遥感技术与应用, 2021, 36(5): 1199-1208 doi: 10.11873/j.issn.1004-0323.2021.5.1199

遥感应用

使用高分遥感影像获取塔里木河胡杨高度信息

杨雪峰,1,2

1.新疆师范大学地理科学与旅游学院，新疆 乌鲁木齐 830054

2.新疆维吾尔自治区重点实验室/新疆干旱区湖泊环境与资源实验室，新疆 乌鲁木齐 830054

Estimation Height of Populus Euphratica in Tarim River Using VHR Satellite Images

Yang Xuefeng,1,2

1.College of Geographic Science and Tourism，Xinjiang Normal University，Urumqi 830054，China

2.Xinjiang Laboratory of Lake Environment and Resources in Arid Zone，Urumqi 830054，China

收稿日期: 2020-04-26   修回日期: 2021-08-30   网络出版日期: 2021-12-07

基金资助: 国家自然科学基金项目.  41761075

Received: 2020-04-26   Revised: 2021-08-30   Online: 2021-12-07

作者简介 About authors

杨雪峰（1972-），男，新疆乌鲁木齐人，副教授，主要从事干旱区资源环境遥感技术应用研究E⁃mail：744157426@qq.com , E-mail：744157426@qq.com

摘要

森林高度在森林生态状况、生物量水平研究中是一个重要参数，目前存在的多种获取树高的遥感技术，都不同程度存在一些问题。塔里木河下游胡杨林作为干旱区内陆河流域荒漠生态系统的核心构件和重要生态恢复对象，了解其高度信息有助于科学评估塔河下游受损生态系统的恢复程度。使用高分辨率遥感影像，利用面向对象影像分析技术，获取单木尺度的胡杨树冠，并提取对应的光谱、纹理和几何特征；在使用消费级无人机获取的树高数据支持下，分别使用Linear、MLP（Multilayer Perceptron， MLP）、PACE 和SVR（SVM Regression， SVR）方法建立树高回归模型获取塔里木河下游胡杨高度信息。结果表明：①基于光谱、纹理和几何特征建立的树高回归模型R2为0.668 7，RMSE为0.942 6 m，说明结合使用高分辨率卫星遥感和无人机遥感技术可以用于获取单木尺度的胡杨树高；②当使用所有特征时，MLP、PACE和SVR回归模型的相关系数均大于0.81，其中PACE回归模型精度最高；③在单木尺度上，光谱特征中包含有较多的树高信息，其次是纹理特征。

关键词： 胡杨 ; 树高 ; 高分影像 ; 面向对象影像分析 ; 回归模型

Abstract

Forest height is an important parameter in the study of forest ecological and biomass. At present， there are many remote sensing technologies that can obtain tree height， but all have some problems. Populus euphratica in the lower reaches of the Tarim River is the core component and important ecological restoration object of the desert ecosystem in the inland river basin of the arid area.Taking Populus euphratica in the lower reaches of Tarim River as an example， using high-resolution remote sensing image and object-oriented image analysis technology， the canopy of Populus euphratica at single wood scale is obtained， and the corresponding spectral， texture and geometric features are extracted； with support of the tree height data acquired by UAV， the tree height regression model is established by linear， MLP， PACE and SVR respectively. The results show that： （1） the regression model R2 based on the spectral， texture and geometric features is 0.668 7 at the highest， and RMSE is 0.942 6 m， which indicates that the combination of VHR satellite remote sensing and UAV can be used to obtain the height of Populus euphratica at single wood scale； （2） When all features are used， the correlation coefficients of MLP， PACE and SVR regression models are greater than 0.81， and PACE regression archieve the highest accuracy； （3） On the scale of single wood， the spectral features contain more tree height information， followed by texture features.

Keywords： Populus Euphratica ; Tree height ; Very-High-Resolution remote sensing ; Object based image analysis ; Regression model

PDF (5060KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

杨雪峰. 使用高分遥感影像获取塔里木河胡杨高度信息. 遥感技术与应用[J], 2021, 36(5): 1199-1208 doi:10.11873/j.issn.1004-0323.2021.5.1199

Yang Xuefeng. Estimation Height of Populus Euphratica in Tarim River Using VHR Satellite Images. Remote Sensing Technology and Application[J], 2021, 36(5): 1199-1208 doi:10.11873/j.issn.1004-0323.2021.5.1199

1 引 言

森林高度是评价森林生物量和生态状况的重要指标，如何精确估算大范围森林高度是尚待解决的问题。遥感以其大面积、快速、动态的优势在森林生态研究中得到广泛应用，目前，能够连续大面积获取森林高度的遥感技术主要有：激光雷达（Light Detection and Ranging， LiDAR）、无人机摄影测量、极化干涉雷达（Polarimetric SAR Interferometry，PolInSAR）和高分遥感（Very High Resolution Satellite Imagery，VHR）技术。这几种技术因为各自信息获取方式，空间和时间采样特点都有其局限性［1-2］。

