基于无人机三维信息的杉木新造林林分参数遥感估测研究

以福建顺昌埔上国有林场的杉木新造林为研究对象,采用大疆Phantom 4 Multispectral无人机分2次获取研究区的无人机影像,并以无人机影像为数据源,从研究区的数字表面模型（DSM）中提取冠层高度模型（CHM）。根据局部最大值算法和分水岭算法,从CHM中获取研究区杉木的树高和冠幅数据;同时在研究区设立15个标准地,采用测量杆测定各标准地内所有杉木的树高和南北冠幅;以随机选取、且在影像中具有精确位置的265棵杉木为单木水平的实测数据,以及各标准地内杉木的平均树高和平均南北冠幅为林分水平的实测数据,分别从单木和林分角度对杉木树高和冠幅的遥感估测精度进行评价。结果表明：2次飞行作业之间树高的估测精度分别为90.86%和91.34%,南北冠幅的估测精度分别为83.55%和83.95%;在单木水平上,遥感估测的树高精度为R²=0.89、RMSE=22.37 cm、EA=91.00%;南北冠幅精度为R²=0.70、RMSE=27.33 cm、EA=82.22%;在林分水平上,树高的估测精度为R²=0.95、RMSE=12.27 cm、EA=94.61%;南北冠幅的估测精度为R²=0.82、RMSE=11.24 cm、EA=92.20%。遥感估测的树高均值比野外测量的树高均值小0.07 m,南北冠幅均值比野外测量的均值小0.04 m。基于无人机三维信息实现了研究区杉木树高和冠幅的精确估测,且在飞行参数一致的情况下,不同飞行区域和飞行批次之间的估测精度相近。研究可以为杉木新造林快速、稳定的监测和经营管理策略的科学制定提供基础数据。     

基于机载LiDAR落叶松树冠几何形状三维重建关键技术研究

森林冠层的三维重建研究能够更加直观反映森林空间结构,提高森林参数的测量精度。目前小光斑激光雷达已经广泛应用于林业研究中。为建立落叶松树冠三维形状模型,以长春净月潭实验区落叶松机载LiDAR(LiDAR,Light Detection And Ranging)数据为基础,采用K-means算法提取建模参数。该算法以单木树冠顶点作为初始聚类中心,经过4次迭代估测出单木树高和单木树冠直径,通过与试验区的单木实测数据对比,进行相关性分析,得到估测树高和估测树冠与实测数据相关系数分别为0.892 4和0.769 0,经过验证,估测树高和估测树冠的精度为94.06%和82.21%。利用激光雷达提取出的单木坐标、树高、树冠和冠基高采用旋转抛物线方法重建森林尺度三维模型呈现森林结构。     

利用机载激光雷达数据提取单株木树高和树冠

机载激光雷达是一种主动遥感技术。在林业应用方面,高采样密度激光雷达能够获取单株木三维结构特征,采用不同的数据处理方法,可以得到不同精度的单株木参数。该文利用高采样密度的机载激光雷达数据（离散回波,平均激光点间隔0.52 m、平均光斑直径0.3 m）,研究了单株木的树高提取技术和树冠边界识别算法,针对单株木的树冠特征,提出了一种双正切角树冠识别算法;最后,使用重庆铁山坪林场的9个外业样地数据,对单株木树高和冠幅,以及样地平均树高和平均冠幅进行了验证。结果表明,单株木树高和冠幅的R2分别为0.34和0.03,样地平均树高和平均冠幅的R2分别为0.97和0.71,样地尺度的相关性明显高于单株木尺度的相关性。      

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.     

