基于无人机激光雷达的森林冠层高度分析

快速准确获取森林结构参数对森林资源调查管理及全球碳汇研究具有重要意义。以祁连山东、中部青海云杉林为研究对象,利用16个无人机激光雷达（LiDAR）点云数据、正射影像数据结合实地样方观测数据,提取样方内青海云杉的单木树高并准确验证树木分割精度;结合实测数据和地形数据,依据统计指标验证提取树高精度并分析原因;基于点云数据提取的各样方树高分析祁连山青海云杉冠层高度在空间上的变化。结果表明：在祁连山山地森林,冠层高度平均值估算精度最高,R²为0.93,RMSE为1.39 m（P<0.05）;地形影响基于点云数据的树高提取,坡度较小的青海云杉树高提取效果更好;从东到西,青海云杉平均树高呈下降趋势;随着海拔高度上升,青海云杉的平均树高先上升后下降,这与祁连山东西水热条件差异和不同海拔树木年龄分布有关。     

基于多源遥感影像的青海云杉和祁连圆柏分类

青海云杉和祁连圆柏是祁连山自然保护区的优势种,提取两种类型树木的空间分布对保护区森林资源的管理和监测方面有重要意义。使用Sentinel-2A(S2)、Sentinel-1A(S1)、Landsat-8(L8)3种遥感影像及来自SRTM DEM的地形数据,基于随机森林分类方法,设置8种组合方案共22个特征变量,以祁连山东段的甘肃连城自然保护区为例,对青海云杉和祁连圆柏进行分类试验。结果表明：融合Sentinel-1A(S1)数据的VV和VH两种后向散射信息的精度最高,达到92.85％,比使用单一影像Landsat-8提高了11.64%。实验表明:结合多源遥感影像的不同波段信息是提高森林类型分类精度的有效手段,有助于复杂山区森林资源调查、植被信息提取等需求。     

结合GLAS和TM卫星数据的江西省森林高度和生物量制图

针对光学遥感受云雨天气的影响,并存在植被指数饱和、穿透性差而难以到达森林冠层以下等问题,不能有效反映植被垂直结构信息,难以准确地反演森林地上生物量,以大光斑激光雷达GLAS数据、Landsat TM光学遥感影像数据以及野外实测数据为数据源,建立了江西省森林的平均冠层高度模型和森林生物量模型。结果表明:GLAS数据提取出波形特征参数、ASTER GDEM数据提取出地形特征参数与实测树高数据建立森林冠层高度模型,获取离散的林冠高度,可以较好消除地形对GLAS波形的影响;通过建立Landsat TM数据计算的NDVI与离散林冠高度之间的关系,可以进行大尺度连续森林冠层高度的制图;并利用林冠高度与森林生物量之间的幂函数关系估算森林生物量。因此,大光斑激光雷达GLAS数据与光学遥感数据联合,能充分发挥多源遥感的优势,实现连续冠层高度和森林生物量的反演。     

三维树木点云数据处理软件系统设计

随着林业信息化的建设与发展,利用地面激光雷达快速获取树木点云数据,从中提取树木的结构参数(胸径,树高,材积等)已成为一种重要的林木测量手段。为了弥补国内在树木点云数据处理软件系统方面的空白,采用一系列树木结构参数提取算法,并结合计算机图形显示技术,设计并实现了一种三维树木点云数据处理软件系统。开发完成了树木点云数据的三维显示与旋转平移查看功能。拥有基本的点云数据处理功能,以及树木的胸径、树高、材积提取的功能。系统经过实验数据的验证,证明其拥有良好的性能,并可以快速准确地提取树木结构参数。     

基于地面激光雷达点云数据的森林树高、胸径自动提取与三维重建

针对亚热带环境条件下森林树高、胸径自动化提取精度较低、单木形态模拟较为困难的问题,提出基于地面激光雷达点云数据提取森林树高、胸径及重建森林场景三维模型的方法。首先采用变尺度地面点识别法获取地面点并构建DEM。然后根据树木主干点云主方向相似度及轴向分布密度分割主干与其他植物器官点云。接着以主干点云为基础,采用迭代最小二乘拟合圆柱的方法自动提取树木位置、胸径;构建点云的八叉树结构,利用体素的空间邻接性实现点云分割,自动提取树高。最后,结合单株植物建模技术,以树根节点为纽带构建样地尺度上的森林场景三维模型。实验结果显示,胸径估测R~2为0.996,平均相对误差为2.09%,RMSE为0.66 cm;树高估测R~2为0.972,平均相对误差为2.16%,RMSE为0.92 m;所重建的森林场景三维模型可表达森林样地的真实形态。     

