多源遥感数据反演森林关键结构参数的研究

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。

目录

摘要

1 绪论

1．1 研究背景

1．2 研究目的及意义

1．3 国内外研究现状

1．3．1 森林树高的估测

1．3．2 森林叶面积指数的估测

1．3．3 森林生物量的估测

1．4 研究目标与技术路线

1．4．1 研究目标

1．4．2 技术路线

1．5 研究内容

2．1 研究区概况

2．1．1 地理位置

2．1．2 水文气候

2．1．3 森林资源

2．2 野外样方实测数据

2．3 机载LiDAR数据及预处理

2．3．1 数据获取

2．3．2 LiDAR数据简介

2．3．3 LiDAR数据预处理

2．3．4 LiDAR点云强度校正

2．4 Landsat数据及预处理

2．4．1 Landsat数据简介

2．4．2 Landsat数据获取

2．4．3 Landsat数据预处理

2．5 本章小结

3 机载LiDAR不同回波类型的森林LAI反演

3．1 不同回波类型LPI提取

3．1．1 野外LAI数据统计

3．1．2 LiDAR点云数据分类

3．1．3 基于点云数量的LPI提取

3．1．4 基于点云能量的LPI提取

3．2 LAI模型建立及精度评价

3．2．1 单变量模型LAI估测结果

3．2．1 多变量模型LAI估测结果

3．3 本章小结

4 不同LiDAR点云密度反演森林树高

4．1 不同密度的点云林分平均树高反演

4．1．1 野外样方数据处理

4．1．2 LiDAR数据归一化

4．1．3 LiDAR点云抽稀

4．2 树高模型建立及精度评价

4．3 本章小结

5 LiDAR点云估测森林地上生物量

5．1 建模参数提取

5．1．1 样方生物量计算

5．1．2 LiDAR参数提取

5．2．1 RBF神经网络原理

5．2．2 RBF神经网络构建

5．2．3 RBF估测结果分析

5．3 本章小结

6 机载LiDAR与Landsat-8 OLI联合估测森林生物量

6．1 建模参数提取

6．1．1 野外数据获取

6．1．2 LiDAR参数提取

6．1．3 Landsat参数提取

6．2 支持向量机估测森林生物量

6．2．1 支持向量机原理

6．2．2 生物量模型建立及精度评价

6．3 本章小结

结论和展望

参考文献

攻读学位期间发表的学术论文

致谢

声明