本发明属于森林资源监测、森林可持续经营管理和生态因子调查领域,更具体地说,涉及一种基于机载激光雷达数据的森林蓄积量分布估测方法。
背景技术:
精确的森林蓄积量分布信息,对于森林资源监测、森林可持续经营管理和生态因子调查有重要意义。同时,这些信息也可以用于掌握森林竞争、维护生物多样性、加强可持续森林管理,对于促进全球碳平衡具有重要意义。常规的森林蓄积量分布信息获取主要依赖于野外调查,其工作量较大,且不利于蓄积量分布信息的更新。激光雷达技术(lidar)作为一种主动遥感技术,受天气环境等的影响较小,能够较好地获取森林的植被高程信息及冠层三维结构信息。利用激光雷达数据可以有效估算森林蓄积量分布。
近年来,基于激光雷达对森林结构参量(如林分直径、胸高断面积和蓄积量等)分布进行估算的研究为:gobakken等2004年在《scandinavianjournalofforestresearch》第16卷上发表的“estimationofdiameterandbasalareadistributionsinconiferousforestbymeansofairbornelaserscannerdata”,该研究借助激光雷达数据,通过提取的激光雷达特征变量,结合参数预测方法对林分直径和胸高断面积分布进行了估算。thomas等2008年在《forestrychronicle》第84卷上发表的“lidarandweibullmodelingofdiameterandbasalarea”,该研究采用机载激光雷达数据,并基于参数预测方法,加拿大安大略省中部的北方森林直径分布进行估测。然而,以上方法都是基于简单激光雷达变量,并未充分利用激光雷达的三维结构信息。同时,更未见全面深入预测反映森林生长发育规律的蓄积量分布指标的方法。
技术实现要素:
发明目的:针对现有技术存在的上述问题,本发明的目的在于提供基于激光雷达特征变量和实测蓄积量分布信息,采用两参数weibull分布模型进行预测蓄积量分布的一种森林蓄积量分布估测方法,具有较高的估测的能力和精度。
技术方案:为了解决上述问题,本发明所采用的技术方案如下:
一种基于机载激光雷达数据的森林蓄积量分布估测方法,首先将激光雷达点云数据进行归一化处理,从归一化点云数据中提取特征变量;然后采用最大似然法解算weibull尺度参数和形状参数,对激光雷达特征变量进行优选并反演weibull尺度参数和形状参数;最后利用两参数weibull分布模型预测森林蓄积量分布。
包括以下步骤:
(1)借助航空飞机采集激光雷达数据,在地面设置样地,并在样地中记录每木的胸径和树高;
(2)将激光雷达原始点云数据滤波、插值生成数字高程模型,通过生成的数字高程模型对点云数据进行归一化处理;
(3)从归一化点云数据中提取传统特征变量和冠层特征变量作为激光雷达特征变量;
(4)采用最大似然法解算weibull尺度参数和形状参数,将解算得到的两参数作为预测量与优选的激光雷达特征变量建立回归关系,从而预测weibull尺度参数和形状参数;
(5)通过步骤4预测得到的weibull尺度参数和形状参数还原蓄积量分布。
采集激光雷达数据的方法为:采用机载lichy装置系统搭载riegllms-q680i激光传感器装置,机载平台的飞行高度为900m,飞行速度为55m·s-1,数据采样的旁向重叠度≥60%。
所述步骤2中,首先去除激光雷达原始点云数据的噪音点,并去除非地面点,然后通过计算每个像元内激光点高度的平均值,生成数字高程模型,利用生成的数字高程模型,计算归一化点云数据。
所述数字高程模型的空间分辨率为0.5m。
所述传统特征变量包括高度百分位数、第一回波点的平均、最大和最小高度、变异系数、偏度和峰度、冠层密度和覆盖度;所述冠层特征变量包括冠层容积特征变量、冠层表面粗糙度和叶面积密度剖面的变异系数。
采用最大似然法解算weibull尺度参数和形状参数的公式为:
其中,b为weibull尺度参数,c为weibull形状参数,n为样地内株数,xi为单木材积。
