基于机载LiDAR全波形数据白桦林林分LAI反演研究

为提高森林叶面积指数(LAI)的估测精度,本研究以白桦林为研究对象,以机载激光雷达(LiDAR)全波形数据为研究数据,首先提出了机载LiDAR全波形数据读取与波形特征信息提取的相关算法,结合具体算法的实现分析出每条全波形对应的各波形分量的能量信息,然后依据波形能量信息在传统激光穿透指数(LPI)计算的基础上结合全波形数据的特点,计算出全波形激光穿透指数(LPIfi),最后获得样地体元激光穿透指数(LPIf-mean),用于估测森林林分LAI,并将估测结果与机载LiDAR离散回波点云数据估测森林LAI的结果进行了对比。结果表明,全波形样地体元激光穿透指数LPIf-mean与森林林分LAI之间的建模精度R~2=0.815,RMSE=0.105,预测精度R~2=0.864,RMSE=0.139,同时在同等样地尺度下,全波形数据返回脉冲能量信息估测森林LAI的精度要高于离散回波点云数据的,因而,基于机载LiDAR全波形数据能够实现森林林分LAI的高精度反演。可以为进一步森林生态参数模拟与估测提供高精度的基础数据,弥补和提供了机载LiDAR全波形数据估测森林LAI的方法和思路。     

依据BP神经网络的机载LiDAR数据估算林分平均高

以东北虎豹国家公园范围内的针叶纯林为研究对象,结合2018年9月机载LiDAR点云数据和同步地面调查数据,提取半径为15 m的圆形采样尺度下的LiDAR点云特征变量为数据基础,采用BP神经网络算法、逐步回归法分别构建林分算术平均高模型和林分加权平均高模型,实现对林分平均高的估测.其中在利用BP神经网络算法构建模型时分别选择了贝叶斯正则化算法和L-M算法作为神经网络训练算法.结果表明:BP神经网络算法对数据具有更好地解释能力,其构建的林分平均高模型相关系数(R2)均在87％以上,高于逐步回归法构建的林分平均树高模型;林分加权平均高模型精度更高,用样地加权平均高作为实测值时,采用逐步回归算法、BP神经网络L-M算法、BP神经网络贝叶斯正则化算法构建的模型的检验样地数据的决定系数(R2)分别为0.858、0.919、0.908,树高估测精度(P)分别为88.6％、89.8％、91.2％,与以林分算术平均高作为实测值构建的估测模型相比,决定系数(R2)分别提升了4.9％、3.7％、3.4％,估测精度(P)分别提升了2.9％、2.4％、1.5％;BP神经网络的不同训练函数之间无明显性能差异,两种不同训练方法构建的林分平均高模型的决定系数R2及树高估测精度(P)略有差异,但整体相差较小.     

基于机载LiDAR点云估测林分的平均树高

以内蒙古上库力农场为研究区,基于高程归一化后的植被点云数据计算了植被点云高度阈值平均值,建立林分平均树高线性回归模型,并进行精度评定。结果表明,模型估测平均树高精度最高为99.81%,最低为87.09%,总体平均精度为94.56%。利用植被点云高度阈值平均值估测林分平均树高具有较高的可靠性。     

基于机载LiDAR数据的玉米叶面积指数反演

以机载LiDAR离散点云数据为数据源,基于植被冠层孔隙率与叶面积指数的关系,提出一种反演大田玉米叶面积指数的方法。对反演LAI和实测LAI进行对比分析,结果表明:基于Axelsson改进的不规则三角格网加密方法可以将地面点和非地面点分开,结合高分辨率影像能够提取出玉米冠层点云;基于孔隙率反演LAI,尼尔逊参数的选择对结果影响很大,利用扫描天顶角模拟尼尔逊参数,LAI反演结果接近于真实情况。利用机载LiDAR点云数据能精确地反演大田玉米LAI,该研究方法适用于中等高度的农作物,可以扩展到甜菜、甘蔗等其他中等高度农作物。     

基于变量优选的机载激光雷达对林分平均高的反演

森林高度是反映森林数量和质量的重要指标,是森林经营管理的重要基础数据,准确获取森林高度信息一直是林业遥感研究的目标。本研究以广西高峰林场的105块地面实测样地数据和机载激光雷达(Light detection and ranging, LiDAR)数据为基础,从点云数据中提取35个特征变量,分别采用支持向量机-递归特征消除法(SVM-RFE)、轻量级梯度提升机(LightGBM)和主成分分析(PCA)法进行特征筛选,并结合参数模型(LR)和非参数模型(RFR、KNN)对林分平均高进行反演。研究结果表明,不同特征选择方法和估测模型的组合精度差异较大。其中,利用LightGBM进行特征筛选结合KNN回归反演效果最佳,建模的R²和RMSE分别为0.83和1.64 m,验证的R²和RMSE分别为0.81和1.56 m。此外,在SVM-RFE、LightGBM和PCA这3种特征筛选方法中LightGBM的效果最好,无论在RFR模型还是在KNN模型中均能得到较高的R²,优于SVM-RFE和PCA。     

