應用遙測影像與空載光達資料推估森林分佈面積及 樹冠體積

Volume 14, No.1, March 2009, pp. 51-64

1國立成功大學測量及空間資訊學系 碩士 收到日期:民國 98 年 03 月 21 日

2國立成功大學測量及空間資訊學系 教授 修改日期:民國 98 年 05 月 20 日

*通訊作者, 電話: 886-6-2757575ext.63835, :E-mail: tseng@mail.ncku.edu.tw 接受日期:民國 98 年 06 月 25 日

應用遙測影像與空載光達資料推估森林分佈面積及 樹冠體積

蕭淳伊

¹

曾義星

^2*

摘 要

台灣森林資源豐富，傳統的森林調查方法費時耗工，而應用空載光達及遙測影像的資料結合能有效 的快速獲得森林平面及高程資訊，得以三維空間的觀點來觀察森林的變化。本研究採用空載光達點雲及 遙測影像來估算森林分佈面積及樹冠與地表間之體積，即樹冠體積(canopy volume)，估算樹冠體積之方法 乃應用空載光達資料過濾非地面點雲後建立數值高程模型(Digital Elevation Model, DEM)，以 DEM 為計算 樹冠體積的基面，再利用影像植物指標(vegetation index)結合光達資料過濾出樹冠點雲，以樹冠點雲與 DEM 產生樹冠高度模型（Canopy Height Model, CHM），計算樹冠網格面到地表網格面的體積得樹冠體積。

實驗區為成大校園及南化水庫，分別推估實驗區內的森林分佈面積及樹冠體積。於成大校園中選擇七棵 獨立樹，以地面光達資料分別觀測此七棵樹之樹高、樹冠幅、樹冠投影面積及樹冠體積，形成驗證比對 之地真資料。實驗成果顯示空載光達資料能有效獲得森林分佈面積及樹冠體積，所得資料與地真資料比 對之誤差多在10%以內，少數較大誤差也都在 20%以下，數據顯示光達點雲密度不足是形成估算誤差的 主要因素。實驗結果顯示南化水庫實驗區的森林樹冠體積密度約為成大實驗區的14～16 倍左右。

關鍵詞：光達、遙測影像、樹冠高度模型、森林分佈面積、樹冠體積

1. 前言

森林生態對於人類生存環境之變遷具重要影 響，目前全球暖化及二氧化碳含量增加之現象，顯 現出當前全面加強森林調查及監測的重要性和緊 迫性。台灣的森林資源非常豐富，依據1995 年底 完成之第 3 次台灣森林資源及土地利用調查資料

（林務局，1995），調查工作長達六年多，得知森 林佔全國土地面積之58%，而全球平均森林覆蓋率 僅30%。為掌握並維護我國森林資源現況資料，以 國家尺度進行全面性林木資源的調查是當前重要 工作。建立持續的森林資料更新機制，是森林資源 永續維護的基礎，因此發展更有效率的森林調查方 法實屬必要。

傳統的林木調查工作是以人工方式量測航空

立體像對，或應用立體影像匹配產生數值地表模型

（Digital Surface Model, DSM），藉由數值地表模型 估算大範圍之森林資料，並設置地面樣區，以調查 人員足跡深入山區取樣，調查樹種、樹高、樹冠幅、

樹冠範圍、材積…等做紀錄，調查工作需耗費大量 的人力且昂貴又費時。而立體影像匹配產製數值地 表模型，在地形複雜的區域會受地勢影響而降低精 度，而且影像資訊不具地表資訊，難以獲得準確的 DEM 以估算樹冠體積。隨著遙測影像技術上的發 展與進步，空載光達（Light Detection and Ranging, LiDAR）能提供精確的三維空間資料，其雷射多重 回波的特性，不但可獲得透森林表面的點雲 (point cloud) 資料，亦可獲得部分穿透森林表面抵達地表 的點雲資料。整合普及的遙測影像之光譜資訊，應 可獲得森林的三維空間資訊，有效應用於森林的調

查。

對於森林資訊的調查，首要工作就是估計森林 分佈的範圍及面積，進而調查森林的細部資訊，例 如樹種、樹高、樹冠幅、樹冠體積及森林材積等。

現實為三維世界，對森林的調查及分析也應該以三 維空間的觀點來估計，才能更為貼近真實的樹林現 況。因此本研究依據Lefsky et al.（1999）提出的 樹冠體積(canopy volume)之定義，即包含樹本身的 整個體積及樹冠下及地表的空間，整合空載光達資 料及遙測多光譜影像推估森林分佈面積及樹冠體 積。

2. 森林觀測資料

森林觀測資料就是藉由觀測森林區域林木生 長狀態，紀錄森林的空間及屬性描的資料，以瞭解 森林的整體生態環境。例如觀測紀錄森林的分佈範 圍及面積、林地平均樹高、樹林種類、林地覆蓋率 及林地樹冠密度等，更詳細的描述資料包括獨立樹 高、樹冠幅（又稱樹冠直徑，crown diameter, crown width），枝下高（living clear length 或稱 height to live crown），林木胸徑(Diameter at Breast Height, DBH)，

