下载:
-
华北落叶松Larix principis-rupprechtii是中国华北地区第一大树种，具有较高的经济和生态价值，探讨华北落叶松单木参数的提取、林分蓄积量的估算具有重要意义[1]。高精度的单木识别是获取单木和森林结构参数的重要前提，单木识别包括单木位置识别和树冠分割[2-4]。相比高分辨率卫星影像和光学影像，机载LiDAR技术不受区域信号影响，分辨率较高，是一种主动遥感技术，能获取林木的水平和垂直结构信息[5-6]。利用机载LiDAR研究单木识别的方法主要有2类：基于冠层高度模型(CHM)识别方法和基于归一化后的点云识别方法[3]。其中基于CHM的单木位置识别方法即在灰度图像中探测单木树顶，主要实现算法包括局部最大值法和多尺度分割法。局部最大值法假设树冠顶点高于树冠边缘，通过设置固定尺寸[7-10]或动态尺寸[11-12]的搜索窗口从CHM中识别树冠顶点特征，单木位置探测率可达85%。多尺度分割法以像元为单位，根据相似特征逐渐外扩分割，关键在于最优分割尺度的选取[13-17]。基于归一化后的点云单木位置识别方法以点云的结构信息为基础，主流实现算法包括区域生长法和均值漂移法。区域生长法通过选择合适的种子点，定义距离生长准则，判别不同属类[18-20]，选择的种子点和制定的距离生长规则不同，取得的单木识别精度也不同。均值漂移法是一种基于密度梯度上升的非参数方法，通过迭代运算求得同簇的数据点[21]，关键在于漂移均值向量的计算。单木识别时可利用林分树冠的距离和多维特征空间为向量来完成[22-23]，其在中低郁闭度林分中的单木识别精度较高，但在高郁闭度林分条件下，由于树冠重叠度增加，漂移均值向量计算会有偏差，识别结果不尽合理。为提高识别精度，结合树冠冠型特点，本研究提出基于机载LiDAR点云空间特征的高斯核函数改进的均值漂移单木位置识别方法(MSP)。为验证方法的有效性，对比了基于点云空间特征的区域生长图像分割方法(RGP)、基于CHM的局部最大值单木探测方法(LMC)和基于CHM的多尺度分割方法(MSC)等3种目前应用较为广泛的单木位置识别方法。最后，在单木位置识别结果上，进行单木树冠的提取。
-
忻州市五寨县羊圈沟林场(38º44′~39º01′N，111º48′~112º03′E)位于山西省中北部，属亚寒带大陆性气候，季节变化明显，海拔为1 350~2 700 m，年均气温为5 ℃，年降水量为453.9 mm；华北落叶松-云杉 Picea asperata天然次生林与华北落叶松人工林带状混交。本研究在华北落叶松人工林带内设置8个20 m×20 m的正方形样地，植株密度为1 875~2 925 株·hm−2，郁闭度为0.8~1.0，是典型高郁闭度森林。
-
标记并编号8个样地内胸径大于5 cm 的华北落叶松，调查记录每木冠幅、树高和胸径；利用实时动态定位和全站型电子测距仪获取每木的位置坐标。样地林分基本情况如表1。
表 1 样地林分基本特征
Table 1. Investigation results of basic characteristics of forest stand in sample plot
样地 密度/(株·hm−2) 平均树高/m 平均胸径/cm 平均冠幅/m 样地 密度/(株·hm−2) 平均树高/m 平均胸径/cm 平均冠幅/m 1 2 075 13.11 13.22 3.19 5 2 100 11.72 13.82 3.82 2 2 925 12.66 12.44 2.86 6 2 475 12.00 12.98 3.43 3 2 500 14.04 15.35 2.99 7 2 275 13.45 14.63 2.92 4 1 875 13.60 13.41 3.97 8 2 125 13.52 13.90 3.34 2018年6月2日，使用GV 1500六旋翼无人机搭载RIGEL VUX-1激光扫描仪获取机载LiDAR点云数据；设置飞行高度为200 m，飞行速度为6 m·s−1，离散点云平均密度为70个·m−2，坐标系为WGS_1984_UTM_Zone_49N。
在同一天，使用GV 120六旋翼无人机搭载传感器SONY Alpha7 RⅡ采集可见光遥感影像。通过Limapper V 2.0软件生成数字正射影像作为辅助数据，用于目视解译与可视化数据展示。
-
首先，对原始点云数据进行2 m缓冲带裁剪，获取8个样地。然后，对样地点云数据进行以下处理：①采用距离阈值法移除噪声点。②采用渐进加密三角网滤波算法提取地面点云。为提高后期生成数字高程模型(DEM)的精度，设置迭代距离与迭代角度为1.4 m和8º，以便分离地面点云和非地面点云。③对去噪和分类后的点云数据进行克里金插值[23]。通过定义该点邻域中采样点的距离加权平均计算像元值。对地面点云和非地面点云分别插值，得到DEM和数字地表模型(DSM)，两者相减获得冠层高度模型(CHM) (图1)。图1C中，高程值较低的条带为华北落叶松人工林带，较高的为华北落叶松-云杉天然次生林。④基于LiDAR360 V 3.2软件，借助DEM对去噪后的点云进行高度信息归一化，避免地形起伏对点云高程的影响。
图 1 研究数据
Figure 1. Study data
-
均值漂移算法是一种基于非参数概率密度梯度估计的迭代聚类过程[24-25]。单木点云分布具有与高斯核函数相似的几何形状特征，可用高斯核函数改进的均值偏移算法对点云数据进行聚类，进而获取单木位置。设置迭代运算的收敛阈值(ε)，基于点云空间特征的改进均值漂移单木位置识别方法，算法如下：(1) 在点云数据点中随机选择1个点作为初始中心点，找出离中心点距离在带宽h之内的所有点，记做集合M，认为这些点属于同一类簇；(2)选用点云三维空间特征，计算中心点到集合M中每个数据点的向量之和，得到偏移向量Mh(x)；(3)令中心点沿偏移向量方向移动，移动距离是偏移向量Mh(x)的模；(4)重复步骤(2)~(3)，直到偏移向量小于ε，记住此时的中心点；(5)重复步骤(1)~(4)，直到所有数据点都被归类；(6)提取单木位置，每一个类簇的中心点即为单木位置。
-
局部最大值法基于单木树冠顶部高程大于树冠边缘高程的假设，设置搜索窗口进行局部最大值探测。本研究将搜索窗口的起始尺寸设置为林分的平均冠幅大小，对窗口尺寸按增加或减少1个像素进行动态调整，搜索出树冠的局部最大值。基于CHM的图像分割法通过图像分割实现单木分割，根据区域中心确定单木位置。标记控制分水岭分割法是最常用的分割方法，但在本研究中分割精度不理想，因此选用面向对象的多尺度分割。利用eCognition Developer V 8.9软件的Estimation of Scale Parameter 2 (ESP2)工具包得到合适的分割尺度。本研究中，分割尺度为66，形状参数为0.8，紧致度参数为0.9，样地分割效果最好。
-
在单木位置识别的基础上，划分出同一类点云的投影范围即为该株华北落叶松的树冠范围。考虑到冠层提取过程中，林分树冠间隙部分容易产生过分割现象，需要对其结果进行区域合并[26]，本研究将形状异质性作为类别之间的合并准则。选择eCognition软件对点云初始分类结果进行区域合并，分割尺度为58，形状参数和紧致度参数分别为0.8和0.8。
-
