融合机载和背包激光雷达的桉树单木因子估测

doi:10.13466/j.cnki.lyzygl.2022.06.020

林业资源管理 ›› 2022, Vol. 0 ›› Issue (6): 131-137.doi: 10.13466/j.cnki.lyzygl.2022.06.020

融合机载和背包激光雷达的桉树单木因子估测

张信杰¹(), 郑焰锋¹, 温坤剑², 王鹏杰¹, 吴发云¹()

1.国家林业和草原局林草调查规划院,北京 100714
2.国家林业和草原局中南调查规划院,长沙 410014

收稿日期:2022-10-10 修回日期:2022-10-24 出版日期:2022-12-28 发布日期:2023-01-16
通讯作者: 吴发云
作者简介:张信杰(1984-),男,山东郓城人,工程师,主要从事林草资源调查与监测、营造林工程设计等方面的工作。Email:1984zhangxinjie@163.com
基金资助:
2020年行业管理专项业务经费“陆地碳卫星星机地综合实验”(2020-21-89);国家林草局自主研发计划项目“航空和背包激光雷达空地耦合的森林资源调查监测关键技术研究及示范应用”(LC-1-01)

Estimation of Single Tree Factor of Eucalyptus by Merging Airborne and Backpack LiDAR

ZHANG Xinjie¹(), ZHENG Yanfeng¹, WEN Kunjian², WANG Pengjie¹, WU Fayun¹()

1. Academy of Forestry Inventory and Planning,National Forestry and Grassland Administration,Beijing 100714,China
2. Central South Inventory and Planning,National Forestry and Grassland Administration,Changsha 410014,China

Received:2022-10-10 Revised:2022-10-24 Online:2022-12-28 Published:2023-01-16
Contact: WU Fayun

摘要/Abstract

摘要：

以海南省五指山市4块人工桉树林共计157株桉树为例,融合背包激光雷达和机载激光雷达点云数据对桉树单木因子进行了估测,探究融合数据在森林资源调查中的适用性。估测结果与实际样地数据对比表明,融合点云数据在胸径的估测上,R²=0.982,RMSE=0.868cm;在树高的估测上,R²=0.895,RMSE=2.005m,优于只使用背包激光雷达数据获取树高精度(R²=0.835,RMSE=2.458m)。基于背包激光雷达点云数据获取的单木胸径精度较高,融合点云数据可改善单一背包点云数据对树高上的估测。

关键词: 背包激光雷达, 机载激光雷达, 单木参数, 胸径, 树高

Abstract:

We investigated the applicability of fused data in forest resource surveys by fusing backpack LiDAR and airborne LiDAR point cloud data to estimate the single wood factor of eucalyptus trees in four eucalyptus plantations in Wuzhishan City,Hainan Province,with a total of 157 eucalyptus trees. A comparison of the results with the actual sample plots showed that the fused point cloud data had an R²=0.982 and RMSE=0.868cm for the estimation of diameter at breast height,and R²=0.895 and RMSE=2.005m for the estimation of tree height,which was better than that of the high accuracy of the tree obtained using only backpack LiDAR data (R²=0.835 and RMSE=2.458m).This study demonstrated that backpack LiDAR-based point cloud data was more accurate in obtaining single wood diameter at breast height,and that fused point cloud data could improve the estimation of tree height from single backpack point cloud data.

Key words: backpack LiDAR, airborne LiDAR, single wood parameters, diameter at breast height, tree height

中图分类号:

S758

张信杰, 郑焰锋, 温坤剑, 王鹏杰, 吴发云. 融合机载和背包激光雷达的桉树单木因子估测[J]. 林业资源管理, 2022, 0(6): 131-137.

ZHANG Xinjie, ZHENG Yanfeng, WEN Kunjian, WANG Pengjie, WU Fayun. Estimation of Single Tree Factor of Eucalyptus by Merging Airborne and Backpack LiDAR[J]. FOREST RESOURCES WANAGEMENT, 2022, 0(6): 131-137.

