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(guó)山東省東營(yíng)市和濱州市境內(nèi)，屬暖溫帶半濕潤(rùn)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(zhǎng)。自20世紀(jì)80年代以來(lái)，刺槐作為主要的造林樹(shù)種在該地區(qū)廣泛種植，逐漸形成以孤島、軍馬場(chǎng)、黃河故道和大汶流自然保護(hù)區(qū)4個(gè)林場(chǎng)為主體的種植區(qū)。本研究以孤島林場(chǎng)為研究區(qū)（圖1）。

圖1研究區(qū)及樣方分布（以LiDAR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(gè)野外調(diào)查樣方。根據(jù)兩級(jí)采樣設(shè)計(jì)原則，在30m×30m的樣方的4個(gè)角和中心布置了5個(gè)10m×10m的次樣方。利用GPS記錄每個(gè)樣方的位置。根據(jù)美國(guó)林業(yè)局樹(shù)冠狀況分類指南對(duì)樣方進(jìn)行健康分級(jí)，具體方法如下：在5個(gè)次樣方中選擇1個(gè)標(biāo)準(zhǔn)木材評(píng)估5個(gè)樹(shù)冠活力指標(biāo)，分別為活冠比、冠幅、郁閉度、林冠枯梢率、樹(shù)葉透光度（表1），取5個(gè)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(jí)判斷規(guī)則（表2）得到樣方的健康等級(jí)。30個(gè)樣方被分為3類，包括14個(gè)健康樣方、10個(gè)亞健康樣方和6個(gè)不健康樣方。

2.1.2無(wú)人機(jī)LiDAR數(shù)據(jù)

本研究于2017年6月采集了黃河三角洲孤島林場(chǎng)區(qū)域的無(wú)人機(jī)LiDAR數(shù)據(jù)。無(wú)人機(jī)上搭載激光掃描儀、IMU（Inertialmeasurementunit）和GPS（Globalposi?tionsystem），飛行高度為120m，飛行速度為4.8m/s，巡航半徑為2km。激光波長(zhǎng)采用近紅外波段，光斑直徑約為50mm，獲取的平均點(diǎn)密度為40個(gè)/m2，采用WGS84坐標(biāo)系和UTM投影。

2.2LiDAR數(shù)據(jù)預(yù)處理

首先采用基于統(tǒng)計(jì)的點(diǎn)云去噪方法（Statisticaloutlierremoval）對(duì)原始的無(wú)人機(jī)LiDAR數(shù)據(jù)進(jìn)行去噪。然后通過(guò)改進(jìn)的漸進(jìn)三角網(wǎng)加密算法（IPTD）對(duì)去噪后的LiDAR點(diǎn)云進(jìn)行濾波，將點(diǎn)云分為地面點(diǎn)和非地面點(diǎn)。利用地面點(diǎn)插值生成數(shù)字地形模型DTM，并用DTM對(duì)點(diǎn)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(diǎn)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1m2。

2.3LiDAR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(gè)部分，包括基于歸一化LiDAR點(diǎn)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?；邳c(diǎn)云提取的變量包括3個(gè)。高度百分位數(shù)（H99）是所有回波點(diǎn)按高度排序后，99%的點(diǎn)云所在的高度，可以從整體上反映樣方內(nèi)樹(shù)木的高度。垂直復(fù)雜度（VCI）可以量化點(diǎn)云的垂直分布，其數(shù)值區(qū)間為0~1，0表示點(diǎn)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(gè)高程層中點(diǎn)云占點(diǎn)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(gè)高度層以上的點(diǎn)云數(shù)量，nbe為第i個(gè)高度層以下的點(diǎn)云數(shù)量，ntot為點(diǎn)云總數(shù)。冠層垂直剖面可以反映包括枝葉在內(nèi)的整個(gè)樹(shù)冠在垂直方向上的點(diǎn)云密度分布情況，由某一高度層的點(diǎn)云與點(diǎn)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(diǎn)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(shù)冠的表面形態(tài)。樹(shù)木枯梢會(huì)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(guò)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LiDAR估測(cè)郁閉度時(shí)，常用首次回波點(diǎn)與所有回波點(diǎn)的比值表示。提取的變量及其具體描述見(jiàn)表3。