樹冠投影面積（crown projected area）等，其各部 位測定方式（楊榮啟，2003）見圖 1。

森林觀測資料不僅提供林木本身的生長資訊，

更能推衍出許多重要的環境因子，像是二氧化碳的 吸存估計、對生物多樣性影響之監測與評析、對重 金屬污染農地之吸附及分解移除復育能力之評估 等。積極推進森林生態保護全球化已是各國家維護 地球環境的共同目標，因此有必要有效的利用研究 資源以及縮短調查時間，以科學的方法來監測森林 生態的變化，並探索加強森林生態保護和建設。台 灣森林資源豐富，為了能有效獲得森林平面及高程 資訊，整合不同型態的資料已經是目前的趨勢 (Schiewe, 2003)。近年來，空載光達系統以飛機做 為載具，利用脈衝雷射以每秒數萬次的頻率進行掃 描，記錄反射訊號的回波及時間再轉換為距離，可 獲得大量的地表物之三維離散點坐標，高程精度可 達約15 公分(Leica GeoSystems, 2005)。空載光達

能快速提供精確的三維空間資料，其雷射多重回波 的特性，亦可獲得部分穿透森林表面抵達地表的點 雲資料，而遙測影像可提供豐富的光譜資訊而取得 森林的分佈位置，因此整合空載光達及遙測影像的 資料特性，可助益於森林資訊的萃取。

圖1 樹林觀測資料測定示意圖（H：樹高；CW：

樹冠幅；CL：樹冠長；LH：枝下高；DBH：

林木胸徑；CPA：樹冠投影面積）

2.1 遙測影像

應用遙測影像可有效且持續觀測森林分佈的 狀況，Lonard et al.（2000）以空載影像來評估森 林的年變化，可以有效的識別出森林生態變化，且 能進一步的辨識出部分樹種的變遷。不同的物體對 光譜有不同的反射，透過光譜的組合可以產生植物 指標（vegetation indices），可由影像得到對植物性 徵反應強的區域，因此可從遙測影像中判定植物的 分佈範圍（Buhe et al., 2007）。Gong（1997）以地 面高光譜影像辨識針葉樹種，發現以精細的波普資 訊可以有效地偵測樹種。另外，利用熱紅外光譜 (thermal Infrared)衛星影像，可以推得地面上溫度 與植物分佈的關係（Goward et al., 2002），有地表 的溫度資訊，亦可進行森林分佈對溫度及熱島效應 影響的研究（Goldreich, 2006）。亦有以多光譜影像 估計葉面積指數(Leaf Area Index, LAI)，Soudani et

H

CW

LH CL

CPA DBH

H

CW

LH CL

CPA DBH

al.（2006）以三種不同感測器的衛星影像透過六種 不同的植物指標與葉面積地真資料建立線性迴歸 模式，結果證明多光譜影像是有能力對葉面積作預 估。遙測影像可提供森林的平面分佈資訊，不過真 實世界是三維的，Maselli（2006）以遙測影像對森 林的材積作研究，成果並非相當理想，因受限於遙 測影像對三維資訊不易取得，高程資料的獲得較耗 時費工，尤其難以獲取森林覆蓋之地表起伏資訊。

2.2 空載光達資料

空載光達以飛機為載具，利用脈衝雷射以每秒 數萬次的頻率進行掃描，記錄反射訊號的回波及時 間再轉換為距離。載具以 GPS 精密的動態定位，

同時利用IMU（Inertial Measurement Unit）獲取姿 態參數，整合雷射掃描測距而獲得大量精確的點位 坐標，稱為點雲。空載光達訊號具有「多重反射回 波（multiple echoes）」的特性，可獲得部分穿透森 林表面抵達地表的點雲資料。透過點雲分析處理及 過濾之技術（Baltsavias, 1999），可將地表面(ground) 點雲及非地表(non-ground)點雲分離，而非地表點 雲可能為樹葉、樹枝或樹幹的反射點位，因此呈現 豐富的林木幾何資訊，如圖2 之點雲分佈情形。

由於光達資料的應用，對林木的描述已經從二 維的調查進而到三維的探究， Popescu et al.（2003）

以光達推估單株立木的樹冠幅來評估其對材積

（stand volume or stem volume）及生物量的影響性，

研究中結果指出加入光達點雲推估的樹冠幅可以 增進以單株立木來估計材積及生物量的可行性；

Riaño et al.（2004）以空載光達對不同的森林估計 葉面積指數及覆蓋面積，實驗中以空載光達點雲推 估出的葉面積指數及覆蓋面積與從魚眼鏡頭的影 像中得到的結果有相當高的關連性，從許多研究成

果中，顯示出空載光達是可以有效的萃取出森林的 三維資訊，且更進一步的與森林的相關參數作推衍 與預測。因此除了研究樹體本身的參數之外，亦應 用異速生長關係式（allometric relationships）或是 統計分析（statistics analysis）的方法來估計其他性 徵，目前最廣泛的應用在：像是生物量（biomass）、

葉面積（LAI）、體積（volume）、樹冠體積密度

（crown bulk density）、二氧化碳量（CO2）以及樹 冠燃料參數（canopy fuel parameters）等（Andersen, 2005; Maltamo, 2004; Næsset, 1997; Patenaude, 2004）的關係及影響上。