运用激光雷达数据的单木树冠提取算法对帽儿山林场单木参数估测的影响

选取黑龙江省尚志市帽儿山实验林场的10块高郁闭度的天然次生林样地为研究对象,利用激光雷达数据构建的冠层高度模型(CHM),分别使用分水岭分割算法、区域生长法和区域的分层横截面分析(RHCSA)3种方法提取单木位置、树高和冠幅信息。利用手动勾绘的单木树顶和树冠作为参考数据进行精度检验(包括单木树冠提取精度和单木参数估测精度检验),探索不同单木提取算法估测单木参数的可行性。结果表明:RHCSA算法对单木树冠提取的总体精度为83.64%,区域生长算法总体精度为75.19%,分水岭算法总体精度为68.65%;对于单木参数估测,区域生长法与分水岭算法的单木定位精度高(R_(MSE)为1.12 m),RHCSA算法得到最高的树高与冠幅提取精度高(R_(MSE)分别为0.62、1.11 m)。因此,RHCSA算法更适用于帽儿山林场单木树冠提取与单木参数的估测。     

应用地面三维激光扫描对白桦单木结构参数的提取

应用地面三维激光扫描仪,在大小兴安岭地区的4块白桦(Betula platyphylla)次生林样地进行单木扫描,对扫描后树干点云进行分层处理并设置阈值;运用Hough变换算法提取单木位置与胸径,利用树干生长方向得到树高与冠幅;运用回归分析对算法估计值和实测值进行拟合,判断算法的准确性;利用体元模拟法与传统体积计算方法分别估测树冠体积,分析两种算法的差异。结果表明:4块样地的单木识别率较高,平均为86.5%;4块样地的单木胸径、树高、冠幅估测的决定系数(R~2),分别为0.82、0.79、0.83,相应的均方根误差分别为2.03 cm、1.98m、0.45 m,显示了较好的估算精度;利用体元模拟法与传统树冠体积计算方法得到4块样地中树冠体积的平均差异为35.6%,两种算法间4块样地平均决定系数为0.96,拟合较好。     

基于分水岭算法的无人机不同飞行高度下林木冠幅提取研究

树冠是林木重要的组成部分之一,林木冠幅信息精确提取对森林资源调查和树木生长动态监测有着重要的意义。通过设置不同的无人机飞行高度,以哈尔滨市城市林业示范基地中的樟子松样地为对象,分别利用传统分水岭算法和改进分水岭算法对单木树冠和林隙进行提取,并对树冠冠幅和树冠投影面积进行估算,最后与实测数据进行对比分析。结果表明:1）基于传统分水岭算法平均单木冠幅识别率为51.11%,平均欠分割率为25.18%,平均过分割率为11.11%;树冠冠幅和树冠投影面积平均提取精度分别为69.72%和53.59%,说明传统分水岭算法对单木冠幅提取效果一般。2）改进分水岭算法平均单木冠幅识别率为80.74%,平均欠分割率为8.15%,平均过分割率为6.67%;树冠冠幅和树冠投影面积平均提取精度约分别为79.84%和76.04%,表明改进的分水岭算法对林木单木冠幅提取精度较高。3）50 m飞行高度下样地中林隙面积在0~5 m²和5~10 m²各占57.89%和31.58%;林隙形状指数分布在1.14~1.85,平均值为1.36;研究表明,利用改进分水岭算法在50 m无人机飞行高度获取的林木影像可以有效提取林木树冠和林隙面积信息,研究结果可为森林资源调查提供有效参考。     

结合无人机可见光和激光雷达数据的杉木树冠信息提取

以年珠实验林场为研究区,以无人机可见光正射影像和激光雷达数据为数据源,采用分水岭分割与面向对象结合的方法提取不同郁闭度下杉木单木树冠信息,并对提取精度进行验证首先采用面向对象法基于无人机可见光影像提取树冠区域,然后基于构建的CHM进行分水岭分割获取单木树冠初步分割结果,最后基于初步分割结果对树冠区域进行二次分割,提取单木树冠信息。结果表明：不同郁闭度林分条件下单木树冠信息提取效果较好,其中单木树冠提取F测度分别为88.07%～95.08%和78.57%～88.29%;提取的树冠面积与实测面积建立的线性回归模型,R²分别为0.8591和0.7367,RMSE分别为2.49 m²和3.29 m²;提取的冠幅与实测冠幅建立的线性回归模型,R²分别为0.8306和0.7246,RMSE分别为0.46 m和0.57 m。基于无人机可见光影像采用面向对象多尺度分割法提取树冠区域很好的消除了样地内裸地及林下灌木等因素的影响;同时,无人机LiDAR数据能够更加精确的区分单木信息,2种数据源结合发挥了二者的优势,提高了单木树冠的提取精度。本研究可为快速获取不同郁闭度林分下单木树冠信息提供参考。     