LiDAR可获得高精度的森林高度参数，例如Levick 使用机载LiDAR 获取Savanna 树木高度，与地面实测值的R2达到0.92［3］。随着多年的发展，全波形激光雷达已成为机载有源传感工具用于测量植物冠层结构、形状和地上生物量最有效的探测手段［4-6］。与卫星遥感相比，机载LiDAR技术目前存在机载设备观测范围较小，使用成本较高的问题，限制了该技术的使用。

无人机（Unmanned Aerial Vehicle， UAV）在近些年的快速发展，提供了获取森林结构新的技术手段［7］。无人机搭载激光雷达可获得高精度森林树高，但激光雷达的高成本限制了其被广泛使用［8］。无人机可通过普通相机获取高重叠度地面影像，使用立体摄影测量技术进行三维重建获取地面点云，继而获取较高精度的树高信息，如Sarron等［9］使用大疆无人机在40 m高度测得的树高值与地面测量值的R2为0.96，RMSE%为11%；杨坤使用大疆M100无人机在飞行高度为60 m时获取的梧桐和圆柏的树高测量值与真实值R2分别为0.992 和0.889，标准误差分别为29.2 cm和50.9 cm［10］。由于无人机受到飞行高度和距离的限制，目前只适用于小范围测量。

PolInSAR技术对地物散射体的形状、取向和介电特性等信息敏感，由此发展出随机体散射体/地表二层模型（Random Volume over Ground， RVoG），极化相干层析（Polarization Coherence Tomography， PCT）等模型方法［11-13］，可用来获得森林的高度信息［14-16］。然而，现阶段星载极化干涉数据面临的时间，空间失相关，模型反演复杂等问题尚未完全解决［17-18］。此外，PolInSAR 技术还受到卫星数据源少，发展历史较短的影响。

随着高分遥感技术的发展，利用高分辨率影像获取树木结构参数的研究也日益增多。例如，韩学峰［19］利用QuickBird图像计算立木阴影长度，通过几何算法，得到林分平均树高。崔少伟等［20］利用QuickBird影像，基于单木树影灰度值与树高的回归模型法对研究区的天然林单木的树高进行估测，决定系数达到0.88。由于森林中树木阴影长度较难准确获得、以及林下地形影响等具有不确定性，在测量中容易造成较大的误差［21］。

使用摄影测量方法对高分立体像进行处理也可以获取森林高度，倪文俭等［22］通过对高分二号异轨立体数据处理得到的DSM（数字表面模型），以激光雷达数据提供的DEM（数字高程模型）作为林下地形，得到了CHM（冠层高度模型），像素对像素的R2达到0.51，RMSE （均方根误差）为3.6 m。凌成星等［23］使用GeoEye-1立体像对，在地面控制点的支持下，获取的树高总体误差率在83.1%。基于卫星立体像对的树高获取需要高精度的DEM和地面控制点，另外，高分立体影像的获取成本要远远大于普通单视角影像。

高分影像包含的多光谱信息已经证明与植被结构有关，例如Peter等［24］使用SPOT-5卫星影像数据对美国明尼苏达东北部阔叶林和针叶林树高进行研究，使用多光谱反射与植被指数建立的偏最小二乘回归模型得到的树高与地面实测值R2分别为0.69 和0.92，RMSE分别为1.27 m和1.59 m；Donoghue等［25］使用IKONOS获取北美云杉树高，发现在森林密度较大区域（密度>2 000株/hm2），绿光波段与树高的线性回归模型的相关关系最好，R2达到0.84。高分影像中含有的丰富的纹理信息可以和光谱信息一起被有效利用，已有研究证明GLCM（Grey-Level Co-occurrence Matrix）和GLDV（Gray-level Difference Vector）［26］等纹理参数与植被的结构信息有关，例如Chen等［27］使用QuickBird影像，利用面向对象影像分析技术提取森林影像纹理信息、光谱信息和阴影信息，获取比较了不同尺度上的森林高度，利用纹理信息、光谱信息和阴影信息建立的线性模型估测的树高精度要显著高于只使用光谱信息模型估测的树高，并且，随着分割尺度的变大，模型的R2也随之增加。Gomes等［28］使用RapidEye光谱反射和纹理数据对巴西Cerrado生态系统的植被高度进行非线性建模，模型的调整R2为0.43。Shamsoddini等［29］使用WorldView2对澳大利亚新南威尔士松树结构信息进行研究，使用光谱反射率及光谱指数建立的树高线性模型，R2为0.461，使用纹理数据建立的树高模型，R2达到了0.904，并且发现，30 m尺度为模型精度最优。使用高分影像建立树高回归模型，必须要有相应的高精度树高数据用于高度定标，以上研究使用的高度数据通常从森林调查数据或者通过LiDAR测量获取，对于缺乏该类设备或数据的研究者则带来不便。

综上所述，不同的观测技术各有其优缺点，多种技术相结合是未来的发展方向。在以往的森林树高遥感研究中，研究的森林生态系统和尺度各不相同，其结论存在一定的局限性，为了增进对该问题的认识，需要在更多不同的森林环境和研究尺度上开展研究。

