基于机载激光雷达点云和随机森林算法的森林蓄积量估测

【目的】基于机载激光雷达点云数据提取的森林高度参数和郁闭度,结合分层地面样地调查数据,采用随机森林算法构建森林蓄积量估测模型,分析机载激光雷达点云数据在森林蓄积量反演方面的潜力,为森林蓄积量高效准确估测提供方法依据。【方法】以直径30 m的地面样圆离散点云数据为数据源,经数据校准等预处理后,利用Li DAR360软件提取森林高度参数(最大高、平均高等)和郁闭度,并将数据随机分成训练数据(70%)和验证数据(30%)。采用随机森林算法构建森林蓄积量估测模型,对仅用高度参数建模以及联合高度参数和郁闭度建模结果进行比较;同时运用R软件VSURF工具包筛选建模变量,对筛选后变量的建模结果进行分析。【结果】仅用高度参数建模的估测精度为R~2=0.75、RMSE=40.07 m~3·hm~(-2)、MAE=29.21 m~3·hm~(-2)、MRE=49.40%,联合高度参数和郁闭度建模的估测精度为R~2=0.79、RMSE=36.23 m~3·hm~(-2)、MAE=26.16 m~3·hm~(-2)、MRE=38.35%。通过变量筛选,建模参数从24个减少至7个,可极大提高运算效率,同时R~2未变化,RMSE从36.23 m~3·hm~(-2)升至36.50 m~3·hm~(-2),rRMSE从31.92%升至32.97%,MAE从26.16 m~3·hm~(-2)降至26.08 m~3·hm~(-2),MRE从38.35%降至38.05%。【结论】机载激光雷达点云数据可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度),具备三维结构参数提取能力。采用随机森林算法,增加林分郁闭度信息可显著提高森林蓄积量估测精度。通过变量筛选,虽然能够降低参数数量,但对模型精度具有一定影响,在建模精度要求较高的情况下,建议使用全变量进行蓄积量估测;而在数据量较大的情况下,建议使用筛选变量进行蓄积量估测。基于机载激光雷达点云数据估测森林蓄积量显著优于光学遥感数据,可为森林蓄积量高效准确估测提供方法依据,能够满足大范围森林蓄积量快速反演需求。     

点云密度对机载激光雷达大区域亚热带森林参数估测精度的影响

【目的】点云密度是影响机载激光雷达数据获取和预处理成本的关键因素,探明点云密度对森林参数估测精度的影响,为机载激光雷达大区域森林调查监测应用技术方案的优化提供参考依据。【方法】基于我国广西一个亚热带山地丘陵区域获取的机载激光雷达和样地数据,通过系统稀疏方法,将全密度点云(4.35点·m^-2)分别稀疏至4.0、3.5、3.0、2.5、2.0、1.5、1.0、0.5、0.2和0.1点m^-2,得到11个样地尺度的点云数据集,包括1个全密度和10个稀疏密度点云数据集;应用配对样本t检验方法,分析4种森林类型(杉木林、松树林、桉树林和阔叶林)中稀疏密度点云和全密度点云之间12个激光雷达变量的差异;通过变量和结构固定的多元乘幂模型式,分别采用不同密度点云数据集对林分蓄积量(VOL)和断面积(BA)进行估测,比较模型优度统计指标决定系数(R²)、相对均方根误差(rRMSE)和平均预估误差(MPE)的差异,并应用t检验方法分析稀疏密度点云VOL和BA估测值均值和全密度点云相应估测值均值的差异。【结果】1)点云密度较低时,稀疏密度点云分位...     

结合自适应阈值与峰值的LiDAR林分平均高反演方法研究

随着激光雷达获取的点云密度不断增加,提取样地尺度的林分平均高成为可能。但样地尺度林分平均高的提取精度与树种之间的关系尚不明确,急需一种能适应各种树种的林分平均高提取方法。以广西国有高峰林场为例,采用机载LiDAR点云数据生成的冠层高度模型(Canopy height model,CHM),结合地面实测的201个样地数据,提出了一种结合自适应阈值与峰值的林分平均高提取算法,并分析了树种对提取精度的影响。结果表明:1)不同树种的林分平均高提取精度存在差异,杉木精度最高,而桉树和其他阔叶树种精度次之;2)自适应阈值结合峰值的算法能够较好提取林分平均高(R²=0.75,RMSE=3.11m,rRMSE=22.07%),并且对于不同的树种都有较强的稳健性;3)阔叶树种和针叶树种对不同的提取方法存在敏感性差异。研究提取的林分平均高可为森林蓄积量与生物量反演研究提供依据和参考。     