所述步骤4中,通过pearson’s相关系数r进行激光雷达特征变量的优选,r>0.6。
有益效果:相比于现有技术,本发明的有益效果为:
(1)常规的森林蓄积量分布信息获取主要依赖于野外调查,其工作量较大,且不利于蓄积量分布信息的更新。激光雷达技术作为一种主动遥感技术,受天气环境等的影响较小,能够较好地获取森林的植被高程信息及冠层三维结构信息,现有的利用激光雷达数据估算森林蓄积量分布的方法都是基于简单激光雷达特征,并未充分利用激光雷达的三维结构信息,造成精度不高的问题。而本发明通过冠层结构模型,从激光雷达点云中提取出反映冠层物质分布的结构变量,由于冠层物质分布与森林蓄积量直接相关,因此本发明的方法提高了森林蓄积量分布估算的能力和精度。
(2)本发明的方法使用具有很强的适应性和灵活性且参数都有明显的机理意义的weibull概率密度函数进行森林蓄积量分布拟合,通过结合激光雷达技术,从而高质量、高效率地提取了森林蓄积量分布信息。验证结果表明,本发明对森林蓄积量分布的估测方法与其他相近估测方法相比,其总体精度提升了5%以上。
(3)本发明可应用在森林资源监测、森林可持续经营管理和生态因子调查等领域,并可掌握森林蓄积量资源分布及动态变化,对于了解森林竞争、维护生物多样性、加强可持续森林管理、促进全球碳平衡具有重要意义。
(4)本发明的森林蓄积量分布估测方法不仅利于特征变量的机理解释,也可用于天然林和次生林。
附图说明
图1为不同森林类型和不同密度的蓄积量分布图;
图中:a、b、c为针叶林;d、e、f为阔叶林;g、h、i为混交林;a、d、g为低样地株数;b、e、h为中样地株数;c、f、i为高样地株数;v为预测蓄积量;nref为实测株数。
具体实施方式
下面结合具体实施例对本发明进一步进行描述。
实施例1
本实施例的实施地点位于江苏省常熟市虞山国家森林公园,气候为亚热带季风气候,年平均温度15.4℃,雨水集中在6~9月份,年平均降水量约为1047.7mm,森林类型属于城市人工林,主要的森林类型有阔叶林、针叶林和混交林。其中,主要阔叶树种有栓皮栎(quercusvariabilis)、白栎(quercusfabri)、枫香(liquidambarformosana)、槲栎(quercusaliena)、麻栎(quercusacutissima)等落叶阔叶树种及伴有部分如香樟(cinnamomumcamphora)、金缕梅(liquidambarformasana)、杨梅(myricarubra(lour.)s.etzucc)、黄连木(pistaciachinensis.)、冬青(ilexchinensis)等常绿阔叶树种;主要针叶树种为马尾松(pinusmassoniana)、杉木(cunninghamialanceolata)、湿地松(pinuselliottii)和黑松(pinusthunbergii)等常绿针叶树种。
本实施例的基于机载激光雷达数据的森林蓄积量分布估测方法,包括以下步骤:
(1)数据采集:在地面设置30m×30m正方形样地51个,全部样地根据树种组成分为阔叶林(n=14)、针叶林(n=14)和混交林(n=23)样地,并在样地中对胸径≥5cm的树木逐个测量记录胸径与树高。样地内的单株树木进行每木检尺,采用胸径尺测量;树高通过vertexiv超声波测高器测定。lidar数据采用机载lichy(lidar,ccdandhyperspectral)装置系统搭载riegllms-q680i激光传感器装置,机载lidar平台的飞行高度为900m,飞行速度为55m·s-1,数据采样的旁向重叠度≥60%。
(2)数据预处理:首先去除激光雷达原始点云数据的噪音点,并去除非地面点,然后通过计算每个像元内激光点高度的平均值,生成数字高程模型(空间分辨率为0.5m),利用生成的数字高程模型,计算归一化点云数据。