基于TanDEM-X数据的林分平均高反演方法研究

以TanDEM-X /TerraSAR-X HH单极化干涉对和GF-2遥感数据为基础,提出结合极化干涉与混合像元分解技术的改进差分法来反演林分平均高,并利用外业数据进行精度验证。结果表明：以植被丰度校正冠层高度模型,林分平均高的估测精度和R²值得到大幅提高,均方根误差也随之降低。因此,本研究提出的方法能有效降低林分低郁闭度产生的混合像元作用对林分平均高反演的影响,提高林分平均高的反演精度。     

基于机载LiDAR的高郁闭度华北落叶松林单木识别

【目的】高郁闭度华北落叶松林Larix principis-rupprechtii林木树冠交叉重叠,传统的基于高分辨影像的单木识别方法识别精度不高。利用机载LiDAR三维点云数据可提高高郁闭度华北落叶松林的单木识别精度。【方法】在点云数据预处理基础上,提出基于点云空间特征的高斯核函数改进的均值漂移单木位置识别方法 (MSP),比较并分析MSP法与基于点云空间特征的区域生长点云分割方法 (RGP)、基于冠层高度模型的局部最大值单木位置识别方法 (LMC)和基于冠层模型的多尺度分割单木位置识别方法 (MSC)的单木识别效果。【结果】4种方法单木位置识别精度从大到小依次为MSP(89.30%)、LMC (85.60%)、RGP (77.50%)和MSC (70.00%),MSP的漏分误差和错分误差最小,分别为8.7%和8.0%,平均单木冠幅提取精度为90.18%。【结论】提出的MSP法对高郁闭度华北落叶松林单木位置识别具有较好的适用性,利用机载LiDAR可为提取华北落叶松林森林结构参数提供新的途径。图3表3参28     

基于LiDAR点云能量信息的樟子松郁闭度反演方法

为提高小光斑激光雷达估测针叶林郁闭度的精度,采用回归分析法建立多变量回归模型,通过对小光斑激光 雷达点云数据进行处理,分别提取3 个数量比值变量、3 个能量比值变量,并建立郁闭度单变量反演模型,接着在单 变量的基础上进行多元线性回归分析,建立郁闭度多变量反演模型,最后用剩余数据对所建立的反演模型进行精 度评价。结果表明:在郁闭度单变量反演模型中I2反演模型最好, 拟合相关性为R2 =0.818, Adj R2 =0.810, RMSE = 0.016,模型精度为P =0.978;多变量反演模型中LPI' 和I'3 组合的模型最好, 拟合相关性为R2 = 0.898, AdjR2= 0.889, RMSE =0.012,模型精度为P =0.972。由最终所得模型可知,能量比值变量模型所得结果相对数量比值变 量模型结果要好且稳定,多变量反演模型的拟合相关性及精度都比单变量模型要高。本研究所提取的参数相对较 少,且能量比值变量的提取有一定的局限性,未来研究中应提取更多的高效参数且进一步加强能量比值变量的探究。      

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数,一直是气候变化和生态研究中的热点,遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象,以机载LiDAR和Landsat8/OLI为信息源,结合44块样地实测数据,使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上,进一步构建区域尺度的LAI反演模型,实现景洪市橡胶林LAI的反演。结果表明,基于LiDAR的林分水平模型中,SVR模型最优,决定系数（R²）为0.76,相对均方根误差（rRMSE）为17%,估测精度（P）为83%;以SVR模型估测结果作为区域尺度遥感反演模型的先验样本,结合Landsat8/OLI数据的BP神经网络模型反演效果最好,估测精度达76%。     

基于体素的森林地区机载LiDAR数据DTM提取

机载LiDAR是一种能够直接、快速获取被测目标三维空间信息的主动式遥感技术,被广泛用于获取高精度的数字地面模型,但是在植被比较密集、地势比较陡峭的森林地区,能够穿透植被到达地表的激光脚点数量较开阔区域少,对于提取精确的DTM有一定难度。该文提出一种继承式多分辨率体素滤波算法,从机载激光扫描数据中获取森林地区的DTM。该方法将激光点云数据划分为不同分辨率等级的体素,以体素为单位通过与邻域体素的高程加权均值比较,剔除植被点,保留地面点,从而获取森林地区的DTM。实验证明该滤波方法能够有效地提取森林地区的DTM。      

