全 文 ：基于机载激光雷达的中亚热带常绿阔叶林林窗特征∗
刘　 峰１　 谭　 畅１∗∗　 王　 红１　 张　 江１　 万　 颖２　 龙江平１　 刘芮希１
（ １中南林业科技大学理学院， 长沙 ４１０００４； ２湖北民族学院科技学院， 湖北恩施 ４４５０００）
摘　 要　 机载激光雷达（ＬｉＤＡＲ）是一种新型主动式遥感技术，能直接获取多尺度高精度的冠
层三维结构信息，将其推广到森林干扰生态学领域，可为林窗研究提供应用支撑．以湖南中亚
热带常绿阔叶林为研究对象，利用小光斑 ＬｉＤＡＲ 数据进行林窗识别和几何特征估测．选择合
适的分辨率和内插方法生成冠层高程模型，采用计算机图形学方法估测林窗面积、边界木高
度和形状指数，并进行野外观测验证．结果表明： 林窗识别率为 ９４．８％，主要影响因素是林窗
面积和林窗形成木类型；估测的林窗面积和边界木高与野外观测值呈较强线性相关，Ｒ２值分
别为 ０．９６２和 ０．８７８，其中估测的林窗面积平均比野外观测值高 １９．９％，估测的林窗边界木高
度平均比野外观测值低 ９．９％；区域内林窗密度为 １２．８ 个·ｈｍ－２，占森林面积 １３．３％；林窗面
积、边界木高和形状指数的平均值分别为 ８５．０６ ｍ２、１５．３３ ｍ和 １．７１，区域内多为较小面积、边
缘效应不太显著的林窗．
关键词　 机载激光雷达； 林窗特征； 中亚热带； 常绿阔叶林
文章编号　 １００１－９３３２（２０１５）１２－３６１１－０８　 中图分类号　 Ｓ７１８．５； ＴＮ９５８ 　 文献标识码　 Ａ
Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｏｆ ｍｉｄ⁃ｓｕｂｔｒｏｐｉｃａｌ ｅｖｅｒｇｒｅｅｎ ｂｒｏａｄ⁃ｌｅａｖｅｄ ｆｏｒｅｓｔ ｇａｐ ｂａｓｅｄ ｏｎ ｌｉｇｈｔ ｄｅｔｅｃ⁃
ｔｉｏｎ ａｎｄ ｒａｎｇｉｎｇ （ＬｉＤＡＲ ） ． ＬＩＵ Ｆｅｎｇ１， ＴＡＮ Ｃｈａｎｇ１，ＷＡＮＧ Ｈｏｎｇ１， ＺＨＡＮＧ Ｊｉａｎｇ１， ＷＡＮ
Ｙｉｎｇ２， ＬＯＮＧ Ｊｉａｎｇ⁃ｐｉｎｇ１， ＬＩＵ Ｒｕｉ⁃ｘｉ１ （ １Ｃｏｌｌｅｇｅ ｏｆ Ｓｃｉｅｎｃｅ， Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｏｒｅｓｔｒｙ
ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｃｈａｎｇｓｈａ ４１０００４， Ｃｈｉｎａ； ２Ｃｏｌｌｅｇｅ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｈｕｂｅｉ Ｕｎｉｖｅｒｓｉｔｙ
ｆｏｒ Ｎａｔｉｏｎａｌｉｔｉｅｓ， Ｅｎｓｈｉ ４４５０００， Ｈｕｂｅｉ， Ｃｈｉｎａ） ． ⁃Ｃｈｉｎ． Ｊ． Ａｐｐｌ． Ｅｃｏｌ．， ２０１５， ２６（１２）： ３６１１－
３６１８．
Ａｂｓｔｒａｃｔ： Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ （ＬｉＤＡＲ） ｉｓ ａｎ ａｃｔｉｖｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｆｏｒ ａｃｑｕｉ⁃
ｒｉｎｇ ｔｈｒｅｅ⁃ｄｉｍｅｎｓｉｏｎａｌ ｓｔｒｕｃｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｃａｎｏｐｙ ｗｉｔｈ ｈｉｇｈ ａｃｃｕｒａｃｙ ｏｖｅｒ ｍｕｌｔｉｐｌｅ
ｓｐａｔｉａｌ ｓｃａｌｅｓ， ｗｈｉｃｈ ｉｓ ｇｒｅａｔｌｙ ｉｍｐｏｒｔａｎｔ ｔｏ ｔｈｅ ｐｒｏｍｏｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ｅｃｏｌｏｇｙ ａｎｄ ｔｈｅ ａｐ⁃
ｐｌｉｃａｔｉｏｎ ｏｎ ｇａｐｓ． Ｔｈｉｓ ｐａｐｅｒ ｆｏｃｕｓｅｄ ｏｎ ｍｉｄ⁃ｓｕｂｔｒｏｐｉｃａｌ ｅｖｅｒｇｒｅｅｎ ｂｒｏａｄ⁃ｌｅａｖｅｄ ｆｏｒｅｓｔ ｉｎ Ｈｕｎａｎ
Ｐｒｏｖｉｎｃｅ， ａｎｄ ｓｍａｌｌ ｆｏｏｔｐｒｉｎｔ ＬｉＤＡＲ ｐｏｉｎｔ ｄａｔａ ｗｅｒｅ ａｄｏｐｔｅｄ ｔｏ ｉｄｅｎｔｉｆｙ ｃａｎｏｐｙ ｇａｐｓ ａｎｄ ｍｅａｓｕｒｅ
ｇｅｏｍａｇｎｅｔｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｇａｐｓ． Ｔｈｅ ｏｐｔｉｍａｌ ｇｒｉｄ ｍｏｄｅｌ ｒｅｓｏｌｕｔｉｏｎ ａｎｄ ｉｎｔｅｒｐｏｌａｔｉｏｎ ｍｅｔｈｏｄｓ
ｗｅｒｅ ｃｈｏｓｅｎ ｔｏ ｇｅｎｅｒａｔｅ ｃａｎｏｐｙ ｈｅｉｇｈｔ ｍｏｄｅｌ， ａｎｄ ｔｈｅ ｃｏｍｐｕｔｅｒ ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｗａｓ ａｄｏｐｔｅｄ ｔｏ
ｅｓｔｉｍａｔｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｇａｐｓ ｗｈｉｃｈ ｉｎｖｏｌｖｅｄ ｇａｐ ｓｉｚｅ， ｃａｎｏｐｙ ｈｅｉｇｈｔ ａｎｄ ｇａｐ ｓｈａｐｅ ｉｎｄｅｘ， ｔｈｅｎ
ｆｉｅｌｄ ｉｎｖｅｓｔｉｇａｔｉｏｎ ｗａｓ ｕｔｉｌｉｚｅｄ ｔｏ ｖａｌｉｄａｔｅ ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ｒｅｓｕｌｔｓ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｇａｐ ｒｅｃ⁃
ｏｇｎｉｔｉｏｎ ｒａｔｅ ｗａｓ ９４．８％， ａｎｄ ｔｈｅ ｍａｊｏｒ ｉｎｆｌｕｅｎｃｉｎｇ ｆａｃｔｏｒｓ ｗｅｒｅ ｇａｐ ｓｉｚｅ ａｎｄ ｇａｐ ｍａｋｅｒ ｔｙｐｅ． Ｌｉｎｅ⁃
ａｒ ｃｏｒｒｅｌａｔｉｏｎ ｗａｓ ｏｂｓｅｒｖｅｄ ｂｅｔｗｅｅｎ ＬｉＤＡＲ ｅｓｔｉｍａｔｉｏｎ ａｎｄ ｆｉｅｌｄ ｉｎｖｅｓｔｉｇａｔｉｏｎ， ａｎｄ ｔｈｅ Ｒ２ ｖａｌｕｅｓ ｏｆ
ｇａｐ ｓｉｚｅ ａｎｄ ｃａｎｏｐｙ ｈｅｉｇｈｔ ｃａｓｅ ｗｅｒｅ ０．９６２ ａｎｄ ０．８７８， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｆｉｅｌｄ ｉｎｖｅｓｔｉｇａ⁃
ｔｉｏｎ， ｔｈｅ ｓｉｚｅ ｏｆ ｍｅａｎ ｅｓｔｉｍａｔｅｄ ｇａｐ ｗａｓ １９．９％ ｌａｒｇｅｒ ａｎｄ ｔｈｅ ｍｅａｎ ｅｓｔｉｍａｔｅｄ ｃａｎｏｐｙ ｈｅｉｇｈｔ ｗａｓ
９．９％ ｌｅｓｓ． Ｇａｐ ｄｅｎｓｉｔｙ ｗａｓ １２．８ ｇａｐｓ·ｈｍ－２ ａｎｄ ｔｈｅ ａｒｅａ ｏｆ ｇａｐｓ ｏｃｃｕｐｉｅｄ １３．３％ ｏｆ ｔｈｅ ｆｏｒｅｓｔ
ａｒｅａ． Ｔｈｅ ａｖｅｒａｇｅ ｇａｐ ｓｉｚｅ， ｃａｎｏｐｙ ｈｅｉｇｈｔ ａｎｄ ｇａｐ ｓｈａｐｅ ｉｎｄｅｘ ｗｅｒｅ ８５．０６ ｍ２， １５．３３ ｍ ａｎｄ １．７１，
ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｔｈｅ ｓｔｕｄｙ ｓｉｔｅ ｕｓｕａｌｌｙ ｃｏｎｔａｉｎｅｄ ｓｍａｌｌ ｇａｐｓ ｉｎ ｗｈｉｃｈ ｔｈｅ ｅｄｇｅ ｅｆｆｅｃｔ ｗａｓ ｎｏｔ ｏｂｖｉｏｕｓ．
Ｋｅｙ ｗｏｒｄｓ： ｌｉｇｈｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒａｎｇｉｎｇ （ＬｉＤＡＲ）； ｇａｐ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ； ｍｉｄ⁃ｓｕｂｔｒｏｐｉｃｓ； ｅｖｅｒｇｒｅｅｎ
ｂｒｏａｄ⁃ｌｅａｖｅｄ ｆｏｒｅｓｔ．
∗湖南省自然科学基金面上项目（２０１５ＪＪ２２０１）、湖南省教育厅科学研究项目（１３Ｂ１５３，１４Ｃ１１８２）、湖南省高校创新平台开发基金项目（１３Ｋ０６９）
和 ２０１５中南林业科技大学教学改革研究项目资助．
∗∗通讯作者． Ｅ⁃ｍａｉｌ： Ｔａｎｃｈａｎｇ１０１７＠ ｓｉｎａ．ｃｏｍ
２０１５⁃０３⁃１７收稿，２０１５⁃０９⁃１５接受．
应 用 生 态 学 报　 ２０１５年 １２月　 第 ２６卷　 第 １２期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｄｅｃ． ２０１５， ２６（１２）： ３６１１－３６１８
　 　 林窗是一种经常发生的、源于自然和人为的树
冠干扰，即主林层树木因为某种生物性内因（如树
木的年龄和根系特征）、气候外力（如大风、雪、水
灾、泥石流等）或二者的综合作用而发生的生物性
