基于光束法空中三角测量理论测量林分平均高度的方法

提出了利用航片计算林分平均高的方法。该方法是根据光束法空中三角测量理论,首先生成DEM和DSM模型,再从DEM和DSM模型中生成DVHM模型,最后从DVHM模型中生成林分平均高,并用固定样地林分平均高对DVHM模型生成的林分平均高进行了检验,结果表明:实测固定样地平均高与DVHM计算固定样地林分平均高差值最大为6.8m,最小为-0.3m,实测值与计算值之间存在着一定的线性关系。

基于机载LiDAR的伪大光斑波形数据反演林分平均高

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。

基于低密度机载LiDAR和CCD数据的林分平均高提取

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。

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。

天然栎类阔叶混交林林分平均高与平均胸径关系模型

【目的】考虑天然混交林的林分密度、直径结构和树种结构,基于代数差分方程构建最适宜的林分平均高与平均胸径关系模型,为天然混交林的立地生产力估计与可持续经营提供理论依据。【方法】以吉林省天然栎类阔叶混交林为研究对象,利用4期连续调查固定样地数据,基于Richards方程构建4种数据结构类型即typeC、typeD、typeE和typeF的基础代数差分方程,比较分析得出最优数据结构类型;基于最优数据结构类型,以5个林分密度指标即林木株数(N)、林分断面积(BA)、林分密度指数(SDIr)、可加林分密度指数(SDIa)和郁闭度(CD),5个直径多样性指数即Shannon均匀度指数(ShaI)、Simpson指数(SimI)、McIntosh均匀度指数(MceI)、Gini系数(GinI)和Berger-Parker指数(BerI),4个树种多样性指数即ShaI、SimI、MceI和BerI,构建并比较分析不同多样性代数差分方程的差异,得出最佳方程为最适宜林分平均高与平均胸径关系模型。【结果】不同数据结构类型的建模效果由好到差排序:typeD>typeC>typeF>typeE。除了typeC,其他3个数据结构类型的模型参数b和r均显著不为零(P<0.01),说明typeD拟合的模型参数检验效果最佳。林分密度指标SDIr的建模效果最好。无论使用哪个林分密度指标,其模型参数b0、r和cSD均显著(P<0.01),说明5个林分密度指标的模型参数检验效果均比较理想。直径多样性指数ShaI的建模效果最好。除了GinI,其他4个直径多样性指数的模型参数b0、r、cSDIr和cDI均显著(P<0.01),表明ShaI、SimI、MceI和BerI均为较理想的直径多样性指数。4个树种多样性指数的建模拟合效果和检验数据效果差别不大。BerI的模型参数b0、r、cSDIr、cShaI和c SP均显著(P<0.01),说明BerI是较理想的树种多样性指数。ShaI、SimI和MceI的模型参数b0、r、cSDIr、cShaI和cSP均不能同时达到0.05显著水平,说明ShaI、SimI和MceI是不理想的树种多样性指数。【结论】typeD是最优的数据结构类型,林分密度、直径多样性和树种多样性对模型均有影响。其中,林分密度指标SDIr、直径多样性指数ShaI和树种多样性指数BerI建立的多样性代数差分方程拟合效果最佳,为最适宜的天然栎类阔叶混交林林分平均高与平均胸径关系模型。

基于TanDEM-X数据的林分平均高反演方法研究

以TanDEM-X/TerraSAR-X HH单极化干涉对和GF-2遥感数据为基础,提出结合极化干涉与混合像元分解技术的改进差分法来反演林分平均高,并利用外业数据进行精度验证。结果表明:以植被丰度校正冠层高度模型,林分平均高的估测精度和R^2值得到大幅提高,均方根误差也随之降低。因此,本研究提出的方法能有效降低林分低郁闭度产生的混合像元作用对林分平均高反演的影响,提高林分平均高的反演精度。

