小光斑激光雷达数据估测森林树高研究进展

小光斑激光雷达可以同时获得森林的垂直及水平结构参数,因光斑直径较小,可以做到森林单木结构参数的准确估计,进而推广到样方甚至更大区域森林结构参数的估计,近年来在林业中得到广泛应用。文中主要从树高估计方面对小光斑激光雷达在林业中的应用进行研究,通过对先前类似文献进行归纳总结发现,在小光斑激光雷达估测森林树高方面仍存在着一些问题,从而限制了森林树高估测精度的提高,如点云分类算法、点云密度、森林郁闭度、单木的准确分割等,还对小光斑激光雷达估计森林树高中所存在的问题进行了概括,并提出了改进建议。     

基于机载LiDAR多回波类型森林叶面积指数反演研究

森林叶面积指数(Lai)作为森林的重要结构参数,对于研究森林物质能量交换相关的生理活动具有重要意义。为提高森林Lai的反演精度,本研究充分利用激光雷达点云数据多回波类型之间所含信息的差异,通过对机载激光雷达点云数据预处理后,基于点云数据的多回波类型,共提取了6个激光穿透指数(Lpi),分别与野外样方实测Lai建立线性回归模型用于估测森林Lai。结果发现:单变量估测模型中,基于首次回波强度Lpi(i LPIfirst)模型最好(R2=0.836,Mad=0.091)。多变量模型中,基于首次回波强度Lpi(i LPIfirst)、冠层回波数量Lpi(n LPIcan)及冠层回波能量Lpi(i LPIcan)的三变量模型估测精度最高(R2=0.883,Mad=0.076),相比于单变量估测模型而言,R2提高了0.047,Mad减少了0.015。结果表明,基于点云回波类型分类的Lpi能够较好的估测森林Lai,且多变量模型的估测精度要优于单变量模型的估测精度。     

机载林业探测大光斑激光雷达系统的设计与应用

激光雷达以其独特的穿透能力在大面积的林业探测中越来越受到重视。以国家林业局调查规划设计院和北京遥测技术研究所共同设计研发的大光斑激光雷达系统为基础,详细介绍了该系统的工作原理、模块组成、设备安装、参数设计、数据处理等,并对该系统的飞行试验数据进行了分析,结果显示,该系统下得到的波形数据可对建筑、农田、森林等地物进行精确地刻画。进一步利用Matlab 2014b软件对大光斑激光雷达回波波形估测森林样地最大冠层高度,并利用与之对应的小光斑激光雷达数据提取的森林最大冠层高度对比,总体平均精度达到89.24%。利用SPSS软件做配对样本T检验,结果表明,该系统下获得的大光斑波形数据估测的森林最大冠层高度与小光斑估测的森林冠层高度的差异显著性为0.366,大于0.05,无明显差异,直接证明了大光斑激光雷达估测森林最大冠层高度的独特性能。因此,在未来的林业探测中,可用该系统对大面积的森林资源进行探测,为大面积估测林分最大高、平均高、郁闭度、生物量、蓄积量、叶面积指数等一系列森林参数创造了条件。     

小光斑激光雷达数据估测森林生物量研究进展

小光斑激光雷达可以直接获取森林的垂直和水平结构参数,因此广泛应用于森林树高、生物量和郁闭度等结构参数估计。本文主要分析小光斑激光雷达在森林生物量估测中的应用,根据研究尺度的不同,分别对小光斑激光雷达在单木、样方水平森林生物量的反演技术和方法进行详细分析,并对小光斑激光雷达与其他类型遥感数据进行融合,共同用于森林生物量研究的潜能进行阐述,通过对上述分析得出小光斑激光雷达用于森林生物量研究中存在的问题进行总结并对其未来的研究进行展望。     

激光雷达在森林垂直结构参数估算中的应用

激光雷达是近年来迅速发展的主动遥感技术, 激光脉冲对森林具有很强的穿透能力, 在森林垂直结构参数估测中具有巨大的潜力与优势。文中分别总结了小光斑和大光斑激光雷达在获取树高、生物量等森林参数中的应用及其优缺点, 同时分析比较了小光斑和大光斑激光雷达在估测森林参数上的不同; 最后重点介绍了目前唯一的星载大光斑激光雷达ICESat/GLAS系统, 总结分析了其在大面积森林空间结构参数估算中的应用现状, 并对激光雷达前景及其应用中存在的问题进行了探讨和展望。     

