1研究區(qū)概況

黃河三角洲位于渤海灣南岸和萊州灣西岸，主要分布在中國山東省東營市和濱州市境內(nèi)，屬暖溫帶?半?濕?潤?大?陸?性?季?風(fēng)?氣?候?，年?平?均?氣?溫?11.7~12.6?℃，日照充足，雨熱同期。該地區(qū)土壤以濱海鹽土和濱海潮土為主，養(yǎng)分含量低，且鹽漬化嚴(yán)重，不利于喬木生長。自?20?世紀(jì)?80?年代以來，刺槐作為主要的造林樹種在該地區(qū)廣泛種植，逐漸形成以孤島、軍馬場、黃河故道和大汶流自然保護(hù)區(qū)?4?個林場為主體的種植區(qū)。本研究以孤島林場為研究區(qū)（圖1）。

圖?1?研究區(qū)及樣方分布（以?Li?DAR?數(shù)據(jù)為背景）

2材料與方法

2.1?數(shù)據(jù)，

2.1.1?野外生態(tài)調(diào)查數(shù)據(jù)

本研究于?2017?年?6?月、2019?年?6?月和?2019?年?10?月共獲取了?30?個野外調(diào)查樣方。根據(jù)兩級采樣設(shè)計原則，在?30?m×30?m?的樣方的?4?個角和中心布置了?5?個?10?m×10?m?的次樣方。利用?GPS?記錄每個樣方的位置。根據(jù)美國林業(yè)局樹冠狀況分類指南對樣方進(jìn)行健康分級，具體方法如下：在?5?個次樣方中選擇?1?個標(biāo)準(zhǔn)木材評估?5?個樹冠活力指標(biāo)，分別為活冠比、冠幅、郁閉度、林冠枯梢率、樹葉透光度（表?1），取?5?個次樣方指標(biāo)的平均值作為樣方的指標(biāo)值，最后根據(jù)森林健康等級判斷規(guī)則（表?2）得到樣方的健康等級。30個樣方被分為?3?類，包括?14?個健康樣方、10?個亞健康樣方和?6?個不健康樣方。

?

2.1.2?無人機?Li?DAR?數(shù)據(jù)

本研究于?2017?年?6?月采集了黃河三角洲孤島林場區(qū)域的無人機?Li?DAR數(shù)?據(jù)?。無?人?機?上?搭?載激?光?掃?描?儀?、IMU（Inertial?measurement?unit）和?GPS（Global?posi?tion?system），飛行高度為?120?m，飛行速度為?4.8?m/s，巡航半徑為?2?km。激光波長采用近紅外波段，光斑直徑約為?50?mm，獲取的平均點密度為?40?個/m2，采用?WGS84?坐標(biāo)系和?UTM?投影。

2.2?Li?DAR?數(shù)據(jù)預(yù)處理

首先采用基于統(tǒng)計的點云去噪方法（Statisticaloutlier?removal）對原始的無人機?Li?DAR?數(shù)據(jù)進(jìn)行去?噪?。然?后?通?過?改?進(jìn)?的?漸?進(jìn)?三?角?網(wǎng)?加?密?算?法（IPTD）對去噪后的?Li?DAR?點云進(jìn)行濾波，將點云分為地面點和非地面點。利用地面點插值生成數(shù)字地形模型?DTM，并用?DTM?對點云數(shù)據(jù)進(jìn)行歸一化消除地形的影響。再利用歸一化后的點云生成數(shù)字表面模型?DSM，減去?DTM?得到冠層高度模型?CHM。本研究為了獲取詳細(xì)的冠層變化，將?CHM?的空間分辨率設(shè)置為?1?m2。

2.3?Li?DAR?特征變量提取

2.3.1?垂直方向的變量?

