ZY3立体像对和机载LiDAR抽样数据协同估测森林平均高

【目的】探索一种适用于已具备林下地形,可协同利用少量实测样地数据、抽样式采集的机载激光雷达(LiDAR)条带数据和区域全覆盖的资源三(ZY3)立体像对数据有效估测区域森林平均高的方法,为提高森林资源调查效率和精度提供技术支撑。【方法】以广西高峰林场2个分场为研究区,2018年获取覆盖整个研究区的机载LiDAR、ZY3立体像对和少量实测样地数据。将LiDAR数据提取的DEM作为历史已存在的林下地形,从全覆盖的LiDAR数据中抽取12条飞行条带的LiDAR数据"模拟"抽样式采集的LiDAR数据,形成"林下地形+LiDAR抽样+ZY3立体像对+样地"数据集;以样地和LiDAR数据提取出LiDAR抽样数据对应的森林平均高为模型建立的参考数据(因变量Y),以ZY3立体像对提取的数字表面模型(DSM)减去数字高程模型(DEM)得到的CHM_(ZY3)为自变量(X),采用普通最小二乘(OLS)模型、k-邻近(KNN)模型和回归克里格(RK)模型估测森林平均高,并对其估测效果进行比较评价。【结果】OLS和KNN模型的均方根误差(RMSE)分别为1.88和1.96 m,估测精变(EA)分别为87.18%和86.64%;RK模型估测精度相对较高,RK_(OLS)模型的RMSE=1.84 m,EA=87.42%;RK_(KNN)模型的RMSE=1.86 m,EA=87.32%。【结论】本研究中2类4种模型均可有效估测森林平均高,回归克里格模型(RK_(OLS)、RK_(KNN))优于非空间模型(OLS、KNN),RK_(OLS)模型估测精度最高;在林下地形已知时,协同利用少量实测样地数据、抽样式采集的机载LiDAR条带数据和区域全覆盖的ZY3立体像对数据能够实现区域森林平均高的高效、高精度估测。     

LiDAR采样形状及采样尺度对林分均高估测的影响

采样形状及采样尺度的合理选择对于节约人工成本、提高计算效率以及进一步提高森林结构参数估测精度均具有重要意义。以长春净月潭国家森林公园激光雷达(LiDAR)数据为基础,通过对LiDAR数据进行圆形及方形采样,并在方形采样的基础上对LiDAR数据进行不同空间尺度采样,从中提取一系列点云分位数高用于估测樟子松及落叶松的林分均高,以此量化LiDAR采样形状及采样尺度对不同林分均高估测的影响。结果表明:对樟子松而言,无论是圆形还是方形采样,林分均高估测结果最优时所对应的参数均为HP55,且方形采样林分均高估测结果(R~2=0.896,R_(mse)=0.853 m)高于圆形采样估测结果(R~2=0.892,R_(mse)=0.868 m);对落叶松而言,圆形和方形采样均是在HP99时林分均高估测结果最优,且圆形采样林分均高估测结果(R~2=0.741,R_(mse)=1.161 m)高于方形采样估测结果(R~2=0.705,R_(mse)=1.238 m)。在方行采样条件下,樟子松林分均高估测精度最高(R~2=0.904,R_(mse)=0.820 m)时所对应的采样尺度为35 m;落叶松估测精度最高(R~2=0.720,R_(mse)=1.206 m)时所对应的采样尺度为15 m。结果表明:不同LiDAR数据采样形状对不同林分类型均高估测的影响不同,且不同林分类型均高估测结果精度达到最高时所对应的采样尺度不同。     

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.     