图/表 8

表2

表1

图1

图2

表3

图3

图4

图5

参考文献 21

[1]	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, 41(3):129-136.
[2]	郭庆华, 刘瑾, 李玉美, 等. 生物多样性近地面遥感监测:应用现状与前景展望[J]. 生物多样性, 2016, 24(11):1249-1266. doi: 10.17520/biods.2016059
[3]	Zhao K, Suarez J C, Garcia M, et al. Utility of multitemporal lidar for forest and carbon monitoring:Tree growth,biomass dynamics,and carbon flux[J]. Remote Sensing of Environment, 2018,204,883-897.
[4]	Matasci G, Hermosilla T, Wulder M A, et al. Large-area mapping of Canadian boreal forest cover,height,biomass and other structural attributes using Landsat composites and lidar plots[J]. Remote Sensing of Environment, 2018, 209:90-106. doi: 10.1016/j.rse.2017.12.020
[5]	曾伟生, 孙乡楠, 王六如, 等. 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(1):147-155.
[6]	孙忠秋, 高金萍, 吴发云, 等. 基于机载激光雷达点云和随机森林算法的森林蓄积量估测[J]. 林业科学, 2021, 57(8):68-81.
[7]	周蓉, 赵天忠, 吴发云. 依据BP神经网络的机载LiDAR数据估算林分平均高[J]. 东北林业大学学报, 2021, 49(9):60-66.
[8]	黄侃, 于强, 黄华国. 基于机载CCD和ALS伪波形数据的山区地表分类研究[J]. 农业机械学报, 2020, 51(3):201-208.
[9]	黄华国. 林业定量遥感研究进展和展望[J]. 北京林业大学学报, 2019, 41(12):1-14.
[10]	Su Y, Guo Q, Jin S, et al. The development and evaluation of a backpack LiDAR system for accurate and efficient forest inventory[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(9):1660-1664. doi: 10.1109/LGRS.2020.3005166
[11]	Xie Y, Zhang J, Chen X, et al. Accuracy assessment and error analysis for diameter at breast height measurement of trees obtained using a novel backpack LiDAR system[J]. Forest Ecosystems, 2020, 7(1):7-33. doi: 10.1186/s40663-020-0216-9
[12]	黄旭, 贾炜玮, 王强, 等. 背包式激光雷达的落叶松单木因子提取[J]. 森林工程, 2019, 35(4):14-21.
[13]	Xu D, Wang H, Xu W, et al. LiDAR applications to estimate forest biomass at individual tree scale:Opportunities,challenges and future perspectives[J]. Forests, 2021, 12(5):550. doi: 10.3390/f12050550
[14]	符国瑷, 冯绍信. 海南五指山森林的垂直分布及其特征[J]. 广西植物, 1995(1):57-69.
[15]	刘迎春, 吴发云, 孙忠秋, 等. 陆地生态系统碳监测卫星多载荷替代数据海南综合试验[J]. 林业资源管理. 2021(4):138-148.
[16]	Zhao X, Guo Q, Su Y, et al. Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 117:79-91. doi: 10.1016/j.isprsjprs.2016.03.016
[17]	Tao S, Wu F, Guo Q, et al. Segmenting tree crowns from terrestrial and mobile LiDAR data by exploring ecological theories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 110:66-76. doi: 10.1016/j.isprsjprs.2015.10.007
[18]	Hyyppä E, Yu X, Kaartinen H, et al. Comparison of backpack,handheld,under-canopy UAV,and above-canopy UAV laser scanning for field reference data collection in boreal forests[J]. Remote Sensing, 2020, 12(20):3327. doi: 10.3390/rs12203327
[19]	Hyyppä E, Kukko A, Kaijaluoto R, et al. Accurate derivation of stem curve and volume using backpack mobile laser scanning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 161:246-262. doi: 10.1016/j.isprsjprs.2020.01.018
[20]	Ko C, Lee S, Yim J, et al. Comparison of forest inventory methods at plot-level between a backpack personal laser scanning(BPLS)and conventional equipment in jeju island,South Korea[J]. Forests, 2021, 12(3):308. doi: 10.3390/f12030308
[21]	Hartley R J L, Jayathunga S, Massam P D, et al. Assessing the potential of backpack-mounted mobile laser scanning systems for tree phenotyping[J]. Remote Sensing, 2022, 14(14):3344. doi: 10.3390/rs14143344

样地编号	单木株数/株	胸径范围/cm	树高范围/m	平均胸径/cm	平均树高/m	郁闭度
1	36	7.5~30.0	6.2~25.2	20.1	19.2	0.6
2	23	12.6~44.2	7.0~35.0	27.1	26.5	0.4
3	62	8.3~25.1	9.2~23.5	13.9	16.7	0.7
4	38	9.1~20.9	9.9~29.7	15.0	19.8	0.5

