一种由无人机激光雷达反演人工林有效叶面积指数的方法

摘要

本发明公开了一种基于无人机激光雷达经验模型反演人工林有效叶面积指数的方法，属于森林资源调查、森林立地质量评价和森林生产力估测研究领域。本发明将无人机激光雷达原始点云数据进行归一化处理，从归一化点云数据中提取冠层结构特征变量，结合地面实测数据和提取的特征变量，在筛选特征变量的基础上利用统计模型法对研究区内样地尺度的有效叶面积指数进行估测。本发明通过获取无人机激光雷达点云并提取冠层特征变量，并结合地面实测数据，获取特定范围的“面”上连续分布的有效叶面积指数的效率和精度都比较高，通过本发明对人工林有效叶面积指数进行提取，与使用其他相近遥感方法相比，其决定系数提升了5％以上。

说明书

技术领域

本发明属于森林资源调查、森林立地质量评价和森林生产力估测研究领域，更具体地说，涉及一种由无人机激光雷达反演人工林有效叶面积指数的方法。

背景技术

精确的人工林有效叶面积指数提取，对于森林资源调查、森林立地质量评价和森林生产力估测有重要意义，同时这些信息也可以用于掌握森林冠层空间分布规律，并对森林可持续经营、生态环境恢复与重建及维持碳平衡提供数据支持。传统的人工林有效叶面积指数提取主要依赖于直接法和仪器测量，这些地面实测耗时费力，效率很低，有些直接法(如鲜重打孔法、描形称重法)往往还会对森林冠层造成一定破坏，且只能获得样地尺度的信息，较难获得大范围的连续叶面积指数分布。

近年来，基于机载激光雷达技术的林分有效叶面积指数反演的研究为：Lim等2003年在《Canadian Journal of Remote Sensing》第29卷上发表的“LiDAR remote sensingof biophysical properties of tolerant northern hardwood forests”，该研究使用机载小光斑激光雷达数据，提取高度百分位数特征变量，结合地面实测有效叶面积指数数据，构建统计模型，估测加拿大北部地区的阔叶林有效叶面积指数。Morsdorf等2006年在《Remote Sensing of Environment》第104卷上发表的“Estimation of LAI andfractional cover from small footprint airborne laser scanning data based ongap fraction”，该研究借助激光雷达获取的离散点云数据，通过计算样地内部点云冠层回波数和地面回波数的比值(点云冠层穿透性)，并结合比尔定律估算了瑞士石松森林的有效叶面积指数。然而以上方法都使用低密度的有人机激光雷达数据运用单一的特征变量去估测有效叶面积指数，未见高密度的无人机激光雷达点云数据应用于有效叶面积指数反演，同时，更未见全面深入计算无人机激光雷达点云特征及有效叶面积指数提取的方法。

发明内容

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一种通过无人机激光雷达点云提取冠层特征变量，并结合地面实测数据反演人工林有效叶面积指数的方法。

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：

一种由无人机激光雷达反演人工林有效叶面积指数的方法，将无人机激光雷达原始点云数据进行归一化处理，从归一化点云数据中提取冠层结构特征变量，结合地面实测数据和提取的特征变量，在筛选特征变量的基础上利用统计模型法对研究区内样地尺度的有效叶面积指数进行估测。

包括以下步骤：

(1)借助多旋翼无人机搭载的激光雷达传感器进行激光雷达数据采集，在地面设置样地，并在样地内记录树种并计数，同时测量每木的胸径和树高，并测量有效叶面积指数；

(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百分位高度变量、各层覆盖度、冠层体积与剖面特征变量；

(4)通过相关性分析筛选特征变量；

(5)将地面实测有效叶面积指数作为因变量，无人机激光雷达点云特征变量作为自变量，建立多元回归模型，运用逐步回归法选择进入模型的变量，通过控制因子k降低自变量之间的相关性，k小于30则模型进一步被选中；

(6)利用步骤5得到的多元回归模型对人工林有效叶面积指数进行估测。

其中：

测量有效叶面积指数的方法为：在垂直于太阳光照的方向上选两条30m测线，两条测线中点分别距圆心7.5m，将冠层分析仪置于离地表1m高的位置进行测量，先在林窗下将两支探杆进行匹配，均使用90°视角盖，且方向一致，将其中一支探杆置于林窗下每隔10s采样一次，获得A值，另一支探杆带入待测样地内，沿着测线每隔4m采样一次，获得B值；通过时间将A值和B值进行匹配，联合计算有效叶面积指数。

