基于机载激光雷达点云数据的海南主要树种蓄积量反演

doi:10.13466/j.cnki.lczyyj.2024.03.004

摘要/Abstract

摘要：

森林蓄积量的精确估算是提升森林可持续经营水平的基础。基于机载激光雷达点云数据,生成49个激光雷达点云特征变量,结合地面调查样地数据,采用固定参数、Pearson相关分析和逐步回归3种方法,筛选出建模自变量,并通过线性回归和非线性回归拟合建立海南热带雨林国家公园3种主要树种(相思、橡胶、桉树)的蓄积量模型。结果表明:1)在3种树种的线性与非线性模型中,最优模型精度均在0.83以上,相思和桉树的非线性模型较优,橡胶的线性模型较优。2)高度类变量对蓄积量模型的影响最大,激光点云的强度、密度对蓄积量模型的影响较大,郁闭度也有一定影响。机载激光雷达点云数据获得的结构参数在建模中起着重要作用,未来可在相关工作中推广使用。

关键词: 森林蓄积量, 机载激光雷达, 海南

Abstract:

The accurate estimation of forest volume is the basis for improving the level of sustainable forest management.Based on the airborne laser point cloud data,49 laser point cloud feature variables were generated.Combined with the ground survey sample data,three methods of fixed parameter,Pearson screening,and stepwise regression screening were used to screen out the independent variables used for modeling,and then linear and nonlinear regression fitting was used to establish the accumulation models of the three main tree species in Hainan Tropical Rainforest National Park.The results show that:1)Among the linear and nonlinear models of the three tree species(Acacia confusa,Hevea brasiliensis, Eucalyptus robusta),the accuracy of the optimal models was above 0.83 with A.confusa and E.robusta having better nonlinear models,and H.brasiliensis having a better linear model.2)The height class variable has the greatest influence on the accumulation model.The intensity and density of the laser point cloud have a greater influence on the accumulation model,and the coverage class variable also has some influence.The structural parameters obtained from airborne LiDAR data play an important role in modeling,and can be popularized and used in related operational work in the future.

Key words: forest stock volume, airborne LiDAR, Hainan

中图分类号:

李杰, 刘晓彤, 高金萍, 付安民, 吴发云. 基于机载激光雷达点云数据的海南主要树种蓄积量反演[J]. 林草资源研究, 2024,(3): 25-32.

LI Jie, LIU Xiaotong, GAO Jinping, FU Anmin, WU Fayun. Inversion of Main Tree Species’ Volume in Hainan Based on Airborne LiDAR Point Cloud Data[J]. Forest and Grassland Resources Research, 2024,(3): 25-32.

图/表 7

表1

表2

表3

表4

表5

多元非线性回归模型拟合结果

树种	方法	模型公式
相思(Acacia confusa)	1	V=10.407 $H m e a n 1.232 H C C 1.085$
	2	V=0.293 $H 70 t h 2.151 D 2 0.002$
	3	V=4.035 $H 70 t h 1.727 H C C 0.685 I m i n - 0.110$
橡胶(Hevea brasiliensis)	1	V=4.437 $H m e a n 1.301 H C C - 0.139$
	2	V=2.891 $H 75 t h 1.343 D 2 - 0.039$
	3	V=16.152 $H 75 t h 1.523 I m a d - 0.307 D 5 - 0.174$
桉树(Eucalyptus robusta)	1	V=0.834 $H m e a n 2.117 H C C 0.860$
	2	V=0.203 $H 50 t h 2.514 D 4 0.298$
	3	V=0.004 $H 70 t h 2.405 H m i n - 19.025 D 0 - 0.208 I m a x 4.420 I 99 t h - 2.545$