空載光達技術目前已普遍的應用於森林研究 領域中，但空載光達有限的點雲密度及穿透力，使 得樹冠下的點雲相對稀疏，一般難以完整描述樹葉 量或材積資訊，亦即利用空載光達點雲資料，尚無 法有效估計森林LAI 或材積量。圖 3a 為以地面光 達掃瞄一棵獨立樹所得之點雲剖面圖，同樣這棵樹 之空載光達點雲剖面圖如圖 3b，空載光達點雲顯 示樹內部的資訊明顯不足，但是樹冠的三維外型則 可被完整呈現。

為了能有效萃取森林的三維空間資訊，整合不 同型態的感測器是目前的趨勢，遙測影像上高程精 度上的不足，可由空載光達系統提供高精度的高程 資訊補足。空載光達系統技術已日趨成熟，利用空 載光達系統可快速取得地表物之三維坐標，提供高 密度及高精度之三維坐標，Hyyppä et al.（2001）

及Lefsky et al.（1999）的研究中針對森林的三維 空間分佈的調查。因此本研究中提出一個觀測森林 樹冠體積的方法，以多光譜影像輔助從離散的空載 光達點雲資料萃取出植物的分佈及樹冠體積，進而 分析森林樹高、樹冠幅及樹投影面積。

圖2 林地光達多重回波點雲之分佈剖面圖：其中黑色表示唯一回波值，黃色表示第一個回波值，

藍綠色表示第二個回波值，粉紅色表示最後一個回波值。

圖3 一棵獨立樹(a)以地面光達掃瞄所得之點雲剖面圖，及(b)同樣這棵樹之空載光達點雲剖面圖 為了能有效萃取森林的三維空間資訊，整合不

同型態的感測器是目前的趨勢，遙測影像上高程精 度上的不足，可由空載光達系統提供高精度的高程 資訊補足。空載光達系統技術已日趨成熟，利用空 載光達系統可快速取得地表物之三維坐標，提供高 密度及高精度之三維坐標，Hyyppä et al.（2001）

及Lefsky et al.（1999）的研究中針對森林的三維 空間分佈的調查。因此本研究中提出一個觀測森林 樹冠體積的方法，以多光譜影像輔助從離散的空載 光達點雲資料萃取出植物的分佈及樹冠體積，進而 分析森林樹高、樹冠幅及樹投影面積。

3. 研究方法

以結合空載光達點雲及遙測影像資料來推估 森林分佈面積及森林樹冠體積，森林樹冠體積的推 估需要數值高程模型（DEM）及樹冠高度模型

（CHM），先過濾空載光達點雲得地表點雲，經內 插計算建立 DEM，以 DEM 為地表基面，並利用 NDVI 影像過濾非地表點雲，得到樹冠點雲，結合 樹冠點雲與 DEM 經內插計算建立樹冠高度模型

（CHM），以 CHM 減去 DEM 計算得森林樹冠體 積，整體工作流程如圖4。

3.1 製作 DEM

採用Terrascan^○R軟體製作DEM，其製作方法 是用曲線近似法(Axelsson, 2000; Terrasolid, 2004) 過濾點雲，通過反覆處理的程序建立地表三角網模 型來分類出地面點雲與非地面點雲。檢查過濾後的 地面點雲，發現此過濾法將局部最低點當成種子點，

有些因多路徑反射而形成低於地面的點雲也被視 為地面點，因此透過三維的透視圖以及二維的縱剖 面圖觀察過濾後的地面點雲，以二維的縱剖面編修 地面點雲，再經內插計算獲得DEM 成果。

圖4 森林體積估算方法流程圖

3.2 建立 CHM

先以攝影測量空中三角測量程序解算空載多 光譜影像之方位參數，並計算將空載多光譜影像之 NDVI (Normalized Differential Vegetation Index)影 像，然後將空載光達點雲以共線式（Collinearity Equations）反投影到用已經解算方位參數之 NDVI 影像上，取得每個光達點所對應之NDVI 值，以給 定之門檻值篩選光達點，以點雲之NDVI 值高門檻 值者為屬於森林樹冠之點雲，如圖5 為某獨立樹的 樹冠點雲剖面圖。合併樹冠點雲與 DEM，取 0.5 公尺的規則網格，若同一個網格內含有多個光達點，

則保留最高位置的點代表此網格點高度，此網格高 空載光達資料

產生DEM

空載影像

過濾得樹冠點雲

建立CHM

CHM - DEM

森林體積估算

(a) (b)