GEDI地面高程和森林冠层高度的精度评价与影响分析

精确地提取地面高程和植被冠层高度,对于地形地貌、生态学等方面的研究具有重要意义。2018年12月发射的新一代全球生态系统动力学调查雷达（GEDI）为地面高程和植被冠层高度大范围精确提取提供了前所未有的机会。研究旨在利用机载激光雷达数据验证GEDI提取的地面高程和冠层高度精度,并探讨地理定位误差、地形坡度、坡向、植被覆盖度、方位角、采集时间、光束类型和不同森林类型因素对其精度的影响。结果表明：通过校正GEDI数据地理定位误差,可以明显提高其提取的地面高程和冠层高度精度;影响冠层高度提取精度最主要的因素是植被覆盖度,其次是坡度;影响地面高程提取精度的主要因素为坡向、坡度。植被覆盖度大于25%时,数据精度更高;坡度为0°—5°的缓坡地区地面高程和冠层高度精度最高。该研究结果将为GEDI数据筛选与应用提供依据。     

基于三维激光扫描技术的马尾松冠层孔隙度研究

三维激光扫描技术具有扫描快、对树木无损害、高度还原树木原形等优势，为三维样木重构、树木冠层结构研究及森林资源连年监测研究提供精确的数据。以马尾松为对象，利用三维激光扫描仪获取30株单木点云数据，运用体素化、平面投影和凸包算法等，计算单木冠层孔隙度。结合分层理论，通过与树木生长参数(冠幅、冠体积和冠高度)的相关性分析，构建全冠与不同分层方式提取的冠层孔隙度建立多元线性回归模型，以决定系数(R²)、均方根误差(RMSE)、相对分析误差(RPD)和总体精度(TA)确定冠层孔隙度提取的最佳体素边长和最佳分层方式。结果表明：冠层孔隙度提取的最佳的分层方式为冠层形态三分层(R²为0.74)；冠层形态三分层、冠层形态三分层五分层结合、冠层高度三等分层提取的冠层孔隙度与树木生长参数的影响最为稳定；根据冠层形态分层提取的孔隙度适用于冠层形态差异较大，而冠层形态较一致时，采用冠层高度三等分层是较为合适，精度较高。     

基于LiDAR点云的单棵树木提取方法研究

森林资源作为人类赖以生存的自然资源,是地球上最重要的资源之一,而衡量森林资源的指标不再局限于对森林面积的测量,准确的森林单木信息的获取对于进一步评估森林生态系统的生物物理过程及生物量估算具有重要意义。目前,对单棵树木的信息提取已成为森林精确遥感的热点之一。对基于LiDAR点云数据的植被信息提取的研究大多集中在对成片的林地信息提取,而激光雷达数据对单木冠形边缘的刻画能力受林分密度的影响较大。针对单木信息提取的研究并不多见或算法不足的现状,利用激光雷达点云数据,进行了单棵树提取方法的研究。基于圆检测的理论,检测局部极值点,计算其他点到中心点的距离,通过聚类,提取了单棵树的位置、树高及胸径信息。采用吉林省长春市城区林区的LiDAR点云数据进行了自动提取的实验,并利用同区的航空影像进行了检验;实验结果表明,该方法具有较好的实用价值与普适性,单木提取的精度可达到90%以上。     

