共查询到10条相似文献，搜索用时 15 毫秒
1.
激光雷达以其独特的穿透能力在大面积的林业探测中越来越受到重视。以国家林业局调查规划设计院和北京遥测技术研究所共同设计研发的大光斑激光雷达系统为基础,详细介绍了该系统的工作原理、模块组成、设备安装、参数设计、数据处理等,并对该系统的飞行试验数据进行了分析,结果显示,该系统下得到的波形数据可对建筑、农田、森林等地物进行精确地刻画。进一步利用Matlab 2014b软件对大光斑激光雷达回波波形估测森林样地最大冠层高度,并利用与之对应的小光斑激光雷达数据提取的森林最大冠层高度对比,总体平均精度达到89.24%。利用SPSS软件做配对样本T检验,结果表明,该系统下获得的大光斑波形数据估测的森林最大冠层高度与小光斑估测的森林冠层高度的差异显著性为0.366,大于0.05,无明显差异,直接证明了大光斑激光雷达估测森林最大冠层高度的独特性能。因此,在未来的林业探测中,可用该系统对大面积的森林资源进行探测,为大面积估测林分最大高、平均高、郁闭度、生物量、蓄积量、叶面积指数等一系列森林参数创造了条件。 相似文献
2.
《中南林业科技大学学报(自然科学版)》2019,(12)
为降低小光斑机载激光雷达因光斑直径太小而导致的脉冲首次回波无法代表冠层高度的影响,以进一步提高小光斑机载激光雷达波形数据在森林结构参数估测中的应用潜能。以内蒙古依根地区为研究区,以机载激光雷达波形数据为基础数据,在波形数据高斯分解的基础上提出一种基于小光斑波形形成伪大光斑波形数据的方法。通过计算样地内各高斯分量脉冲能量占总脉冲能量的比例,将其视为各高斯分量特征参数对应权数,分别求特征参数振幅、位置和半波宽的加权平均数,即为样地伪大光斑波形数据对应高斯函数的特征值。基于小光斑波形数据和伪大光斑波形数据提取特征参数,分别结合野外样方实测平均树高建立回归模型,并进行比较分析。结果小光斑波形反演模型的决定系数R2为0.47,总体平均精度P为78.19%,伪大光斑反演模型的决定系数R2为0.61,估测林分平均高总体平均精度P为90.65%。结果表明,伪大光斑模型反演精度高于小光斑波形反演模型,降低了小光斑LiDAR因光斑直径过小带来的影响,挖掘了小光斑机载LiDAR波形数据的应用潜力。 相似文献
3.
《林业科学》2016,(5)
【目的】将ICESat-GLAS波形数据与HJ-1A/HSI高光谱数据联合,借助HSI高光谱数据提供的连续高分辨率光谱信息,实现区域森林冠层高度的估测,降低由于GLAS光斑呈离散条带状分布无法覆盖整个研究区造成的估测误差。【方法】首先,从平滑后的ICESat-GLAS波形数据中提取波形参数(波形长度W和地形坡度参数TS),基于W和TS建立GLAS森林冠层高度估测模型,并利用此模型计算研究区所有GLAS光斑内的森林冠层高度;然后,采用最小噪声分离法(MNF)对HJ-1A/HSI高光谱数据进行降维,提取前3个MNF分量(MNF1,MNF2,MNF3);最后,基于支持向量回归机(SVR)算法,利用GLAS估测的森林冠层高度和3个MNF分量建立区域森林冠层高度SVR估测模型,并估测研究区内无GLAS光斑覆盖区域的森林冠层高度,生成森林冠层高度分布图。【结果】从ICESat-GLAS波形数据中提取的地形坡度参数TS与野外实测地形坡度具有显著线性关系(R2=0.78);基于W和TS建立的GLAS森林冠层高度估测模型的R~2=0.78,RMSE=2.51 m,模型验证的R~2=0.85,RMSE=1.67 m;基于支持向量回归机算法建立的SVR模型建模的R2=0.70,RMSE=3.62 m,模型验证的R2=0.67,RMSE=4.42 m。采用野外数据对最终得到的森林冠层高度分布图的估测误差进行分析,结果估测误差最大值为7.10 m,最小值为0.07 m,平均值为1.78 m,估测误差的标准差为1.49 m,Q1为0.75 m,Q3为2.31 m。【结论】从ICESat-GLAS波形数据中提取的地形坡度参数TS能够很好地反映地形坡度的变化,本研究建立的线性关系模型可克服对数关系模型在平坦地区解释困难的问题。基于支持向量回归机算法,将ICESat-GLAS波形数据与HJ-1A/HSI高光谱数据联合,可克服ICESat-GLAS由于光斑呈离散条带状分布无法实现区域森林冠层高度估测的不足,实现对区域森林冠层高度的高精度估测。 相似文献
4.