程模型稱為樹冠高度模型（Canopy Height Model, CHM），其處理流程如圖 6。

圖5 獨立樹的樹冠點雲剖面圖

圖6 建立森林 CHM 的處理流程

3.3 估算森林樹冠體積

所建立的CHM 減去 DEM 即為森林樹冠表面 與地表間之空間，累計此空間之體積即是樹冠體積

（圖 7），亦即樹冠表面到地表的體積。針對獨立 樹，由樹冠高度模型亦可估算得獨立樹之樹高、樹 冠幅及樹冠投影面積，以研究樹冠體積與其他參數 的連結性。

4. 實驗與成果分析

本研究以成大校園及南化水庫為實驗區域，分 別代表都市區及森林區之實驗成果，實驗資料包含 多光譜空載影像、空載光達點雲及地面光達點雲。

以上述方法結合空載光達點雲資料及空載影像建 置DEM、CHM 並推估森林樹冠體積，並於成大校 園內選擇7 棵獨立樹，推估其樹高、樹冠幅、樹冠 投影面積及樹冠體積。先以內政部提供之航測 DEM 檢驗所建置的 DEM 精度，以成大校園 7 棵 獨立樹之地面光達資料驗證評估成果。

4.1 成大校園實驗區資料

成大校園實驗區為成大校本部，面積約72 公 頃，地勢平緩。所使用之實驗資料共三項如下：

z 空載多光譜影像

空載影像以 VEXCEL UltraCamD 數位相機

（UltraCamD, 2005）取得，直接採用未經波段值 調整的UltraCamD Leve2 影像，屬性資料如表 1。

表 1 成大校園空載多光譜影像屬性資料

項目 空載影像

相機型號 VEXCEL UltraCamD 拍攝日期 2007年6月6日 相機焦距 101.4mm

像元數 2400*3680 （pixels）

像元尺寸 28.125μm *28.125μm 航高 1225m

影像地面解 析單元

約34cm (28.125μm×

1225m/101.4mm=340mm) 波段 B/G/R/NIR

多光譜影像

空中三角測量

光達點雲

計算NDVI 影像 反投影至影像

NDVI≧門檻值

合併DEM 與樹冠點雲 是 否

非樹冠點雲

CHM DEM

圖7 樹冠體積示意圖 z 空載光達資料

空載光達資料共有兩份，分別由工業技術研究 院（工研院）及中興測量有限公司所提供，兩份點 雲資料的光達系統、掃瞄時間及掃瞄密度皆不同，

詳細的空載點雲屬性資料如表2。圖 8 及 9 分別顯 示工研院及中興測量點雲分佈情形。

表2 空載點屬性資料 工業技術研究院

提供

中興測量有限公司 提供 儀器型號 Leica ALS 50 Optech ALTM 3070 點雲密度 約0.7點 / m² 約6點 / m² 掃瞄視角

（FOV） 43°（最大） 40°(最大) 航高 1500 m 500 m 日期 2005年6月30日 2006年5月24日

回波值 ≦4 ≦4

總點雲數 1225718 18585994

座標系統 TWD97 TWD97

圖8 工研院所提供之 Leica ALS 50 點雲

圖9 中興測量所提供之 Optech ALTM 3070 點雲 z 地面光達資料

採用Optech ILRIS-3D 掃瞄儀獲取地面光達資 料，此資料的主要用途是評估空載光達點雲推估的 林木觀測資料準確度，共掃瞄位於成大校園的七棵 樹，包含四棵榕樹，一棵椰子樹，一棵豔紫荊，一 棵雨豆樹，以圖10 展示其影像，每顆樹的掃瞄站 數有三到五站，以能把每棵樹從樹冠至樹幹底部能 完整掃瞄為目標，每站掃瞄密度因距離而不同，相 關資料見表3。

圖10 具地面光達資料之七棵獨立樹影像：(a-d)為榕樹，代碼分別為 B1、B2、B3 及 B4；(e)為雨豆樹，

代碼為R；(f)為豔紫荊，代碼為 Or；(g)為椰子樹，代碼為 Co 表3 七棵獨立樹之地面光達資料屬性

代 碼

樹 種

掃瞄 站數

點雲平

均密度 掃瞄日期 B1 榕樹 4 2cm 2008年2月25日 B2 榕樹 4 1cm 2007年12月24日 B3 榕樹 4 1cm 2008年1月15日 B4 榕樹 3 1cm 2008年1月21日 R 雨豆樹 5 1cm 2008年1月8日 Or 豔紫荊 3 1cm 2008年1月21日 Co 椰子樹 3 1cm 2008年1月15日

4.2 南化水庫實驗區資料

南化水庫實驗區位於台南縣南化鄉曾文溪支 流後堀溪上，涵蓋區域為五千分之一基本圖號為 95193054 之圖幅區域，地形包含山地、平地及河 道，山坡地上大多為森林，少有裸露地；平地上有 建築物，農耕地及道路；河道包括河床以及部分沙 洲。空載多光譜影像同樣為 VEXCEL UltraCamD 數位相機所拍攝，影像屬性資料如表4。空載光達 資料由內政部計畫案提供，詳細資料如表5，由空 載光達資料展示圖（圖 11）可得知此區域左邊為 地形起伏較大的山區，中間部分為河道，右邊為山 坡地形。