(3)特征提取:从归一化点云数据中提取传统特征变量和冠层特征变量作为激光雷达特征变量,其中,传统特征变量包括高度百分位数、第一回波点的平均、最大和最小高度、变异系数、偏度和峰度、冠层密度和覆盖度,冠层特征变量包括冠层容积特征变量、冠层表面粗糙度和叶面积密度剖面的变异系数。
(4)参数预测:采用参数预测法(ppm)结合lidar特征变量估计weibull参数,即:采用最大似然法解算weibull尺度参数和形状参数,将解算得到的两参数作为预测量与通过pearson’s相关系数(r>0.6)优选的激光雷达特征变量建立回归关系,从而预测weibull尺度参数和形状参数。解算weibull尺度参数和形状参数的公式为:
其中,b为weibull尺度参数,c为weibull形状参数,n是weibull分布的观测样本数,即为样地内株数,xi为单木材积。
通过主成分分析计算相关矩阵的最大特征根的平方根,然后除以最小特征根所得到的控制因子k来进一步筛选模型。当控制因子值低于30,则表明变量之间相关性较低,模型信息冗余度低,可以考虑作为待选模型。采用决定系数(r2)、均方根误差(rmse),相对均方根误差(rrmse)评价模型拟合的效果及估测精度:
式中yi为某参数实测值;
weibull尺度参数(b)和形状参数(c)的预测模型精度评价见表1,由表1可以看出,参数预测模型的尺度参数b和形状参数c的预测精度r2为0.76-0.88和0.35-0.78,表明76-88%和35-88%的变异在回归模型中被解释。b和c预测模型的rmse分别为0.01-0.03和0.10-0.18,rrmse范围为6.58-23.60%和23.16-49.70%。与形状参数相比,尺度参数预测模型精度较高。
表1weibull尺度参数(b)和形状参数(c)的预测模型精度评价
表1中:k为控制因子,hkurtosis为第一回波点的高度的峰度,h25为第一回波高度25分位数,h50为第一回波50高度分位数,cc2m为2m以上第一次回波点占第一次总回波点比例(即覆盖度),hmean为地面以上第一回波点的平均高度值,hmad为第一回波高度与高度众数绝对差的中位数和高度的四分位数,hsqrt为第一回波高度的二次均方,hmin为第一次回波点最小高度,p-value为威尔克逊秩检验。
(5)蓄积量估测:通过步骤4中weibull参数预测方法估算的weibull尺度参数b和形状参数c,蓄积量分布便可以被进一步预测,即通过估算的weibull尺度参数b和形状参数c还原蓄积量分布,蓄积量预测模型精度评价见表2,由表2可以看出,蓄积量模型中高度方差hvar、高度变异系数hcv、最大高hmax和冠层容积的满层filled这些变量被选中,模型r2范围为0.60-0.79,rmse和rrmse范围分别为15.05-20.12m3/hm2和11.40-25.73%。总体而言,分森林类型预测模型(即基于不同森林类型的样地分别建模)精度高度总体模型(即基于所有样地建模)精度。
表2蓄积量预测模型精度评价
表2中:k为控制因子,hvar为第一回波高度的方差,hcv为第一回波高度的变异系数,hmax为第一回波的最大高度,filled为冠层容积中的满层。
lidar预测的株数nlidar由估测的蓄积量除以weibull参数计算的平均材积得出,公式为
其中,v为预测蓄积量,b和c为weibull尺度参数和形状参数,γ为伽马函数。
不同森林类型和不同密度的蓄积量分布图见图1,图中蓄积量分布拟合采用lidar预测的株数nlidar作为总体,通过ppm预测的weibull参数对针叶林(a-c)、阔叶林(d-f)、混交林(g-i)蓄积量分布进行预测。由图中可以看出,ppm方法都较好地拟合了针叶林、阔叶林、混交林的实际蓄积量分布。参数预测方法预测的蓄积量分布形态上基本都为正偏。此外,无论是实测蓄积量分布(reference)还是lidar数据预测蓄积量分布,都随着林分密度的变化表现出一定规律,随着林分密度(nref)的增大,即样地株数增加相应的样地平均材积