-
森林郁闭度指林冠垂直投影面积与林地面积之比[1], 是森林资源调查中的一个重要因子[2]。准确获取该因子不仅可以有效地反映森林结构和森林生长状况，而且可以较好地衡量森林资源的优劣，在森林生态系统管理中具有重要作用。传统的森林郁闭度调查主要通过人工实地测量获取，具体方法包括目测法、样点法、样线法和树冠投影等，这些方法不仅耗时费力[3], 而且在测量过程中受人为主观因素影响较大[4], 不利于大范围、大尺度的森林郁闭度估测[5]。近年来，新一代遥感技术取得快速发展，为解决上述问题提供了新的途径和方法。
激光雷达（light detection and ranging, LiDAR）是近年来国内以及国际上发展迅速的主动遥感技术，该技术已在森林参数的遥感定量估测上取得了成功的应用[6-7]。相关研究表明，高密度的无人机LiDAR点云数据可直接用于提取森林郁闭度空间分布数据（简称LiDAR郁闭度数据）, 而且精度很高[8]。将LiDAR郁闭度数据作为建立卫星遥感郁闭度估测模型的参考样本，可有效弥补以传统人工郁闭度调查数据为参考样本所存在的不足[9-11], 显著提升卫星遥感郁闭度估测精度[12]。
目前已有研究利用LiDAR郁闭度数据和多光谱遥感数据，通过建立机器学习模型估测区域森林郁闭度。文献[9]以LiDAR郁闭度数据作为参考样本，采用Landsat7数据估测郁闭度，对比了多种机器学习方法的估测效果，结果表明随机森林估测方法的效果最好。文献[12]也采用相同的数据和方法开展了试验研究，结果显示相对于参数化估测方法，决策树类机器学习方法的估测精度较高。可见，传统机器学习方法可以较好地描述可能存在于森林郁闭度和卫星遥感特征间的复杂非线性关系，但需要人工提取遥感特征并优化模型[13], 存在自动化程度低的问题。
深度学习（deep learning, DL）是机器学习领域中的一个新的研究方向，其本质是构建含有多个隐含层的深度神经网络模型，从而得到大量具有代表性的深度特征[14]。深度卷积神经网络（convolutional neural network, CNN）是深度学习图像处理领域中的代表算法之一，具有局部连接和权值共享等优点[15]。通过改进该类模型的损失函数，可以有效实现森林参数遥感定量估测。文献[16]采用改进的CNN模型对森林生物量进行估测，估测精度明显高于线性混合效应模型、随机森林方法；文献[17]同样采用改进的CNN进行雷竹林地上生物量估测，模型拟合度R2高达0.943；文献[18]基于改进的CNN估测森林高度，效果优于随机森林。虽然以上改进的CNN模型的估测效果明显优于机器学习，但仍然存在计算量大、神经元感受野受限以及像元空间信息容易丢失等问题[19]。为解决上述问题，文献[20]针对图像分类问题，提出了全卷积神经网络模型（fully convolutional networks, FCN）, 以端对端的方式进行模型训练，运算过程更加高效，分类更加准确[21]。
Unet是在FCN基础上新发展的一种影像分类模型，具有结构简单、性能优越等特点，且已在森林类型遥感分类中取得了很好的效果[22-24]。但是对于森林参数定量估测，构建Unet模型需要大量在像素级别标注的块状参考样本，这是采用人工地面样地调查获取郁闭度参考数据很难做到的。因此，目前少有将Unet、FCN模型应用于森林参数遥感估测的研究。高密度无人机LiDAR点云数据生成的郁闭度数据具有空间连续分布的特点，可为Unet、FCN等全卷积深度学习模型的训练提供大量具有块状空间结构的样本，有利于解决样本量小、空间离散、代表性不够等问题。
本文提出了一种用于定量估测森林郁闭度的深度学习模型（UnetR）。该模型以用于图像分类的Unet为基础模型，通过对其损失函数进行改进，并在卷积层后加入批量归一化层，使Unet模型具有连续变量估测能力。
-
本文提出的森林郁闭度UnetR估测模型的技术路线如图 1所示。首先从GF-2遥感影像和无人机LiDAR郁闭度参考数据中分割出124对275像元×275像元的样本块，按8∶2将其分为训练样本集和验证样本集，然后将样本输入到UnetR模型中进行训练。在训练后可获得模型损失，利用反向传播算法更新模型参数，直到获得最佳参数，保存训练好的模型。在模型预测阶段，分块输入覆盖整个旺业甸林场的GF-2正射影像，将输出的分块预测结果拼接，得到整个林场的森林郁闭度分布图。最后采用423个独立验证样本点对估测精度进行验证。
图 1 区域森林郁闭度UnetR估测技术路线
Figure 1. Technique Flowchart of UnetR for Regional Forest Canopy Closure Estimation
-
本文提出的UnetR基于Unet模型，是一种端到端的网络模型，由收缩路径和扩张路径两部分组成。其中，收缩路径是网络的编码部分，采用重复的卷积模块和最大池化模块，获取低层次的空间特征；扩张路径是网络的解码部分，与网络的收缩路径呈中心对称结构，可恢复因下采样而损失的高层次抽象特征。
对于编码和解码部分所使用的卷积模块，在标准的3×3卷积核（convolution, Conv）后加入批量归一化层（batch normalization, BN）[25], 避免模型出现过拟合现象，这样每层特征可以分布的更加均匀，不仅在一定程度上使模型的收敛速度加快，而且使模型的容错能力大幅度提高[26]。本文将包含3×3卷积核的卷积层以及批量归一化层统称为卷积模块，具体的网络结构如图 2所示。模型编码部分遵循典型的卷积网络结构，该部分的主要作用是通过不断降低输入数据的空间维度提取图像中的高维度特征，共包含5组卷积模块，所包含的卷积核的数量分别为32、64、128、256、512, 在每个卷积模块后，分别加入一个2×2的最大池化模块（MaxPooling）进行下采样。在每一次下采样结束后，影像大小减半，特征数量加倍。
图 2 网络结构
Figure 2. Network Structure
解码部分是由一系列的上采样层构成，其核心是通过多次上采样（upsample）操作不断对特征图的大小进行恢复，加入与下采样相对应的5组卷积模块和上采样模块，其中每个上采样模块均采用双边滤波方法[22]。解码部分卷积模块的输入不仅包括由上采样模块得到的深层特征，而且还包括与其对应的下采样层输出的浅层特征，两种特征通过级联（concentrate）方式融合，在一定程度上既恢复了特征图的细节信息，又保证了空间信息的维度不变。
UnetR模型的最后一层通过1×1的卷积核进行卷积运算，并将结果映射到网络的输出层。与解决分类问题的Unet不同, UnetR模型在网络的最后一层使用线性函数[27]作为激活函数，并使用均方根误差[28]以及皮尔森系数[28]作为损失函数，使得模型能够解决森林郁闭度估测问题。