基于机载LiDAR的伪大光斑波形数据反演林分平均高

为降低小光斑机载激光雷达因光斑直径太小而导致的脉冲首次回波无法代表冠层高度的影响,以进一步提高小光斑机载激光雷达波形数据在森林结构参数估测中的应用潜能。以内蒙古依根地区为研究区,以机载激光雷达波形数据为基础数据,在波形数据高斯分解的基础上提出一种基于小光斑波形形成伪大光斑波形数据的方法。通过计算样地内各高斯分量脉冲能量占总脉冲能量的比例,将其视为各高斯分量特征参数对应权数,分别求特征参数振幅、位置和半波宽的加权平均数,即为样地伪大光斑波形数据对应高斯函数的特征值。基于小光斑波形数据和伪大光斑波形数据提取特征参数,分别结合野外样方实测平均树高建立回归模型,并进行比较分析。结果小光斑波形反演模型的决定系数R2为0.47,总体平均精度P为78.19%,伪大光斑反演模型的决定系数R2为0.61,估测林分平均高总体平均精度P为90.65%。结果表明,伪大光斑模型反演精度高于小光斑波形反演模型,降低了小光斑LiDAR因光斑直径过小带来的影响,挖掘了小光斑机载LiDAR波形数据的应用潜力。     

基于机载P-波段全极化SAR数据的复杂地形森林地上生物量估测方法

【目的】利用国产合成孔径雷达(SAR)系统(CASMSAR)获取的机载P-波段全极化SAR(PolSAR)数据,分析SAR对森林地上生物量(AGB)的响应与地形的关系,建立融合地形因子的高精度多项式模型,以提高森林AGB的估测精度。【方法】首先以基于机载激光雷达(Li DAR)数据得到的研究区坡度分布图与结合实测样地AGB数据得到的森林AGB分布图作为参考数据进行系统抽样,分析森林AGB与P-波段PolSAR后向散射强度的关系以及不同坡度下二者的相关性变化;然后利用Li DAR得到的高精度数字高程模型(DEM)结合机载P-波段的轨道数据计算当地入射角,进而建立以后向散射强度、当地入射角以及雷达视角为输入特征的多项式统计模型,同时将以上系统抽样得到的样本一部分作为模型训练样本,一部分作为精度检验样本。为避免样本尺度引起的偶然性,检验了20 m×20 m至100 m×100 m不同样地尺度下的估测精度。【结果】以90 m×90 m样本为例,当坡度为0°~5°时,引入当地入射角(第2组特征)的估测精度与未引入当地入射角(第1组特征)的估测精度分别为:决定系数(R~2)为0.634和0.634,均方根误差(RMSE)为12.07和12.08 t·hm~(-2),总精度(Acc.)为78.91%和78.89%;当坡度为5°~10°时,第2组特征与第1组特征的估测精度分别为:R2为0.524和0.523,RMSE为13.52和13.97 t·hm~(-2),Acc.为80.57%和80.52%;当坡度大于10°时,第2组特征与第1组特征的估测精度分别为:R~2为0.628和0.519,RMSE为13.16和15.70 t·hm~(-2),Acc.为81.05%和78.55%。随着样地尺度增大,2组特征的估测精度均增大,且第2组特征的估测精度大于第1组。【结论】当坡度小于10°时,地形对森林的后向散射强度几乎无影响;当坡度大于10°时,地形的影响显著,在不同尺度下,引入当地入射角的估测模型均可以有效提高估测精度,充分说明模型的有效性和稳定性。此外,随着尺度增大,无论采用的模型是否考虑了地形影响,其估测精度都逐渐提高并趋于稳定,揭示出对复杂地形下森林AGB估测模型效果的评价必须考虑尺度的影响,且参考样地要足够大,否则难以得到客观的结论。     

基于TanDEM-X相干系数的森林高度估测方法

【目的】采用TanDEM-X单极化InSAR数据,研究基于相干系数的SINC模型森林高度估测方法,并分析5 m高分辨率的LiDAR DEM和30 m中等分辨率的SRTM DEM对模型估测精度和稳定性的影响。【方法】首先对观测的相干性进行非体散射失相干校正得到体散射失相干γVol,然后基于SINC模型将γVol的相干系数作为输入估测森林高度。以LiDAR提取的森林高度为验证数据,均匀选取150个检验样本,分别在15 m×15 m、30 m×30 m、50 m×50 m和100 m×100 m大小的样本尺度上进行精度评价,并与DSM-DEM差分法进行对比,分析2种方法的精度和适用性。【结果】5 m和30 m分辨率的参考DEM对SINC模型森林高度估测结果影响较小,随样本尺度增大其影响可逐渐忽略,当样本大小为100 m×100 m时,LiDAR DEM和SRTM DEM估测结果的R~2分别为0.54、0.51,RMSE分别为2.38、2.51 m,精度分别为77.19%、75.99%;相比SINC模型法,DSM-DEM差分法在各样本尺度上的表现更好,但森林高度估测结果存在明显低估现象,必须采用森林高度实测数据进行校正,当样本大小为100 m×100 m时,R2为0.79,校正前后的RMSE分别为2.57、1.63 m,精度分别为75.44%、84.41%。【结论】基于相干系数的SINC模型法估测森林高度,以30 m空间分辨率的SRTM DEM进行地形补偿和地理编码,可以取得较好结果;虽然该方法的精度相比DSM-DEM差分法略有下降,但既不需要实测森林高度数据进行标定,也不需要输入高分辨率的DEM,具有大范围森林高度制图的潜力和更大的实际应用价值。     

