基于TerraSAR-X/TanDEM-X数据的森林高度反演算法研究

基于RVoG模型,对传统三阶段算法及其改进算法进行研究,以云南省西双版纳州勐腊县为研究区,以TerraSAR-X/TanDEM-X数据为数据源进行森林高度反演算法研究,并结合野外实测数据进行结果验证。结果表明,三阶段改进算法对森林高度反演精度优于传统三阶段算法。三阶段改进算法对天然林高度反演精度较高;三阶段算法对橡胶林高度反演精度较高。     

基于X波段极化干涉SAR数据的思茅松林冠层高度反演

极化干涉SAR数据在森林冠层高度反演的应用是SAR领域的研究热点。经典的三阶段冠层高度反演算法对体相干系数的解算存在着一定的误差。为提高冠层高度反演的精度,在经典三阶段算法的基础上提出一种基于相位不变原则的三阶段改进算法,并结合相干优化来提高冠层高度反演精度。通过采用星载TanDEM-X全极化干涉数据实现普洱地区思茅松林冠层高度的反演,并结合实测数据进行精度检验。结果表明,改进后的三阶段算法能够较为准确地反演森林冠层高度。     

基于时间去相关的三阶段森林高度估计方法

[目的]在利用极化SAR数据反演树高时,时间去相关因子是影响反演精度的主要因素;目前,地面随机运动模型(RMoG)是该领域最有效的模型之一,但地面随机运动模型有着反演困难、耗时过长的缺点。为了改善这个问题,提出了简化RMoG模型。[方法]首先忽略地面运动,只保留植被冠层运动,重新改写植被体散射公式;然后对多个相干系数直线拟合出地面相位;再次通过PD极化相干最优方法来估计纯体散射去相干值;最后利用改写后的植被体散射公式建立查找表,在固定消光系数的基础上通过查找表反演得到植被高度。为了验证本研究方法的有效性,以瑞典南部的Remingstorp地区为研究区,以BioSAR2007项目的遥感数据进行试验,并以决定系数(R2)和均方根误差(RMSE)对4种模型的反演结果进行比较评价。[结果]表明:本研究方法可以很好地改善三阶段算法的高估问题。在精度比较方面:三阶段算法的R~2为0.78,RMSE为8.52;RMoG模型的R2为0.47,RMSE为4.17;RMoG_L模型的R~2为0.48,RMSE为2.50;本方法的R2为0.53,RMSE为6.24。对比三阶段算法,本研究方法在精度上有明显的优势;对比RMoG模型和RMoG_L模型,本方法可有效地减少反演时间。[结论]通过添加植被冠层运动消除时间去相关的影响行之有效。与三阶段算法、RMoG模型和RMoG_L模型对比,本方法具有精度高、耗时少的优点。     

基于TanDEM-X数据的橡胶林高度反演研究——以云南省勐腊县为例

极化干涉SAR综合了雷达极化和干涉技术,可以分别提取出森林地区的地表和冠层相位中心,实现植被高度反演。文章采用TanDEM-X星座X波段全极化数据,基于随机散射体—地表二层散射模型(RVoG),结合三阶段算法反演云南省勐腊县研究区的橡胶林高度。结果表明,采用RVoG模型结合三阶段算法的反演策略可行,与野外实测橡胶林树高的相关系数R为0.449**,均方根误差R_(MSE)为6.92 m,平均误差M_E为-0.02 m。     

基于低密度机载LiDAR和CCD数据的林分平均高提取

本文基于低密度的机载激光雷达(L iDAR)数据生成林区树冠高度模型(CHM),结合高分辨率CCD数码相机影像勾绘林分多边形,由改进的树冠识别算法提取林分平均树高。结果表明:全部有效数据林分总体精度达74.86%,刺槐精度达75.62%,油松精度达74.74%,结果受点云密度影响,使得阔叶树种的精度稍高于针叶树种,因此,低密度激光雷达数据结合高分辨率CCD可以快速、准确地提取林分平均高。     