-
UnetR网络模型使用Python语言，在以TensorFlow为基础的Keras框架上进行实现，并将Adam方法作为优化器，将线性函数作为损失函数构建模型。在训练过程中设置平滑参数为1×10-9, 动量为0.99, 学习率初始值为1×10-5。网络权重共更新30 000次，每次更新过程中，共迭代10次，每次迭代使用8个样本对，网络权重每更新1次，所有训练样本均参与建模。当权重停止更新的次数大于10, 网络停止训练。网络在NVIDIA Tesla K40C计算显卡上进行训练，图形处理器内存为8 GB。
-
利用决定系数R2、均方根误差（root mean square error, RMSE）和估测精度（estimation accuracy, EA）3个指标评价模型精度。R2用于反映森林郁闭度估测模型的估测值与LiDAR郁闭度值之间的相关性，计算如下：
R 2 = 1 - ∑ i = 1 N y i - y ̂ i 2 ∑ i = 1 N y i - y ¯ 2 式中,
R M S E = ∑ i = 1 N y i - y ̂ i 2 N - 1 EA为估测精度，其值越大，表明森林郁闭度估测模型的估测精度越高，计算如下：
E A = 1 - R M S E y ¯ × 100 % ]]> -
本文以中国内蒙古赤峰市旺业甸林场所辖区域为研究区，旺业甸林场为赤峰市重点国有林场之一，位于118°09′E~118°30′E, 41°35′N~ 41°50′N。旺业甸林场的海拔高度为800 ~1 890 m, 属于中山山地，整个林场经营面积为28 000 hm2, 其中有林地面积达到23 333 hm2, 包括人工林面积11 733 hm2, 主要树种为油松、落叶松；天然林面积11 600 hm2, 主要树种为白桦、山杨和柞树。
-
为了实现旺业甸林场全覆盖，取4景高分二号（GF-2）遥感影像，其中有两景的成像时间为2019-05-29, 另两景为2019-06-23。GF-2遥感影像进行预处理的主要操作步骤包括辐射定标、大气校正、正射校正、影像融合、影像镶嵌和裁剪。首先，采用中国资源卫星应用中心公布的绝对辐射定标系数，对全色和多光谱影像进行辐射定标，将卫星传感器记录的亮度灰度值转换为绝对的辐射亮度值。其次，采用ENVI软件中的FLAASH（fast line-of-sight atmospheric analysis of hypercubes）模块进行多光谱数据的大气校正得到地表反射率值。然后，对全色影像和多光谱影像分别进行正射校正，利用数字高程模型（digital elevation model, DEM）和控制点对RPC（rational polynomial coefficient）模型进行优化，用于正射校正处理。实验所用DEM为ZY3 DEM产品（空间分辨率为5 m）, 并以ZY3数字正射影像（空间分辨率为2 m）为参考，对全色影像手工选取控制点45个，多光谱影像手工选取控制点47个，最终全色影像正射校正平均误差在东西向为0.6 m, 在南北向为0.3 m, 多光谱影像平均误差东西向为2.5 m, 南北向为1.5 m。最后，利用Gram-schmidt Pan Sharpening方法对正射校正后的全色和多光谱影像进行融合，并对融合后的多景影像进行镶嵌和裁剪操作，得到分辨率为1 m的高空间分辨率（high spatial resolution, HSR）遥感影像。图 3为GF-2预处理结果的假彩色合成影像，其中有些白色区域是对受云覆盖影响严重的像元进行掩膜处理导致的，这些区域不用于森林郁闭度的估测。
图 3 云掩膜后GF-2假彩色合成影像
Figure 3. GF-2 False Color Composite Image After Cloud Masking
-
对整个林场首先采用系统抽样方式确定无人机遥感数据获取区域（样区）, 然后采用无人机获取每个区域的LiDAR数据、数码相机数据。最终成功获取了19块样区遥感数据，这些样区在林场的空间分布如图 4（a）所示。
图 4 无人机遥感数据获取示意图
Figure 4. Illustration of Acquiring UAV Remote Sensing Data for Sampled Area
19块样区的LiDAR数据获取时间为2019-09-15—2019-09-18, 使用RC6-2无人机搭载RIEGL VUX-1激光雷达传感器，平均飞行高度为202 m, 测量精度为±10 mm, 扫描视场角为±20°, 激光脉冲频率为380 kHz, 获取的激光点云密度平均为62个/m2。采用三线交叉布局的方式获取LiDAR数据，使得所获数据更具代表性，并且尽可能覆盖每个样区。其中每个样区内设计的三线交叉布局的LiDAR飞行条带间呈120°品字分布，实际获取的每个条带平均长为800 m, 平均宽为400 m。图 4（b）为一个样区内3个飞行条带（绿色长方形）的空间覆盖示意图。
2019-09-21—2019-09-24, 采用精灵4无人机搭载1英寸CMOS传感器获取数码影像，影像含红（630~690 nm）、绿（520~600 nm）、蓝（450~520 nm）3个波段。无人机飞行的高度为190 m, 获取的数码影像空间分辨率为0.2 m。对19个无人机样区都获取了数码影像，每个样区所获取的数码影像的覆盖范围如图 4（a）中的蓝色多边形所示，长宽均约为1 km。分别对每个样区所获取的数码影像进行正射校正和镶嵌处理，所得到的正射影像将用于郁闭度的人工提取。
-
相对于直接使用归一化点云数据，使用冠层高度模型（canopy height model, CHM）的方法提取郁闭度效果更好[8]。该方法首先将无人机LiDAR的原始点云数据分为地面点和植被点，通过插值算法生成对应的DEM和数字表面模型（digital surface model, DSM）, 然后由DSM减去DEM得到CHM, 其中CHM像元大小设为0.2 m×0.2 m；然后，基于生成的CHM, 以25 m×25 m大小格网为分析单元[9], 判断1个分析单元内所包含的15 625个CHM像元落在树冠内的总个数，再除以15 625就是该分析单元的郁闭度。采用文献[29]的方法，将CHM大于2 m的像元判定为落在树冠内，否则判定为落在树冠外，生成的郁闭度数据如图 4（c）所示。
为了验证LiDAR生成的郁闭度数据的可靠性，本文通过对无人机正射影像进行目视解译提取林冠、非林冠区域，计算林冠区域面积占林冠和非林冠总面积的比例，将其作为郁闭度的解译值，进而分析LiDAR郁闭度数据与相同位置正射影像解译出郁闭度数据的相关性。其中, LiDAR郁闭度数据块和正射影像块均为21块，两种数据在空间分布上完全一致，并且均匀分布在旺业甸林场中，正射影像解译的郁闭度数据的空间分布如图 5所示，在无人机飞行的19个样区均有分布。