塔里木河地处中国西部内陆干旱荒漠地区，其生态环境属于变化的敏感地区，也是中国生物多样性保护研究的关键区域之一。在人类对自然水资源时空格局的改变为主要形式的扰动影响下，塔里木河下游以胡杨为主要建群种的自然植被受到严重影响，生物多样性受损，沙漠化过程加剧。自2000年开始，实施向塔里木河下游应急输水工程，以期恢复下游的生态系统，胡杨是应急输水生态恢复的目标植物之一。胡杨的高度是植被恢复的标志性指标，也是研究胡杨群落生态过程与演化机制，改善优势种群保护措施的途径［30］。

实验使用WorldView2高分辨率遥感数据，通过面向对象影像分析技术（Object-based Image Analysis，OBIA）获取塔里木河下游胡杨的几何、纹理和光谱信息，结合无人机低空遥感获取的树高信息，在单木尺度上建立并验证胡杨树高回归模型。

2 研究区和数据

2.1　研究区

选择塔里木河下游英苏附近的一处面积为1.45 km2的河段作为研究样区（图1）。该区域地势平缓，平均海拔840 m，气候干旱、降雨稀少，土壤类型主要为盐土和风沙土，河道附近分布有胡杨构成的河岸林，由于受过去塔里木河下游断流影响，林中存在较多的枯立木。地下水供给较好的河岸附近和低阶地还发育有柽柳、沙棘、铃铛刺等植被构成的灌草地带，整体植被覆盖度较低。在此环境下，更便于进行单木尺度的树高研究。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区

Fig.1   Study area


目前，在该区域有关胡杨高度的研究中，大多采用地面测量的方法，例如：蔡富艳等［31］用地面观测方式对塔里木河下游阿拉干样方内的4 500棵胡杨树进行了详细的调查，发现胡杨高度随着离河岸距离增加而呈现降低的规律。地面采样方式虽然准确度高，但是人力投入大、时间效率低、调查范围上也受到很大限制。使用遥感技术对胡杨树高的相关研究有：万红梅等［32］基于QuickBird 影像，采用人机交互方法提取了塔里木河下游不同离河距离胡杨树冠信息，建立了胡杨冠幅与胸径的关系，再由胸径推导树高，树高精度为89.25%。该研究验证数据为平均树高，另外，人机交互方式也限制了该方法的应用范围。

2.2　数据

研究分别使用了地面观测数据、无人机倾斜摄影测量数据和WorldView2多光谱影像数据。

2.2.1　地面测量数据

2018年8月对研究区的胡杨进行了地面测量。测量选择不同高度的胡杨共40棵，使用手持激光测高仪分别从不同方位测量胡杨高度3次，最后取平均值得到树高。该数据用于对无人机获取的树高进行评价。

2.2.2　无人机测量数据

2018年8月在研究区进行了无人机倾斜摄影测量。首先通过RTK设置30个地面控制点，然后利用Altizure软件规划飞行路线，使用大疆精灵4 pro通过5次倾斜摄影获取研究区的地面影像数据，影像参数见表1。无人机影像数据经处理后，生成研究区CHM，用于从中提取胡杨高度。

表1   影像参数

Table 1  The parameters of WV2 and UAV

数据类型WorldView2无人机影像
获取时间2018年7月2018年8月
波段数43
飞行高度770 km100 m
地面分辨率

全色：0.5 m

多光谱：2 m

0.05 m
观测天顶角61.5°45°

新窗口打开| 下载CSV


2.2.3　WV2（WorldView2）影像数据

该数据包含1个全色波段和4个多光谱波段（蓝色波段：450~510 nm；绿色波段：510~580 nm；红色波段：630~690 nm；近红外线波段：770~895 nm），影像参数见表1。WV2影像首先经过大气校正、几何校正和影像融合处理，再通过面向对象影像分析技术处理后，提取了胡杨树冠及光谱、纹理信息。

3 研究方法

3.1　技术路线

实验使用eCognition为高分影像处理平台，eCognition作为成熟的OBIA软件，在基于中、高分辨率影像的土地覆被分类、地面物体识别等领域有着广泛的应用［33-34］。

通过使用面向对象影像分割和分类技术，获取单木尺度胡杨树冠，提取其对应的光谱、纹理和几何特征，在此基础上，结合无人机获取的CHM冠层高度信息，分别使用Linear、MLP、PACE 和SVR回归方法建立单木尺度的胡杨高度回归模型，并进行精度评价。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   技术路线

（by WV2 and UAV）

Fig. 2   The workflow of retrieve tree height


3.2　数据处理

3.2.1　胡杨树冠获取

利用eCognition软件的多尺度分割算法对WV2多光谱影像进行分割处理，通过人工选择样本方式进行监督分类，获取胡杨覆盖区域；使用WV2多光谱波段计算生成NDVI（归一化植被指数），利用Min/Max Filter算法在NDVI影像中生成种子点，然后通过Pixel-Based Object Resizing增长算法生成植被冠层对象［35］；最后，通过对植被冠层对象和胡杨覆盖区域进行空间叠加分析，得到胡杨冠层对象（图3）。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   胡杨树冠获取过程