崂山林场林分生物量遥感反演估算研究

以Landsat TM影像和高分一号影像为数据源,结合外业实测数据,利用遥感影像和实测数据建立崂山林场生物量多元线性反演模型,比较分析不同数据源下反演出的模型精度,估测了崂山林场森林生物量。研究发现,利TM遥感影像作为数据源的崂山林场森林生物量反演模型平均精度为77.12%。高分一号遥感数据反演的生物量模型平均反演精度达到80.75%,高于TM数据源下的生物量反演模型精度。分别根据TM遥感影像和高分一号遥感影像林分生物量估测模型,估测的崂山林场2009年的林分生物量为401185.62t,2013年的林分生物量为402485.44t。     

结合Landsat 8与PALSAR-2影像的龙南县针叶林蓄积量遥感估测研究

林分蓄积量估测是林业遥感的重要研究领域,由于云雾天气和光谱饱和现象等因素限制了光学遥感影像估测林分蓄积量的精度。合成孔径雷达(SAR)具有穿透性强、受云雾影响小等特点,弥补了光学遥感的不足。以江西省龙南县的针叶林为研究对象,结合Landsat 8与PALSAR-2双极化SAR影像数据,在遥感数据预处理基础上,提取了光谱信息、植被指数、纹理信息和后向散射系数等共245个遥感因子。基于Pearson相关系数法和多元逐步回归法,筛选出65个遥感因子参与林分蓄积量估测。以林分郁闭度作为分层因子,分别采用线性、KNN、支持向量机(SVM)、多重感知机(MLP)和随机森林(RF)5种模型估测林分蓄积量,并对估测结果进行精度检验。实验结果表明:1)相比单独使用Landsat 8的光谱和纹理信息,基于郁闭度分级并融合PALSAR-2的后向散射信息明显提高了蓄积量的反演精度;2)对于低郁闭度林分,线性模型精度最高(rRMSE=21.16%),中郁闭度林分,多重感知机模型估测效果最好(rRMSE=30.61%),高郁闭度林分,多重感知机模型估测效果最好(rRMSE=27.53%)。在结合PALSAR-2的后向散射系数的基础上,郁闭度分层能有效改善中高蓄积量区域的反演精度。     

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。     

高分一号遥感影像下崂山林场林分生物量反演估算研究

以高分一号遥感影像为数据源,结合外业实测数据,通过提取植被指数因子、波段组合因子以及地形因子等19个因子,建立崂山林场生物量多元线性反演模型,进而分析该反演模型的精度和优缺点,估测崂山林场森林生物量。结果表明:应用多元线性回归法建立的生物量模型平均反演精度达到80.75%;根据反演出的林分生物量估测模型,估测崂山林场2013年的林分生物量为402 485.44 t。     

利用大光斑激光雷达数据估测树高和生物量

通过对大光斑激光雷达数据GLAS波形的处理,建立模型反演树高、生物量并做精度检验,理论精度分别为93.7%和91.3%.结果表明:利用激光雷达数据反演树高、生物量比传统方法的精度有显著提高.     

九棵树法提取林分调查因子原理与应用

提出一种九棵树多边形样地调查方法来建立林分调查因子模型,利用固定翼无人机拍摄北京松山影像数据,处理并区划后,根据九棵树法多边形样地算法估测各林分调查因子,再通过随机抽取18块样地作为检测数据,人工野外根据传统每木检尺方法计算平均胸径、平均高、林分密度以及林分蓄积量模型,然后通过经纬度、坡度、坡向、海拔等信息在影像中定位并利用九棵树法测得各林分因子调查数据,将测得数据与传统方法进行精度验证。经过精度分析,各林分调查因子相对误差介于8.80%~12.57%,相关系数介于0.624~0.927,满足森林资源二类调查需求,该方法可以替代传统每木检尺方法获取森林调查因子,将无人机融入九棵树多边形样地算法,弥补了利用传统方法耗材耗力浪费资源而用遥感影像测量精度有限制的局限性,适用于小尺度精准林业作业,既保证精度有可以极大程度减少野外人工作业量,为指定森林经营方案提供了新的方向。     

点云密度对机载激光雷达林分高度反演的影响

以山东省泰安市徂徕山林场和重庆铁山坪林场为试验区,分别于2005年5月和2006年9月获取了低密度和高密度的LiDAR点云数据,分别进行了林分平均高的反演试验.通过两个试验区的对比,分析了不同点云密度对机载LiDAR数据反演林分参数的影响.结果表明:对于两种密度的点云数据,使用分位数法都可以很好地进行林分平均高的估计,高密度点云的反演结果略好一些,但二者结果差异不大;高密度的点云可以进行更小尺度的林分高估计和单木树高的估计,从而可以减少甚至避免对实地树高测量的依赖.     