机载激光雷达数据估测森林资源蓄积量研究

针对传统森林资源二类调查方法周期长且费时费力，难以满足新形势下森林资源动态监测需求的问题，以南京市六合区内3个林场为研究区，利用平均点密度1点/m²的激光雷达数据提取特征变量，结合二类调查数据，使用SMLR与Boruta两种算法进行因子筛选，对比SMLR,SVM与RF这3种建模方法，估测森林蓄积量。结果表明：1)高度因子是影响森林蓄积量的主要特征参数；2)SVM和RF这算法在模型拟合与验证精度方面均表现较优，SVM算法在混交林方面表现略逊色于RF这算法，SMLR方法表现不佳。结果表明，利用激光雷达提取因子与森林蓄积量进行建模有较好的结果，稀疏性机载激光雷达对森林资源调查有较好的适用性，为今后森林资源调查提供了新的思路。     

基于机载激光雷达和机器学习的林分平均胸径遥感估测

为探究不同模型对林分平均胸径的预测精度,使用贵州省桂花国有林场马厂工区同步获取的机载激光雷达点云数据和地面实测样地数据,通过提取样地水平的点云特征变量,采用方差膨胀因子分析和皮尔逊相关性检验进行自变量选择,建立机器学习模型估测样地平均胸径。结果表明：1)点云特征变量,如平均冠层高度和高度偏态与林分平均胸径有很强的相关性。2)机器学习模型(随机森林、支持向量机、最近邻算法)优于多元线性回归模型,其中,随机森林的拟合效果最好。随机森林的决定系数(R²)为0.71,均方根误差(RMSE)为2.50。3)通过柳杉纯林、针叶混交林、针阔混交林、马尾松纯林4种森林类型的林分平均胸径预测值与实际值差值,进一步证实随机森林模型精度最高,拟合效果最好。利用机载激光雷达点云数据提取点云特征变量,并构建基于机器学习算法的林分平均胸径估测模型是可行的,该方法的精度能满足森林资源调查的应用需求,可作为辅助林业调查工作的技术手段。     

基于无人机LiDAR特征变量的南方集体林区蓄积量估测

基于广西壮族自治区森林资源年度监测评价成果数据,采用逐步回归选择机载激光雷达特征变量,建立多元线性回归、Logistic回归和随机森林模型,预测南方集体林区桉树、杉木和天然阔叶林样地的蓄积量。结果表明:1)桉树和杉木样地的逐步回归特征变量多为高度和强度变量,而天然阔叶林样地则是间隙率、覆盖度、叶面积指数等综合变量;2)桉树和天然阔叶林样地,随机森林模型的蓄积量估测精度(桉树R~2=0.97,RMSE=12.60m~3/hm~2;天然阔叶林:R~2=0.90,RMSE=18.45m~3/hm~2)高于多元线性回归和Logistic回归模型,而杉木样地在多元线性回归模型中得到了最优的蓄积量估测结果(R~2=0.91,RMSE=24.30m~3/hm~2);3)在3种模型估测精度中,人工桉树和杉木样地均优于天然阔叶林样地。可见,高密度的激光雷达点云可以获取更优的特征变量,针对复杂的样地条件需要灵活选择估测模型实现蓄积量调查,以便为林草部门进行森林资源调查、监测和经营管理提供科学依据。     

基于机载激光雷达点云数据的马尾松单木材积估测

为提高森林单木材积估测精度和效率,选取贵州省织金县城郊典型马尾松林为研究对象,基于机载激光雷达点云和样地调查数据,以提取的树高、冠幅、树冠投影面积和树冠体积等单木结构参数为变量,构建基于机载激光雷达点云数据的马尾松单木材积估测模型。结果表明：1)基于点云数据提取的马尾松单木树高和冠幅因子与实际调查数据之间存在良好的相关性,决定系数R²在0.7以上,精度相对较高,可用于构建马尾松单木材积模型。2)在经典非线性CAR模型基础上,利用枚举法对树高、冠幅、树冠投影面积、树冠体积等4个变量组合构建的11个模型中,包含树高、冠幅及树冠体积三个林分因子的模型表现最佳,R²为0.774 1。3)树高、冠幅及树冠体积被确定为马尾松单木材积估测的关键因子,其中,树高的贡献最大且与单木材积呈极显著正相关关系(P<0.001)。利用机载激光雷达点云数据提取单木结构参数,并基于非线性CAR模型构建单木材积模型估测马尾松单木材积的方法是可行的,该方法不仅能满足森林资源调查的精度要求,且能有效提高调查效率。     