外力（如树木翻倒、折干、虫害等），从而导致森林中
相对连续的林冠层面出现间断，进而影响到林窗的
环境因子变化、小尺度林分格局、群落更新演替过程
的现象［１］ ．林窗研究作为森林循环理论的基础之一，
具有重要的理论和实践意义［２－３］ ．研究内容主要包括
林窗特征、林窗形成原因、林窗环境异质性、林窗对
植物多样性的影响，以及林窗与森林可持续经营的
关系等［４］ ．研究对象主要包括我国的温带红松阔叶
林、亚高山针叶林、中亚热带常绿阔叶林、亚热带山
地雨林、马尾松人工林等［５－９］ ．
近年来，利用遥感数据进行的林窗研究已经涉
及到林窗特征（面积、形状和边界木高度）测量、林
窗时空分布推演以及林窗动态（生成和闭合）分析
等方面，取得了丰硕的研究成果［１０－１４］ ．但是，随着研
究的深入以及森林群落长期定位监测的需要，传统
遥感技术在监测林窗特征时逐渐呈现出局限性：１）
在计算一些冠层结构参数时，由于无法进行复杂的
森林三维结构信息提取，导致群落量测的空间异质
性；２）未能很好解决单个林窗样地尺度与多个林窗
景观尺度之间的推译问题；３）缺乏对微生境多样性
监测的能力，仍需人工实地测量环境因子．
机载激光雷达（ ｌｉｇｈｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒａｎｇｉｎｇ，Ｌｉ⁃
ＤＡＲ）是一种新兴的主动式遥感技术，能在多时空
尺度上获取森林生态系统高精度的植被结构信息、
三维地形特征［１５］ ． ＬｉＤＡＲ 对林窗动态变化的精确、
高效监测和模拟在认识这些变化如何影响林窗形成
机制、干扰状况、更新规律，并促进生物多样性保护
等方面具有巨大潜力．虽然有关 ＬｉＤＡＲ 技术在林窗
研究中的应用已有介绍和讨论［１６－１７］，但是，国内还
少有文章以机载 ＬｉＤＡＲ数据为基础，讨论如何在森
林循环理论研究中应用其技术优势，解决生态学问
题．本文以湖南省雪峰山南麓武冈林场的中亚热带
常绿阔叶林为研究对象，探讨了机载 ＬｉＤＡＲ 估测林
窗数量、林窗面积、林窗边界木高和林窗形状等特征
的能力，并对估测精度进行评价，揭示该区域内林窗
的基本特征．
１　 研究地区与研究方法
１􀆰 １　 试验地概况
研究地区位于湖南省雪峰山东南部的武冈林场
（２６°２５′—２７°００′ Ｎ，１１０°２２′—１１３°３′ Ｅ），地处祁邵
丘陵区，保留了约 １３００ ｈｍ２的原始次生常绿阔叶
林，三面环山，南高北低，海拔多在 ５５０～８５０ ｍ，最高
峰海拔 １３７８ ｍ．该地区属中亚热带季风湿润气候，雨
量充沛，年平均气温 １６ ℃，年均降水量约 １４００ ｍｍ，
山上相对湿度大，无霜期约 ２５０ ｄ，土壤以山地红壤
和黄棕壤为主．植被类型以常绿阔叶林为主，另有落
叶阔叶林、暖性针叶林和常绿落叶阔叶混交林，群落
上层乔木有甜槠 （Ｃａｓｔａｎｏｐｓｉｓ ｅｙｒｅｉ）、青冈栎 （ Ｃｙ⁃
ｃｌｏｂａｌａｎｏｐｓｉｓ ｇｌａｕｃａ）、猴樟（Ｃｉｎｎａｍｏｍｕｍ ｂｏｄｉｎｉｅｒｉ）、
锥栗（Ｃａｓｔａｎｅａ ｈｅｎｒｙｉ）、云山白兰（Ｍｉｃｈｅｌｉａ ｐｌａｔｙｐｅｔａ⁃
ｌａ）、水青冈 （ Ｆａｇｕｓ ｌｏｎｇｉｐｅｔｉｏｌａｔａ）、麻栎 （ Ｑｕｅｒｃｕｓ
ａｃｕｔｉｓｓｉｍａ）、朴树 （ Ｃｅｌｔｉｓ ｓｉｎｅｎｓｉｓ）、马尾松 （ Ｐｉｎｕｓ
ｍａｓｓｏｎｉａｎａ）、杉木（Ｃｕｎｎｉｎｇｈａｍｉａ ｌａｎｃｅｏｌａｔａ）等．主
要灌木有南方荚蒾（Ｖｉｂｕｒｎｕｍ ｆｏｒｄｉａｅ）、山茶（Ｃａｍｅｌ⁃
ｌｉａ ｊａｐｏｎｉｃａ）、胡枝子 （ Ｌｅｓｐｅｄｅｚａ ｂｉｃｏｌｏｒ）、映山红
（Ｒｈｏｄｏｄｅｎｄｒｏｎ ｓｉｍｓｉｉ）、微毛柃（Ｅｕｒｙａ ｈｅｂｅｃｌａｄｏｓ）等．
１􀆰 ２　 试验数据
采用 ＬｉｔｅＭａｐｐｅｒ５６００ 系统获取机载 ＬｉＤＡＲ 点
云数据，时间为 ２０１１年 ６月，航带间重叠率约 ２０％．
ＬｉＤＡＲ点云垂直精度约 ０．６ ｍ，平面精度约 ０．５ ｍ，
平均密度为 ４～６个·ｍ－２ ．高分辨率光学遥感 Ｑｕｉｃｋ⁃
Ｂｉｒｄ影像获取时间为 ２０１２ 年 ７ 月．ＬｉＤＡＲ 点云数据
为 ＬＡＳ 格式，投 影方式为 ＵＴＭ，参考椭球为
ＷＧＳ８４，每个激光点包含坐标值、高度值、强度值、回
波次数等信息．
根据机载 ＬｉＤＡＲ扫描范围进行野外调查，围绕