图 5 正射影像块解译郁闭度数据的位置分布图
Figure 5. Location Distribution Map of Canopy Closure Data Interpreted by Orthophoto Block
图 6为一个典型的无人机正射影像及其对应的林冠和非林冠目视解译结果图，可以看出，基于无人机正射影像可以很好地区分林冠区域与非林冠区域。
图 6 正射影像解译郁闭度数据细节图
Figure 6. Detailed Map of Canopy Closure Data Interpreted by Orthophotos
为了分析LiDAR郁闭度值和正射影像解译的郁闭度值之间的相关性，计算了两者之间的相关系数r为：
r = ∑ i = 1 n ( x i - x ¯ ) ( y i - y ¯ ) ∑ i = 1 n ( x i - x ¯ ) 2 ∑ i = 1 n ( y i - y ¯ ) 2 式中, （xi, yi）表示n组LiDAR郁闭度值和正射影像解译的郁闭度值, i=1, 2…n；
图 7 LiDAR郁闭度与正射影像解译郁闭度散点图
Figure 7. Scatter Plot Between Canopy Closure Extracted from LiDAR and That Interpreted from Orthophotos
-
基于GF-2遥感影像，利用训练深度学习模型估测森林郁闭度，以无人机LiDAR郁闭度数据为参考，构建模型训练所用的样本块。将每个样本块的大小设为275 m×275 m。首先，使用最近邻重采样方法[30]将无人机LiDAR郁闭度数据的空间分辨率由25 m过采样至1 m, 使其与GF-2遥感影像的空间分辨率相一致；然后，在无人机LiDAR郁闭度数据分布范围内随机无重复地确定124个样本块的位置和边界，并生成边界矢量文件；最后，基于生成的边界矢量文件对GF-2遥感影像和无人机LiDAR郁闭度数据进行裁剪，形成训练样本块。图 8给出了4个样本块的实例，每个样本块均由一个GF-2遥感影像块和一个与之在像素级别一一匹配的无人机LiDAR郁闭度数据影像块构成。随机选取80%样本块作为模型训练样本，剩余20%样本块作为模型验证样本。为了提高样本的代表性，尽量使样本块较为均匀地分布在整个研究区。为了更加清晰地展示样本块的分布情况，仅抽取部分样本块进行展示，如图 9所示，其中方块代表部分训练样本块的分布情况。
图 8 训练样本块实例
Figure 8. Some Training Sample Blocks
图 9 部分训练样本块和精度验证样本的空间分布
Figure 9. Spatial Distribution of Some Training Sample Block and Accuracy Validation Sample
-
为了验证深度学习模型的估测精度，本文采取分层随机抽样的方式，基于无人机LiDAR郁闭度数据，随机选取训练样本分布范围之外的样点作为验证样本，用于模型精度验证。为了使验证样本更具代表性，并且保证样本点的郁闭度值在0~1均匀分布，本文基于分层的方式将0~1区间范围内的郁闭度值分为10个层级，每个层级随机选取数量基本相等的样本点，共计选取423个样本点作为独立验证样本点，其中部分验证样本点的空间分布如图 9中圆形点所示。
-
本文采用UnetR模型对旺业甸林场的森林郁闭度进行估测，并对估测结果进行精度验证，结果表明, UnetR模型的R2=0.777, RMSE=0.137, EA=75.60%。
图 10为整个研究区的森林郁闭度估测结果，通过与研究区的林相图对比可看出，郁闭度估测值较高的区域与森林的分布区域相一致，估测值较低的区域大多属于耕地或者非林地。
图 10 森林郁闭度遥感估测结果
Figure 10. Remote Sensing Estimation Results of Forest Canopy Closure
表 1对比了针叶林、阔叶林的估测精度，发现针叶林的估测精度优于阔叶林。图 11为针叶林和阔叶林郁闭度估测结果的散点图。
表 1 针叶林和阔叶林郁闭度估测精度对比
Table 1. Comparison of Canopy Closure Estimation Accuracy for Coniferous and Broad-Leaved Forest
森林类型 R2 RMSE EA/% 阔叶林 0.763 0.142 73.90 针叶林 0.790 0.135 76.80 
图 11 针叶林和阔叶林郁闭度估测结果精度验证散点图
Figure 11. Accuracy Verification Scatter Plots of Forest Canopy Closure Estimation Results for Coniferous and Broad-Leaved Forest
由表 1、图 11可以看出, UnetR模型对于针叶林的拟合效果更好，尤其在高郁闭度值区间表现更加明显，但两者均存在一定的低郁闭度高估现象。
-
本文采用随机森林（random forest, RF）和支持向量机回归（support vector regression, SVR）作为旺业甸林场森林郁闭度估测研究的机器学习对比方法[31-34]。首先基于无人机LiDAR的郁闭度数据选取训练样本点，考虑所选的训练样本须具有一定的一致性，本文在深度学习使用的124个训练样本块中有间隔地选取1 330个样本点作为两种机器学习模型的训练样本；然后基于GF-2遥感影像同样选取光谱波段均值、植被指数和纹理特征作为待优选特征[4, 12]；最后采用RF模型进行特征优选，并构建模型进行旺业甸林场的森林郁闭度估测。
本文使用Python语言调用Scikit-learn机器学习库来实现基于RF的森林郁闭度遥感估测模型构建，在实验中设置决策树的数量为1 000；同样使用Python语言调用Scikit-learn机器学习库来建立森林郁闭度估测模型，模型构建过程中使用高斯核函数作为核函数，惩罚参数C为1, GAMMA为0.000 1。
将UnetR模型与传统的机器学习模型RF和SVR进行精度比较评价。在构建RF和SVR时，选用了RF优选后的特征进行建模，优选特征为绿波段均值、红波段均值、近红外波段的方差和相关性，绿波段的相关性和对比度，蓝波段的相关性，近红外波段的二阶矩和均值。
表 2展示了UnetR、RF和SVR的估测结果，可以看出, UnetR模型的估测效果优于RF和SVR模型。
表 2 UnetR、FCN、RF和SVR模型郁闭度估测精度对比
