结合自适应阈值与峰值的LiDAR林分平均高反演方法研究

doi:10.13466/j.cnki.lyzygl.2021.01.009

林业资源管理 ›› 2021, Vol. 0 ›› Issue (1): 61-68.doi: 10.13466/j.cnki.lyzygl.2021.01.009

结合自适应阈值与峰值的LiDAR林分平均高反演方法研究

吴思敏¹^,²^,³(), 孙华¹^,²^,³, 林辉¹^,²^,³()

1.中南林业科技大学林业遥感信息工程研究中心,长沙 410004
2.林业遥感大数据与生态安全湖南省重点实验室,长沙 410004
3.南方森林资源经营与监测国家林业与草原局重点实验室,长沙 410004

收稿日期:2020-11-06 修回日期:2020-12-25 出版日期:2021-02-28 发布日期:2021-03-30
通讯作者: 林辉
作者简介:吴思敏(1996-),男,浙江温州人,在读硕士,研究方向:林学。Email: wusimin@csuft.edu.cn
基金资助:
“十三五”国家重点研发计划项目:人工林资源监测关键技术研究(2017YFD0600900);国家自然科学基金面上项目(31971578);湖南省教育厅科学研究重点项目(17A225);湖南省普通高校青年骨干教师培养对象资助项目(90102-7070220090001)

Research on LiDAR Stand Average High Inversion Method Based on Auto-adaptive Threshold and Peak Value

WU Simin¹^,²^,³(), SUN Hua¹^,²^,³, LIN Hui¹^,²^,³()

1. Research Center of Forestry Remote Sensing & Information Engineering Central South University & Technology,Changsha 410004,Hunan,China
2. Key Laboratory of Forestry Remote Sensing Based Big Data & Ecological Security for Hunan Province.Changsha 410004,Hunan,China
3. Key Laboratory of State Forestry & Grassland Administration on Forest Resources Management and Monitoring in Southern Area,Changsha 410004,Hunan,China

Received:2020-11-06 Revised:2020-12-25 Online:2021-02-28 Published:2021-03-30
Contact: LIN Hui

摘要/Abstract

摘要：

随着激光雷达获取的点云密度不断增加,提取样地尺度的林分平均高成为可能。但样地尺度林分平均高的提取精度与树种之间的关系尚不明确,急需一种能适应各种树种的林分平均高提取方法。以广西省国有高峰林场为例,采用机载LiDAR点云数据生成的冠层高度模型(Canopy height model,CHM),结合地面实测的201个样地数据,提出了一种结合自适应阈值与峰值的林分平均高提取算法,并分析了树种对提取精度的影响。结果表明:1)不同树种的林分平均高提取精度存在差异,杉木精度最高,而桉树和其他阔叶树种精度次之;2)自适应阈值结合峰值的算法能够较好提取林分平均高(R²=0.75,RMSE=3.11m,rRMSE=22.07%),并且对于不同的树种都有较强的稳健性;3)阔叶树种和针叶树种对不同的提取方法存在敏感性差异。研究提取的林分平均高可为森林蓄积量与生物量反演研究提供依据和参考。

关键词: LiDAR, 自适应阈值, 冠层高度, 模型, 林分平均高

Abstract:

With the increasing density of point cloud obtained by LiDAR,it is possible to extract the average height of stand at sample plot scale.However,the relation between the extraction accuracy of average height of stand at sample plot scale and tree species is still unclear,so a stand average height extraction method suitable for various tree species is urgently needed.This study tries to take the state-owned Gaofeng forest farm in Guangxi Zhuang Autonomous Region as an example and use the canopy height model(CHM) generated by airborne LiDAR point cloud data.Based on 201 sample plots data measured on the ground,the paper proposes a stand average height extraction algorithm combining auto-adaptive threshold and peak value and analyzes the influence of tree species on extraction accuracy.The results show that:1) the average high extraction accuracy of different tree species is different.The accuracy of Chinese fir is the highest,followed by Eucalyptus and other broad-leaved trees;2) The auto-adaptive threshold combined with peak value algorithm can extract the average stand height(R²=0.75,RMSE=3.11 m,rRMSE=22.07%),and has strong robustness for different tree species;3) The sensitivity of broad-leaved and coniferous species to different extraction methods is different.The average stand height extracted in this study can be used as the basis and reference for the inversion of forest volume and biomass.

Key words: LiDA, Radaptive threshold, canopy height model, average stand height

中图分类号:

S758

吴思敏, 孙华, 林辉. 结合自适应阈值与峰值的LiDAR林分平均高反演方法研究[J]. 林业资源管理, 2021, 0(1): 61-68.

WU Simin, SUN Hua, LIN Hui. Research on LiDAR Stand Average High Inversion Method Based on Auto-adaptive Threshold and Peak Value[J]. FOREST RESOURCES WANAGEMENT, 2021, 0(1): 61-68.