Fig.3   The process of obtain Canopy


3.2.2　胡杨高度获取

通过Pix4dMapper摄影测量软件对无人机影像进行影像对齐，提取特征点，空三加密等处理后生成点云数据，对点云数据经过分类得到地表和植被点云，再插值生成DSM和DEM，进而得到CHM（图4）。从CHM上量取的树高值与地面实测的40棵胡杨树高值相比较，两者R2为0.833 4，CHM精度为84.5%，证明无人机获取的CHM可以被用来获取树高。最后，在ArcGIS中，通过区域统计分析功能从CHM 中提取对应的树高信息。为了与枯立木和灌木区分开，选择高度4 m以上的对象，最后共得到3 505个胡杨样本。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   CHM获取过程

（a）DSM （b）DEM （c）CHM）

Fig. 4   The process of obtain CHM


3.3　特征获取
3.3.1　特征选择

eCognition软件可以计算多种对象特征信息，根据研究的需要，选择了光谱、几何和纹理3类特征，通过与树高的相关性进行分析，从中挑选出32个特征，其中有1个几何特征，21个光谱特征，10个纹理特征。

光谱特征为蓝、绿、红和近红外四波段反射率、衍生计算得到的NDVI值，以及这些数据对应的统计量值，如最大差异值、均值、标准差和中位数；纹理特征为GLCM（灰度共生矩阵）和GLDV（灰度差向量）的反差、相关性、熵和均值（见表2）。可以看出，光谱特征中半数特征与胡杨树高相关性较强，相关系数超过0.5；纹理特征总体与树高相关性较弱，均低于0.46。

表2   特征列表

Table 2  The List of Features

特征说明R特征说明R
Brightness亮度-0.176Max_Green绿光最大值-0.35
Max_diff最大差异度量0.63Mean_NdviNDVI均值0.602
Quantile _NdviNDVI中位数0.601Max_NdviNDVI最大值0.539
Quantile _Nir近红外中位数0.361Max_Blue蓝光最大-0.354
Quantile _Blue蓝光中位数-0.525Max_Nir近红外最大值0.298
Quantile _Green绿光中位数-0.514GLCM.ContrastGLCM反差-0.416
Quantile _Red红光中位数-0.549GLCM.CorrelationGLCM相关性0.307
Standard Deviation _Blue蓝光标准差-0.331GLCM.DissimilarityGLCM异质性-0.457
Standard Deviation _Red红光标准差-0.327GLCM.EntropyGLCM熵0.277
Standard Deviation _NdviNDVI标准差0.279GLCM.HomogeneityGLCM同质性0.449
Standard Deviation _Green绿光标准差-0.281GLCM.MeanGLCM均值-0.407
Standard Deviation _Nir近红外标准差0.194GLDV.Ang.2GLDV角二阶矩0.457
Mean_Blue蓝光均值-0.567GLDV.ContrastGLDV反差-0.416
Mean_Green绿光均值-0.555GLDV.EntropyGLDV熵-0.454
Mean_Red红光均值-0.575GLDV.MeanGLDV均值-0.457
Mean_Nir近红外均值0.348Area面积0.413

新窗口打开| 下载CSV


3.3.2　特征分析

为了更好地了解不同特征与树高的关系，方便选择回归模型和理解建模效果，下面列出各个特征与树高的XY散点图（图5）。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   特征与树高散点图（Y轴为树高）

Fig.5   Scatter plot of features versus tree height


由图5看出，纹理特征与树高呈非线性关系，大部分光谱特征与树高呈线性关系。由于光谱特征数量较多，回归模型主要由线性模型组成。

3.4　回归模型
3.4.1　模型介绍

根据特征与树高的关系，选择有代表性的几种线性和非线性模型来建立树高回归模型，分别是： Linear Regression（线性回归）、MLP Regression（多层感知机MLP，Multilayer Perceptron）、PACE Regression（PACE回归）和SVR（SVM 回归）。

Linear Regression是最简单的回归模型，基于最小二乘法原理，通过建立超平面拟合训练数据来寻找模型参数［36］，在特征和目标变量间存在线性关系时会取得较好的效果；PACE回归在线性回归模型的基础上，通过评估函数评估每个回归变量的影响，并使用聚类分析来改进估计其对整体回归贡献的统计基础，在多维变量环境下能够提高回归精度［37］。多层感知机（MLP）是一个多层前馈神经网络，通过多层神经网络设计，其隐藏层使用激活函数实现非线性变换，通过损失函数优化实现回归计算［38］；SVR通过核函数把数据变换到高维空间，然后以损失函数最小化为原则，在高维空间中构造线性决策函数来实现线性回归［39］。

模型验证方法为10折交叉验证法，该方法将3 505个数据分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，每次试验都会得出相应的正确率，10次结果正确率的平均值作为对算法精度的估计。为了对比各个模型的回归效果，选择评价指标如表3所示。

