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。     

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。     

星载LiDAR与MODIS多光谱数据联合估测区域生物量

针对区域森林生物量连续、高精度估测的难题,以黑龙江省伊春市带岭区作为研究区,提出了联合ICESat-GLAS波形数据、MODIS多光谱数据以及野外调查数据建立生物量模型的方法。该方法通过建立GLAS森林平均冠层高度估测模型、区域森林平均冠层高度的BP神经网络估算模型以及样地森林平均冠层高度-生物量模型,实现全区域森林生物量的连续高精度估测。实验结果为:GLAS森林平均冠层高度估测模型的R~2=0.801,RMSE=0.614;区域森林平均冠层高度的BP网络估测模型的R~2=0.886 7,RMSE=0.794;针叶林、阔叶林、针阔混交林样地森林平均冠层高度-生物量模型的R~2分别为0.802、0.826、0.794,RMSE分别为0.731、0.613、0.344。结果表明:将GLAS波形数据与MODIS多光谱数据联合,可以弥补由于GLAS光斑分布呈条带状而无法实现区域森林平均冠层高度估测的缺陷,实现对区域森林平均冠层高度以及生物量的高精度估测;利用森林平均冠层高度与森林生物量建模,可以解决大区域生物量计算中胸径参数难以获取的问题。     

基于无人机激光雷达的森林冠层高度分析——以祁连山东、中部青海云杉为例

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,R~2为0.93,RMSE为1.39 m(P0.05);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。     

基于多源遥感数据及几何光学模型的森林郁闭度估测

森林冠层郁闭度(Forest Canopy Closure,FCC)是评估森林资源的重要因素,准确估算森林郁闭度对森林经营和管理具有重要意义。基于Li-Strahler几何光学模型,无人机激光雷达和高分六号宽幅(GF-6 Wide Field of View,GF-6 WFV)数据估测森林郁闭度,并针对混合像元的问题提出了一种可靠的方法。首先,利用无人机激光雷达衍生的高精度森林结构参数计算无人机飞行覆盖区域的光照背景分量。然后,利用连续最大角凸锥(Sequential Maximum Angle Convex Cone,SMACC)算法及线性光谱分解模型对GF-6 WFV进行混合像元分解,确定研究区最优场景分量。最后,利用Li-Strahler几何光学模型估测研究区域森林冠层郁闭度,并利用野外样地实测数据进行精度验证。结果表明：估测郁闭度与实测郁闭度之间的决定系数(R²)为0.692 8,均方误差根(RMSE)为0.059 4,总体精度为93.4%,Li-Strahler几何光学模型可以有效的在森林郁闭度反演中发挥作用。     

三峡库区森林生物量和碳储量的遥感估测研究

提出了一种利用遥感数据、气象数据、地形数据以及森林调查数据反演森林生物量和碳储量的新方法,以尺度生长理论为基础,利用环境和地形因子、森林资源调查样地数据等资料,估算了三峡库区森林树高、树高与胸径之间的尺度关系、以及森林胸径分布图,并在此基础上,利用生物量样地数据建立了胸径和生物量之间的尺度关系方程,反演得到2008年研究区的生物量为1.34×108t和碳储量为6.37×108t.     

区域森林生物量遥感信息模型构建研究

森林是陆地生态系统中最大的碳汇,在调节全球碳平衡、减缓大气CO²等方面具有不可替代的作用。森林生物量是陆地生态系统碳循环过程中最主要的参数,准确估算森林生物量及森林的变动引起的生物量变化受到科学家的普遍关注,并成为碳循环科学研究中的焦点。以生态敏感区滇西北香格里拉县为研究区,在野外森林样方调查数据的支持下,综合3S技术、地理学、生态学、气象学等相关知识,筛选了9个植被指数、2波段灰度值、生长季降水、生长季积温、生长季总辐射量、海拔、坡度、坡向、坡位和土壤有机质含量等多个因子,组合成遥感综合因子层、地理综合因子层与水、光、热共同构成变量,建立了区域森林生物量估算模型,并进行了检验,模型的R、R²、aR²及F统计量分别为0.809、0.655、0.661、101.436;样地实测值与模型估测值建立线性回归方程常数项(a)和回归系数(b)分别为0.09和1.021;用22个野外实测样点生物量数据对估算模型进行独立性检验,平均估算精度达到76.43%。说明模型的估算精度总体稳定,基本满足生物量估算精度要求,可用于该区域的森林生物量估算研究。     