极化干涉SAR森林冠层高反演的地形坡度改正

极化干涉SAR森林冠层高反演是当前SAR领域研究的热点。经典的森林冠层高反演算法主要基于随机地表二层相干散射模型(Random Volume over Ground,RVo G),该模型在山区受到植被层下地表的地形坡度影响,反演精度存在较大误差。为了提高森林冠层高反演精度,采用地形坡度改正的S-RVo G(Sloped Random Volume over Ground)模型,结合三阶段算法,应用德国宇航局DLR提供的星载Tan DEM-X全极化干涉数据反演森林冠层高,并对结果进行验证。结果表明:坡度级为II、III级,RVo G模型反演效果接近于S-RVo G模型;坡度级为IV级,RVo G模型与二调平均树高的相关关系明显下降,加权相对误差和RMSE增大;S-RVo G模型与二调平均树高保持显著相关关系,反演误差同比小于RVo G模型。因此,S-RVo G模型一定程度上改正了地形坡度造成的误差,提高了森林冠层高反演精度,在坡度大的地区精度提升程度更为明显。     

基于机载激光雷达的森林地上碳储量估测

以内蒙古大兴安岭生态站为研究对象,以2012、2013年的66块样地数据和2012年同步获取的机载Li DAR遥感数据为数据源,分别采用多元线性回归和随机森林回归算法,通过对比不同算法间的估测精度差异,选择更适于研究区的估测方法,实现研究区森林地上碳储量的遥感估测。结果表明:随机森林回归算法的估测精度最优,模型训练精度(R2为0.861,RMSE为11.133 t/hm2,rRMSE为0.279)和预测精度(RMSE为17.956 t/hm2,rRMSE为0.342,估测精度范围40.898%~95.129%,平均估测精度76.385%)均优于多元线性回归的模型训练结果 (R2为0.676,RMSE为11.846 t/ha,rRMSE为0.351)和模型预测结果(RMSE为22.703 t/hm2,rRMSE为0.636,估测精度范围45.824%~94.752%,平均估测精度69.859%)。机载Li DAR数据的高度变量和密度变量与森林地上碳储量均具有显著相关性,高度变量相关性更为显著。随机森林回归算法对区域森林地上碳储量的估测结果趋于真实分布情况,效果比较理想。     

TanDEM-X极化干涉SAR森林冠层高度反演

森林树高是反映森林蓄积量、生物量、碳储量和立地质量的关键指标。极化干涉SAR技术是森林树高估测的有效手段之一,但数据获取及数据质量一直是极化干涉SAR树高反演研究的主要制约因素。以云南省勐腊县为实验区,基于德国DLR提供的双站模式Tan DEM-X Co SSC全极化干涉数据,采用三阶段算法、以及两种结合极化干涉优化的相位差分-相干幅度法反演了实验区的森林冠层高度。结果表明:三阶段算法的反演结果数值相对合理,与二类调查数据的空间分布格局相似;相位差分-相干幅度法的反演结果在林区出现部分负值,而在非林区却反演出冠层高度、且呈现条纹状,反演结果与二类调查数据的空间分布差异较大、相关性低。因此,三阶段算法结合双站模式的Tan DEM-X全极化干涉数据,能够在实际树高估测反演中发挥作用,为辅助森林资源调查工作提供了新手段。     

基于Hyperion数据的香格里拉森林郁闭度遥感估测研究

基于Hyperion高光谱数据,采用2种方法进行波段选取,将选择的波段数据进行特征提取变量,采用偏最小二乘法分别对2种方法选择的特征变量建立香格里拉主要树种郁闭度遥感估测模型,并进行精度检验评价。结果表明：基于实测样地郁闭度差异特征分析选择的Hyperion特征波段建立的模型R²为0.837、估测精度为82.09%,基于遥感影像进行分段主成分分析选择的Hyperion特征波段建立的模型R²为0.764、估测精度为78.4%,基于样地数据郁闭度变化敏感性分析模型优于基于Hyperion影像的分段主成分分析模型;分段主成分分析法所选出的特征波段虽然包含了较多的波段信息,但是很多为连续波段或者波长较近的波段,波段之间的相关性较高,导致建模精度不如预期。     