Table 2. Comparison of the Accuracy of UnetR, FCN, RF and SVR Models
模型 R2 RMSE EA/% UnetR 0.777 0.137 75.60 FCN 0.735 0.148 73.70 RF 0.644 0.167 70.20 SVR 0.609 0.175 68.90 图 12展示了4种模型估测结果的精度验证散点图。由图 12可以看出, UnetR模型在低郁闭度区域和高郁闭度区域估测效果较好，并且相对于RF和SVR估测误差相对较小。然而, RF和SVR模型在低郁闭度区域存在明显的高估现象，在中郁闭度区域拟合效果较差。UnetR模型的估测能力最好, SVR模型估测效果最差, RF略优于SVR模型。且4个模型均存在低郁闭度高估和高郁闭度低估的现象，但是相对于RF和SVR模型, UnetR模型拟合效果较好。
图 12 4种模型估测结果精度验证散点图
Figure 12. Scatter Plots of the Accuracy Verification Results of the Four Models
-
本文将FCN模型作为旺业甸森林郁闭度估测研究中的深度学习对比模型, FCN模型提出时主要用于解决图像在像素级别的语义分割问题，为了使FCN模型能够有效地估测森林郁闭度，本文对原始的FCN模型进行优化，在网络中加入BN层避免模型出现过拟合现象，同时使用线性函数作为模型的损失函数进行森林郁闭度估测。实验使用Python语言，在以TensorFlow为基础的Keras框架上实现FCN回归模型，并使用Adam方法作为优化器构建模型。在模型训练过程中，平滑参数为1×10-9, 动量为0.99, 学习率初始值为1×10-5, 网络权重共更新30 000次。
为了进一步评价UnetR的估测效果，将UnetR模型与FCN回归模型进行比较，结果如表 2所示。FCN回归模型的R2=0.735, RMSE=0.148, EA=73.70%。UnetR的估测误差低于FCN回归模型，拟合度和估测精度均有所提升。从图 12可以看出, UnetR模型在低郁闭度和高郁闭度区域的拟合效果比FCN模型拟合效果更好，估测精度更高。
综合比较UnetR、FCN、RF和SVR森林郁闭度估测模型, UnetR模型效果最好，均方根误差最小，估测精度最高；FCN模型次之，两种传统机器学习模型较差，其中, RF模型略优于SVR模型。
-
通过与具有相同实验区的研究进行对比可知，文献[35]基于GF-1影像对旺业甸实验区的针叶林郁闭度进行估测，得到R2=0.76, 精度低于本文模型。同时，该研究所使用的验证样本仅为24个，明显低于本文所用的验证样本数量（423个）, 这在一定程度上也说明了本文模型的有效性。
通过与同样使用高分辨率光学遥感数据估测森林郁闭度的研究比较可知，文献[4]基于GF-1遥感影像估测新疆落叶松林分郁闭度，得到R2=0.72, EA=82.40%；文献[36]基于GF-2遥感影像估测新疆天山云杉林郁闭度，得到R2=0.823, EA=89.82%。通过对上述结果的分析可知，虽然本文模型的估测精度EA低于上述研究，但是本文实验区内所覆盖的森林类型较多，既包括针叶林树种，又包括阔叶林树种，并不仅以落叶松或者云杉等某一类树种作为研究对象，这可能是导致本研究的估测结果略低于上述研究的原因。
-
本文提出一种综合应用高空间分辨率卫星遥感影像和无人机LiDAR郁闭度数据的森林郁闭度深度学习估测模型UnetR, 可以有效协同应用两种不同空间覆盖能力的遥感数据：一种是具有对研究区全覆盖能力的高空间分辨率多光谱卫星遥感影像，另一种是只能对实验区小面积覆盖，适合块状抽样获取的无人机LiDAR高密度点云数据。在内蒙古赤峰市旺业甸林场进行了实验验证，与FCN、RF和SVR模型的郁闭度估测效果对比评价结果表明, UnetR模型的估测效果较好，均方根误差较低，估测精度较高，可为实现区域森林郁闭度遥感监测提供一种人力成本低、自动化程度高的估测方法。
An Estimation Model for Regional Forest Canopy Closure Combined with UAV LiDAR and High Spatial Resolution Satellite Remote Sensing Data
-
摘要: 森林郁闭度是森林资源调查中的一个重要因子，对森林质量评价具有重要作用。随着人工智能技术和遥感技术的不断发展，研究如何利用深度学习有效协同不同空间覆盖能力的遥感数据实现区域森林郁闭度的估测具有重要意义。由此提出了一种协同应用高密度无人机激光雷达和高空间分辨率卫星遥感数据，对区域森林郁闭度进行定量估测的深度学习模型（UnetR）。对用于图像分类的Unet模型的损失函数进行改进，并在卷积层后加入批量归一化层，使其具有对连续变量进行定量估测的能力。与全卷积神经网络、随机森林和支持向量机回归模型进行对比实验。结果表明, UnetR模型的均方根误差较低，估测精度较高，为实现区域森林郁闭度遥感监测提供了一种人力成本低、自动化程度高的估测方法。Abstract:
Objectives Forest canopy density is an important factor in forest resource surveys. It plays an important role in forest quality evaluation and forest resource management. In recent years, artificial intelligence technology and remote sensing technology have developed rapidly and they have been successfully applied to forestry remote sensing quantitative estimation. It is significant to study how to use deep learning methods to effectively integrate the remote sensing data with different spatial coverage capabilities in regional forest canopy closure estimation. Methods This paper proposes a deep learning model (UnetR) which aims to estimate forest canopy closure based on deep learning model