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LiDAR的伪大光斑波形数据反演林分平均高

为降低小光斑机载激光雷达因光斑直径太小而导致的脉冲首次回波无法代表冠层高度的影响,以进一步提高小光斑机载激光雷达波形数据在森林结构参数估测中的应用潜能。以内蒙古依根地区为研究区,以机载激光雷达波形数据为基础数据,在波形数据高斯分解的基础上提出一种基于小光斑波形形成伪大光斑波形数据的方法。通过计算样地内各高斯分量脉冲能量占总脉冲能量的比例,将其视为各高斯分量特征参数对应权数,分别求特征参数振幅、位置和半波宽的加权平均数,即为样地伪大光斑波形数据对应高斯函数的特征值。基于小光斑波形数据和伪大光斑波形数据提取特征参数,分别结合野外样方实测平均树高建立回归模型,并进行比较分析。结果小光斑波形反演模型的决定系数R2为0.47,总体平均精度P为78.19%,伪大光斑反演模型的决定系数R2为0.61,估测林分平均高总体平均精度P为90.65%。结果表明,伪大光斑模型反演精度高于小光斑波形反演模型,降低了小光斑LiDAR因光斑直径过小带来的影响,挖掘了小光斑机载LiDAR波形数据的应用潜力。     

基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型构建

森林是全球重要的陆地生态系统,各国普遍采用地面样地调查的方法评估其资源量和生物量。随着激光雷达技术的发展,采用星载大光斑激光雷达估算大区域森林地上生物量将成为另一种选择。为探索利用大光斑激光雷达估算森林地上生物量的方法,提出了一种基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型。比较仿真大光斑激光雷达波形参数13种组合拟合森林地上生物量的效果后,认为多层感知器的估测精度高于多元线性回归。与样地实测地上生物量相比,多元线性回归估测结果的偏差范围为-34.96~23.28t/hm²,多层感知器估测结果的偏差范围更小,为-19.09~20.19t/hm²。因此,多层感知器估测森林地上生物量的效果优于多元线性回归。     

基于5-scale模型人工针叶林叶面积指数反演

以内蒙古赤峰市旺业甸实验林场人工针叶林为研究对象,以哨兵2A(Sentinel-2A)多光谱遥感影像和外业测量的叶面积指数为数据基础,反演人工林叶面积指数。通过5-scale模型和Liberty模型耦合得到不同输入参数与冠层反射率相对应的查找表,利用编程读取查找表与遥感影像,通过对比遥感影像中红光波段和近红外波段反射率,与查找表中红光波段和近红外波段的反射率最接近的值所对应的叶面积指数值,进而实现叶面积指数反演。结果表明：基于5-scale模型反演的叶面积指数,R²=0.822 2,RMSE=0.941 4,其精度要高于一元线性模型的精度,利用5-scale模型反演人工针叶林叶面积指数是可行的。     

机载全波形 LiDAR 数据处理及林业应用研究综述

随着激光雷达技术的发展,近几年对小光斑全波形激光雷达数据处理方法及其应用的研究已成为国内外相关领域关注的热点。文中阐述小光斑全波形激光雷达的组成及数据特点,介绍波形数据的处理流程,并在此基础上概述小光斑全波形激光雷达波形数据在林业中的应用; 基于国内外研究现状,详细论述了波形分解和提取森林结构参数的理论及方法,分析了小光斑全波形激光雷达波形数据处理的局限性及其在林业中的应用前景。     

