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。     

基于机载激光雷达和机器学习的林分平均胸径遥感估测

为探究不同模型对林分平均胸径的预测精度,使用贵州省桂花国有林场马厂工区同步获取的机载激光雷达点云数据和地面实测样地数据,通过提取样地水平的点云特征变量,采用方差膨胀因子分析和皮尔逊相关性检验进行自变量选择,建立机器学习模型估测样地平均胸径。结果表明：1)点云特征变量,如平均冠层高度和高度偏态与林分平均胸径有很强的相关性。2)机器学习模型(随机森林、支持向量机、最近邻算法)优于多元线性回归模型,其中,随机森林的拟合效果最好。随机森林的决定系数(R²)为0.71,均方根误差(RMSE)为2.50。3)通过柳杉纯林、针叶混交林、针阔混交林、马尾松纯林4种森林类型的林分平均胸径预测值与实际值差值,进一步证实随机森林模型精度最高,拟合效果最好。利用机载激光雷达点云数据提取点云特征变量,并构建基于机器学习算法的林分平均胸径估测模型是可行的,该方法的精度能满足森林资源调查的应用需求,可作为辅助林业调查工作的技术手段。     

母树林的林分密度对林分质量影响的研究分析

文章通过在母树林内设置标准地调查统计的方法,从林木冠形发育、林木的结实株率、林地中的灌木与草本植物的繁殖与生长情况、林内卫生状况几个方面论述了林分密度对林分质量的影响情况,并得出母树林合理的定株密度能使林分质量最佳的结论。     

基于机载LiDAR数据估测林分平均高

[目的 ]以2016年9月广西壮族自治区高峰林场实验区获取的机载LiDAR点云数据为基础,通过提取30 m×30 m空间林分尺度下的LiDAR点云特征变量实现对林分平均高的估测。[方法 ]首先将105块实测林分平均高度的样地数据按照3:1的比例随机划分为训练样本(79)和检验样本(26),采用随机森林回归(RFR)和支持向量回归(SVR)两种机器学习算法对79个训练样本与对应的林分LiDAR点云特征变量回归建模。建模方案包括随机森林模型、支持向量机模型及随机森林+支持向量机组合模型。其次利用26个检验样本数据评价模型预测精度。最后统计3个模型中训练样本和检验样本对应的精度评价指标,以一个预测精度高、泛化能力强的模型作为最终模型进行林分平均高制图。[结果 ]表明:随机森林模型的训练样本和检验样本的决定系数(R2)分别为0.886 1和0.837 5,均方根误差(RMSE)分别为1.22和1.56;支持向量机模型的训练样本和检验样本的决定系数(R2)分别为0.886 4和0.840 9,均方根误差(RMSE)分别为1.21和1.54;组合模型的训练样本和检验样本的决定系数(R2)分别为0.859 8和0.853 2,均方根误差(RMSE)分别为1.35和1.48;[结论 ]组合模型的泛化能力及预测精度最好,支持向量机次之,最后为随机森林。利用组合模型可有效完成研究区林分平均高制图。     

基于边缘检测滤波的机载激光雷达点云数据处理

机载激光雷达（Lidar）是一种主动式对地观测技术,可以直接获取点的三维坐标.Lidar点云数据的括滤波和分类,是Lidar数据处理的重要步骤.利用国际摄影测量与遥感协会ISPRS提供的实验数据,采用边缘检测滤波算法和线性卷积滤波算法对数据进行滤波,滤波后的图像表明,边缘检测滤波算法效果优于线性卷积滤波.采用基于Axelsson的改进的不规则三角格网加密方法进行点云分类,将Lidar点云分为以下8类：低点、孤立点、空中点、地面点、模型关键点、低于地表的点、建筑物点和植被点.分类后的Lidar点云数据都被分到了唯一的类别中,清楚地显示出地面信息.结果表明,采用的滤波和分类算法有效可行,对Lidar点云数据处理有重要的借鉴意义.     