本研究的垂直變量分為?2個部分，包括基于歸一化?Li?DAR?點云中提取的特征變量和基于冠層垂直剖面提取的特征變量。基于點云提取的變量包括?3?個。高度百分位數(shù)（H99）是所有回波點按高度排序后，99%?的點云所在的高度，可以從整體上反映樣方內(nèi)樹木的高度。垂直復(fù)雜度（VCI）可以量化點云的垂直分布，其數(shù)值區(qū)間為?0~1，0?表示點云在垂直方向上分布不均勻，1?表示分布均勻，公式為：

式中，n?為垂直方向上劃分的高度層數(shù)，Pi為每個高程層中點云占點云總數(shù)的比例（%）。葉面積密度的變異系數(shù)（LADcv）可以反映冠層內(nèi)葉面積指數(shù)隨高度變化的變異情況，公式為：

式中，H?為垂直方向劃分的高度層數(shù)，GF?為間隙率，k?為消光系數(shù)，nab為第?i?個高度層以上的點云數(shù)量，nbe為第?i?個高度層以下的點云數(shù)量，ntot為點云總數(shù)。冠層垂直剖面可以反映包括枝葉在內(nèi)的整個樹冠在垂直方向上的點云密度分布情況，由某一高度層的點云與點云總數(shù)的比值表示。本研究采用Weibull?密度函數(shù)擬合冠層垂直剖面，以獲取尺度參數(shù)?α（weibull_α）和形狀參數(shù)?β（weibull_β），公式為：

式中，f（x）是點云密度，x是高度百分位數(shù)。

2.3.2?水平方向的變量?

冠層高度模型?CHM?描述了樹冠的表面形態(tài)。樹木枯梢會增加激光脈沖的穿透率，并在?CHM?的水平方向產(chǎn)生不同大小的不規(guī)則斑塊，因此可以通過?CHM?的標(biāo)準(zhǔn)差（CHMstd）反映冠層的稀疏程度以及落葉情況。郁閉度（CC）是反映林分質(zhì)量的重要參數(shù)，是冠層垂直投影與林地面積之比。使用?Li?DAR?估測郁閉度時，常用首次回波點與所有回波點的比值表示。提取的變量及其具體描述見表?3。

表?3?Li?DAR?變量及描述

2.4?森林健康指標(biāo)構(gòu)建

本研究采用?Person’s?相關(guān)系數(shù)度量?Li?DAR?變量之間的關(guān)系，從而確定能夠全面且系統(tǒng)地反映森林健康狀況的關(guān)鍵?Li?DAR?變量。先通過層次聚類的類平均法對?Li?DAR?變量進(jìn)行聚類，把相關(guān)性相似的變量歸為一類；再根據(jù)類別內(nèi)相關(guān)系數(shù)最大（能代表所在類的所有指標(biāo)）、類別間相關(guān)系數(shù)最小（與其他類的指標(biāo)相關(guān)性最低）的原則，在每一類中只選取一個變量作為關(guān)鍵變量構(gòu)成森林健康指標(biāo)。為了探究森林健康指標(biāo)在解釋森林健康狀況時的機理，采用無監(jiān)督的層次聚類法將每個指標(biāo)分為?3?類，分別對應(yīng)刺槐健康等級中的健康、亞健康、不健康。最后根據(jù)每個指標(biāo)的聚類結(jié)果，以類邊界處的中值作為閾值，構(gòu)建森林健康指標(biāo)的分級閾值。與美國林業(yè)局樹冠狀況分類指南類似，本研究基于森林健康指標(biāo)制定了森林健康等級的判斷規(guī)則，即識別?1?個樣方是否滿足健康或不健康的規(guī)則，若不符合這?2?個等級則被視為亞健康。據(jù)此對研究區(qū)的刺槐林進(jìn)行森林健康等級判斷，采用總精度和Kappa?系數(shù)對判斷結(jié)果進(jìn)行評價。

3結(jié)果與分析

3.1?Li?DAR?變量分析

根據(jù)Li?DAR變量的Person’s?相關(guān)系數(shù)（圖?2）將其分為?4?類。LADcv和?weibull_α?分別單獨作為一類（與其他變量相關(guān)性低），CHMstd和?H99為一類（r?=0.84），weibull_β、CC、VCI?為一類，相關(guān)系數(shù)為?0.64~0.94。隨后根據(jù)選取原則，分別在后?2?個類別中選取H99和?VCI。最終得到由?LADcv、weibull_α、H99和?VCI?4個變量組成的森林健康指標(biāo)。

圖?2?Li?DAR?變量的相關(guān)矩陣圖

?

