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。     

贵州黎平典型马尾松混交林的林分空间结构研究

探究贵州省黎平县典型马尾松混交林的林分空间结构特征，为该地区混交林经营及改造提供理论依据。以黎平县马尾松混交林中的马尾松为研究对象，根据混交树种及混交比例将研究区典型马尾松混交林划分为7种林分类型，分别是马尾松占40%(类型A)、50%(类型B)、70%(类型C)的与多种阔叶混交的针阔混交林，马尾松占30%(类型D)、50%(类型E)、70%(类型F)的与杉木混交的针叶混交林以及马尾松纯林(类型G),采用角尺度、胸径大小比数、树高大小比数、混交度和空间结构综合评价指标，对其空间结构进行分析。结果表明，在研究区中：1)7种林分类型中，马尾松均为轻度聚集分布状态，趋向于随机分布格局；2)类型F中，马尾松的树高、胸径处于中庸状态，其余类型中，马尾松的树高、胸径均处于亚优势状态；3)马尾松混交林的树种混交程度较高，通常在中度混交强度以上，而马尾松纯林处于弱度混交，接近于零度混交；4)林分综合评价排序为类型A>类型D>类型E>类型B>类型F>类型C>类型G;5)典型马尾松混交林中，马尾松的角尺度、胸径大小比数、树高大小比数之间无明显差异性，其空间结构的差异主要...