点云密度对无人机激光雷达森林参数估测精度的影响

[目的]点云密度是影响无人机激光雷达数据获取和预处理成本和效率的关键因素,探明点云密度对林分尺度无人机激光雷达森林参数估测精度的影响,有助于优化无人机激光雷达森林应用技术方案。[方法]以马尾松、桉树人工林为研究对象,采用百分比重采样方法,对密度为247点·m^(-2)的原始点云按40%、20%、8%、4%和2%的比例降低点云密度,得到1个全密度原始点云数据集和5个稀疏密度点云数据集;每个数据集独立进行点云分类、地面点滤波和数字高程模型生成、点云高度归一化等预处理并提取激光雷达变量;对于同一森林类型的同一个森林参数(林分蓄积量、断面积、平均高和平均直径)的估测,各个数据集都采用相同的乘幂模型结构式进行模型拟合,然后比较分析模型优度统计指标的差异,包括:决定系数(R^(2)),相对根方根误差(rRMSE)和平均预报误差(MPE);采用配对样本t检验方法对各个数据集的森林参数估测结果和激光变量的差异进行统计分析。[结果]当点云密度分别稀疏至100、50、…、5点·m^(-2)时,各个森林参数估测模型的精度保持基本一致;各个稀疏密度点云数据集的森林参数估测值的均值与原始点云数据集的估测值的均值不存在显著性差异(p≥0.05);各个稀疏密度点云数据集激光变量的均值和原始点云数据集激光变量的均值基本上不存在显著性差异(p>0.05)。[结论]在无人机激光雷达森林资源调查监测应用中,点云密度可低至5点·m^(-2)。然而,本试验结果仍需通过不同飞行高度获取不同密度点云数据予以验证。

基于机载激光雷达和机器学习的林分平均胸径遥感估测

为探究不同模型对林分平均胸径的预测精度,使用贵州省桂花国有林场马厂工区同步获取的机载激光雷达点云数据和地面实测样地数据,通过提取样地水平的点云特征变量,采用方差膨胀因子分析和皮尔逊相关性检验进行自变量选择,建立机器学习模型估测样地平均胸径。结果表明:1)点云特征变量,如平均冠层高度和高度偏态与林分平均胸径有很强的相关性。2)机器学习模型(随机森林、支持向量机、最近邻算法)优于多元线性回归模型,其中,随机森林的拟合效果最好。随机森林的决定系数(R^(2))为0.71,均方根误差(RMSE)为2.50。3)通过柳杉纯林、针叶混交林、针阔混交林、马尾松纯林4种森林类型的林分平均胸径预测值与实际值差值,进一步证实随机森林模型精度最高,拟合效果最好。利用机载激光雷达点云数据提取点云特征变量,并构建基于机器学习算法的林分平均胸径估测模型是可行的,该方法的精度能满足森林资源调查的应用需求,可作为辅助林业调查工作的技术手段。

立地环境和林分结构驱动的辽东栎林生长与模拟

【目的】定量研究宁夏六盘山区辽东栎(Quercus mongolica)林的树高和胸径生长对气候、地形、土壤、林分结构等多种因子变化的响应规律,在此基础上构建多因子耦合模型,准确模拟和预测气候等因子对森林生长的影响。【方法】依据宁夏六盘山区环境梯度,2021—2022年对79块辽东栎天然次生林样地进行每木调查,利用上外包线法确定林分平均树高和平均胸径对立地环境和林分结构等因子的响应关系和函数类型,通过连乘构建多因子耦合模型框架并基于实测数据拟合模型参数,用于模拟气候变化对辽东栎林生长的影响。【结果】同时影响六盘山区辽东栎林平均树高和平均胸径生长的主要因子是林龄、林分密度、年均降水量、年均气温、土壤厚度。平均树高和平均胸径随林龄增大呈缓慢−快速−缓慢的生长变化,随林分密度增大呈先稳定后加速下降的变化,随土壤厚度和年均降水量增大呈先快速增加后渐趋平稳的变化,随年均气温升高呈先快速上升后快速下降的单峰变化趋势。根据林分平均树高和平均胸径对各单因子的响应函数构建了二者的多因子耦合模型,预测精度较高(R2>0.70)。对年均气温升高1.5℃的情景模拟结果表明,整个六盘山区的辽东栎林平均树高和平均胸径生长速率都会降低,其降低幅度在气候冷湿的六盘山区南部分别为10%和7%,在气候暖湿的六盘山区中部分别为15%和12%,在气候暖干的六盘山区北部分别为18%和13%。【结论】宁夏六盘山区辽东栎次生林的平均树高和平均胸径生长同时受气候、林分结构、立地环境等多因子的影响,建立反映多个主要因子(年均降水量、年均气温、林龄、林分密度、土壤厚度)影响的耦合生长模型可以准确预测气候变化和密度调控对树高和胸径生长的影响。未来的气温升高将会降低平均树高和平均胸径的生长,但降低幅度存在区域差异,表现为气温越高的区域降低幅度越大,需要分区采取不同的森林管理应对措施。研究结果可为预测气候变化影响和确定森林管理措施提供理论与技术支持。

