基于分层叠加的机载LiDAR点云单木分割

【目的】提出一种基于分层叠加的单木分割算法,以充分利用高密度激光雷达点云信息,提高林分中下层单木分割精度。【方法】区别于传统将冠顶点作为聚类种子点的单木分割算法,基于分层叠加的单木分割算法以点云水平切片后各层的局部最大值为种子点进行分层聚类,并通过分层叠加与迭代优化,减少枝杈等因素导致的过分割现象,在保证上层树单木分割精度的同时提高对中下层单木的提取能力。【结果】基于分层叠加的单木分割算法在不同密度落叶松林分均有较高单木分割精度,提取单木与实测单木总体匹配成功率最高达94%,在中高密度林分匹配成功率最高达92%,相较其他算法,对中下层单木的匹配率可提高20%～40%;在单木树高提取精度方面,单木提取树高与实测树高相关系数为0.8,相对均方根误差为8.45%,提取冠幅与实测冠幅相关系数最高为0.83,相对均方根误差为16.5%。【结论】通过分层聚类、聚类种子点优化选取,充分利用林分各层次点云信息,可提高单木分割精度,为森林经营管理提供高精度数据支持。     

点云数据双向选择单木提取与地面数据匹配方法

【目的】基于双向选择判断原理,提出一种将激光雷达(LiDAR)点云数据提取到的单木信息与地面实测单木信息进行匹配的方法,以得到更为合理的信息匹配结果。【方法】采用机载LiDAR点云数据分割单木,提取单木位置、数量、树高和冠幅等信息,从LiDAR提取单木位置出发,依据树高和距离正向确定候选地面实测单木,再根据候选地面实测单木位置和距离信息逆向确认LiDAR提取单木是否为最合适的匹配对象木。【结果】以匹配精度、匹配后的单木树高和冠幅精度为判断指标,与邻域最高匹配法、最邻近匹配法和双因素匹配法相比,在匹配精度一致的情况下,双向选择判断法匹配的单木树高精度可从75.21%提升至91.01%,冠幅精度从60.50%提升至68.64%;在保证匹配信息精度一致的情况下,双向选择判断法可将匹配精度从传统方法的33.52%提升至61.11%。【结论】点云数据双向选择单木提取与地面数据匹配方法可快速、高效地将激光雷达点云数据提取到的单木信息与地面实测单木信息进行匹配,与传统方法相比,能够在高密度、多林层林分中发挥更高优势。     

基于机载LiDAR的单木结构参数及林分有效冠的提取

【目的】基于机载激光雷达(LiDAR)数据提取单木树冠三维结构参数(树冠顶点位置、树高、冠幅和冠长),并在此基础上对林分有效冠进行提取,为进一步研究林分尺度上的有效冠结构及其动态提供依据,以更好掌握并改进林业经营措施。【方法】采用一定规则下的局部最大值窗口搜索树冠顶点,进行单木树冠顶点探测和单木树高提取;以树冠顶点为标记,利用标记控制分水岭分割算法提取单木冠幅;采用垂直方向点云高程检测方法获取枝下高位置,提取冠长;在标记控制分水岭分割出的树冠边界,提取树冠接触高,取平均值作为该样地的林分有效冠高。【结果】树冠分割正确率为88.5%;结合样地实测参数对提取值进行相关性分析,树高R~2=0.886 2,冠幅R~2=0.786 4,冠长R~2=0.800 0,树高、冠幅和冠长精度分别为90.34%、86.80%和89.90%;同一林分内单木接触高相对比较稳定,对提取的林分有效冠高进行单因素方差分析,无显著差异。【结论】基于机载LiDAR数据,采用可变大小的动态窗口搜索局部最大值点,能提高单木结构参数的提取精度;利用树冠顶点标记控制分水岭算法,将高空间分辨率航片作为辅助数据,可完成较高精度的单木冠幅提取;垂直方向点云高程检测方法可提取单木冠长;LiDAR点云数据可对林分有效冠进行提取,在同一林分中,不同样本数量对接触高提取的变异性影响不大,有效冠高大致相同。机载LiDAR数据具有良好的单木树冠三维结构参数提取能力,能够满足现代林业调查对单木结构参数提取的需要,实现对林分有效冠的提取。     