设备参数	数值
激光扫描器	Velodyne VLP-16 x 2
激光器扫描距离/m	100
激光波长/nm	903
扫描频率/(pts/s)	600000
水平视场角/(°)	0~360
垂直视场角/(°)	-90~90
LiDAR精度/cm	±3
相对精度/cm	3
绝对精度/cm	5

样地编号	单木株数/株	点云分割株数/株			召回率/%	精确率/%
样地编号	单木株数/株	正确分割(TP)	漏分割(FN)	错误分割(FP)	召回率/%	精确率/%
1	36	36	0	3	100.00	92.31
2	23	23	0	2	100.00	92.00
3	62	61	1	4	98.39	93.85
4	38	38	0	1	100.00	97.44

融合机载和背包激光雷达的桉树单木因子估测

Estimation of Single Tree Factor of Eucalyptus by Merging Airborne and Backpack LiDAR

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价

[1]	周志峰, 郭祁, 张信杰. 内蒙古榆树根径与胸径回归关系研究[J]. 林业资源管理, 2022, 0(3): 129-134.
[2]	谢贤胜, 苏宏新, 杨元征, 李春海, 卢峰, 罗蔚生, 徐占勇. 基于地基激光雷达估测广西桉树人工林的林分参数[J]. 林业资源管理, 2022, 0(2): 100-108.
[3]	付安民, 高显连, 吴发云, 高金萍. 机载激光雷达树高产品的释义与精度水平评估[J]. 林业资源管理, 2022, 0(1): 114-123.
[4]	陈周娟, 程光, 卜元坤, 黄维, 陈佳卉, 李卫忠. 基于无人机倾斜影像的阔叶林单木参数提取[J]. 林业资源管理, 2022, 0(1): 132-141.
[5]	蒲莹, 曾伟生, 阳帆. 北京市树高胸径回归模型研建及一元立木材积表检验[J]. 林业资源管理, 2021, 0(3): 62-66.
[6]	张玉薇, 张超, 王娟, 李华玉, 白明雄, 杨安蓉. 基于UAV遥感的单木冠幅提取及胸径估算模型研究[J]. 林业资源管理, 2021, 0(3): 67-75.
[7]	邱琴, 张文革, 王蕾, 曹姗姗, 孙伟. 基于背包式激光雷达的天山云杉林单木因子估测[J]. 林业资源管理, 2021, 0(2): 99-109.
[8]	白明雄, 张超, 陈棋, 王娟, 李华玉, 史小蓉, 田湘云, 张玉薇. 基于无人机可见光遥感的单木树高提取方法研究[J]. 林业资源管理, 2021, 0(1): 164-172.
[9]	代华兵, 李春干, 庞勇, 李崇贵. 基于天空地一体化森林资源调查的小班因子设置与信息获取方法[J]. 林业资源管理, 2021, 0(1): 180-188.
[10]	田意, 吴宏炜, 张伟志, 黄光灿, 庄崇洋, 江希钿. 福州市米槠林分相容性胸径生长模型和树高曲线模型研究[J]. 林业资源管理, 2020, 0(4): 44-49.
[11]	曾伟生, 孙乡楠, 王六如, 王威, 蒲莹. 基于机载激光雷达数据估计林分蓄积量及平均高和断面积[J]. 林业资源管理, 2020, 0(2): 79-86.
[12]	曾伟生, 曹迎春, 陈新云, 赵连清. 河北省主要树种单木和林分生长率模型研建[J]. 林业资源管理, 2020, 0(1): 30-37.
[13]	曾伟生. 总体与林分水平的树高-胸径模型对蓄积量估计的影响分析[J]. 林业资源管理, 2019, 0(6): 38-41.
[14]	刘江俊, 高海力, 方陆明, 郑辛煜, 姜广宇. 基于无人机影像的树顶点和树高提取及其影响因素分析[J]. 林业资源管理, 2019, 0(4): 107-116.
[15]	覃阳平, 李华, 李永亮, 张成程, 王蒙. 云南省主要针叶树种树高曲线模型研建[J]. 林业资源管理, 2019, 0(4): 46-51.