图/表 6

图1

图2

表1

图3

表2

图4

参考文献 26

[1]	孙华, 鞠洪波, 张怀清, 等. 基于Worldview-2影像的林木冠幅提取与树高反演[J]. 中南林业科技大学学报, 2014,34(10):45-50.
[2]	McRoberts R E, Tomppo E O. Remote sensing support for national forest inventories[J]. Remote sensing of environment, 2007,110(4):412-419.
[3]	Corona P. Consolidating new paradigms in large-scale monitoring and assessment of forest ecosystems[J]. Environmental research, 2016,144:8-14. doi: 10.1016/j.envres.2015.10.017 pmid: 26514075
[4]	吴楠, 李增元, 廖声熙, 等. 国内外林业遥感应用研究概况与展望[J]. 世界林业研究, 2017,30(6):34-40.
[5]	Goetz S, Dubayah R . Advances in remote sensing technology and implications for measuring and monitoring forest carbon stocks and change[J]. Carbon Management, 2011,2(3):231-244.
[6]	庄永健, 冯仲科, 李亚藏, 等. 激光雷达技术测树方法原理与应用[J]. 林业资源管理, 2016(6):116-119.
[7]	庞勇, 李增元, 陈尔学, 等. 激光雷达技术及其在林业上的应用[J]. 林业科学, 2005(3):129-136.
[8]	谢巧雅, 余坤勇, 邓洋波, 等. 杉木人工林冠层高度无人机遥感估测[J]. 浙江农林大学学报, 2019,36(2):335-342.
[9]	刘浩, 张峥男, 曹林. 机载激光雷达森林垂直结构剖面参数的沿海平原人工林林分特征反演[J]. 遥感学报, 2018,22(5):872-888.
[10]	李欢, 李明泽, 范文义, 等. 基于机载激光雷达的林隙结构参数提取[J]. 林业科学, 2018,54(10):98-107.
[11]	聂胜. 基于激光雷达数据的森林冠层参数反演方法研究[D]. 北京:中国科学院大学(中国科学院遥感与数字地球研究所), 2017.
[12]	Ma Qin, Su Yanjun, Guo Qinghua. Comparison of canopy cover estimations from airborne LiDAR,aerial imagery,and satellite imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017,10(9):4225-4236.
[13]	骆钰波, 黄洪宇, 唐丽玉, 等. 基于地面激光雷达点云数据的森林树高、胸径自动提取与三维重建[J]. 遥感技术与应用, 2019,34(2):243-252.
[14]	李桂林, 王红, 宋音, 等. 黄河三角洲孤岛刺槐林地上生物量的估算—基于无人机机载激光雷达[J]. 中国农学通报, 2018,34(26):52-57.
[15]	Naesset E. Determination of mean tree height of forest stands using airborne laser scanner data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1997,52(2):49-56.
[16]	李平昊, 申鑫, 代劲松, 等. 机载激光雷达人工林单木分割方法比较和精度分析[J]. 林业科学, 2018,54(12):127-136.
[17]	耿林, 李明泽, 范文义, 等. 基于机载LiDAR的单木结构参数及林分有效冠的提取[J]. 林业科学, 2018,54(7):62-72.
[18]	Vastaranta M, Wulder M A, White J C, et al. Airborne laser scanning and digital stereo imagery measures of forest structure:comparative results and implications to forest mapping and inventory update[J]. Canadian Journal of Remote Sensing, 2013,39(5):382-395.
[19]	陈宗铸, 杨琦, 雷金睿, 等. 基于激光雷达数据的热带森林冠高模型生成及平均树高估计[J]. 中南林业科技大学学报, 2018,38(7):1-7.
[20]	尤号田, 邢艳秋, 王铮, 等. 点云密度对激光雷达估计森林样方平均树高的影响[J]. 东北林业大学学报, 2014,42(5):143-148.
[21]	Zhang Wuming, Qi Jianbo, Wan Peng, et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016,8(6):501-522.
[22]	段祝庚, 曾源, 赵旦, 等. 机载激光雷达森林冠层高度模型凹坑去除方法[J]. 农业工程学报, 2014,30(21):209-217.
[23]	尤号田. 基于机载LiDAR数据森林关键结构参数估测研究[D]. 哈尔滨:东北林业大学, 2017.
[24]	Popescu S C, Wynne R H, Nelson R F. Estimating plot-level tree heights with lidar:local filtering with a canopy-height based variable window size[J]. Computers and Electronics in Agriculture, 2002,37(1-3):71-95.
[25]	霍达. 基于机载LiDAR反演森林参数的研究——以内蒙古依根地区为例[D]. 哈尔滨:东北林业大学, 2015.
[26]	蒋馥根, 孙华, 林辉, 等. 旺业甸林场人工林生物量遥感反演研究[J]. 中南林业科技大学学报, 2019,39(10):88-94.

