【目的】研究机载LiDAR航带旁向重叠对针叶林林分平均高和森林叶面积指数(LAI)估测的影响,为机载LiDAR点云数据区域森林结构参数估测提供参考。【方法】野外分别测定30块樟子松、33块长白落叶松样地的林分平均高和LAI,对原始LiDAR点云数据进行去噪、点云分类、高程归一化和重叠点移除等处理,从重叠点移除前、重叠点和重叠点移除后的点云数据中分别提取一系列样方点云高度分位数(HP1、HP5、HP10、…、HP99、Hmax和Hmean)和激光穿透指数(LPI),借助留一交叉验证建立并评价樟子松和长白落叶松林分平均高和LAI估测模型的精度,通过对比分析估测模型的决定系数(R2)和均方根误差(RMSE)揭示机载LiDAR航带旁向重叠对针叶林林分平均高和LAI估测的影响。【结果】对樟子松林分平均高估测而言,重叠点移除前林分平均高的最高估测精度(R2=0.873,RMSE=0.940)出现在HP90处,重叠点林分平均高的最高估测精度(R2=0.892,RMSE=0.866)出现在HP80处,而重叠点移除后林分平均高的最高估测精度(R2=0.892,RMSE=0.868)出现在HP55处;对长白落叶松林分平均高估测而言,重叠点移除前、重叠点和重叠点移除后林分平均高的最高估测精度均出现在HP99处,R2分别为0.725、0.719和0.741,RMSE分别为1.196、1.209和1.161。对樟子松LAI估测而言,重叠点移除前估测结果 R2为0.666,RMSE为0.220,重叠点估测结果 R2为0.551,RMSE为0.255,重叠点移除后R2提高到0.794,RMSE降低为0.172;对长白落叶松LAI估测而言,重叠点移除前估测结果 R2为0.654,RMSE为0.110,重叠点估测结果 R2为0.640,RMSE为0.112,与樟子松估测结果一致,重叠点移除后长白落叶松LAI估测精度大幅度提高,R2变为0.762,RMSE变为0.091。【结论】无论是林分平均高还是森林LAI,相邻航带旁向重叠点移除后的估测精度均高于重叠点移除前和重叠点,且樟子松的估测精度高于长白落叶松。对林分平均高而言,樟子松和长白落叶松达到最高估测精度时所对应的点云高度分位数不同。机载LiDAR点云数据相邻航带旁向重叠点的移除可有效提高森林结构参数的估测精度,在未来机载LiDAR点云数据预处理时应加入重叠点移除操作。

提出一种将资源三号(ZY-3)立体影像的空间连续测量特性与LiDAR数据的高精度定位测高优势相结合的林分平均树高估测方法。首先从LiDAR离散点云提取地面点并内插生成分辨率为1m的林区DEM,同时根据点云强度提取与DEM同源且分辨率为1m的正射影像,分别作为ZY-3数据定向处理的高程控制基准和平面控制基准。通过ZY-3多类像对组合提取研究区DSM,其中三视DSM较二视DSM高程精度最佳。基于三视DSM,林区DEM,ZY-3多光谱数据提取的植被指数和野外实测树高数据,利用回归分析方法及高程误差修正方法分别建立了四个树高估测模型,实验表明,经高程误差修正后的改进树高估测模型精度最高,模型Adj R~2=0.913,其精度达到93.29%,是最佳树高估测模型。