马尾松与红椎等3种阔叶树种营造混交林的生长效果

对马尾松分别与红椎等3种阔叶树种及与杉木混交试验林的6年生和11年生林分生长数据进行了分析,结果表明:(1)6年生林分,混交小区及纯林小区中马尾松的平均树高为4.6 4.9 m,平均胸径为6.0 7.4 cm,不同混交组合间差异不显著,但在马尾松×米老排混交组合中马尾松生长不良;11年生林分,不同处理对马尾松平均胸径和蓄积量均有显著影响,其中,对照(马尾松纯林)的平均胸径和蓄积量最大,分别为12.6 cm和121.05 m3.hm-2;马尾松×米老排混交组合中马尾松的平均胸径和蓄积量最小,分别为8.7 cm和43.18 m3.hm-2。(2)11年生林分各树种平均树高顺次为:米老排(14.3 m)>红椎(10.2 m)>火力楠(9.9 m)>杉木(9.1 m)>马尾松(8.1m);马尾松×米老排组合中的马尾松和马尾松×红椎组合中的红椎,因林木生长竞争剧烈,需要及时间伐。(3)适合培育阔叶树种大径材的松阔混交组合有2种,分别为马尾松×红椎和马尾松×火力楠,而米老排以人工纯林方式造林效果好,初植密度建议为1 000 1 600株.hm-2。

基于森林连清数据的林分直径结构生长规律研究

根据连续清查的固定样地及样木检尺有关数据 ,选择人工起源的同龄纯杉木样地 2 2 6块 ,采用三参数Weibull分布对每块样地的直径分布进行拟合 ,通过对分布参数与林分年龄的变化关系分析 。

杉木人工林胸径生长神经网络建模研究

【目的】探索神经网络技术对杉木人工林胸径生长的模拟和预测能力,以寻求最优模型。【方法】以江西大岗山杉木人工林为研究对象,依据林木生长理论,用林龄(A)、立地指数(SI)和初植密度(N)3个因子构建平均胸径生长BP模型;通过定量和定性分析相结合的方法对模型选优,并将最佳模型与拓展的Richards模型比较;最后将优化模型应用于未参与建模的样地。【结果】最佳BP模型为Levenberg-Marquardt算法3∶5∶1结构模型(LM351),R2=0.984,MSE=0.196;拓展的Richards模型R2=0.964,MSE=0.433。LM351模型经校正后,适合预测福建邵武杉木人工林胸径生长规律(R2=0.995)。【结论】LM351神经网络模型在精度上优于传统Richards模型,适于林龄6～28年、立地指数12～17m、初植密度1 667～9 967株/hm2的杉木林分平均胸径的模拟和预测。

北京市朝阳区温榆河畔毛白杨胸径的生长模型研究

为预测林木的未来长势和对其生长进行可视化研究,该文应用树木生长的理论方程和BP神经网络模型对北京市朝阳区温榆河畔毛白杨树木胸径的生长情况进行了拟合分析。分析表明:逻辑斯蒂方程的最大残差达到-2.294 2;单分子方程最大残差为-1.042 5;BP网络模型的最大残差为0.632 06。单分子方程的残差较小,BP神经网络模型残差最小。从残差平方和来看,单分子方程为4.934 167,逻辑斯蒂方程为15.150 22,BP神经网络模型为1.825 14。在用理论生长方程拟合的毛白杨树木胸径生长情况中,单分子方程的拟合效果和残差精度较低,更能描述实验区毛白杨的生长情况;而理论方程与BP神经网络模型的拟合精度相比,BP神经网络模型的效果最好。温榆河畔地区毛白杨的成熟期在25～30年之间。

Elman动态递归神经网络在树木生长预测中的应用

该文充分考虑树木生长所特有的动态性、随机性和非线性,以及Elman动态递归模型的结构特点,获取北京山区油松解析木生长数据,分别建立了Elman型树木胸径生长和树高生长的神经网络动态模型.研究表明,Elman动态递归模型对非线性问题建模具有很好的拟和性和仿真性,其中,用于胸径生长建模时,其拟和精度达到99.45%,仿真精度达到99.42%;用于树高生长建模时,拟和精度达到97.30%,仿真精度达到97.29%,而且其拟和和仿真曲线均为"S"形,符合树木生长规律.进一步对Elman动态模型和常规BP静态模型比较发现,Elman模型具有更好的拟和性、预测性和稳定性.