根据卫星定位测量获取坐标的定位精度，考虑树顶与树根的位置偏差，将华北落叶松位置误差预计为1 m；以真值坐标点为圆心，创建半径为1 m的缓冲区。单木位置识别结果落入此缓冲区内，则认为正确。测算正确识别的单木总数(NC)、实地调查单木实际总数(NF)、识别出的单木总数(ND)、重复识别的单木总数(NR)等数据。计算精度评价指标，并使用单因素方差分析检验不同单木位置识别方法在各个指标方面的效果。①总体精度(AO)即正确识别的单木总数占实地调查单木实际总数的比值，公式为：AO=NC/NF×100%。②识别精度(AD)即正确识别的单木总数占识别出的单木总数的比值，公式为：AD=NC/ND×100%。③漏分误差(EO)即未识别到的单木总数占实地调查单木实际总数的比值，公式为：EO=(NF−NC)/NF×100%。④错分误差(EC)即被错误识别为单木的总数占识别出的单木总数的比值，公式为：EC=(ND−NC)/ND×100%。⑤重复性误差(ER)即对同一株单木重复识别的总数占识别出的单木总数的比值，公式为：ER=NR/ND×100%。
-
采用单株冠幅提取精度(ω)来进行评价，公式为：ω=100%−∣(C1−C0)/C0∣×100%。其中：C0为实测冠幅，C1为单木对应的提取冠幅。
-
利用4种方法进行单木位置识别，空间分布图(图2)显示：4种方法均存在漏分、错分和重复性识别的现象，结合表2可知：4种方法的识别精度(AD)由高到低依次为MSP (89.30%)、LMC (85.60%)、RGP (77.50%)、MSC (70.00%)；MSP法的单木位置识别效果要好于其他3种方法。4种方法的识别精度均小于总体精度(AO)，说明存在单木错误识别现象；相比之下，MSP法错分误差最低(EC为8.0%),，MSC法错分误差值最高(EC为30.1%)，说明依靠邻近相似特征识别单木的方法更容易产生将单木识别错误。相比RGP和MSC法，MSP法的漏分误差(EO)、错分误差(EC)和重复性误差(ER)均较低，说明高郁闭度针叶林中，按照邻域分属识别单木位置会受到树冠重叠度的影响，并不适用华北落叶松的单木位置识别。尽管LMC法和MSP法的总体精度都高于90%，但后者错分误差(Ec)较低，说明MSP法更能避免将非树对象错误识别为单木而增加识别总数的现象。
图 2 4种单木位置识别的空间分布
Figure 2. Spatial distribution of the result of individual tree position detection based on four methods
表 2 4种单木位置识别方法的精度统计
Table 2. Accuracy statistics of four methods on individual tree detection
类别 方法 AO/% AD/% EO/% EC/% ER/% 点云 MSP 91.3±3.7 a 89.3±2.5 a 8.7±3.7 b 8.0±2.5 c 5.8±1.5 b RGP 81.5±2.6 b 77.5±2.2 b 18.5±2.6 a 16.7±5.5 b 9.8±1.4 a CHM LMC 91.0±2.0 a 85.6±2.0 c 9.0±2.0 b 9.3±1.7 c 4.3±1.7 b MSC 80.8±2.1 b 70.0±1.5 d 19.2±2.1 a 30.1±5.0 a 5.0±1.4 b 说明：同列不同字母表示差异显著(P＜0.05) -
采用均值漂移方法提取华北落叶松单株树冠(图3)。以单株华北落叶松实测冠幅为真值，对利用MSP法提取的单株冠幅进行精度分析，结合表3可知：MSP法总体平均提取精度为90.18%。单株提取精度小于80%的占总体结果的10.20%，单株提取精度大于80%的占总体结果的89.80%。单株树冠分割偏小的结果占总体的62.07%，要远远高于提取冠幅偏大的结果。
图 3 改进均值漂移法树冠提取结果(局部)
Figure 3. Crown extraction results of improved mean shift method (local)
表 3 MSP法提取单株冠幅精度
Table 3. Precision distribution of extracting individual canopy diameter by MSP
单株冠幅提取
精度范围/%精度范围
占比/%冠幅偏
小/%冠幅偏
大/%平均单株
提取精度/%＜60 0 62.07 37.93 90.18 60~70 1.05 70~80 9.15 80~90 32.68 90~100 57.12 -
本研究提出的改进均值漂移法对高郁闭度华北落叶松林的单木提取总体精度达91.3%，这与张怡卓等[25]对中低密度人工林的研究结果(总体精度达89.0%)相似，远高于JING等[27]对加拿大高郁闭林分的总体精度(69.0%)。相比于其他3种提取方法，MSP法有2个优势。一是在林木树冠重叠的情况下，MSP法直接利用了点云空间特征，避免了生成CHM过程中产生的栅格误差；二是该方法利用统计迭代的方式确定聚类点位，根据访问频率分类，比直接比较邻域特征而进行分类稳健性更好。
本研究发现：MSP法提取单木冠幅的平均提取精度为90.18%，比同等郁闭度林分的树冠提取精度要高出很多[28]，可满足森林调查需求。约10%的单株冠幅提取精度低于80%，这些点主要位于林分下层。由于上层遮挡，下层点云密度远低于上层，而点云聚类算法和点云密度息息相关，这也是本研究发现冠幅提取值偏小的原因。具体来说，由于上层冠层存在重叠，人工目视解译可以考虑到冠层重叠的影响并准确提取冠幅，而在三维点云图上，树冠界限分类时存在距离阈值类似的情况，影响提取结果；实测中，研究者往往通过东—西、南—北方向来测量冠幅，但是这只是一种理想状态下的测量，在现实中，华北落叶松林木树冠是不规则的，测量因此会存在误差；同时研究区域的坡度、地形等的限制，也会对人工测量造成影响。
-
本研究基于点云单一空间特征，引入高斯核函数简化并改进了均值漂移量的计算过程，同时所提方法不需要先验知识，算法的稳健性高，解决了高郁闭度的华北落叶松林受复杂冠层影响的问题，提高了在该林分内机载LiDAR单木识别的精度，为高郁闭度华北落叶松林单木识别提供了新的方法。
Individual tree detection in the high canopy density Larix principis-rupprechtii forest based on airborne LiDAR
-
摘要:
目的 高郁闭度华北落叶松林Larix principis-rupprechtii林木树冠交叉重叠，传统的基于高分辨影像的单木识别方法识别精度不高。利用机载LiDAR三维点云数据可提高高郁闭度华北落叶松林的单木识别精度。 方法 在点云数据预处理基础上，提出基于点云空间特征的高斯核函数改进的均值漂移单木位置识别方法(MSP)，比较并分析MSP法与基于点云空间特征的区域生长点云分割方法(RGP)、基于冠层高度模型的局部最大值单木位置识别方法(LMC)和基于冠层模型的多尺度分割单木位置识别方法(MSC)的单木识别效果。 结果 4种方法单木位置识别精度从大到小依次为MSP (89.30%)、LMC (85.60%)、RGP (77.50%)和MSC (70.00%)，MSP的漏分误差和错分误差最小，分别为8.7%和8.0%，平均单木冠幅提取精度为90.18%。 结论 提出的MSP法对高郁闭度华北落叶松林单木位置识别具有较好的适用性，利用机载LiDAR可为提取华北落叶松林森林结构参数提供新的途径。图3表3参28 Abstract:Objective With low identification accuracy of individual trees in Larix principis-rupprechtii forest with high canopy density employing high resolution images, this paper is aimed to confirm the strengths of airborne Laser Detection and Ranging (LiDAR) 3D point cloud data as an alternative with a workable method proposed. Method Based on the preprocessing of point cloud data, an improved Mean Shift with Gaussian kernel function (MSP) position recognition method on the basis of the spatial characteristics of airborne LiDAR point cloud was proposed. The comparison is made with other three commonly used methods: regional growing segmentation algorithm based on point cloud (RGP), local maximum method based on canopy height model (LMC) and multi-scale segmentation method based on CHM (MSC). Result Identification accuracy of the four methods is: MSP (89.30%)＞LMC (85.60%)＞RGP (77.50%)＞MSC (70.00%), and MSC, the proposed method, displayed high average individual tree crown extraction accuracy (90.18%) and relatively low omission error and commission error rate: 8.7% and 8.0% respectively. Conclusion The proposed MSP has good applicability in high crown density L. principis-rupprechtii forest and provides a new way of extracting L. principis-rupprechtii forest structure parameters accurately on the basis of airborne LiDAR point clouds. [Ch, 3 fig. 3 tab. 28 ref.] -
城市周边森林蒸腾作用显著，可以有效降低城市周边气温，补充空气湿度，因绿化面积集中，其降温增湿作用远优于城市内部小面积绿地，是城市居民健康生活必不可少的一部分。研究城郊树种的温湿度变化特征具有现实意义[1]。吴力立[2]通过研究城郊和市区日空气相对湿度，得出了城市森林能有效地对邻近空间“补湿”。THANI等[3]调查不同城市景观形态的室外气温变化，观察到不同的城市地区小气候分布有着显著的差别，城市景观形态和小气候变动关系紧密。欧阳学军等[4]通过分析鼎湖山4种不同海拔高度森林温湿度差异，认为正确评价不同森林类型的小气候功能时，应准确区分开海拔高度、地形、植被类型等各个因素的影响，才能得出具有科学结论。邵永昌等[5]通过对上海地区17种绿化树种的蒸腾特性对比分析，筛选出了降温增湿效应较好的城市绿化树种。麻栎Quercus acutissima为落叶乔木，广泛分布在长江三角洲地区，是南京地区典型的优势树种。目前，关于麻栎林对小气候温湿度变化影响特征的研究较少。本研究以南京市城郊麻栎林为研究对象，以裸地作为对照，分析麻栎林林内外温湿度变化规律，探讨其降温增湿能力，旨在为南京市城郊植被恢复、人工林营造提供科学依据，为麻栎林的合理经营以及选择社会效益、经济效益、降温增湿效益相结合的城市绿化树种提供理论基础。
1. 研究地区与研究方法
1.1 试验区概况
试验区位于长江三角洲区西部南京市国有东善桥林场铜山分场（31°35′~31°39′N，118°50′~118°52′E），属北亚热带季风气候区，年平均气温为15.1 ℃，无霜期为229.0 d，年日照时间为2 199.0 h。区内气候温和湿润，四季分明，水热资源比较丰富，生长季长。年平均降水量为1 100.0 mm，地形为苏南丘陵，土壤类型为黄棕壤，坡向均为东北向（NE），土壤厚度为60 cm，60 cm以下为砂岩风化母质层，海拔26.0 m，地下水位位于10.0 m以下。选择不受林缘和林窗影响的麻栎Quercus acutissima林与裸地为测量试验地点，试验样地均为100 m × 100 m，麻栎林地平均坡度为18°；林木平均胸径为24.3 cm，平均冠幅为5.7 m，平均树龄为45 a，平均树高为16.8 m；林分密度为425株·hm-2，郁闭度为0.89。
1.2 研究方法
1.2.1 温湿度的测定
在麻栎林、裸地样地中选择光照条件、土壤状况一致的试验点设置2个Decagon自动气象站，间隔15 min记录1次数据，气象站距离地面1.2 m。麻栎林试验点位置距离样地中心5 m，裸地试验点距离样地中心0.8 m。于2012年1月1日至2012年12月25日连续监测麻栎林地与裸地气温和相对湿度。以麻栎林温湿度作为林内温湿度数据，裸地温湿度作为林外温湿度数据。采用气候学统计法进行四季划分，以公历3-5月为春季，6-8月为夏季，9-11月为秋季，12至次年2月为冬季。为消除降雨对林内外气温的影响，选择前3 d无降雨的3月16日、6月1日、9月4日、12月23日代表春、夏、秋、冬各季林内外气温的日变化。取8月15日、8月18日、8月20日数据分别代表晴天、雨天、阴天林内外相对湿度的日变化；取2012年1-12月每月瞬时数据的平均值作为该月温湿度值，进行林内外温湿度季节变化分析；取2012年1-12月每日瞬时数据的平均值作为日温湿度，计算季节积温和相对湿度。
1.2.2 降雨量的测定
为减少林缘的影响，在距离麻栎林林外10 m处采用雨量筒和RG3-M翻斗式自记雨量计测定降雨量和降雨历时，记录间隔5 min。
1.2.3 数据处理及方法
① 湿润度的计算。伊万诺夫湿润度综合考虑了气温、降雨量、相对湿度对干旱程度的影响，可以更好地分析林分的干旱趋势[6]。本研究采用伊万诺夫湿润度K说明麻栎林林内外湿润状况，其表达式为:
$ K = \frac{R}{{0.0018 \times {{\left( {25 + T} \right)}^2} \times \left( {100 - F} \right)}}。 $
