基于运动恢复结构的多株立木因子测量方法

  目的  提出基于运动恢复结构的多株立木因子测量方法,以解决目前基于三维点云的立木因子测量方法获取立木树高和胸径存在效率低或成本高的问题。  方法  ①使用智能手机环绕包含多株立木的场景拍摄一段视频,并采用固定帧采样法和差异值哈希算法自动提取立木视频中的关键帧图像,然后,基于运动恢复结构(structure from motion,SfM)算法处理立木关键帧图像,从而获取立木场景的原始三维点云;②在对原始三维点云进行预处理及初步分割后,运用条件欧几里得聚类算法对多株立木三维点云进行分割,以提取单株立木三维点云;③对立木三维点云使用最值遍历法和椭圆拟合法实现立木树高和胸径的自动测量。  结果  与真实值相比,本研究方法测得的树高、胸径的平均相对误差分别为1.96%、3.19%,均方根误差分别为0.133 3 m、0.533 7 cm,相关系数分别为0.987 9、0.962 1。  结论  该方法具有较高的树高和胸径测量精度,提供了一种便捷、低成本的多株立木因子三维测量方法。图6表1参27     

基于智能手机单目视觉的多株立木高度提取方法

  目的  提出一种智能手机单目视觉下的多株立木高度提取方法。  方法  该方法以智能手机为采集设备，利用Graph Cut 算法对输入的立木图像进行分割定位，实现单幅图像中多株立木轮廓的自动获取；再通过智能手机相机对摄像头进行标定，从而基于几何相似法获取智能手机相机图像的深度信息。在不同角度下拍摄标靶，进行深度提取模型的精度优化，进而确定信息提取的最优方位。同时，结合高精度陀螺仪获取相机俯视角，根据提取的深度信息和相机俯视角实现非接触条件下的多株立木高度测量。  结果  使用型号为MI 2S的小米智能手机为试验设备，在本方法中的立木高度测量模型具有良好的稳定性，并且试验中最高相对误差为2.45%，树高测量精度可达97.55%。  结论  基于智能手机单目视觉下的立木高度提取方法精确度高、操作简便，能够有效满足国家森林资源二类调查中对于树高测量精度的要求。      

基于智能手机与机器视觉技术的立木胸径测量方法

针对现有森林资源调查中立木胸径测量工作劳动强度大、效率低,先进设备操作复杂、成本高等问题,结合相机标定、三维重建、机器视觉和近景摄影测量等技术,探索基于智能手机与机器视觉技术的立木胸径测量方法。通过智能手机获取待测立木的图像信息,运用Lab颜色空间模型(Lab color model)和3×3算子对图像进行卷积运算,得到立木图像的视觉显著图; 结合HSV颜色模型(色调H,饱和度S,明度V)中的H分量增强图像中立木树干部分的颜色对比度,通过图像分割算法识别并获取自然环境下的目标立木轮廓区域; 通过一种改进的带有非线性畸变项的相机标定模型标定智能手机的相机内、外参数,并借助相机参数和二维图像信息进行三维世界坐标重建,从而实现树干1.3 m处胸径的测量。经验证,一定距离内胸径测量结果的相对误差小于2.50%。该方法测量精度较高,符合森林资源调查对胸径测量的精度要求,可应用于森林资源调查。     

三维激光扫描系统在林业中的应用研究

该文介绍了三维激光扫描系统的组成、工作原理及仪器的性能指标、特点和操作方法.通过甘肃省小陇山林区实验,首次将三维激光扫描系统引入林业调查.通过三维激光扫描仪获取单株立木空间点云数据,利用软件建立了立木三维模型.从三维模型上可直接量测立木树高、胸径、冠幅和计算立木材积,利用获取的材积可进一步建立立木材积方程和编制立木材积表.通过与伐倒木实测数据对比,采用该系统获取的测树因子和立木材积均满足林业调查的精度要求.研究表明,采用三维激光扫描系统可实现对疏林单株立木的无损伤、高效、精准监测,可在森林资源调查中应用.     