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。     

基于无人机遥感的胡杨地上生物量估测模型构建

为了构建胡杨冠幅及地上生物量估测模型,在胡杨分布区设置的样地中选取328株样木,以无人机遥感数据提取的胡杨冠幅为自变量,以胡杨生物量模型获取的地上鲜生物量为因变量,通过相关及回归分析方法,构建不同函数形式的估测模型并进行精度分析。结果显示,墨玉县、巴楚县、轮台县,以无人机遥感估测胡杨生物量的最优模型均为三次曲线函数形式,精度分别为94.93%,95.63%,92.24%。研究确定了处于不同林龄胡杨样地的地上生物量的最优估测模型。可见,运用无人机遥感估测生物量是可行的,可为胡杨林的经营管理和生态价值评估提供技术支撑。     

基于高分遥感数据的阿尔泰山乔木林地上生物量预测

为了在区域尺度上精准和便捷地估测森林生物量,以高分遥感数据和实地调查数据为基础,通过提取植被指数、纹理等遥感特征变量,并运用最近邻算法(k-NN)构建乔木林地上生物量预测模型。结果表明,运用k-NN进行区域尺度上乔木林生物量遥感定量估测,当k值为2,特征为B1(波段1)、SR(简单植被指数)、NDVI(归一化植被指数)、B4(波段4)时,研究区乔木林生物量估测结果最优。通过分析可知：乔木林生物量整体表现不高,地上生物量为803.90万t,单位面积生物量均值为82.15 t/hm²;乔木林主要龄组是成熟林时,其面积和生物量占比均最大;在海拔1 500～2 400 m范围,乔木林单位生物量较高。     

基于BP神经网络模型思茅松天然林生物量遥感估测

以普洱市思茅松天然林为研究对象,以Landsat8 TM影像和DEM(30 m)数据为信息源,结合2006年森林资源二类调查小班数据和2012至2013年样地实测数据,在ENVI下提取14个自变量备选因子(11个遥感因子、3个地形因子),在MATLAB平台下利用BP神经网络模型建立研究区思茅松天然林生物量估测模型。结果表明,利用优选训练算法Ploak-Ribiere,隐含层节点数为9时效果最佳,得到决定系数R2=0.85,均方误差RMSE=14 t/hm2,预估精度P=74.75%。以像元为单位,分块提取思茅松对应的自变量,利用估测模型得到普洱市思茅松天然林总生物量为62 185 871.9 t,单位面积生物量为51.06 t/hm2。     

Applying airborne LiDAR for forested road geomatics

Airborne Light Detection and Ranging (LiDAR) has become a popular remote sensing technology to create digital terrain models and provide forest inventory information. However, little research has been done to investigate the accuracy of using scanning airborne LiDAR to perform road geomatics tasks common to forest engineering. We used airborne LiDAR to estimate existing forest road characteristics in support of a road assessment under four different canopy conditions. In estimating existing road centerlines, LiDAR data had a vertical root mean squared error (RMSE) of 0.28 m and a horizontal RMSE of 1.21 m. Road grades were estimated to within 1% slope of the value sampled in the field and horizontal curve radii were estimated with an average absolute error of 3.17 m. The results suggest that airborne LiDAR is an acceptable data source to estimate forest road centerlines and grades, but some caution should be used in estimating horizontal curve radii, particularly on sharp curves.     

