通过对大光斑激光雷达数据GLAS波形的处理,建立模型反演树高、生物量并做精度检验,理论精度分别为93.7%和91.3%。结果表明:利用激光雷达数据反演树高、生物量比传统方法的精度有显著提高。

【目的】为提高森林单木生物量估测精度和效率,本研究基于无人机激光雷达技术对哈尔滨城市林业示范基地的水曲柳、樟子松样地进行点云数据获取及单木生物量估测。【方法】通过优化算法对获取的点云数据进行树高、冠幅等单木结构参数的提取;然后基于改进的凸包算法获取树冠体积、树冠投影面积等树冠因子。最后将上述获得的单木结构参数引入传统CAR生物量模型中,建立基于无人机激光雷达点云数据的单木生物量模型。【结果】1)基于点云数据提取的单木结构参数与实测数值间的相关性较好。其中水曲柳样地平均冠幅和树高值的决定系数R2分别为0.82和0.86,而樟子松样地平均冠幅和树高的决定系数R2分别为0.80和0.84。2)通过与国家林业局颁布的水曲柳、樟子松生物量异速生长方程进行对比得出,当引入树高、冠幅、树冠投影面积和树冠体积作为CAR模型参数时构建的生物量模型拟合效果最优,R2分别为0.83、0.79,相应的均方根误差RMSE分别为18.912和8.120 kg/株。通过最优生物量模型评价指标可以看出,两块样地生物量模型的总相对误差SRE分别为-0.541%和0.311%,平均相对误差MRE分别为0.014%和0.020%以内,而平均相对误差绝对值MARE分别为9.19%和6.95%。3)当引入树冠体积作为变量时,生物量模型的精度明显提高。相比于树高、冠幅作为变量的模型,树冠体积的引入使得水曲柳、樟子松生物量模型的R2分别提高了0.076和0.060,RMSE分别下降6.759和1.386 kg/株。【结论】本研究说明无人机激光雷达点云数据能够通过结合其提取的单木结构参数对森林单木生物量进行估测研究,并能取得较好的拟合优度和较高的预测精度。

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R2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...

利用三维激光雷达森林回波波形模型模拟了地形对波形的影响,并用ICEsat GLAS的数据对模拟结果进行了验证。结果表明坡度对大光斑激光雷达波形影响较大,随着坡度的增大,地面回波和树冠回波都展宽,波形长度也随之增加,同时地面的波峰和植被的波峰值都降低,来自地面的回波明显减少,并逐渐与靠近地面的回波发生信息混叠。鉴于二者的关系呈近似线性正相关,在实际的森林参数反演中可望通过减去一个含有坡度或地形起伏度的因子进行地形效应纠正。

探讨在稀疏林地的条件下,利用小光斑激光雷达获取的多次回波点云数据估算冠层高度,研究不同的高度重建方法包括反距离权重、样条插值以及普通克里格等方法的冠层和地面高度重建的精度。研究发现,在地面和林冠层,不同的重建方法的表现是不一样的,其中样条方法在冠层重建中的精度较高,误差绝对值的平均值为0.95m,并且整体偏差也较小,方差为3.42。而在地面高程重建则是普通克里格方法具有较小的误差,误差绝对值的平均值为0.35m,而样条方法的整体偏差要优于其他两种方法,方差为0.48。经过综合考虑,利用样条方法重建的冠层高程和普通克里格方法重建的地面高程实现了实验区冠层高度的提取。