依据BP神经网络的机载LiDAR数据估算林分平均高

以东北虎豹国家公园范围内的针叶纯林为研究对象,结合2018年9月机载LiDAR点云数据和同步地面调查数据,提取半径为15 m的圆形采样尺度下的LiDAR点云特征变量为数据基础,采用BP神经网络算法、逐步回归法分别构建林分算术平均高模型和林分加权平均高模型,实现对林分平均高的估测。其中在利用BP神经网络算法构建模型时分别选择了贝叶斯正则化算法和L-M算法作为神经网络训练算法。结果表明:BP神经网络算法对数据具有更好地解释能力,其构建的林分平均高模型相关系数(R^(2))均在87%以上,高于逐步回归法构建的林分平均树高模型;林分加权平均高模型精度更高,用样地加权平均高作为实测值时,采用逐步回归算法、BP神经网络L-M算法、BP神经网络贝叶斯正则化算法构建的模型的检验样地数据的决定系数(R^(2))分别为0.858、0.919、0.908,树高估测精度(P)分别为88.6%、89.8%、91.2%,与以林分算术平均高作为实测值构建的估测模型相比,决定系数(R^(2))分别提升了4.9%、3.7%、3.4%,估测精度(P)分别提升了2.9%、2.4%、1.5%;BP神经网络的不同训练函数之间无明显性能差异,两种不同训练方法构建的林分平均高模型的决定系数R^(2)及树高估测精度(P)略有差异,但整体相差较小。

结合自适应阈值与峰值的LiDAR林分平均高反演方法研究

随着激光雷达获取的点云密度不断增加,提取样地尺度的林分平均高成为可能。但样地尺度林分平均高的提取精度与树种之间的关系尚不明确,急需一种能适应各种树种的林分平均高提取方法。以广西国有高峰林场为例,采用机载LiDAR点云数据生成的冠层高度模型(Canopy height model,CHM),结合地面实测的201个样地数据,提出了一种结合自适应阈值与峰值的林分平均高提取算法,并分析了树种对提取精度的影响。结果表明:1)不同树种的林分平均高提取精度存在差异,杉木精度最高,而桉树和其他阔叶树种精度次之;2)自适应阈值结合峰值的算法能够较好提取林分平均高(R^(2)=0.75,RMSE=3.11m,rRMSE=22.07%),并且对于不同的树种都有较强的稳健性;3)阔叶树种和针叶树种对不同的提取方法存在敏感性差异。研究提取的林分平均高可为森林蓄积量与生物量反演研究提供依据和参考。

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。

基于变量优选的机载激光雷达对林分平均高的反演

森林高度是反映森林数量和质量的重要指标,是森林经营管理的重要基础数据,准确获取森林高度信息一直是林业遥感研究的目标。本研究以广西高峰林场的105块地面实测样地数据和机载激光雷达(Light detection and ranging,LiDAR)数据为基础,从点云数据中提取35个特征变量,分别采用支持向量机-递归特征消除法(SVM-RFE)、轻量级梯度提升机(LightGBM)和主成分分析(PCA)法进行特征筛选,并结合参数模型(LR)和非参数模型(RFR、KNN)对林分平均高进行反演。研究结果表明,不同特征选择方法和估测模型的组合精度差异较大。其中,利用LightGBM进行特征筛选结合KNN回归反演效果最佳,建模的R^(2)和RMSE分别为0.83和1.64 m,验证的R^(2)和RMSE分别为0.81和1.56 m。此外,在SVM-RFE、LightGBM和PCA这3种特征筛选方法中LightGBM的效果最好,无论在RFR模型还是在KNN模型中均能得到较高的R^(2),优于SVM-RFE和PCA。

基于Excel拟合树高曲线方程自动计算林分平均高

根据森林调查标准地调查法所获得的胸径-树高数据,用Excel拟合动态树高曲线,然后利用Excel的函数提取拟合树高曲线方程中的参数来自动计算林分平均高和径阶平均高,且计算结果会随所选择曲线方程类型的不同以及胸径-树高数据的增减变动均能自动更新计算结果,避免了因数据每次发生变化后都需要重复操作,省时高效。

青冈栎次生林林分形高模型构建

探索林分形高模型的构建与评价方法,可为湖南省青冈栎林分蓄积量的精准测定提供理论依据。以芦头林场和青羊湖林场的青冈栎次生林为研究对象,基于35个样地的1055株单木实测数据,建立青冈栎次生林一元、二元林分形高模型。由孔兹干曲线推导出青冈栎树高曲线以计算林分条件平均高,基于林分形高与林分平均胸径、林分条件平均高的一元、二元相关关系,选取6个一元模型和8个二元模型,以决定系数(R^(2))、均方根误差(RMSE)、解释方差(EA)、平均绝对误差(MAE)和模型预估精度(P_(1))作为评价指标。经过评估和比较,选定一元林分形高模型为f(D)=2.8707×D^(0.2618)、f(H)=2.0224+0.3395×H和二元林分形高模型为f(D,H)=0.5906×exp(-0.0083×D)×H、f(D,H)=(0.7102-0.0701×logD)H和f(D,H)=2.4799×(D^(2)×H)^(0.1092)。通过留一交叉验证和配对T检验对模型进行检验,结果显示一元、二元林分形高模型均具有较高的精度和较强的适用性,进一步验证了以林分平均胸径和林分条件平均高构建林分形高模型的方法合理可行,可为其它类型的林分形高模型构建和林分形高表的编制提供示范和参考。