林区山体不同坡向设置 １１ 条至上而下宽 ２０ ｍ、长
１００～４００ ｍ不等的 ４ 类调查样地（表 １）．采用卷尺
和罗盘仪按照等角椭圆扇形 ８分法 （ Ｉｓｏｇｏｎｉｓｍ
表 １　 样地特征
Ｔａｂｌｅ １　 Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｓａｍｐｌｉｎｇ ｐｌｏｔｓ
样地
Ｐｌｏｔ
海拔
Ａｌｔｉｔｕｄｅ （ｍ）
面积
Ａｒｅａ （ｍ２）
坡度
Ｓｌｏｐ （°）
坡位
Ｐｏｓｉｔｉｏｎ
坡向
Ａｓｐｅｃｔ
林分类型
Ｆｏｒｅｓｔ ｔｙｐｅ
郁闭度
Ｃａｎｏｐｙ ｄｅｎｓｉｔｙ
Ａ ４５０～９００ １７６００ １０～２０ 中坡 阳坡 常绿阔叶林 ０．７
Ｂ ４００～６００ １１４００ ５～１０ 山谷 阳坡 常绿阔叶林＋针阔混交林 ０．８
Ｃ ９００～１２００ ８９５０ ２０～２５ 山脊 阳坡 常绿落叶阔叶混交林 ０．７
Ｄ ＞１２００ ６６００ ２５～４０ 山顶 阴坡 落叶阔叶林 ０．７
２１６３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
Ｅｌｌｉｐｓｅ Ｓｅｃｔｏｒ，ＩＥＳ８） ［４］沿顺时针等间距方位测量从
林窗中心到边缘的距离，确定林窗面积；采用角规法
或伸缩式测高器测量林窗边界木高度；ＤＧＰＳ 或全
站仪测量林窗中心海拔和位置；共调查林窗 ５８个．
１􀆰 ３　 研究方法
１􀆰 ３􀆰 １机载 ＬｉＤＡＲ 数据误差校正 　 机载 ＬｉＤＡＲ 数
据质量是要考虑的一个重要问题．误差来源主要包
括系统误差和随机误差．试验区由多条航带覆盖，航
带间有一定的旁向重叠，由于误差的存在，不同航带
间会出现高程相对偏移，直接影响林窗特征提取精
度．采用 Ｌａｔｙｐｏｖ［１８］提出的基于数据本身的航带间重
叠区误差分析与校正方法，提高数据的精度，并修正
航带的变形．１）选择平坦裸地的地表点为误差分析
的对象，将相邻航带间的重叠区分成 １、９、２５ ｍ２大
小的若干采样单元，分别对应两航带的数据子集，计
算高程测量的平均值、方差及真实值；２）裸地表面
高程（地形高度＋草本植被高度）的变化范围在 ０ ～
２００ ｃｍ，因此可以认为高程大于 ２００ ｃｍ的数据点为
噪音或坏数据，通过滤波处理，减少数据中的随机误
差；３）对于系统误差，结合航带间的相对偏移量，建
立误差变量方程组，通过最小二乘法解出纠正向量，
再利用其对各航带数据进行系统误差消除，使航带
间平均高程差值在－２～２ ｃｍ．
１􀆰 ３􀆰 ２地物表面模型的建立　 机载 ＬｉＤＡＲ点云最直
接获取的地表结构是数字地表模型（ ｄｉｇｉｔａｌ ｓｕｒｆａｃｅ
ｍｏｄｅｌ，ＤＳＭ）．在林地范围内，ＤＳＭ 与数字高程模型
（ｄｉｇｉｔａｌ ｅｌｅｖａｔｉｏｎ ｍｏｄｅｌ，ＤＥＭ）的差值构成冠层高程
模型（ｃａｎｏｐｙ ｈｅｉｇｈｔ ｍｏｄｅｌ，ＣＨＭ），对 ＣＨＭ依据计算
机图形学方法实现林窗识别．另外，ＬｉＤＡＲ生成的高
精度 ＤＥＭ能为林窗分析提供米级地形特征，林窗特
征研究的前提之一是生成包括 ＤＥＭ、ＤＳＭ 和 ＣＨＭ
在内的地物表面模型．学者已就 ＬｉＤＡＲ 点云生成地
物表面模型问题进行了探讨［１９－２１］，并指出点云滤波
方法、栅格分辨率、栅格内插方法、点云密度和地形
起伏程度等方面的因素应综合考虑．
常见的点云滤波方法有线性预测法、倾角滤波、
形态学滤波［２１］等．考虑到区域地形与数据处理效
率，本试验采用 ＴｅｒｒａＳｃａｎ软件的自适应 ＴＩＮ模型滤
波方法（线性预测法的改进型），将原始 ＬｉＤＡＲ点云
分类成地表点云和非地表点云，用以生成 ＤＥＭ 和
ＤＳＭ．
ＤＥＭ通常采用不规则三角网（ＴＩＮ）建模，ＤＳＭ
中包含密度较高且散乱分布的植被点，若也采用
ＴＩＮ，不但增加了建模复杂度，而且易增加林窗边缘
高程的误差，ＴＩＮ 模型转化成栅格模型也会带来额
外误差，试验中 ＤＥＭ和 ＤＳＭ统一采用栅格建模．栅
格分辨率直接影响栅格内插精度及林窗识别，格网
尺寸与其包含点云的个数呈线性关系，选择过大尺
寸的格网，易造成栅格化过程中的信息丢失，反之则
会过度内插．选择格网尺寸应大致与点云平均距离
相当，试验从 ０．１、０．２、０．２５、０．５、０．７５ 和 １ ｍ 的格网
尺寸中选择合适的 ＤＥＭ 和 ＤＳＭ 栅格分辨率，标准
是包含 １个以上点云的单个格网数占总格网数的比