【目的】探索一种适用于已具备林下地形,可协同利用少量实测样地数据、抽样式采集的机载激光雷达(LiDAR)条带数据和区域全覆盖的资源三(ZY3)立体像对数据有效估测区域森林平均高的方法,为提高森林资源调查效率和精度提供技术支撑。【方法】以广西高峰林场2个分场为研究区,2018年获取覆盖整个研究区的机载LiDAR、ZY3立体像对和少量实测样地数据。将LiDAR数据提取的DEM作为历史已存在的林下地形,从全覆盖的LiDAR数据中抽取12条飞行条带的LiDAR数据"模拟"抽样式采集的LiDAR数据,形成"林下地形+LiDAR抽样+ZY3立体像对+样地"数据集;以样地和LiDAR数据提取出LiDAR抽样数据对应的森林平均高为模型建立的参考数据(因变量Y),以ZY3立体像对提取的数字表面模型(DSM)减去数字高程模型(DEM)得到的CHM_(ZY3)为自变量(X),采用普通最小二乘(OLS)模型、k-邻近(KNN)模型和回归克里格(RK)模型估测森林平均高,并对其估测效果进行比较评价。【结果】OLS和KNN模型的均方根误差(RMSE)分别为1.88和1.96 m,估测精变(EA)分别为87.18%和86.64%;RK模型估测精度相对较高,RK_(OLS)模型的RMSE=1.84 m,EA=87.42%;RK_(KNN)模型的RMSE=1.86 m,EA=87.32%。【结论】本研究中2类4种模型均可有效估测森林平均高,回归克里格模型(RK_(OLS)、RK_(KNN))优于非空间模型(OLS、KNN),RK_(OLS)模型估测精度最高;在林下地形已知时,协同利用少量实测样地数据、抽样式采集的机载LiDAR条带数据和区域全覆盖的ZY3立体像对数据能够实现区域森林平均高的高效、高精度估测。

蓄积量是森林资源监测的一个重要指标,而蓄积量遥感估测一直是林业遥感研究的重要内容之一。采用Landsat-TM数据为遥感信息源,提取各个波段的差值以及比值组合信息、影像各波段灰度值以及植被指数,并利用DEM数据提取坡度和坡向数据。以内蒙古赤峰市旺业甸林场针叶林为研究对象,分析RS和GIS因子与蓄积量的相关性,利用SPSS分析工具建立像元蓄积量与RS和GIS因子之间的非线性估测模型。模型精度达到76.16%,R为0.726,对其适用性进行F检验,在0.01显著性水平下满足要求。

【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】以人工落叶松为例，探索基于无人机激光雷达（Unmanned aerial vehicle LiDAR, UAVLiDAR）点云的单木探测提取树高的误差对胸径反演的影响并校准，实现单木参数（胸径、树高）的准确度量，为大尺度高效便捷估测单木参数提供新的思路。【方法】以东北林业大学帽儿山实验林场13块4个龄组（幼龄林、中龄林、近熟林和成熟林）的落叶松人工林样地UAV-LiDAR数据及野外调查数据为数据源，基于UAVLiDAR点云的单木探测提取的树高，分别以普通最小二乘法（Ordinary least squares, OLS）和3种误差变量回归（标准主轴（Standard major axis, SMA）、远程主轴（Ranged major axis, RMA）和极大似然估计（Maximum likelihood estimate, MLE））构建胸径-树高模型，研究探测误差对各龄组人工落叶松胸径反演的影响并校准。【结果】利用UAV-LiDAR点云的单木探测提取4个龄组树高的相对均方根误差（rRMSE），误差范围为3.41%～5.14%；在胸径-树高模型预测方面，3种误差变量回归均优于OLS,RMA预测效果最好，4个龄组反演单木胸径的r RMSE降低了2.21%～3.58%。【结论】当满足模型假设时，误差变量回归比OLS在预测响应变量方面表现更好，是估计无偏的模型系数的理想方法，本研究中RMA方法表现最好；本研究所构建的人工落叶松胸径反演模型具有较高的预估精度，各项误差均保持在合理范围内，可实现应用UAV-LiDAR高效便捷地估测大尺度森林单木参数的目的，可在实践中推广。

The dead surface combustibles of artificial coniferous forests in Chengde were focused in this paper.Predicting models between fuel loading and the stand and landform factors,as well as between water ratio of combustibles and weather factors were established with a regression analysis method.The mod...