基于点云数据的单木三维绿量估算方法

针对不同树种的树叶疏密及空间结构不同,提出基于激光点云数据,顾及冠层叶面积密度的树木三维绿量（Living Vegetation Volume, LVV）计算方法。该方法首先根据树木局部点云的主方向相似度和局部点云轴向分布密度分离枝干与树叶,剔除非光合作用成分,提取树叶点云;然后建立体元模型,引入Graham算法确定分层树冠边界,获取激光接触频率,从而基于体元冠层分析（Voxel-based Canopy Profiling, VCP）方法求出冠层叶面积密度（Leaf Area Density, LAD）;最后分层棱柱体积乘以叶面积密度,累加得到树木的三维绿量。利用Riegl VZ-400地面激光扫描仪获取13棵不同形状和树种的树木点云数据,利用该方法估算各树木三维绿量,并与传统的凸包法和台积法的结果对比。实验结果表明,台积法计算的三维绿量值最大,凸包法计算的三维绿量次之,顾及冠层叶面积密度的树木三维绿量方法计算的三维绿量值最小,为台积法的36.69%,为凸包法的47.80%。相比传统方法,顾及冠层叶面积密度的树木三维绿量计算方法侧重光合作用组分叶片点云的统计,并考虑了树冠内部树叶分布情况,更符合树木的实际情况,能充分利用三维点云数据特性,反映树冠内部三维绿量分布。     

基于机载LVIS和星载GLAS波形LiDAR数据反演森林LAI

波形激光雷达（Light Detection And Ranging, LiDAR）已经大量用于森林叶面积指数（Leaf Area Index, LAI）估算,但是波形LiDAR数据估算森林LAI易受地形影响。地形坡度引起的波形展宽使得地面回波和植被冠层回波信息混合在一起,难以得到准确的地面回波和冠层回波,进而影响到LAI估算精度。为了估算不同地形坡度条件下的LAI,本文采用一种坡度自适应的方法处理机载LVIS和星载GLAS波形数据。通过坡度自适应的方法得到地面波峰位置,基于高度阈值来区分地面回波和冠层回波,进而得到能量比值用于LAI估算。基于LVIS和GLAS数据,估算了不同森林站点的LAI,并利用实测LAI数据进行检验。结果表明：利用波形LiDAR数据可以估算森林LAI,坡度自适应方法可以改善地形的影响,提高LAI估算精度。对于机载LVIS,估算新英格兰森林LAI精度为R²=0.77和RMSE=0.21;对于星载GLAS,估算塞罕坝森林LAI精度为R²=0.81和RMSE=0.28。无论机载还是星载数据,该方法都有着较高的精度,对于复杂地形估算LAI具有一定潜力。     

基于机载LiDAR点云数据森林郁闭度估测

郁闭度是反映森林数量和质量的重要参数,是森林调查的重要因子之一。以广西壮族自治区高峰林场试验区获取的机载LiDAR点云数据为基础,基于二维冠层高度模型（Canopy Height Model,CHM）和三维点云开展了森林郁闭度估测研究。使用实地调查的105块样地作为验证参考数据对郁闭度估测结果进行了精度评价,结果表明：基于二维CHM估测郁闭度与实测值之间的R²=0.388,RMSE=0.17;而基于三维点云估测郁闭度采用了2种方法：第一种方法采用归一化后2 m以上高度植被点云密度与归一化后所有点云密度比值估测郁闭度,估测结果与实测值之间的R²=0.467,RMSE=0.13。第二种方法采用归一化后2 m以上高度第一次回波植被点云密度与归一化后第一次回波所有点云密度比值估测郁闭度,估测结果与实测值之间的R²=0.478,RMSE=0.12;基于三维点云的2种方法估测林分郁闭度的精度皆优于基于二维CHM的方法,基于三维点云估测林分郁闭度方法中,第二种方法的精度优于第一种方法。     

机载X-波段双天线InSAR数据森林树高估测方法

短波长的干涉合成孔径雷达(InSAR)适用于数字表面模型(DSM)提取,但难以提取准确的林下地相位,在缺乏高精度数字高程模型(DEM)的森林区域,短波长InSAR数据估测树高的能力受到限制。针对这一问题,采用机载X-波段单极化(HH)双天线InSAR数据开展了森林树高估测方法研究。双天线InSAR可以忽略时间去相干的影响,并且X-波段波长较短,入射角较大(中心入射角45.77°),地表对干涉去相干的贡献可以忽略,因此可将干涉复相干作为体去相干,对体去相干模型中的结构函数进行勒让德展开,截取第0阶展开式得到了基于相干幅度的森林树高估测模型,利用均匀选取的LiDAR冠层高度模型(CHM)检验样本对估测结果进行严格的精度评价,并与差分法的树高估测结果进行对比。精度评价结果显示:相干幅度法与差分法都得到了较高的估测精度,两者的R~2、RMSE、总精度分别为0.81、0.86;1.20m、0.97m;86.4%、88.7%。研究结果表明:相干幅度与森林树高具有负相关关系,适用于估测树高,基于单极化相干幅度的估测模型也可以得到较高的估测精度,与差分法的估测结果相比,虽然估测精度略有降低,但此方法具有两方面的优势:一方面,估测结果不需要实测样地数据标定,对于没有实测样地数据的森林区域亦能进行高精度的树高估测;另一方面,相干幅度法不需要高精度的DEM,具有更强的实用性。     

