全 文 ：第 38 卷 第 5 期
2016 年 5 月
北 京 林 业 大 学 学 报
JOUＲNAL OF BEIJING FOＲESTＲY UNIVEＲSITY
Vol． 38，No． 5
May，2016
DOI:10． 13332 / j． 1000--1522． 20150383
利用无人机遥感测定岷江冷杉单木树干生物量
何游云1 张玉波2 李俊清1 王卷乐3
(1 北京林业大学省部共建森林培育与保护教育部重点实验室 2 国家林业局自然保护区研究中心
3 中国科学院地理科学与资源研究所)
收稿日期:2015--11--02 修回日期:2015--12--29
基金项目:环保公益性行业科研专项(201509042)、国家科技基础性工作专项项目(2011FY110400)。
第一作者:何游云。主要研究方向:恢复生态学。Email:heyouyun_612@ 126． com 地址:100083 北京市海淀区清华东路 35 号北京林业大
学林学院。
责任作者:李俊清，教授，博士生导师。主要研究方向:森林生态学。Email :lijq@ bjfu． edu． cn 地址:同上。
本刊网址:http:j． bjfu． edu． cn;http:journal． bjfu． edu． cn
摘要:无人机获取的高分辨率遥感影像，已成为单木生物量估算的有效手段。本文以四川省王朗自然保护区岷江
冷杉为研究对象，利用本项目组自行研制的无人机获取无阴影遥感影像。设置 2 块样地，其中 plot 1 为建模样本，
plot 2 为验证样本。通过人机交互的方式提取单木树冠面积(CA)数据，并结合野外实测的胸径(DBH)，建立 DBH
遥感估算模型。最后基于 CA-DBH模型的有效性，结合已有 DBH-SB(树干生物量)经验方程，计算 plot 2 岷江冷杉
单木树干生物量。结果表明:基于无人机遥感影像提取的单木 CA与实测 DBH存在较好的非线性相关关系，所建
立的模型有较好的拟合度，Ｒ2达到 0. 752(P ＜ 0. 001，n = 94)。采用 t检验验证 CA-DBH 模型预测值与观测值的差
异，同时计算皮尔森相关系数(Pearson Correlation Coefficient)，检验结果表明:该模型估算的 DBH 与实测值偏差差
异不显著(P ＞ 0. 05)，其皮尔森相关系数可达 0. 879，证明利用无人机获取的遥感影像，通过提取的 CA 估算 DBH
是可行的。本次实验表明:利用无人机遥感获取影像，通过提取的单木 CA进行树干生物量的估算是有效的。
关键词:胸径;树干生物量;无人机;遥感;异速方程
中图分类号:S718. 55 + 6;S791. 14 文献标志码:A 文章编号:1000--1522(2016)05--0042--08
HE You-yun1;ZHANG Yu-bo2;LI Jun-qing1;WANG Juan-le3 ． Estimation of stem biomass of
individual Abies faxoniana through unmanned aerial vehicle remote sensing． Journal of Beijing
Forestry University (2016)38(5)42--49［Ch，24 ref．］
1 The Key Laboratory for Silviculture and Conservation of Ministry of Education，Beijing Forestry
University，Beijing，100083，P． Ｒ． China;
2 Nature Ｒeserve Ｒesearch Center of State Forestry Administration，Beijing，100083，P． Ｒ． China;
3 Institute of Geographic Sciences and Natural Ｒesources Ｒesearch，Chinese Academy of Sciences，
Beijing，100101，P． Ｒ． China．
Fast and accurate quantification of biophysical parameters of trees is essential for forest management，
assessment of carbon sequestration and evaluation of regional ecosystem services value． Unmanned aerial
vehicle (UAV)is a promising tool to estimate biomass of individual trees due to its extremely high
resolution． In this study，we used self-developed UAV to obtain shadow-free remote sensing images，
