快速城镇化地区生态环境质量时空格局演变及对土地利用变化响应——以廊坊市北三县为例

对生态环境质量时空格局及其对土地利用变化的响应进行研究可为区域制定生态保护修复政策提供参考。通过构建遥感生态指数,对廊坊市北三县2000-2020年生态环境质量分布格局分析评价,利用地理加权回归模型探索生态环境质量变化对土地利用变化的响应。结果表明,北三县2000-2020年生态环境质量等级以“良”和“一般”为主,整体呈下降趋势,等级“较差”面积呈快速增长趋势。建设用地变化、土地利用强度变化和生态环境质量变化呈负相关关系,回归系数在空间上呈现较大的异质性;生态用地变化与生态环境质量变化呈正相关关系,回归系数在空间上异质性不强。城镇快速扩张的区域生态环境质量变化对建设用地变化和土地利用强度变化响应最显著。大量耕地向建设用地转变是区域生态环境变化的最主要影响因素,在国土空间规划中应划定城市边界,严格控制建设用地规模,提高集约节约利用水平,确保区域可持续发展。

近40 a闽江流域森林景观格局动态变化

以1986年、2003年、2021年3期Landsat遥感影像数据和森林资源连续清查数据等为基础数据,从景观要素斑块特征、景观要素空间构型与景观异质性3个方面构建景观格局指数,分析闽江流域森林景观格局的动态变化及影响因素。结果表明:2021年,有林地面积占闽江流域林地面积的68.28%,是流域景观的基质类型;1986—2003年,有林地面积增加了349134.5 hm^(2);2003—2021年,有林地面积增加了392508.77 hm^(2)。有林地景观要素边缘密度、内缘比增大,平均形状指数与分维数均减小,斑块边界趋于光滑、简单、有规则。流域斑块总数减小,总周长与斑块平均面积增大,景观破碎化降低,分布趋于聚集。在景观异质性方面,优势度指数与香农多样性指数增大,均匀度指数减小,说明优势景观有林地对整个流域景观的控制作用增大,景观稳定性增强,异质性降低。综上可知,闽江流域森林景观边缘效应增加,破碎度降低,景观生态功能增强,生态环境质量提升。

基于新遥感生态指数环境质量动态监测——以阜新市为例

气候灾害易影响生态环境,传统的遥感生态指数(RSEI)缺乏气候因素影响生态质量的研究,本研究引入气象因子并优化了生态因子的选择,更加综合全面评价区域内的生态环境质量。使用主成分分析法构建新遥感生态指数(NRSEI),对各因子及多因子交互分析。结果表明,NRSEI较RSEI各因子在第1主成分贡献率均值提升12.53%,并且NRSEI与各因子相关性为高度相关,3 a均值为0.853。分析了2013-2020年阜新市生态环境的变化特点和原因,并利用NRSEI对研究区域的生态环境质量进行动态监测和评估,总体来看,2013-2020年阜新市生态环境状况变好,对于阜新市与NRSEI相关性最高的单个因子是湿度因子,因此阜新市相关部门应注重对河流、湖泊和湿地的保护,减少建筑开发,以改善城市的环境质量。

基于变化更新的中东欧国家森林覆盖制图

[目的]分析中东欧国家森林资源覆盖状况,了解中东欧各国林业的现实情形和独特优势,为中国与中东欧国家加强林业合作提供基础数据。[方法]基于Google Earth Engine(GEE)平台获取中东欧国家2020年生长季无云影像,利用随机森林算法对影像进行分类,应用连续变化检测和分类算法得到森林变化信息并更新初步分类结果,最终获得中东欧国家土地覆盖分类结果。利用欧盟统计局土地利用/覆盖区域框架调查(LUCAS)数据、目视解译数据以及联合国粮农组织统计数据(FAOSTAT)对本研究分类结果进行验证和评估,结合谷歌高分辨率影像对制图结果进行分析。[结果]本研究分类结果利用LUCAS数据和目视解译数据的森林类型用户精度分别为0.930和0.911,生产者精度分别为0.860和0.956,总体精度分别为0.810和0.881,整体上优于GlobeLand30 2020产品(森林类型用户精度分别为0.920和0.900,生产者精度分别为0.690和0.840,总体精度分别为0.700和0.832)。根据研究结果计算出中东欧国家总体森林覆盖率为39.6%,相比GlobeLand30 2020结果(34.4%),与FAOSTAT的森林覆盖率(40.0%)更接近。目视上看,本制图结果在细节刻画上比GlobeLand30 2020产品更丰富,更能准确反映森林分布特征。截至2020年,中东欧国家森林覆盖呈北部、东南地区和西南地区丰富密集,中部分布广泛且相对较少的特点,爱沙尼亚、拉脱维亚、斯洛文尼亚、黑山等国家森林分布茂密,波兰、匈牙利等国家森林分布较为稀少。[结论]针对中东欧国家森林覆盖应用需求,本研究提出基于产品变化更新的森林覆盖制图方法,生产了中东欧国家2020年森林覆盖产品。本研究方法可为大区域森林覆盖制图提供新的借鉴和参考,结果有助于宏观了解中东欧国家森林覆盖状况。