3.3?刺槐人工林的健康判斷與評價

基于上述森林健康指標(biāo)對研究區(qū)的?30?個樣方進(jìn)行健康等級判斷，通過與野外調(diào)查結(jié)果比較，可知分類的總精度為?86.7%，Kappa?系數(shù)為?0.79，對判斷結(jié)果的評價如表?6?所示。由表?6?可知，健康等級之間的混淆主要出現(xiàn)在健康樣方和亞健康樣方之間，健康樣方的生產(chǎn)者精度為?85.7%，說明?14.3%?的健康樣方被錯分為亞健康樣方，用戶精度為?92.3%，說明7.7%?的亞健康樣方被錯分為健康樣方；亞健康樣方的生產(chǎn)者精度為?80.0%，有?20.0%?的亞健康樣方被錯分為健康或不健康樣方；用戶精度為?80.0%，說明有?20.0%?的健康樣方被錯分為亞健康樣方；重度枯梢刺槐樣方的生產(chǎn)者精度為?100.0%，而用戶精度為85.7%，說明不健康樣方均?被?正確識別?，但是有14.3%?的亞健康樣方被錯分為不健康。因此森林健康指標(biāo)識別健康和不健康樣方有較大優(yōu)勢，但對亞健康樣方的識別精度有待提高。

表?6?基于森林健康指標(biāo)的刺槐森林健康等級精度評價

4討論與結(jié)論?

4.1?討??論

黃河三角洲刺槐林的生長主要受長期土壤鹽漬化的脅迫，整體生長狀況不佳，不同退化程度導(dǎo)致刺槐林的樹高、郁閉度情況存在差異。本研究利用?Li?DAR?數(shù)據(jù)從樹冠結(jié)構(gòu)角度對其健康狀況進(jìn)行判別，獲得了較理想的效果，主要是由于發(fā)生退化的刺槐多表現(xiàn)為落葉或樹木低矮，很少表現(xiàn)為樹冠枯黃變色。但是對于那些樹葉變黃但還沒有掉落的樹木，僅從結(jié)構(gòu)角度判斷仍存在缺陷，此時利用光譜信息可以檢測到這種變化。葉片變黃是因為葉綠素含量減少，會在?525~565?nm（綠色）、690~730?nm（紅邊）和?730~760?nm（近紅外）區(qū)域發(fā)生顯著變化。森林健康是植被結(jié)構(gòu)和葉片化學(xué)特征的函數(shù)，植被結(jié)構(gòu)指樹冠的變化，而葉片化學(xué)特征是指各種色素的含量。因此，在今后的研究中可以把能描述樹冠三維結(jié)構(gòu)的?Li?DAR?技術(shù)與能反映樹葉生化特征的高光學(xué)遙感技術(shù)結(jié)合起來，將有助于提高對森林健康等級的識別精度。

4.2?結(jié)??論

本研究以黃河三角洲孤島林場的刺槐林為研究對象，利用無人機?Li?DAR?數(shù)據(jù)提取表征植被垂直和水平變化的?Li?DAR?特征變量，并通過聚類分析構(gòu)建森林健康指標(biāo)，得到以下結(jié)論：①森林健康指標(biāo)包括LADcv、weibull_α、H99和?VCI，分別從樹葉茂密程度、樹冠形狀、樹高、植被垂直分布?4?個方面對森林健康狀況進(jìn)行評價；②森林健康指標(biāo)能有效識別出健康和不健康的刺槐林，對亞健康刺槐林的識別精度有待提高，總體上的分類精度較理想（總精度為?86.7%，Kappa?系數(shù)為?0.79），說明激光雷達(dá)技術(shù)可以在判斷森林健康狀況方面發(fā)揮重要作用。今后的研究中可與高光譜信息結(jié)合起來，構(gòu)建更為完善的森林健康指標(biāo)。

萊森光學(xué)（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。