taking Abies faxoniana in Wanglang Nature Ｒeserve of Sichuan Province as an example． There were two
plots，one for model training and the other for model validation． Crown area (CA)of individual trees was
delineated through man-computer interpretation． Meanwhile，the field inventory was conducted to record
the diameter at breast height (DBH)of individual trees，and to establish CA-DBH regression model．
Based on the validity of CA-DBH model，the stem biomass (SB)of individual A． faxoniana trees in plot
2 was derived according to the existing empirical DBH-SB equation． There was a strong nonlinear
correlation between CA extracted from the UAV remote sensing images and DBH documented in the field
visit，with a coefficient of determination Ｒ2 = 0. 752 (P ＜ 0. 001，n = 94)． Then prediction of DBH
第 5 期 何游云等:利用无人机遥感测定岷江冷杉单木树干生物量
using the model in plot 2 was conducted，followed by a T-test． Verification results showed that the
difference was not significant between the predicted DBH and observed DBH in the field (P ＞ 0. 05)，
with a Pearson correlation coefficient of 0. 879． This study indicates that it is practically feasible to
estimate SB of individual trees through the CA extracted from UAV remote sensing images．
Key words diameter at breast height;stem biomass;UAV;remote sensing;allometric equation
森林是陆地上分布最广、面积最大、结构最复杂
的生态系统，在全球气候变化的背景下，有调节碳循
环、减缓大气温室气体上升的功能。森林通过林木
的光合作用，固定大气中的碳来累积生物量，估算林
木生物量对森林碳储量的计算至关重要。由于立木
树干生物量(SB)通常占地上生物量(AGB)的 70%
以上［1］，因此对树干生物量的计算有重要意义。
收获法是常见的森林生物量估算方法，通常先
对样地进行每木检尺，找到和平均胸径最接近的标
准木后将树伐倒，测定根、干、枝和叶烘干后的质量，
相加求得全株生物量，林分单位面积生物量等于标
准木全株生物量乘以该单位样地内林木株树。也可
以在每木检尺的基础上，不同径阶挑选 1 ～ 2 株林木
测定生物量，再与测量的一个或多个变量(如胸径、
树高、树冠面积等)建立相关生物量模型。收获法
在森林生物量的估算上得到了广泛的应用，但是直
接取样测量具破坏性，且在大区域尺度上测量林木
参数消耗大量的时间、人力和物力［2--4］。遥感技术
的出现解决了以上问题，研究显示通过遥感技术获
取的林木参数与森林生物量有一定的相关关系，借
助异速方程就可以进行生物量的计算［5
--7］，为大范
围森林生物量估算提供有效手段［8
--9］，尤其是多元
化的遥感数据能适应于各种尺度上森林生物量的计
算，另外，森林信息由相关设备直接获取，减少了林
业工作者实地调查的时间。
树冠是森林生态系统与大气进行物质和能量交
换的重要部分［10］，与树木生长有着密切联系。由于
树冠面积(CA)能够直观显示在遥感影像上，很容
易从空中获取，而地面样地调查胸径(DBH)将投
入更多的人力物力。已经有许多研究证明 CA 与
DBH具有显著的相关性［11］，通常基于异速生长模
型，能够实现利用遥感获取的 CA 估算 DBH，借助
遥感手段获取高精度的树冠信息有利于森林调查
和管理［12］。
早期的遥感数据，例如 Lansat TM 影像，由于空
间分辨率太低，不能满足普通树冠面积的测算，因此
无法通过影像准确提取树冠信息［10］。具有更高空
间分辨率的 IKONOS 和 QuickBird 数据让树冠轮廓