其中：K为湿润度，R为降雨量，T为平均气温，F为平均相对湿度。K＞1.0为湿润，0.6~1.0为半湿润，0.3~0.59为半干旱，0.13~0.29为干旱，＜0.13为极干旱。②数据处理。使用Excel 2013进行数据处理和表格制作，Origin 8.5绘制图件，SPSS 19.0进行方差齐性检验、均值t检验和相关性分析。
2. 结果与分析
2.1 林内外气温变化特征
2.1.1 气温日变化特征
经调查，四季林内外气温变化趋势基本一致（图 1）：气温日变化均表现为林外大于林内。整体变化呈抛物线型，6:00-14:00呈上升趋势，并在14:00达最高值。上升阶段气温除夏季外均为林外高于林内，其中夏季林内外的气温变化幅度最大，因为夏季是麻栎林生长旺季，白天植物蒸腾作用、夜晚的呼吸作用均较强，微生物活动较为频繁，使夏季林内外气温日变化波动较大[7]。春季林内外气温日变化幅度最小，温度差保持在1~2 ℃内。随着时间的推移，8:00-16:00气温均为林外高于林内，这可能是由于麻栎林的林冠反射和吸收作用消弱了太阳辐射到达林内的能量，大大降低了白天林内气温[8]。18:00-24:00林内外温度基本保持一致，因为夜晚辐射冷却，麻栎林对气温的调节作用降到最低。
图 1 不同季节林内外气温日变化Figure 1. Diurnal variation of temperature inside and outside the forest in different seasons2.1.2 气温日较差变化特征
各月气温日较差均值结果显示（表 1和图 2）：各月气温日较差均为林内小于林外，除9月林内最高气温大于林外，各月份日较差均为正值，除6，9，10，11月林内最低气温大于林外，各月份日较差均为正值，林内气温最大日较差出现在9（13.2 ℃），林外气温最大日较差出现在4月（14.8 ℃），说明麻栎林林分具有降低高温、提高低温的调节作用。9月南京铜山地区出现极热天气，林分阻止了林内外热量的交互，随着林内蒸发增多，负反馈大于正反馈，出现了林内最高温、最低温高于林外的现象。6和9月麻栎林林内微生物活动较为频繁，10和11月麻栎林枯枝落叶物增多，致使林内夜晚保温作用较为明显，白天林冠的遮荫和林分的摩擦阻挡，林内风速较林外小，热量交互作用减少，使得林内白天保温作用较好[9]。
表 1 林内外气温日较差Table 1. Diurnal temperature range of inside and outside the forest月份 平均最高气温/℃ 平均最低气温/℃ 林外 林内 差值 林外 林内 差值 1 4.0 2.6 1.5 -5.3 -5.6 0.3 2 10.9 9.0 1.9 0.1 -0.2 0.3 3 15.7 14.0 1.7 2.7 2.3 0.4 4 23.8 21.5 2.4 9.3 9.0 0.2 5 28.4 25.6 2.8 14.9 14.8 0.1 6 29.2 27.2 2.1 19.7 19.8 -0.1 7 32.4 30.2 2.3 23.8 23.7 0.1 8 31.5 29.3 2.3 23.1 23.1 0.1 9 27.7 31.6 -3.9 18.3 18.4 -0.1 10 22.7 20.4 2.3 12.2 12.4 -0.2 11 20.0 17.9 2.2 9.5 9.6 -0.1 12 8.3 7.1 1.2 -1.3 -1.3 0 2.1.3 气温月变化特征
如图 3所示：各个月份平均气温均为林内低于林外，各月份林内气温分别降低了0.6，0.7，0.3，0.5，1.5，0.5，0.6，0.6，0.3，0.4，0.4，0.2 ℃。林内外平均气温均为7月最高（林内26.6 ℃，林外27.3 ℃）。5-8月林内气温降幅最大，此时正处于麻栎林生长旺季，说明麻栎林在生长旺季能有效降低林内气温。9-12月林内外温差均小于0.5 ℃，由于麻栎是落叶乔木，在冬季落叶后，随着枯枝落叶的腐烂，土壤呼吸作用随之增加，使林内降低气温的作用减弱。
2.1.4 气温月较差
如图 4所示：各月份气温月较差均为林内小于林外，林内气温月较差平均值为22.6 ℃，林外气温月较差平均值为25.7 ℃。林内外气温月较差从大到小均依次为春季、夏季、秋季、冬季。这主要是是因为苏南丘陵区地处北亚热带季风气候区，春暖秋凉，夏热冬寒，四季分明，春夏季气温昼夜变化较大，使土壤呼吸作用速率增加，有利于麻栎林的生长复绿。
2.1.5 麻栎林的降温效应
全年四季的积温（为所有气温瞬时数据的总和）结果显示（图 5）：春季、夏季、秋季、冬季均为林内积温低于林外积温，其中林内外积温差，夏季最多（5 167.4 ℃），春季次之，秋季最少（186.2 ℃）。总结林内外气温日、月、季节分析发现，麻栎林林内气温较林外气温低，对气温有一定的调节作用，降温作用较明显。
2.2 相对湿度日变化特征
2.2.1 晴天
晴天林内外相对湿度的日变化曲线显示（图 6），无论是林内还是林外，温湿度变化均呈现对称规律，且在7:00-18:00，林内气温低于林外气温，林内相对湿度高于林外相对湿度。林内外相对湿度在0:00-7:00处于相对稳定阶段，在7:00-18:00，林内外相对湿度出现明显变化，在14:00相对湿度达最低点。林内外相对湿度最小值差值为13.4%。主要是因为林内麻栎冠层的存在，使林内的乱流强度变弱，减少了林内水汽的上升扩散，林内气温低和林内地表植被的作用使锁湿能力变强，当林内气温高时，蒸腾作用使林内相对湿度减少以保证林下植被的生长，所以增湿作用的峰点和降温作用的峰点相对应[10]。
图 6 晴天林内外相对温湿度日变化Figure 6. Temperature and related humidity diurnal changes on sunny days2.2.2 雨天
雨天林内外温湿度变化曲线和晴天相似，温湿度变化曲线呈对称特征，林内气温高时相对湿度低（图 7）。麻栎林在7:00相对湿度开始呈减少趋势，裸地在8:00相对湿度呈减少趋势，说明了麻栎林在白天会提前减少林内相对湿度，且麻栎林相对湿度减少和增加的速度小于裸地，麻栎林的呼吸作用和林冠层起到了保湿的作用。0:00-16:00林内外相对湿度变化曲线呈U型，在11:00达到谷底，最大差值为10.5%，16:00-24:00林内外相对湿度变化曲线呈现第2个U型，在15:00达到谷底。
图 7 雨天林内外相对温湿度日变化Figure 7. Temperature and related humidity diurnal changes on rainy days2.2.3 阴天
阴天林内外空气温湿度变化规律较雨天和晴天弱（图 8），林外相对湿度变化和林内气温变化规律性较差，林内变化在4:00-7:00，10:00-16:00，19:00-21:00较平稳，相对湿度和气温的变化规律晴雨天一致，呈现对称现象。白天林内相对湿度小于林外，林内气温小于林外。
图 8 阴天林内外相对温湿度日变化Figure 8. Temperature and related humidity diurnal changes on overcast days2.2.4 月相对湿度变化特征