机载LiDAR航带旁向重叠对针叶林结构参数估测的影响

【目的】研究机载LiDAR航带旁向重叠对针叶林林分平均高和森林叶面积指数(LAI)估测的影响,为机载LiDAR点云数据区域森林结构参数估测提供参考。【方法】野外分别测定30块樟子松、33块长白落叶松样地的林分平均高和LAI,对原始LiDAR点云数据进行去噪、点云分类、高程归一化和重叠点移除等处理,从重叠点移除前、重叠点和重叠点移除后的点云数据中分别提取一系列样方点云高度分位数(HP1、HP5、HP10、…、HP99、Hmax和Hmean)和激光穿透指数(LPI),借助留一交叉验证建立并评价樟子松和长白落叶松林分平均高和LAI估测模型的精度,通过对比分析估测模型的决定系数(R2)和均方根误差(RMSE)揭示机载LiDAR航带旁向重叠对针叶林林分平均高和LAI估测的影响。【结果】对樟子松林分平均高估测而言,重叠点移除前林分平均高的最高估测精度(R2=0.873,RMSE=0.940)出现在HP90处,重叠点林分平均高的最高估测精度(R2=0.892,RMSE=0.866)出现在HP80处,而重叠点移除后林分平均高的最高估测精度(R2=0.892,RMSE=0.868)出现在HP55处;对长白落叶松林分平均高估测而言,重叠点移除前、重叠点和重叠点移除后林分平均高的最高估测精度均出现在HP99处,R2分别为0.725、0.719和0.741,RMSE分别为1.196、1.209和1.161。对樟子松LAI估测而言,重叠点移除前估测结果 R2为0.666,RMSE为0.220,重叠点估测结果 R2为0.551,RMSE为0.255,重叠点移除后R2提高到0.794,RMSE降低为0.172;对长白落叶松LAI估测而言,重叠点移除前估测结果 R2为0.654,RMSE为0.110,重叠点估测结果 R2为0.640,RMSE为0.112,与樟子松估测结果一致,重叠点移除后长白落叶松LAI估测精度大幅度提高,R2变为0.762,RMSE变为0.091。【结论】无论是林分平均高还是森林LAI,相邻航带旁向重叠点移除后的估测精度均高于重叠点移除前和重叠点,且樟子松的估测精度高于长白落叶松。对林分平均高而言,樟子松和长白落叶松达到最高估测精度时所对应的点云高度分位数不同。机载LiDAR点云数据相邻航带旁向重叠点的移除可有效提高森林结构参数的估测精度,在未来机载LiDAR点云数据预处理时应加入重叠点移除操作。     

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。     

高光谱遥感森林叶面积指数估测方法研究

叶面积指数(LAI)是反映植物叶片数量、冠层结构变化、植物群落生命活力及其环境效应的重要参数,其定义为植株所有叶片单面面积总和与植株所占的土地面积的比值。文中总结国内外利用高光谱遥感数据估测森林叶面积指数的研究进展,并对众多的估测方法进行比较,最后分析了高光谱遥感森林叶面积指数估测研究的发展趋势。       

全国林草资源调查机载大光斑激光雷达挂飞检校和验证

森林在全球陆地生态系统中起到重要作用,激光雷达是除样地调查之外能够准确评估其资源量和碳汇量非常重要的技术方法。由于森林高度的空间异质性,获得大光斑激光雷达的准确位置,是其应用于森林资源调查的前提。对新研制的全国林草资源调查机载大光斑激光雷达(NFGI-LIDAR-L)和地面激光探测器,通过编写大光斑激光雷达检校算法,并基于激光能量分布特征改进探测器法计算大光斑激光雷达中心位置算法,实现NFGI-LIDAR-L几何检校。结果显示:基于激光能量分布特征计算大光斑激光雷达中心位置的方法,计算精度从5m提升到1m以内;NFGI-LIDAR-L在x,y,z方向精度和总均方根误差(RMSE)从检校前的60.51,52.76,1.88,80.30m提高到检校后的0.61,0.54,0.05,0.82m,提升了2个数量级;与控制点相比,NFGI-LIDAR-L绝对高程精度在平坦地面可以达到0.12m。通过研究,以期对机载和星载大光斑激光雷达几何检校提供借鉴。     

融合机载和背包激光雷达的桉树单木因子估测

以海南省五指山市4块人工桉树林共计157株桉树为例,融合背包激光雷达和机载激光雷达点云数据对桉树单木因子进行了估测,探究融合数据在森林资源调查中的适用性。估测结果与实际样地数据对比表明,融合点云数据在胸径的估测上,R²=0.982,RMSE=0.868cm;在树高的估测上,R²=0.895,RMSE=2.005m,优于只使用背包激光雷达数据获取树高精度(R²=0.835,RMSE=2.458m)。基于背包激光雷达点云数据获取的单木胸径精度较高,融合点云数据可改善单一背包点云数据对树高上的估测。     

