森林蓄积量能够评估林地生产力的高低及经营措施的效果,为森林经营与采伐提供重要依据。目前,大多基于无人机影像的蓄积量估算,均建立在测绘标准所生成的DOM、DSM、DEM等测绘成果基础上,而未充分利用原始影像数据上的林业特征,无法从点云层面上加入林业业务逻辑产生成果数据。获取无人机影像后,利用特征点提取与匹配方法自动相对定向,结合控制点和光束法平差的迭代求解,解算出精确的相机姿态数据,并沿核线方向一维搜索特征点进行影像密集匹配生成密集点云。对原始三维点云过滤后进行树冠分割,在聚类后的林冠点云中提取了树顶点和树高因子估测了森林蓄积量。研究结果表明,冠幅的提取精度85.15%,树高的提取精度83.69%,林分蓄积量估算的精度达到了82.46%。

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息，在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源，探索森林蓄积量的遥感估测模型，以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象，利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等，计算各特征变量的标准地均值；筛选与云南松林蓄积量相关性显著的特征变量，采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型，以决定系数(R~2)、平均绝对误差(EMA)、均方根误差(ERMS)、平均相对误差(EMR)评价模型精度。【结果】(1) 3种模型中，随机森林的精度最高(R~2=0.89,EMA=4.69m~3·hm~(-2), ERMS=5.45m~3·hm~(-2), EMR=14.5%)，其次为支持向量机(R~2=0.74, EMA=5.27m~3·hm~(-2), ERMS=8.31m~3·hm~(-2),EMR=13.1%)，最低为多元线性回归模型(R~2=0.35,EMA=10.12 m~3·hm~(-2),ERMS=12.85 m~3·hm~(-2),EMR=28.1%);3种模型在测试集上的估测精度均有所降低，随机森林的模型表现最好，支持向量机次之，多元线性最差。(2) 3种模型在云南松林蓄积量估测中均存在一定的低值高估和高值低估现象。(3)基于无人机多光谱影像估测云南松林蓄积量，纹理特征仍是不可忽视的重要因子。【结论】基于无人机多光谱影像，在不进行单木分割的情景下，提取标准地的单波段反射率、植被指数、纹理特征均值，筛选适用于蓄积量估算的变量构建估测模型。通过对3种模型进行精度评价，随机森林为云南松林蓄积量估测的最佳模型。图2表5参27

以内蒙古旺业甸林场为研究区域,以资源三号(ZY-3)卫星遥感图像为数据源,通过对影像进行处理,获取对应样地的波段光谱值、光谱组合值及地形因子信息等遥感因子。基于对各遥感因子的信息量分析、多重相关性危害分析及应用残差平方和的方法对遥感因子进行筛选,实验结果表明:ZY-3影像提取的12个遥感因子中,单波段因子中ZY3的信息量最大,波段组合中ZY(2-3)/ZY4的信息量最大,地形因子中高程的信息量最大,ZY-3的波段、波段组合和地形因子间存在多重相关性,去掉ZY(2-3)/(2+3)和坡度因子后,多重相关性的危害大大降低,可以满足进一步建立蓄积量遥感反演模型要求。

【目的】森林生物量的精确测定,对于全球气候变化和碳循环研究具有重要的意义。【方法】以东北林业大学城市林业示范基地为研究区域,首先利用无人机平台获取整个研究区域的高分辨率无人机影像;然后在研究区域四种人工林样地中分别选取20 m×20 m的4块建模样方和4块测试样方,通过每木检尺法实测建模样方内林木的树高和胸径数据,建立H-DBH(树高-胸径)估算模型,并结合已有的DBH-SB(胸径-树干生物量)模型得到测试样方的森林生物量数据;在处理后的数字冠层高度模型(DCHM)基础上利用局部最大值法提取树高与树冠中心点位置,建立一种结合无人机影像提取树高与H-SB(树高-树干生物量)经验模型的森林生物量制图方法。【结果】不同样方的H-DBH模型R2均大于0.70,测试样方的总地上生物量平均值为6 915.85 kg,总的估测精度为87%。通过ArcGIS软件结合本研究提出的方法快速得到了整个研究区域的地上生物量分布图,估测总地上生物量为4 396.18 t。【结论】研究结果可为快速准确的进行森林生物量的估测提供基础数据和技术参考。