各月份林内外相对湿度平均值结果显示（图 9）：林内外相对湿度均为8月最大（92.3%，90.7%），7月次之（90.4%，88.8%）。3月林内相对湿度最小，为65.6%；4月林外相对湿度最小，为65.7%。林内外差值幅度最大出现在5月，为2.6%。夏秋两季均为林内相对湿度大于林外，平均高幅为1.4%，表明在枝繁叶茂的夏秋季节麻栎林的增湿效应较明显。1，2，3，12月林内相对湿度小于林外，出现这种现象的原因是春、冬两季麻栎林季节型落叶，林内蒸发强度增强，林冠遮光保湿作用减弱，同时春季植物生长消耗大量林内水分，冬季凋落物腐化吸收大量地表水分，使得林内相对湿度较林外低。夏、秋季节林分郁闭度高，降雨截留和林内蒸发的水分得以长时间存在林内，使林内相对湿度较林外高[11]。
2.2.5 麻栎林的增湿效应
统计各个季节林内外相对湿度积累量（春、夏、秋、冬四季所有湿度瞬时数据的总和）显示（图 10）：春、夏、秋、冬季均为林内高于林外。夏季相对湿度积累量最多，秋季林内外相对湿度积累量次之，春季相对湿度积累量最少。林内外相对湿度积累量差值夏季最大，林内外相对湿度积累量差值为18 048.99%，最小的为冬季4 464.27%。
10 各个季节林内外相对湿度积累量10. Accumulation of related humidity inside and outside of each season由麻栎林各月降雨量计算得出林内外湿润表（表 2）。由表 2可知：全年无干旱天气，林内湿润指数均高于林外。林内外湿润度有较强的同步性。2，7，8，9，10，11，12月林内外湿润度表现为湿润；1，3，4，5月林内外湿润度为半湿润；1，3，4，5月林下植物生长繁茂，呼吸作用下消耗大量林内水分。2月降雨补充较多，所以表现为湿润。全年林内湿润度为1.54，为苏南地区麻栎林的生长提供湿润的生长环境。
表 2 麻栎林各月份降雨量及林内外湿润表Table 2. Rainfall each month and degree of wetness inside and outside the forest月份 降雨量/mm 湿润度 林内 林外 1 20.8 0.74 0.68 2 75.3 2.15 2.01 3 61.2 0.90 0.88 4 67.1 0.69 0.64 5 80.3 0.81 0.72 6 37.8 0.83 0.69 7 178.2 3.88 3.25 8 206.0 5.79 4.65 9 73.3 1.35 1.21 10 58.3 1.28 1.18 11 45.7 1.26 1.01 12 45.2 1.63 1.62 全年 949.2 1.54 1.39 2.3 相关性
2.3.1 线性分析
根据全年的观测数据，对林内外温湿度进行统计分析和曲线模拟得到表 3，发现林内外气温和林内外相对湿度均有较强的相关性，林内外气温相关系数除9月外，均在0.98以上，具有显著的线性关系，经检验相关性显著（P＜0.001）。9月林内气温波动较大，9月16-17日出现日平均气温达30.8和28.3 ℃，均明显高于本月其他日平均气温。林内外相对湿度变化相关性和气温变化相关性基本一致，在9月气温波动剧烈时，相对湿度相关性显著程度最差，其余各月相关性均在0.95以上。夏季林内外温湿度相关性最差，可能是因为夏季树冠遮荫和林内植物蒸腾作用达到最高[12]，林内温湿度主要受林内植物自身活动影响。其他季节，林内外温湿度变化走势趋于一致。
表 3 林内外温湿度回归方程Table 3. Temperature and related humidity regression equation inside and outside the forest月份 气温（林内y，林外x） 相对湿度（林内y，林外x） 样本数 回归方程 相关系数 回归方程 相关系数 1 y=0.984 9x-0.576 2 0.992 3 y=0.972 9x+0.031 6 0.996 4 2 976 2 y=0.967 4x-0.506 3 0.989 0 y=0.968 1x+0.030 5 0.996 2 2 688 3 y=1.024 0x-0.536 0 0.995 6 y=1.002 3x-0.000 5 0.996 7 2 976 4 y=0.973 2x-0.037 6 0.996 5 y=0.944 0x+0.051 4 0.979 6 2 880 5 y=0.964 5x+0.086 3 0.996 0 y=0.929 4x+0.075 8 0.983 0 2 975 6 y=0.914 6x+1.479 9 0.988 6 y=0.828 4x+0.168 7 0.960 3 2 880 7 y=0.881 7x+2.582 9 0.991 3 y=0.674 3x+0.305 3 0.954 8 2 976 8 y=0.907 6x+1.855 4 0.992 5 y=0.651 8x+0.332 4 0.936 1 2 976 9 y=1.109 1x-2.645 8 0.921 9 y=0.888 3x+0.113 9 0.873 1 2 880 10 y=0.953 9x+0.370 9 0.986 1 y=0.863 9x+0.123 3 0.966 1 2 976 11 y=1.013 6x-0.549 2 0.997 6 y=0.963 0x+0.034 6 0.978 1 2 880 12 y=0.720 2x+0.607 4 0.997 9 y=0.941 1x+0.045 7 0.962 7 2 360 全年 y=0.886 6x+1.207 6 0.972 3 y=0.961 8x+0.042 3 0.978 0 说明：差异显著性水平为P＜0.001 2.3.2 全年温湿度相关性分析
根据全年观测数据对麻栎林林内外气温、相对湿度进行独立样本t检验。结果显示：显著性P气温=0.582＞0.05，P相对湿度=0.229＞0.05，林内外温湿度全年差异性不显著。这说明：从全年看麻栎林降温保湿作用较弱。夏季P相对湿度=0.004＜0.05，春季P气温＞全年P气温＞秋季P气温＞0.05，冬季P湿度＞秋季P湿度＞春季P湿度＞0.05。夏季增湿作用较显著，降温显著性较差，春季麻栎林调节气温的作用最差，冬季麻栎林调节湿度的作用最差。麻栎林是落叶乔木，夏季林分枝繁叶茂，林内微生物活动频繁，林冠遮盖作用和林内蒸发蒸腾作用下保湿作用优于其他季节，冬季落叶后降温保湿作用得不到体现，春季为麻栎林次年生长初期，林冠盖度小且林内植被生长需水量大，林内气温受林缘自然风影响严重，降温效果为全年最差。
2.3.3 夏季温湿度相关性分析
对全年相关性分析发现夏季气温变化不显著。张昌顺等[13]在北京城市绿地对热岛效应的缓解作用中指出：林分对气温的调节作用在白天和夜晚有较大的差异。根据夏季收集数据将8:00，14:00和20:00时的数据整合进行SPSS分析，结果显示：8:00时夏季P气温=0.798＞0.05，夏季P相对湿度=0.789＞0.05，14:00时夏季P气温=0.005＜0.05，夏季P相对湿度=0.003＜0.05，20:00时夏季P气温=0.86＞0.05，夏季P相对湿度=0.776＞0.05，表明在中午时分麻栎林降温增湿作用均较强，植物主要通过自身蒸腾作用消耗周围的热量来达到降温效应[14]，麻栎林夏季中午时分林内蒸腾作用最强，所以夏季中午林分降温作用较其他时段显著。
3. 结论