表3   评价指标

Table 3  Evaluation indexes

指标名称计算方法说明

皮尔逊相关系数

R（Pearson Correlation Coefficient）

∑i=1m(pi-p¯)(ai-a¯)∑i=1m(pi-p¯)2∑i=1m(ai-a¯)2

a是实测值；

p是预测值；

m是样本数量

平均绝对误差

MAE（Mean Absolute Error）

1m∑i=1m|pi-ai|

均方根误差

RMSE（Root Mean Squared Error）

1m∑i=1m(pi-ai)2

相对平方根误差

RRSE（Root Relative Squared Error）

∑i=1m(pi-ai)2∑i=1m(a¯-ai)2

相对绝对误差

RAE（Relative Absolute Error）

∑i=1m|pi-ai|∑i=1m|a¯-ai|

新窗口打开| 下载CSV


以上回归模型均使用Weka ［40］ 软件下的实现方案。实验发现，MLPRegression随着神经元个数的增多，模型趋向非线性，计算时间增长，R逐渐下降；SVR模型随着C值增大，R趋于缓慢增大，但时间复杂度显著增加。LinearRegression和PACE Regression则模型简单相对简单，没有复杂的参数设置影响，且计算复杂性低。

最终，根据评价指标最优原则，经过测试，各模型的主要参数设置如下，Linear Regression的主要参数有，属性选择方法：M5；MLP Regression的主要参数有，激活函数：Sigmoid；隐藏层数量：1层、神经元数量：1（取值范围：1~30个）；PACE Regression的主要参数有，估计函数：经验贝叶斯；SVR的主要参数有，核函数：Polynomial kernel、多项式次数：1；C（complexity）：3 000（取值范围：1~5 000）。

3.4.2　模型分析

为了深入理解几何、纹理和光谱特征与树高之间的关系，分别使用以上4种方法建立各类特征与树高的回归模型，并使用相应评价指标对比分析不同模型的回归效果。

表4   模型比较（几何特征）

Table 4  Comparison of regression model established by shape feature

指标Linear RegressionMLP RegressionPACE RegressionSVR
R0.411 30.426 90.411 30.411 4
MAE1.168 71.155 31.168 71.162 5
RMSE1.467 91.456 31.467 91.474 8
RRSE88.836 7 %87.818 8 %88.836 7 %88.368 5 %
RAE91.086 3 %90.367 6 %91.086 3 %91.512 6 %

新窗口打开| 下载CSV


仅使用面积特征的情况下，所有模型与树高的相关程度都较低，MLP回归模型的精度最高，线性模型、PACE和SVR模型的效果几乎完全相同。

表5   模型比较（纹理特征）

Table 5  Comparison of regression model established by texture features

指标Linear RegressionMLP RegressionPACE RegressionSVR
R0.585 40.595 70.584 70.584 4
MAE1.027 81.0171.028 41.026
RMSE1.305 71.293 61.306 61.311 8
RRSE78.129 9 %77.306 1 %78.174 2 %77.986 9 %
RAE81.019 9 %80.269 %81.075 8 %81.397 7 %

新窗口打开| 下载CSV


随着特征数的增多，各模型的相关系数均超过0.58；由于纹理特征与树高关系是非线性，因此MLP取得最高的精度。

表6   模型比较（光谱特征）

Table 6  Comparison of regression model established by spectral features

指标Linear RegressionMLP RegressionPACE RegressionSVR
R0.671 80.779 30.779 20.799 6
MAE0.9510.801 10.801 90.759 2
RMSE1.1931.009 31.009 50.969 7
RRSE72.292 1 %60.897 1 %60.958 2 %57.710 9 %
RAE74.027 6 %62.627 8 %62.640 9 %60.058 3 %

新窗口打开| 下载CSV


SVR线性回归取得的相关系数最高，PACE回归和MLP回归模型取得几乎同样的精度，随着特征数增多，PACE模型显示出超过普通线性模型的优势。

表7   模型比较（几何特征+纹理特征+光谱特征）

Table 7  Comparison of regression model established by all features

指标Linear RegressionMLP RegressionPace RegressionSVR
R0.716 10.813 90.814 70.8121
MAE0.891 40.732 40.7320.736 5
RMSE1.124 20.935 70.933 90.940 7
RRSE67.761 5%55.671 3%55.638 3%55.981 2%
RAE69.756 8%58.062 9 %57.950 8%58.370 0%

新窗口打开| 下载CSV


随着特征数的增加，所有模型的相关系数也逐渐变大；光谱信息与树高信息相关性最高；其次是纹理信息。SVR、MLP Regression与Pace Regression模型的所有指标均优于LinearRegression，并且三者之间的差别很小。当使用所有特征建模时，PACE回归取得最高的精度，另外，考虑到MLP和SVR最终参数优化结果也是线性模型，说明特征整体上与树高之间为线性关系。

相比较MLP神经网络是个黑箱系统，线性回归模型提供了易于理解的数学公式，可以更方便地对数据结果生成预测。使用PACE 回归通过评估函数对每个特征进行评价，最终，从特征集中选择18个特征建立了树高回归模型。