【目的】林分密度是影响森林生态系统结构和功能的主要因素,是森林资源调查的一项重要指标,对林木生长发育有着十分重要的影响。基于无人机影像,以实现提取不同郁闭度的林分密度,旨在为天然林保护工程实施后山区森林资源更新恢复评价提供技术支撑。【方法】以新疆农业大学实习林场伐后更新的天然林为研究对象,以天山云杉Picea schrenkiana var. tianshanica纯林为主,基于无人机影像,利用面向对象多尺度分割方法提取了低、中、高3种不同郁闭度林分的天山云杉冠幅信息,进而估算林分密度,提出了采用平均冠幅法估测高郁闭度林分冠层遮挡区域林木株数的方法。【结果】采用面向对象方法对新疆农业大学实习林场伐后更新的天山云杉树冠边缘信息提取精度较高,提取的林分密度与实测结果相近。其中低、中郁闭度林分中林分密度提取精度分别为0.986 8和0.933 3,高郁闭度林分中林分密度提取精度相对较低,为0.765 7。【结论】总体来看,该方法用于研究区天山云杉林伐后更新地林分密度估测是可行的,采用树冠平均冠幅法能够快速准确地提取伐后更新造林地的林分密度。

在前人研究中还没有把基于BP与RBF神经网络的森林蓄积量预测模型的应用效果进行评价。拟在实际应用中对两种方法进行综合分析与评价,找到一种预测精度更高、适用性更强的方法。采用相关分析法选定郁闭度、阴坡、阳坡、TM1、TM2、TM3、TM5、TM7、NDVI、TM(4-3)、TM4/3为输入变量,以密云县森林蓄积量为输出变量,建立蓄积量估测的RBF与BP神经网络模型。并从神经网络的训练步长、训练时间、预测精度、模型适用性对二者进行了综合分析,RBF神经网络无论是在训练步长、训练时间、预测精度、模型适用性上都优于BP神经网络模型。

[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。

综合利用黑龙江省某林业局的一类样地调查资料、GF-1号卫星影像、数字高程(DEM)模型以及土地利用类型图,采用k-近邻(k-nearest neighbor,k-NN)法进行森林蓄积量估测研究,分析k-NN方法及GF-1卫星数据在森林资源调查与监测中的应用效果。为对比k-NN方法的估测精度,对相同试验数据也进行了最小二乘估计和稳健估计建模。采用GF-1号16 m分辨率的多光谱数据,在林业局级尺度上分别应用这3种方法进行森林蓄积量建模估测,生成了监测区域森林蓄积量分布图并统计得到监测区域总的蓄积量值。将3种

在角规点上,用形点法测定林分蓄积时,需要直接测定林分的高H.然而在现实林分中,树冠重叠,通视较差,测定林分高H颇为困难.为此,该文运用形点法理论对林分冠下树干的形状结构进行解析,发现采用角规三维点抽样直接测定林分冠下的辅助高Hb及其断面积Gb、近似形点高Ha及其断面积Ga和胸高断面积G后,推导其间的相互关系,能自动生成林分形状指数R和林分高H,于是提出了形点法林分冠下削度方程,方程中不含任何经验参数.所以在测定林分蓄积M时,能避开测定林分高H的通视困难,具有较强的通用性、实用性和准确度,并对估计林分材种材积提供实用的理论依据,是对角规测树理论由二维空间向三维空间发展的重要突破.

【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。

【目的】传统的无人机森林航空摄影测量需要布设像控点来平差解算。由于林地内通视条件差,采用传统光学仪器布设像控点时,效率低、而且无法保证像控点位置的均匀分布。采用GPS-RTK技术虽不受通视条件限制,但是林冠下GPS信号弱,经常出现移动站与基准站之间GPS失锁的问题。为了解决以上不足,文章探索了基于PPK技术的免像控点无人机森林航空摄影测量解算方案。【方法】利用搭载了相机和双拼PPK(Post Processed Kinematic)模块的无人机,在森林上方按预定航高和重叠率对地摄影,获取到森林航空影像、POS数据和PPK数据。内业处理时,首先通过解算PPK数据得到相对精确的摄影中心外方位线元素,并以其代替原始POS数据的线元素;再利用SFM(Structure From Motion)方法得到摄影中心精确的外方位元素基础上,经过密集匹配生成DSM,通过手工编辑和正射校正后得到了最终成果DOM。【结果】用同一架加装了双频PPK模块、搭载了Canon 5D MarkII数码相机的固定翼无人机,在北京市潭柘寺森林公园按飞行航高200 m,航向重叠度80%,旁向重叠度65%进行了航空摄影。在同一台PC硬件条件下,使用相同版本的Agisoft PhotoScan和SimActive Correlator 3D软件,采用布设像控点(方案A)、基于原始POS免控制点(方案B)、基于PPK免控制点(方案C)等3种不同方案,对无人机获取的航空影像数据进行了对比试验。结果表明,方案C的效率比传统的布设像控点的方案A高45%;而在精度方面高于基于原始POS数据免像控点的B方案,可达到地形图航空摄影测量相关规范的1∶2 000比例尺精度要求。【结论】PPK技术的通讯频率高、作业半径大、作业时移动站与基准站不需要实时保持通讯,采用无人机加装PPK模块结合SFM方法生成森林正射影像的方案,其成果精度能够满足森林资源二类调查的用图精度要求,避免了在林冠下布设控制点难度大和容易出现GPS失锁等问题,可节省大量外业控制点测量和内业数据处理时间,对提升森林监测效率和自动化水平具有重要意义。