点云密度对机载激光雷达大区域亚热带森林参数估测精度的影响

【目的】点云密度是影响机载激光雷达数据获取和预处理成本的关键因素,探明点云密度对森林参数估测精度的影响,为机载激光雷达大区域森林调查监测应用技术方案的优化提供参考依据。【方法】基于我国广西一个亚热带山地丘陵区域获取的机载激光雷达和样地数据,通过系统稀疏方法,将全密度点云(4.35点·m^-2)分别稀疏至4.0、3.5、3.0、2.5、2.0、1.5、1.0、0.5、0.2和0.1点m^-2,得到11个样地尺度的点云数据集,包括1个全密度和10个稀疏密度点云数据集;应用配对样本t检验方法,分析4种森林类型(杉木林、松树林、桉树林和阔叶林)中稀疏密度点云和全密度点云之间12个激光雷达变量的差异;通过变量和结构固定的多元乘幂模型式,分别采用不同密度点云数据集对林分蓄积量(VOL)和断面积(BA)进行估测,比较模型优度统计指标决定系数(R²)、相对均方根误差(rRMSE)和平均预估误差(MPE)的差异,并应用t检验方法分析稀疏密度点云VOL和BA估测值均值和全密度点云相应估测值均值的差异。【结果】1)点云密度较低时,稀疏密度点云分位...     

关于林分密度研究

从密度测度、密度与生长的关系、密度控制管理方法等方面对林分密度作了比较详尽的综述，并对林分密度的定义、最佳密度提出了独特的见解。     

秦巴山区次生林保留密度对林分生长影响

针对秦岭林区中龄次生林的生长特点,结合次生林抚育中出现的问题,进行了长期的定位研究,结果表明密度对中龄次生林的高生长有一定影响,对胸径的生长有显著的影响,随密度的减小,林分胸径生长量有增大趋势;对林分的蓄积增长有较大的影响.该林分的合理保留密度应为1 500株/hm2.同时研究表明在一定范围内,海拔的变化对次生林生长影响很小.该项研究为秦岭林区的次生林抚育工作提供了一定的科学依据.     

镇安县中龄次生林密度对林分生长量的影响

通过对镇安县中龄次生林的生长观测、调查，分析了不同的保留密度与林分高生长、径生长和材积变化的年均生长量之间的关系。     

基于机载激光雷达的崇礼冬奥核心区林分地上生物量反演

【目的】基于机载激光雷达数据建立结构稳定的林分地上生物量预测模型,考虑最小二乘、混合效应和贝叶斯等参数估计方法对最优生物量预测模型选择进行探讨,为生物量建模方法研究、生物量估测提供科学依据,为冬奥核心区实现“双碳”目标和生物量模型计算提供技术支撑。【方法】基于崇礼冬奥核心区2种森林类型(华北落叶松和白桦)62块实测样地及对应的激光雷达数据,通过变量筛选分别建立最小二乘、混合效应和贝叶斯生物量模型,应用确定系数(R²)、均方根误差(RMSE)、残差、总体相对误差(TRE)评价模型,采用留一交叉法验证模型精度。【结果】筛选出相关性较高的激光雷达变量共20个,最终进入模型的自变量3个。拟合效果最好的是Logistic混合效应模型(RMSE=22.99 t·hm^-2,R²=0.768,TRE=6.08%),分树种建立模型后华北落叶松模型拟合效果提升(RMSE=22.92 t·hm^-2,R²=0.795,TRE=7.45%),白桦模型预测精度提高(RMSE=23.34 t·hm^...     

基于机载大光斑激光雷达的森林冠层高度估测

利用国家林业和草原局卫星林业应用中心设计研发的机载林业探测大光斑激光雷达回波数据,基于Matlab2014a软件对光斑数据进行数据读取、背景噪声估计、信号起始位置判断、地面回波位置确定,从而估测光斑位置下森林冠层高度。通过选取样地位置附近连续10组大光斑回波波形对森林冠层高度进行估测,并与样地实测森林冠层高度进行精度验证。结果表明:机载林业探测大光斑回波波形对7种森林冠层高度均有不同程度的估测能力,其中以胸高断面积加权平均高、优势树种平均木平均高估测效果最好,相对误差分别为4.36%和8.29%,RMSE(均方根误差)为1.40 m和1.55 m;对优势木平均高H、优势木平均高D估测能力最差,相对误差为19.81%和22.00%,RMSE为2.99m和3.34m。     