with the high-density light detection and ranging and high spatial resolution satellite imagery. We optimized the loss function of Unet for image classification, and added a batch normalization layer after the convolution layer, the model had the ability to quantitatively estimate continuous variables. Results The comparative evaluation results with fully convolutional networks, random forest and support vector regression models show that the root mean square error of the UnetR model was lower, the estimation accuracy was higher determination coefficient is 0.777, root mean square error is 0.137, estimation accuracy is 75.60%. Conclusions This paper provided a low labor cost and high degree of automation estimation model for remote sensing monitoring of regional forest canopy closure. -
Key words:
- regional forest canopy closure /
- deep learning /
- optical remote sensing /
- LiDAR
-
图 1 区域森林郁闭度UnetR估测技术路线
Figure 1. Technique Flowchart of UnetR for Regional Forest Canopy Closure Estimation
图 4 无人机遥感数据获取示意图
Figure 4. Illustration of Acquiring UAV Remote Sensing Data for Sampled Area
图 5 正射影像块解译郁闭度数据的位置分布图
Figure 5. Location Distribution Map of Canopy Closure Data Interpreted by Orthophoto Block
图 6 正射影像解译郁闭度数据细节图
Figure 6. Detailed Map of Canopy Closure Data Interpreted by Orthophotos
图 7 LiDAR郁闭度与正射影像解译郁闭度散点图
Figure 7. Scatter Plot Between Canopy Closure Extracted from LiDAR and That Interpreted from Orthophotos
图 9 部分训练样本块和精度验证样本的空间分布
Figure 9. Spatial Distribution of Some Training Sample Block and Accuracy Validation Sample
图 10 森林郁闭度遥感估测结果
Figure 10. Remote Sensing Estimation Results of Forest Canopy Closure
图 11 针叶林和阔叶林郁闭度估测结果精度验证散点图
Figure 11. Accuracy Verification Scatter Plots of Forest Canopy Closure Estimation Results for Coniferous and Broad-Leaved Forest
图 12 4种模型估测结果精度验证散点图
Figure 12. Scatter Plots of the Accuracy Verification Results of the Four Models
表 1 针叶林和阔叶林郁闭度估测精度对比
Table 1. Comparison of Canopy Closure Estimation Accuracy for Coniferous and Broad-Leaved Forest
森林类型 R2 RMSE EA/% 阔叶林 0.763 0.142 73.90 针叶林 0.790 0.135 76.80 
下载: 导出CSV
表 2 UnetR、FCN、RF和SVR模型郁闭度估测精度对比
Table 2. Comparison of the Accuracy of UnetR, FCN, RF and SVR Models
模型 R2 RMSE EA/% UnetR 0.777 0.137 75.60 FCN 0.735 0.148 73.70 RF 0.644 0.167 70.20 SVR 0.609 0.175 68.90
下载: 导出CSV
-
[1] 李永宁，张宾兰，秦淑英，等. 郁闭度及其测定方法研究与应用[J]. 世界林业研究, 2008, 21(1): 40-46 https://www.cnki.com.cn/Article/CJFDTOTAL-SJLY200801006.htm Li Yongning, Zhang Binlan, Qin Shuying, et al. Review of Research and Application of Forest Canopy Closure and Its Measuring Methods[J]. World Forestry Research, 2008, 21(1): 40-46 https://www.cnki.com.cn/Article/CJFDTOTAL-SJLY200801006.htm [2] 杜文峰，王凤臻，李庆. 提高郁闭度调查精度的几点建议[J]. 林业资源管理, 1999(3): 62-63 doi: 10.3969/j.issn.1002-6622.1999.03.017 Du Wenfeng, Wang Fengzhen, Li Qing. Some Suggestion for Improving the Accuracy of Forest Crown Closure Measurement[J]. Forest Resources Management, 1999(3): 62-63 doi: 10.3969/j.issn.1002-6622.1999.03.017 [3] 牛战勇，冯娟，谷建才，等. 