高郁闭度人工林无人机激光雷达单木分割方法优化

【目的】针对高郁闭度林分条件下基于LiDAR点云数据单木分割林木提取困难、总体精度较低等问题,提出一种基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法,为开展无人机LiDAR技术森林资源调查提供技术参考,为提高单木分割总体精度提供新策略。【方法】利用无人机激光雷达数据,采用分水岭算法、基于点云的局部最大值聚类算法和基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法对高郁闭度思茅松人工林进行单木分割,并分析分水岭算法中4种CHM空间分辨率和3种DSM插值方法对单木分割效果的影响,与无人机高分辨率影像单木树冠目视解译结果进行比较,以探测率r、准确率p和F得分为指标对单木分割精度进行验证和评价。【结果】在幼龄林中,冠层起伏率较大,分水岭算法对单层林的分割效果优于基于点云的局部最大值聚类算法;在中龄林和近熟林中,冠层起伏率较小,分水岭算法易将思茅松树枝识别为树冠,基于点云的局部最大值聚类算法的分割效果优于分水岭算法;基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法充分考虑不同龄组的林分结构差异,精度最高(F=0.75),优于分水岭...     

机载激光雷达人工林单木分割方法比较和精度分析

【目的】研究分水岭算法、四次多项式拟合法和基于点云的距离判别聚类法对人工林单木分割的适用性,分析3种方法对人工林单木分割的精度,探索进行单木分割时3种方法关键参数的最优选择。【方法】结合地面实测数据和目视解译方法,计算单木探测率、准确率和F得分,比较分水岭算法、四次多项式拟合法和基于点云的距离判别聚类法的单木分割精度,并通过改变栅格化冠层高度模型(CHM)的分辨率及调整基于点云的距离判别聚类法的距离阈值,分别对3种方法进行单木提取效果的敏感性分析。【结果】1)分水岭算法、四次多项式拟合法和基于点云的距离判别聚类法对人工林单木总体分割精度较高(F=0.76～0.83); 2)对于"复杂林型"样地,基于点云的距离判别聚类法的分割精度最高(F=0.78),优于分水岭算法(F=0.74)和四次多项式拟合法(F=0.53);对于"中等复杂林型"样地,基于点云的距离判别聚类法的分割精度最高(F=0.89),优于分水岭算法(F=0.84)和四次多项式拟合法(F=0.75);对于"简单林型"样地,基于点云的距离判别聚类法(F=0.89)、分水岭算法(F=0.89)和四次多项式拟合法(F=0.93)的分割精度都较高; 3)敏感性分析结果表明,当CHM分辨率为0.5 m×0.5 m时,分水岭算法和四次多项式拟合法的分割精度最高;当基于点云的距离判别聚类法的距离阈值近似样地平均冠幅半径时,其分割精度最高。【结论】对多种类型样地进行单木分割,体现了分水岭算法、四次多项式拟合法和基于点云的距离判别聚类法对人工林单木分割的适用性;结合多种类型样地充分评估并比较了3种方法对人工林单木分割的精度;通过对3种方法进行敏感性分析,阐述了进行单木分割时关键参数的最优选择。     

