基于機(jī)載激光雷達(dá)測(cè)量的森林資源調(diào)查因子聯(lián)立估計(jì)研究.pdf

1、人類(lèi)對(duì)森林的關(guān)注正隨著時(shí)代的發(fā)展日益提高，激光雷達(dá)技術(shù)的應(yīng)用為森林空間信息獲取提供了新的技術(shù)支持，其鮮明的數(shù)據(jù)特點(diǎn)和海量數(shù)據(jù)的獲取也為實(shí)際應(yīng)用提供了巨大的應(yīng)用潛力。本文圍繞著使用機(jī)載LIDAR數(shù)據(jù)獲取森林資源調(diào)查因子這一主題展開(kāi)研究，以促進(jìn)激光雷達(dá)技術(shù)在林業(yè)領(lǐng)域的深入發(fā)展與應(yīng)用。
　　以甘肅大野口生態(tài)定位站青海云杉水源涵養(yǎng)林為研究對(duì)象，在獲取機(jī)載 LIDAR數(shù)據(jù)、實(shí)測(cè)地面定位數(shù)據(jù)和實(shí)測(cè)樣地林木數(shù)據(jù)的基礎(chǔ)上，首先進(jìn)行了激光數(shù)據(jù)的DE

2、M濾波工作，其次通過(guò)機(jī)載 LIDAR數(shù)據(jù)反演出部分測(cè)樹(shù)因子（單木樹(shù)高、冠幅、株數(shù)），最后用LIDAR數(shù)據(jù)和反演的測(cè)樹(shù)因子構(gòu)造變量，通過(guò)建立多元線性回歸模型及聯(lián)立方程組應(yīng)用對(duì)森林參數(shù)進(jìn)行了再估計(jì)，這充分體現(xiàn)了LIDAR數(shù)據(jù)總體對(duì)森林參數(shù)的應(yīng)用能力。研究結(jié)果表明，LIDAR數(shù)據(jù)對(duì)生物量、株數(shù)、斷面積平均直徑、樹(shù)高、冠幅這些主要森林參數(shù)估計(jì)模型的確定系數(shù)達(dá)到了0.829、0.837、0.866、0.897、0.886。
　　主要研究?jī)?nèi)容

3、和結(jié)論有：
　　1、提出了判別分析求取DEM的思路和方法
　　本文以包含林地和空地的補(bǔ)充樣地為起點(diǎn)，通過(guò)對(duì)激光點(diǎn)云單次和多次回波數(shù)據(jù)的三維空間坐標(biāo)分布、反射強(qiáng)度分布和垂直分布三方面特征進(jìn)行探討，從中分離出地面點(diǎn)集、植被點(diǎn)集兩類(lèi)初始群體，進(jìn)而提出了基于判別分析的林地DEM提取方法。用實(shí)測(cè)地面控制點(diǎn)（1472個(gè)）的樣地進(jìn)行檢驗(yàn)，結(jié)果表明：對(duì)山區(qū)林地林木復(fù)雜環(huán)境的DEM提取采用判別分析的方法是可行的，其精度達(dá)到高差總平均值0.23

4、6m，方差0.05，高差處于-0.5m-0.5m之間的數(shù)據(jù)占總量的93.85％。這種方法避免了人工確定參數(shù)或閾值，有助于提高數(shù)據(jù)處理的自動(dòng)化。
　　2、確定單木識(shí)別株數(shù)和建立可變窗口經(jīng)驗(yàn)?zāi)Ｐ?br>　　采用一定窗口內(nèi) CHM局部最高點(diǎn)與實(shí)測(cè)單木匹配的方法來(lái)確定單木識(shí)別株數(shù)。窗口分為圓形和方形兩種模板、固定與可變兩種形式。通過(guò)比較得出在研究的森林類(lèi)型中圓形窗口好于方形窗口、可變窗口優(yōu)于固定窗口?？勺兇翱谥睆剑╓=0.003164*h

