基于背包式激光雷达测量系统的城市绿地树木三维绿量估算方法

三维绿量能够客观、准确描述城市绿化水平,可为定量研究城市绿地生态功能的机理提供可靠的数据基础。针对单位附属绿地分布分散、规模较小等特点,本研究提出一种面向该类城市绿地的三维绿量估算方案,该方案包括数据获取、处理、实体分割、分类和单木冠层提取以及三维绿量计算的环节。首先,利用背包式激光雷达测量系统获取三维点云数据,利用变尺度地面点滤波算法剔除地面点云;然后,利用基于密度的聚类算法对非地面点云进行聚类,且基于密度特征的竞争算法对重叠区域进行二次分割,形成独立对象;接着,利用PointNet++模型提取植物点云,根据枝叶点云主方向差异性以及轴向分布密度提取冠层点云;最后,使用凸包法计算单木冠层三维绿量,累计每株木的三维绿量得到区域三维绿量。以某科技园区为例,估算其总三维绿量为21034.95 m³,其中,芒果树株数最多,三维绿量总量最大,为4868.64 m³,占23.2%;单株三维绿量最大的树种为小叶榄仁,平均每株为120.37 m³。本研究方案估算的树木三维绿量与传统方法的相对误差在10.7%～33.7%,平均相对误差为20.9%;与台积法的相对误差在2.7%～16.0%,平均相对误差为8.7%。本研究方案充分利用三维点云数据特性,所用凸多面体逼近树冠的原始形态,更符合树木的实际情况。该三维绿量测量和估算方案可为城市三维绿量快速、精确估算提供新思路。     

遥感技术在鸟类生态学研究中的应用

获取鸟类活动及生境信息是鸟类生态学研究的基础, 而遥感技术弥补了传统野外调查方法的缺陷, 提供了获取多种信息的新途径。应用遥感技术的鸟类生态学研究热点从最初的种群行为观察, 到栖息地选择, 再到生境适宜性、破碎化及人为干扰探究等, 随着技术的不断发展也在扩展和变化。不同波段或组合下的遥感技术各有所长。光学遥感应用广泛, 尤其是信息量较大的红外波段图像和作为野外鸟巢及物种活动监测常用工具的红外相机; 多光谱图像常用于栖息地制图以及地物识别, 高空间分辨率的数据甚至可对鸟类种群进行直接计数; 高光谱数据则可对光谱特征相似的地物进行更为精确的区分和反演; 激光雷达遥感主要用于栖息地植被结构的三维探测, 为了解鸟类栖息地选择提供更好的依据。微波遥感在飞鸟探测上应用颇多, 近年来多极化数据在复杂栖息地精确制图上也具有优势, 但成本较高、解译复杂且推广度较低。在实际应用中, 遥感数据时空尺度的选择会影响研究结果, 部分遥感反演参数也缺乏生态学意义。多源遥感数据的结合应用能够提升制图分类的精度, 实现数据的时空分辨率互补, 优化鸟类生态研究所需参数。未来的遥感技术在鸟类生态学中的应用应致力于提供更加明确的光谱信息、相对简便的解译方法, 以及更为合理的多源数据组合方式等。     

无人机高光谱联合LiDAR估测林分与单木尺度叶绿素含量

叶绿素是表征植被健康状况的重要指标,它的准确估计对森林碳汇评价研究至关重要。本研究通过无人机高光谱数据联合激光雷达点云估计针叶林、阔叶林和针阔混交林林分与单木水平的叶绿素含量,提升叶绿素无损估测精度,全面分析不同尺度叶绿素含量空间分布规律。在无人机高光谱数据与激光雷达点云融合的基础上,结合地面样地实测数据,通过相关性分析筛选与叶绿素含量相关的36个光谱特征变量,采用统计模型多元逐步回归、BP神经网络、萤火虫算法优化的BP神经网络、随机森林和混合数据驱动的机理模型PROSPECT模型构建多个叶绿素估算模型,选取最优模型估算森林叶绿素含量,分析其在林分和单木尺度上水平方向与垂直方向的空间分布规律。结果表明：在统计模型中,随机森林(R²=0.59～0.64,RMSE=3.79～5.83μg·cm^-2)优于多元逐步回归、BP神经网络和萤火虫算法优化的BP神经网络构建的模型;机理模型验证精度最高(R²=0.97,RMSE=3.40μg·cm^-2)。不同林分类型叶绿素的含量存在较大差异,阔叶林叶绿素含量为25....     