【目的】集成多时期航片数据和由机载激光雷达数据获取的密集林区数字高程模型,估测多时期杉木人工林冠层高度,并对其生长情况进行定量监测,为多时期航片监测森林生长趋势和评价林地生产力提供可能。【方法】首先基于分类后的激光雷达点云数据获得林下高精度数字高程模型和森林数字表面模型,利用航片数据构建立体像对,通过自动立体匹配算法生成森林冠层的摄影测量数字表面模型,然后借助数字高程模型将2种数字表面模型进行高度归一化,提取研究区多时期森林冠层高度。利用1996、2004年历史航片和2014年数字航片以及激光雷达数据,构建18年内皖南杉木人工林3期森林冠层高度,并对其精度进行分析。【结果】1)由2014年数字航片和激光雷达数据获取的森林冠层高度的R^2为0. 52,RMSE为1. 79 m; 2)由2014年数字航片处理得到的森林冠层高度与对应样地实测上层木的平均高验证精度较高,平均绝对误差1. 59 m,平均相对误差15%,最大绝对误差3. 45 m,最大相对误差30. 80%,测量精度85. 00%; 3)由1996、2004、2014年航片得到3期杉木人工林冠层高度,其增长趋势与树高生长曲线预测趋势一致。【结论】在多山复杂地形条件下,利用航片可准确定量反映山脊向阳面的森林冠层高度变化,但对于山谷阴影处,则会出现冠层高度被低估情况,利用多期航片结合高精度DEM数据可定量反映上层木的冠层高度变化。 相似文献
5.
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(R2)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。 相似文献
6.
《林业科学》2021,57(9)
【目的】探索一种适用于已具备林下地形,可协同利用少量实测样地数据、抽样式采集的机载激光雷达(LiDAR)条带数据和区域全覆盖的资源三(ZY3)立体像对数据有效估测区域森林平均高的方法,为提高森林资源调查效率和精度提供技术支撑。【方法】以广西高峰林场2个分场为研究区,2018年获取覆盖整个研究区的机载LiDAR、ZY3立体像对和少量实测样地数据。将LiDAR数据提取的DEM作为历史已存在的林下地形,从全覆盖的LiDAR数据中抽取12条飞行条带的LiDAR数据"模拟"抽样式采集的LiDAR数据,形成"林下地形+LiDAR抽样+ZY3立体像对+样地"数据集;以样地和LiDAR数据提取出LiDAR抽样数据对应的森林平均高为模型建立的参考数据(因变量Y),以ZY3立体像对提取的数字表面模型(DSM)减去数字高程模型(DEM)得到的CHM_(ZY3)为自变量(X),采用普通最小二乘(OLS)模型、k-邻近(KNN)模型和回归克里格(RK)模型估测森林平均高,并对其估测效果进行比较评价。【结果】OLS和KNN模型的均方根误差(RMSE)分别为1.88和1.96 m,估测精变(EA)分别为87.18%和86.64%;RK模型估测精度相对较高,RK_(OLS)模型的RMSE=1.84 m,EA=87.42%;RK_(KNN)模型的RMSE=1.86 m,EA=87.32%。【结论】本研究中2类4种模型均可有效估测森林平均高,回归克里格模型(RK_(OLS)、RK_(KNN))优于非空间模型(OLS、KNN),RK_(OLS)模型估测精度最高;在林下地形已知时,协同利用少量实测样地数据、抽样式采集的机载LiDAR条带数据和区域全覆盖的ZY3立体像对数据能够实现区域森林平均高的高效、高精度估测。 相似文献
7.
【目的】提出一种基于TanDEM-X SAR数据的RVoG模型三阶段算法反演森林冠层高度,以解决RVoG模型实际应用中模型成立条件难以严格满足、受地形影响导致森林冠层高度估测精度不高的问题。【方法】以云南省普洱市思茅区思茅松纯林和混交林为研究对象,开展经典三阶段算法、地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法和低估补偿改进的三阶段算法反演森林冠层高度试验。【结果】RVoG模型经典三阶段算法反演森林冠层高度存在低估现象(r=0.11, bias=-26.20 m, RMSE=7.16 m),地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法、低估补偿改进的三阶段算法反演森林冠层高度的估测精度较经典三阶段算法提高,其中低估补偿改进的三阶段算法反演森林冠层高度的改善效果最佳(r=0.79, bias=-1.69 m, RMSE=2.56 m);思茅松纯林的估测效果(r=0.81, bias=1.40 m, RMSE=2.27 m)优于思茅松混交林(r=0.72, bias=-3.09 m, RMSE=2.87 m)。【结论】相比经典三阶段反演算法,基于TanDEM-X S... 相似文献
8.