基于LandTrendr算法的广东省1990-2020年森林干扰与森林恢复的动态变化分析

为准确掌握广东省森林干扰与森林恢复的动态特征,文章基于谷歌地球引擎(Google Earth Engine,GEE)云平台构建Landsat长时序年度无云地表反射率影像集,采用LandTrendr(Landsat-based detection of Trends in Distur-bance and Recovery)算法提取广东省1990—2020年森林干扰与森林恢复的时空分布特征,并分析其演变的驱动因素,比较不同森林类型的干扰与恢复特征。结果表明:(1)1990—2020年,广东省的森林干扰总面积约为1.35×10^(4)km^(2),集中分布在广东省西部、东部和中部小范围地区,干扰面积最大的3个城市分别为韶关、梅州、清远市;森林恢复总面积约为1.91×10^(4)km^(2),集中分布在广东省北部和西部地区,恢复面积最大的3个城市分别为韶关、清远、肇庆市。(2)广东省森林干扰与森林恢复均集中发生在海拔小于等于600 m的地区,高海拔地区的森林面积较为稳定;广东省森林干扰集中发生在坡度小于等于25°的地区,森林恢复集中发生在坡度小于等于35°的地区。(3)广东省森林干扰在1996年后发生较为频繁,其中2011年的森林干扰面积最大;森林恢复主要集中在2001—2016年,其中2012年的森林恢复面积最大。(4)广东省的森林干扰与森林恢复主要受雨雪冰冻灾害、台风、病虫害等自然因素以及森林火灾、城市化、采伐、林业政策等人为因素的综合影响,其中雨雪冰冻灾害对广东省北部地区的常绿针叶林的影响较大,但该类型的森林恢复也较快。

黑木相思家系适地适树品种综合评价

[目的]为选出适宜南方山地的黑木相思家系,揭示黑木相思长势土壤养分的空间分异规律与地形变化的关系。[方法]本文以杉木采伐迹地上营造的15年生7个黑木相思家系(M1~M7)为研究对象,采用经典统计学、描述性统计、地统计学方法和GIS技术,研究了7个黑木相思家系分别在不同坡位的土壤理化性质的变化规律和土壤养分的空间分布,并通过因子分析法和模糊评价法对7个黑木相思家系进行综合评价选优。[结果]7个黑木相思家系的理化性质在不同坡位的含量大多表现为下坡位>中坡位>上坡位,下坡位显著高于其他坡位;家系间土壤结构和养分含量均表现出M7、M6和M5较好;研究区各养分含量总体呈块状或条带状分布,呈现从东北和西北方向往南方向递增的趋势。[结论]综合评价值在上下坡位黑木相思家系M7值最高,其生长对土壤理化性质的改良效果最佳,在中坡位黑木相思家系M6最佳。研究结果对南方山地适地适品种和可持续发展研究具有参考价值,可用于黑木相思人工林经营管理实践中。

无人机在新疆兵团青格达湖自然保护区管理中的综合应用

文章通过介绍“大疆经纬M300”无人机使用流程和技术要领,提出在新疆兵团青格达湖自然保护区使用无人机在野生动植物资源调查、日常巡护、影像制作、科普宣教等方面的综合应用探索,以期为自然保护区管理工作中无人机技术的应用提供借鉴。

