基于两期无人机影像的针叶林伐区蓄积量估算

【目的】提出一种基于两期无人机影像的针叶林伐区蓄积量估算方法,为促进无人机数据在多类型林业样地资源调查中的深度应用提供依据。【方法】以福建省三明市将乐县金森林业股份有限公司伐区森林小班为试验区,首先,利用无人机遥感获取分辨率优于10 cm的两期影像,经Pix4D软件处理得到点云数据,在此基础上将小班区域未采伐前的林冠点云匹配到采伐后的小班地形点云上;然后,通过布料模拟滤波算法(CSF)分离匹配后的林冠点云和地形点云,采用自然领域插值法分别将林冠点云数据插值生成数字表面模型(DSM)、地形点云数据插值生成数字高程模型(DEM),二者相减获得冠层高度模型(CHM);接着,基于改进的局域最大值法搜索冠层高度模型中的林冠顶点,提取树高;最后,根据野外采集的400株马尾松和杉木树高、胸径数据,建立5个适用于福建省马尾松和杉木的胸径-树高模型,选择相关系数最高的模型推算胸径,并利用福建省单木材积公式估算小班区域蓄积量。【结果】1)两期无人机数据的点云匹配能较好消除陡峭地形对树高提取的影响;2)改进的局域最大值法可有效减少固定窗口搜索林冠顶点时出现的多提和漏提错误;3)小班区域估算株数为339株,实测株数为366株,估算的平均树高为18 m,实测平均树高为19 m,估算蓄积量为182 m~3,实测蓄积为199 m~3,株数、树高和蓄积量的估算精度均较高。【结论】借助无人机遥感技术,可实现森林蓄积量自动化估算,降低传统野外调查成本,推动森林资源的快速调查和更新。     

高精度DEM支持下的多时期航片杉木人工林树高生长监测

【目的】集成多时期航片数据和由机载激光雷达数据获取的密集林区数字高程模型,估测多时期杉木人工林冠层高度,并对其生长情况进行定量监测,为多时期航片监测森林生长趋势和评价林地生产力提供可能。【方法】首先基于分类后的激光雷达点云数据获得林下高精度数字高程模型和森林数字表面模型,利用航片数据构建立体像对,通过自动立体匹配算法生成森林冠层的摄影测量数字表面模型,然后借助数字高程模型将2种数字表面模型进行高度归一化,提取研究区多时期森林冠层高度。利用1996、2004年历史航片和2014年数字航片以及激光雷达数据,构建18年内皖南杉木人工林3期森林冠层高度,并对其精度进行分析。【结果】1)由2014年数字航片和激光雷达数据获取的森林冠层高度的R^2为0. 52,RMSE为1. 79 m; 2)由2014年数字航片处理得到的森林冠层高度与对应样地实测上层木的平均高验证精度较高,平均绝对误差1. 59 m,平均相对误差15%,最大绝对误差3. 45 m,最大相对误差30. 80%,测量精度85. 00%; 3)由1996、2004、2014年航片得到3期杉木人工林冠层高度,其增长趋势与树高生长曲线预测趋势一致。【结论】在多山复杂地形条件下,利用航片可准确定量反映山脊向阳面的森林冠层高度变化,但对于山谷阴影处,则会出现冠层高度被低估情况,利用多期航片结合高精度DEM数据可定量反映上层木的冠层高度变化。     