通过2012年1月1日至12月25日的观测，研究了麻栎林林内外温湿度年际变化特征，主要结论为：①本研究中林内外气温日变化幅度从大到小排列为：夏季、秋季、冬季、春季，林内最大日较差出现在9月，林外最大日较差出现在4月，林内气温振幅均小于林外气温振幅，林内由于林冠遮荫减少了林内外热量的交互，以及枯枝落叶的覆盖，使林内气温振幅较林外裸地小，表明麻栎林在生长旺季由于林内微生物活动、蒸腾作用最高，麻栎林夜晚保温，白天降温的作用较明显。②5-8月麻栎林降低气温幅度最大，9-12月林内外温差均小于0.5 ℃，林内外气温月较差从大到小均依次为春季、夏季、秋季、冬季。全年积温均为林内低于林外，季节积温从大到小依次为夏季、春季、冬季、秋季。表明麻栎林的存在可以有效降低全年林内气温总和，在生长旺季麻栎林能有效降低林内气温，季节性落叶后降低温作用越来越弱。③晴天、雨天、阴天林内外相对湿度日变化曲线为U型，温湿度变化曲线相互对称。林内外相对湿度均为8月最大，夏秋两季相对湿度均为林内高于林外，表明麻栎林林冠的遮盖作用，使林内的风速较林外小，有效减少了林内外乱流交换，林内蒸发作用和植被蒸腾产生的水蒸气可以长时滞留在林内近地面，使得林内湿度较林外湿度高，麻栎林具有显著的增湿作用，春、冬两季麻栎林落叶后林内蒸发速度较快，林冠遮荫保湿作用减弱，春季植物生长消耗大量林内水分，冬季枯落物腐化吸收大量水分。夏、秋季节林分郁闭度高，降雨截留和林内蒸发的水分得以长时间存在林内，使林内相对湿度较林外高。④麻栎林可以改良土壤的湿润程度，可以有效保持林分的湿润度，为林下生物活动提供良好的生长环境。通过整合全年降雨量数据，计算出麻栎林林内外全年的湿润度，全年无干旱，林内湿润指数和林内温湿度关系密切，2，7，8，9，10，11，12月林内外湿润度为湿润，1，3，4，5月林内外湿润度为半湿润，全年林内外湿润度林内（1.54）大于林外（1.39），为湿润。⑤林内外温湿度具有显著线性关系，全年气温线性回归方程为y = 0.886 6x + 1.207 6，R2 = 0.972 3，全年相对湿度线性回归方程为y = 0.961 8x + 0.042 3，R2 = 0.978 0。根据全年观测数据对麻栎林林内外气温、相对湿度进行均值检验，林内外温湿度全年差异性不显著，但是夏季湿度P＜0.05，14:00温湿度P＜0.05，说明了在生长旺季的夏季麻栎林的降温增湿作用显著，优于其他季节，且在中午时分降温增湿作用较显著，春季麻栎林生长复绿后林分起到的降温作用最弱，冬季麻栎林落叶后林分起到的增湿作用最弱。
-
图 2 4种单木位置识别的空间分布
Figure 2 Spatial distribution of the result of individual tree position detection based on four methods
图 3 改进均值漂移法树冠提取结果(局部)
Figure 3 Crown extraction results of improved mean shift method (local)
表 1 样地林分基本特征
Table 1. Investigation results of basic characteristics of forest stand in sample plot
样地 密度/(株·hm−2) 平均树高/m 平均胸径/cm 平均冠幅/m 样地 密度/(株·hm−2) 平均树高/m 平均胸径/cm 平均冠幅/m 1 2 075 13.11 13.22 3.19 5 2 100 11.72 13.82 3.82 2 2 925 12.66 12.44 2.86 6 2 475 12.00 12.98 3.43 3 2 500 14.04 15.35 2.99 7 2 275 13.45 14.63 2.92 4 1 875 13.60 13.41 3.97 8 2 125 13.52 13.90 3.34 
下载: 导出CSV
表 2 4种单木位置识别方法的精度统计
Table 2. Accuracy statistics of four methods on individual tree detection
类别 方法 AO/% AD/% EO/% EC/% ER/% 点云 MSP 91.3±3.7 a 89.3±2.5 a 8.7±3.7 b 8.0±2.5 c 5.8±1.5 b RGP 81.5±2.6 b 77.5±2.2 b 18.5±2.6 a 16.7±5.5 b 9.8±1.4 a CHM LMC 91.0±2.0 a 85.6±2.0 c 9.0±2.0 b 9.3±1.7 c 4.3±1.7 b MSC 80.8±2.1 b 70.0±1.5 d 19.2±2.1 a 30.1±5.0 a 5.0±1.4 b 说明：同列不同字母表示差异显著(P＜0.05)
下载: 导出CSV
表 3 MSP法提取单株冠幅精度
Table 3. Precision distribution of extracting individual canopy diameter by MSP
单株冠幅提取
精度范围/%精度范围
占比/%冠幅偏
小/%冠幅偏
大/%平均单株
提取精度/%＜60 0 62.07 37.93 90.18 60~70 1.05 70~80 9.15 80~90 32.68 90~100 57.12
下载: 导出CSV
-
[1] 赵匡记, 王利东, 王立军, 等. 华北落叶松蓄积量及生产力研究[J]. 北京林业大学学报, 2015, 37(2): 24 − 31. ZHAO Kuangji, WANG Lidong, WANG Lijun, et al. Stock volume and productivity of Larix principis-rupprechtii in northern and northwestern China [J]. J Beijing For Univ, 2015, 37(2): 24 − 31. [2] HILL S, LATIFI H, HEURICH M, et al. Individual-tree and stand-based development following natural disturbance in a heterogeneously structured forest: a LiDAR-based approach [J]. Ecol Inf, 2017, 38: 12 − 25. [3] 李增元, 刘清旺, 庞勇. 激光雷达森林参数反演研究进展[J]. 遥感学报, 2016, 20(5): 1138 − 1150. LI Zengyuan, LIU Qingwang, PANG Yong. Review on forest parameters inversion using LiDAR [J]. J Remote Sensing, 2016, 20(5): 1138 − 1150. [4] 申家朋, 陈东升, 孙晓梅, 等. 基于似乎不相关回归和哑变量的日本落叶松单木生物量模型构建[J]. 浙江农林大学学报, 2019, 36(5): 877 − 885. SHEN Jiapeng, CHEN Dongsheng, SUN Xiaomei, et al. Modeling a single-tree biomass equation by seemingly unrelated regression and dummy variables with Larix kaempferi [J]. J Zhejiang A&F Univ, 2019, 36(5): 877 − 885. [5] 甄贞, 李响, 修思玉, 等. 