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。

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 ]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。

以内蒙古根河市潮查林场境内的寒温带兴安落叶松原始林及其次生林为研究对象,利用机载激光雷达点云数据与地面调查的66个样地数据,采用不同算法计算样地实测树高(Lorey’s高、冠幅面积加权树高和算术平均高)分别与基于双正切角树冠识别算法获取的Li DAR估测高(冠幅面积加权树高、算术平均高)和基于点云提取的百分位高构建树高回归模型(冠幅面积加权树高模型、算术平均树高模型和Li DAR百分位树高模型)。对比不同树高模型的训练精度与估测精度的差异,探讨双正切角树冠识别算法对本研究区的适用性;同时了解冠幅面积加权的样地实测树高与Lorey’s高对林分平均高代表性的差异,确定最优解释变量,筛选最优树高模型...

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】以云南省普洱市天然林与杉木人工林为研究对象，针对云南省山区森林树种繁多、林下灌木草本茂密的林分环境，根据森林中树木的形态特征，利用地基激光雷达（ＴＬＳ）扫描数据提取样地尺度单木胸径与树高，为森林调查工作提供参考。【方法】将获取的多站地基激光雷达扫描数据分为多站拼接及单站２种分析方式，采用ＨｏｕｇＨ变换算法及树干的形态特征对样地内单木进行识别与胸径提取，根据树干生长方向及单木在垂直方向上的分布提取树高。【结果】１）对于多站拼接数据，即使在林分条件最为复杂的原始林，单木识别率仍可达到８１％；对于单站数据，随着扫描距离增加，单木识别率降低，实际操作时单站布设比多站拼接简单；２）多站拼接胸径及．．．

【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(R~2)、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,稀疏密度点云分位数高度(ph25、ph50和ph75)的均值与全密度点云相应变量的均值存在显著性差异,但不同森林类型、不同变量出现显著性差异时的点云密度不同,各森林类型中稀疏密度点云平均高(H_(mean))和点云高变动系数(H_(cv))的均值与全密度点云相应变量的均值基本不存在显著性差异,但点云最大高(H_(max))的均值存在显著性差异;2)各森林类型中,稀疏密度点云冠层覆盖度(CC)和中下层分位数密度(dh25)的均值与全密度点云相应变量的均值差异不显著(阔叶林dh25除外),但中上层分位数密度(dh50和dh75)存在显著性差异;3)各森林类型中,稀疏密度点云平均叶面积密度(LAD_(mean))的均值与全密度点云LAD_(mean)的均值存在显著性差异,当点云密度较低时,稀疏密度点云叶面积密度变动系数(LAD_(cv))的均值与全密度点云LAD_(cv)的均值存在显著性差异;4)各森林类型中,不同密度点云VOL和BA估测值差异很小,且均不存在显著性差异,但随点云密度降低,杉木林、松树林和桉树林VOL和BA估测模型的R~2缓慢逐渐减小,rRMSE和MPE缓慢逐渐增大,森林参数估测精度逐渐降低,阔叶林VOL和BA估测模型的R~2、rRMSE和MPE受点云密度变化影响不大。【结论】点云密度降低导致激光雷达变量标准差增大是造成森林参数估测模型精度降低的主要原因,在实际机载激光雷达森林资源调查监测应用中,点云密度以大于0.5点·m~(-2)为宜。

【目的】运用激光雷达技术识别提取林隙面积、边界木高和形状指数,为林隙结构参数调查提供技术支持。【方法】以机载激光雷达数据为数据源,以东北林业大学帽儿山实验林场内设置的5块林隙调查样地中的54个林隙为研究对象,通过对比普通克里金插值、反距离权重插值、样条插值、自然临近插值和局部多项式插值确定最优插值方法得到冠层高度模型,运用交替贯序滤波法对冠层高度模型进行林隙识别提取。【结果】通过对比5种插值方法的RMSE发现,普通克里金法适合插值DEM,反距离权重法适合插值DSM;采用交替贯序滤波法识别提取林隙时,林隙识别率为92.6%,运用配对检验法对提取的林隙面积、边界木高与野外调查数据进行检验,基于激光雷达技术提取的林隙面积和边界木高与野外实测值呈较强线性关系,R~2分别为0.983和0.737,其中提取的林隙面积与实测值平均相对误差为15.78%,林隙边界木高与实测值平均相对误差为11.94%。【结论】基于机载激光雷达数据采用交替贯序滤波能有效识别林隙且能准确提取其结构参数;坡度、坡位及冠层结构复杂程度都会影响冠层高度模型的插值精度;林隙面积提取受林隙边界形状和林层结构影响,林隙边界木高随着样地地形、坡度增加误差也随之增大。机载激光雷达技术具有获取地形和树木三维结构信息的优势,可为林隙识别及其结构参数提取提供新的遥感方法。