基于叶面积指数的森林郁闭度遥感反演研究[J]. 林业资源管理, 2014(1): 46-51 https://www.cnki.com.cn/Article/CJFDTOTAL-LYZY201401010.htm Niu Zhanyong, Feng Juan, Gu Jiancai, et al. Forest Canopy Density RS Inversion Research Based on LAI[J]. Forest Resources Management, 2014(1): 46-51 https://www.cnki.com.cn/Article/CJFDTOTAL-LYZY201401010.htm [4] 刘赛赛，陈冬花，栗旭升，等. 基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测[J]. 西北农林科技大学学报(自然科学版), 2020, 48(7): 57-66 https://www.cnki.com.cn/Article/CJFDTOTAL-XBNY202007008.htm Liu Saisai, Chen Donghua, Li Xusheng, et al. Quantitative Estimation of Stand Closure Density of Larix Sibirica by Remote Sensing Based on GF-1 PMS[J]. Journal of Northwest A & F University (Natural Science Edition), 2020, 48(7): 57-66 https://www.cnki.com.cn/Article/CJFDTOTAL-XBNY202007008.htm [5] 谭炳香，李增元，陈尔学，等. Hyperion高光谱数据森林郁闭度定量估测研究[J]. 北京林业大学学报, 2006, 28(3): 95-101 https://www.cnki.com.cn/Article/CJFDTOTAL-BJLY200603017.htm Tan Bingxiang, Li Zengyuan, Chen Erxue, et al. Estimating Forest Crown Closure Using Hyperion Hyperspectral Data[J]. Journal of Beijing Forestry University, 2006, 28(3): 95-101 https://www.cnki.com.cn/Article/CJFDTOTAL-BJLY200603017.htm [6] 庞勇，李增元，陈尔学，等. 激光雷达技术及其在林业上的应用[J]. 林业科学, 2005, 41(3): 129-136 https://www.cnki.com.cn/Article/CJFDTOTAL-LYKE200503023.htm Pang Yong, Li Zengyuan, Chen Erxue, et al. LiDAR Remote Sensing Technology and Its Application in Forestry[J]. Scientia Silvae Sinicae, 2005, 41(3): 129-136 https://www.cnki.com.cn/Article/CJFDTOTAL-LYKE200503023.htm [7] 段祝庚，赵旦，曾源，等. 基于遥感的区域尺度森林地上生物量估算研究[J]. 武汉大学学报·信息科学版, 2015, 40(10): 1400-1408 doi: 10.13203/j.whugis20140709 Duan Zhugeng, Zhao Dan, Zeng Yuan, et al. Estimation of the Forest Aboveground Biomass at Regional Scale Based on Remote Sensing[J]. Geomatics and Information Science of Wuhan University, 2015, 40(10): 1400-1408 doi: 10.13203/j.whugis20140709 [8] Liu Q W, Fu L Y, Wang G X, et al. Improving Estimation of Forest Canopy Cover by Introducing Loss Ratio of Laser Pulses Using Airborne LiDAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(1): 567-585 [9] Stojanova D, Panov P, Gjorgjioski V, et al. Estimating Vegetation Height and Canopy Cover from Remotely Sensed Data with Machine Learning[J]. Ecological Informatics, 2010, 5(4): 256-266 [10] Ahmed O S, Franklin S E, Wulder M A. Integration of LiDAR and Landsat Data to Estimate Forest Canopy Cover in Coastal British Columbia[J]. Photogrammetric Engineering & Remote Sensing, 2014, 80(10): 953-961 [11] Korhonen L, Ali-Sisto D, Tokola T. Tropical Forest Canopy Cover Estimation Using Satellite Imagery and Airborne LiDAR Reference Data[J]. Silva Fennica, 2015, 49(5): 1-18 [12] 张瑞英，庞勇，李增元，等. 结合机载LiDAR和LANDSAT ETM+数据的温带森林郁闭度估测[J]. 