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。     

山地地理测绘勘探中反射式激光雷达回波特征优化

地理测绘勘探激光雷达回波特征在山地区域应用,会出现光斑回波叠加,导致坐标混乱,特征监测效果差。本研究结合反射式激光雷达,在采集山地地理特征光斑数据的基础上,优化设计反射式激光雷达在山地地理测绘勘探中的应用过程,并确定其相关参数。通过分区对山地地理一一扫描,整合扫描结果,采集该山地地理特征的激光雷达回波数据。设计一种光斑回波波形分解模型,通过分解处理获取地理特征,去除光斑回波叠加干扰,在通过坐标和高程转换,解决坐标混乱问题,完成特征的监控。实验结果表明：该方法与传统的方法比较,能够更加有效监测出山地地理的变形量,监测效果好、监测性能较高。     

机载大光斑激光雷达数据估测森林结构参数研究进展

针对LiDAR对森林结构具有较强探测能力,从而能够准确地获取森林的三维结构的优势,该文试图将该技术运用于估测森林结构参数,并介绍了机载大光斑LiDAR系统的工作原理和主要技术规格,系统总结了机载大光斑LiDAR数据估测森林结构参数的研究现状,分析了机载大光斑LiDAR估测森林结构参数的局限性并对其进行了展望。     

基于直方图与像元分解模型的森林覆盖度遥感估算

森林覆盖度是能够勾描出林分边界的森林覆盖率,定量化的覆盖度信息可体现其水平尺度的时空分异特性。像元分解模型在覆盖度遥感估算中得到了广泛应用,但仍然有很多问题,如很难找到一种树冠覆盖度的纯光谱端元,从而难以高精度地估算树冠覆盖度。为此,基于像元分解模型,结合使用土地利用和土壤类型数据,提出利用直方图法确定模型中不同类型植被——土壤端元参数,对区域尺度森林覆盖度进行估算,并利用三峡库区的历史野外161个样点的实测覆盖度数据进行验证,发现R~2达到0.74～0.85,计算结果比较满意。该方法将为区域尺度高分辨率森林覆盖度的遥感估算提供借鉴。     

基于无人机的喀斯特退化天坑地下森林树高特征研究

基于无人机提取喀斯特退化天坑地下森林的树高特征,探索乔木树高的生长策略与天坑局部圈闭化生境的关系,研究退化天坑作为物种避难所的价值。通过无人机遥感技术对退化天坑进行三维重建,提取退化天坑内外的树高信息。结果表明：退化天坑地下森林平均树高较地表高出约5 m。地下森林平均树高为10.47 m,地表平均树高为5.43 m,地表南坡平均树高为5.75 m,坑内树高的分布特征受海拔影响显著。在喀斯特天坑微生境的作用下,与坑外地表相比,坑内地下森林在树高方面具有显著的优势,光照是地下森林乔木类植物种内和种间竞争的主要因子,垂直梯度是退化天坑植被树高分布格局的首要特征。无人机遥感技术能够快速地获取退化天坑地下森林的树高信息,具有推广潜力。     

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。     

基于光学与SAR因子的森林生物量多元回归估算——以福建省为例

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出"纯净"的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型"纯净"植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达(SAR)HH、HV极化后向散射因子,分别构成不同植被类型的"含光学特征多元因子"(NDVI、RVI、树高、林龄、坡度)和"含SAR特征多元因子"(HH、HV、树高、林龄、坡度),开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明:不同植被类型的含光学特征多元回归模型的验证精度(针叶林:R~2为0.483,RMSE为29.522 t/hm~2;阔叶林:R~2为0.470,RMSE为21.632 t/hm~2;混交林:R~2为0.351,RSME为25.253 t/hm~2)比含SAR特征多元回归模型的验证精度(针叶林:R~2为0.319,RMSE为28.352 t/hm~2;阔叶林:R~2为0.353,RMSE为18.991t/hm~2;混交林:R~2为0.281,RMSE为26.637 t/hm~2)略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型(先估测叶生物量进而间接估测地上生物量)比利用含SAR特征的多元回归模型(直接估测地上生物量)更具优势。     