表3LiDAR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LiDAR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LiDAR變量。先通過(guò)層次聚類的類平均法對(duì)LiDAR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(gè)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(shí)的機(jī)理，采用無(wú)監(jiān)督的層次聚類法將每個(gè)指標(biāo)分為3類，分別對(duì)應(yīng)刺槐健康等級(jí)中的健康、亞健康、不健康。最后根據(jù)每個(gè)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(jí)閾值。與美國(guó)林業(yè)局樹(shù)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(jí)的判斷規(guī)則，即識(shí)別1個(gè)樣方是否滿足健康或不健康的規(guī)則，若不符合這2個(gè)等級(jí)則被視為亞健康。據(jù)此對(duì)研究區(qū)的刺槐林進(jìn)行森林健康等級(jí)判斷，采用總精度和Kappa系數(shù)對(duì)判斷結(jié)果進(jìn)行評(píng)價(jià)。

3結(jié)果與分析

3.1LiDAR變量分析

根據(jù)LiDAR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(dú)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(gè)類別中選取H99和VCI。最終得到由LADcv、weibull_α、H99和VCI4個(gè)變量組成的森林健康指標(biāo)。

圖2LiDAR變量的相關(guān)矩陣圖

3.3刺槐人工林的健康判斷與評(píng)價(jià)

基于上述森林健康指標(biāo)對(duì)研究區(qū)的30個(gè)樣方進(jìn)行健康等級(jí)判斷，通過(guò)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(duì)判斷結(jié)果的評(píng)價(jià)如表6所示。由表6可知，健康等級(jí)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(shuō)明14.3%的健康樣方被錯(cuò)分為亞健康樣方，用戶精度為92.3%，說(shuō)明7.7%的亞健康樣方被錯(cuò)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(cuò)分為健康或不健康樣方；用戶精度為80.0%，說(shuō)明有20.0%的健康樣方被錯(cuò)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(shuō)明不健康樣方均被正確識(shí)別，但是有14.3%的亞健康樣方被錯(cuò)分為不健康。因此森林健康指標(biāo)識(shí)別健康和不健康樣方有較大優(yōu)勢(shì)，但對(duì)亞健康樣方的識(shí)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(jí)精度評(píng)價(jià)

4討論與結(jié)論

4.1討論

黃河三角洲刺槐林的生長(zhǎng)主要受長(zhǎng)期土壤鹽漬化的脅迫，整體生長(zhǎng)狀況不佳，不同退化程度導(dǎo)致刺槐林的樹(shù)高、郁閉度情況存在差異。本研究利用LiDAR數(shù)據(jù)從樹(shù)冠結(jié)構(gòu)角度對(duì)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(shù)木低矮，很少表現(xiàn)為樹(shù)冠枯黃變色。但是對(duì)于那些樹(shù)葉變黃但還沒(méi)有掉落的樹(shù)木，僅從結(jié)構(gòu)角度判斷仍存在缺陷，此時(shí)利用光譜信息可以檢測(cè)到這種變化。葉片變黃是因?yàn)槿~綠素含量減少，會(huì)在525~565nm（綠色）、690~730nm（紅邊）和730~760nm（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(shù)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(shù)冠三維結(jié)構(gòu)的LiDAR技術(shù)與能反映樹(shù)葉生化特征的高光學(xué)遙感技術(shù)結(jié)合起來(lái)，將有助于提高對(duì)森林健康等級(jí)的識(shí)別精度。

4.2結(jié)論

本研究以黃河三角洲孤島林場(chǎng)的刺槐林為研究對(duì)象，利用無(wú)人機(jī)LiDAR數(shù)據(jù)提取表征植被垂直和水平變化的LiDAR特征變量，并通過(guò)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(shù)葉茂密程度、樹(shù)冠形狀、樹(shù)高、植被垂直分布4個(gè)方面對(duì)森林健康狀況進(jìn)行評(píng)價(jià)；②森林健康指標(biāo)能有效識(shí)別出健康和不健康的刺槐林，對(duì)亞健康刺槐林的識(shí)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(shuō)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(lái)，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(jī)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。

審核編輯：符乾江