基于无人机可见光遥感的单木树高提取方法研究

利用目前流行的高分辨率可见光无人机遥感影像生成树木冠层高度模型,采用分水岭分割算法提取单木树高的研究具有重要理论和实践意义。以位于云南省富民县的天然云南松纯林为研究对象,通过大疆Phantom 4 Pro无人机获取低空可见光遥感影像,利用Pix4D Mapper对无人机影像进行预处理及三维重建,生成三维点云,利用LiDAR360处理三维点云,构建DSM,DEM并生成CHM;采用分水岭分割算法对不同郁闭度条件下获得的CHM进行单木分割及树高提取,对提取结果进行精度评价。结果表明:分水岭分割算法能够准确分割CHM,利用无人机可见光遥感影像进行单木树高提取是可行的;将基于无人机可见光影像提取的树高值与野外实地调查得到的树高值进行对比,R²为0.893,RMSE为1.23m,估测精度为87.58%;同时,林分郁闭度会对单木树高估测产生影响,根据不同郁闭度条件下提取的3组样木树高与实地测量树高的决定系数(R²)分别是0.857,0.939和0.921,RMSE分别为1.450,1.097,0.896m,在低郁闭度林分内树高估测的精度显著高于高郁闭度林分。     

基于激光雷达数据的热带森林冠高模型生成及平均树高估计

激光雷达(LiDAR)是一种适用于大范围快速获取森林三维数据的新手段,但是基于Li DAR的林业参数估计算法和提取精度仍有待进一步提高。以海南省三亚市热带区域森林为研究对象,基于其扫描获取的Li DAR点云数据提出了改进的动态移动窗口搜索算法,进行冠高模型建模与生成,并提出了基于此模型进行林木平均高度估计的方法。通过改进的算法,利用C#编程、Las Tools、Arc GIS等相关工具对点云数据进行网格化,从而进行DEM和DSM提取、CHM生成、平均树高等参数估计。结果表明:经过算法的改进,大面积森林的数字地面模型(DEM)、数字表面模型(DSM)和冠高模型(CHM)可以从Li DAR数据中快速提取,但Li DAR点云获得的树高值比实际值低。这是由于Li DAR数据树顶的错失及点云的低密度所导致的,然而通过最低树高值的不断增加,其实测值与估计值的差值也在逐渐缩小。     

基于FCM和分水岭算法的无人机影像中林分因子提取

【目的】研究高精度小型无人机获取林分调查因子方法,将林分调查因子在低空无人机影像上识别并提取出来,获取树高、冠径等测树因子,建立林分因子测量方法,实现经济、高效、快捷、精准的森林资源调查和监测,及时掌握森林资源及相关林分因子的时空变化特征。【方法】以东北林业大学城市林业示范基地樟子松人工林为研究对象,以多旋翼无人机影像为数据源,基于FCM聚类算法和分水岭分割算法以及形态学运算、阈值分割、图像平滑、灰度化、二值化等一系列数字图像处理技术,提取樟子松人工林林分因子。FCM聚类算法和阈值分割法用于提取树梢标记图像,分水岭分割算法对树梢标记图像进行迭代处理从而获得单木树冠分割图像,根据单木树冠分割结果提取单木特征进而计算各林分因子值。【结果】在林地提取中,根据影像的颜色特征绿度分割成功地将林地部分与非林地部分分离开来,确定单木树冠分割范围。在单木树冠分割中,阈值分割法和FCM聚类算法均可有效将树梢标记从林地图像中提取出来;将基于标记的分水岭分割算法用于单木树冠分割取得较好效果,大多数单木树冠被单独分割出来,但某些区域仍然存在一定的欠分割或过分割问题。在林分因子提取中,提取的林分因子包括林分郁闭度、林地面积、立木株数和平均冠幅,其中林分郁闭度的测量精度为96.67%,林地面积的测量精度为81.23%,立木株数和平均冠幅的测量精度与单木树冠分割中的树梢提取方法(阈值分割法和FCM聚类算法)及分水岭分割中的2个参数(形态学腐蚀的结构元素大小和中值滤波的窗口大小)有关。针对2种树梢提取方法,分别进行参数组合试验,结果显示2种树梢提取方法使用适当参数组合所得各林分因子测量精度均在80%以上,平均测量精度均在90%以上,其中阈值分割法的最高平均测量精度为94.49%,FCM聚类算法的最高平均测量精度为93.17%。【结论】利用无人机拍摄的人工林影像进行森林资源调查,将先进的计算机科学技术和无人机技术应用到林业领域中,可有效提高森林资源调查的效率和精度。本研究提出的林分因子提取方法适用于高郁闭度林分,测量精度满足实际需求。     