基于机载LiDAR数据的福建柏人工林林木参数提取

准确高效地提取人工林林木参数可为估算单木材积、林分蓄积量提供关键信息。本文提出基于机载LiDAR数据的高精度单木参数提取方法,其实现过程包括数据预处理、地面滤波、单木分割和参数提取。以福建省沙县官庄国有林场的福建柏大径材人工林为试验区,采集高密度机载点云数据,对点云进行去噪、重采样等预处理。使用布料滤波算法(CSF)分离出植被点云和地面点云,并采用Delaunay三角网法将植被点云数据插值生成数字表面模型(DSM),采用反距离加权插值法将地面点云数据插值生成数字高程模型(DEM),两者作差运算获得冠层高度模型(CHM)。利用分水岭分割算法分析不同分辨率的CHM对单木分割及参数提取精度的影响。采用点云距离聚类算法对归一化植被点云进行单木分割,分析不同的距离阈值对单木分割及参数提取精度的影响。结果表明：使用分水岭分割算法处理0.3 m分辨率CHM单木分割调和值最高,达到91.1%,提取的树高精度较优,决定系数(R²)达到0.967,均方根误差(RMSE)为0.890 m;使用间距阈值为平均冠幅的点云分割算法单木分割调和值最高,达到91.3%,提取的冠幅精度较优,R     

星载大光斑LiDAR与HJ-1A高光谱数据联合估测区域森林地上生物量

以吉林省汪清林业局经营区为研究区,利用HJ-1A/HSI高光谱数据和ICESat-GLAS波形数据,估测区域森林地上生物量。从平滑后的GLAS波形数据中提取波形长度W和地形坡度参数TS,建立GLAS森林最大树高估测模型;从GLAS波形数据中提取能量参数I(植被回波能量Ev和回波总能量E之比),建立GLAS森林郁闭度估测模型;利用GLAS估测的森林最大树高和森林郁闭度联合建立森林地上生物量模型。由于GLAS呈离散条带状分布,无法实现区域估测,因此研究将GLAS波形数据与HJ-1A/HSI高光谱数据联合,基于支持向量回归机算法实现森林地上生物量区域估测,得到研究区森林地上生物量分布图。研究结果显示,基于W和TS建立的GLAS森林最大树高估测模型的adj.R~2=0.78,RMSE=2.51m,模型验证的adj.R~2=0.85,RMSE=1.67m。地形坡度参数TS能够有效的降低地形坡度的影响;当林下植被高度为2m时,得到的基于参数I建立的GLAS森林郁闭度估测模型效果最好,模型的adj.R~2=0.64,RMSE=0.13,模型验证的adj.R~2=0.65,RMSE=0.12。利用森林最大树高和森林郁闭度建立的森林地上生物量模型的adj.R~2=0.62,RMSE=10.88 t/hm~2,模型验证的adj.R~2=0.60,RMSE=11.52 t/hm~2。基于支持向量回归机算法,利用HJ-1A/HSI和GLAS数据建立的森林地上生物量SVR模型,生成了森林地上生物量分布图,利用野外数据对得到的分布图进行验证,验证结果显示森林地上生物量估测值与实测值存在很强的线性关系(adj.R~2=0.62,RMSE=11.11 t/hm~2),能够满足林业应用的需要。因此联合ICESat-GLAS波形数据与HJ-1A高光谱数据,能够提高区域森林地上生物量的估测精度。