表4 南化水庫實驗區空載影像資料屬性

項目 影像屬性

相機型號 VEXCEL UltraCamD 拍攝日期 2006 年 12 月

相機焦距 101.4mm

像幅數 2400*3680 （pixels）

像元尺寸 28.125^μm *28.125^μm 航高 3120m

影像地面 解析單元

約87cm (28.125^μm× 3120^m/101.4^mm=865^mm) 波段 B/G/R/NIR

表5 南化水庫實驗區空載光達資料屬性 項目 空載光達

儀器型號 Lieca ALS50 點雲密度 約0.412 點/m²

日期 2005 年 6 月 回波值 ≦4

總點雲數 14002771 座標系統 TWD97

(e) (f)

(d)

(c)

(g) (a) (b)

圖11 南化水庫空載點雲高程展示圖

4.3 DEM 成果及精度評估

使用成大校園實驗區之Leica ALS50 空載光達 資料，以 3.1 節所述方法產生本區 DEM。將此成 果與內政部五米解析度DEM 比對，進行精度上的 評估，圖 12 為此成果減內政部 DEM 之差值色彩 圖。比較成果顯示大部分區域高程差在正負1 公尺 以內，高程差較大的地方大部分出現在建物，其原 因應該是建物邊緣點雲沒有過濾完全。而位於實驗 區左下角區域因無原始點雲，而產生較大的差異 值。

圖12 成大實驗區 DEM 減內政部 DEM 之差值色 彩圖

以同樣方法生產南化水庫實驗區 DEM，所得

成果同樣與內政部五米解析度 DEM 比較，圖 13 為此成果減內政部DEM 之差值色彩圖。其結果顯 示大部分區域高程差在正負2 公尺以內，最大高程 差值為25.39 公尺，最小高程差值為-30.6 公尺，平 均高程差為-0.35 公尺，RMSE 為 3.97 公尺，STD 為 3.95 公尺。高程差較大的區域多在山坡地的兩 側，其可能原因是山坡地的兩側區域之樹林茂密，

使得部分空載光達的雷射光無法到達最低處，而在 樹頂、樹冠或是枝幹中就產生了最後的回波值，無 法獲得最低處的地面回波值。另一個可能原因為空 載點雲密度不足，平均約每五平方公尺網格裡只有 兩個點，無法足夠代表地面起伏。

圖13 南化水庫實驗區 DEM 減內政部 DEM 之差 值色彩圖

4.4 樹冠點雲及 CHM 成果

應用 3.2 節所述方法，整合 DEM、空載光達 及多光譜影像獲得樹冠點雲並建立CHM。成大實 驗區分別以Leica ALS50 及 Optech ALTM3070 資 料產生樹冠點雲，以探討點雲密度之影響。Leica ALS50 點雲過濾後所得之樹冠點雲共 303555 點，

圖 14 展 示 樹 冠 點 雲 之 平 面 分 佈 圖 ， Optech ALTM3070 點雲過濾後所得之樹冠點雲共 2883098 點，圖 15 展示樹冠點雲之平面分佈圖。以圖 10 之榕樹一（B1）為例，展示不同儀器所觀測得之

單位：m

3.97 RMSE

3.95 STD

-0.35 Mean

-30.6 Min

25.39 max

3.97 RMSE

3.95 STD

-0.35 Mean

-30.6 Min

25.39 max

0.91 RMSE

0.86 STD

0.30 mean

-4.83 min

8.19 max

0.91 RMSE

0.86 STD

0.30 mean

-4.83 min

8.19 max

單位：m

樹冠點雲資料，圖16a,b 為以地面光達資料觀測得 之樹冠點雲平面分佈圖及縱向剖面圖；圖16c,d 為 以Optech ALTM3070 資料生產之樹冠點雲平面分 佈圖及縱向剖面圖；圖16e,f 為以 Leica ALS50 資 料生產之樹冠點雲平面分佈圖及縱向剖面圖。樹冠 點雲分佈的密度之完整度直接影響林木資訊的萃 取，以地面光達所測得的樹冠點雲最為完整，可以 準確推估樹的幾何外型資訊，包括樹冠的外型及樹 幹的大小，以Optech ALTM3070 所得的樹冠點雲 仍可以推估樹冠的外型，但樹幹資訊則無法求得，

而以Leica ALS50 所得的樹冠點雲，對於樹冠的描 述已趨粗略，因其點雲的密度約每五平方公僅有 3.5 個點。

圖14 成大實驗區 Leica ALS50 點雲過濾後所得之.

樹冠點雲之平面分佈圖

圖15 成大實驗區 Optech ALTM3070 點雲過濾後 所得之樹冠點雲之平面分佈圖

圖 16 成大實驗區榕樹一獨立樹之樹冠點雲平面 分佈圖及縱向剖面圖：(a)及(b) 為以地面光 達 資 料 觀 測 得 ；(c) 及 (d) 為 以 Optech ALTM3070 資料觀測得；(e)及(f) 為以 Leica ALS50 資料觀測得。

同樣應用 3.2 節所述方法，以南化水庫 Leica ALS50 點雲產生樹冠點雲並建立 CHM。點雲過濾 後所得之樹冠點雲共2422635 點，圖 17 展示樹冠 點雲之平面分佈圖，樹冠點雲大都分佈於實驗區兩 側的山坡地，河床地多為水域及裸露地而無樹冠點 雲。