3.4.3　结果分析

将3 505个胡杨样本特征代入PACE树高回归模型得到预测树高，对比预测值和测量值，R2为0.668 7，RMSE为0.942 6 m（图6）。为了更详细地分析误差分布情况，按不同高度分段计算，4~5 m段，数量：598棵，RMSE：1.153 5 m；6~7 m段，数量：1 541棵，RMSE：0.808 5 m；8~9 m段，数量：1 089棵，RMSE：0.879 1 m；10~13 m段，数量：277棵，RMSE：1.301 8 m。可以看到，误差分布显现两头大、中间小的趋势，在分布最集中的6~9 m高度范围，误差最小。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   模型预测值与测量值

Fig. 6   Relationship between the oberved and retrieved tree height from regression model


4 结 论

本研究通过WV2高分遥感影像和面向对象分析技术，获取了3 505棵胡杨的特征信息，在无人机获取的CHM树高信息支持下，最终建立树高回归模型。通过研究发现：

（1）可以充分利用高分遥感影像地面分辨率高的优势，使用面向对象分析技术，获取单木尺度的光谱、纹理和几何信息。无人机观测作为小范围获取树高的技术，与高分遥感技术结合使用，可以通过建立回归模型的方式有效获取区域范围的单木树高。同其他遥感技术相比，该组合是一种精度和效率兼顾、同时成本较低的可行技术方案。

（2）随着模型使用特征数的增多，所有模型的R值均呈现增大状态。与普通线性回归模型相比，PACE回归、SVR回归和MLP回归模型均能取得更好的回归效果，当使用所有特征时，10折交叉验证精度R分别为0.814 7、0.812 1和0.813 9；RMSE分别为0.933 9、0.940 7和0.935 7 m。PACE回归模型R值最高，RMSE最小。PACE回归能更好地发现有效特征，其建立的回归模型预测值与实际测量值的R2为0.668 7，RMSE为0.942 6 m。

（3）WV2高分遥感影像中提取的单木光谱和纹理特征与树高有相关性。单木尺度上，光谱特征大多与树高呈现线性关系，纹理信息与树高为非线性关系。

研究中存在一些不足，首先是基于NDVI的胡杨树冠分割算法对于丛生胡杨分割的效果还未达到理想，存在分割树冠范围与实际树冠范围有出入的情况，导致提取的光谱和纹理信息不能准确反映树冠实际对应的情况，造成误差增加；另外，由于WV2数据成像角度的影响，造成对应树高高度值的位置偏差，如何解决这些问题是未来要做的工作。

参考文献

Chopping M，Nolin A，Moisen G G，et al.

Forest canopy height from the Multi angle Imaging SpectroRadiometer （MISR） assessed with high resolution discrete return LiDAR

［J］. Remote Sensing of Environment， 2009， 113（10）： 2172-2185.

[本文引用: 1]

Dong Lixin.

New development of forest canopy height remote sensing

［J］. Remote Sensing Technology and Application， 2016， 31（5）： 833-845.

[本文引用: 1]

董立新.

林分平均高度卫星遥感新进展

［J］.遥感技术与应用， 2016， 31（5）： 833-845.

[本文引用: 1]

Levick S R， Rogers K H.

LiDAR and object-based image analysis as tools for monitoring the structural diversity of savanna vegetation

［J］. Int’l Archives for the Photo- grammetry， Remote Sensing and Spatial Information Sciences， 2006， 34（2）： 532-538.

[本文引用: 1]

Lefsky M A.

A global forest canopy height map from the moderate resolution imaging spectroradiometer and the geoscience laser altimeter system

［J］. Geophysical Research Letters， 2010， 37（15）： 450-468.

[本文引用: 1]

Omasa K， Urano Y， Oguma H， et al.

Mapping of tree position of Larix leptolepis woods and estimation of Diameter at Breast Height （DBH） and biomass of the trees using range data measured by a portable scanning LiDAR

［J］. Journal of the Remote Sensing Society of Japan， 2002， 22（5）： 550-557.

Leeuwen M V， Nieuwenhuis M.

Retrieval of forest structural parameters using LiDAR remote sensing

［J］. European Journal of Forest Research， 2010， 129（4）：749-770.

[本文引用: 1]

Bian Rui， Yanyun Nian ， Gou Xiaohua， et al.

Analysis of forest canopy height based on UAV LiDAR： a case study of Picea Crassifolia in the East and Central of the Qilian Mountains

［J］. Remote Sensing Technology and Application， 2021， 36（3）： 511-520.

[本文引用: 1]

边瑞，年雁云， 勾晓华， 等.

基于无人机激光雷达的森林冠层高度分析

［J］. 遥感技术与应用， 2021， 36（3）： 511-520.

[本文引用: 1]

Liu He， Gu Lingjia， Ren Ruizhi.

Research progress of forest parameter acquisition based on UAV remote sensing technology

［J］. Remote Sensing Technology and Application， 2021， 36（3）： 489-501.

[本文引用: 1]

刘鹤， 顾玲嘉， 任瑞治.

基于无人机遥感技术的森林参数获取研究进展

［J］. 遥感技术与应用， 2021， 36（3）： 489-501.

