被信息． 也可望通过调查改进冠幅生物量模型进一步提高精度．