基于方差优化k最近邻法的森林蓄积量估测

森林资源调查是数字森林资源监测的基础,遥感技术可以克服传统方法如抽样调查的局限性,有效地缩短作业时间,提高效率。虽然目前森林蓄积量遥感估测方法很多,但随着样本数量的增加,这些方法无法保证估算的准确性。本研究拟提出一种基于方差速率优化的k最近邻法(k NN),以2017年10月Planet Labs影像为数据源,结合赤峰市旺业甸林场蓄积量实测数据建立反演模型,并与地理加权回归(GWR)模型、随机森林(RF)模型、普通k NN模型和距离加权k NN模型进行对比分析。在建立的森林蓄积量反演模型中,方差优化k NN模型得到最优精度[决定系数(R^2)为0.69,均方根误差(RMSE)为67.6 m^3·hm^-2,相对均方根误差(RRMSE)为32.04%],显著优于其他模型。结果表明,方差优化k NN模型相比其他模型更适用于森林蓄积量遥感估测,森林蓄积量遥感反演空间分布符合实际分布情况,可以满足建立反演模型的需求。同时,由于Planet Labs影像的鲜明特征(即具有高时间分辨率),该数据的时间序列数据对于森林季节变化有丰富的记录,在反演森林蓄积量方面有着很大潜力。     

小光斑激光雷达数据估测森林生物量研究进展

小光斑激光雷达可以直接获取森林的垂直和水平结构参数,因此广泛应用于森林树高、生物量和郁闭度等结构参数估计。本文主要分析小光斑激光雷达在森林生物量估测中的应用,根据研究尺度的不同,分别对小光斑激光雷达在单木、样方水平森林生物量的反演技术和方法进行详细分析,并对小光斑激光雷达与其他类型遥感数据进行融合,共同用于森林生物量研究的潜能进行阐述,通过对上述分析得出小光斑激光雷达用于森林生物量研究中存在的问题进行总结并对其未来的研究进行展望。     

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。     

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。     

基于森林资源二类调查数据的森林生物量抽样设计对比研究

探究和对比不同抽样方法对森林生物量抽样调查中样地数量、样地布设及估算精度等方面的影响,优选适宜的抽样方案,在保证精度的前提下节省外业调查的工作量和成本。基于云南省大理市2016年森林资源二类调查小班数据,以森林起源、龄组、优势树种作为分层变量,在可靠性为95%、抽样精度为90%和85%的条件下,计算分层抽样所需的样本单元数,并与系统抽样进行比较分析;以分层抽样方法进行大理市森林地上生物量的抽样设计,将抽样结果与系统抽样方法进行比较分析。结果表明,抽样精度为90%时,分层抽样所需的样本单元数分别比系统抽样少21.91%、12.92%和45.51%;抽样精度为85%时,分层抽样所需的样本单元数分别比系统抽样少21.51%、12.66%和45.57%;在相同的抽样精度条件下,抽样单元数呈现起源＞优势树种＞龄组的变化趋势。按抽样精度90%,系统抽样估测的大理市森林地上总生物量为1 914.83万 t,按起源、优势树种和龄组,其总生物量估测值分别为1 608.22万 t、1 679.03万 t、1 536.08万 t。在可靠性和抽样精度相同时,实际抽样精度排序为起源＞优势树种＞龄组,其中,利用优势树种估测的森林地上总生物量为1 679.03万 t,最接近实际值,按优势树种估测的抽样效果较好,抽样精度为96.63%。由于分层抽样具有样本数量少、抽样精度高的明显优势,可为区域森林生物量抽样调查和估测提供方法参考。     