[本文引用: 1]

Sarron J， Malézieux É， Sané C A B， et al.

Mango yield mapping at the orchard scale based on tree structure and Land cover assessed by UAV

［J］. Remote Sensing. 2018， 15（10）：1900-1915. Doi： 10.3390/rs10121900

[本文引用: 1]

Yang Kun， Zhao Yanling， Zhang Jianyong， et al.

Tree height extraction using High-resolution imagery acquired from an Unmanned Aerial Vehicle（UAV）. Journal of Beijing Forestry University

［J］. 2017， 39（8）： 17-23.杨坤， 赵艳玲， 张建勇， 等. 利用无人机高分辨率影像进行树木高度提取［J］.北京林业大学学报， 2017， 39（8）： 17-23.

[本文引用: 1]

Cloude S R.

Robust Parameter Estimation using dual baseline polarimetric SAR Inter-ferometry

［C］∥ Geoscience and Remote Sensing Symposium， 2002， 2， 838-840.

[本文引用: 1]

Cloude S R， Papathanassiou K P.

Three-stage inversion process for polarimetric SAR interferometry

［J］. IEE Proceedings-Radar， sonar and navigation， 2003， 150（3）： 125-134.

Cloude S R.

Polarization coherence tomography

［J］. Radio Science， 2006， 41（4）： 495-507.

[本文引用: 1]

Tanase M A， Panciera R， Lowell K， et al.

Estimation of forest biomass from L-band polarimetric decomposition components

［C］∥ 2013 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）， IEEE， 2013： 949-952.

[本文引用: 1]

Tan Lulu， Chen Bing， Yang Ruliang.

Improved three-stage algorithm of rree height retrieval with PolInSAR data

［J］. Journal Of System Simulation， 2010， 22（4）： 996-999.

谈璐璐， 陈兵， 杨汝良.

利用POLInSAR 数据反演植被高度的改进三阶段算法

［J］.系统仿真学报， 2010， 22（4）： 996-999.

Park W， Sohn H G， Heo J.

Estimation of forest canopy height using ortho image-refined digital elevation models

［J］. Landscape and Ecological Engineering， 2015，11（1）： 73-86.

[本文引用: 1]

Liu Xiaomeng， Chang Zhanqiang， Zhang Jingfa， et al.

Investigation on decorrelation in processing of D-InSAR

［J］. Journal Of Hebei Normal University （Natural Science Edition）， 2007， 31（2）： 260-263.

[本文引用: 1]

刘晓萌， 常占强， 张景发， 等.

D-InSAR 处理中失相干问题的研究

［J］. 河北师范大学学报（自然科学版）， 2007， 31（2）： 260-263.

[本文引用: 1]

Li Zhen， Guo Ming， Wang Zhongqiong， et al.

Forest-height Inversion using repeat-pass spaceborne PolInSAR data

［J］. Scientia Sinica（Terrae）， 2014， （4）： 680-692.李震， 郭明， 汪仲琼， 等. 星载重轨极化干涉SAR 反演森林植被高度［J］. 中国科学： 地球科学， 2014， （4）： 680-692.

[本文引用: 1]

Han Xuefeng.

A study on the dxtraction of the stand description factors from high resolution remote sensing images

［D］. Fujian：FuJian Normal University， 2008.

[本文引用: 1]

韩学锋.

基于高分辨率遥感林分调查因子的提取研究

［D］.福建：福建师范大学， 2008.

[本文引用: 1]

Zhou Zhiqiang， Yue Cairong， Xu Tianshu， et al.

Review on forest height estimation using remote sensing

［J］. Modern Agricultural Science and Technology，2012， 31（2）： 198-199.

[本文引用: 1]

周志强， 岳彩荣， 徐天蜀， 等.

森林高度遥感估测研究综述

［J］.现代农业科技， 2012， 31（2）：198-199.

[本文引用: 1]

Cui Shaowei，Fan Wenyi，Jin Sen，et al.

Extraction of individual tree height using QuickBird images based on Tree Shadow

［J］. Journal of Northeast Forestry University，2011，39（2）： 47-50.

[本文引用: 1]

崔少伟， 范文义，金森，等.

基于树影与快鸟图像的单木树高提取

［J］.东北林业大学学报， 2011， 39（2）：47-50.

[本文引用: 1]

Ni Wenjian， Zhang Dafeng， Wang Yao， et al.

Extraction of forest height by using GF-2 cross track stereo images

［J］. Journal of Remote Sensing， 2017， 22（3）： 24-31.

[本文引用: 1]

倪文俭， 张大凤， 汪垚， 等.

高分二号异轨立体数据的森林高度提取

［J］. 遥感学报， 2017， 22（3）： 24 -31.

[本文引用: 1]

Ling Chengxing， Ju Hongbo， Liu Hua， et al.

A method of mean forest height fast extraction from GeoEye-1 stereo pairs data

［J］. Geomatics＆ Spatial Information Technology， 2018， 41（3）： 7-10.

[本文引用: 1]

凌成星， 鞠洪波， 刘华， 等.