一种机载LIDAR数据估算森林蓄积参数的方法

针对林业调查中的单株树木提取问题,提出一种基于机载激光雷达点云数据,采用局部最大值和噪点消除获取树冠顶点,利用分水岭分割方法提取单株树,根据样地树高和森林蓄积模型估算胸径和森林蓄积量的方法,与传统的人工现场勘测方法相比,具有更高的时间效率,减少了大量的人力成本。     

基于激光雷达数据的东北林区航空林分材积表编制

利用东北林区云冷杉林、落叶松林、樟子松林、红松林、栎树林、桦树林、杨树林、榆树林、椴树林和水胡黄林10种森林类型的1947个样地的激光雷达数据和地面实测蓄积量数据,首先通过多元线性回归和非线性回归方法,分别建立基于机载激光雷达数据的森林蓄积量回归估计模型,并通过对比分析,确定统一形式的基础回归模型;然后利用哑变量建模方法,建立基于不同森林类型参数和相同激光雷达变量的蓄积量模型。结果表明,研究建立的10种森林类型的线性蓄积量回归模型的解释变量个数在2~7之间,确定系数在0.460~0.858之间;非线性蓄积量回归模型的解释变量个数在2~4之间,确定系数在0.461~0.846之间。基于点云平均高度和平均强度建立的10种森林类型的二元蓄积量模型(研究称之为标准模型),其确定系数在0.440~0.815之间,平均预估误差在2.88%~4.42%之间,平均百分标准误差在16.76%~25.52%之间,预估精度基本达到森林资源规划设计调查技术规定要求。依据研究建立的10种森林类型的蓄积量模型,可以编制基于激光雷达数据的航空林分材积表,在森林资源调查实践中推广应用。     

基于机载激光雷达数据的森林蓄积量模型研建

【目的】建立变量相同、结构稳定、具有普适性的基于机载激光雷达数据的森林蓄积量预估模型,为规范森林蓄积量建模与评价提供科学参考,为森林资源调查提供计量依据。【方法】利用东北林区落叶松林、红松林、杨树林和桦树林4种森林类型790块样地的激光雷达数据和地面实测蓄积量数据,首先采用多元线性回归和非线性回归方法,分别建立基于机载激光雷达数据的森林蓄积量回归模型,通过对比分析,确定具有相同变量和统一结构形成的普适性模型;然后采用哑变量建模方法,建立基于相同激光雷达变量的不同森林类型蓄积量模型。【结果】4种森林类型线性蓄积量回归模型的解释变量个数在2～6之间,确定系数(R~2)在0.701～0.827之间;非线性蓄积量回归模型的解释变量个数在2～4之间,R2在0.707～0.818之间。基于点云平均高度和平均强度的落叶松林、红松林、杨树林、桦树林非线性二元蓄积量模型,其R~2分别为0.679、0.814、0.698和0.703,平均预估误差分别为4.26%、2.90%、3.68%和3.83%,平均百分标准误差分别为24.44%、18.23%、21.47%和23.26%。【结论】基于机载激光雷达数据估计森林蓄积量,非线性模型优于线性模型;基于点云平均高度和平均强度的二元蓄积量模型具有普适性,可作为森林蓄积量估计的标准模型;本研究建立的4种森林类型蓄积量模型,其预估精度均达到森林资源调查相关技术规定要求,可在实践中推广应用。     

基于无人机机载激光雷达的桉树蓄积量估测技术研究

桉树Eucalyptus spp.人工林蓄积调查是林业生产经营的重要工作,无人机机载激光雷达能够自动获取大面积桉树人工林的激光点云数据,为计算桉树蓄积量提供新的方法。研究通过试验样地实际数据,建立了桉树树高(X)与胸径(Y)的回归模型:Y=3.611 6e~(0.067) ~(4X),并结合激光雷达软件获取的株数、树高估算样地总蓄积量。比较激光雷达测量与实地测量结果发现,激光雷达测量的株数比实测株数少27.09%,平均树高高8.67%,平均胸径大8.25%,总蓄积量小22.68%。因此,对于大尺度获取桉树成熟林的总蓄积量V,可以使用V=V_0/(1-22.68%)对激光雷达测量的总蓄积量V_0进行修正。     