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。     

基于地基激光雷达的植被聚集指数反演方法

植被聚集指数是表征冠层元素空间分布聚集特征的重要参数。精确反演聚集指数对研究植被碳氮循环、冠层生物量估算具有重要意义。地基激光雷达凭借其快速精确获取植被三维空间信息的优势,已成为提取植被聚集指数的重要手段。针对现有聚集指数反演方法均存在一定程度的点云信息浪费,本研究利用地基激光雷达点云数据,提出了一种基于三维间隙的植被聚集指数反演方法。首先通过多站地点云拼接、去噪、滤波等预处理操作,将地面与植被点云分离,再基于滤波结果获取归一化植被点云;然后采用分治方法建立植被点云Delaunay四面体格网模型,用三维孔隙替代传统二维孔隙以获取间隙累积分布函数;最后利用间隙大小分布法计算植被冠层聚集指数。将该方法应用于研究区20块植被样地的地基激光扫描数据,反演得到其植被聚集指数。经实测数据验证,结果表明:该方法充分利用激光雷达精确获取三维空间信息的能力,实现了植被聚集指数高精度反演(R~2=0.74,rRMSE=8.94%),对于激光雷达定量反演植被结构参数具有指导意义。     

基于无人机LiDAR特征变量的南方集体林区蓄积量估测

基于广西壮族自治区森林资源年度监测评价成果数据,采用逐步回归选择机载激光雷达特征变量,建立多元线性回归、Logistic回归和随机森林模型,预测南方集体林区桉树、杉木和天然阔叶林样地的蓄积量。结果表明:1)桉树和杉木样地的逐步回归特征变量多为高度和强度变量,而天然阔叶林样地则是间隙率、覆盖度、叶面积指数等综合变量;2)桉树和天然阔叶林样地,随机森林模型的蓄积量估测精度(桉树R~2=0.97,RMSE=12.60m~3/hm~2;天然阔叶林:R~2=0.90,RMSE=18.45m~3/hm~2)高于多元线性回归和Logistic回归模型,而杉木样地在多元线性回归模型中得到了最优的蓄积量估测结果(R~2=0.91,RMSE=24.30m~3/hm~2);3)在3种模型估测精度中,人工桉树和杉木样地均优于天然阔叶林样地。可见,高密度的激光雷达点云可以获取更优的特征变量,针对复杂的样地条件需要灵活选择估测模型实现蓄积量调查,以便为林草部门进行森林资源调查、监测和经营管理提供科学依据。     

激光雷达技术在森林资源监测中的研究进展

对激光雷达技术在森林资源监测方面的运用前景、局限性和研究进展进行总结,并研究激光雷达技术在森林资源监测方面的成果.结果表明:激光雷达技术植物资源方面的监测主要为森林的整体结构高度、植被的具体高度及森林中植被的占有密度,生物密度方面的监测一般应用小光斑系统,温带气候的森林植被叶面积较为均衡,可采用常规的激光检测进行监测....     

无人机密集匹配点云与机载激光雷达点云的差异分析

为分析无人机密集匹配点云和机载激光雷达点云的异同性,对密集林分(郁闭度0.85)、稀疏林分(郁闭度0.55)和未成林地的2种点云的空间分布进行目视对比分析,并通过2种点云生产的DEM(UAV_DEM和LiDAR_DEM)分别对密集匹配点云进行归一化处理,得到2套归一化密集匹配点云数据,将其与激光雷达点云进行统计特征参数配对样本t检验分析。结果表明:1)在密集林分中,密集匹配点云无法获取冠层内部和地面信息,采用LiDAR_DEM进行归一化后,密集匹配点云的中下部分位数高度及全部分位数密度与激光雷达点云相应统计特征参数均存在显著性差异(α=0.05),但中上层分位数高度的差异不显著;2)在稀疏林分和未成林地中,除下部分位数高度外,其余高度、密度统计特征参数均与激光雷达点云相应参数无显著性差异,但密集匹配点云对幼树三维结构的刻画能力优于机载激光雷达点云。在森林调查监测中,无人机密集匹配点云可直接用于稀疏林分和未成林地的森林参数估测,在既有高精度DEM支持下可对密集林分的一些林分参数(如冠层表面高度等)进行估测。