手杖式测树仪研制与试验

为了在森林资源调查中能够便捷、快速、精准、高效地获取立木胸径和树高,设计研发了一种手杖式测树仪,其以固定长度手杖为主体,搭载智能手机和测树软件。该设备在传统林业调查装备理论的基础上利用了测树学、摄影测量学、机械加工学、机器视觉、影像处理等技术,通过智能手机影像处理软件实现了胸径的自动识别、测量、记录,并通过手动截取完整立木与所得胸径值演算树高等功能,可以统一编辑、存储、导出最终所得胸径树高。分析结果表明,该手杖式测树仪所得胸径和树高的编差Bias分别为0.29、0.48 cm,相对误差Bias%为1.5%、4.2%,RMSE均为0.70 cm,相对RMSE%为3.6%、6.1%,基本满足二类调查A类精度要求,具有一定的应用价值和推广潜力。     

基于SFM算法的单木结构参数提取研究

针对传统森林资源调查方法获取单木结构参数效率低和成本高的问题，提出一种基于SFM算法的单木结构参数快速提取方法。以哈尔滨市城市林业示范基地树木为研究对象，利用SFM算法获得单木照片的三维点云，并利用点云数据处理软件对获得的点云数据进行单木结构参数提取，最后与实测参数进行对比分析。结果表明:1）分别利用SIFT算法、SURF算法以及ORB算法对相机校检后的树木照片进行特征点提取匹配，特征点正确匹配个数分别为23、145以及25，相应的耗时分别为18.56、16.04、1.58 s；2）利用SFM算法能获得树木照片的稀疏点云和稠密点云，平均每棵树木点云量为80万个；3）基于点云数据提取单木结构参数的胸径、树高及冠幅的平均绝对误差分别为1.79 cm、0.77 m及0.79 m；胸径、树高、冠幅的提取值与实测值相关系数均>0.94。     

兴安落叶松天然林自然整枝特征及其影响因子

  目的  分析天然林自然整枝规律,确定表征自然整枝指标及其主要影响因子,为森林抚育、优化林分结构、促进自然整枝提供依据。  方法  以中幼龄兴安落叶松Larix gmelinii天然林为对象,利用32块样地共1 279株立木实测数据,以活枝下高、活枝下高占树高比例、死枝下高、死枝下高占树高比例、活枝下高与死枝下高差作为自然整枝指标同林木和林分因子进行相关分析,探讨不同结构林分自然整枝规律。在此基础上,进行逐步回归分析确定影响自然整枝的主要因子。  结果  兴安落叶松天然林的活枝下高、活枝下高占树高比例、死枝下高、死枝下高占树高比例、活枝下高与死枝下高差平均值分别为4.8 m、46.4%、2.8 m、25.2%、1.4 m。不同密度和聚集系数的林分自然整枝差异极显著(P＜0.01)。相关性分析表明:林木胸径、林木树高、林木冠幅、林木年龄、林分平均胸径、林分平均树高、林分密度、聚集系数等因子影响自然整枝。除死枝下高占树高比例以外,其他4个自然整枝指标均受多个因子的影响,但各因子所影响的指标不完全一致。其中,林分密度和聚集系数同死枝下高、死枝下高占树高比例、活枝下高与死枝下高差等3个指标呈显著负相关(P＜0.05),其他因子同自然整枝指标呈极显著(P＜0.01)或显著(P＜0.05)正相关。逐步回归分析表明:林木树高、林木年龄、林分平均树高和林分平均胸径是影响自然整枝的主要因子。其中,活枝下高主要受林木树高和年龄影响,活枝下高占树高比例主要受林木年龄影响,死枝下高主要受林分平均树高影响,活枝下高与死枝下高差主要受林分平均胸径和林木树高影响。  结论  林木树高和年龄、林分平均树高和平均胸径等4个因子为自然整枝的主要影响因子。活枝下高、活枝下高占树高比例、死枝下高、活枝下高与死枝下高差等4个指标能较好地表征自然整枝。其中,活枝下高、活枝下高占树高比例主要受林木因子影响,活枝下高与死枝下高差、死枝下高主要受林分因子影响。林分生长越好,越能促进自然整枝,但对死枝脱落速度无促进作用。林分密度和聚集系数的增加,不仅促进自然整枝,而且能够加速死枝的脱落。表5参26     