基于ALS数据和哑变量技术森林蓄积量估测

基于机载LiDAR数据,分析哑变量对林分蓄积量估测精度的影响。以广西高峰林场为研究对象,借助机载激光雷达点云数据和96个样地数据,将样地数据按7∶3的比例随机划分为建模样本和测试样本,采用随机森林模型(RFR)和支持向量机模型(SVR)对建模样本与对应的点云特征回归建模,将树种组(针叶林和阔叶林)和龄组分别作为哑变量引入到回归模型。利用测试样本的估测精度评价模型的估测精度,引入树种组哑变量,随机森林模型决定系数R2从0.59提高到0.64,支持向量机模型决定系数R2从0.49提高到0.50。引入龄组哑变量,随机森林模型决定系数R2从0.59提高到0.65,支持向量机模型决定系数R2从0.45提高到0.55。根据模型的建模精度和验证精度结果得出,引入哑变量对蓄积量估测模型的精度提升是相对有效的。龄组哑变量对模型精度提升效果优于树种组哑变量。     

基于机载LiDAR多回波类型森林叶面积指数反演研究

森林叶面积指数(Lai)作为森林的重要结构参数,对于研究森林物质能量交换相关的生理活动具有重要意义。为提高森林Lai的反演精度,本研究充分利用激光雷达点云数据多回波类型之间所含信息的差异,通过对机载激光雷达点云数据预处理后,基于点云数据的多回波类型,共提取了6个激光穿透指数(Lpi),分别与野外样方实测Lai建立线性回归模型用于估测森林Lai。结果发现:单变量估测模型中,基于首次回波强度Lpi(i LPIfirst)模型最好(R2=0.836,Mad=0.091)。多变量模型中,基于首次回波强度Lpi(i LPIfirst)、冠层回波数量Lpi(n LPIcan)及冠层回波能量Lpi(i LPIcan)的三变量模型估测精度最高(R2=0.883,Mad=0.076),相比于单变量估测模型而言,R2提高了0.047,Mad减少了0.015。结果表明,基于点云回波类型分类的Lpi能够较好的估测森林Lai,且多变量模型的估测精度要优于单变量模型的估测精度。     

机载激光雷达森林参数估算方法综述

综述了机载激光雷达(LiDAR)在森林树高、郁闭度、蓄积量等参数估算中的应用,并对森林参数的估算精度及其影响因素进行了总结和分析。重点总结了目前机载激光雷达在森林参数估算中采用的如基于几何特性的点云数据滤波方法、基于强度信息森林参数提取方法、全波形数据的处理方法及L iDAR与多光谱影像数据融合关键技术,阐述了其现状及各自应用范围和存在的问题。     

基于机载激光雷达的国外松片林蓄积量反演研究

该文基于金坛区碳汇监测山区调查点范围内,第250,77号国外松林小班的LiDAR数据和样地实测数据,利用冠层高度模型与点云分割相结合的方法实现单木识别,以实测胸径作为因变量,估测树高作为自变量,通过建立非线性回归方程的方式进行林分胸径反演和公顷蓄积量估算.结果表明:机载LiDAR估测的国外松数据与实测数据具有较好的相关性,通过设置3组反演模型并进行方程优选,确认当LiDAR估测树高范围在14—22 m时,推荐y=-2.1849x2+13.569x-17.605(R2=0.8063)作为胸径反演最优方程.将250号LiDAR估测树高代入方程反算胸径,并根据《江苏省主要树种一元材积表》计算公顷蓄积量,获LiDAR估测胸径为26.6 cm,估测公顷蓄积量为157.2 m3/hm2,估测精度符合《森林资源规划设计调查技术规程(GB/T 26424-2010)》中的允许误差要求.     

基于多角度卫星遥感的胡杨林结构参数获取

【目的】基于多角度卫星遥感(MISR)和无人机(UAV)摄影测量技术,采用简单几何光学模型(SGM)和广义简约梯度(GRG)优化方法,反演获取塔里木河下游胡杨林主要结构参数(树高、冠幅、林分密度和覆盖度)。【方法】以塔里木河下游典型河岸林为研究对象,基于野外调查、UAV倾斜摄影测量和MISR数据,构建训练集,采用SGM对场景反射进行分解模拟,获取Walthall背景反射模型参数,评价参数敏感性,建立参数回归方程,运用GRG优化算法反演得到测试集结构参数,利用无人机测量数据进行精度验证和评价。【结果】从UAV倾斜摄影测量数据中提取的树高、冠幅、林分密度数据与实测数据相比,UAV获取的树高、冠幅、林分密度与实测数据的R²分别为0.90、0.84、0.94,均方根误差(RMSE)分别为0.45 m、0.68 m、4.25株·hm^-2。SGM对训练集样地红光模拟反射值与卫星观测反射值的R²最大值为0.99、最小值为0.72、平均值为0.92;反演获取的训练样地树高和覆盖度与参考值相比,覆盖度R²达0.99,...     

