多源遥感数据反演森林关键结构参数的研究

扫码查看

原文链接

NETL

中文摘要：森林生态系统在维持碳氧平衡、涵养水源、保护土壤及维持生物多样性方面有着不可或缺的作用，森林结构参数（如树高、胸径、郁闭度、叶面积指数、生物量等）能够直观的反映森林的生长状况。遥感技术的发展克服了传统森林结构参数获取的弊端，能够快速获取森林结构参数。机载激光雷达能够穿透森林冠层，获取森林垂直结构特征，Landsat-8OLI遥感影像光谱信息能够在水平结构上体现植被生长状况。本研究以内蒙古依根地区为研究区，基于机载LiDAR离散点云数据和Landsat-8OLI数据，对森林叶面积指数、树高、生物量等关键结构参数进行反演，旨在实现对森林关键结构参数高精度估测，主要研究内容与结果如下: (1)利用机载LiDAR离散点云数据多回波类型之间所含信息的差异，通过对机载LiDAR点云数据预处理后，基于点云数据的多回波类型，共提取了6个激光穿透指数(LPI)，分别与野外样方实测LAI建立线性回归模型用于估测森林LAI。结果发现，单变量估测模型中，基于首次回波强度LPI（iLPIfirst）模型最好(R2=0.836，MAD=0.091)。多变量模型中，基于首次回波强度LPI（iLPIfirst）、冠层回波数量LPI（nLPIcan）及冠层回波能量LPI（iLPIcan）的三变量模型估测精度最高（R2=0.883，MAD=0.076），相比于单变量估测模型而言，R2提高了0.047，MAD减少了0.015。结果表明，基于点云回波类型分类的LPI能够较好的估测森林LAI，且多变量模型的估测精度要优于单变量模型的估测精度。 (2)利用机载激光雷达点云数据，对点云数据进行1、0.5、0.25、0.1、0.05倍抽稀，根据点云高度信息依次提取25％、50％、75％、95％分位数高度，利用线性回归模型来估测森林平均树高。结果表明，机载激光雷达点云分位数高度能够很好的估测森林树高，在4种不同密度点云中75％分位数高估估测精度最高，在所有模型中，0.5倍点云的估测精度最高（Adj.R2=0.900，RMSE=0.594），不同密度点云对树高的估测精度相差不大，都能够很好的满足森林二类调查中自然保护区、森林公园和重点生态公益林的误差要求，机载激光雷达可以很好的用于此类调查中。 (3)利用机载LiDAR点云能量信息，根据点云高度将点云进行分层处理，分别统计出每层点云能量总和，根据点云能量随点云高度分布，提出最大点云能量高度HDmax及冠层能量高HC，结合点云高度分位数参数和激光穿透指数，利用RBF神经网络对提取的变量进行建模预测森林地上生物量。分析发现，提取的参数与森林生物量之间有较好相关性，利用RBF神经网络能够较好的估测森林生物量，建模精度R2=0.86，预测精度R2=0.87，其结果高于多元回归模型结果(R2=0.76，RMSE=12.75)。结果表明，机载LiDAR点云数据能够很好预测森林地上生物量。 (4)根据机载LiDAR点云数据高度信息，提取与树高相关性最好的0.5倍点云时的75％分位数高度H75，与叶面积指数LAI相关性最好的激光穿透指数iLPIfirst，nLPIcan，iLPIcan，根据点云滤波后的DEM提取坡度和坡向相关因子，利用Landsat-8OLI影像提取了22个线性和非线性组合参数。用机载LiDAR参数和Landsat-8OLI参数作为支持向量回归机输入层，输出层为样地生物量，对支持向量机进行训练建模。结果发现，支持向量机估测结果（预测精度R2=0.92，RMSE=7.24t/hm2）相比于LiDAR点云数据模型精度（预测精度R2=0.87，RMSE=9.67t/hm2），其R2提高了0.05，RMSE降低了2.43t/hm2。对比支持向量机的模型精度和多元线性回归模型精度（预测精度R2=0.82，RMSE=7.58t/hm2），支持向量机结果R2提高了0.10，RMSE减少了0.34t/hm2。结果表明，联合机载LiDAR离散点云数据和Landsat-8OLI影像数据能够很好的估测森林地上生物量，弥补了单一传感器的不足。

作者：

谢杰

展开 >

关键词：

森林结构叶面积指数树木高度生物量遥感数据反演

授予学位：

硕士

学科专业：

森林工程

导师：

邢艳秋

学位年度：

2017

学位授予单位：

东北林业大学

语种：

中文

中图分类号：