提取成为可能［13］。但是，在阴天或者多云天气时，
这些数据都不可避免的产生阴影，使研究获取的影
像光谱信息与实际光谱信息产生差异，增加了树种
识别以及树冠轮廓提取的难度［14
--15］。后来，激光雷
达(LiDAＲ)在森林调查上的应用日渐突出，主要表
现在对单木特征的直接测量(如高度)。但是，由于
树冠一般呈现圆形而没有比较明确的顶端，LiDAＲ
难以识别［16］，造成对立木高度测量的不准确。相比
普通的遥感，LiDAＲ 设备及其数据的预处理费用远
远超过研究者的预算范围，限制了 LiDAＲ 在森林调
查中的广泛应用［17］。因此，在森林调查中迫切需要
低成本的，能够准确获取森林基本信息的遥感技术，
相对于 LiDAＲ设备，无人机通常只需要搭载普通相
机即可完成拍摄，较低的成本使其成为获取森林单
木 CA的有效手段。
无人机是迅速发展起来的遥感技术，不受时
间、地域限制，随时起降飞行，获取地物信息;无人
机数据有较高的时空分辨率，空间分辨率可达厘
米级;阴天或者云层不影响无人机的拍摄过程，获
取的数据无阴影。无人机在林业上的应用一般
为:影像中森林类型的判断，甚至是树种的区
分［18
--19］，也有研究关注于森林参数的提取，如龄级
区分，森林密度以及其他结构参数提取［20］。作为
具有较高空间分辨率的低空无人机遥感，在监测
树冠精度上表现良好。本文从提高森林监测效率
和评估水平出发，建立四川省王朗自然保护区内
岷江冷杉(Abies faxoniana)单木 CA与 DBH相关模
型，并估测单木树干生物量。岷江冷杉是我国特
有的、大熊猫栖息地主要树种之一，主要分布于青
藏高原东缘和长江中上游，有涵养水源和保持水
土的重要作用。本研究对无人机获取的遥感影像
进行矢量化，提取单木 CA，结合样地调查的 DBH
数据，用回归的方式建立研究区岷江冷杉 DBH 的
遥感估算模型，在验证模型拟合度和预测结果精
度的基础上，结合已有的 DBH-SB 经验方程，实现
试验区岷江冷杉单木树干生物量的遥感估算。以
期为其他区域岷江冷杉树干生物量预测提供技术
和模型支持，另外，通过长期监测能够把握该树种
树干生物量变化情况，反映出其受到人类活动或
者环境变化的影响，有利于森林的可持续经营。
34
北 京 林 业 大 学 学 报 第 38 卷
1 材料和方法
1. 1 研究区概况
四川省王朗自然保护区(103°55 ～ 104°10E、
32°49 ～ 33°02N)位于四川省西北部的平武县，面
积 32 297 hm2，是我国最早建立的大熊猫自然保护
区之一。本研究区地处岷山山系南部地带，青藏高
原东缘，地势西北高、东南低，属于深切割型山地。
海拔高度 2 300 ～ 4 980 m，为丹巴--松潘半湿润气候
区，年平均气温为 2. 9 ℃，降水量 826. 5 mm。植被
垂直带深受其影响:亚高山落叶阔叶林(2 300 ～
2 600 m)，亚高山寒温性针叶林(2 600 ～ 3 500 m)，
高山草甸带(3 500 ～ 4 400 m)，高山流石滩植被
(4 400 ～ 5 000 m)。岷江冷杉是该区分布最广、蓄积
量最大的针叶森林。
1. 2 无人机影像的获取
采用本项目组自行研制的四旋翼无人机，机身
配备飞行控制系统，全球定位系统(GPS)、无线数传
模块以及 4 个无刷电机，其通过陀螺仪、GPS 等进行
姿态校正和控制，确保飞行的稳定。该无人机配备
SONY NEX-5N 相机，获取 JPEG 格式的真彩色影
像，1 603 万像素(4 912 × 3 264 pixels)，空间分辨率
4 cm，有 3 个波段 (Ｒ，G，B)。由于搭载的相机为普
通数码相机，需要对其畸变参数进行检校，进而纠正
几何精度，检校参数见表 1。飞行在 2014 年 6 月 12
日的上午进行，试验当天阴天，风速 ＜ 3 m /s。由于
保护区位于高山地区，某些岷江冷杉群落研究者难
以到达，给实地调查带来困难，因此本文选择能够完
整描述当地岷江冷杉的生长和分布情况，且易于进
行样地调查的区域作为飞行区。预先设计好飞行航
线载入飞行控制系统，设置无人机遥感影像航向重
叠率为 80%，旁向重叠率为 60%，飞行高度 400 m。
1. 3 影像拼接处理
采用瑞士 Pix4D公司生产的全自动快速无人机
数据处理软件 Pix4UAV 进行数据处理，主要过程
如下:
1)首先对获取的无人机遥感影像进行检查，
筛选掉姿态角过大、航线拐角处、重叠度过大、成
像效果较差的影像，对剩余的 222 张影像做正射
处理。
2)进行畸变差改正，软件导入相机检校文件即
可获得无主点偏移及畸变的航拍影像，同时将筛选
后的影像及其对应的 POS 数据输入 Pix4UAV，由软
件自动计算得出每张影像的准确外方位元素以及加
密点的坐标，最终实现无控制点条件下解析空中三
角测量，得到数字高程模型(DEM)。最后进行影像
数字微分纠正，即可得到飞行区正射影像(DOM)，
同时可结合软件自带的镶嵌编辑工具对影像扭曲部
分进行调整。
3)处理结束后查看精度报告，拼接校正的平差
精度为 0. 256 pixels，该正射图分辨率为 1 500 ×
3 000 pixels，对应区域的面积 60 m ×120 m。