【目的】基于机载激光雷达(LiDAR)数据提取单木树冠三维结构参数(树冠顶点位置、树高、冠幅和冠长),并在此基础上对林分有效冠进行提取,为进一步研究林分尺度上的有效冠结构及其动态提供依据,以更好掌握并改进林业经营措施。【方法】采用一定规则下的局部最大值窗口搜索树冠顶点,进行单木树冠顶点探测和单木树高提取;以树冠顶点为标记,利用标记控制分水岭分割算法提取单木冠幅;采用垂直方向点云高程检测方法获取枝下高位置,提取冠长;在标记控制分水岭分割出的树冠边界,提取树冠接触高,取平均值作为该样地的林分有效冠高。【结果】树冠分割正确率为88.5%;结合样地实测参数对提取值进行相关性分析,树高R~2=0.886 2,冠幅R~2=0.786 4,冠长R~2=0.800 0,树高、冠幅和冠长精度分别为90.34%、86.80%和89.90%;同一林分内单木接触高相对比较稳定,对提取的林分有效冠高进行单因素方差分析,无显著差异。【结论】基于机载LiDAR数据,采用可变大小的动态窗口搜索局部最大值点,能提高单木结构参数的提取精度;利用树冠顶点标记控制分水岭算法,将高空间分辨率航片作为辅助数据,可完成较高精度的单木冠幅提取;垂直方向点云高程检测方法可提取单木冠长;LiDAR点云数据可对林分有效冠进行提取,在同一林分中,不同样本数量对接触高提取的变异性影响不大,有效冠高大致相同。机载LiDAR数据具有良好的单木树冠三维结构参数提取能力,能够满足现代林业调查对单木结构参数提取的需要,实现对林分有效冠的提取。

借助机载小光斑LiDAR点云和地面调查的73个样地数据,以亚热带天然次生林为研究对象,首先采用主成分分析法、逐步回归法和贝叶斯模型平均法,分别优化筛选LiDAR提取变量;在此基础上,拟合最优模型估算各森林参数并评价精度;最后基于最优模型进行蓄积量的升尺度制图。结果表明:通过主成分分析法筛选出的最优LiDAR提取变量为平均高度(hmean)、60%冠层返回密度变量(d6)和高度变异系数(hcv),且这3个变量在逐步回归法和贝叶斯模型平均法中多被选中;逐步回归法拟合模型效果最好(R2为0.39~0.84),而贝叶斯模型平均法(R2为0.32~0.77)和主成分分析法(R2为0.26~0.74)次之...

为提高ALOS PALSAR数据估测森林结构参数的精度,引入代表林分结构复杂程度的调整熵值(ENTadj)参与估测,以消除林分结构对雷达后向散射系数的干扰。首先利用野外样地实测的树高计算林分的调整熵值,与Landsat8 OLI第6波段建立线性回归模型,获得基于像元的调整熵值。一般森林结构参数与ALOS PALSAR后向散射系数之间的关系可以用对数模型模拟。引入基于像元的调整熵值作为自变量对原始对数模型进行改进,分别对林分平均高、林分平均胸径、林分蓄积量建立了3种形式的改进模型。利用原始模型和改进模型分别对杉木林、马尾松林、阔叶林和针阔混交林的上述森林结构参数进行估测。最后比较模型拟合精度筛选...

【目的】高郁闭度华北落叶松林Larix principis-rupprechtii林木树冠交叉重叠，传统的基于高分辨影像的单木识别方法识别精度不高。利用机载LiDAR三维点云数据可提高高郁闭度华北落叶松林的单木识别精度。【方法】在点云数据预处理基础上，提出基于点云空间特征的高斯核函数改进的均值漂移单木位置识别方法 (MSP)，比较并分析MSP法与基于点云空间特征的区域生长点云分割方法 (RGP)、基于冠层高度模型的局部最大值单木位置识别方法 (LMC)和基于冠层模型的多尺度分割单木位置识别方法 (MSC)的单木识别效果。【结果】4种方法单木位置识别精度从大到小依次为MSP(89.30%)、LMC (85.60%)、RGP (77.50%)和MSC (70.00%),MSP的漏分误差和错分误差最小，分别为8.7%和8.0%，平均单木冠幅提取精度为90.18%。【结论】提出的MSP法对高郁闭度华北落叶松林单木位置识别具有较好的适用性，利用机载LiDAR可为提取华北落叶松林森林结构参数提供新的途径。图3表3参28