例要适当［２２］ ． ＣＨＭ 是 ＤＥＭ 和 ＤＳＭ 栅格之间的差
值，所以三者的分辨率应一致．
地物表面模型的内插是根据已知若干相邻参考
点的高程求出待定点上的高程值．内插方法有多种，
根据点云的质量和地物环境表现出的效果各有不
同，对表 １ 中 ４ 种样地类型比较反距离权重法（ ｉｎ⁃
ｖｅｒｓｅ ｄｉｓｔａｎｃｅ ｗｅｉｇｈｔｅｄ， ＩＤＷ）、 样条法 （ ｓｐｌｉｎｅｓ，
Ｓｐｌｉｎｅ）、普通克里格法（ ｏｒｄｉｎａｒｙ Ｋｒｉｇｉｎｇ，ＯＫ）、自然
临近法（ｎａｔｕｒａｌ ｎｅｉｇｈｂｏｒ，ＮＮ）、局部多项式法（ ｌｏｃａｌ
ｐｏｌｙｎｏｍｉａｌ，ＬＰ）５种内插方法的适应性．内插邻域选
择最大距离为 １０个点云的圆形区域．采用十折交叉
验证法计算地物表面模型的内插误差（ＲＭＳＥ ｉｎｔｅ）：
ＲＭＳＥ ｉｎｔｅ ＝ ∑
ｎ
ｉ ＝ １
（Ｚ ｉｎｔｅｉ － Ｚｒｅａｌｉ ） ２ ／ ｎ （１）
式中： Ｚ ｉｎｔｅ为内插生成的高程值；Ｚｒｅａｌ为实际高程值．
１􀆰 ３􀆰 ３林窗识别　 林窗本质上是森林冠层的某种状
态，已有学者从 ＣＨＭ 角度对林窗特征进行研
究［２３－２４］ ．为提高林窗特征估测的精度和效率，试验
分为 ２ 步骤：１）树冠识别：应用局部最大值滤波
法［２５］在已消除“噪声”的 ＣＨＭ 上提取树冠顶点，根
据样地单木树冠的特征，滤波核设定成半径为 ７ 个
像素大小的圆形；采用同期高分辨率遥感影像人工
解译进行树冠顶点的验证，根据验证后的树冠顶点，
再利用标记控制分水岭算法［２６］在 ＣＨＭ上进行树冠
边缘提取．２）林窗特征提取：对树冠区域求补集，剔
除林地中溪流沟壑、岩石裸地、池塘或建筑物等非植
被区域，对林窗边界的多边形进行拓扑关系的重建
和优化［２７］，闭合的多边形即可能为林窗，生成林窗
多边形矢量图层（ ｇａｐｓ ｐｏｌｙｇｏｎ ｌａｙｅｒ，ＧＰＬ） （图 １）；
对林窗边缘部分的单木点云进行分割［２８－２９］；单木点
云的高程分位数反演边界木高，选择大于 ２ ／ ３ 林分
高度的单木为林窗边界木．
采用野外观测和高分辨率遥感影像解译相结合
的方式在 ＧＰＬ 上进行验证．林窗识别的条件：１）多
边形面积在４～１０００ ｍ２［２］ ；２）多边形剖面与相邻树
３１６３１２期　 　 　 　 　 　 　 　 　 　 　 刘　 峰等： 基于机载激光雷达的中亚热带常绿阔叶林林窗特征　 　 　 　 　 　
图 １　 基于 ＣＨＭ的林窗识别
Ｆｉｇ．１　 Ｇａｐｓ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ＣＨＭ．
ａ） 冠层高程模型 Ｃａｎｏｐｙ ｈｅｉｇｈｔ ｍｏｄｅｌ （ＣＨＭ）； ｂ） 林窗多边形矢量图层 Ｇａｐｓ ｐｏｌｙｇｏｎ ｖｅｃｔｏｒ ｌａｙｅｒ （ＧＰＬ）． 阴影部分为树冠区域的补集，有标记
的多边形即是符合识别条件的林窗 Ｄｅｌｉｎｅａｔｅｄ ｃａｎｏｐｙ ｓｕｐｐｌｅｍｅｎｔａｒｙ ｓｅｔ （ ｐｏｌｙｇｏｎｓ ｆｉｌｌｅｄ ｗｉｔｈ ｂｉａｓ ｌｉｎｅｓ） ｏｖｅｒｌａｉｄ ｏｎ ＣＨＭ， ｉｄｅｎｔｉｆｉｅｄ ｇａｐｓ ｗｅｒｅ
ｍａｒｋｅｄ．
冠高度差在 ５ ｍ 以上［２３］；３）多边形外缓冲区 １０ ｍ
以内为树冠．
依据 Ｏｈｍａｎ 等［３０］的定义测定，利用 ＡｒｃＧＩＳ 软
件在林窗矢量图上计算每个林窗的形状指数：
Ｓｉ ＝Ｐ ｉ ／ ２ πＡｉ （２）
式中：Ａｉ和 Ｐ ｉ为林窗面积和周长，该值不受林窗面积
的影响，能较好地描述林窗形状［４］ ．Ｓｉ越高，林窗内
部受到的边缘效应越大．
２　 结果与分析
２􀆰 １　 地物表面模型分辨率
以覆盖 １个以上点云的格网数占总格网的比例
（Ｃ１Ｐ）为依据选择地物表面模型的分辨率．在不同
类型样地的三维点云栅格化过程中，Ｃ１Ｐ 随着格网
尺寸增大而增大（图 ２），其中植被点云的 Ｃ１Ｐ 增加
幅度更加明显，当格网尺寸小于０．２５ ｍ时，植被点
图 ２　 地物表面模型栅格分辨率选择
Ｆｉｇ．２　 Ｆｅａｔｕｒｅ ｓｕｒｆａｃｅ ｍｏｄｅｌ ｇｒｉｄ ｒｅｓｏｌｕｔｉｏｎ ｓｅｌｅｃｔｉｏｎ．
Ａ～Ｄ：样地 Ｐｌｏｔｓ； １） 地面点云 Ｇｒｏｕｎｄ ｐｏｉｎｔｓ； ２） 植被点云 Ｖｅｇｅｔａｂｌｅ
ｐｏｉｎｔｓ．
云和地面点云的 Ｃ１Ｐ 控制在 １０％以内．过小尺寸的