基于标记控制区域生长法的单木树冠提取[J]. 东北林业大学学报, 2016, 44(10): 22 − 29. ZHEN Zhen, LI Xiang, XIU Siyu, et al. Individual tree crown delineation using maker-controlled region growing method [J]. J Northeast For Univ, 2016, 44(10): 22 − 29. [6] 陶江玥, 刘丽娟, 庞勇, 等. 基于机载激光雷达和高光谱数据的树种识别方法[J]. 浙江农林大学学报, 2018, 35(2): 314 − 323. TAO Jiangyue, LIU Lijuan, PANG Yong, et al. Automatic identification of tree species based on airborne LiDAR and hyperspectral data [J]. J Zhejiang A&F Univ, 2018, 35(2): 314 − 323. [7] HOLMGREN J, NILSSON M, OLSSON H. Estimation of tree height and stem volume on plots using airborne laser scanning [J]. For Sci, 2003, 49(3): 419 − 428. [8] 霍达, 邢艳秋, 田昕, 等. 基于机载LiDAR的四次多项式拟合法估测单木冠幅[J]. 西北林学院学报, 2015, 30(3): 164 − 169. HUO Da, XING Yanqiu, TIAN Xin, et al. Estimating individual tree crown diameter using fourth fegree polynomial fitting method based on airborne LiDAR [J]. J Northwest For Univ, 2015, 30(3): 164 − 169. [9] CHEN Wei, XIANG Haibing, MORIYA K. Individual tree position extraction and structural parameter retrieval based on airborne LiDAR data: performance evaluation and comparison of four algorithms [J/OL]. Remote Sensing, 2019, 12: 571[2021- 05-30]. doi: 10.3390/rs12030571. [10] 王濮, 邢艳秋, 王成, 等. 一种基于图割的机载LiDAR单木位置识别方法[J]. 中国科学院大学学报, 2019, 36(3): 385 − 391. WANG Pu, XING Yanqiu, WANG Cheng, et al. A graph cut-based approach for individual tree detection using airborne LiDAR data [J]. J Univ Chin Acad Sci, 2019, 36(3): 385 − 391. [11] 李响, 甄贞, 赵颖慧. 基于局域最大值法单木位置探测的适宜模型研究[J]. 北京林业大学学报, 2015, 37(3): 27 − 33. LI Xiang, ZHEN Zhen, ZHAO Yinghui. Suitable model of detecting the position of individual treetop based on local maximum method [J]. J Beijing For Univ, 2015, 37(3): 27 − 33. [12] CHEN Shiyue, LIANG Dan, YING Binbin, et al. Assessment of an improved individual tree detection method based on local-maximum algorithm from unmanned aerial vehicle RGB imagery in overlapping canopy mountain forests [J]. Int J Remote Sensing, 2021, 42(1): 106 − 125. [13] CHO M A, MATHIEU R, ASNER G P, et al. Mapping tree species composition in South African savannas using an integrated airborne spectral and LiDAR system [J]. Remote Sensing Environ, 2012, 125: 214 − 226. [14] 刘晓双, 黄建文, 鞠洪波. 高空间分辨率遥感的单木树冠自动提取方法与应用[J]. 浙江林学院学报, 2010, 27(1): 126 − 133. LIU Xiaoshuang, HUANG Jianwen, JU Hongbo. Research progress in the methods and application of individual tree crown’s automatic extracting by high spatial resolution remote sensing [J]. J Zhejiang For Coll, 2010, 27(1): 126 − 133. [15] LI Wenkai, GUO Qinghua, JAKUBOWSKI M K, et al. A new method for segmenting individual trees from the lidar point cloud [J]. Photogrammetric Eng Remote Sensing, 2012, 78(1): 75 − 84. [16] 李森磊, 李健平, 蒋腾平, 等. 一种基于UAV-LiDAR点云的多尺度单木分割[J]. 测绘科学技术, 2021, 9(1): 14 − 25. LI Senlei, LI Jianping, JIANG Tengping, et al. A multi-scale method for 3D individual tree extraction using UAV-LiDAR [J]. Geomatics Sci Technol, 2021, 9(1): 14 − 25. [17] NAVEED F, HU Baoxin, WANG Jianguo, et al. Individual tree crown delineation using multispectral LiDAR data [J/OL]. Sensors, 2019, 19: 5421[2021-05-30]. doi: 10.3390/s19245421. [18] 李仁忠, 刘阳阳, 杨曼, 等. 