1. 4 样地调查
参考处理好的正射影像，利用 ArcGIS 软件于
影像的中心位置设置 2 块 32 m × 32 m的样地，plot
1 和 plot 2，记录每块样地四角经纬度，实地测量时
利用 GPS 定位找到记录的 8 个坐标进行样地设
置。样地位于保护区竹根岔的大草坪，地势平坦，
坡度 ＜ 2°，该地为冷杉(Aibes spp．)天然林，样地调
查在无人机获取影像当天的下午进行。根据样地
设置情况，裁剪拼接好的遥感影像，得到 2 张与样
地一一对应的正射图，分辨率大小为 800 × 800
pixels。对照遥感影像，分别对 2 块样地所有岷江
冷杉进行每木检尺，测量中充分利用影像优势，对
照空地以及水体位置，注意其周围树种的分布情
况，测量结果直接记录在影像上。另外，根据样地
内岷江冷杉的实际分布，可对树冠稍作勾画，以区
分树冠相接树种以及统计株数。
表 1 相机检校参数
Tab． 1 Camera calibration parameters
检校内容 Calibration content 检校值 Value
主点 Principal point x0 2 429. 158 8 /pixels
主点 Principal point y0 1 660. 078 3 /pixels
焦距 Focal length f 4 292. 415 9 /pixels
径向畸变系数 Ｒadial distortion k1 0. 000 000 009 898 075 262
径向畸变系数 Ｒadial distortion k2 － 0. 000 000 000 000 000 504
偏心畸变系数 Decentering distortion p1 0. 000 000 317 632 922 941
偏心畸变系数 Decentering distortion p2 0. 000 000 323 268 477 584
CCD非正方形比例系数 CCD non-orthogonal coefficient α － 0. 000 091 275 071
CCD非正方形比例系数 CCD non-orthogonal coefficient β － 0. 000 131 821 124
44
第 5 期 何游云等:利用无人机遥感测定岷江冷杉单木树干生物量
1. 5 树冠轮廓提取
树冠轮廓提取由 eCognition 软件面向对象的分
类方法实现。面向对象的分类方法是通过对影像的
分割，产生同质“对象”，在“对象”中提取有用的分
类信息，如光谱、纹理信息等，一般有分割和分类 2
个步骤。2 块样地树冠轮廓获取的方法相同，为了
提取 plot 1 和 plot 2 内岷江冷杉的树冠覆盖区，设置
分割参数(scale:150，shape:0. 1，compactness:0. 5)
对影像进行分割，用阈值法将 Brightness≤98 的对
象定义为林窗，另外，由于水体在影像上呈现浅蓝
色，因此提取 Mean Layer 3(blue)≥154 的对象为水
体，剩下未分类的部分定义为树冠覆盖区。分类结
果(图 1)可见，面向对象的方法实现了岷江冷杉树
冠覆盖区的提取，该区域边界紧邻树冠边缘。依然
利用 eCognition软件，设置较小的分割尺度对树冠
覆盖区进行分割(scale:80)，这时许多树冠相接的
岷江冷杉被分割成独立的小区域，由于影像分辨率
高达 4 cm，人工修正的方式弥补了计算机处理的不
足，因此可直接在遥感影像上进行矢量图的修正。
同时参考样地调查时在影像上的勾画与区分，将过
于分割的树冠合并，将岷江冷杉树冠之外的部分修
剪掉，修改分割、分类错误的部分。多次检查修正完
成后，对比拼接好的正射遥感影像与树冠轮廓提取
结果如图 2 所示，该结果以． shp格式导出保存。
图 1 样地遥感影像分类图
Fig． 1 Classification result of the UAV image
图 2 样地遥感影像及树冠提取效果
Fig． 2 UAV image and crown delineation
54
北 京 林 业 大 学 学 报 第 38 卷
1. 6 异速方程的建立和有效性
异速生长揭示生物生长过程中部分与整体或者
部分与部分的对比关系［21］，其基本数学模型为幂函
数，表示为 y = axb。为了探寻本试验对象最合适的
模型，参考数据散点图(图 3)，得出实测 DBH 随着
影像提取的 CA 增长有明显的增长趋势;因此选择
了几个基本模型进行数据拟合，分别为线性模型、幂
函数模型、多项式模型，对比拟合结果如表 2 所示。
最后选择 Ｒ2最大的且方程形式最简单的幂函数作
为数据拟合最优方程;另外，由于自变量个数的增加
对估算精度提高的贡献不大［1］，且增加了调查的工
作量，故本研究仅选取一个自变量。CA-DBH 的异
速方程 D = aCb，式中:D为样地测量的胸径，C 为无
人机遥感获取的单木树冠面积，a、b是通过对获取
图 3 CA与 DBH数据散点图
Fig． 3 Scatter diagram of CA and DBH
表 2 不同模型拟合效果