格网不仅造成数据过度内插，而且也增加时间复杂
度，所以试验选择 ０．２５ ｍ 为 ＤＳＭ 和 ＤＥＭ 的分辨
率，ＣＨＭ的分辨率也应为 ０．２５ ｍ．
２􀆰 ２　 栅格内插方法选择
依据 Ｇｕｏ等［２０］的研究，试验以地形起伏度和点
云密度为自变量，内插误差 ＲＭＳＥ ｉｎｔｅ为因变量进行
回归分析．根据不同类型样地，分别比较 ＩＤＷ、
Ｓｐｌｉｎｅ、ＯＫ、ＴＩＮ和 ＬＰ 等内插方法在生成 ０．２５ ｍ 分
辨率地物表面模型时的误差（表 ２）．缓坡常绿阔叶
林（Ａ样地）的 ＲＭＳＥ ｉｎｔｅ最小，陡坡落叶阔叶林（Ｄ样
地）的最大．总体上，植被点云的 ＲＭＳＥ ｉｎｔｅ比地面点
云大，而且随着样地坡度、树种混交度的增加，ＲＭ⁃
ＳＥ ｉｎｔｅ增大，Ｒ２呈下降趋势．总体而言，植被点云内插
精度的排序为：ＩＤＷ＞ＬＰ＞ＯＫ＞Ｓｐｌｉｎｅ＞ＮＮ，地面点云
内插精度的排序为：ＯＫ＞ＩＤＷ＞ＬＰ＞Ｓｐｌｉｎｅ＞ＮＮ．试验
分别选择 ＩＤＷ 和 ＯＫ 方法对 ＤＳＭ 和 ＤＥＭ 进行
内插．
２􀆰 ３　 林窗识别
ＬｉＤＡＲ林窗总体识别率为 ９４．８％（表 ３），其中
Ｃ和 Ｄ样地的林窗识别率最高，Ａ、Ｂ样地次之．山脊
和山顶部分（Ｃ、Ｄ样地）的林窗面积比较大，且分布
较分散，ＬｉＤＡＲ 识别率高，山坡中部（Ａ 样地）的一
处漏判原因是林窗矢量图中将相邻两个林窗联成了
一个，山谷部分（Ｂ 样地）林层多为复层结构，由少
量（１～２株）枯立木形成的较小面积的林窗不易被
ＬｉＤＡＲ识别，造成两处漏判．
为判断影响识别率的主要因素，以林窗面积、林
窗形成木类型（翻倒木、折干、枯立和折枝）、林窗形
成木数量、ＬｉＤＡＲ植被点云密度、坡度、坡向为自变
４１６３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
表 ２　 地物表面模型内插方法的误差比较
Ｔａｂｌｅ ２　 Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｅｒｒｏｒ ｏｆ ｆｅａｔｕｒｅ ｓｕｒｆａｃｅ ｍｏｄｅｌ ｉｎｔｅｒｐｏｌａｔｉｏｎ
样地
Ｐｌｏｔ
估测变量
Ｐｒｅｄｉｃｔｏｒ
反距离权重法
Ｉｎｖｅｒｓｅ ｄｉｓｔａｎｃｅ ｗｅｉｇｈｔｅｄ
Ⅰ Ⅱ
样条法
Ｓｐｌｉｎｅ
Ⅰ Ⅱ
普通克里格法
Ｏｒｄｉｎａｒｙ Ｋｒｉｇｉｎｇ
Ⅰ Ⅱ
自然临近法
Ｎａｔｕｒａｌ ｎｅｉｇｈｂｏｒ
Ⅰ Ⅱ
局部多项式法
Ｌｏｃａｌ ｐｏｌｙｎｏｍｉａｌ
Ⅰ Ⅱ
Ａ Ｒ２ ０．８４∗∗ ０．８７∗∗ ０．８２∗∗ ０．８６∗∗ ０．８４∗∗ ０．８７∗∗ ０．７９∗∗ ０．７９∗∗ ０．８３∗∗ ０．８４∗∗
ＲＭＳＥｉｎｔｅ （ｍ） ２．０２ ０．２４ ２．１２ ０．２４ ２．０７ ０．２３ ３．１１ ０．３８ ２．０３ ０．２５
Ｂ Ｒ２ ０．８４∗∗ ０．８７∗∗ ０．８３∗∗ ０．８７∗∗ ０．８４∗∗ ０．８８∗∗ ０．８０∗∗ ０．７８∗∗ ０．８４∗∗ ０．８３∗∗
ＲＭＳＥｉｎｔｅ （ｍ） ２．１６ ０．２４ ２．３１ ０．２６ ２．６５ ０．２１ ３．０４ ０．３９ ２．１５ ０．２５
Ｃ Ｒ２ ０．８２∗∗ ０．８７∗∗ ０．７８∗∗ ０．８７∗∗ ０．８０∗∗ ０．８７∗∗ ０．７７∗∗ ０．８２∗∗ ０．８２∗∗ ０．８４∗∗
ＲＭＳＥｉｎｔｅ （ｍ） ２．５８ ０．２３ ２．７９ ０．２８ ２．６８ ０．２０ ２．８２ ０．３５ ２．５９ ０．２４
Ｄ Ｒ２ ０．７８∗∗ ０．７３∗∗ ０．７１∗ ０．６４∗ ０．７９∗∗ ０．７６∗∗ ０．６９∗ ０．５８∗ ０．７６∗∗ ０．７２∗∗
ＲＭＳＥｉｎｔｅ （ｍ） ３．４３ ０．３８ ３．４９ ０．３８ ３．３９ ０．３６ ３．６１ ０．５１ ３．４７ ０．３８
∗ Ｐ＜０．０５； ∗∗ Ｐ＜０．０１． Ⅰ：植被点云内插误差 Ｖｅｇｅｔａｂｌｅ ｐｏｉｎｔｓ ｉｎｔｅｒｐｏｌａｔｉｏｎ ｅｒｒｏｒ； Ⅱ： 地面点云内插误差 Ｇｒｏｕｎｄ ｐｏｉｎｔｓ ｉｎｔｅｒｐｏｌａｔｉｏｎ ｅｒｒｏｒ， ａｎｄ
ｖａｌｕｅｓ ｏｕｔｓｉｄｅ．
表 ３　 基于 ＬｉＤＡＲ的林窗识别
Ｔａｂｌｅ ３　 Ｇａｐｓ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ＬｉＤＡＲ
样地