基于无人机低空遥感数据的时序动态生物量计算研究

为解决林分自然生长和人工剪伐修枝引起的单木特征参数变化所造成的生物量变化问题,采用地基激光雷达数据(TLS)和无人机激光雷达数据(UAV-LS)为数据源,通过单木分割的方法,以地基激光雷达数据提供的高精度数字高程模型为基础,提升无人机激光雷达数据的单木召回率;基于无人机激光雷达数据进行单木树高的提取及一致性评定,通过优化的生物量模型,利用树高参数计算2022年和2023年各树种单木生物量。结果表明,联合地面激光雷达数据可以将无人机激光雷达数据的单木召回率从60.0%提升至73.1%;对2022年、2023年树高参数提取得到近两年树木自然生长、修剪状况;对树高一致性评定得到一致性相关系数(Concordance correlation coefficient,CCC)为0.98,均方根误差(RMSE)为1.12 m;对生物量计算得到近两年各树种单木生物量、林分生物量,2022年、2023年单位面积生物量分别为77.39、81.56 t/hm^(2)。研究证实在研究区通过无人机低空遥感数据获取树高时序动态计算各树种单木生物量可行,可以掌握林分自然生长和人工修剪引起的生物量变化。

基于机载激光雷达点云数据和Catboost算法的杉木单木蓄积量估测研究

选取福建顺昌县洋口国有林场6块杉木标准地内200株杉木的激光雷达点云数据和地面调查数据,基于机载激光雷达点云数据生成的冠层高度模型,运用局域极大值算法检测树冠顶点,提取树高;采用标记极值的分水岭算法估测冠幅面积,将估测的树高和冠幅面积结合单木蓄积量真值,构建基于Catboost算法的单木蓄积量估测模型。结果表明:使用局域极大值算法估测树高,R^(2)为0.91,RMSE为0.81 m;采用标记极值的分水岭算法估测冠幅面积,R^(2)为0.81,RMSE为1.18 m^(2);采用Catboost算法构建单木蓄积量估测模型R^(2)为0.934。因此,机载激光雷达点云数据可以有效估测树高和树冠面积,采用Catboost算法能够实现杉木单木蓄积量的估测,为高精度反演森林蓄积量提供新的思路。

基于无人机多维数据集的森林地上生物量估测模型研究

森林地上生物量(Aboveground biomass,AGB)是评价森林生长情况的重要指标。基于数字航空摄影(Digital aerial photography,DAP)生成的二维和三维数据,分别计算了41个点云高度变量和16个可见光植被指数,利用6种回归算法(随机森林(RF)、袋装树(BT)、支持向量回归(SVR)、Cubist、类别型特征提升(CatBoost)、极端梯度提升(XGBoost))分别构建了单一变量集和综合变量集AGB估测模型,探索了不同变量对于AGB估测模型的贡献。研究结果表明光谱数据集和点云数据集AGB预测模型精度最高分别为Cubist和XGBoost,R^(2)分别为0.5309和0.6395。组合数据集最高精度模型为XGBoost,R^(2)达到0.7601,XGBoost模型具有更高的AGB估测稳定性。研究还表明6种机器学习模型的贡献主要取决于所考虑的回归方法,所选择的特征个数和特征对模型的重要性在不同的模型中并不一致。DOM光谱特征在AGB的估测中具有更高的重要性。总体来说,二维和三维数据的结合能够有效提高森林AGB估测精度,基于无人机倾斜摄影获取的RGB影像能够实现森林AGB的快速无损估计。

基于机器学习算法的森林生物量多源遥感估测

为进一步探索不同空间分辨率影像在10 m×10 m样地尺度下森林生物量估测性能及协同机器学习算法(RF、SVM、DT、GBM、k-NN、Stacking)的估测效果,利用光学遥感GF2(高分二号卫星)、sentinel 2A、Landsat 8 OLI、SUM(整合3种遥感数据源)影像及辅助变量DEM高程数据、环境因子、林分因子(森林类型、优势树种),在Boruta算法变量选择下用机器学习算法对元谋地区乔木林森林生物量(地上+地下)进行遥感估测,并比较4种影像下的估测精度。研究表明:(1)基于Boruta算法分别对3种影像及整合3种影像条件下进行变量选择,单一影像中sentinel 2A的植被指数PEIP、Landsat 8 OLI的纹理因子b2_ME_9×9、GF2的GNDVI分别为3种影像下的最高得分变量,多源融合估测森林生物量中GF2的GNDVI为最佳得分变量;(2)基于Boruta算法选择的变量构建RF、SVM、DT、GBM、k-NN算法以及对5个模型的Stacking集成算法,SUM的Stacking集成算法的估测效果最优,模型决定系数(R2)为0.73,均方根误差(RMSE)为28.46 t·hm^(-2),集成算法下的SUM的估测性能优于sentinel 2A、Landsat 8 OLI,GF2优于sentinel 2A,sentinel 2A的估测性能优于Landsat 8 OLI。研究结果说明在生物量遥感估测中高分辨率影像具有较好的估测效果,同时多源遥感协同估测、集成算法均可提高森林生物量遥感估测精度,可为森林生物量遥感估测提供参考和借鉴。