基于改进的区域生长三维点云分割[J/OL]. 激光与光电子学进展, 2018, 55: 051502[2021-05-30]. doi: 10.3788/LOP55.051502. LI Renzhong, LIU Yangyang, YANG Man, et al. Three-dimensional point cloud segmentation algorithm based on improved region growth [J/OL]. Laser Optoelectronics Prog, 2018, 55: 051502[2021-05-30]. doi: 10.3788/LOP55.051502. [19] KWONG I H Y, FUNG T. Tree height mapping and crown delineation using LiDAR, large format aerial photographs, and unmanned aerial vehicle photogrammetry in subtropical urban forest [J]. Int J Remote Sensing, 2020, 41(14): 5228 − 5256. [20] MA Zhengyu, PANG Yong, WANG Di, et al. Individual tree crown segmentation of a larch plantation using airborne laser scanning data based on region growing and canopy morphology features [J/OL]. Remote Sensing, 2020, 12(7): 1078[2021-05-30]. doi: 10.3389/rs12071078. [21] HU Xingbo, CHEN Wei, XU Weiyang. Adaptive mean shift-based identification of individual trees using airborne LiDAR data [J/OL]. Remote Sensing, 2017, 9(2): 148[2021-05-30]. doi: 10.3389/rs9020148. [22] CHEN Wei, HU Xingbo, CHEN Wen, et al. Airborne LiDAR remote sensing for individual tree forest inventory using trunk detection-aided mean shift clustering techniques [J/OL]. Remote Sensing, 2018, 10: 1078[2021-05-30]. doi: 10.3389/rs10071078. [23] YAN Wanqian, GUAN Haiyan, CAO Lin, et al. A self-adaptive mean shift tree-segmentation method using UAV LiDAR data [J/OL]. Remote Sensing, 2020, 12: 515[2021-05-30]. doi: 10.3389/rs12030515. [24] COMANICIU D, MEER P. Mean shift: a robust approach toward feature space analysis [J]. IEEE Trans Pattern Anal Mach Intel, 2002, 24(5): 603 − 619. [25] 张怡卓, 吕阿康, 蒋大鹏, 等. 应用高斯聚类的单木分割及树高和冠幅的提取[J]. 东北林业大学学报, 2021, 49(2): 54 − 59. ZHANG Yizhuo, LÜ Akang, JIANG Dapeng, et al. Single tree segmentation and extraction of tree height and crown width using gaussian clustering [J]. J Northeast For Univ, 2021, 49(2): 54 − 59. [26] 张学良, 肖鹏峰, 冯学智. 基于改进区域邻接图的遥感图像多尺度快速分割方法[J]. 遥感信息, 2011(5): 3 − 8, 46. ZHANG Xueliang, XIAO Pengfeng, FENG Xuezhi. Multi-scale fast segmentation of remotely sensed image based on improved region adjacency graph [J]. Remote Sensing Inf, 2011(5): 3 − 8, 46. [27] JING Linhai, HU Baoxin, LI Jili, et al. Automated delineation of individual tree crowns from LiDAR data by multi-scale analysis and segmentation [J]. Photogramm Eng Remote Sensing, 2012, 78(12): 1275 − 1284. [28] 何祺胜, 陈尔学, 曹春香, 等. 基于LiDAR数据的森林参数反演方法研究[J]. 地球科学进展, 2009, 24(7): 748 − 755. HE Qisheng, CHEN Erxue, CAO Chunxiang, et al. A study of forest parameters mapping technique using airborme LiDAR data [J]. Adv Earth Sci, 2009, 24(7): 748 − 755. 期刊类型引用(5)
1. 苗静. 苏南丘陵地区主要林分枯落物含水量及其影响因素分析. 亚热带水土保持. 2025(01): 19-22+46 . 
百度学术2. 景梦洁，赵旺林，刘新圣，张林. 西藏原始墨脱冷杉林微气候特征. 高原科学研究. 2024(01): 18-28 . 百度学术3. 陶萍萍，方晰，陈金磊. 湘中丘陵区植被恢复对林内空气温湿度的调节作用. 中南林业科技大学学报. 2022(04): 93-103 . 百度学术4. 莫燕华，邹涵，马姜明，李玉凤，菅瑞，秦佳双，宋尊荣，林正忠. 喀斯特石山不同演替阶段檵木群落土壤温湿度变化. 广西师范大学学报(自然科学版). 2021(03): 122-130 . 百度学术5. 李璇，薛美玲，胡荣，杨甲定，方炎明. 麻栎与栓皮栎不同种源苗期生长差异性及评价. 东北林业大学学报. 2021(07): 9-15 . 百度学术其他类型引用(1)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20210399
点击查看大图
计量
- 文章访问数: 784
- HTML全文浏览量: 183
- PDF下载量: 54
- 被引次数: 6