基于单木位置特征的多源树木三维点云配准方法

【目的】针对不同观测平台获得的树木三维点云特征少、重叠率低、配准较难的问题,以不同视角不同平台的森林点云数据为输入,根据单木平面位置分布一致性原则,提出一种适用于多类型数据的无标记森林点云自动配准方法,实现以单木对象为语义特征的点对匹配。【方法】首先从不同类型点云数据中分别提取单木平面位置：对于侧视型点云,基于点云主方向离散度与主方向竖直角度偏差剔除部分非主干点云,采用体素点云剖分的连通分量分割方法识别单木主干,统计单木主干点云体素垂直分布最大值点作为单木平面位置;对于俯视型点云,采用标记分水岭算法分割冠层高度模型,提取单木并识别冠层顶点作为单木平面位置。然后以提取的单木平面位置为特征点,基于Laplace谱图匹配理论获取配准矩阵,完成4自由度点云粗配准。最后,采用主干点云匹配完成侧视与侧视点云的精配准,采用全局点云最近点迭代法与主干点云匹配完成侧视与俯视点云的精配准。【结果】侧视-侧视点云配准精度优于侧视-俯视点云,侧视-侧视点云粗配准平均误差为0.24 m,精配准平均误差为0.08 m;侧视-俯视点云粗配准平均误差为1.07 m,全局点云最近点迭代法平均误差为0.44 m,机载激光...     

林隙主被动遥感协同自动识别

【目的】研究林隙主被动遥感协同自动识别方法,为进一步量化林隙特征提供技术支持。【方法】以真彩色航空正射影像(0.2 m)和机载Li DAR(3.7点·m-2)为主被动遥感数据源,选取东北典型天然次生林——帽儿山实验林场东林施业区为研究区进行面向对象林隙识别。在面向对象分类过程中,通过对比3种分割方案(航空影像分割、Li DAR数据分割、航空影像Li DAR协同分割)、10种尺度(10~100,步长为10)确定最优分割方案及尺度参数。在最优分割结果基础上应用航空影像的光谱特征、Li DAR数据提取的高度特征及共同特征,应用支持向量机分类器(SVM)进行林隙识别。【结果】3种分割方案的最优尺度均为20;所有尺度均是基于Li DAR数据分割ED3modified(0.52±0.11)低于基于航空影像分割(0.58±0.07)与航空影像Li DAR协同数据分割(0.58±0.07)。在Li DAR数据最优尺度(20)下,采用光谱和高度共同特征的主被动识别与单独采用光谱特征的主动识别及单独使用高度特征的被动识别相比,分类精度分别提高36.71%和8.17%。【结论】3种分割方案中,基于Li DAR数据分割结果最好;使用主被动遥感协同自动识别进行林隙分类时精度最高(OA=87.73%,Kappa=0.81)。     

基于地基激光雷达的亚热带森林单木胸径与树高提取

【目的】以云南省普洱市天然林与杉木人工林为研究对象,针对云南省山区森林树种繁多、林下灌木草本茂密的林分环境,根据森林中树木的形态特征,利用地基激光雷达(TLS)扫描数据提取样地尺度单木胸径与树高,为森林调查工作提供参考。【方法】将获取的多站地基激光雷达扫描数据分为多站拼接及单站2种分析方式,采用Hough变换算法及树干的形态特征对样地内单木进行识别与胸径提取,根据树干生长方向及单木在垂直方向上的分布提取树高。【结果】1)对于多站拼接数据,即使在林分条件最为复杂的原始林,单木识别率仍可达到81%;对于单站数据,随着扫描距离增加,单木识别率降低,实际操作时单站布设比多站拼接简单;2)多站拼接胸径及胸高断面积估测结果更接近于样地真实值,多个单站平均结果比只使用一站扫描数据提取的结果更加适合估测样地胸径及胸高断面积,半径10 m比半径5 m及15 m范围内数据更加适合估测样地胸径及胸高断面积;3)天然林单木树高估测结果为R~2=0.77,RMSE=1.46 m;人工林单木树高估测结果为R~2=0.94,RMSE=0.96 m。【结论】本研究根据树干垂直向特征,设置的一系列参数可以剔除Hough变换算法在非树干处的识别圆,可提高单木识别及胸径、树高的估测精度。受扫描站布设及林分条件影响,人工林的估测结果好于天然林。多站拼接相比单站扫描更加接近于样地实测结果,多个单站平均更能代表样地实际情况,只用一站数据具有一定的偶然性。     