应用UAVSAR数据及改进极化水云模型对热带森林地上生物量反演

针对热带森林地上生物量遥感估测中容易饱和区域大尺度森林地上生物量估测精度低的问题,以非洲加蓬中部的洛佩达国家公园为研究区,以NASA提供的L波段全极化机载合成孔径雷达(SAR)数据和LiDAR网格化森林地上生物量产品为数据源开展森林生物量估测方法研究。采用极化分解方法提取森林的多种散射机制,从中选择反映森林结构差异的地面散射特征和森林体散射的特征构建体-地散射比,采用极化水云模型(PWCM)进行森林地上生物量反演和精度评价。为了提高PWCM模型的适应性,建模过程中根据体散射分量(V_(ol))分段进行模型的参数优化。结果表明:以Freeman三分量极化分解后得到的体散射(V_(ol))、表面散射(O_(dd))、地-干散射(D_(bl))为基础构建的6个体-地散射比在极化水云模型估算森林地上生物量中,以μ_(VG2)作为体-地散射比时估测效果最好,模型决定系数(R^(2))为0.60,均方根误差(R_(MSE))为127.78 Mg/hm^(2);在此基础上,进一步根据体散射分量分段优化极化水云模型,模型决定系数(R^(2))增加到0.74,均方根误差(R_(MSE))降低了约20%,预测精度从50.76%提升至60.28%,并改善了低值高估、高值低估问题,在地上生物量高达450 Mg/hm^(2)时未出现饱和现象。

联合微波与光学时间序列影像的马尾松林松材线虫病遥感识别

【目的】大范围准确监测林区松材线虫病感染情况对森林疫情防治和经营管理具有重要作用。现有研究往往采用单时相或少量时相数据,松材线虫病遥感监测易受森林背景和非寄主树木影响,导致监测精度存在较大的不确定性。此外,单一数据源往往对病害特征刻画不足,例如被动光学数据侧重描述森林冠层水平结构信息,但易受云雨影响造成数据缺失,而主动微波数据对森林垂直结构和水分含量敏感,但存在噪声高、色素敏感性低以及地形影响大等问题。因此,联合主动微波与被动光学时间序列遥感影像数据,有望在降低环境因素影响的同时追踪同一林分的时序变化特征,进而提升松材线虫病探测的准确性与鲁棒性。【方法】利用厘米级分辨率无人机影像标记样本,联合Sentinel-1 C波段微波和Sentinel-2光学时间序列数据,构建基于极端梯度提升算法的松材线虫病害监测模型。分别评估微波模型、光学模型和微波与光学联合模型在松材线虫病监测方面的性能,以及最优模型在不同环境因子下的表现。【结果】(1)联合了微波和光学的模型精度(总体精度为80.62%,Kappa系数为0.61)略高于单一光学模型的精度(总体精度为79.58%,Kappa系数为0.59),并明显高于单一微波模型的精度(总体精度为68.87%,Kappa系数为0.36),说明了微波与光学时间序列联合数据在松材线虫病害监测中具有优势;(2)模型通常在缓坡、阳坡、低海拔、高覆盖度条件下展现出更高精度。【结论】本研究充分利用多源遥感卫星数据,为松材线虫病大范围准确监测提供了新的技术支撑。

应用地基雷达和机载激光雷达数据反演落叶松冠层叶面积密度

为了实现落叶松冠层叶面积密度盲区互补的协同反演,以塞罕坝机械林场为研究区,根据地基雷达和机载激光雷达数据对落叶松林冠层点云信息进行提取;利用点云分割算法对点云信息进行枝叶分离,并对冠层点云进行体素建模,分析落叶松林最优体素和接触频率的相关性;采用体素模型冠层分析法(VCP)分别对机载雷达和地基雷达数据绘制冠层叶面积密度曲线,实现对区域林木叶面积密度的反演。结果表明:运用冠层分析法适用于估算落叶松的叶面积密度,机载雷达点云数据和地基雷达点云数据协同估算的相对误差最小(平均相对误差1.95%),机载雷达数据估算次之(平均相对误差5.09%),地基雷达数据估算误差最大(平均相对误差9.37%)。因此,机载和地基雷达数据协同反演可以提升落叶松林叶面积密度的估算精度。