所述冠层分析仪为LAI-2200。

对无人机激光雷达原始点云数据进行归一化处理的方法为：首先去除无人机激光雷达原始点云数据的噪音点，基于IDW滤波算法去除非地面点，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，通过生成的数字高程模型对点云进行归一化处理，得到归一化后的无人机激光雷达点云数据。

所述百分位高度变量包括冠层高度分布百分位数，冠层点云分布平均高度以上的覆盖度和冠层点云分布的变异系数；所述各层覆盖度为点云数量在各百分数高度以上的点占所有点云的百分比；所述冠层体积与剖面特征变量为Weibull函数对冠层高度分布剖面进行拟合得到2个剖面特征量α、β以及开放层、透光层、低光层和封闭层四个冠层结构类别的体积所占百分比。

所述筛选特征变量的方法为：首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与有效叶面积指数相关性高于0.6的特征变量。

运用逐步回归法选择进入模型的变量的方法为：在预先给定的F水平下进行显著性检验，如果t检验达不到显著水平，即p＞0.1，则予以剔除，如果t检验达到显著水平，即p＜0.05，则予以进入。

获取控制因子k的方法为：k为最大特征根的平方根与最小特征根的比值，通过主成分分析计算相关关系矩阵得到控制因子k。

采用决定系数、均方根误差、相对均方根误差评价模型拟合的效果及估测精度：

其中：R²为决定系数；RMSE为均方根误差；rRMSE为相对均方根误差；x_i为林分有效叶面积指数实测值；为林分有效叶面积指数实测平均值；为林分有效叶面积指数的模型估测值；n为样地的数量；i为某一个样地。

有益效果：相比于现有技术，本发明的有益效果为：

(1)本发明通过获取无人机激光雷达点云并提取冠层特征变量，并结合地面实测数据，获取特定范围的“面”上连续分布的有效叶面积指数的效率和精度都比较高，验证结果表明，通过本发明对人工林有效叶面积指数进行提取，与使用其他相近遥感方法相比，其决定系数提升了5％以上。

(2)现有技术的方法都是基于有人机激光雷达数据，数据点云密度低，而本发明的方法则是采用无人机激光雷达数据，然后基于高密度的点云获取冠层结构特征。

(3)本发明的方法全面深入地提取了多组人工林冠层无人机激光雷达点云特征，并进行了特征变量优选，从而高质量地提取了人工林林分有效叶面积指数。

(4)本发明不仅利于特征变量的机理解释，也易于进行方法移植(即在天然林和次生林中也可以进行应用)。

附图说明

图1为本发明的有效叶面积指数地面实测方法示意图；

图2为本发明的三组典型样地的正射影像；

图3为本发明的三组典型样地的球面镜影像；

图4为本发明的三组典型样地的激光雷达点云图；

图5为本发明的三组典型样地的激光雷达点云剖面图；

图2～5中：a为第一组；b为第二组；c为第三组；

图6为地面实测eLAI与统计模型法预测eLAI交叉验证结果图；

图6中：a为基于高度特征变量建模；b为基于高度+覆盖度特征变量建模；c为基于高度+冠层容积特征变量建模。

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北部地区邳州市铁富镇，其地理位置北纬34°33′49″-34°34′23″，东经118°05′1″-118°06′06″，属于半湿润温带季风气候，年降雨量约为903mm，最大降雨量集中在7、8月份梅雨季节，年平均温度约为13.9℃，无霜期211天，主要土壤类型为黑粘土壤，呈酸性。该地区银杏大规模种植始于1993年，总面积约5400hm²。

本实施例的由无人机激光雷达反演人工林有效叶面积指数的方法，包括以下步骤：

(1)数据采集：借助多旋翼无人机搭载的激光雷达传感器进行激光雷达数据采集。根据历史森林资源调查数据和前期获取的卫星遥感影像数据在银杏人工林核心分布区内选取了5块1×1km的正方形大样地，然后在5个样地内按照典型选样的方法设置9块半径为15m的圆形小样地，样地的中心位置通过Trimble GeoXH6000Handhelds手持GPS定位(结合JSCROS广域差分系统)进行定位，精度优于0.5m。在样地内记录树种并计数，同时测量每木的胸径和树高，并根据激光雷达计算出的银杏人工林Cover特征量(即首次回波中高于1m的激光返回点占所有返回点的比例)的大小来分为3组，每组15块样地(第一组Cover：0.08-0.19；第二组Cover：0.21-0.31；第三组Cover：0.33-0.83)。采用LAI-2200冠层分析仪对样地进行有效叶面积指数的测量，测量方法如下(见图1)：在垂直于太阳光照的方向上选两条30m测线，两条测线中点分别距圆心7.5m。为了排除地表覆盖物的影响，将LAI-2200置于离地表高1m的位置进行测量。先在空旷的林窗下将两支探杆进行匹配，均使用90°视角盖，且方向一致；将其中一支置于林窗下每隔10s采样一次(获得A值)，另一支带入待测样地内，沿着测线每隔4m采样一次(获得B值)；最后，通过时间将A值和B值进行匹配，联合计算有效叶面积指数，所得样地林分参数汇总见表1。