基于UAV-LiDAR和误差变量回归的落叶松人工林单木参数估测

【目的】以人工落叶松为例,探索基于无人机激光雷达（Unmanned aerial vehicle LiDAR, UAVLiDAR）点云的单木探测提取树高的误差对胸径反演的影响并校准,实现单木参数（胸径、树高）的准确度量,为大尺度高效便捷估测单木参数提供新的思路。【方法】以东北林业大学帽儿山实验林场13块4个龄组（幼龄林、中龄林、近熟林和成熟林）的落叶松人工林样地UAV-LiDAR数据及野外调查数据为数据源,基于UAVLiDAR点云的单木探测提取的树高,分别以普通最小二乘法（Ordinary least squares, OLS）和3种误差变量回归（标准主轴（Standard major axis, SMA）、远程主轴（Ranged major axis, RMA）和极大似然估计（Maximum likelihood estimate, MLE））构建胸径-树高模型,研究探测误差对各龄组人工落叶松胸径反演的影响并校准。【结果】利用UAV-LiDAR点云的单木探测提取4个龄组树高的相对均方根误差（rRMSE）,误差范围为3.41%～5.14%;在胸径-树高模型预测方面,3种误差变量回归均优...     

基于分水岭优化思想的单木信息分割算法

基于机载激光雷达(Li DAR)技术和单木分割算法提取单株树木信息对于单木结构研究、理解树木生长、森林可持续管理具有重要的意义。本研究以分水岭算法为基础,使用可变窗口的局部最大值算法,并采用分层级的区域增长算法及由高度差和梯度构建的能量函数来分割树冠边界,从而优化树顶提取和相邻树冠的分割结果。以中国南方亚热带森林为研究区,测试了针对不同密度(低、中、高密度)、不同树种(白皮松和桉树)以传统分水岭算法和优化算法对于树顶提取及树冠分割的效果。为检验结果的准确性,在实验中对Li DAR数据和人工测量数据的分割结果进行了对比和验证,结果表明:对树冠顶点探测率而言,优化算法平均探测效果(树冠探测率r=0.90、树冠准确率p=0.84、总体准确率f=0.86)优于传统分水岭算法(r=0.62、p=0.81、f=0.78);对树冠边界探测精度而言,优化算法平均探测效果(R2=0.80、RMSE=0.22 m、RRMSE=12.03%)优于传统分水岭算法(R2=0.68、RMSE=0.28 m、RRMSE=17.45%)。在树冠探测上,桉树的准确率略低于白皮松,但是与白皮松的探测率相差较小,这表明白皮松对于优化的算法具有较好的鲁棒性,受密度等因素影响较小;在冠幅探测上,桉树和白皮松的精确度随着林分密度的增加而增加,且均有良好的表现。本研究是一种在传统分水岭算法基础上优化的算法,可以较好地提高单木信息分割的效果,这对于了解亚热带森林中林木经营管理、树木竞争及资源监测具有重要意义。     

基于三维激光扫描的单木胸径和树高提取

为了提高林分尺度下单木参数的识别精度,研究了基于三维激光扫描的单木胸径和树高的辨识方法。在东北林业大学实验林场,采用Trimble S60三维激光扫描仪,对104株蒙古栎进行多测站扫描,获得样本树的点云数据。在对点云数据进行配准、去噪、地形数据提取、切片栅格化等一系列处理基础上,基于霍夫变换和连续生长法分别构建了胸径和树高的提取方法,对林分尺度下单木定位识别、胸径和树高提取精度进行了对比分析。研究结果表明:所构建方法单木定位识别精度均值为87.50%,胸径和树高提取的均方根误差分别为2.88 cm、2.61 m。     