利用无人机高分辨率影像进行树木高度提取

无人机遥感技术在树木参数获取中具有重要作用。为探讨利用无人机高分辨率影像提取树高的可行性,本文选择邱集煤矿矿区森林公园为研究区,采用Pix4D软件对无人机采集的高分辨率影像进行处理,生成研究区正射影像和三维点云;利用最大类间方差法将三维点云分割为树木点云及树下地面点云两部分,由此提取树木顶端高度和地面平均高度,并将地面平均高度视为树木根部的高度,得到树木高度。研究表明:最大类间方差法能够准确分割树木点云和地面点云;利用无人机高分辨率影像进行树高提取是可行的,树木高度测量绝对误差小于80cm、相对误差绝对值最大为16.2%、标准误差为36.3cm;同时,树冠的形状会对树高测量造成影响,阔卵形树冠的法国梧桐和圆锥形树冠的圆柏高度标准误差分别为29.2和50.9cm,两者树高测量值与真实值决定系数分别为0.9920和0.8894,阔卵形树冠的法国梧桐测高精度明显高于圆锥形树冠的圆柏测高精度。      

三维激光扫描系统在立木材积测定中的应用

该文提出了一种测定疏林立木材积的新方法,即利用三维激光扫描系统测量立木材积并建立材积表.采用该方法在标准地内按径阶对立木进行三维扫描,可以获取基本测树因子(包括立木的胸径、树高、冠幅)和三维立木模型,由Cyclone扫描软件可以计算立木材积.由扫描获取的立木胸径和树高能够回归建立二元立木材积方程.为检验扫描获取的基本测树因子的精度以及材积方程的适用程度,将扫描后的立木伐倒,并采用区分求积法实测材积.对比扫描数据和实测数据,扫描获取的基本测树因子和扫描材积均满足精度要求,说明这种新方法能够用于森林资源调查和建立立木材积表.     

川西云杉人工林与天然林群落空间分布格局及种间关联性

  目的  随着国家退耕还林工程的实施,川西云杉Picea likiangensis var. rubescens人工林面积和蓄积量不断增长,已成为川西地区森林资源的重要组成部分。本研究分析道孚县川西云杉人工林与天然林活立木空间分布格局特征及种间关联性差异,以揭示人工林群落动态变化及演替规律。  方法  采用典型样方法设置12块固定样地,测量每株活立木中心位置坐标、胸径、树高和冠幅等,运用点格局分析中的单变量Ripley’s L(t)函数和双变量Ripley’s L₁₂(t)函数分别分析人工林与天然林群落的空间分布格局和群落中树种间的空间关联性。  结果  ①随着恢复年限的增加,人工林群落内川西云杉种群密度呈下降趋势,而群落物种数逐渐增加;②人工林群落中活立木空间分布格局总体上表现为随机分布,而天然林内活立木空间分布以聚集分布为主;③人工林中川西云杉与其他阔叶树种无空间关联性,而天然林群落内主要树种间关联性在小尺度范围上呈不相关,在大尺度上表现为负相关。  结论  经过50 a人工恢复后,川西云杉人工林与天然林在群落空间分布格局和种间关联性方面仍然存在一定的差异,生态恢复进程较慢。建议采取适当间伐与种植天然林优势树种相结合的方式,优化改造人工林结构,从而加快人工林向天然林群落演替进程。图3表1参35     