星载LiDAR与HJ-1A/HSI高光谱数据联合估测区域森林冠层高度

【目的】将ICESat-GLAS波形数据与HJ-1A/HSI高光谱数据联合,借助HSI高光谱数据提供的连续高分辨率光谱信息,实现区域森林冠层高度的估测,降低由于GLAS光斑呈离散条带状分布无法覆盖整个研究区造成的估测误差。【方法】首先,从平滑后的ICESat-GLAS波形数据中提取波形参数(波形长度W和地形坡度参数TS),基于W和TS建立GLAS森林冠层高度估测模型,并利用此模型计算研究区所有GLAS光斑内的森林冠层高度;然后,采用最小噪声分离法(MNF)对HJ-1A/HSI高光谱数据进行降维,提取前3个MNF分量(MNF1,MNF2,MNF3);最后,基于支持向量回归机(SVR)算法,利用GLAS估测的森林冠层高度和3个MNF分量建立区域森林冠层高度SVR估测模型,并估测研究区内无GLAS光斑覆盖区域的森林冠层高度,生成森林冠层高度分布图。【结果】从ICESat-GLAS波形数据中提取的地形坡度参数TS与野外实测地形坡度具有显著线性关系(R2=0.78);基于W和TS建立的GLAS森林冠层高度估测模型的R~2=0.78,RMSE=2.51 m,模型验证的R~2=0.85,RMSE=1.67 m;基于支持向量回归机算法建立的SVR模型建模的R2=0.70,RMSE=3.62 m,模型验证的R2=0.67,RMSE=4.42 m。采用野外数据对最终得到的森林冠层高度分布图的估测误差进行分析,结果估测误差最大值为7.10 m,最小值为0.07 m,平均值为1.78 m,估测误差的标准差为1.49 m,Q1为0.75 m,Q3为2.31 m。【结论】从ICESat-GLAS波形数据中提取的地形坡度参数TS能够很好地反映地形坡度的变化,本研究建立的线性关系模型可克服对数关系模型在平坦地区解释困难的问题。基于支持向量回归机算法,将ICESat-GLAS波形数据与HJ-1A/HSI高光谱数据联合,可克服ICESat-GLAS由于光斑呈离散条带状分布无法实现区域森林冠层高度估测的不足,实现对区域森林冠层高度的高精度估测。     

基于TanDEM-X数据和改进三阶段算法反演森林冠层高度

【目的】提出一种基于TanDEM-X SAR数据的RVoG模型三阶段算法反演森林冠层高度,以解决RVoG模型实际应用中模型成立条件难以严格满足、受地形影响导致森林冠层高度估测精度不高的问题。【方法】以云南省普洱市思茅区思茅松纯林和混交林为研究对象,开展经典三阶段算法、地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法和低估补偿改进的三阶段算法反演森林冠层高度试验。【结果】RVoG模型经典三阶段算法反演森林冠层高度存在低估现象(r=0.11, bias=-26.20 m, RMSE=7.16 m),地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法、低估补偿改进的三阶段算法反演森林冠层高度的估测精度较经典三阶段算法提高,其中低估补偿改进的三阶段算法反演森林冠层高度的改善效果最佳(r=0.79, bias=-1.69 m, RMSE=2.56 m);思茅松纯林的估测效果(r=0.81, bias=1.40 m, RMSE=2.27 m)优于思茅松混交林(r=0.72, bias=-3.09 m, RMSE=2.87 m)。【结论】相比经典三阶段反演算法,基于TanDEM-X S...     

大青山前坡油松林高度的无人机监测研究

森林生态系统是陆地生态系统的重要组成部分,树高是森林调查中最重要的因子之一。本研究通过对内蒙古呼和浩特市大青山前坡油松林进行地面控制点测量-无人机航空摄影试验获取数据,对无人机影像获取的油松林高度与野外实地测量坑底至冠层顶部的数据进行对比分析,研究结果表明:在选取测量对比的30个样本中,无人机监测高度与实际测量值绝对误差范围在0～114 cm之间,平均绝对误差12 cm,相关系数R~2为0.7059,剔除异常数据后相关系数R~2达到0.9059,通过无人机影像获取点云数据生成冠层高度模型(CHM)监测油松林高度的方法是可行的。     

基于机载激光雷达冠层高度模型的小班区划

[目的]探究如何有效利用机载激光雷达冠层高度模型(CHM)自动区划小班,提高小班区划工作效率.[方法]在高光谱影像树种信息的辅助下,使用机载激光雷达数据生成的CHM进行两种空间尺度的分割和优化来自动区划小班.先对1?m空间分辨率CHM数据进行过分割,再对降尺度处理并平滑后的5?m空间分辨率CHM数据进行欠分割,结合两种...     

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...     