表1样地实测林分特征信息汇总表

(2)数据预处理：首先去除无人机激光雷达原始点云数据的噪音点，基于IDW滤波算法去除非地面点，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(DEM)(空间分辨率为0.5m)，并通过生成的数字地形模型对点云进行归一化处理，得到归一化后的无人机激光雷达点云数据。

(3)特征变量提取：从归一化点云数据中提取三组特征变量，即百分位高度、各层覆盖度和冠层体积与剖面特征变量。百分位高度变量包括：冠层高度分布百分位数(H25，H50，H75，H95)，冠层点云分布平均高度以上的覆盖度(CCmean)，冠层点云分布的变异系数(Hcv)；各层覆盖度：点云数量在各百分数高度(30th，50th，70th，90th，即D3，D5，D7，D9)以上的点占所有点云的百分比；冠层体积与剖面特征变量：Weibull函数对冠层高度分布剖面进行拟合得到2个剖面特征量α，β(即Weibullα和Weibullβ)；冠层各结构类别体积占比，包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比(即OpenGap，Oligophotic，Euphotic，ClosedGap)。

(4)筛选特征变量：通过相关性分析筛选特征变量，即首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与各林分有效叶面积指数相关性高于0.6的特征变量。

(5)建立模型：将地面实测有效叶面积指数作为因变量，无人机激光雷达点云特征变量作为自变量，建立多元回归模型，运用逐步回归法选择进入模型的变量，即在预先给定的F水平下进行显著性检验，如果t检验达不到显著水平(p＞0.1)，则予以剔除；t检验达到显著水平(p＜0.05)则予以进入。为了降低自变量之间的相关性，本实施例通过主成分分析计算相关关系矩阵得到控制因子k(即最大特征根的平方根与最小特征根的比值)，k小于30则模型进一步被选中。

(6)利用步骤5得到的多元回归模型对人工林有效叶面积指数进行估测。

统计模型法预测有效叶面积指数模型交叉验证结果见图6。由图中可以看出，仅通过高度特征变量与地面实测eLAI建立模型的精度为R²＝0.38(rRMSE＝54％)(如图a)；通过高度特征变量与覆盖度特征变量组合与地面实测eLAI建立模型(R²＝0.64，rRMSE＝26％)(如图b)；通过高度特征变量与冠层容积特征变量组合与地面实测eLAI建立模型(R²＝0.61，rRMSE＝28％)(如图c)。

本实施例采用决定系数(R²)、均方根误差(RMSE)和相对均方根误差(rRMSE)评价回归模型拟合的效果及估测精度：

式中，x_i为林分有效叶面积指数实测值；为林分有效叶面积指数实测平均值；为林分有效叶面积指数的模型估测值；n为样地的数量；i为某一个样地。

基于不同点云特征变量的有效叶面积指数估测模型及模型预测精度见表2，由表2可以看出，“高度”结合“覆盖度”特征变量估测有效叶面积指数的结果优于“高度”结合“冠层容积”特征的估测结果，仅使用“高度特征变量”进行预测的精度最低。图2为本发明的三组典型样地的正射影像，图3为本发明的三组典型样地的球面镜影像，图4为本发明的三组典型样地的激光雷达点云图，图5为本发明的三组典型样地的激光雷达点云剖面图，图2～图5中，a为第一组，b为第二组，c为第三组。由图2～5可以看出，同生长和经营状况下的银杏人工林在正射影像、球面镜影像、三维点云及点云剖面上所呈现的结果不同。同时，点云垂直分布中的50th，75th和95th分位数在不同生长状况下的银杏人工林中分布也不相同，总体呈往冠层上层偏移的趋势。

表2基于不同点云特征变量的有效叶面积指数估测模型及模型预测精度

注：H25，H50，H75，H95为冠层25％，50％，75％，95％的高度分布百分位数；D5，D7为点云数量在百分数高度50th和70th上的点占所有点云的百分比。