一种基于GeoEye-1立体像对数据的快速提取平均树高方法

［J］.测绘与空间地理信息， 2018， 41（3）： 7-10.

[本文引用: 1]

Peter T W， Philip A T， Brian R S.

Estimation of forest structural parameters using 5 and 10 meter SPOT-5 satellite data

［J］. Remote Sensing of Environment， 2009， 113（4）， 2019–2036.

[本文引用: 1]

Donoghue D N M， Watt P J.

Using LiDAR to compare forest height estimates from IKONOS and Landsat ETM+ data in Sitka Spruce plantation forests

［J］. International Journal of Remote Sensing， 2006， 27（11）： 2161-2175.

[本文引用: 1]

Haralick R M， Shanmugam K， Dinstein I.

Textural features for image classification

［J］. IEEE Transactions on Systems， Man and Cybernetics， 1973， 3（2）： 610–621.

[本文引用: 1]

Chen G， Hay G J， Castilla G， et al.

A multiscale geographic object-based image analysis to estimate LiDAR-measured forest canopy height using Quickbird imagery

［J］. International Journal of Geographical Information Science， 2011， 25（6）： 877-893.

[本文引用: 1]

Gomes M F， Maillard P.

Using spectral and textural features from RapidEye images to estimate age and structural parameters of cerrado vegetation

［J］. International Journal of Remote Sensing， 2015， 36（11-12）： 3058-3076.

[本文引用: 1]

Shamsoddini A， Trinder J C， Turner R.

Pine plantation structure mapping using WorldView2 multispectral image

［J］. International Journal of Remote Sensing， 2013， 34（11）： 3986-4007.

[本文引用: 1]

Niu Ting.

Remote sensing quantitative evaluation of vegetation restoration in the lower reaches of Tarim River

［D］. Xinjiang： Xinjiang Agricultural University， 2014.

[本文引用: 1]

牛婷.

塔里木河下游植被恢复遥感定量评估研究

［D］.新疆： 新疆农业大学， 2014.

[本文引用: 1]

Cai Fuyan， Halik Umut ， Abibul Arkin ， et al.

Tree height distribution and density of populus euphratica forest along the Argan Section in the lower reaches of Tarim River

［J］. Ecology and Environment， 2008， 17（3）：1086-1090.

[本文引用: 1]

蔡富艳，玉米提·哈力克， 艾尔肯·艾白不拉， 等.

塔里木河下游阿拉干断面胡杨树高的分布和密度

［J］.生态环境， 2008， 17（3）：1086-1090.

[本文引用: 1]

Wan Hongmei， Li Xia， Dong Daorui， et al.

Abstraction and analysis of tree-crown of forest land based on QuickBird image in the lower reaches of Tarim River

［J］. Acta Botanica Boreali-Occidentalia Sinica， 2011， 31（9）： 1878 -1885.

[本文引用: 1]

万红梅，李霞，董道瑞，等.

塔里木河下游林地树冠QuickBird 影像信息提取与分析

［J］. 西北植物学报， 2011， 31（9）： 1878-1885.

[本文引用: 1]

Jiang Hua.

Landuse classification of high-resolution remote sensing image based on ecognition object-oriented technology

［J］. Straits Science， 2014（8）： 12-17.

[本文引用: 1]

江华.

基于eCognition面向对象技术的高分辨率遥感影像土地利用分类—以福州琅岐岛为例

［J］.海峡科学， 2014（8）： 12-17.

[本文引用: 1]

Song Yang， Li Chang Hui， Lin Hong.

Application of object-oriented ecognition remote sensing image classification and recognition technology

［J］. Geospatial Information，2012，10（2）： 9，76-78.

[本文引用: 1]

宋杨，李长辉，林鸿.

面向对象的eCognition遥感影像分类识别技术应用

［J］. 地理空间信息，2012，10（2）：9，76-78.

[本文引用: 1]

eCognition.

eCognition Tutorial

［EB/OL］，， 2020-6-12.

URL     [本文引用: 1]

Sadiq M.

Prediction of software project effort using Linear Regression model

［J］. International Journal of Information & Electronics Engineering， 2013， 3（3）： 262-265.

[本文引用: 1]

Yong Wang， Ian H W.

Modeling for optimal probability prediction

［C］∥ Proceedings of the Nineteenth International Conference in Machine Learning，Sydney，Australia，2002， 650-657.

[本文引用: 1]

Rodrigues é O， Pinheiro V H A， Liatsis P， et al.

Machine learning in the prediction of cardiac epicardial and mediastinal fat volumes

［J］. Computers in Biology& Medicine， 2017： S0010482517300471.

[本文引用: 1]

Shevade S K， Keerthi S S， Bhattacharyya C， et al.

Improvements to the SMO algorithm for SVM regression

［C］∥ IEEE Transactions on Neural Networks， 1999.

[本文引用: 1]

Holmes G， Donkin A， Witten I H.

WEKA： a Machine Learning Workbench

［C］∥ Conference on Intelligent Information Systems. IEEE， 2002.

[本文引用: 1]

/

〈 〉