基于高分二号的旺业甸林场蓄积量估测模型研究

【目的】为了探究国产高分二号(GF-2)影像在林分蓄积量估测中的潜力,并找到最佳的蓄积量估测模型。【方法】本次实验以内蒙古旺业甸林场为研究区,以高分二号卫星影像为信息源,结合2017年10月份调查的75块样地以及同时期的GF-2影像数据,提取波段特征、植被指数和纹理特征等43个遥感因子作为候选变量,利用Pearson相关系数选择出与蓄积量显著相关的6个变量,采用多元线性回归模型(MLR)、BP-神经网络模型(BP-ANN)、随机森林模型(RF)、支持向量机模型(SVM)和K邻近模型(KNN)进行蓄积量的估测。以决定系数(R^2)、均方根误差(RMSE)、相对均方根误差(RRMSE%)作为5种模型的评价指标,选择出旺业甸林场的最佳蓄积量估测模型,并绘制了研究区的森林蓄积量分布图。【结果】4种机器学习模型的结果明显优于传统的线性模型,其中随机森林(RF)模型和K邻近模型(KNN)均得到了较高的精度,其中RF模型的R^2为0.66,均方根误差为55.2 m^3/hm^2,相对均方根误差为28.1%,KNN模型的R^2为0.64,均方根误差为57.6 m^3/hm^2相对均方根误差为29.3%。【结论】在利用高分二号数据进行旺业甸林场蓄积量估测时,RF和KNN模型在估测针叶林蓄积量时相比于其他模型可以取得更好的结果。     

基于SPOT5影像的杉木胸高断面积估测探讨

采用角规实地调查黄丰桥林场90个杉木人工纯林样地胸高断面积,利用样地SPOT5遥感信息与地理信息,建立了杉木胸高断面积多元线性回归估测模型。首先对样地采用GIS软件进行缓冲处理,缓冲后每个样地的面积为1hm2^;然后提取样地遥感光谱信息与纹理信息等21个因子和4个GIS因子,采用逐步回归分析法筛选出6个因子作为模型自变量;最后分别采用普通最小二乘法（OLS）和偏最小二乘法（PLS）建立了杉木胸高断面积多元回归模型。研究结果表明：OLS回归模型的预测精度为82．2％,均方根误差（RMSE）为5．12m^3／hm^2;PLS回规模型的预测精度为83．9％,均方根误差（RMSE）为4．2m^2／hm^2,PLS和0LS回归模型在杉木胸高断面积估测中均取得了较好的效果,用中高分辨率遥感影像在估测森林结构参数上是可行的。     

Estimation of shrub biomass by airborne LiDAR data in small forest stands

The presence of shrub vegetation is very significant in Mediterranean ecosystems. However, the difficulty involved in shrub management and the lack of information about behavior of this vegetation means that these areas are often left out of spatial planning projects. Airborne LiDAR (Light Detection And Ranging) has been used successfully in forestry to estimate dendrometric and dasometric variables that allow to characterize forest structure. In contrast, little research has focused on shrub vegetation. The objective of this study was to estimate dry biomass of shrub vegetation in 83 stands of radius 0.5 m using variables derived from LiDAR data. Dominant species was Quercus coccifera, one of the most characteristic species of the Mediterranean forests. Density of LiDAR data in the analyzed stands varied from 2 points/m² to 16 points/m², being the average 8 points/m² and the standard deviation 4.5 points/m². Under these conditions, predictions of biomass were performed calculating the mean height, the maximum height and the percentile values 80th, 90th, and 95th derived from LiDAR in concentric areas whose radius varied from 0.50 m to 3.5 m from the center of the stand. The maximum R² and the minimum RMSE for dry biomass estimations were obtained when the percentile 95th of LiDAR data was calculated in an area of radius 1.5 m, being 0.48 and 1.45 kg, respectively. For this radius, it was found that for the stands (n = 39) where the DTM is calculated with high accuracy (RMSE lower than 0.20 m) and with a high density of LiDAR data (more than 8 points/m²) the R² value was 0.73. These results show the possibility of estimating shrub biomass in small areas when the density of LiDAR data is high and errors associated to the DTM are low. These results would allow us to improve the knowledge about shrub behavior avoiding the cost of field measurements and clear cutting actions.     

基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型构建

森林是全球重要的陆地生态系统,各国普遍采用地面样地调查的方法评估其资源量和生物量。随着激光雷达技术的发展,采用星载大光斑激光雷达估算大区域森林地上生物量将成为另一种选择。为探索利用大光斑激光雷达估算森林地上生物量的方法,提出了一种基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型。比较仿真大光斑激光雷达波形参数13种组合拟合森林地上生物量的效果后,认为多层感知器的估测精度高于多元线性回归。与样地实测地上生物量相比,多元线性回归估测结果的偏差范围为-34.96~23.28t/hm²,多层感知器估测结果的偏差范围更小,为-19.09~20.19t/hm²。因此,多层感知器估测森林地上生物量的效果优于多元线性回归。