【目的】提出一种基于两期无人机影像的针叶林伐区蓄积量估算方法,为促进无人机数据在多类型林业样地资源调查中的深度应用提供依据。【方法】以福建省三明市将乐县金森林业股份有限公司伐区森林小班为试验区,首先,利用无人机遥感获取分辨率优于10 cm的两期影像,经Pix4D软件处理得到点云数据,在此基础上将小班区域未采伐前的林冠点云匹配到采伐后的小班地形点云上;然后,通过布料模拟滤波算法(CSF)分离匹配后的林冠点云和地形点云,采用自然领域插值法分别将林冠点云数据插值生成数字表面模型(DSM)、地形点云数据插值生成数字高程模型(DEM),二者相减获得冠层高度模型(CHM);接着,基于改进的局域最大值法搜索冠层高度模型中的林冠顶点,提取树高;最后,根据野外采集的400株马尾松和杉木树高、胸径数据,建立5个适用于福建省马尾松和杉木的胸径-树高模型,选择相关系数最高的模型推算胸径,并利用福建省单木材积公式估算小班区域蓄积量。【结果】1)两期无人机数据的点云匹配能较好消除陡峭地形对树高提取的影响;2)改进的局域最大值法可有效减少固定窗口搜索林冠顶点时出现的多提和漏提错误;3)小班区域估算株数为339株,实测株数为366株,估算的平均树高为18 m,实测平均树高为19 m,估算蓄积量为182 m~3,实测蓄积为199 m~3,株数、树高和蓄积量的估算精度均较高。【结论】借助无人机遥感技术,可实现森林蓄积量自动化估算,降低传统野外调查成本,推动森林资源的快速调查和更新。

为进一步提高遥感模型预测森林蓄积量的精度和稳定性,分析了遥感特征因子、地形特征因子、郁闭度与森林蓄积量之间的相关关系。在此基础上,利用偏最小二乘回归方法构建了森林蓄积量遥感预测模型,生成了三峡库区森林蓄积量空间等级分布图,并与地面实测值进行比较。结果表明:该模型的最佳主成分数为3,且郁闭度、海拔、坡度、TM1、TM2、TM3、TM4、TM5、TM7、NDVI、RVI、TM7/TM3、TM4×TM3/TM2、亮度和湿度为预测森林蓄积量的入选变量;森林蓄积量预测的调整决定系数为0.524,相对误差为7.33%,均方根误差为1.763m3;利用该模型计算出三峡库区森林总蓄积量约为1.12亿m3,总体...

介绍主成分变换和经规则化调整法进行泛化改进的BP神经网络在森林蓄积量建模估测中的应用,比较普通BP神经网络与泛化改进的BP神经网络对蓄积量预报的差异,分析直接用中心标准化的观测值建立仿真模型和进行主成分变换后再建立模型的效率问题。结果表明:泛化改进的BP神经网络比普通BP神经网络具有更高的预报精度,利用主成分得分作为仿真模型的变量比直接用观测值作变量具有更快的速度,并保证了预报精度。

借助SPSS统计软件和ERDAS IMAGINE9.0/ArcGIS9.2的建模及空间分析工具,采用TM影像和1∶100000地形图作为数据源,从TM影像提取野外GPS采样点缓冲区内6个波段的灰度值及其线性和非线性组合等遥感因子,从地形图提取海拔、坡度、坡向等GIS因子,以各遥感因子和GIS因子作为自变量,以GPS野外调查样点缓冲区内的蓄积量作为因变量建立多元线性回归模型。样本数据筛选采用标准差法,因子变量筛选采用主成分因子分析法、多元线性回归的逐步回归和强行进入法等方法,建立的多元回归模型预测总体精度达到87.35%。用2006年山东省TM影像提取的有林地掩膜模型中各因子变量灰度图,得到各因...