表5

表6

表7

参考文献 23

[1]	ANDERSON-TEIXEIRA K J, DAVIES S J, BENNETT A C, et al. CTFS-Forest GEO:A worldwide network monitoring forests in an era of global change[J]. Global Change Biology, 2015, 21(2):528-549.
[2]	杨海军, 邵全琴, 陈卓奇, 等. 森林碳蓄积量估算方法及其应用分析[J]. 地球信息科学, 2007, 9(4):5-12.
[3]	曾伟生. 森林蓄积量和生物量多元混合模型研建[J]. 林业资源管理, 2021(6):23-28.
[4]	CHRYSAFIS I, GIORGOS M, SOFIA S, et al. Assessing the relationships between growing stock volume and Sentinel-2 imagery in a Mediterranean forest ecosystem[J]. Remote Sensing Letters, 2017, 8(6):508-517.
[5]	陈松, 孙华, 吴童, 等. 基于Sentinel-2与机载激光雷达数据的误差变量联立方程组森林蓄积量反演研究[J]. 中南林业科技大学学报, 2020, 40(12):44-53.
[6]	罗洪斌, 岳彩荣, 张国飞, 等. 基于哑变量和因子选择的森林蓄积量估测研究[J]. 西北林学院学报, 2022, 37(1):205-210.
[7]	刘永新. 基于遥感技术的北京市森林蓄积量估测研究[D]. 长春: 吉林大学, 2021.
[8]	WHITE J C, COOPS N C, WULDER M A, et al. Remote sensing technologies for enhancing forest inventories:A review[J]. Canadian Journal of Romating Sensing, 2016, 42(5):619-641.
[9]	庞勇, 李增元. 基于机载激光雷达的小兴安岭温带森林组分生物量反演[J]. 植物生态学报, 2012, 36(10):1095-1105.
[10]	方志良, 陈奇, 任引, 等. 基于机载激光雷达的亚热带森林生物量估算模型研究[J]. 林业调查规划, 2021, 46(6):1-8.
[11]	许涵, 李艳朋, 洪小江, 等. 海南热带雨林国家公园中国最美的原始热带雨林[J]. 森林与人类, 2021(11):98-113.
[12]	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.
[13]	甘世书, 贺鹏, 肖前辉, 等. 利用分段建模方法建立海南省主要树种立木材积模型[J]. 中南林业科技大学学报, 2018, 38(5):18-22.
[14]	吴发云, 高显连, 周蓉, 等. 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(2):61-67.
[15]	马利群, 李爱农. 激光雷达在森林垂直结构参数估算中的应用[J]. 世界林业研究, 2011, 24(1):41-45.
[16]	李春干, 李振. 机载激光雷达大区域亚热带森林参数估测的普适性模型式[J]. 林业科学, 2021, 57(10):23-35.
[17]	王金亮, 程峰, 王成, 等. 基于ICESat-GLAS数据估算复杂地形区域森林蓄积量潜力初探:以云南香格里拉县为例[J]. 遥感技术与应用, 2012, 27(1):45-50.
[18]	李丹, 庞勇, 岳彩荣. 地基激光雷达在森林参数反演中的应用[J]. 世界林业研究, 2012, 25(6):34-39.
[19]	刘鲁霞, 庞勇. 机载激光雷达和地基激光雷达林业应用现状[J]. 世界林业研究, 2014, 27(1):49-56.
[20]	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.
[21]	高凌寒, 张晓丽, 陈园园. 用机载LiDAR点云数据估测海南博鳌人工经济林单木参数[J]. 农业工程学报, 2021, 37(16):169-176.
[22]	邓焯, 李斌, 范光鹏, 等. 基于机载激光雷达点云的桉树林分蓄积量估算模型构建[J]. 浙江农林大学学报, 2022, 39(6):1330-1339.
[23]	曾伟生, 孙乡楠, 王六如, 等. 基于机载激光雷达数据的森林蓄积量模型研建[J]. 林业科学, 2021, 57(2):31-38.