Ｐｌｏｔ
样地面积
Ｐｌｏｔ ａｒｅａ
（ｍ２）
林窗个数
Ｇａｐｓ ｎｕｍｂｅｒ
ＬｉＤＡＲ识别
ＬｉＤＡＲ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ
野外观测
Ｆｉｅｌｄ ｓｕｒｖｅｙ
识别率
Ｒｅｃｏｇｎｉｔｉｏｎ
（％）
ＬｉＤＡＲ估测结果
ＬｉＤＡＲ ｅｓｔｉｍａｔｉｏｎ ｒｅｓｕｌｔｓ
林窗面积
Ｇａｐｓ ａｒｅａ （ｍ２）
边界木高
Ｃａｎｏｐｙ ｈｅｉｇｈｔ （ｍ）
Ａ １７６００ ２０ ２１ ９５．２ ５３．８５ １２．４１
Ｂ １１４００ １７ １９ ８９．５ ６５．００ １５．０９
Ｃ ８９５０ １０ １０ １００ １１５．５０ １２．３１
Ｄ ６６００ ８ ８ １００ １６６．８７ １２．０３
总计 Ｔｏｔａｌ ４４５５０ ５５ ５８ ９４．８ １００．２４ １３．２２
表 ４　 二元 Ｌｏｇｉｓｔｉｃｓ回归方程系数和共线性检验结果
Ｔａｂｌｅ ４　 Ｒｅｓｕｌｔｓ ｏｆ Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｃｏｅｆｆｉｃｉｅｎｔｓ ａｎｄ ｃｏｌｌｉｎｅａｒｉｔｙ
模型系数
Ｃｏｅｆｆｉｃｉｅｎｔ
回归系数
Ｒｅｇｒｅｓｓｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
标准误差
Ｓｔａｎｄａｒｄ
ｅｒｒｏｒ
Ｗａｌｄ统计量
Ｗａｌｄ
ｓｔａｔｉｓｔｉｃｓ
显著性
Ｓｉｇｎｉｆｉｃａｎｃｅ
优势比
Ｏｄｄｓ ｒａｔｅ
方差膨胀因子
Ｖａｒｉａｎｃｅ
ｅｘｐａｎｓｉｏｎ ｆａｃｔｏｒ
常量 Ｃｏｎｓｔａｎｔ －３．４５４ ３．０７５ １．２６２ ０．０２２ ０．０３２
林窗面积 Ｇａｐ ａｒｅａ ０．２６９ ０．１４７ ３．３３８ ０．０３８ １．３０８ １．７５４
林窗形成木类型 Ｇａｐ ｍａｒｋｅｒ －０．０３５ ０．５８０ ０．００４ ０．０１３ ０．９９６ １．２９１
量，林窗识别正确与否为因变量，以向前步进方法做
二元 Ｌｏｇｉｓｔｉｃ回归分析（表 ４）．回归方程为：
Ｐ（Ｙ） ＝ １ ＋ ｅ ＾ － （ － ３． ４５４ ＋ ０． ２６９∗ ａｒｅａ － ０． ０３５∗
ｍａｒｋｅｒ）
式中：ａｒｅａ为林窗面积；ｍａｒｋｅｒ 为林窗形成木类型．
Ｈｏｓｍｅｒ⁃Ｌｅｍｅｓｈｏｗ 检验的卡方为 １０．６０８（小于临界
值 １５．５０７），显著性为 ０．４２９，说明模型拟合效果和
显著性都很好．方差膨胀因子＜２，说明自变量之间的
共线性干扰较小．根据自变量的筛选和优势比取值，
说明影响林窗识别率的主要因素是林窗面积和林窗
形成木类型，且前者的贡献率比后者大．
　 　 对比不同样地的 ＬｉＤＡＲ 和野外观测林窗面积
中位数（图 ３），说明 ＬｉＤＡＲ 估测的林窗面积通常比
野外的大，Ｃ 和 Ｄ 样地的差别比较明显，而 Ａ 和 Ｂ
样地的差别则较小．
用配对 Ｔ检验法比较 ＬｉＤＡＲ 与野外观测林窗
面积的差异（表５） ．两者配对的面积差值正态分布
图 ３　 ＬｉＤＡＲ（ａ）与野外观测（ｂ）的林窗面积和边界木高
Ｆｉｇ．３　 ＬｉＤＡＲ （ａ） ａｎｄ ｆｉｅｌｄ （ｂ） ｓｕｒｖｅｙ ｇａｐ ａｒｅａ ａｎｄ ｃａｎｏｐｙ
ｈｅｉｇｈｔ．
５１６３１２期　 　 　 　 　 　 　 　 　 　 　 刘　 峰等： 基于机载激光雷达的中亚热带常绿阔叶林林窗特征　 　 　 　 　 　
表 ５　 ＬｉＤＡＲ与野外观测林窗面积和边界木高的配对 Ｔ检验和回归分析结果
Ｔａｂｌｅ ５　 ＬｉＤＡＲ⁃ｆｉｅｌｄ ｓｕｒｖｅｙ ｇａｐ ａｒｅａ， ｃａｎｏｐｙ ｈｅｉｇｈｔ ｐａｉｒｅｄ ｓａｍｐｌｅｓ Ｔ ｔｅｓｔ ａｎｄ ｒｅｇｒｅｓｓｉｏｎ
样地　 　 　 　
Ｐｌｏｔ　 　 　 　
ＬｉＤＡＲ与野外观测的配对 Ｔ检验
ＬｉＤＡＲ⁃ｆｉｅｌｄ ｓｕｒｖｅｙ ｐａｉｒｅｄ ｓａｍｐｌｅｓ Ｔ ｔｅｓｔ
Ｓｉｇ． Ｐ 配对差异均值±标准差
Ｄｉｆｆｅｒｅｎｃｅ ｍｅａｎ±ｓｔａｎｄａｒｄ
ｄｅｖｉａｔｉｏｎ
差异百分比
Ｄｉｆｆｅｒｅｎｃｅ ｐｅｒｃｅｎｔ
（％）
回归方程
Ｒｅｇｒｅｓｓｉｏｎ ｅｑｕａｔｉｏｎ
相关系数
Ｒ２
林窗面积 Ａ ０．７８９ ０．００１ ９．１６±１．６１ ＋１７．０１ ｙ＝ １．１４２ｘ＋２．９０２ ０．９４７