同龄林直径变动系数动态变化规律的初步研究

提出了林分水平上直径变动系数的平方动态变化模型，该模型能较好地描述直径变动系数平方变化的三种情形（减少，稳定和增加），从而得到了一种由林分平方平均直径预估算术平均直径的有效途径。通过应用杉木人工同龄林林分生长数据进行拟合，取得了令人满意的结果。与国外一种同类研究方法相比较，本文所提出的模型具有一定的机理性和更好的整体预估精度。研究还发现增加初始值后的模型可具有更佳的拟合效果。本研究结果可用于间伐后杉木林分的算术平均直径和直径变动系数的预估。

杉木中幼龄人工林胸径结构及预估模型

分析了不同年龄杉木同龄林胸径结构变化规律,并建立了林分胸径因子与年龄因子的回归模型,联合正态分布模型可预估不同年龄的杉木同龄林胸径结构。

基于树干解析的兴安落叶松人工林单木生长模型研究

大兴安岭林区兴安落叶松(Larix gmelinii)作为建群种,其人工林资源的面积、蓄积正在不断扩大,成为了大兴安岭林区森林资源的有效补充。利用内蒙古自治区第二林业监测规划院(简称林勘二院)提供的解析木原始数据,采用SPSSV19.0拟合树木生长方程,分别建立了兴安落叶松人工林单木树高和胸径生长模型,对两个模型进行检验、评价,得到其回归系数(R^2)、均方误差(MSE)以及拟合效率(EF),结果均符合模型检验标准,证明模型具有较高的稳定性和估计性。最终确定兴安落叶松人工林树高生长模型为H=22.588(1-e^-0.032t),胸径生长模型为D=26.94e-^9.83/t。

林木生长与养分动态模型研究Ⅳ.杉木胸高形数与径高比

基于杉木林分调查数据讨论了林分胸高形数η和径高比δ随林龄 t变化的相关性 .η和δ值均随 t递增而递减 ,且递减趋势相似 ,η/δ比值近似为常数 ;η和δ也随立地 S递增而递减 ,其比值在调查的 S范围内不随 S变化产生显著差异 ;η随林分密度 N递增而递增 ,δ随 N递增而递减 ,η/δ比值与 N成正相关 .在 t递增过程中 ,给定 S和 N ,η/δ比值变幅小是蓄积方程 Y=Ymt3/( K+t) 3应用精确度较高的主要原因 .

BP神经网络在林分平均胸径生长预估中的应用

以2005年12月～2007年3月期间在滇中地区调查的55块云南松天然次生林标准地数据为实验数据，阐述在MATLAB平台上如何使用BP神经网络建立林分平均胸径生长模型，并对所建模型效果进行评价．

用相对区分法建立立木材积连年生长量模型的研究

本文采用相对高d_(0.1)预估模型导出树干表面积式,然后乘以树干平均年轮宽度推出了立木材积连年生长量模型,最后将平均年轮宽度转换成平均直径生长量。此模型中采用胸径、树高与平均直径生长量三个因子预测立木材积连年生长量,测算方便,应用简单。选用模型Z_v=d_(1.3)(α_0h^(-3)+α_1h^(-2)+α_2h^(-1)α_3)hZ_d,相对系统误差不超过±1.72％。各树种模型的误差不超过±2.54％,应用精度均较高。立木材积连年生长量随立地质量好坏而变,因此必须分别地位级建立立木材积连年生长量模型。

林木生长与养分动态模型研究IV.杉木林分断面积方程

基于杉木胸径（ Ｄ）生长方程 Ｄ＝ Ｄｍ ｔ／（ Ｋ＋ ｔ），本文进一步提出林分断面积（ Ｇ）的动态方程： Ｇ＝ Ｇｍ ［ｔ／（ Ｋ＋ ｔ）］２ ．新方程表达形式简单，基本参数（断面积极值 Ｇｍ 和生长特征系数 Ｋ）生物意义确切，应用精确度高。