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。     

坡度对应用机载激光雷达估测人工针叶林单木参数的影响

以黑龙江省佳木斯市桦南县孟家岗林场为研究对象,利用2017年的机载激光雷达(ALS)数据构建冠层高度模型(CHM),探索坡度对单木参数估测的影响。研究区域内坡度分为4级,Ⅰ级为平坡:坡度<5°;Ⅱ级为缓坡:坡度5°~14°;Ⅲ级为斜坡:坡度15°~24°;IV为陡-急-险坡:坡度≥25°。每一级选取8块高郁闭度的人工针叶林样地(50 m×50 m),应用基于区域的分层横截面分析法(RHCSA)进行单木树冠提取,估测单木位置、树高和冠幅信息,利用目视解译的单木树顶和树冠作为参考数据进行精度检验(包括单木树冠提取精度和单木参数估测精度检验)。结果表明:不同坡度下单木树冠提取和单木定位估测均有显著差异(p<0.05)。其中,平坡上的单木树冠提取总体精度最高(均值为84.61%),陡-急-险坡上的总体精度最低(均值为41.31%);缓坡上的单木定位精度最高,平均的均方根误差为1.16 m,陡-急-险坡上单木定位精度最低,平均均方根误差为1.58 m。但是,不同坡度下单木树高和冠幅的估测结果差异并不显著(p>0.05)。因此,应用CHM进行单木参数估测时,虽然进行了地形标准化,但还是需要考虑坡度对单木树冠提取和单木定位的影响,而其对树高和冠幅的影响不大。     

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。     

倾斜摄影测量技术提取落叶松人工林地形信息

目的林下地形是提取单木树高、冠幅等森林参数的必备条件,但由于林区地形起伏较大,传统的测量手段难以获取大范围高精度的森林地区数字地形模型（DTM）。近年来,倾斜摄影测量克服了传统测量技术的缺点,成为获取三维地理信息的新型手段。本文使用无人机倾斜摄影测量技术提取落叶松林下地形,并评测精度与适用性,为后续基于倾斜摄影测量技术提取单木参数的研究提供参考。方法选择内蒙古旺业甸林场内山区典型落叶松幼龄林、中龄林和成熟林林分在落叶季进行无人机飞行,采用Context Capture软件对获取的落叶季倾斜像片进行三维重建,生成林区点云。使用布料模拟滤波、加权线性最小二乘、渐进不规则三角网加密法、渐进形态学滤波算法从点云中提取地面点,并采用3种插值方法插值地面点生成测区完整地形。使用激光雷达DTM作为验证数据评价精度。结果不同算法的地形提取精度与郁闭度相关。在幼龄林区域和中龄林区域,布料模拟滤波提取地面点的精度最高,决定系数（R2）均达到0.999,均方根误差（RMSE）分别为1.61 m和0.47 m;在成熟林区域,渐进三角网滤波效果最好,R2为0.999,RMSE为0.39 m。在不同郁闭度林分选择最优滤波算法基础上,比较不同插值方法生成的数字地形模型（DTM）精度,结果表明:在幼龄林和中龄林,布料模拟滤波点云后经不规则三角网（TIN）插值得到的DTM精度最高,RMSE分别为1.58 m和0.44 m;成熟林分渐进不规则三角网加密滤波后地面点经克里金（Kriging）法插值得到的DTM精度最高,RMSE为0.31 m。结论实验证明,倾斜摄影测量技术可用于落叶松林分地形提取。      