【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。

对激光雷达沙尘天气监测技术进行了研究,详细分析了Mie散射激光雷达气溶胶和沙尘参数计算方法。分析、设计并用C#语言开发了用于处理和分析激光雷达回波信号的大气和沙尘参数反演软件系统。利用后向散射激光雷达(LB-D200)对北京市2006年春季沙尘天气进行监测试验,通过软件计算气溶胶参数,计算结果与其他监测结果相符。结果表明:通过退偏振系数可以计算出大气气溶胶中沙尘含量,后向散射激光雷达在沙尘天气沙尘的垂直分布探测中具有优势。

基于Web of science数据库检索平台,应用科学引文分析方法对检索到的1355篇2000年以来激光雷达技术在林学上的应用的文章进行了全面分析,主要涉及发表年份、国家分布、作者排行、期刊分布、作者单位分布、提取参数等,对该领域所涉及到的主要国际国内会议进行了总结。分析了激光雷达的主要传感器类型和2种数据结构(波形和点云),系统总结了主要森林参数的提取方法,包括波形分析、点云分析、参数预测和数据融合。分析认为:激光雷达技术的林学应用研究的深度和广度均呈现快速上升趋势,研究方法渐成体系,有系统化的国际会议;但研究水平的地域差异较大,参数提取的机理性、实用性不足,尚未达到成熟,还有很大的提升空...

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。

随着激光雷达(Light Detection And Ranging,LiDAR)技术在近二十年的快速发展,LiDAR数据被广泛用于各个行业的3D测量、空间建模和参数反演。森林由于其地物垂直结构复杂,林木属性多变,是高分辨率遥感技术面临的一大难点。虽然林业上已使用LiDAR数据进行林区地形建模、森林树种分类、植被参数提取等研究,全波形LiDAR数据分类的基础工作仍存在若干系统性的技术问题:新型LiDAR系统的性能得到极大提升,但也引入新的数据处理模型问题;LiDAR系统光谱波段单一,目标刻画仍主要局限于点

植被高度是动态监测植被生长状况的重要参数。机载激光雷达测量(LiDAR)因其良好的穿透力常用于森林高度反演，而鲜有应用LiDAR反演低矮植被高度的研究。本研究以皋兰生态与农业综合研究站为研究区，使用大疆禅思L1激光雷达在不同飞行高度、悬停时间、定位系统(基于网络进行差分计算的Nrtk定位系统与基于移动接收器进行差分计算的Drtk定位系统)下获取不同植被的点云数据，以探究飞行参数对于反演精度的影响。结果表明：Drtk与Nrtk定位系统精度相当，无网络时Drtk系统可替代Nrtk使用。悬停时间5 s与10 s的精度差异不大，10 s的精度略高。当植被高度低于60 cm时，飞行高度宜设为20 m；植被高度大于60 cm时，飞行高度可设为40 m以扩大采样范围。在反演精度方面，当植被高度低于30 cm时，反演误差在±30%内；而当植被高度大于40 cm时，则呈现出明显的低估现象。本研究对于应用大疆禅思L1激光雷达进行大范围低矮植被高度获取的相关研究具有重要的现实意义。

以山东省泰安市徂徕山林场和重庆铁山坪林场为试验区,分别于2005年5月和2006年9月获取了低密度和高密度的L iDAR点云数据,分别进行了林分平均高的反演试验。通过两个试验区的对比,分析了不同点云密度对机载L iDAR数据反演林分参数的影响。结果表明:对于两种密度的点云数据,使用分位数法都可以很好地进行林分平均高的估计,高密度点云的反演结果略好一些,但二者结果差异不大;高密度的点云可以进行更小尺度的林分高估计和单木树高的估计,从而可以减少甚至避免对实地树高测量的依赖。