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。     

结合Landsat时序遥感干扰检测的福建将乐县森林林龄估算与评价

高精度的森林林龄可以改善森林生物量、蓄积量、碳储存量等的估算精度。为提高频繁发生干扰区域森林年龄估算精度,以森林干扰强度较大的福建省将乐县为例,通过构建将乐县1987~2019年Landsat时序数据集,利用LandTrendr算法获得森林干扰开始时间节点特征,与林龄建模,实现干扰区林龄估算;接着利用GF-1号影像的波段、植被指数、纹理以及地形因子特征,通过递归特征消除的随机森林算法,与林龄建模,实现非干扰区林龄估算;最后将两部分的林龄合并,得到研究区2019年森林年龄。结果表明：①将乐县森林干扰总面积为346.37 km²,其中,针叶林、阔叶林干扰面积占比75.06%;②利用LandTrendr算法的干扰开始时间节点估算的林龄误差（RMSE=1.91 a）较小,模型精度（R2=0.94）较高;③通过递归特征消除的随机森林算法估算的针叶林、阔叶林林龄的R2和RMSE分别为0.64、0.48和4.71 a、12.71 a。研究表明：结合长时间序列的干扰算法可以有效提高干扰区森林年龄估算精度,为亚热带山区的区域尺度上进行森林林龄估计提供参考。     

几种极化干涉SAR森林平均高反演算法的比较评价

森林树高的反演,一直是极化干涉SAR（Polarimetric SAR Interferometry）研究领域中的热点 。介绍了近年来分别基于相干优化算法和高分辨率波达算法（ESPRIT）的树高反演方法,并尝试了ESPRIT算法和三阶段反演算法的结合。最后利用德国宇航局（DLR）的全极化干涉L波段ESAR数据及其相应的林地平均树高实测数据,对所述方法进行了验证与分析。结果表明：三阶段算法和三阶段Sinc 算法相对于其它算法而言具有较好的结果,但同其它基于散射模型的树高反演算法一样,存在着一定程度的高估 | 而ESPRIT相位差值算法则严重地低估了平均树高 |尽管ESPRIT算法与三阶段算法、三阶段Sinc算法相结合的尝试可在一定程度上提高计算效率,但其树高反演结果并没有得到明显改善。
     

基于机器学习和大数据平台的陆地生态系统碳收支遥感监测

陆地生态系统碳收支是全球碳循环研究的重要指标,也是气候变化的重要参数。针对该指标估测的不确定性,基于陆地生态系统通量观测研究网络的实测碳通量数据及遥感卫星观测数据产品,利用机器学习方法进行建模研究。研究选用随机森林算法自动从高质量的星—地训练数据集中学习特征、挖掘数据中的隐含信息以及时序间依赖关系的差异,建立了基于随机森林算法的碳收支参数GPP（Gross Primary Production）、NEP （Net Ecosystem Production）估算模型,并选择标准指标利用验证数据集对模型进行了客观评价。结果分析表明：与MODIS GPP产品相比,该方法在估算精度上有了提高,其中落叶阔叶林预测结果最优,决策系数为R²为0.82,均方根误差为1.93 gCm^-2 d^-1,在其他植被类型上也明显优于传统光能利用率模型产品,更接近于地面通量观测数据。基于相同方法建立的NEP模型也得到了较好的估测结果,落叶阔叶林预测模型的输出结果与通量塔获得的NEP相关关系R²为0.70,RMSE=1.75 g C m^-2 d^-1。GPP和NEP模型精度差异也表明,在进行机器学习建模时,训练数据集自变量的选择仍然需要机理模型支持。为进行陆地生态系统碳收支大范围快速估算,本研究进行了陆地生态系统碳收支遥感监测平台的搭建,该平台以GEE （Google Earth Engine）大数据平台作为数据存储与计算后端,Django和Nginx作为Web服务框架,OpenLayers和jQuery作为前端框架,从而实现了碳收支参数长时间序列大范围的快速计算、结果实时显示等功能。基于该平台和模型获取的2002—2016年全球（60°N—60°S）逐年GPP结果表明,全球平均GPP存在明显的空间差异,显著增加的区域主要集中在亚洲东部地区及北美洲森林地区等。研究表明,基于机器学习和大数据平台进行碳收支参数遥感监测,能够快速提供与地面真实观测较为一致的陆地生态系统区域和全球尺度碳收支遥感监测结果,该流程在一定程度避免了生理过程模型复杂的参数设置,减少了区域和全球大尺度碳收支监测的不确定性。