5、^2+0.1311*h+1.108）根據(jù)分級(jí)樹(shù)高的冠幅平均值構(gòu)造，并用誤差進(jìn)行調(diào)整。通過(guò)比較不同調(diào)整窗口及最小識(shí)別窗口識(shí)別單木垂直與水平誤差、識(shí)別株數(shù)及匹配通過(guò)率，確定了識(shí)別株數(shù)，再經(jīng)過(guò)去除部分單木（過(guò)小識(shí)別冠幅）后剩余識(shí)別單木高度和距離誤差的變動(dòng)檢驗(yàn)、高于主要郁閉高實(shí)測(cè)株數(shù)的輔助驗(yàn)證，最終得出，這種窗口構(gòu)造方式可行，且采用3被標(biāo)準(zhǔn)差調(diào)整后的可變窗口（即Cw-0.6）識(shí)別的株數(shù)為最佳。
　　3、發(fā)展了森林CHM離散數(shù)據(jù)的高程頻數(shù)曲

6、線特征的使用
　　森林 CHM離散數(shù)據(jù)的高程頻數(shù)曲線形態(tài)具有典型的特征：隨高程降低，頻數(shù)總是先增加到一個(gè)最大值后開(kāi)始下降，頻數(shù)最大值意味著林分在這一高度處的枝葉面積在水平空間得以最大體現(xiàn)，此處對(duì)應(yīng)的高度本文稱(chēng)主要郁閉高，這一特征高度是比較穩(wěn)定的。本文依據(jù)這一高度將識(shí)別的單木分成了大樹(shù)、中等樹(shù)（見(jiàn)5.1.2）范圍，在后面的模型原型研究中可見(jiàn)，這一高度是對(duì)主要森林參數(shù)估計(jì)響應(yīng)顯著的指標(biāo)。
　　4、建立基于機(jī)載激光雷達(dá)數(shù)據(jù)估計(jì)主要

7、森林參數(shù)的單模型原型組
　　用激光數(shù)據(jù)識(shí)別的單木數(shù)據(jù)、識(shí)別單木的大樹(shù)分級(jí)數(shù)據(jù)、植被表面回波數(shù)據(jù)和植被點(diǎn)云數(shù)據(jù)構(gòu)造了一系列變量，同主要森林參數(shù)進(jìn)行了多元線性回歸的模型原型建模工作，綜合應(yīng)用基于等價(jià)的模糊聚類(lèi)、雙重篩選及簡(jiǎn)單相關(guān)關(guān)系方法，共計(jì)得到了主要森林參數(shù)的單個(gè)估計(jì)模型14個(gè)，從模型回歸效果看，對(duì)生物量、株數(shù)、斷面積平均直徑、樹(shù)高、冠幅這些主要森林參數(shù)估計(jì)模型的確定系數(shù)達(dá)到了0.829、0.837、0.866、0.897、0.88

8、6。機(jī)載LIDAR數(shù)據(jù)具備對(duì)主要森林參數(shù)良好的估計(jì)能力。并對(duì)森林參數(shù)響應(yīng)顯著的LIDAR解釋變量進(jìn)行了有意義的探索，為今后的工作指出了一些研究思路。
　　5、建立聯(lián)立方程組應(yīng)用模型
　　單個(gè)模型不能體現(xiàn)森林參數(shù)間固有的內(nèi)在關(guān)系，尤其在森林未被破壞的情況下，森林內(nèi)部參數(shù)間往往存在固定的數(shù)學(xué)關(guān)系或更廣泛的生物學(xué)聯(lián)系，通過(guò)聯(lián)立方程組模型的介入和參數(shù)再估計(jì)，使單個(gè)模型間更好體現(xiàn)了對(duì)森林參數(shù)估計(jì)時(shí)內(nèi)在的聯(lián)系。不僅提供了改善了部分模型的