基于MCR模型的围场县小滦河流域生态安全格局识别

【目的】识别和评价区域生态安全格局,能为优化区域生态系统要素,改善区域生态安全状况提供重要依据。【方法】本文利用InVEST模型,测算围场县小滦河流域碳固持、生境质量、水土保持和水源涵养4项重要生态系统服务功能,对该区域的生态系统服务功能进行综合评价,并利用最小累计阻力模型(MCR)构建该区域的潜在生态廊道。【结果】全域共识别14个生态源地,构建34条生态廊道,其中19条廊道重要性较高。围场县小滦河流域南、中、北部的综合生态服务功能和生态源地的空间分布格局差异显著。南部低山区森林面积较大,综合生态系统服务功能较高,生态廊道网络较为密集。中部农牧区的人为干扰较严重,对南、北部间生态过程造成阻碍。北部邻近塞罕坝林场区域4项重要的生态系统服务功能较高,存在一些面积较大的生态源地,生态廊道重要性较高。小滦河流域整体生态连通性不高,除河流本身外,沟通南、北部的唯一生态廊道位于流域东部边缘,对区域安全格局具有重要作用。【结论】围场县小滦河流域南部、中部和北部区域的生态系统服务功能具有较大差异,生态安全格局研究结果能为制定相应区域适宜的生态保护修复策略提供理论参考。

基于深度学习的树木根系探地雷达多目标参数反演识别

【目的】使用深度学习方法实现对根系雷达图像的多目标检测和多参数估计。【方法】构建了一种以YOLOv5s和CNN-LSTM为主要框架的网络模型实现对根系雷达扫描图像的多目标检测和多参数估计。首先,通过仿真模拟和预埋试验获取试验所需的根系雷达剖面图数据,同时为了增加数据的多样性,使用CycleGAN风格迁移网络获取了一批具有真实雷达图像特征的仿真数据;然后,使用YOLOv5s目标检测网络识别并提取根系响应区域;接着引入频域变换,获取频域特征,并将根系雷达图像的时域特征和频域特征融合;最后,利用卷积神经网络、卷积注意力机制以及长短期记忆网络强调和提取与根系参数相关的信息特征,并使用多任务学习的方法实现对根系半径、深度、相对介电常数以及水平倾角的预测。【结果】(1)仿真试验中,根系半径估计的最大误差是4.3 mm,R^(2)为0.980,均方根误差为1.32,深度估计的最大误差是35.1 mm,R^(2)为0.962,均方根误差为17.68,相对介电常数估计的最大误差是3.1,R^(2)为0.960,均方根误差为1.10,水平倾角估计的最大误差是10.2°,R^(2)为0.821,均方根误差是4.96。(2)在实测数据上对根系半径估计的平均相对误差是9.112%,深度估计的平均相对误差是5.772%,水平倾角估计的平均相对误差是11.25%。【结论】本文提出的基于深度学习与探地雷达的多目标检测方法可以为根系检测和根系参数估计提供便利。

基于高时空分辨率数据的上栗县植被NPP估算及分析

针对目前植被净初级生产力(NPP)像素级的研究成果缺乏对地理空间细节的描述这一问题,借助中高分遥感影像,利用深度学习模型获取精确地类图斑,将栅格化结果作为改进的CASA模型的输入参数,最终估算得到上栗县不同植被类型的地块级NPP值。结果表明,1)相比于传统的只利用影像光谱特征提取的方法,深度学习技术获取的地类图斑更为准确。同时,在林地图斑的基础上,结合中分影像对林地类型进行判别,林地分类精度为91.3134%。说明中高分遥感影像结合,能够较好地在区县尺度上开展植被的精细分类。2)以CASA模型理论为基础,对模型中的最大光年利用率的取值进行修正。同时以地类图斑的栅格化结果作为模型的输入参数,剔除了建筑区、道路、裸地等无植被覆盖区对模型计算的影响,并对估算结果与其他模型估算结果进行比较与验证,证明了试验结果的准确性。3)实现了上栗县NPP结果在空间上的精细化表达,研究结果具备良好的空间细节特征,不仅满足了面积统计、定性分析等简单需求,还可为后续碳循环、碳源/汇等研究提供客观、定量化的数据支撑。