基于稀疏型机载激光雷达数据的风景林参数估测

稀疏型机载激光雷达（LiDAR）数据,由于点云密度低,难以对单木尺度的森林参数进行估测,在森林资源监测领域的潜在应用价值没有得到充分发挥。以江苏省南京市紫金山国家森林公园为研究区,以2007年机载激光雷达Optech ALTM LiDAR数据、2007年森林资源规划设计调查数据为主要信息源,在机载LiDAR数据预处理、特征参数提取的基础上,采用多元线性回归、随机森林、支持向量机3种方法,估测小班林分平均树高、平均胸径和单位蓄积量并进行对比分析,同时对森林参数进行空间制图。结果表明:1） 高度百分位数和累计高度百分位数是影响小班平均胸径、平均树高和平均蓄积量的主要特征参数;2）3个遥感估测模型精度对比分析表明,平均胸径、平均树高、单位蓄积量3个参数的估测精度,均是随机森林算法最高,支持向量机次之,多元线性回归最低;3）平均树高、平均胸径、单位蓄积量的空间分布规律一致,人为干扰严重的公园边缘地区和土层瘠薄、立地条件差的山脊较低,山南及山北中部最高。稀疏型机载激光雷达（ALS）数据在林分尺度的森林参数估计中具有较高的精度,可以用于森林资源规划设计调查小班的测树因子估测。本研究应用稀疏型机载激光雷达数据估测风景林森林参数,为稀疏型LiDAR数据在森林资源规划设计调查中的推广应用提供参考。     

基于像元二分模型的森林郁闭度估测方法

以遥感影像与森林资源一类调查数据为基础,基于归一化植被指数(NDVI)的像元二分模型对密云县森林郁闭度进行遥感估测,模型的纯像元植被指数通过样地数据来确定.经验证,模型估测值与实测值相关系数为0.73,相对误差为14.40％.结果说明,采用像元二分模型与森林资源一类调查数据结合进行森林郁闭度估测,技术路线简单可靠,精度可满足要求,同时能弥补TM影像分辨率的不足,具有一定的推广价值.     

基于ICESat-GLAS全波形数据的坡地森林冠层高度估测

地形坡度对星载LiDAR的回波波形会产生很大的影响,并会进一步影响森林结构参数的正确估测.比较两类参数量化地形坡度的能力：辅助地形DEM数据的地形指数和波形自身参数后缘长度,以在反演坡地森林冠层高度时仅从回波波形本身出发,而不需要借助于其他辅助数据.采用估测坡地森林冠层高度的两组对比模型来比较：第1组对比模型是Xing模型和基于未改进的后缘长度的线性模型;第2组对比模型是Xing模型和基于改进的后缘长度的线性模型.结果表明,在两组对比模型中,基于波形自身特征参数的模型结果均优于基于辅助地形DEM数据的地形指数的Xing模型,说明在量化地形坡度时,波形的自身特征参数的量化能力要高于辅助地形DEM数据的量化能力.     

基于腾讯街景的林地郁闭度提取方法研究

从腾讯街景中提取全景图像集,通过图像拼接技术将圆柱形全景图转换成方位角鱼眼图像,结合图像增强、图像二值化等数字图像处理技术以提取上海市植物园林地的郁闭度,把提取结果与通过非监督分类法计算得出的郁闭度以及实地勘测的郁闭度进行比较,以验证该方法的可行性和准确性。结果表明：腾讯街景法的绝对误差平均值(0.027)和标准差(0.031)均小于非监督分类法的,说明腾讯街景法的绝对误差离散程度小、相对稳定。腾讯街景法的R²为0.977,RMSE为0.054,为较优的估测方法。腾讯街景法的拟合线斜率为0.952,表明腾讯街景法的整体估测值偏小;而非监督分类法的拟合线斜率为1.013,则表明非监督分类法的整体估测值偏大。     

基于赤池信息准则和人工神经网络的亚热带森林郁闭度遥感估算

以江西省泰和县为研究区,探讨利用Landsat TM影像进行亚热带森林郁闭度森林遥感估算的可行性。首先,利用赤池信息准则(AIC)筛选了用于建模的遥感变量因子,通过模拟试验确定了估算森林郁闭度的前馈神经网络(BP)模型参数,利用检验样本数据验证了模型结果的可靠性。结果表明,遥感变量因子之间存在着强的相关关系,为了保证所建模型的效果需要剔除部分因子,利用BP神经网络建立的森林郁闭度模型的模拟和拟合精度都优于逐步回归模型,研究区内森林郁闭度较高,有47.8%的森林郁闭度大于0.7,但空间差异明显,西部和东部山区森林郁闭度高于中部丘陵森林的郁闭度。