无人机森林航摄影像三维点云估测林分蓄积量研究

森林蓄积量能够评估林地生产力的高低及经营措施的效果,为森林经营与采伐提供重要依据。目前,大多基于无人机影像的蓄积量估算,均建立在测绘标准所生成的DOM、DSM、DEM等测绘成果基础上,而未充分利用原始影像数据上的林业特征,无法从点云层面上加入林业业务逻辑产生成果数据。获取无人机影像后,利用特征点提取与匹配方法自动相对定向,结合控制点和光束法平差的迭代求解,解算出精确的相机姿态数据,并沿核线方向一维搜索特征点进行影像密集匹配生成密集点云。对原始三维点云过滤后进行树冠分割,在聚类后的林冠点云中提取了树顶点和树高因子估测了森林蓄积量。研究结果表明,冠幅的提取精度85.15%,树高的提取精度83.69%,林分蓄积量估算的精度达到了82.46%。     

杉木大径材林下套种红锥生长效果分析

2016年10月对永安国有林场30年生杉木大径材林分按照3种保留密度(A450、B600、C750株·hm^-2)进行择伐，2017年2月在A、B、C 3种保留密度林下分别套种825、675、525株·hm^-2红锥，2021年12月对形成的异龄复层林分进行调查。结果表明：套种后5 a,杉木和红锥生长量均随着择伐强度的增大而增大，不同处理组合间杉木、红锥树高、胸径、材积和蓄积量均存在显著或极显著差异。杉木保留450株·hm^-2套种红锥825株·hm^-2形成的异龄复层林的生长效果最优，林分总蓄积量达445.08 m³·hm^-2,其中35年生的杉木平均树高27.20 m、胸径31.77 cm、单株材积0.9398 m³,分别比对照提高13.66%、17.15%、51.13%。6年生红锥的平均树高7.08 m、胸径6.26 cm、冠幅3.52 m、材积0.0123 m³,达到红锥适宜区生长量标准。试验结果可为培育杉木高价值...     

基于光学遥感的稀疏乔灌木地上部分生物量反演方法

【目的】基于无人机数据采用3种分层方案构建冠层盖度-乔灌木地上部分生物量模型以及基于Landsat8 OLI数据采用3种分层方案构建不同光谱指数-乔灌木地上部分生物量模型,对比分析不同分层方案的乔灌木地上部分生物量模型精度,以期为基于遥感数据的干旱区人工林乔灌木地上部分生物量高精度反演提供理论依据。【方法】在毛乌素沙地实地调查102块30 m×30 m样地,基于高分辨率无人机影像,利用面向对象的机器学习算法获取乔灌草植被覆盖度信息,采用3种分层方案（不分层、基于乔木和灌木2种植被类型分层、基于5个树种分层）构建冠层覆盖度-乔灌木地上部分生物量模型。基于Landsat8 OLI影像,使用6种光谱指数（NDVI、RVI、MSAVI、TCG、NDMI、NIRv）,结合无人机影像解译草本植被覆盖度,采用3种分层方案（不分层、有无草本植被样地分层、3个草本植被覆盖度等级样地分层）构建不同光谱指数-乔灌木地上部分生物量模型。【结果】不分层的冠层覆盖度-乔灌木地上部分生物量模型鲁棒性最差（R²=0.22,n=102）,且估算精度最低(RMSE=14.98 t·hm^-2...     

长白山国家级自然保护区云冷杉林天然更新特征及影响因素分析

本文通过对长白山国家级自然保护区4块云冷杉林样地(50 m×50 m)进行调查，统计了天然更新树种和株数，并分析了平均胸径和林分密度对天然更新的影响。结果表明：研究区域内云冷杉林更新树种19种，更新株数2 650株·hm^-2。其中4种槭树种类更新数量最多，占更新总量的81.2%;紫椴和春榆次之，分别占更新总量的7.4%和3.1%。不同径级和密度级对云冷杉林天然更新影响较大，其中第Ⅳ径级(>20～24 cm)和第Ⅱ密度级(>400～800株·hm^-2)林分更新株数最多，分别为3 098株·hm^-2和3 445株·hm^-2。