【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。

【目的】探索Landsat8 OLI数据和立体数据在估算桉树森林蓄积量（forest stock volume,FSV）中的潜力，并且准确地估计桉树的FSV。【方法】以3幅Landsat8 OLI图像和资源3号立体数据为遥感数据源，并且结合少量地面调查数据实现了桉树FSV的遥感估计。研究中提取了三类遥感特征用于估计桉树FSV：第一类是包括植被指数和单波段反射率在内的光谱特征；第二类是基于Landsat 8 OLI图像的单波段提取的8种纹理特征；第三类是基于资源3号立体像对数据和开源的数字高程模型（digital elevation model,DEM）提取的冠层高度模型（canopy height model,CHM）。利用Boruta算法对三类遥感特征进行提取，之后建立了随机森林（random forest,RF）、K-最近邻（K-nearest neighbor,KNN）和支持向量机（support vector machine,SVM）3种机器学习模型以及传统的多源线性回归模型（multiple linear regression,MLR），并以决定系数（R~2）、均方根误差（root mean square error,RMSE）和相对均方根误差（relative root mean square error,rRMSE）作为评价指标对模型结果进行评估。【结果】基于ZY-3立体像对数据和开源的DEM数据提取的CHM与桉树的FSV具有很强的相关性，Pearson相关系数达到了0.71。仅仅利用基于Landsat 8 OLI图像提取的光谱和纹理特征难以准确地估计桉树的FSV，估测模型的R~2为0.29～0.38,rRMSE为35.65%～43.30%，存在严重的数据饱和问题。当变量集中加入CHM后，模型的估测精度明显提高，R~2达到了0.64～0.66,rRMSE为25.74%～26.41%。【结论】使用Landsat 8 OLI数据估算桉树FSV时存在严重的数据饱和问题，并且使用空间分辨率为30 m的纹理特征难以有效地改善森林蓄积量的估计精度。利用资源3号立体像对数据和开源的DEM数据可以提取较为准确的CHM，并且所提取的CHM可以解决改善光学数据的饱和问题，从而提高桉树FSV的估计精度。

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。

本文基于低密度的机载激光雷达(L iDAR)数据生成林区树冠高度模型(CHM),结合高分辨率CCD数码相机影像勾绘林分多边形,由改进的树冠识别算法提取林分平均树高。结果表明:全部有效数据林分总体精度达74.86%,刺槐精度达75.62%,油松精度达74.74%,结果受点云密度影响,使得阔叶树种的精度稍高于针叶树种,因此,低密度激光雷达数据结合高分辨率CCD可以快速、准确地提取林分平均高。

【目的】将ＩＣＥＳａｔ－ＧＬａＳ波形数据与ＨＪ－１ａ／ＨＳＩ高光谱数据联合，借助ＨＳＩ高光谱数据提供的连续高分辨率光谱信息，实现区域森林冠层高度的估测，降低由于ＧＬａＳ光斑呈离散条带状分布无法覆盖整个研究区造成的估测误差。【方法】首先，从平滑后的ＩＣＥＳａｔ－ＧＬａＳ波形数据中提取波形参数（波形长度Ｗ和地形坡度参数ｔＳ），基于Ｗ和ｔＳ建立ＧＬａＳ森林冠层高度估测模型，并利用此模型计算研究区所有ＧＬａＳ光斑内的森林冠层高度；然后，采用最小噪声分离法（ＭＮＦ）对ＨＪ－１ａ／ＨＳＩ高光谱数据进行降维，提取前３个ＭＮＦ分量（ＭＮＦ１，ＭＮＦ２，ＭＮＦ３）；最后，基于支持向量回归机（ＳＶＲ）算法，利用Ｇ．．．

【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。

机载LiDAR是一种能够直接、快速获取被测目标三维空间信息的主动式遥感技术,被广泛用于获取高精度的数字地面模型,但是在植被比较密集、地势比较陡峭的森林地区,能够穿透植被到达地表的激光脚点数量较开阔区域少,对于提取精确的DTM有一定难度。该文提出一种继承式多分辨率体素滤波算法,从机载激光扫描数据中获取森林地区的DTM。该方法将激光点云数据划分为不同分辨率等级的体素,以体素为单位通过与邻域体素的高程加权均值比较,剔除植被点,保留地面点,从而获取森林地区的DTM。实验证明该滤波方法能够有效地提取森林地区的DTM。

【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。

为降低小光斑机载激光雷达因光斑直径太小而导致的脉冲首次回波无法代表冠层高度的影响,以进一步提高小光斑机载激光雷达波形数据在森林结构参数估测中的应用潜能。以内蒙古依根地区为研究区,以机载激光雷达波形数据为基础数据,在波形数据高斯分解的基础上提出一种基于小光斑波形形成伪大光斑波形数据的方法。通过计算样地内各高斯分量脉冲能量占总脉冲能量的比例,将其视为各高斯分量特征参数对应权数,分别求特征参数振幅、位置和半波宽的加权平均数,即为样地伪大光斑波形数据对应高斯函数的特征值。基于小光斑波形数据和伪大光斑波形数据提取特征参数,分别结合野外样方实测平均树高建立回归模型,并进行比较分析。结果小光斑波形反演模型的决定系数R2为0.47,总体平均精度P为78.19%,伪大光斑反演模型的决定系数R2为0.61,估测林分平均高总体平均精度P为90.65%。结果表明,伪大光斑模型反演精度高于小光斑波形反演模型,降低了小光斑LiDAR因光斑直径过小带来的影响,挖掘了小光斑机载LiDAR波形数据的应用潜力。