《林业资源管理》2021,(2)
森林在全球陆地生态系统中起到重要作用,激光雷达是除样地调查之外能够准确评估其资源量和碳汇量非常重要的技术方法。由于森林高度的空间异质性,获得大光斑激光雷达的准确位置,是其应用于森林资源调查的前提。对新研制的全国林草资源调查机载大光斑激光雷达(NFGI-LIDAR-L)和地面激光探测器,通过编写大光斑激光雷达检校算法,并基于激光能量分布特征改进探测器法计算大光斑激光雷达中心位置算法,实现NFGI-LIDAR-L几何检校。结果显示:基于激光能量分布特征计算大光斑激光雷达中心位置的方法,计算精度从5m提升到1m以内;NFGI-LIDAR-L在x,y,z方向精度和总均方根误差(RMSE)从检校前的60.51,52.76,1.88,80.30m提高到检校后的0.61,0.54,0.05,0.82m,提升了2个数量级;与控制点相比,NFGI-LIDAR-L绝对高程精度在平坦地面可以达到0.12m。通过研究,以期对机载和星载大光斑激光雷达几何检校提供借鉴。 相似文献
9.
为了量化激光天顶角对ICESat-GLAS波形数据反演森林冠层高度的影响,以吉林省汪清林业局经营区为例,基于ICESat-GLAS波形数据及DEM数据,在Allouis模型和Nie模型基础上,分别引入激光天顶角,对光斑内坡度引起的高度距离(GroundExtent)进行修正,建立森林冠层高度估测模型,并通过模型对坡度的校正能力、天顶角引起的GroundExtent理论误差以及大气延迟增量三个方面讨论分析天顶角在反演森林冠层高度中的影响。结果表明:天顶角的引入能够提高模型的估测精度,决定系数(R2)分别提高了6.56%、4.26%,且能更好地校正地形坡度;在外部条件相同的情况下,由天顶角(1°)引起的GroundExtent理论误差在0.122~1.100m范围内;在天顶延迟约为2.3m时,天顶角(1°)对大气延迟增量的影响为0.04~3.50mm。由此可知天顶角对估测森林冠层高度存在一定的影响,引入激光天顶角的冠层估测模型能更准确地反演森林冠层高度。 相似文献
10.
【目的】研究机载LiDAR航带旁向重叠对针叶林林分平均高和森林叶面积指数(LAI)估测的影响,为机载LiDAR点云数据区域森林结构参数估测提供参考。【方法】野外分别测定30块樟子松、33块长白落叶松样地的林分平均高和LAI,对原始LiDAR点云数据进行去噪、点云分类、高程归一化和重叠点移除等处理,从重叠点移除前、重叠点和重叠点移除后的点云数据中分别提取一系列样方点云高度分位数(HP1、HP5、HP10、…、HP99、Hmax和Hmean)和激光穿透指数(LPI),借助留一交叉验证建立并评价樟子松和长白落叶松林分平均高和LAI估测模型的精度,通过对比分析估测模型的决定系数(R2)和均方根误差(RMSE)揭示机载LiDAR航带旁向重叠对针叶林林分平均高和LAI估测的影响。【结果】对樟子松林分平均高估测而言,重叠点移除前林分平均高的最高估测精度(R2=0.873,RMSE=0.940)出现在HP90处,重叠点林分平均高的最高估测精度(R2=0.892,RMSE=0.866)出现在HP80处,而重叠点移除后林分平均高的最高估测精度(R2=0.892,RMSE=0.868)出现在HP55处;对长白落叶松林分平均高估测而言,重叠点移除前、重叠点和重叠点移除后林分平均高的最高估测精度均出现在HP99处,R2分别为0.725、0.719和0.741,RMSE分别为1.196、1.209和1.161。对樟子松LAI估测而言,重叠点移除前估测结果 R2为0.666,RMSE为0.220,重叠点估测结果 R2为0.551,RMSE为0.255,重叠点移除后R2提高到0.794,RMSE降低为0.172;对长白落叶松LAI估测而言,重叠点移除前估测结果 R2为0.654,RMSE为0.110,重叠点估测结果 R2为0.640,RMSE为0.112,与樟子松估测结果一致,重叠点移除后长白落叶松LAI估测精度大幅度提高,R2变为0.762,RMSE变为0.091。【结论】无论是林分平均高还是森林LAI,相邻航带旁向重叠点移除后的估测精度均高于重叠点移除前和重叠点,且樟子松的估测精度高于长白落叶松。对林分平均高而言,樟子松和长白落叶松达到最高估测精度时所对应的点云高度分位数不同。机载LiDAR点云数据相邻航带旁向重叠点的移除可有效提高森林结构参数的估测精度,在未来机载LiDAR点云数据预处理时应加入重叠点移除操作。 相似文献