运用机载LiDAR数据对橡胶林地上生物量估测的采样尺度效应分析

气候变化下,森林生物量遥感监测是当前研究的热点,机载LiDAR作为重要的遥感信息源,其采样大小对生物量估测精度有着一定的影响。以机载LiDAR数据为信息源,以44块30m×30m的方形橡胶林实测样地数据为基础,对机载激光雷达数据进行不同尺寸采样(共21个采样尺寸,边长从10m至30m,间隔为1m),提取不同采样尺寸下的激光雷达参数,并与橡胶林地上生物量建立PLSR模型,就机载激光雷达采样大小对橡胶林地上生物量估测精度的影响进行研究。研究表明:当采样尺寸小于18m时,估测精度随着采样尺寸的增大而增大;而当采样尺寸大于18m时,估测精度随着采样尺寸的增大而减小,进而趋于平缓。结果虽然呈现出一定的规律性,但是差异并不是很明显。当采样尺寸为18m时估测效果最佳,模型决定系数(R²)为0.718,均方根误差(RMSE)为17.830 t/hm²;交叉验证精度P和RMSEcv分别为82.741%和18.874t/hm²。相较于实际样地(30m)尺寸下的估测结果,18m采样尺寸下的R²提高了1.989%,RMSE...     

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,结合两种尺度分割结果并优化得到最终区划结果。将自动区划结果与人工区划小班、数字正射影像（DOM）屏幕勾绘小班以及主伐作业小班为三类参考小班对比,采用最终测量精度（UMA）准则的圆度（RO）,紧致度（CO）,形状指数（SI）,最小包络圆短半径（RE）,椭圆度（EF）和形状因子（P2A）8个指标,及自动区划小班与参考小班的交并比（IOU）指标,定量评价自动区划小班边界勾绘的准确程度。并利用样地实测数据和CHM数据计算自动区划结果平均胸径、平均树高和冠层平均高的可解释性方差,验证自动区划结果的内部一致性和外部差异性精度。 结果 自动区划结果与参考小班的UMA形状、面积等特征较接近,与人工区划小班最相近。自动区划小班与人工区划、屏幕勾绘、主伐作业小班交并比大于70%的比例分别为46%,37%,43%,交并比大于50%的比例分别为61%,54%,55%。自动区划结果平均胸径可解释性方差为97%,平均树高可解释性方差为98%,和人工区划小班相同,说明其内部一致性高且和相邻小班差异大。冠层平均高可解释性方差为84.81%,比人工区划小班提高了1.77%。 结论 利用两种空间尺度的CHM与高光谱树种分类图的分割和优化方法自动区划的小班在内部一致性及边界的精准度方面有明显优势,更符合小班边界处林木的分布情况,小班边界准确,且工作效率高,有助于森林的精细化管理。     

基于低密度机载LiDAR和CCD数据的林分平均高提取

本文基于低密度的机载激光雷达(LiDAR)数据生成林区树冠高度模型(CHM),结合高分辨率CCD数码相机影像勾绘林分多边形,由改进的树冠识别算法提取林分平均树高。结果表明:全部有效数据林分总体精度达74.86%,刺槐精度达75.62%,油松精度达74.74% ,结果受点云密度影响,使得阔叶树种的精度稍高于针叶树种,因此,低密度激光雷达数据结合高分辨率CCD可以快速、准确地提取林分平均高。     

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ICESat-GLAS波形估测平均树高的研究

以吉林省汪清林业局经营区域为例,基于星载激光雷达ICESat-GLAS回波参数,构建了平均树高回归模型,预估精度为84.05%;利用反距离加权法,对ICESat-GLAS光斑平均树高估测值进行差值运算,得到初始CHM(Canopy Height Model),实现了平均树高空间连续分布制图;再利用坡度校正和3×3移动窗口差分滤波平滑初始CHM,得到研究区平均树高修正CHM,预估精度达到91.52%。研究结果表明,坡度校正和移动窗口差分滤波方法能有效削弱坡度影响,剔除异常点,提高平均树高估测精度。     

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。     

机载激光雷达森林参数估算方法综述

综述了机载激光雷达(LiDAR)在森林树高、郁闭度、蓄积量等参数估算中的应用,并对森林参数的估算精度及其影响因素进行了总结和分析。重点总结了目前机载激光雷达在森林参数估算中采用的如基于几何特性的点云数据滤波方法、基于强度信息森林参数提取方法、全波形数据的处理方法及L iDAR与多光谱影像数据融合关键技术,阐述了其现状及各自应用范围和存在的问题。     

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。