基于LiDAR数据和Quickbird影像的树高提取方法及应用

为了有效提取树冠边界、树冠顶点和树高信息,提出了一种考虑下层木高度的树高查找模型。该模型通过基于数学形态学的分水岭方法分割滤波处理后的LiDAR数据和Quickbird影像获取树冠边界;取树冠内最高点作为树冠顶点,提取树高;并利用W eibull函数预测下层木高度。试验结果表明,该方法能够自动有效地提取树冠边界,树高信息与野外实测的高度信息的R2=0.93,W eibull函数预测R2=0.93,能够满足实际应用的需求。     

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。     

基于无人机倾斜摄影技术的单木参数提取及胸径模型构建

以南京森林警察学院校园内丁山脚下的行道树区域为研究区域,通过旋翼无人机搭载五目摄像机获取该区域的三维立体影像,在该影像上提取样木的树高、冠幅2个参数,并用全站仪获取相同的样木数据,验证2个参数的测量精度,建立胸径的反演模型。结果表明：通过无人机提取的样木树高的平均相对误差为3%,提取冠幅的平均相对误差为2%。建立模型的48组样本数据中,以冠幅、树高为自变量,胸径为因变量建立的二元胸径反演模型的效果最好,其决定系数高达0.9,均方根误差最小,为0.83;12组用于检测的数据样本中,平均误差均在正常范围内,树高&冠幅−胸径的二元反演模型的平均误差低至0.63 cm,误差率4.8%,因此二元胸径反演模型是本研究中最优胸径反演模型,且精度较高。本研究可为快速准确的获取研究区域的样木参数,进而计算出精度较高的胸径值,降低林业工作人员的外业强度,为精准林业调查、林地检测提供了新的技术参考。     

基于无人机激光雷达的人工林碳储量线性与非线性估测模型比较

【目的】森林碳储量是生态系统结构与功能的重要指标,掌握森林碳储量现状有利于森林资源管理。激光雷达能够用于监测森林资源,但是存在森林参数估测的模型多、变量不确定和缺乏林分三维结构解析意义的变量等问题,因此,需要选择合适的林分解析变量和模型。【方法】借助无人机激光雷达点云数据与样地调查数据,以内蒙古自治区赤峰市喀喇沁旗旺业甸人工林为研究对象,分别使用多元线性模型与多元乘幂模型以不同变量对林分碳储量进行估测,选出最优模型并进行精度评价。【结果】研究表明:(1)模型方法而言,非线性模型的检验效果优于线性模型的检验效果:非线性模型(R2为0.66～0.86,rRMSE为23.51%～9.91%),线性模型(R2为0.52～0.85,rRMSE为27.70%～12.38%)。(2)模型使用平均高、郁闭度为基础变量,以穷举法筛选出来的变量组合,估算森林参数得出最佳模型,其中非线性模型以激光点云平均高、郁闭度、高度变动系数和叶面积变动系数的估算精度最高(R2=0.86,rRMSE=9.91%)。【结论】通过激光雷达估测人工林碳储量时,加入垂直结构变量可以提高模型拟合效果,非线性模型比线性模型更适合人工...     

基于标记控制区域生长法的单木树冠提取

根据2009年激光雷达数据、正射影像图及二类调查数据,选取凉水国家自然保护区针叶林和阔叶林样地进行单木树冠提取研究,包括利用动态窗口局域最大值法对单木位置进行探测,以及采用标记控制区域生长法进行树冠边界的勾绘,分别从样地和单木两个层次进行评价。结果表明:样地尺度上,针叶林和阔叶林的树冠面积相对误差的平均值分别为8.74%和-8.24%。单木尺度上,针叶林样地的生产者精度在62.2%~77.3%浮动,用户精度在71.5%~83.9%浮动;而阔叶林样地的生产者精度达到76.1%~91.2%,用户精度达到78.5%~92.5%。阔叶林样地勾绘精度浮动较大,但略优于针叶林样地的勾绘精度,是由于阔叶林样地中树冠分布较稀疏所致;而"位置匹配但过度生长"的情况过多是针叶林样地树冠提取精度不高的主要原因。