基于航片建立数字高程模型及林分信息提取

以东北林业大学帽儿山实验林场2004年航片和同年森林经理调查数据为基础,在V irtuoZo软件平台上应用数字摄影测量方法与技术,完成了帽儿山航片的空三加密过程,在试验区生成立体像对、建立数字高程模型(DEM)及制作数字正射影像图(DOM)。通过等高线回放目视检查法及检查点法验证了DEM的精度,并在数字测图模块(V irtuoZo IGS)下进行了林分平均高及郁闭度两种林分信息提取的研究,结果显示:林分平均高的精度为83.3%,郁闭度的精度为76.6%。将提取的结果与地面实测数据结合,建立了回归模型,通过计算验证,林分平均高、郁闭度精度都有相应的提高,其值分别为86.5%,87.4%。

基于机载LiDAR数据估测林分平均高

[目的]以2016年9月广西壮族自治区高峰林场实验区获取的机载LiDAR点云数据为基础,通过提取30 m×30 m空间林分尺度下的LiDAR点云特征变量实现对林分平均高的估测。[方法]首先将105块实测林分平均高度的样地数据按照3:1的比例随机划分为训练样本(79)和检验样本(26),采用随机森林回归(RFR)和支持向量回归(SVR)两种机器学习算法对79个训练样本与对应的林分LiDAR点云特征变量回归建模。建模方案包括随机森林模型、支持向量机模型及随机森林+支持向量机组合模型。其次利用26个检验样本数据评价模型预测精度。最后统计3个模型中训练样本和检验样本对应的精度评价指标,以一个预测精度高、泛化能力强的模型作为最终模型进行林分平均高制图。[结果]表明:随机森林模型的训练样本和检验样本的决定系数(R2)分别为0.8861和0.8375,均方根误差(RMSE)分别为1.22和1.56;支持向量机模型的训练样本和检验样本的决定系数(R2)分别为0.8864和0.8409,均方根误差(RMSE)分别为1.21和1.54;组合模型的训练样本和检验样本的决定系数(R2)分别为0.8598和0.8532,均方根误差(RMSE)分别为1.35和1.48;[结论]组合模型的泛化能力及预测精度最好,支持向量机次之,最后为随机森林。利用组合模型可有效完成研究区林分平均高制图。

机载LiDAR在红树林林分平均高估算中的应用

构建基于激光雷达(light detection and ranging,LiDAR)数据的林分平均高反演模型可为无瓣海桑长势的动态监测提供技术支撑。以北部湾茅尾海无瓣海桑红树林湿地为对象,基于机载LiDAR提取的高度和强度参数变量,借助决定系数R^(2)、均方根误差RMSE、赤池信息准则AIC和贝叶斯信息准则BIC指标对随机森林、支持向量机以及神经网络3种模型进行了优选,在最优模型的支持下估算了研究区的红树林平均高及其空间分布状况。结果表明,研究区无瓣海桑的林分平均高介于3.90~11.58 m之间,其中树高较高、胸径较大的无瓣海桑主要分布在潮沟附近以及研究区中部。在估算无瓣海桑的林分平均高时,贡献率最大的是样方点云高度最大值,其次是75%~99%分位数高度。随机森林回归模型在估测林分平均高模型中的精度最高(R^(2)=0.9381,RMSE=0.58 m,AIC=80.50和BIC=49.05);支持向量机模型次之,该模型在测试阶段的R^(2)为0.7665,RMSE为1.27 m;神经网络模型的拟合效果最差。总体而言,随机森林模型是研究区无瓣海桑林分平均高反演的最优模型。

林分平均胸径100倍圆法与角规、标准地法测树特征的对比分析

通过林分平均胸径100倍圆法与角规及标准地的测树特征比较分析,阐明了林分平均胸径100倍圆法的原理、工具、方法,该方法具有简便、工效快与操作误差小等优势,认为林分平均胸径100倍圆法是一种具有实践应用研究价值与实用技术推广价值的林分断面积测定的新方法,将成为一项具有广阔前景的实用技术。