植物生态学报, 2016, 40(2): 102-115 https://www.cnki.com.cn/Article/CJFDTOTAL-ZWSB201602002.htm Zhang Ruiying, Pang Yong, Li Zengyuan, et al. Canopy Closure Estimation in a Temperate Forest Using Airborne LiDAR and LANDSAT ETM+ Data[J]. Chinese Journal of Plant Ecology, 2016, 40(2): 102-115 https://www.cnki.com.cn/Article/CJFDTOTAL-ZWSB201602002.htm [13] 郭丽丽，丁世飞. 深度学习研究进展[J]. 计算机科学, 2015, 42(5): 28-33 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201505007.htm Guo Lili, Ding Shifei. Research Progress on Deep Learning[J]. Computer Science, 2015, 42(5): 28-33 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201505007.htm [14] 张立强，李洋，侯正阳，等. 深度学习与遥感数据分析[J]. 武汉大学学报·信息科学版, 2020, 45(12): 1857-1864 doi: 10.13203/j.whugis20200650 Zhang Liqiang, Li Yang, Hou Zhengyang, et al. Deep Learning and Remote Sensing Data Analysis[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12): 1857-1864 doi: 10.13203/j.whugis20200650 [15] 周飞燕，金林鹏，董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1229-1251 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJX201706001.htm Zhou Feiyan, Jin Linpeng, Dong Jun. Review of Convolutional Neural Network[J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJX201706001.htm [16] Ayrey E, Hayes D. The Use of Three-Dimensional Convolutional Neural Networks to Interpret LiDAR for Forest Inventory[J]. Remote Sensing, 2018, 10(4): 649 [17] Dong L F, Du H Q, Han N, et al. Application of Convolutional Neural Network on Lei Bamboo Above-Ground-Biomass (AGB) Estimation Using Worldview-2[J]. Remote Sensing, 2020, 12(6): 958 [18] Shah S A A, Manzoor M A, Bais A. Canopy Height Estimation at Landsat Resolution Using Convolutional Neural Networks[J]. Machine Learning and Knowledge Extraction, 2020, 2(1): 23-36 [19] Längkvist M, Kiselev A, Alirezaie M, et al. Classification and Segmentation of Satellite Orthoimagery Using Convolutional Neural Networks[J]. Remote Sensing, 2016, 8(4): 329 [20] Shelhamer E, Long J, Darrell T. Fully Convolutional Networks for Semantic Segmentation[J]//IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, DOI: 10.1109/cvpr.2015.7298965 [21] 章琳，袁非牛，张文睿，等. 全卷积神经网络研究综述[J]. 计算机工程与应用, 2020, 56(1): 25-37 https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG202001004.htm Zhang Lin, Yuan Feiniu, Zhang Wenrui, et al. Review of Fully Convolutional Neural Network[J]. Computer Engineering and Applications, 2020, 56(1): 25-37 https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG202001004.htm [22] Cao K L, Zhang X L. An Improved Res-UNet Model for Tree Species Classification Using Airborne High-Resolution Images[J]. Remote Sensing, 2020, 12(7): 1128 [23] Pan Z K, Xu J S, Guo Y B, et al. Deep Learning Segmentation and Classification for Urban Village Using a Worldview Satellite Image Based on U-Net[J]. Remote Sensing, 2020, 12(10): 1574 [24] 王雅慧，陈尔学，郭颖，等. 高分辨率多光谱遥感影像森林类型分类深度U-net优化方法[J]. 