基于区域合并的Mean Shift算法识别单木研究

为准确识别森林单木,采用区域合并的MeanShift算法对机载点云进行单木分割。首先,以点云三维特征空间为特征向量,选择核带宽度及收敛阈值,采用MeanShift算法对点云进行初始过分割;其次,以过分割点簇为对象,选择分割尺度、平滑度和紧凑度参数,采用基于区域邻接图的最优层次合并方法对点簇进行合并。最后,剔除3.5m高度以下和异常点云,以点云中心点为单木位置,计算森林密度。实验结果表明,基于区域合并的MeanShift算法能够检测到89%以上的单木,单木识别精度达91.6%,避免了生成CHM的初始误差。     

基于无人机可见光影像的华山松人工林计测参数提取

针对无人机在森林资源监测中的便携性特点,利用无人机RGB三波段影像进行森林计测参数(株数、树高及蓄积量)的提取及精度验证。以华山松人工林为研究对象,以无人机RGB影像为主要信息源,在前期进行5块0.08hm~2华山松人工林标准地单木定位的基础上,采用冠层高度模型(CHM)最大值法和点云分割方法,提取华山松人工林计测参数,建立无人机RGB影像的华山松人工林单木二元材积模型。研究结果表明:1)采用CHM最大值分割法较点云分割方法精度高,单木株数分割精度分别为87.17%和80.79%;提取得到的树高与其地面实测所得树高的R~2相比较,使用CHM方法,R~2为0.71;而使用点云算法,R~2为0.69。2)基于CHM最大值法提取的单株冠幅和树高所建立的二元材积模型,其决定系数(R~2)为0.94,均方根误差(RMSE)为0.033 8m~3;与基于云南省华山松人工林二元材积表的标准地实测蓄积量调查结果相比,基于无人机RGB数据的5块标准地蓄积量监测精度分别为79.72%,81.64%,83.57%,82.49%,80.28%,平均精度达81.54%。基于无人机RGB影像的华山松人工林在森林计测参数提取中,CHM最大值分割法优于点云分割,所建立的树高和冠幅二元材积模型,可为华山松单层人工林无人机遥感监测提供参考。     

密云水库上游典型油松林地林木生长空间格局

【目的】植被空间格局是植物群落生态特征、种间竞争等分析的基础，对了解植物群落生态学特征及过程具有重要意义。本研究试图探讨样地林分树高和胸径的空间异质性，以期获得北京山区优势种群的空间分布格局与空间分布特征。【方法】选择生长良好的林分设置固定观测样地（100 m×100 m），对所有树木进行每木检尺，明确样地内树种组成、结构特征与径级结构，基于各立木在二维空间上的坐标构建点图，分析林木聚集特征；应用变异函数分析方法了解林木空间异质性特征，采用Kriging空间插值统计学方法分析样地内林木树高及胸径等生长特征的空间分布特征。【结果】研究样地内共有树种13种，共计株数833株，其中油松为其优势树种，占78.75%，在部分区域呈现高度聚集分布；栓皮栎、黄栌、山杏等其他树种混交分布其中，在部分区域有小范围的聚集；样地内所有林木还是优势树种油松林木，其径级分布均接近于正态分布，随着径级的增加，个体数呈先增大后减小的单峰变化趋势；树高和胸径均以指数理论模型的拟合效果较好，树高值的空间异质性不高，而胸径值的空间异质性较高，树高和胸径均表现出中等程度的空间自相关性；林木树高的空间分布呈连片分布，胸径的空间分布呈斑块分布。【结论】林分在小尺度上存在聚集效应，林木生长存在空间异质性，其空间格局表现为连片和斑块状分布。     

