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，且鹽漬化嚴重，不利于喬木生長。自20世紀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個野外調(diào)查樣方。根據(jù)兩級采樣設(shè)計原則，在30m×30m的樣方的4個角和中心布置了5個10m×10m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行健康分級，具體方法如下：在5個次樣方中選擇1個標準木材評估5個樹冠活力指標，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個次樣方指標的平均值作為樣方的指標值，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區(qū)域的無人機LiDAR數(shù)據(jù)。無人機上搭載激光掃描儀、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。激光波長采用近紅外波段，光斑直徑約為50mm，獲取的平均點密度為40個/m2，采用WGS84坐標系和UTM投影。

2.2LiDAR數(shù)據(jù)預(yù)處理

首先采用基于統(tǒng)計的點云去噪方法（Statisticaloutlierremoval）對原始的無人機LiDAR數(shù)據(jù)進行去噪。然后通過改進的漸進三角網(wǎng)加密算法（IPTD）對去噪后的LiDAR點云進行濾波，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個部分，包括基于歸一化LiDAR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的標準差（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3LiDAR變量及描述

2.4森林健康指標構(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。先通過層次聚類的類平均法對LiDAR變量進行聚類，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）、類別間相關(guān)系數(shù)最小（與其他類的指標相關(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。為了探究森林健康指標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)果進行評價。

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VCI4個變量組成的森林健康指標。

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價

基于上述森林健康指標對研究區(qū)的30個樣方進行健康等級判斷，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LiDAR數(shù)據(jù)從樹冠結(jié)構(gòu)角度對其健康狀況進行判別，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525~565nm（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LiDAR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，并通過聚類分析構(gòu)建森林健康指標，得到以下結(jié)論：①森林健康指標包括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行評價；②森林健康指標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。

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。

審核編輯：符乾江