基于机载激光雷达的林隙结构参数提取

【目的】运用激光雷达技术识别提取林隙面积、边界木高和形状指数,为林隙结构参数调查提供技术支持。【方法】以机载激光雷达数据为数据源,以东北林业大学帽儿山实验林场内设置的5块林隙调查样地中的54个林隙为研究对象,通过对比普通克里金插值、反距离权重插值、样条插值、自然临近插值和局部多项式插值确定最优插值方法得到冠层高度模型,运用交替贯序滤波法对冠层高度模型进行林隙识别提取。【结果】通过对比5种插值方法的RMSE发现,普通克里金法适合插值DEM,反距离权重法适合插值DSM;采用交替贯序滤波法识别提取林隙时,林隙识别率为92.6%,运用配对检验法对提取的林隙面积、边界木高与野外调查数据进行检验,基于激光雷达技术提取的林隙面积和边界木高与野外实测值呈较强线性关系,R~2分别为0.983和0.737,其中提取的林隙面积与实测值平均相对误差为15.78%,林隙边界木高与实测值平均相对误差为11.94%。【结论】基于机载激光雷达数据采用交替贯序滤波能有效识别林隙且能准确提取其结构参数;坡度、坡位及冠层结构复杂程度都会影响冠层高度模型的插值精度;林隙面积提取受林隙边界形状和林层结构影响,林隙边界木高随着样地地形、坡度增加误差也随之增大。机载激光雷达技术具有获取地形和树木三维结构信息的优势,可为林隙识别及其结构参数提取提供新的遥感方法。     

基于深度学习的森林可燃物含水率反演技术

【目的】探究基于卫星遥感数据的森林可燃物含水率反演,比较深度学习模型与传统机器学习模型的精度,并探索一种解决冠层遮挡问题的方案,为全国建立森林可燃物含水率数据库提供理论依据。【方法】以河北省张家口市崇礼区为研究区,基于实地测量数据,针对传统机器学习模型误差较大的问题,建立深度学习中的多层感知机(MLP)模型,研究光谱反射率与森林冠层植被和地表枯落物含水率之间的关系,并与传统机器学习中的支持向量回归(SVR)模型进行精度对比。选取与实地考察时间同季度的哨兵遥感数据,以光谱反射率、光谱水分指数等遥感估测法中常用变量作为反演森林冠层植被和地表枯落物含水率的影响因子,结合实地考察数据进行模型训练。针对以往采用遥感估测法反演地表枯落物含水率遇到的冠层遮挡问题,使用双向反射分布函数处理遥感数据获得不同观测角度的遥感数据,结合辐射传输模型,将冠层反射率映射到地表反射率后再训练模型。【结果】以红光、绿光、近红外和短波红外波段为输入变量的MLP模型在森林冠层植被含水率反演中的拟合度为0.843,优于SVR中最优模型的拟合度0.807,精度提高4.5%;MLP模型在地表枯落物含水率反演中拟合度为0.448...     

基于无人机LiDAR的杉木树冠上部外轮廓模拟与可视化研究

[目的]基于无人机激光雷达(LiDAR)点云数据提取杉木树冠上部结构参数(树冠顶点、树高、冠幅和上部冠长),并进行树冠上部外轮廓模拟与可视化,为树种识别提供树木冠形特征.[方法]利用LASTools开源工具从激光雷达点云数据生成无孔洞的冠层高度模型,使用LiDAR360软件,采用局部最大值法检测树冠顶点,基于CHM种子...     

