地基激光雷达提取单木冠层结构因子研究

在传统森林计测中,由于树木冠层的形态各异、结构复杂,往往难以精确获取结构因子。本文以地基激光雷达为工具,通过对单木扫描获取点云数据,基于球极平面投影和Lambert方位角等面积投影法计算冠层孔隙度,运用不规则面投影法和体元法提取树冠的体积和表面积,并对结果进行了对比分析。选取北京林业大学校园内6株立木为研究对象,结果表明,对于冠层孔隙度,球极平面投影的结果均小于Lambert方位角等面积投影,平均误差为0.03;对于体积和表面积,运用不规则面投影法和体元法得到树冠体积相对误差为5.32%~12.43%,平均相对误差为9.29%,提取的树冠表面积的相对误差为1.40%~5.21%,平均相对误差为3.33%。2种方法得到的结果差别不是很显著。因此利用地基激光雷达获取点云数据,通过对单木一次扫描提取冠层孔隙度、树冠体积和表面积,为计算树木的三维绿量、生物量、光合作用能力等提供了更可靠的数据支持。     

基于地面激光雷达点云数据的树种识别方法

为了能够更有效地利用地面激光雷达的点云数据识别树种,以北京林业大学为研究区域,利用FARO Photon 120型地面激光雷达在研究区内获取4个树种、共92棵树木的点云数据。依据点云的三维坐标值提取研究区内立木的胸径、枝下高、树高、冠高、最长冠幅、垂直最长方向冠幅6个测树因子,同时提取由测树因子组合而成具有鲁棒性的6个树形特征参数,包括冠长树高比、胸径树高比、冠高树高比、分枝角、冠长最大冠幅之比、最长冠幅与垂直方向冠幅之比。分别使用测树因子和组合特征参数,采用支持向量机、分类回归决策树和随机森林的方法,对树种进行冠幅自动识别。研究结果表明：使用测树因子树木识别方法,识别平均准确率为0.765,平均召回率为0.778,3种识别方法中,分类效果较好的依次为分类回归决策树、随机森林、支持向量机;使用组合特征参数树木识别方法,识别平均准确率为0.891,平均召回率为0.896,分类效果较好的方法是随机森林和支持向量机,其次是分类回归决策树;总体上来看,不论是对于单个树种还是总体的准确率和召回率,组合特征参数法均高于测树因子法,而对于3种不同的分类方法,随机森林相对最好。研究结果表明,结合地面激光雷达获取的点云和不同机器学习分类方法进行树种识别分类可以达到满意的效果,且能节省大量时间和人力。     

道路植被结构对大气可吸入颗粒物扩散影响的模拟与验证

为了研究道路植被结构对城市内可吸入颗粒物（简称PM10）扩散的影响,该文设计不同道路绿化布局模式,在夏季和冬季不同的风向条件下,利用三维微气候模型（ENVI-met模型）模拟大气颗粒物扩散的规律;另外,该文选择百子湾路、林大北路、交道口东大街、东直门北小街、农展馆南路6条不同绿化布局的道路作为北京市街区道路的典型案例,监测夏季和冬季不同绿化布局道路的可吸入颗粒物浓度,并与ENVI-met模型模拟结果进行对比。结果表明：在高宽比一定的情况下,乔灌草的布局方式对PM10浓度降低作用最明显,其次是乔灌组合方式,乔木对降低PM10浓度的作用较弱,灌木对降低PM10浓度的作用最弱;在植被布局相同的情况下,街道高宽比值越小,PM10浓度降低的越明显。实测和模拟结果对比发现：两者相对误差分布在10%以下的占全部的71%,相对误差分布在10%至20%占全部的22%,相对误差分布在20%以上的仅占全部的7%;模拟值和实测值拟合的决定系数R2为0.9894,RMSE为8.399 μg/m3,说明模拟结果精度较高,因此ENVI-met模型能够合理模拟道路植被结构对大气颗粒物扩散的影响,对PM10浓度降低作用角度考虑乔灌草的布局方式最优。