基于三维激光点云的树木胸径自动提取方法

胸径是评价林木生长状况的重要参数之一。针对接触式人工测量自动化程度低和基于点云的现有算法提取树木胸径精度不高的问题,提出一种基于点云数据的自动准确获取树木胸径的新方法。该方法以树木点云数据为基础,运用蚁群算法和B样条曲线拟合技术,实现树木胸径的自动准确提取。对实验区树木测量计算,结果表明,利用该方法提取树木胸径的均方根误差为±0.19 cm,平均绝对误差为0.15 cm,相对于基于点云的传统算法提取精度分别提高了50%和60.7%。该方法基于高精度点云数据,实现了树木胸径的无损自动提取,在精准林业领域具有推广价值。     

基于机载LiDAR的高郁闭度华北落叶松林单木识别

  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     

基于机载激光雷达点云的桉树林分蓄积量估算模型构建

  目的  通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据,采用参数方法和非参数方法建立回归模型,反演桉Eucalyptus树人工林森林蓄积量。  方法  通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量,采用参数方法(逐步回归、偏最小二乘回归)和非参数方法(随机森林回归、支持向量机回归)进行林分蓄积量构建,通过与样地实测数据对比,进行模型回归预测性能评估,进而选择出表现最优蓄积量反演模型。  结果  采用留一法对以上4种模型进行验证,结果显示:逐步回归模型R2为0.85、均方根误差(RMSE)为23.93 m3·hm?2、平均绝对误差(MAE)为18.18 m3·hm?2;偏最小二乘回归模型R2为0.81、RMSE为26.52 m3·hm?2、MAE为19.94 m3·hm?2;核函数为RBF的支持向量回归模型R2为0.88、RMSE为21.35 m3·hm?2、MAE为16.62 m3·hm?2;随机森林回归模型R2为0.84、RMSE为24.53 m3·hm?2、MAE为17.41 m3·hm?2。  结论  采用随机森林进行变量筛选后,RBF-SVR模型拟合优度及泛化能力最优;通过逐步筛选法结合方差膨胀因子(VIF)方法优选变量的逐步回归模型次之;最后为随机森林回归模型与偏最小二乘回归模型。可见,在解决林业激光雷达领域中的回归预测问题时,采用非参数方法构建RBF-SVR模型更有优势。本研究建立的4种森林类型蓄积量模型,各模型均有较高精度且符合森林资源调查相关技术规定要求。图6表6参25     

2020-12期目录

  目的  基于广义加性模型理论，构建樟子松的广义加性树干削度方程，并和林业上精度较高的变指数削度方程曾伟生等（1997）、Bi（2000）以及Kozak（2004）进行预测精度比较。  方法  以大兴安岭樟子松为研究对象，使用胸径、树高和不同部位高度及该部位树干直径及其变形构建广义加性削度方程，利用R软件mgcv软件包gamm函数对广义加性模型进行拟合，拟合过程中采用6种样条函数:B样条函数（BS）、三次回归样条函数（CR）、Duchon样条函数（DS）、高斯过程平滑样条函数（GP）、P样条函数（PS）和薄板回归样条函数（TP）。使用留一交叉检验法对模型进行检验。  结果  （1）将相对直径作为因变量，将胸径的平方、相对树高的算术平方根和树高作为自变量构建了最优的广义加性削度方程结构。（2）拟合结果表明，除CR外，其他光滑样条函数表现了相似的拟合结果，且均优于变指数削度方程的统计指标。（3）交叉检验结果表明，除CR光滑样条函数外，广义加性模型（BS，DS，GP，PS，TP）总体与拟合结果基本一致，即预测精度都优于曾伟生等（1997）、Bi（2000）和Kozak（2004）模型，其中广义加性模型中BS模型的预测精度最高，变指数削度方程中Kozak（2004）预测精度最高。（4）通过对比BS和Kozak（2004）模型的干曲线模拟发现，Kozak（2004）在预测小树树干上部时误差较大，而BS在模拟小树和大树上都具有较高的精度。  结论  广义加性模型是构建削度方程的一种非参数方法，基于BS样条函数的广义加性削度方程预测精度最高，适合大兴安岭地区樟子松的干形预测。      

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。