基于单木过程模型的杉木林分生长模拟研究

基于林分尺度的3-PG模型原理,在考虑单木林分生理生态过程的基础上,改进了生物量积累和分配子模型,建立适应于单木生长的生理生态过程模型,实现基于单木过程模型的林分生长预测。选择胸径和树高生长量2个指标与实测值对比分析,结果表明:改进模型对胸径和树高生长量的模拟平均精度分别为95.57%和91.16%,均明显高于3-PG模型对应的89.4%和85.18%的平均模拟精度,改进模型的模拟精度显著提高,模拟效果更好。     

基于PROSAIL模型和多角度遥感数据的森林叶面积指数反演

【目的】基于多角度PROBA/CHRIS遥感数据和野外实测数据,结合PROSAIL模型和随机森林模型反演森林叶面积指数(LAI),以提高植被LAI遥感反演精度,为区域土壤侵蚀遥感定量监测提供新的方法和模型。【方法】以南京市紫金山和幕府山为研究区,采用野外调查、遥感影像、辐射传输模型与数学模型相结合的方法,构建基于PROSAIL模型和多角度PROBA/CHRIS遥感数据的随机森林LAI反演模型,对PROSAIL模型进行敏感性分析和适用性评价,确定最佳LAI反演模型,并利用地面实测LAI进行精度验证和评价。【结果】PROSAIL模型中各输入参数敏感性大小为LAI叶绿素a、b含量Cab叶片干物质含量Cm热点参数SL叶片内部结构参数N等效水厚度Cw;模拟的冠层反射率精度大小为0°36°-36°55°-55°。单角度LAI反演模型中,前向观测角55°精度最高,其决定系数(R2)、均方根误差(RMSE)和平均绝对百分误差(MAPE)分别为0.915 7、0.235 7和0.042 6;相比于传统垂直观测,55°模型的R2提高0.75%,RMSE和MAPE分别降低3.76%和5.12%;相比于非线性回归模型,单角度随机森林LAI反演模型的R2提高0.7%,RMSE和MAPE分别降低15.40%和11.98%;单角度LAI反演模型精度由高到低依次为55°、36°、0°、-55°、-36°。多角度LAI反演模型中,3角度组合(0°、36°、55°) LAI反演精度最高,其R2、RMSE和MAPE分别为0.918 4、0.231 9和0.041 5,相比于单角度55°,R2提高0.29%,RMSE和MAPE分别降低1.61%和2.58%;相比于传统垂直观测,3角度组合模型的R2提高1.05%,RMSE和MAPE分别降低5.31%和7.57%;相比于非线性回归模型,多角度随机森林LAI反演模型的R2提高0.79%,RMSE和MAPE分别降低6.72%和9.19%。紫金山西部区域LAI介于0.44～6.70之间,林地LAI均值为3.04;紫金山西部林地LAI整体上呈北部和南部高、中间低的空间分布格局。【结论】最佳LAI反演模型为基于3角度组合(0°、36°、55°)的随机森林LAI反演模型;一方面,增加观测角度可提供更多植被冠层结构信息,LAI反演精度随观测角度增加而增加,但另一方面,观测角度过多会使像元空间重采样、叶片阴影和土壤阴影等问题带来更多不确定性,LAI反演精度反而下降;无论是单角度还是多角度数据,随机森林LAI反演模型精度均高于非线性回归模型,随机森林模型能够明显提高LAI反演精度,适用于区域植被LAI反演;多角度遥感数据能够反映森林立体结构信息和地物多维空间结构特征,显著改善传统垂直观测数据反演LAI精度较低的问题,从而有效提高植被LAI反演精度。     

基于哑变量的高山松蓄积量反演模型研究

基于Landsat TM和地面实测样地数据,采用传统线性回归和引入哑变量的线性回归两种建模方法构建香格里拉高山松蓄积量反演模型,并对模型进行验证。研究表明,传统一元和多元线性回归模型的相关系数分别为0.280和0.365,引入哑变量的线性回归模型相关系数为0.602;结合实测检验数据,传统一元、多元线性模型和引入哑变量的模型预测精度分别为61.1%,74.9%和80.3%,引入哑变量的高山松森林蓄积量模型反演精度明显提高,研究结果可为今后基于哑变量的遥感森林蓄积量反演提供一定的依据和参考。     