基于GIS邻域分析的无人机倾斜影像阔叶林树高提取方法研究北大核心CSCD

无人机遥感技术可快速获取测区冠层高度模型(CHM),如何从CHM中更加准确识别树顶点,是树高提取的关键。分析了不同窗口类型、窗口大小以及林分郁闭度对树顶点提取的影响,以高校校区为研究区,根据郁闭度选取密集林地和稀疏林地2块局部区域,分别利用GIS矩形邻域分析、GIS圆形邻域分析和局部最大值算法提取树顶点。结果表明:树顶点提取精度不仅受窗口大小、林分郁闭度影响,而且和窗口类型密切相关,且GIS矩形邻域分析提取树顶点的结果更加稳定,精度更高,其F测度值在密集林地最高为78.13%、稀疏林地为96.94%。将基于该结果得到的树顶点对应的提取树高与实地测量的树高值对比,密集林地的均方根误差为37 cm,稀疏林地的均方根误差为39 cm。结果证明了基于小型无人机可见光遥感技术提取较高郁闭度阔叶林树高的可行性,为后续基于冠层高度模型识别树顶点提供方法借鉴,提高树高提取精度。     

基于机载激光雷达数据的森林结构参数反演

机载激光雷达(Light Detection And Ranging,LiDAR)技术对植被空间结构和地形的探测能力较强,在植被参数定量测量和反演方面具有显著优势。首先利用野外调查并结合高分辨率Geoeye-1影像数据,对黑河上游天涝池流域植被类型进行分类,提取研究区森林分布,然后结合0.5m×0.5m机载激光雷达(LiDAR)数据对森林结构参数(树高、冠幅、胸径和叶面积指数)进行反演,最后利用实际观测数据对反演结果进行验证。结果表明:机载激光雷达数据能够精确地反演森林结构参数,树高、冠幅、胸径和叶面积指数的实测值与估测值决定系数分别为0.98、0.84、0.57和0.73。本研究获得流域森林覆盖区域高精度树冠高度和叶面积指数空间分布图,同时分析了冠层高度和叶面积指数随高度的变化。本研究的结果为该流域分布式生态水文模型提供了重要的输入参数。     

ICESat-2 ATL08地形和冠层高度产品精度评估

ICESat-2 ATL08地形及冠层高度产品在大范围的森林资源调查研究中的性能还需进一步探究。为此，文章首先对35个生态网络观测站的ATL08地形及冠层高度产品进行整体的精度评估；其次，验证其在不同生物群落中的精度并对单站精度进行定量评价；最后，分析该产品在多种误差因素条件下的性能。结果表明：地形和冠层高度产品的整体RMSE分别为3.23 m和6.58 m;地形高度产品在低矮或稀疏的植被区精度较高，在高大或茂密的森林区精度较低，且其精度随坡度、植被覆盖度及冠层高度的增加而降低；冠层高度产品在温带阔叶林和混交林地区的%RMSE为34.78%,在沙漠和干旱灌木丛地区的%RMSE为127.47%。另外，相比地形高度产品，冠层高度产品受地物覆盖类型、冠层高度和植被覆盖度的影响更严重且影响机制较为复杂。     

结合OTSU与迭代三角网的机载LiDAR建筑物点云提取

针对机载LiDAR建筑物点云提取过程中受地形影响参数设置困难,建筑物、树木难以区分等问题,提出一种结合最大类间方差法与迭代三角网相结合的机载LiDAR建筑物点云提取算法。在已有滤波结果的基础上,首先采用最大类间方差法对滤波得到的非地面点进行预处理,提取初始建筑物点;然后运用改进的迭代三角网方法对初始建筑物点云进行精确提取,得到最终的建筑物点云。实验选取国际摄影测量与遥感协会提供的三组LiDAR点云数据进行建筑物点云提取。结果表明,该算法可以较好地实现建筑物点云的高精度自动提取,且对不同屋顶类型以及地形具有良好的自适应性,验证了算法的可靠性。     