基于机载小光斑全波形LiDAR的亚热带林分特征反演

【目的】研究通过集成波形信号处理、空间解析和重构建模以及综合波形信息提取方法,探索基于小光斑全波形LIDAR特征变量高精度反演林分特征的新方法。【方法】以江苏南部丘陵地区的亚热带天然次生林为研究对象,在预处理和分析小光斑全波形 LIDAR 数据的基础上,首先基于体元空间框架分解和提取波形的振幅能量信息,并构建伪垂直波形模型;然后,从中提取空间位置信息(即点云)及几何辐射变量,计算 LiDAR点云和波形特征变量,并通过相关性分析筛选特征变量;最后,结合地面实测林分特征参数构建反演模型并验证精度。【结果】1)各 LiDAR特征变量对 Lorey’s树高的敏感性最高,对蓄积量和地上生物量次之,对胸高断面积最低,而返回脉冲总能量和返回脉冲峰值点数对胸高断面积的敏感性却高于其他林分特征因子;在点云特征变量组中,平均高、高度百分位数及冠层上部的返回点云密度与各林分特征之间的相关性较高,而在波形特征变量组中,能量中值高度的均值、返回脉冲长度的标准差和冠层粗糙度的标准差与各林分特征之间的相关性较高;2) Lorey’s 树高的模型估算精度最高( RMSE为实测均值的7.26%),而蓄积量、地上生物量和胸高断面积的模型估算精度略低且较相近( RMSE为实测均值的15.91%～19.82%);模型自变量的数量都在3个以内,选中的自变量为高度百分位数、冠层返回点云密度、返回脉冲长度和冠层粗糙度的标准差;3)各林分特征实测值与交叉验证估算值的拟合结果表明, Lorey’s树高的拟合效果最好(R2=0.85),地上生物量(R2=0.68)和蓄积量(R2=0.59)次之,而胸高断面积(R2=0.45)最低;4) Lorey’s 树高、蓄积量和地上生物量的空间分布状况基本一致,源于它们内在的相关性;相比其他3个特征变量,胸高断面积的空间分布不够连续,这可能是由于其预测模型精度较低所致。【结论】各林分特征综合回归模型的拟合效果和精度都高于仅使用点云特征变量拟合模型的精度,表明了波形特征变量提取森林中下层信息的潜力。点云特征变量描述了森林冠层及上部的三维结构及密度信息,而波形特征变量则获得了森林冠层及以下部分完整的垂直分布和能量信息,二者互补可提升林分特征反演的精度。     

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...     

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。     

小兴安岭红松林冠层截留降雪特征及模拟

【目的】研究小兴安岭红松林林外降雪、林内穿透雪和林冠截雪特征,深入认识森林冠层对降雪截留再分配的影响,为定量评价该区域红松林的生态雪水文效应提供理论依据。【方法】连续2年冬季定位观测红松林林外降雪和林内穿透降雪特征,并调查林分结构因子,利用基于物理机制的半经验性理论降雪截留模型模拟红松林冠次截留雪量。【结果】2013年11月至2014年4月和2014年11月至2015年4月,共观测到17场降雪,平均次降雪量10.3 mm,平均次降雪强度4.41 mm·d-1;平均次穿透降雪量7.4 mm,平均次穿透率69.3%,次穿透降雪量和次穿透率均随次降雪量增加而增大;林冠次截留雪量与次降雪量呈较好的幂函数正相关关系,并与郁闭度显著正相关(P0.05),而林冠次降雪截留率与次降雪量呈负指数函数关系(P0.05),次降雪量、胸径、郁闭度、树高和坡度对林内次穿透雪量有显著影响;林冠截留降雪存在饱和截留量限制,林冠次降雪截留率随次降雪量增加逐渐降低;林冠次降雪截留率与次降雪量和郁闭度紧密相关(P0.05),而与胸径、树高、胸高断面积、林冠高度、林冠宽度、叶面积指数和坡度等指标相关性不显著。【结论】次降雪量和林冠郁闭度对林冠次截留雪量影响显著,次降雪量、胸径、郁闭度、树高和坡度对林内次穿透降雪量有显著影响。Pomeroy等(2002)和修正的降雪截留模型能较好拟合小兴安岭地区红松林冠次截留雪量。     