方法	R²				RMSE/m				rRMSE/%
方法	总样本	桉树	杉木	其它	总样本	桉树	杉木	其它	总样本	桉树	杉木	其它
中心点(a)	0.48	0.50	0.29	0.45	4.47	5.19	3.12	4.45	31.72	33.71	22.78	34.96
均值(b)	0.70	0.72	0.31	0.72	2.53	2.83	1.92	2.58	18.00	18.39	14.05	20.26
阈值(c)	0.75	0.78	0.70	0.74	2.44	3.14	1.50	2.44	17.32	20.37	10.98	19.15
峰值(d)	0.70	0.71	0.48	0.75	3.80	3.72	4.14	3.58	26.96	24.16	30.27	28.15
阈值_峰值(e)	0.75	0.78	0.71	0.75	3.28	4.15	2.04	3.04	23.28	26.92	14.92	23.91
峰值_阈值(f)	0.75	0.77	0.79	0.74	3.11	3.87	1.84	2.95	22.07	25.10	13.46	23.19

方法	中心点(a)	均值(b)	阈值(c)	峰值(d)	阈值_峰值(e)	峰值_阈值(f)
中心点(a)		0.00	0.00	0.73	0.06	0.00
均值(b)	0.00		0.81	0.00	0.00	0.12
阈值(c)	0.00	0.81		0.00	0.00	0.04
峰值(d)	0.73	0.00	0.00		0.01	0.00
阈值_峰值(e)	0.06	0.00	0.00	0.01		0.19
峰值_阈值(f)	0.00	0.12	0.04	0.00	0.19

结合自适应阈值与峰值的LiDAR林分平均高反演方法研究

Research on LiDAR Stand Average High Inversion Method Based on Auto-adaptive Threshold and Peak Value

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨学云, 曾伟生, 陈新云. 北京市主要森林类型蓄积量生物量碳储量模型研建[J]. 林业资源管理, 2021, 0(2): 124-130.
[2]	孙谦, 姜兴艳, 邹丽梅. 基于物元分析的遵义市成熟林质量评价[J]. 林业资源管理, 2021, 0(2): 140-148.
[3]	陈明珠, 秦怡, 李喜梅. 经济林与研学旅行产业融合开发模式探讨[J]. 林业资源管理, 2021, 0(2): 17-22.
[4]	曾伟生, 夏锐. 全国森林资源调查年度出数统计方法探讨[J]. 林业资源管理, 2021, 0(2): 29-35.
[5]	吴发云, 高显连, 周蓉, 王鹏杰, 付安民. 基于林分高度及郁闭度的森林生物量和蓄积量模型研究[J]. 林业资源管理, 2021, 0(2): 61-67.
[6]	吴旭平, 吕勇, 张雄清, 易烜, 朱光玉. 基于立地因子的杉木人工林断面积生长混合效应模型研究[J]. 林业资源管理, 2021, 0(2): 75-82.
[7]	边佳玉, 冷嘉惠, 赵正, 王雁斌. 城市居民的绿道声景观感知评价研究[J]. 林业资源管理, 2021, 0(1): 111-120.
[8]	曾伟生, 孙乡楠, 王六如, 王威, 蒲莹. 基于激光雷达数据的东北林区航空林分材积表编制[J]. 林业资源管理, 2021, 0(1): 147-155.
[9]	王志波, 季蒙, 李永乐, 李银祥, 马世明, 张海东. 华北落叶松人工林差分地位指数模型构建[J]. 林业资源管理, 2021, 0(1): 156-163.
[10]	罗凯健, 许晓东, 龙江平, 徐聪荣, 林辉, 和晓风. 结合Landsat 8与PALSAR-2影像的龙南县针叶林蓄积量遥感估测研究[J]. 林业资源管理, 2021, 0(1): 69-76.
[11]	冯亚枝, 胡彦蓉, 刘洪久. 临安山核桃产量的Lasso-灰色预测模型研究[J]. 林业资源管理, 2021, 0(1): 94-102.
[12]	孙忠秋, 吴发云, 胡杨, 高显连, 高金萍. 基于Landsat-8 OLI数据的马尾松林蓄积量饱和点确定及估测[J]. 林业资源管理, 2020, 0(6): 135-142.
[13]	蒲莹, 牟耀杰, 邵景安. 三峡库区近20年森林生态服务功能变化及影响因素分析——以石柱县为例[J]. 林业资源管理, 2020, 0(6): 31-39.
[14]	魏安超, 张大为. 云南松单木材积生长率模型研究[J]. 林业资源管理, 2020, 0(6): 40-46.
[15]	王倩茹, 何悦, 李海明, 李志南, 徐文兵. 基于点云数据的单株毛竹建模精度及可视化分析[J]. 林业资源管理, 2020, 0(6): 72-78.