圖17 南化水庫實驗區樹冠點雲分佈圖

4.5 CHM 精度分析

針對成大校園七棵獨立樹（圖10），以不同光 達資料建立之CHM 分別推估獨立樹之樹高、樹冠

(a) (b)

(c) (d)

(e) (f)

幅及樹冠體積，以地面光達資料所推估之結果為地 真資料進行比對，間接估計CHM 的精度。

獨立樹之樹高是取樹覆蓋範圍之CHM 最高點，

表 6 列出地真資料，以及分別表示以 Optech ALTM3070 及 Leica ALS50 資料所推估之樹高及其 差值。表6 顯示數體較大的喬木，其觀測成果之誤 差都小於1 公尺，豔紫荊(Or)因數體太小且樹葉稀 疏，誤差較大，甚至因 ALS50 光達點雲太稀疏，

而於CHM 中未顯示有樹冠。以 Leica ALS50 資料 所推估椰子樹(Co)高之誤差也達 1.3m，應該也是因 點雲密度不足而造成。

獨立樹之樹冠幅是取樹覆蓋範圍最寬及最窄 處求其平均，表7 列出地真資料，以及分別表示以 Optech ALTM3070 及 Leica ALS50 資料所推估之樹 冠幅及其差值。數據顯示榕樹與雨豆樹的樹冠幅約 20～35m 左右，豔紫荊(Or)與椰子樹(Co)之樹冠幅 則小於10m，與地真資料的偏差量都小於 3m。同 樣因Leica ALS50 資料的點雲密度不足，對樹體較

小的獨立樹之推估結果誤差較大。

獨立樹之樹冠體積是累計其CHM 所有樹冠網 格面到地表網格面的體積，表8 列出地真資料，以 及分別表示以Optech ALTM3070 及 Leica ALS50 資料所推估之樹冠體積及其差值。數據顯示最大的 誤差百分比為椰子樹約低估19%，主要因素應該是 點雲密度不足，對於樹形窄的椰子樹，所推估的樹 高、樹冠幅及樹冠體積都有低估的現象，Leica ALS50 資 料 的 低 估 現 象 更 顯 著 於 Optech ALTM3070。

以Leica ALS50 資料所推估的榕樹二（B2）樹 高、樹冠幅及樹冠體積都有低估的現象，尤其樹冠 體積誤差高達13%。數據顯示樹冠幅與樹冠體積呈 現正相關，樹冠體積對樹冠幅關係如圖18，其中 表示地真資料， 以Optech ALTM3070 資料推估，

以Leica ALS50 資料推估，地真資料 R²達0.86，

Optech ALTM3070 資料 R²達0.83，Leica ALS50 資料R²達0.77。

表6 推估之樹高資料（單位：m）及精度分析

表7 推估之樹冠幅資料（單位：m）及精度分析 獨立樹

代碼

c 地真資料

d

ALTM3070 e

ALS50 ⏐c-d⏐ ⏐c-e⏐ ⏐c-d⏐/c ⏐c-e⏐/c B1 19.2 18.6 18.9 0.6 0.3 3

%

2

%

B2 11.7 11.1 11.1 0.6 0.6 5

%

5

%

B3 17.6 17.5 17.8 0.1 0.2 1

%

1

%

B4 18.4 18.7 18.3 0.3 0.1 2

%

1

%

R 19.1 19.5 18.9 0.4 0.2 2

%

1

%

Or 5.4 4.4 NA 1.0 NA 19

%

^NA Co 16.4 16.2 15.1 0.2 1.3 1

%

8

%

獨立樹 代碼

c

地真資料 d ALTM3070

e

ALS50 ⏐c-d⏐ ⏐c-e⏐ ⏐c-d⏐/c ⏐c-e⏐/c

B1 30.5 31.1 29.3 0.6 1.2 2% 4%

B2 27.4 29.5 26.3 2.1 1.1 8% 4%

B3 23.4 22.2 22.7 1.2 0.5 5% 2%

B4 21.7 23.8 23.5 2.1 1.8 10% 8%

R 34.3 36.9 34.3 2.6 0.0 8% 0%

Or 5.6 4.9 NA 0.7 NA 13% NA

Co 8.7 8.2 6.9 0.5 1.8 6% 21%

表8 推估之樹冠體積資料（單位：m³）及精度分析

圖18 樹冠體積對樹冠幅關係趨勢圖

(a) (b)

圖19 成大校園實驗區(a)以 Leica ALS50 資料推求得的森林分佈及樹高；(b) 以 Optech ALTM3070 資料 推求得的森林分佈及樹高

獨立樹 代碼

c 地真資料

d ALTM3070

e

ALS50 ⏐c-d⏐ ⏐c-e⏐ ⏐c-d⏐/c ⏐c-e⏐/c B1 8793 8889 8535 96 258 1% 3%

B2 4538 4577 3703 39 835 1% 18%

B3 5175 5833 5546 658 371 13% 7%

B4 5347 5444 5526 97 179 2% 3%

R 12445 13740 13148 1395 730 11% 6%

Or 80 73 NA 7 NA 9% NA Co 704 592 568 112 136 16% 19%

4.6 森林分佈及樹冠體積推估 結果

對上述兩個實驗區推估整體的森林分佈及樹 冠體積，成大校園實驗區分別應用Leica ALS50 及 Optech ALTM3070 光達資料推估校區之森林分佈 及樹冠體積。圖 19a 為成大校園實驗區以 Leica ALS50 資料推求得的森林分佈及樹高；圖 19b 則 為以Optech ALTM3070 資料推求得的森林分佈及 樹高。以Leica ALS50 資料推估得成大校園實驗區 整體的森林樹冠體積為 3342657 m³，以 Optech ALTM3070 資料推估得 3714027 m³。以成大校園約 71 公頃計算，成大校園森林樹冠體積的密度約為 46426 m³/ha（以 Leica ALS50 資料估算）51584m³/ha