基于地基激光雷达胸径提取的单木位置精确测量

[目的 ]为将单木位置匹配至更精确的树干中心处,本研究发展了一种基于地基激光雷达提取胸径中心位置的空间校正方法。[方法 ]对高密度地基激光雷达点云数据,使用霍夫变换的方法提取单木胸径及圆心点,以外业调查的胸径数据作为精度控制基础,再用空间点校正方法将外业测量的样地单木相对空间位置匹配至提取的单木胸径中心点处,最后通过数字冠层高度模型特征分析实现单木位置的地理位置匹配。[结果 ]以黑龙江佳木斯孟家岗林场为研究区,对比分析3种不同株数密度的落叶松样地,提取胸径误差在1 cm之内,高、中、低株数密度样地单木位置在空间点校正时胸径误差2 cm误差范围内位置正确匹配率分别为91%、92.5%、98.6%。全部匹配的外业调查单木相对空间位置误差控制在1 m之内,且与机载激光雷达数字冠层模型影像地理位置匹配误差在0.5 m内。[结论 ]基于地基激光雷达提取胸径匹配单木空间位置的方法,极大地提高了单木空间位置测量精度。此方法的发展,不仅为局部样地单木分割等提供精确位置信息,也为大范围遥感数据提供可靠地面基础位置验证数据,是可靠的单木位置测量和多源数据匹配方法。     

无人机影像树冠信息提取研究

【目的】树冠是林木长势监测、树种识别、蓄积量估测等森林调查中的重要森林参数,对森林资源调查和生态研究等具有重要意义,相比于传统的人工实地调查的方法,通过无人机影像提取树冠信息,具有高效、准确和低成本等优势。【方法】以湖南衡山森林生态系统定位观测研究站实验样地为研究对象,以无人机影像为数据源,采用阈值法和K邻近法,分别对正射影像和冠层高度模型进行图像二值化,取其交集得到树冠区域图;利用数学形态学开闭重建滤波对树冠区域图进行去噪处理,有效平滑影像,避免影像对象边缘轮廓偏移;采用局部最大值法和最大类间方差法进行前景背景标记,根据影像标记修正梯度图像;利用分水岭分割算法提取树冠信息。【结果】在树冠区域提取中,基于阈值法和K邻近算法成功分割出树冠区域与背景区域,确定树冠分割范围。通过数学形态学滤波,有效地去除了由噪声及树冠内部的纹理信息所造成的伪局部极值,减少了分水岭分割算法的过分割现象,同时保护了树冠边缘轮廓及其位置信息。【结论】单木尺度上,树冠信息提取的F测度为75.98%;样地尺度上,提取的树冠面积相对误差为13.3%。基于无人机影像提取树冠信息的方法是可行的,能够快速准确地提取较高郁闭度林分的树冠信息。     

崇礼冬奥核心区华北落叶松人工林结构特征与优化模拟

【目的】以崇礼冬奥核心区华北落叶松人工林为研究对象,开展林分结构特征分析和空间结构优化模拟研究,为制定华北落叶松人工林结构调控措施提供科学依据。【方法】设置3块面积0.09hm²(30m×30m)标准地,基于标准地调查数据分析林分结构特征,以空间结构最优为目标,采用乘除法对角尺度W、混交度M、密集度C、交角竞争指数Ua CI和林层指数S共5个林分空间结构指标进行多目标规划,构建林分空间结构优化模型,对比模拟采伐前后林分空间结构的变化。【结果】3块标准地华北落叶松断面积比例达70%以上,白桦为伴生种,径阶分布在6～26cm之间,均呈近似正态分布,树高分布呈非对称型单峰山状,且峰值均出现在14m树高级。林分平均角尺度■、混交度■、密集度■、交角竞争指数■和林层指数S■分别为0.460、0.106、0.918、0.297和0.363,处于林木均匀分布、低度树种混交、高度树冠竞争和垂直结构分化较差的状态。模拟采伐后采伐强度均低于20%,林分空间结构目标函数值提升13.62%。在■分别提高21.17%和15.23%的同时,■分别下降10.22%和5.19%。【结论】研究区华...