利用哑变量研究湘西桤木林分优势平均高与平均高的相关关系

林分优势平均高和林分平均高是立地质量评价的2个重要指标。以78块湘西桤木人工林标准地数据为研究对象,采用数量化方法I分析了地名、林分类型、坡度、坡位、坡向、土壤厚度、土壤类型、自然灾害、公顷株数、海拔、年龄和郁闭度11种因子对高比值(林分平均高与优势平均高之比)的显著性影响程度,选出影响显著的主导因子作为哑变量,确定地名和林分类型(绝对纯林和相对纯林)为显著性影响的主导因子,2个因子对高比值具有显著性影响的可靠性为93.70%和99.96%,选取这2个因子作为哑变量,建立了基于哑变量的林分优势平均高与林分平均高非线性模型和常规的非线性模型,采用确定系数、残差均值、绝对残差均值、相对误差均值和精度5个指标,通过对常规、基于地名哑变量和基于林分类型哑变量的3种非线性模型的建模精度和模型适应性检验结果比较,指出基于哑变量的非线性模型优于常规非线性模型,且基于地名哑变量的模型最优。基于地名哑变量、基于林分类型哑变量和常规非线性模型的建模精度分别为98.65%、97.53%、93.43%,建模确定系数分别为0.9389、0.9266和0.9015,建模残差均值分别为2.16E-09、5.53E-09和2.30E-07,建模绝对残差均值1.0631、1.1323和1.8522,建模相对误差均值分别为0.1197、0.2038和0.2932。研究方法和结果有助于提高建模精度,并为建立区域性通用生物数学模型提供了一种思维方法。

利用ZY-3立体像对的桉树林分平均高估测

针对如何快速准确地估测桉树林分平均高以进一步评价桉树生长过程和质量的问题,该文研究利用ZY-3号立体像对数据,提取了研究区冠层高度模型(NF_CHM、NB_CHM和3S_CHM)。在此基础上,利用冠层高度模型(CHM)、ZY-3号多光谱数据提取的遥感因子,结合多种线性和非线性模型协同反演了桉树的林分平均高。研究结果表明,使用该方法估测精度(RMSE=2.15 m,RRMSE=14.5%,RE=0.11),优于单独使用冠层高度模型(CHM)估测桉树林分平均高的精度。研究结果为进一步利用ZY-3立体像对数据对桉树林分平均高估测提供了新的思路。

一种新的估计林分算术平均高抽样方法的验证与应用

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。

基于林分优势木平均高的二类小班调查和系统抽样数据的融合

林分优势木平均高是衡量立地生产量的一个重要指标,通过系统固定样地调查和二类调查数据均可得到林分优势木平均高。鉴于此2类调查方法各有优缺点,做到二类调查数据到系统样地的融合很有必要。基于2004年和2009的二类调查数据,通过贝叶斯法构建林分优势木平均高模型,并通过该模型预测2011,2013年的林分优势木平均高,与此2a的系统样地数据进行融合,得到非线性融合模型H_s=9.612 6ln(H_p)-9.374(R^2=0.503 8)。

点云密度对机载激光雷达林分高度反演的影响

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。

针阔混交异龄林林分优势高的确定方法

基于广东省59块针阔混交异龄林一类固定样地实测数据,采用7种方法计算林分优势高,对7种计算方法获取的林分优势高进行相关性分析和差异分析,并建立了林分优势高和林分平均高的线性模型。结果表明,针阔混交异龄林的7种林分优势高间的相关系数均超过0.9;根据差异性分析结果和调查、计算简单的原则,确定不分树种取最大3株优势高的算术平均作为针阔混交异龄林的林分优势高;林分优势高与林分平均高之间的关系方程为Y=0.948 9X+4.133 7,决定系数R^2为0.656 3,具有良好的线性关系。

利用标准表建立贵州主要树种组林分平均形高模型的研究

森林蓄积量是森林资源调查和监测的重要指标。针对目前贵州省森林资源调查所采用的标准表没有数式(模型),应用不便的问题,提出利用标准表导算林分平均形高,建立贵州省6个树种组平均树高——平均形高回归模型,为森林资源二类调查及连续清查林分蓄积估算提供参考。

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%。