基于多源遥感数据的福建省海岸带县域森林生态质量评价

【目的】森林生态质量是从生态角度反映森林质量的内涵,对森林的生态功能和生态服务、生长状况以及自我调节功能进行综合测度,以期提高森林改善生态环境、维护生态平衡的能力。【方法】利用中、高分辨率多源遥感数据,获取大范围尺度下能表征森林生态质量的关键指标信息,在此基础上,分析福建省海岸带40个县域的森林生态质量状况。首先,基于2016年2 m分辨率多源遥感数据为主要数据源,利用双层尺度集模型选定最佳分割尺度,多分类器集成算法集,自动选择最优分类算法进行森林类型提取,并结合2020年Sentinel遥感数据及森林分类产品,更新2020年福建省海岸带森林类型精细分布图;其次,利用LandTrendr算法衍生的干扰开始时间特征推算现存森林年龄,通过GEDI冠层高度产品获取海岸带森林冠层高度分布图;在以上关键森林质量指标提取基础上,对遥感手段获取的8项森林生态质量评价指标进行主成分分析,获得福建省海岸带县域森林生态质量综合评价结果。【结果】2020年福建海岸带40个县域约50%的县域森林生态质量处于优良水平,其中仙游县、闽侯县、南安市、霞浦县、柘荣县及厦门海沧区、思明区、集美区、同安区等森林生态质量为优;森林生态质量较差的县域有惠安县、秀屿区、石狮市、福安市、平潭实验区、诏安县。【结论】结合中、高分辨率多源遥感数据,能够发挥遥感大范围监测优点,客观评价福建省海岸带40个县域的森林生态质量;研究结果表明2020年福建沿海县域森林生态质量还存在较大的提升空间,需要针对存在的问题采取相应森林管理措施提升森林生态质量。

耦合时序特征的林分类型遥感识别

【目的】结合多源遥感数据进行特征提取,获取最优分类策略并探究时间序列特征在林分类型识别中的重要性,为遥感林分类型识别提供技术途径。【方法】结合Sentinel-2光谱特征和时间序列特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征在Google Earth Engine中进行各特征变量的提取,构建不同特征组合使用随机森林分类器进行分类并对不同分类结果进行制图输出和精度评价。【结果】(1)使用Sentinel-2时间序列光谱特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征的方案分类效果最好,总体精度为84.62%,Kappa系数为0.82;(2)在构建的5个不同特征组合方案中,多特征组合的方案分类效果优于单一特征;(3)地形特征、后向散射特征和时间序列特征对于分类结果非常重要,尤其是时间序列特征的加入能大大提升林分类型识别精度。光谱特征中短红外波段B11和B12最重要,时间序列特征中4月份和10月份为最重要的时间节点。【结论】基于多源遥感数据提取的多特征分类方案能够有效进行研究区林分类型识别,地形特征、后向散射特征和Sentinel-2时间序列特征可以作为光谱特征的有效辅助特征变量提高分类精度,使林分类型识别更为准确,尤其是时间序列特征在提高林分类型识别精度上有突出作用。

融合无人机和地基激光雷达点云数据估测单木结构参数

激光雷达(Light detection and ranging,LiDAR)作为一种主动遥感技术,能够通过发射激光能量并接收返回信息的方式获取森林空间结构信息,然而,单独使用时存在扫描盲区,无法获取完整的森林树木三维点云。为此,提出融合无人机和地基LiDAR点云估测单木结构参数的方法,采用地面特征和树木位置关系的配准方法实现点云融合,并在融合点云数据的基础上提出一种改进的K均值层次聚类分割算法完成单木分割,然后根据基于分割后的单木点云使用轴对齐包围盒算法以及最小二乘拟合圆法分别提取单木树高和胸径,最后通过生物量异速生长方程估测单木生物量。研究结果表明,蒙古栎样地的树高、胸径和单木生物量的决定系数(R^(2))分别为0.84、0.93和0.91,单木结构参数的均方根误差(RMSE)分别为0.75 m、0.96 cm和26.31 kg/株;樟子松样地的树高、胸径和单木生物量的R^(2)分别为0.92、0.96和0.95,相应的均方根误差分别为0.43 m、1.06 cm和26.12 kg/株。融合无人机和地基LiDAR点云为快速完整地获取林木构型信息提供可靠的数据基础,为联合多源激光雷达技术深入林业应用提供有力的技术支撑。