东北地区11种主要树种生长的最优模型选择

树种生长过程模型的构建是林分生长和收获模型的重要组成部分。为了对东北地区11种主要树种生长过程进行数学模拟,选取4359株解析木基于经验和理论方程分别构建胸径、树高和材积最优生长过程方程并进行卡方检验。结果表明,幂函数、柯列尔方程、豪斯费尔德、复合函数、指数函数、对数函数、极值函数、S形曲线、舒马切尔模拟11种主要树种生长过程效果理想。本文所选出的最优模型适用于东北地区11种主要树种胸径、树高和材积生长过程的模拟与预测。本研究可为今后该地区林分收获预估提供一定的理论依据,并为研究林分最优生长奠定基础。

基于贝叶斯模型平均法和逐步回归法构建杉木单木胸径生长模型

【目的】探索杉木人工林单木胸径生长量变化的驱动因子,比较不同驱动因子的重要性,构建不确定性单木胸径生长模型,为杉木经营管理者科学经营管理杉木人工林提供参考。【方法】以福建省邵武市卫闽林场杉木密度试验林为研究对象,采用贝叶斯模型平均法(BMA)和逐步回归法(SR)分析杉木单木胸径生长量与内部因子(林分变量因子)和气候因子的关系,构建杉木单木胸径生长模型。【结果】杉木单木胸径年均生长量受气候因子影响较小,主要受竞争因子和单木大小因子影响。单木胸径生长量随林分密度、林分平方平均胸径、大于对象木的断面积和、年龄、冬季平均最低温度增加而减小,随期初胸径、胸高断面积、优势木平均高、最冷月平均温度、最热月平均温度、年均降雨量增加而增加。基于SR获得模型的后验概率小于BMA获得最佳模型(最高后验概率)或SR模型不在BMA模型空间前几个后验概率高的模型中。【结论】杉木单木胸径生长量随竞争增加而减小,随温度和降雨增加而增加。贝叶斯模型平均法考虑所有可能变量的组合,能够反映出模型的不确定性。

滇中地区云南松林分胸径生长模型

应用云南省五期森林资源连续清查样地数据,用非线性回归方法构建云南松林分生长模型,并分析各环境因子对云南松林分胸径的综合影响。结果表明:(1)林分径阶株数随胸径的增大整体呈倒"J"型分布,林分直径分布曲线向左偏斜程度较大,且呈低峰态分布,分布相对离散;(2)林分胸径最优生长模型为坎派兹模型,决定系数(R2)和均方根误差(RMSE)分别为0.648和3.384,预估精度(P)为96.53%;(3)林龄、地位级指数、风速、郁闭度和相对湿度等是对林分平均胸径影响较为重要的因子。

林分生长数据的时序分析探讨

将时间序列分析的一些理论及方法用于林分生长的建模和收获预估。利用Box-Jenkins方法对9个短叶松同龄林分的直径生长序列进行分析,结果如下:(1)对于1a(年)为间隔的短叶松林分平均直径生长序列,提取其趋势函数,使其平稳化后,为MA(4)模型。做未来4a(年)以内的直径生长量预报,相对误差小于3％。(2)对于5a(年)为间隔的短叶松林分平均直径生长序列进行模拟,ARIMA(1,2,0)为最好的模型。对未来20年以内的直径生长量做预报,相对误差小于5％。

辽宁章古台樟子松生长过程分析

樟子松Pinus sylvestris var.mongolica引种至沙地,经过60多年的生长已经到了生命周期的末期。及时总结第1代沙地樟子松的生长过程,可以更好地为沙地樟子松的推广、更新、经营管理提供理论依据。选择引种地辽宁章古台不同立地条件下30 a以上樟子松人工林标准地(11块)的平均木作为解析木(11株),求解Richards模型的参数并检验模型的拟合性,运用建立的Richards模型求解沙地樟子松的各种特征值,从而揭示沙地樟子松的生长进程。结果表明:(1)樟子松的生长能够用Richards模型很好地模拟,残差符合正态分布,显著性均大于0.05。模型的参数值分别为树高:14.179,0.084,2.803;胸径:19.379,0.075,1.712;材积:0.296,0.062,5.926。(2)引种到章古台沙地的第1代樟子松,树高在第12.3年连年生长量达到最大值0.54 m·a^(-1),第21.4年平均生长量达到最大值0.39 m·a^(-1);胸径平均在6.6 a后开始生长,第14.0年连年生长量达到最大值0.77 cm·a^(-1),第26.0年时平均生长量达到最大值0.47 cm·a^(-1);材积生长在12.0 a之前生长缓慢,第29.0年其连年生长量达到最高值0.007 4 m^3·a^(-1),平均生长量在第47.0年达到最大(即林木数量成熟年龄),最大平均生长量达0.004 5 m^3·a^(-1)。樟子松引种到章古台后,生长进程加快,生命周期缩短,成熟期提前。