基于TM影像数据的林分冠层郁闭度反演技术研究

本文以崂山林场为研究区域,利用森林资源二类调查数据和TM影像数据,分析了林分郁闭度与遥感因子之间的定量关系,在此基础上利用多元回归分析法结合实测数据构建郁闭度估测模型,并对模型精度进行检验,结果表明,预估精度达到81.6%,估测效果较好。利用该模型,反演了研究区的林分冠层郁闭度,将崂山林场的林分冠层郁闭度分为四个等级,即非林地区,低郁闭度区,中郁闭度区和高郁闭度区,研究区的森林郁闭度分布呈现西北部和东南部较低,而中部和南部相对较高。     

ICESat-GLAS激光天顶角对反演森林冠层高度的影响

为了量化激光天顶角对ICESat-GLAS波形数据反演森林冠层高度的影响,以吉林省汪清林业局经营区为例,基于ICESat-GLAS波形数据及DEM数据,在Allouis模型和Nie模型基础上,分别引入激光天顶角,对光斑内坡度引起的高度距离(GroundExtent)进行修正,建立森林冠层高度估测模型,并通过模型对坡度的校正能力、天顶角引起的GroundExtent理论误差以及大气延迟增量三个方面讨论分析天顶角在反演森林冠层高度中的影响。结果表明:天顶角的引入能够提高模型的估测精度,决定系数(R2)分别提高了6.56%、4.26%,且能更好地校正地形坡度;在外部条件相同的情况下,由天顶角(1°)引起的GroundExtent理论误差在0.122~1.100m范围内;在天顶延迟约为2.3m时,天顶角(1°)对大气延迟增量的影响为0.04~3.50mm。由此可知天顶角对估测森林冠层高度存在一定的影响,引入激光天顶角的冠层估测模型能更准确地反演森林冠层高度。     

基于机载LiDAR点云多层聚类的单木信息提取及其精度评价

【目的】针对已有三维点云数据单木分割方法提取下层林木困难、准确提取林木数量占总体比例偏低导致提取工作有效性不高、提取效果受点云密度和林分结构复杂程度影响等问题,改进单木提取策略和算法,为Li DAR单木提取技术向生产实践应用转化提供支撑。【方法】以机载Li DAR点云数据为基础,提出一种基于分层聚类的三维立体单木分割方法,并对点云分层、分割、单木匹配等环节进行算法改进,实现空间异质性较高林分的单木分割和信息提取。【结果】改进后的算法可在高密度、高空间异质性林分中进行单木分割和信息提取,并能更合理地与地面实测林木信息匹配,可匹配的林木比例最高达88.70%,单木树高、林分平均高精度最高分别达92.38%、99.84%,树高基尼指数、树高变异系数精度最高达89.65%。【结论】通过多水平分层和纵向聚类融合,可提升对于林下层尤其是更新层林木的提取能力;构建提取有效性指标,更加关注成果的适用性;评价指标中加入空间结构精确度指标,可充分发挥Li DAR对空间结构的反演能力。     

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。     

基于ArboLiDAR的林分自动分割研究与应用

森林作为陆地生态系统的主体和自然界功能最完善的资源库,不仅为人类的生存发展提供了物质保障,也在维护陆地乃至全球生态平衡上发挥着重要作用。LIDAR技术作为一种主动遥感手段,在对森林植被空间结构的探测和参数反演方面具有显著的优势。而在森林参数反演之前,对研究区进行合理的林分分割很有必要。利用祁连山大野口林区2008年的激光雷达点云数据,首次引进国外先进的LiDAR点云数据处理软件ArboLiDAR,经过前期的数据分类和相关预处理操作,将数据代入ArboLiDAR软件,通过多次设定相关分割参数,选择最优参数设置,以完成对研究区林分分割操作。并通过对该地区进行了林分平均树高的提取与精度评价,来估测林分自动分割结果,以期提高其他林分参数的估测精度。结果表明:LiDAR数据对林分平均高估测的相关性系数达到0.807,RMSE为1.12 m,精度较高,表明ArboLiDAR平台可以对LIDAR数据做较高精度的林分自动分割,为林分水平上的其他森林参数提取奠定基础,也为LIDAR数据的林分区划提供新的思路。