林业科学研究, 2020, 33(1): 11-18 https://www.cnki.com.cn/Article/CJFDTOTAL-LYKX202001002.htm Wang Yahui, Chen Erxue, Guo Ying, et al. Deep U-Net Optimization Method for Forest Type Classification with High Resolution Multispectral Remote Sensing Images[J]. Forest Research, 2020, 33(1): 11-18 https://www.cnki.com.cn/Article/CJFDTOTAL-LYKX202001002.htm [25] Ioffe S, Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift[J]. arXiv, 2015, DOI: 1502.031677 [26] 许玥，冯梦如，皮家甜，等. 基于深度学习模型的遥感图像分割方法[J]. 计算机应用, 2019, 39(10): 2905-2914 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY201910020.htm Xu Yue, Feng Mengru, Pi Jiatian, et al. Remote Sensing Image Segmentation Method Based on Deep Learning Model[J]. Journal of Computer Applications, 2019, 39(10): 2905-2914 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY201910020.htm [27] Draper N R, Smith H. Applied Regression Analysis[M]. Hoboken, USA: John Wiley & Sons Inc., 1998 [28] Clark. Basic Statistics[M]// Hoboken, USA: John Wiley & Sons Inc., 2008 [29] 穆喜云，张秋良，刘清旺，等. 基于机载LiDAR数据的林分平均高及郁闭度反演[J]. 东北林业大学学报, 2015, 43(9): 84-89 https://www.cnki.com.cn/Article/CJFDTOTAL-DBLY201509017.htm Mu Xiyun, Zhang Qiuliang, Liu Qingwang, et al. Inversion of Forest Height and Canopy Closure Using Airborne LiDAR Data[J]. Journal of Northeast Forestry University, 2015, 43(9): 84-89 https://www.cnki.com.cn/Article/CJFDTOTAL-DBLY201509017.htm [30] Chang Kang-tsung. 地理信息系统导论[M]. 北京: 科学出版社, 2003 Chang Kang-tsung. Introduction to Geographic Information Systerm[M]. Beijing: Science Press, 2003 [31] Breiman L. Using Iterated Bagging to Debias Regressions[J]. Machine Learning, 2001, 45(3): 261-277 [32] Jog A, Carass A, Roy S, et al. Random Forest Regression for Magnetic Resonance Image Synthesis[J]. Medical Image Analysis, 2017, 35: 475-488 [33] Wang C Y, Yu Y C. Growing Season Variations of Soil Detachment Under Wheatgrass and Switchgrass Lands in the Loess Area of China[J]. Chinese Journal of Soil Science, 2016, 47(4): 790-796 [34] Chen Y B, Xu P, Chu Y Y, et al. Short-Term Electrical Load Forecasting Using the Support Vector Regression (SVR) Model to Calculate the Demand Response Baseline for Office Buildings[J]. Applied Energy, 2017, 195: 659-670 [35] Li J R, Mao X G. Comparison of Canopy Closure Estimation of Plantations Using Parametric, Semi-Parametric, and Non-Parametric Models Based on GF-1 Remote Sensing Images[J]. Forests, 2020, 11(5): 597 [36] 李擎，王振锡，王雅佩，等. 基于GF-2号遥感影像的天山云杉林郁闭度估测研究[J]. 中南林业科技大学学报, 2019, 39(8): 48-54 https://www.cnki.com.cn/Article/CJFDTOTAL-ZNLB201908008.htm Li Qing, Wang Zhenxi, Wang Yapei, et al. Study on Canopy Density Inversion of Picea Schrenkiana Forest Based on GF-2 Remote Sensing Image[J]. Journal of Central South University of Forestry & Technology, 2019, 39(8): 48-54 https://www.cnki.com.cn/Article/CJFDTOTAL-ZNLB201908008.htm -
点击查看大图
图(12) / 表(2)
计量
- 文章访问数: 566
- HTML全文浏览量: 173
- PDF下载量: 65
- 被引次数: 0