【目的】基于机载激光雷达点云数据提取的森林高度参数和郁闭度,结合分层地面样地调查数据,采用随机森林算法构建森林蓄积量估测模型,分析机载激光雷达点云数据在森林蓄积量反演方面的潜力,为森林蓄积量高效准确估测提供方法依据。【方法】以直径30 m的地面样圆离散点云数据为数据源,经数据校准等预处理后,利用Li DAR360软件提取森林高度参数(最大高、平均高等)和郁闭度,并将数据随机分成训练数据(70%)和验证数据(30%)。采用随机森林算法构建森林蓄积量估测模型,对仅用高度参数建模以及联合高度参数和郁闭度建模结果进行比较;同时运用R软件VSURF工具包筛选建模变量,对筛选后变量的建模结果进行分析。【结果】仅用高度参数建模的估测精度为R~2=0.75、RMSE=40.07 m~3·hm~(-2)、MAE=29.21 m~3·hm~(-2)、MRE=49.40%,联合高度参数和郁闭度建模的估测精度为R~2=0.79、RMSE=36.23 m~3·hm~(-2)、MAE=26.16 m~3·hm~(-2)、MRE=38.35%。通过变量筛选,建模参数从24个减少至7个,可极大提高运算效率,同时R~2未变化,RMSE从36.23 m~3·hm~(-2)升至36.50 m~3·hm~(-2),rRMSE从31.92%升至32.97%,MAE从26.16 m~3·hm~(-2)降至26.08 m~3·hm~(-2),MRE从38.35%降至38.05%。【结论】机载激光雷达点云数据可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度),具备三维结构参数提取能力。采用随机森林算法,增加林分郁闭度信息可显著提高森林蓄积量估测精度。通过变量筛选,虽然能够降低参数数量,但对模型精度具有一定影响,在建模精度要求较高的情况下,建议使用全变量进行蓄积量估测;而在数据量较大的情况下,建议使用筛选变量进行蓄积量估测。基于机载激光雷达点云数据估测森林蓄积量显著优于光学遥感数据,可为森林蓄积量高效准确估测提供方法依据,能够满足大范围森林蓄积量快速反演需求。

为探索激光雷达在农业机器人环境理解和导航中的应用,研究一种基于改进DBSCAN算法的果园树干检测算法。该算法使用自适应密度阈值和聚类半径对不同距离处数据点进行聚类和整合,以克服DBSCAN算法对全局变量值敏感的缺点。针对激光雷达可能扫到地面造成机器人误检的问题,采用机器人航位推算模型计算当前帧数据中待定类的距离,通过与前一帧数据中对应类距离的比较判定待定类的类别,进而对地面干扰类进行排除。试验结果表明:1)机器人正常行走时本算法能够排除噪声准确识别树干类点;2)存在果树分枝或地面干扰时,有少量漏检,平均误判果树数目为-0.13棵,能够区分出地面类和果树类。该研究可以应用到农业机器人果园环境理解...

激光雷达(LiDAR)是一种适用于大范围快速获取森林三维数据的新手段,但是基于Li DAR的林业参数估计算法和提取精度仍有待进一步提高。以海南省三亚市热带区域森林为研究对象,基于其扫描获取的Li DAR点云数据提出了改进的动态移动窗口搜索算法,进行冠高模型建模与生成,并提出了基于此模型进行林木平均高度估计的方法。通过改进的算法,利用C#编程、Las Tools、Arc GIS等相关工具对点云数据进行网格化,从而进行DEM和DSM提取、CHM生成、平均树高等参数估计。结果表明:经过算法的改进,大面积森林的数字地面模型(DEM)、数字表面模型(DSM)和冠高模型(CHM)可以从Li DAR数据中快速提取,但Li DAR点云获得的树高值比实际值低。这是由于Li DAR数据树顶的错失及点云的低密度所导致的,然而通过最低树高值的不断增加,其实测值与估计值的差值也在逐渐缩小。

训练样本的选取是影响监督分类精度的直接原因之一,数据空间分辨率越高,训练样本要求越准确,而人机交互训练样本选取推广力有限。利用机载高光谱(AISA)和激光雷达(LiDAR)主被动遥感数据,探讨基于高分辨率影像的训练样本自动提取技术以及适合树种识别的遥感变量。根据树木的结构和高度差异,开展树高分层掩膜试验,并计算光谱间夹角,在每个高度层中自动化优选树种的高纯度训练样本。计算植被指数、主成分分析等特征变量,基于支持向量机分类器对研究区进行树种精细分类。实验表明:通过对阔叶林、马尾松Pinus massonia