【目的】利用国产合成孔径雷达（ＳＡＲ）系统（ＣＡＳＭＳＡＲ）获取的机载Ｐ－波段全极化ＳＡＲ（ＰｏｌＳＡＲ）数据，分析ＳＡＲ对森林地上生物量（ＡＧＢ）的响应与地形的关系，建立融合地形因子的高精度多项式模型，以提高森林ＡＧＢ的估测精度。【方法】首先以基于机载激光雷达（ｌｉ ＤＡＲ）数据得到的研究区坡度分布图与结合实测样地ＡＧＢ数据得到的森林ＡＧＢ分布图作为参考数据进行系统抽样，分析森林ＡＧＢ与Ｐ－波段ＰｏｌＳＡＲ后向散射强度的关系以及不同坡度下二者的相关性变化；然后利用ｌｉ ＤＡＲ得到的高精度数字高程模型（ＤＥＭ）结合机载Ｐ－波段的轨道数据计算当地入射角，进而建立以后向散射强度、当地入射角以及雷达．．．

【目的】森林生物量的空间精准量化对了解陆地碳储量、碳收支、碳平衡，以及揭示森林碳储量与全球气候变化的影响过程具有重要意义。P波段波长较长，在森林中具有更高的穿透能力，研究机载P波段SAR数据提高森林地上生物量(AGB)估测精度的可行性。【方法】以机载P波段全极化合成孔径雷达(SAR)数据和高精度激光雷达(LiDAR)数据估测的森林AGB抽样点为基础，提取20个极化SAR特征，并分别与森林AGB变化作敏感性响应情况分析。采用多元线性回归模型(MLR)、K近邻方法 (KNN)、支持向量回归(SVR)和随机森林(RF)4种估测方法，探究机载P波段SAR数据的森林AGB估测精度。【结果】在较低森林AGB(均值约45 t·hm~(-2))的森林覆盖区中，P波段的同极化后向散射系数、Freeman-Durden和Yamaguchi分解中的表面和二次散射分量对森林AGB变化敏感；此外H-A-ALPHA极化分解的散射角(alpha)、拓展极化参数极化辨别率参数(PDR)也对森林AGB变化敏感。4种方法估测的森林AGB相对误差均约30%，其中MLR估测结果精度最低，估测精度为63.55%，均方根误差(RMSE)为19.16 t·hm~(-2);RF估测结果精度最高，估测精度为72.97%,RMSE为15.98 t·hm~(-2);KNN和SVR估计结果差别不明显，RMSE分别为17.04和17.09 t·hm~(-2)。【结论】P波段SAR数据对估测森林AGB具有一定潜力，3种非参数方法的估测结果明显优于MLR参数方法。此外，P波段的森林AGB估测精度受到待估森林AGB水平高低的影响明显，在森林AGB水平较高的分组中估测精度较高。在森林AGB均值为45 t·hm~(-2)，最大值为120 t·hm~(-2)的森林覆盖区，以50 t·hm~(-2)将森林AGB样点分为2组时，高森林AGB组的估测精度高出低AGB组约6%。图5表3参34

该文探讨和评价了利用星载EO-1 Hyperion高光谱遥感数据定量估测森林郁闭度的能力.高光谱数据光谱特征空间降维采用两种方式,一种是光谱特征选择的波段选择法(BS),另一种是光谱特征提取的主成分变换法(PCA).从森林资源变化图上获取200个样点的实测郁闭度值,130个用于建模,70个用于验证.对应图像的取值采用单像元值(NP)和3×3窗口的平均值(W33)两种方法.两种光谱特征降维方式和两种图像取值方法构成4种估测模型(BS-NP、BS--W33、PCA-NP和PCA-W33).分析过程为:①对图像进行预处理,选出质量好的波段;②采用逐步回归技术提取与郁闭度相关性高的波段或变量;③建立多...

【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。

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...

本文用计算机模拟取样,探讨Yojiro Ueno提出的一种新的抽样方法应用于长白山落叶松人工林和柞树林的试验样地的有效性。应用不同次数的重复试验结果表明:1)随着样本容量的增加,不同重复的差异逐渐减小,当增加到一定程度,重复一次随机抽样即可有较好的稳定性和较低的抽样误差。2)平均相对误差P-和不同重复间变异系数CV曲线都随取样数目的增加而呈下降趋势,且上升波动程度也随之减小,渐平稳。当样本量大小达到某值之前,P-和CV曲线下降比较明显。当抽取样本多于此值后,P-曲线下降缓慢。3)落叶松人工林的样地抽样效果要好于柞树林的样地。分析表明,总体变异系数较低,总株数较多的样地,有着更好的抽样效果。