机载激光雷达大区域亚热带森林参数估测的普适性模型式

【目的】针对当前森林参数估测模型受研究区条件、森林类型限制不具备普适性的问题,从森林三维结构分析描述出发,构建森林参数估测多元乘幂模型式,并测试其在不同森林类型不同森林参数估测中的表现,检验其推广能力,以期发现一个适用于不同森林类型不同森林参数估测的模型结构式,为激光雷达森林参数的一致性估测提供实践案例。【方法】以面积2.21万km~2的南亚热带丘陵山地区域为研究区,以面积法为基础,将刻画森林冠层三维结构的7个离散回波Li DAR变量进行组合,构建5个森林参数估测多元乘幂模型式,通过383块样地测试5个模型式在不同森林类型(杉木林、松树林、桉树林和阔叶林)不同森林参数(蓄积量、断面积和平均直径)估测中的表现。【结果】以激光雷达点云平均高、冠层覆盖度、叶面积密度变动系数、激光雷达点云高度变动系数、50%分位数密度为变量的模型结构式表现最好; 4种森林类型蓄积量估测模型的决定系数(R~2)分别为0.667、0.769、0.764和0.602,相对均方根误差(rRMSE)变化范围为18.53%～36.32%,平均预估误差(MPE)变化范围为3.37%～6.95%; 4种森林类型断面积估测模型的R~2分别为0.572、0.582、0.706和0.568,rRMSE变化范围为16.11%～30.82%,MPE变化范围为3.27%～5.89%; 4种森林类型平均直径估测模型的R2分别为0.574、0.501、0.709和0.240,rRMSE变化范围为10.07%～29.01%,MPE变化范围为1.83%～5.55%;最优普适性模型式的R2与各森林类型各森林参数最优模型的R~2的相差小于5%,rRMSE和MPE的相差均小于7%。【结论】本研究提出的模型式变量具有明确的生物物理意义和林学解析意义,可准确刻画林分冠层三维结构,在不同森林类型不同森林参数估测中均取得较好效果,具有良好的普适性,有利于提高不同森林类型估测结果的可比性,可用于机载激光雷达大区域森林资源动态监测。     

基于无人机激光雷达的银杏人工林有效叶面积指数估测

【目的】精确估测银杏人工林有效叶面积指数(eLAI),以更好了解银杏人工林的生长和竞争、理解人工林生态系统的功能和生产力。【方法】基于多旋翼无人机激光雷达(LiDAR)系统获取的点云数据,结合45块地面实测样地数据,使用孔隙度模型法(通过计算点云的冠层穿透率,根据Beer-Lambert定律计算有效叶面积指数)和统计模型法(首先通过地面实测的有效叶面积指数和所提取的LiDAR特征变量建模,然后借助拟合的模型估测有效叶面积指数)对我国典型银杏人工林进行样地尺度的有效叶面积指数估测。【结果】1)使用统计模型法估测eLAI时,仅利用LiDAR高度特征变量估测精度为R2=0. 38(rRMSE=54%),引入其他特征变量(冠层密度特征、冠层容积比以及强度特征变量)后精度分别达到R2=0. 64(rRMSE=26%)、R2=0. 61(rRMSE=28%)、R2=0. 74(rRMSE=23%); 2)根据Cover将样地分组建模后发现,分组建模的精度优于不分组建模的精度;3)孔隙度模型法估测有效叶面积指数的精度为R2=0. 71(rRMSE=32. 0%)。【结论】结合多组LiDAR特征变量估测有效叶面积指数能够充分挖掘LiDAR数据包含的冠层结构特性,从而提升估测精度;同时,使用孔隙度模型法可以有效估测银杏人工林有效叶面积指数。无人机LiDAR点云在估测银杏人工林有效叶面积指数上具有较好的潜力。     

基于机载激光雷达数据的森林蓄积量模型研建

【目的】建立变量相同、结构稳定、具有普适性的基于机载激光雷达数据的森林蓄积量预估模型,为规范森林蓄积量建模与评价提供科学参考,为森林资源调查提供计量依据。【方法】利用东北林区落叶松林、红松林、杨树林和桦树林4种森林类型790块样地的激光雷达数据和地面实测蓄积量数据,首先采用多元线性回归和非线性回归方法,分别建立基于机载激光雷达数据的森林蓄积量回归模型,通过对比分析,确定具有相同变量和统一结构形成的普适性模型;然后采用哑变量建模方法,建立基于相同激光雷达变量的不同森林类型蓄积量模型。【结果】4种森林类型线性蓄积量回归模型的解释变量个数在2～6之间,确定系数(R~2)在0.701～0.827之间;非线性蓄积量回归模型的解释变量个数在2～4之间,R2在0.707～0.818之间。基于点云平均高度和平均强度的落叶松林、红松林、杨树林、桦树林非线性二元蓄积量模型,其R~2分别为0.679、0.814、0.698和0.703,平均预估误差分别为4.26%、2.90%、3.68%和3.83%,平均百分标准误差分别为24.44%、18.23%、21.47%和23.26%。【结论】基于机载激光雷达数据估计森林蓄积量,非线性模型优于线性模型;基于点云平均高度和平均强度的二元蓄积量模型具有普适性,可作为森林蓄积量估计的标准模型;本研究建立的4种森林类型蓄积量模型,其预估精度均达到森林资源调查相关技术规定要求,可在实践中推广应用。     