【目的】探索基于背负式激光雷达(BLS)和无人机机载激光雷达(ULS)技术获取林分三维点云的优势，利用Li DAR360 MLS和LiDAR360软件实现单木胸径和树高的精准测量，确定效果较优的单木分割和提取方法。【方法】以云南省富民县罗免乡6个半径为15.0 m的圆形云南松Pinus yunnanensis天然纯林样地为例，采用最近迭代点算法(ICP)融合BLS和ULS点云，利用LiDAR360 MLS和LiDAR360软件对点云数据进行去噪、点云分类、归一化和单木分割，并提取单木胸径和树高，利用线性拟合方法建立实测值与估测参数的相关关系，评价胸径和树高的估测效果。【结果】LiDAR360 MLS基于深度学习分类相较于LiDAR360基于高程信息分类，提取的株数信息更符合实际，BLS和融合点云单木提取株数一致，召回率均达到100%。ULS通过种子点进行单木分割，效果较好，准确度、召回率和F测度分别为94.59%、88.98%、91.70%，但受冠层连通性影响，仍存在一定的欠分割和过分割情况；基于BLS胸径提取的决定系数(R~2)和均方根误差(E_(RMSE))分别达0.904和2.046 cm，基于BLS树高提取的R~2和E_(RMSE)分别为0.791、1.173 m。融合点云受树干周围离散点的影响，胸径提取效果相对BLS效果较差，R~2和E_(RMSE)分别为0.881和2.284 cm，但融合点云冠层和林下信息较完整，树高的估测精度较BLS高，R~2和E_(RMSE)分别为0.933、0.812 m。【结论】由于工作原理上的差异，ULS和BLS技术分别在获取冠上和林下点云方面各具优势，融合两者可达到互补的效果，能够更加精细地反映森林空间结构，实现胸径和树高的高精度提取。图5表3参28

[目的 ]点云密度是影响无人机激光雷达数据获取和预处理成本和效率的关键因素，探明点云密度对林分尺度无人机激光雷达森林参数估测精度的影响，有助于优化无人机激光雷达森林应用技术方案。[方法]以马尾松、桉树人工林为研究对象，采用百分比重采样方法，对密度为247点·m~(-2)的原始点云按40%、20%、8%、4%和2%的比例降低点云密度，得到1个全密度原始点云数据集和5个稀疏密度点云数据集；每个数据集独立进行点云分类、地面点滤波和数字高程模型生成、点云高度归一化等预处理并提取激光雷达变量；对于同一森林类型的同一个森林参数(林分蓄积量、断面积、平均高和平均直径)的估测，各个数据集都采用相同的乘幂模型结构式进行模型拟合，然后比较分析模型优度统计指标的差异，包括：决定系数(R~2)，相对根方根误差(rRMSE)和平均预报误差(MPE)；采用配对样本t检验方法对各个数据集的森林参数估测结果和激光变量的差异进行统计分析。[结果]当点云密度分别稀疏至100、50、…、5点·m~(-2)时，各个森林参数估测模型的精度保持基本一致；各个稀疏密度点云数据集的森林参数估测值的均值与原始点云数据集的估测值的均值不存在显著性差异(p≥0.05)；各个稀疏密度点云数据集激光变量的均值和原始点云数据集激光变量的均值基本上不存在显著性差异(p>0.05)。[结论]在无人机激光雷达森林资源调查监测应用中，点云密度可低至5点·m~(-2)。然而，本试验结果仍需通过不同飞行高度获取不同密度点云数据予以验证。