叶面积指数是森林的重要结构参数,对于研究与植被叶片相关的生物物理活动具有重要意义。为了提高针叶林叶面积指数的估测精度,以吉林省长春市净月潭国家森林公园为研究区,通过对小光斑激光雷达离散点云进行滤波分类处理、拟合波形数据,从中提取5个能量参数,分别用于估测针叶林样方的叶面积指数,通过分析得出I2预测模型最好,R=0.911,P=0.968。结果表明小光斑激光雷达离散点云的能量信息能够较好地估计针叶林的叶面积指数,未来应加大小光斑激光雷达能量参数的应用。

【目的】针对传统机载激光雷达（Light Detection And Ranging, LiDAR）所生成的冠层高度模型分辨率较低，不利于高郁闭度人工针叶林中冠幅较小的树种单木分割的问题，基于大疆禅思L1激光雷达高密度点云，提出了一种基于层次化泛洪的单木分割算法。【方法】采用大疆禅思L1激光雷达设备，选择东北地区樟子松与兴安落叶松人工林作为实验样地。首先对原始的高密度激光雷达点云依次进行拼接、去噪、高程归一化处理，针对两块样地生成分辨率分别为0.1、0.2、0.4 m的高、中、低3种分辨率的冠层高度模型。对3种冠层高度模型分别进行先开后闭的形态学滤波处理，以降低冠层高度模型中单个树冠内部不同像素间高程差。然后采用反距离插值算法对3种冠层高度模型中的空洞像素进行平滑处理，并采用图像增强算法提高3种冠层高度模型中树冠内部像素与树冠间像素的对比度，以降低形态学滤波对林隙的模糊处理影响。最后利用局部最大值法分别在3种冠层高度模型中搜索树顶，基于搜索到的树顶位置，结合分层处理思想通过模拟泛洪算法实现单木分割，并基于一般树冠形态，对分割后树冠投影形状、面积进行约束，以优化分割后树冠形状。【结果】针对人工针叶林林分，提出的单木分割算法结合高分辨率冠层高度模型在两种树种样地下最高分割精度达到90%以上。其中，在冠幅较小的兴安落叶松样地中，基于高、中、低分辨率冠层高度模型的单木分割精度F值分别达到91.6%、85.9%、80.2%。而冠幅较大的樟子松样地中，基于高、中、低分辨率冠层高度模型的单木分割精度F值分别为86.2%、84.1%、75.9%。【结论】基于冠层高度模型的单木分割场景中，冠幅较大的树种对于一定范围内分辨率变化不敏感，高分辨率冠层高度模型可以提高人工针叶林单木分割精度，尤其是对于冠幅较小的树种分割精度提高较大。本研究提出的单木分割方法结合无人机高密度LiDAR点云在高郁闭度人工针叶林样地中可达到较高分割精度。

【目的】分析环境与空间因素在寒温性针叶林土壤细菌群落构建中的作用,为区域森林生态系统管理措施的制定提供理论依据。【方法】利用Illumina高通量测序技术分析关帝山庞泉沟自然保护区华北落叶松林(Lp)、青杄林(Pw)以及油松林(Pt)4个土壤细菌群落(LpMC1、LpMC2、PwMC和PtMC)的结构,同时测定土壤理化性质和土壤酶活性,探讨细菌群落结构与森林类型和土壤环境因子的相关性。【结果】1)在该区域的森林土壤细菌群落中,变形菌门、拟杆菌门、放线菌门、疣微菌门、浮霉菌门、酸杆菌门、厚壁菌门、芽单胞菌门