冠层高度对江西69种阔叶树小枝单叶生物量与出叶强度关系的影响

【目的】研究阔叶树不同冠层高度对当年生小枝上单叶生物量与出叶强度之间关系的影响,以期探明森林内光照环境变化对树木小枝性状的影响,为揭示阔叶树林冠生长对光环境变化的响应机制提供理论依据。【方法】采用标准化主轴回归估计(standardized major axis estimation,SMA)方法对江西省阳际峰自然保护区内69种阔叶树不同冠层高度的单叶生物量(ILM)与出叶强度(单位茎生物量的叶片数量与单位茎体积的叶片数量,Lim与Liv)的异速生长关系(树木本身某一部分的相对增长)进行研究,分析不同冠层高度(上冠层与下冠层)对亚热带常绿阔叶林内常绿和落叶树种的单叶生物量与出叶强度之间关系的影响。【结果】1)常绿和落叶树种的Liv、比叶面积和单叶面积均存在显著差异(P0.05),但两者的叶片数量、ILM、Lim和茎密度均无显著差异(P 0.05)。常绿树种在不同冠层高度处的叶片数量、Liv、比叶面积、Lim和茎密度均存在显著差异(P0.05),但落叶树种在不同冠层高度处仅与比叶面积存在显著差异(P0.05)。2)常绿和落叶树种不同冠层高度当年生小枝的单叶生物量与出叶强度之间均为负等速关系;冠层高度对常绿树种小枝ILM-Lim的异速生长指数(方程斜率)无显著影响(P=0.95),但上冠层小枝ILM-Lim的异速生长常数(方程截距)显著高于下冠层(分别为1.24、1.05);冠层高度对落叶树种当年生小枝ILM-Lim的异速生长指数(P=0.65)与异速生长常数(P=0.83)均无显著影响。3)冠层高度对常绿树种当年生小枝ILM-Liv的异速生长指数(P=0.43)与异速生长常数(P=0.16)均无显著影响,对落叶树种当年生小枝ILM-Liv的异速生长指数(P=0.69)与异速生长常数(P=0.28)也无显著影响。【结论】冠层高度对常绿和落叶树种当年生小枝的单叶生物量与出叶强度之间的负等速关系未产生影响,但冠层高度对常绿树种的异速生长常数则产生显著影响,表明在一定的出叶强度下,上冠层具有更高的单叶生物量,这可能是受当年生小枝在不同冠层高度处的枝、叶资源获取策略不同所引起。     

联合LiDAR、高光谱数据及3D-CNN方法的树种分类

【目的】探究三维卷积神经网络（3D-CNN）在高光谱数据支持的树种分类中的有效网络构建方式，以提高树种分类精度。【方法】以美国加利福尼亚州内华达山脉南部为研究区，LiDAR数据获取的森林冠层高（CHM）进行单木分割并以此为补充建立样本，改进一种结构更简单、分类精度更高且无需对高光谱数据进行预处理的3D-CNN网络结构用于森林树种识别。【结果】相较于常规机器学习分类方法【支持向量机（SVM），随机森林（RF）】、传统二维卷积神经网络模型（2D-CNN）及最新多光谱分辨率三维卷积神经网络（MSR 3D-CNN）模型，本研究提出的3D-CNN模型对树种总体分类精度为99.79%，平均交并比（MIoU）为99.53%。与SVM和RF分类结果相比，本研究构建的3D-CNN模型总体分类精度提高5%左右，且具有对树种边界提取更加准确、椒盐现象更少发生的特点；与2D-CNN相比，总体分类精度提高10%左右，MIoU提高7%左右；与MSR 3D-CNN相比，总体精度相差不大，但在训练和测试过程中，本模型耗时远远小于MSR 3D-CNN模型。【结论】本研究改进的3D-CNN模型结构能够高效对原始高光谱影像...     

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。