【目的】精确估测银杏人工林有效叶面积指数(eLAI),以更好了解银杏人工林的生长和竞争、理解人工林生态系统的功能和生产力。【方法】基于多旋翼无人机激光雷达(LiDAR)系统获取的点云数据,结合45块地面实测样地数据,使用孔隙度模型法(通过计算点云的冠层穿透率,根据Beer-Lambert定律计算有效叶面积指数)和统计模型法(首先通过地面实测的有效叶面积指数和所提取的LiDAR特征变量建模,然后借助拟合的模型估测有效叶面积指数)对我国典型银杏人工林进行样地尺度的有效叶面积指数估测。【结果】1)使用统计模型法估测eLAI时,仅利用LiDAR高度特征变量估测精度为R2=0. 38(rRMSE=54%),引入其他特征变量(冠层密度特征、冠层容积比以及强度特征变量)后精度分别达到R2=0. 64(rRMSE=26%)、R2=0. 61(rRMSE=28%)、R2=0. 74(rRMSE=23%); 2)根据Cover将样地分组建模后发现,分组建模的精度优于不分组建模的精度;3)孔隙度模型法估测有效叶面积指数的精度为R2=0. 71(rRMSE=32. 0%)。【结论】结合多组LiDAR特征变量估测有效叶面积指数能够充分挖掘LiDAR数据包含的冠层结构特性,从而提升估测精度;同时,使用孔隙度模型法可以有效估测银杏人工林有效叶面积指数。无人机LiDAR点云在估测银杏人工林有效叶面积指数上具有较好的潜力。

【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（R~2为0.66～0.86,rRMSE为23.51%～9.91%），线性模型（R~2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（R~2=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林碳储量的估测。

树高是森林资源管理领域的重要参数,获取准确、大范围、空间连续的树高信息对于森林资源监测、管理和碳循环研究等都具有重要的意义。利用星载激光雷达ICESatGLAS波形数据,以大兴安岭塔河林业局营林区为研究区,针对不同地形条件选择合适的算法提取出GLAS光斑内的森林平均树高。联合GLAS波形数据与多角度光学遥感MISRBRF数据,应用随机森林机器学习算法获取塔河林场树高图,实现树高信息提取从点到面尺度上的扩展。用实测样地数据进行检验,其结果为:R2=0.72,RMSE=1.83 m,精度为85.22%。激光雷达数据和多角度光学遥感影像协同,弥补了2种数据各自的不足,为森林生物量以及碳储量的估算...

【背景】快速、准确地估算水稻产量对于肥水精确管理及国家粮食政策的制定至关重要。高光谱与激光雷达遥感作为2种不同的主被动监测技术,为水稻长势信息获取提供了多样化手段。【目的】对比2种遥感监测手段在不同生态点的独立数据集中的验证精度,寻求可移植性强的产量估算模型,对水稻长势监测提供理论与技术支撑,及为精确农业提供科学指导具有重要意义。【方法】本研究通过实施3年(2016—2018年)包含不同地点、不同品种与不同氮素水平的水稻田间试验,在抽穗后各时期同步获取点云数据和光谱数据,结合线性回归与随机森林回归来估算产量,探究抽穗后点云数据与光谱数据估算水稻产量的差异;同时评估产量模型在不同数据集的时空可移植性,寻求可移植性强的产量估算模型。【结果】利用点云数据估算产量的精度(R~2=0.64—0.69)优于光谱数据的估算精度(R~2=0.20—0.58);基于线性回归的产量估算模型,其验证精度明显优于基于随机森林回归的产量模型;产量模型在同一生态点的可移植性更强(不同生态点:RRMSE 16.69%—17.85%;同一生态点:RRMSE 11.37%—12.41%)。【结论】本研究为抽穗后水稻产量监测提供了新的方法和不同遥感手段的性能比较,为收获前作物产量的实时估算提供重要支撑。激光雷达技术凭借其全天候工作的特点,在长江中下游水稻产量实时监测中有着较好的应用前景。