结合OTSU与迭代三角网的机载LiDAR建筑物点云提取

针对机载LiDAR建筑物点云提取过程中受地形影响参数设置困难,建筑物、树木难以区分等问题,提出一种结合最大类间方差法与迭代三角网相结合的机载LiDAR建筑物点云提取算法。在已有滤波结果的基础上,首先采用最大类间方差法对滤波得到的非地面点进行预处理,提取初始建筑物点;然后运用改进的迭代三角网方法对初始建筑物点云进行精确提取,得到最终的建筑物点云。实验选取国际摄影测量与遥感协会提供的三组LiDAR点云数据进行建筑物点云提取。结果表明,该算法可以较好地实现建筑物点云的高精度自动提取,且对不同屋顶类型以及地形具有良好的自适应性,验证了算法的可靠性。     

联合主被动遥感数据定量评价林下植被对叶面积指数估算的影响

天然森林具有冠层和林下植被(即灌丛、草地)的垂直立体结构,准确、定量地分离林下植被对于改善森林冠层叶面积指数反演精度具有重要的科学意义和实用价值。传统被动光学遥感数据由于在直接获取三维信息方面存在局限性,联合主被动的航空激光雷达(ALS)和高光谱数据(HyMap),以美国华盛顿州植物园为重点研究区,首先在单木分割的基础上实现了森林的垂直分层(即森林冠层和林下植被层)。在此基础上,利用森林冠层激光点云数据对光学影像数据进行林下植被信息剔除。通过对比利用航空光学影像和地面实测得到的森林有效叶面积指数结果发现:①森林郁闭度对于ALS数据的穿透性具有显著影响;②去除林下植被信息能够有效改善森林冠层有效叶面积指数(LAIe)估算精度。通过剔除林下植被信息,植被指数(NDVI)与地面实测有效叶面积指数的相关性由0.087提升到0.591。此外,基于剔除林下植被信息的光学遥感影像,与简单比值植被指数(SR)(相关性由0.209提升到0.559)和简化简单比例植被指数(RSR)(相关性由0.147提升到0.358)相比,归一化植被指数(NDVI)对冠层叶面积指数的变化最为敏感(相关性提高0.5)。本研究所提出的联合主被动遥感数据定量分离林下植被的方法能够有效地改善森林冠层叶面积指数的反演精度,为准确定量地估算森林生物物理参数和研究碳、水循环过程提供坚实的基础。     

三维GIS数据的处理与提取方法的研究——以点云数据中提取树木为例

从激光点云数据中对地物和实体的提取是目前的一个热点研究问题.针对这一问题,利用树木在分形理论中非整数维的特点,在从激光数据中提取地物边界的基础上,提出了从激光数据中提取树木的新方法.利用该方法成功地从激光数据中提取了树木.经验证,该方法能较准确地实现激光数据中树木的提取,为今后的自动化提取打下基础.     

基于背包激光雷达的单木材积估测方法研究

背包式激光雷达(Backpack Laser Scanning,BLS)在森林资源调查中具有很大的应用潜力,但在复杂地表情景下,单木材积和林分蓄积量提取精度存在较大不确定性。以广西高峰林场为研究区,利用随机森林方法,基于BLS点云数据对单木材积和样地蓄积量进行估测。首先,对BLS点云进行单木分割,提取单木胸径(DBH)、树高(Htree)、冠幅直径(CD)、冠幅面积(CA)、冠幅体积(CV)、郁闭度(CC)、间隙率(GF)和叶面积指数(LAI)共8个特征参数,并计算56个分层高度指标(高度百分比、累积高度百分比、变异系数、冠层起伏率等)。然后,通过随机森林算法构建单木材积估测模型,并对比各种参数组合的预测精度。得到结果：(1)仅用8个单木结构特征参数进行建模,估测精度为：R²=0.83、RMSE=0.097 m³;(2)加入分层高度指标的模型估测精度有所提升：R²=0.87、RMSE=0.087 m³;(3)通过Boruta算法进行变量筛选,输入参数从64个减少至52个,估测精度差异不大：R