Tab． 2 Fitting effect of different models
方程类型
Model types
Ｒ2
幂函数 Power function 0. 752
线性 Linear function 0. 688
多项式 Polynomial 0. 749
的 CA、DBH数据进行回归得到的相关参数，模型拟
合采用普通最小二乘法。
为了检验 CA-DBH模型的有效性，采用决定系数
(Ｒ2)、显著性(P)评价模型的拟合程度，再将预测值
与观测值进行 t 检验，计算皮尔森相关系数(Pearson
Correlation Coefficient)，使用均方根误差(ＲMSE)，相
对均方根误差(rＲMSE)，偏差(Bias)，相对偏差
(rBias)等对模型的适应性进行验证和分析。
2 结果与分析
2. 1 岷江冷杉遥感影像与 CA提取结果
利用 ArcGIS软件读取树冠轮廓的提取结果，导
入实地调查的 DBH 数据形成相应的属性表，CA 可
由软件直接计算得出。2 块样地共统计岷江冷杉
181 株(表 3)，不包括树冠处在影像边缘，在影像中
不能完整呈现的岷江冷杉。DBH 的变化范围:
6. 00 ～ 54. 00 cm，均值 23. 40 cm，CA 的变化范围
0. 40 ～ 17. 67 m2，均值为 4. 40 m2。
表 3 样地内岷江冷杉相关数据
Tab． 3 Statistical description of the tree parameters observed in the sampled plot
样地 Plot 1 2
样本量 n 94 100
胸径范围 DBH Ｒange /cm 6. 00 ～ 49. 30 9. 00 ～ 54. 00
平均胸径 Average DBH /cm 24. 61 22. 18
胸径标准差 Standard deviation of DBH 8. 67 8. 00
树冠面积范围 CA Ｒange /m2 0. 66 ～ 17. 16 0. 40 ～ 17. 67
平均树冠面积 Average CA /m2 5. 04 3. 76
树冠面积标准差 Standard deviation of CA 3. 93 3. 07
Note:DBH，diameter at breast height;CA，crown area． The same below．
2. 2 CA-DBH模型的拟合
通过回归分析发现，CA 与 DBH 之间呈现较好
的相关关系(表 4)。估算模型的 Ｒ2达到 0. 752(P ＜
0. 001，n = 94)，模型表示为:D = 13. 541C0. 422，拟合
效果见图 4。
表 4 CA-DBH模型拟合结果
Tab． 4 Estimate parameters of CA-DBH model
样地
Plot
n a b Ｒ2
显著性
Significance
1 94 13. 541 0. 422 0. 752 P ＜ 0. 001
2. 3 模型的验证
使用 plot 2 验证数据对 CA-DBH模型预测值与
观测值进行 t 检验。结果显示，CA-DBH 模型预测
DBH平均值的偏差为 0. 02 cm，是实测值的 0. 90%，
且模型的预测结果和观测值的偏差不显著(P ＞
0. 05)，验证结果见表 5。另外，由皮尔森相关系数
分析得出，DBH 的模型预测值与实测值有很强的
相关性，皮尔森相关系数为 0. 879。说明模型在预
测 DBH上是准确有效的。
图 5直观显示 DBH预测值和实测值的对比效果，
64
第 5 期 何游云等:利用无人机遥感测定岷江冷杉单木树干生物量
图4 模型拟合结果
Fig． 4 Ｒesult of model fitting
表 5 样地 2中 DBH实测值与预测值 t检验结果
Tab． 5 t-test result of field measured DBH and
UAV-predicted DBH in plot 2
指标 Index 数值 Value
平均测量值 Mean field measured /cm 22. 18
测量值标准差 Standard deviation of field measured /cm 8. 00
相对标准差 Ｒelative standard deviation /% 36. 07
无人机平均预测值 Mean UAV-predicted /cm 22. 20
均方根误差 Ｒoot mean square error (ＲMSE)/ cm 3. 58
相对 均 方 根 误 差 Ｒelative root mean square error
(rＲMSE)/%
16. 14
偏差 Bias /cm 0. 02
相对偏差 rBias /% 0. 90
偏差显著性 Significance of bias 0. 958
PCC，皮尔森相关系数;n，样本量。虚线为 y = x 方程。PCC，
Pearson Correlation Coefficient;n，number of samples． Dotted line
represents equation of y = x．
图 5 DBH预测值与实测值比较