（以Optech ALTM3070 資料估算）。

南化水庫實驗區以Leica ALS50 資料推估全區 之森林分佈及樹冠體積，圖20 為南化水庫實驗區 的森林分佈及樹高，推估得南化水庫實驗區整體的 森林樹冠體積為 49964663 m³，樹冠體積密度約 745741 m³/ha，南化水庫實驗區的森林樹冠體積密 度約是成大實驗區的14～16 倍左右。

圖20 南化水庫推求得的森林分佈及樹高

5. 結論與建議

本實驗以空載影像結合離散的空載光達點雲 資料，萃取出植物的CHM 及估算森林樹冠體積，

並分析CHM 與樹高、樹冠幅、樹投影面積的關係，

提供一個可快速收集大量森林觀測資料的方法。實 驗成果由地面資料驗證空載光達資料的推估結果，

若忽略誤差最大的椰子樹，整體上對樹高的誤差百 分比約5%，樹冠幅約8%，樹冠投影面積約16%， 樹體積 13%，成果展示出空載點雲的資料中能有 效獲得對森林的資訊，對森林觀測資料的誤差都在 20%以下。推估兩個實驗區整體範圍的森林分佈及 體積，成大實驗區的森林體積由Optech ALTM3070 資 料 及 Optech ALTM3070 資 料 估 算 ， 其 較 差 262598.6 m³，佔整體體積約7%，顯示出不同密度 的空載光達點雲資料會影響對森林觀測資料的獲 取。森林觀測資料中，精度最高的為樹高，展現出 空載光達在高程上精度的優勢的確有利於獲取林 木的高度，不過實驗結果亦顯示出估計出的樹高普 遍都有低估的情形，因光達點雲通常得到的是較低 於樹梢像是樹枝或是葉部的點雲。在森林覆蓋體積 萃取上發現空載光達資料及地面資料中森林覆蓋 體積與樹高的相關性 R²都在 0.4 左右，而森林覆 蓋體積與樹冠幅相關性都在 R²約 0.8 左右，顯示 出森林覆蓋體積與樹冠幅有高度的相關。

數值高程模型的精度會影響森林覆蓋體積的 估算，尤其是在地勢變化大的山區，若能增加數值 高程模型的精度，建立較準確的CHM 可提高從空 載光達點雲中萃取的森林觀測資料精度。本文實驗 忽略了對落葉林季節不同，森林體積變化的影響，

若能採集到不同季節的資料，分開時節討論森林觀 測資料，應更能合乎實際上林木的生長情形，配合 長時間的觀測，可推估顯著性的環境影響因子，像 是對二氧化碳的吸存估計、對生物多樣性影響及棲 息地之監測都是未來能在深入研究的課題。

致謝

本研究承蒙行政院國家科學委員會研究計畫

（ NSC93-2211-E-006-066,NSC94-2211-E-006-020 及NSC95-2211-E-006-463）支持得以順利完成，謹 申謝忱。感謝工研院能資所及中興測量公司提供實 驗區空載光達資料。

參考文獻

林務局，1995，第三次台灣森林資源及土地利用調 查，台灣省農林廳林務局。

楊榮啟，森林測計學，國立編譯館，台南，第23-52 頁，2003。

Andersen, H. E., McGaughey R. J., Reutebuch S. E., 2005.Estimating forest canopy fuel parameters using LIDAR data. Remote Sensing of Environment, Vol.94, pp.441–449.

Axelsson, P., 2000. DEM Generation from Laser Scanner Data Using Adaptive TIN Models, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XXXIII (Pt. B4/1), pp.110-117.

Baltsavias, E.P., 1999. A comparison between photogrammetry and laser scanning, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 54, pp.83-94.

Buhe, A., Tsuchiya, K., Kaneko, M., Ohtaishi, N., Halik, M., 2007. Land cover of oases and forest in XinJiang, China retrieved from ASTER data Advances in Space Research, Vol. 39(1), pp.39-45.

Goldreich, Y., 2006. Ground and top of canopy layer urban heat island partitioning on an airborne image. Remote Sensing of Environment, Vol.104(2), pp.247-255.

Gong, P, Pu, R. and Yub, B., 1997. Conifer species recognition: An exploratory analysis of in situ hyperspectral data. Remote Sensing of Environment, Vol.(62), pp.189-200.

Goward, S. N., Xue, Y., Czajkowski, K. P., 2002.

Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: An exploration with the simplified simple biosphere model. Remote Sensing of Environment, Vol. 79(2-3), pp.225-242.

Hyyppä, J., Kelle, O., Lehikoinen, M., & Inkinen, M.

A., 2001. Segmentation-based method to retrieve stem volume estimates from 3-D tree height models produced by laser scanners. IEEE Transactions on Geoscience and Remote Sensing, Vol.39(5), pp.969-975.

Lefsky, M. A., Cohen, W. B., Acker, S.A., Parker, G.

G., Spies, T. A. , Harding, D., 1999. Lidar remote sensing of the canopy structure and biophysical properties of Douglas-fir western hemlock forests, Remote Sensing of Environment, Vol.

70(3), pp. 339-361.

Leica GeoSystems, Leica GeoSystems Introduction, 2005.

Lonard, R.I., Judd, F.W., Everitt, J.H., Escobar, D.E., Davisb, M.R., Crawford, M.M. and Desai, M.D., 2000. Evaluation of color-infrared photography

for distinguishing annual changes in riparian forest vegetation of the lower Rio Grande in Texas, Forest Ecology and Management, Vol.

128(1-2), pp. 75-81.

Maltamo, M., Eerikäinen, K., Pitkänen, J., Hyyppä, J., Vehmas, M., 2004. Estimation of timber volume and stem density based on scanning laser altimetry and expected tree size distribution functions. Remote Sensing of Environment, Vol.90(3), pp.319-330.

Maselli, F., and Chiesi, M., 2006. Evaluation of statistical methods to estimate forest volume in a Mediterranean region. Ieee Transactions on Geoscience and Remote Sensing, Vol. 44(8), pp.2239-2250.

Næsset, E., 1997. Estimating timber volume of forest stands using airborne laser scanner data. Remote Sensing of Environment, Vol.61(2), pp.246-253.

Patenaude, G., Hill, R. A., Milne, R., Gaveau, D. L.

A., Briggs, B. B. J., Dawson, T. P., 2004.

Quantifying forest above ground carbon content using LiDAR remote sensing. Remote Sensing of Environment, Vol.93(3), pp.368-380.

Popescu, S. C.,Wynne, R. H.,& Nelson, R. H., 2003.

Measuring individual tree crown diameter with LIDAR and assessing its influence on estimating forest volume and biomass. Canadian Journal of Remote Sensing, Vol.29(5), pp.564−577.

Riaño, D., Valladares, F., Condés, S., Chuvieco, E., 2004.Estimation of leaf area index and covered ground from airborne laser scanner (Lidar) in two contrasting forests. Agricultural and Forest Meteorology, Vol.124(3-4), pp.269-275.

Schiewe, J., 2003. Integration of data from multi-sensor systems for landscape modeling tasks, Joint ISPRS Workshop “Challenges in Geospatial Analysis, Integration and Visualization II”, Stuttgart, Germany, pp.8-9.

Soudani, K., Francois, C., le Maire, G., Le Dantec, V., Dufrene, E., 2006. Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands. Remote Sensing of Environment, Vol.102(1-2), pp.161-175.

Terrasolid, 2004. TerraScan User Guide, Terrasolid.

UltraCamD, 2005. Serial Number UCD-SU-1-0009, Calibration Report.

1 Master, Department of Geomatics, National Cheng Kung University Received Date: Mar. 21, 2009 2 Professor, Department of Geomatics, National Cheng Kung University Revised Date: May. 20, 2009

*..Corresponding author, Phone: 886-6-2757575ext.63835, Accepted Date: Jun. 25, 2009

E-mail: tseng@mail.ncku.edu.tw

Estimation of Forest Region and Canopy Volume Using Airborne LiDAR Data and Remote Sensing Imagery

Chun-Yi Hsiao

¹

Yi-Hsing Tesng

^2*

ABSTRACT

Efficiently obtaining information of forest regions and tree canopy volume is important for forestry management. Airborne Light Detection and Ranging (LiDAR) data is able to provide high resolution three dimensional coordinates of surface features, but does not contain spectrum information. In contrast, remote sensing imagery offers copious spectrum information that can be used to locate forest regions. Therefore, integrating the complementary LiDAR data and remote sensing imagery is an effective strategy for the estimation of forest area and canopy volume.

Two data sets are required to estimate forest canopy volume: digital elevation models (DEMs) and canopy height models (CHMs). In this study, ground point clouds are first extracted from airborne LiDAR data to generate a DEM. Subsequently, the DEM is utilized as the basic datum for calculating the forest canopy volume.

LiDAR data and remote sensing imagery are then combined to generate the canopy LiDAR data. The sub-grid volume accumulated between the canopy grid surface and the DEM provides the forest canopy volume.

The study sites include the campus of National Cheng Kung University (NCKU) and Nan-Wha Reservoir forest area. The tree height, crown diameter, crown projected area, and canopy volume are determined for both study areas. Furthermore, the forest area and canopy volume are estimated over the study areas using the proposed techniques. The results show forest information can be acquired effectively using airborne LiDAR data and remote sensing imagery.:

Keywords:

LiDAR, Remote Sensing Imagery, Canopy Height Model, Forest Area, Canopy Volume