运用无人机激光雷达数据提取落叶松树冠特征因子及树冠轮廓模拟

为探究无人机激光雷达(UAVLS)获取单木树冠三维结构的能力,利用无人机载激光雷达数据,对人工长白落叶松进行单木树冠特征因子的提取以及树冠轮廓的模拟,并与机载激光雷达(ALS)单木树冠特征因子的提取进行比较。结果表明:利用UAVLS数据1∶1匹配的单木数量远高于利用ALS数据匹配的单木数量,且UAVLS单木位置探测的精度达到0.338 1 m,比ALS提高了0.185 1 m;UAVLS单木树高的提取精度达到0.578 5 m,比ALS提高了1.294 5 m;对于冠幅及冠基高的提取,UAVLS也有更高的精度。与ALS相比,UAVLS不仅具有更高的单木探测精度,也具有更高的单木树冠结构参数提取精度;3种树冠轮廓模型拟合的R^2均高于0.75,表明3种常用的轮廓模型都能够很好的描述从UAVLS数据中获取的树冠外部轮廓,其中二次抛物线模型具有最强的模拟效果(MAE=0.256 4,MRAE=4.59%)。因此,无人机激光雷达数据提取单木树冠结构,可以提高林业调查的效率。

基于机载LiDAR的树冠形态特征因子对单木生物量估算的影响

机载激光雷达遥感(light detection and ranging,LiDAR)是高精度单木参数反演的可靠手段,但单木生物量估算一直是研究的难点和热点。以马尾松、桉树为研究对象,基于从机载LiDAR数据中提取树高、冠幅为自变量,辅助以冠形率(crown shape ratio,CSR)、树冠率(crown rate,CR)等形态特征因子,采用随机森林(random forest,RF)、最小二乘支持向量机(least squares support vector machine,LS-SVM)、梯度提升回归树(gradient boosting decision tree,GBRT)机器学习构建生物量估算模型,对比分析各模型反演单木生物量的精度。结果表明:加入树冠形态特征因子可以有效提高生物量模型的精度;在3种模型中,RF模型效果最佳,未加入树冠形态特征因子的模型拟合结果R^(2)为0.77,rRMSE(relative root mean square error)为21.57%,加入树冠形态特征因子后,在不同的组合下,模型拟合的R^(2)分别为0.86、0.85、0.85,rRMSE分别为20.93%、20.17%、21.19%。