Fig． 5 Ｒelationship between field measured DBH and
UAV-predicted DBH in plot 2
散点越接近虚线部分(α = 0. 5)，说明预测越准确。
2. 4 树干生物量的计算
借助经验方程 W = 0. 040 5D2. 568 0［22］，式中:W
为树干生物量;与成功拟合的 CA-DBH 模型 D =
13. 541C0. 422，得到无人机预测单木树干生物量的新
模型:W = 32. 624C1. 084。估算 plot 2 岷江冷杉单木
SB结果表 6(按树冠面积大小顺序取 45 株为例)。
3 结论与讨论
卫星遥感和激光雷达能够大范围测量林木参
表 6 样地 2 岷江冷杉单木树干生物量
Tab． 6 SB of Abies faxoniana in plot 2
编号
NO．
树冠面积
CA /m2
树干生物量
SB /kg
编号
NO．
树冠面积
CA /m2
树干生物量
SB /kg
编号
NO．
树冠面积
CA /m2
树干生物量
SB /kg
1 0. 40 11. 98 16 1. 42 47. 80 31 1. 93 66. 52
2 0. 49 14. 99 17 1. 59 53. 83 32 2. 02 70. 06
3 0. 74 23. 68 18 1. 60 54. 42 33 2. 04 70. 66
4 0. 77 24. 44 19 1. 61 54. 83 34 2. 07 71. 92
5 0. 84 27. 06 20 1. 64 55. 95 35 2. 09 72. 46
6 0. 86 27. 79 21 1. 66 56. 66 36 2. 14 74. 39
7 0. 90 29. 13 22 1. 77 60. 63 37 2. 20 76. 87
8 0. 96 31. 21 23 1. 79 61. 16 38 2. 21 76. 99
9 1. 05 34. 55 24 1. 79 61. 34 39 2. 29 80. 14
10 1. 10 36. 20 25 1. 84 63. 12 40 2. 31 80. 69
11 1. 20 39. 75 26 1. 84 63. 36 41 2. 37 83. 24
12 1. 20 39. 87 27 1. 86 63. 84 42 2. 38 83. 66
13 1. 21 39. 98 28 1. 86 63. 84 43 2. 41 84. 58
14 1. 22 40. 33 29 1. 89 65. 03 44 2. 42 85. 19
15 1. 31 43. 56 30 1. 89 65. 15 45 2. 64 93. 57
Note:SB，stem biomass．
74
北 京 林 业 大 学 学 报 第 38 卷
数，为森林生物量估算提供有效手段，但是受限于空
间分辨率和较高的预算，一般只适用于整个区域树
种生物量的估算，不能广泛应用在单木水平上。另
外，四川王朗自然保护区属于高山森林，样地调查受
地形、环境制约，加上该地常年为多雨天气，卫星遥
感获取数据的时间难以灵活配置，需要探寻新方法
实现该地林木参数提取。无人机则可以自主、快速、
精确量化林木参数，为森林生物量的估算提供准确
数据来源。
为探讨本方法在预测单木树干生物量上的效
果，借助经验方程 W = 0. 040 5D2. 568 0［22］，利用 plot 2
实测 DBH估算研究区岷江冷杉单木 SB，对比结果
显示，利用无人机提取的 100 株单木 CA 来预测 SB
的均值为 140. 59 kg，相对于直接利用测量的胸径预
测生物量，估测均值偏差 － 7. 63 kg，相对偏差
5. 15%，偏差不显著(P ＞ 0. 05)。该试验证明，借助
高时空分辨率的无人机遥感影像可用以估算单木
SB，该技术有助于精细森林调查［17］。
值得注意的是，为避免阴影数据的产生，应选择
多云天气或者在阳光较弱时进行数据收集。天气晴
朗时，大的树冠会在小树冠上方形成阴影，可能使幼
龄岷江冷杉完全位于或者部分位于阴影之中，无法
正确勾画树冠轮廓。另外，鉴于本研究区岷江冷杉
分布的间隙较大，针对树木间树冠相互重叠的特殊
情况，引出阳性树冠面积(PoCA)的概念。国内已经
有许多学者对其进行了研究［23
--24］，指出，阳性树冠
面积是指森林中单木垂直投影不与其他林木重叠的
那一部分树冠面积，是单木光合效率最高，有机物合
成最多的部分，足够体现单木的营养空间;而这部分
树冠面积之外部分接收的光照较弱，对林木生长贡
献较小，所以利用 PoCA 进行树干生物量的估算是
有效的。树冠轮廓提取是建立回归方程的前提基
础，提取的结果直接影响后续处理的效果，本研究采
用人机交互的方式提取单木 CA，而且保证了一定的
精度，是一次有益的尝试。
如今，小型无人机甚至可以装载激光雷达或者
多光谱传感器，来获得树高信息以及更多光谱信息，
这预示着通过无人机，能获取二维或者三维的遥感
数据来探索更多森林信息。
参 考 文 献
［1］ ZENG W S，TANG S Z． Modeling compatible single-tree