树种	高	较高	中等	较低	低
相思(Acacia confusa)	>22.8	>18.0~22.8	>13.2~18.0	>8.4~13.2	≤8.4
橡胶(Hevea brasiliensis)	>19.3	>15.3~19.3	>11.4~15.3	>7.4~11.4	≤7.4
桉树(Eucalyptus robusta)	>23.6	>18.4~23.6	>13.2~18.4	>8.0~13.2	≤8.0

树种	样地数量/ 个	平均胸径/cm			平均树高/m			公顷蓄积/(m³/hm²)
树种	样地数量/ 个	平均值	最大值	最小值	平均值	最大值	最小值	平均值	最大值	最小值
相思(Acacia confusa)	30	21.8	40.9	7.3	16.0	23.7	4.6	195.4	373.7	3.9
橡胶(Hevea brasiliensis)	54	17.3	38.1	6.7	13.5	21.3	6.1	102.1	230.9	6.8
桉树(Eucalyptus robusta)	50	16.3	31.7	5.6	16.5	24.7	6.2	189.4	532.9	3.4

变量类型	变量名称	变量	变量说明	变量个数
盖度类	郁闭度	H_CC	首次回波的植被点数(高于2 m)与首次回波点数的比值	1
高度类	高度中位数	H_madmedian	激光点云高度中位数绝对偏差的中位数	1
	高度最大值	H_max	所有回波点高度值的最大值	1
	高度最小值	H_min	所有回波点高度值的最小值	1
	高度平均值	H_mean	所有回波点高度值的平均值	1
	高度百分位数 (1%-99%)	H_1st-H_99th	归一化的激光点云按高度进行排序,然后计算每一统计单元内*%的点所在的高度,即1%、5%、10%、20%、25%、30%、40%、50%、60%、70%、75%、80%、90%、95%、99%	15
密度类	密度变量 (0~9)	D₀—D₉	将点云数据从低到高分成10个相同高度的切片,每层回波数的比例就是相应的密度变量,分别为0%~<10%、10%~<20%、20%~<30%、30%~<40%、40%~<50%、50%~<60%、60%~<70%、70%~<80%、80%~<90%和90%~100%	10
强度类	强度中位数	I_madmedian	激光点云强度中位数绝对偏差的中位数	1
	强度最大值	I_max	所有回波点强度值的最大值	1
	强度最小值	I_min	所有回波点强度值的最小值	1
	强度平均值	I_mean	所有回波点强度值的平均值	1
	强度百分位数 (1%~99%)	I_1st-I_99th	归一化的激光点云按强度进行排序,然后计算每一统计单元内强度百分位数对应的点所在的强度,即1%、5%、10%、20%、25%、30%、40%、50%、60%、70%、75%、80%、90%、95%、99%	15

树种	方法	模型公式
相思(Acacia confusa)	1	V=11.359H_mean+262.840H_CC-146.063
	2	V=12.956H_75th-0.004I_40th+64.422
	3	V=16.453H_75th+0.027I_madmedian-21.513H_1st-144.319
橡胶(Hevea brasiliensis)	1	V=14.990H_mean-69.129H_CC-17.040
	2	V=11.830H_60th-83.336D₃-27.884
	3	V=30.380H_60th-19.900H_mean-43.743
桉树(Eucalyptus robusta)	1	V=14.704H_mean+396.791H_CC-237.515
	2	V=16.805H_70th-240.977D₀-142.675
	3	V=310.262H_CC+11.299H_70th-206.475

树种	方法	决定系数	均方根误差/(m³/hm²)	平均绝对百分比误差/%	总相对误差/%
相思 (Acacia confusa)	1	0.621	60.484	79.578	0.001
	2	0.717	52.463	63.569	-1.655
	3	0.797	44.387	47.902	-0.746
橡胶 (Hevea brasiliensis)	1	0.752	33.561	50.810	0.001
	2	0.868	24.133	35.418	0.001
	3	0.917	20.435	31.794	0.004
桉树 (Eucalyptus robusta)	1	0.783	61.351	67.627	-1.004
	2	0.729	69.603	74.307	-0.922
	3	0.773	63.740	61.278	0.908