aboveground biomass equations for masson pine (Pinus
massoniana)in Southern China［J］． Journal of Forestry Ｒesearch，
2012，23(4):593--598．
［2］ HOMOLOVA L，MALENOVSK ＇Y Z，CLEVEＲS J G，et al． Ｒeview
of optical-based remote sensing for plant trait mapping［J］．
Ecological Complexity，2013，15:1--16．
［3］ SEGUＲA M，KANNINEN M． Allometric models for tree volume
and total aboveground biomass in a tropical humid forest in Costa
Ｒica［J］． Biotropica，2005，37(1) :2--8．
［4］ SEIDEL D，FLECK S，LEUSCHNEＲ C，et al． Ｒeview of ground-
based methods to measure the distribution of biomass in forest
canopies［J］． Annals of Forest Science，2011，68(2) :225--244．
［5］ AHMED Ｒ，IQUEIＲA P，HENSLEY S，et al． Uncertainty of forest
biomass estimates in north temperate forests due to allometry:
implications for remote sensing［J］． Ｒemote Sensing，2013，5(6) :
3007--3036．
［6］ AVEＲY T E，BUＲKHAＲT H E． Forest measurements［M］． New
York:McGraw-Hill Education，2001．
［7］ LU D S，CHEN Q，WANG G X，et al． A survey of remote sensing-
based aboveground biomass estimation methods in forest ecosystems
［J］． International Journal of Digital Earth，2014，13:1--43．
［8］ AHAMED T，TIAN L，ZHANG Y，et al． Ｒeview of remote sensing
methods for biomass feedstock production［J］． Biomass and
Bioenergy，2011，35(7) :2455--2469．
［9］ ＲOSENQVIST ，MILNE A，LUCAS Ｒ，et al． A review of remote
sensing technology in support of the Kyoto Protocol ［J］．
Environmental Science ＆ Policy，2003，6(5) :441--455．
［10］ SONG C，DICKINSON M B，SU L，et al． Estimating average tree
crown size using spatial information from IKONOS and QuickBird
images:across-sensor and across-site comparisons［J］． Ｒemote
Sensing of Environment，2010，114(5) :1099--1107．
［11］ HALL Ｒ J，MOＲTON Ｒ T，NESBY Ｒ N． A comparison of existing
models for DBH estimation from large-scale photos［J］． The
Forestry Chronicle，1989，65(2) :114--120．
［12］ KE Y，QUACKENBUSH L J． A review of methods for automatic
individual tree-crown detection and delineation from passive remote
sensing［J］． International Journal of Ｒemote Sensing，2011，32:
4725--4747．
［13］ GOUGEON F A，LECKIE D G． The individual tree crown
approach applied to IKONOS images of a coniferous plantation area
［J］． Photogrammetric Engineering and Ｒemote Sensing，2006，72
(11) :1287--1297．
［14］ DAＲE P M． Shadow analysis in high-resolution satellite imagery of
urban areas［J］． Photogrammetric Engineering ＆ Ｒemote Sensing，
2005，71(2) :169--177．
［15］ FULLEＲ D O． Ｒemote detection of invasive Melaleuca trees
(Melaleuca quinquenervia) in South Florida with multispectral
IKONOS imagery［J］． International Journal of Ｒemote Sensing，
2005，26(5) :1057--1063．
［16］ SHＲESTHA Ｒ，WYNNE Ｒ H． Estimating biophysical parameters
of individual trees in an urban environment using small footprint
discrete-return imaging LiDAＲ［J］． Ｒemote Sensing，2012，4(2) :
484--508．
［17］ ANDEＲSON K，GASTON K J． Light weight unmanned aerial
vehicles will revolutionize spatial ecology［J］． Frontiers in Ecology
and the Environment，2013，11(3) :138--146．
［18］ YU Q，GONG P，CLINTON N， et al． Object-based detailed
vegetation classification with airborne high spatial resolution remote
sensing imagery［J］． Photogrammetric Engineering ＆ Ｒemote
84
第 5 期 何游云等:利用无人机遥感测定岷江冷杉单木树干生物量
Sensing，2006，72(7):799--811．
［19］ GINI Ｒ，PASSONI D，PINTO L，et al． Aerial images from an UAV
system:3D modeling and tree species classification in a park area．
International Archives of the Photogrammetry［J］． Ｒemote Sensing
and Spatial Information Sciences，2012，XXXIX-B1:361--366．
［20］ CULVENOＲ D． TIDA:an algorithm for the delineation of tree
crowns in high spatial resolution remotely sensed imagery［J］．
Computers ＆ Geosciences，2002，28(1) :33--44．
［21］ ENQUIST B J，BＲOWN J H，WEST G B． Allometric scaling of
plant energetics and population density［J］． Nature，1998，395:
163--165．
［22］ LUO T X，SHI P L，LUO J，et al． Distribution patterns of
aboveground biomass in Tibetan alpine vegetation transects［J］．
Chinese Journal of Plant Ecology，2002，26(6) :668--676．
［23］ 王迪生，宋新民． 一个新的单木竞争指标:相对有效冠幅比
［J］．林业科学研究，1994，7(3):337--341．
WANG D S，SONG X M． A new single-tree competition measure:
relative effective crown ratio［J］． Forest Ｒesearch，1994，7(3) :
337--341．
［24］ 时明芝，张凡东． 107 杨树阳性冠幅与胸径关系的研究［J］．福
建林业科技，2005，32(4):97--98．
SHI M Z，ZHANG F D． Studies on relationship between crown size
and tree diameter at breast height of 107 Populus［J］． Journal of
Fujian Science and Technology，2005，32(4) :97--98．
(责任编辑 赵 勃
责任编委 臧润国)
94