Ｇａｐｓ ａｒｅａ Ｂ ０．８２１ ０．００１ ５．７４±１．２６ ＋８．８３ ｙ＝ １．０９７ｘ－０．０７１ ０．９６７
（ｍ２） Ｃ ０．６４１ ０．００２ ２４．０２±５．４６ ＋２０．７９ ｙ＝ １．１２１ｘ＋１２．９７５ ０．６５１
Ｄ ０．８９９ ０．０２３ ３１．３５±８．８１ ＋１８．７９ ｙ＝ １．４２５ｘ－２６．１９９ ０．９８１
平均 Ｍｅａｎ ０．０８２ ０．００１ １９．９７±２．３０ ＋１９．９２ ｙ＝ １．２８８ｘ－６．５７７ ０．９６２
边界木高 Ａ ０．３８４ ０．１７９ －０．９２±０．１５ －７．４ ｙ＝ ０．９１８ｘ＋０．６３２ ０．８８３
Ｃａｎｏｐｙ ｈｅｉｇｈｔ Ｂ ０．８２７ ０．４３１ －１．１５±０．１８ －７．６ ｙ＝ ０．９４１ｘ＋０．３１２ ０．９５５
（ｍ） Ｃ ０．７９５ ０．１２１ －１．３４±０．３７ －１０．９ ｙ＝ ０．７５７ｘ＋２．２００ ０．７８３
Ｄ ０．７５８ ０．１１３ －１．８１±０．３７ －１５．１ ｙ＝ ０．６９４ｘ＋２．８４５ ０．７２８
平均 Ｍｅａｎ ０．５２８ ０．１４６ －１．３１±０．１２ －９．９ ｙ＝ ０．９１６ｘ＋０．４６８ ０．８７８
Ｓｉｇ．： 配对差值正态分布显著性 Ｐａｉｒｅｄ ｓａｍｐｌｅｓ ｄｉｆｆｅｒｅｎｃｅ ｎｏｒｍａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｓｉｇｎｉｆｉｃａｎｃｅ； Ｐ： 配对 Ｔ检验双侧显著性 Ｐａｉｒｅｄ ｓａｍｐｌｅｓ Ｔ ｔｅｓｔ ｂｉｌａｔｅｒａｌ
ｓｉｇｎｉｆｉｃａｎｃｅ； ｙ： ＬｉＤＡＲ估测 ＬｉＤＡＲ ｅｓｔｉｍａｔｉｏｎ； ｘ： 野外观测 Ｆｉｅｌｄ ｓｕｒｖｅｙ．
显著性都大于 ０．０５，说明利用配对 Ｔ 检验法具有统
计学意义．配对 Ｔ 检验的原假设是面积差值的分布
符合平均值为 ０ 的 ｔ 分布，双侧显著性 Ｐ 都小于
０􀆰 ０５，说明 ＬｉＤＡＲ与野外观测的林窗面积有显著差
异．总体而言，ＬｉＤＡＲ估测的林窗面积平均比野外观
测值高 １９．９％，其中，Ｃ 样地的差异最大，为 ２０．８％，
Ｂ样地的差异最小，为 ８．８％．分别以 ＬｉＤＡＲ 和野外
观测的林窗面积为因变量和自变量进行线性回归分
析，得到的相关系数（Ｒ２）为 ０．９６２，说明两者具有强
线性相关性，回归方程的斜率大于 １，说明 ＬｉＤＡＲ估
测的林窗面积通常大于野外观测．
依据相关研究结果，选择林窗边界木点云百分
位高度 Ｈ９０反演林窗边界木高［２８
－２９］ ．对比不同样地
的 ＬｉＤＡＲ和野外观测林窗边界木高的中位数（图
３），说明 ＬｉＤＡＲ估测的林窗边界木高度通常比野外
观测值低，但总体差别不明显．
用配对 Ｔ检验法比较 ＬｉＤＡＲ 估测与野外观测
林窗边界木高的差异（表 ５）．两者配对的高度差值
正态分布显著性大于 ０．０５，说明利用配对 Ｔ 检验法
具有统计学意义，配对 Ｔ 检验双侧显著性为 ０．１４６
（＞０．０５），维持原检验假设，即两者测量的林窗边界木
高没有显著差异．总体而言，ＬｉＤＡＲ 估测比野外观测
的低 ９．９％．回归模型的 Ｒ２ 值为 ０．８７８，说明两者具有
较强的线性相关性，回归方程的斜率接近于 １且常数
项很小，也说明两者测量的边界木高相差无几．
２􀆰 ４　 区域内林窗基本特征
利用 ＬｉＤＡＲ数据在 １．８ ｋｍ２的森林调查区域中
共识别出 ２２９９ 个林窗，林窗密度为 １２．８ 个·ｈｍ－２ ．
林窗面积在 ４．０３～７４７．３６ ｍ２，均值为 ８５．０６ ｍ２，总面
积 ２３８８６０ ｍ２，占森林调查区域的 １３．３％．林窗面积
集中分布在 ５７．６９ ～ １０６．２５ ｍ２，其中，５７．６９ ～ ７２．６３
ｍ２所占数量比例最大，７２．６３～１０６．２６ ｍ２次之（表 ６）．
林窗面积特征分布的偏度为 ２．５１３，说明其具有正偏
离性，即多为较小面积的林窗．
林窗边界木高与森林类型和群落的发育程度有
关，调查区域内林窗边界木高基本处于 ９．３８ ～ ２０．１２
ｍ，平均高 １５．３３ ｍ，最高 ２２．６４ ｍ，最小 ７．８１ ｍ（表
６），与该区植被 １０ ～ ２５ ｍ 的平均高度相吻合．林窗
边界木高的特征分布偏度为 １．１０４，说明其接近正态
分布，即不同边界木高的数量比例分布比较均衡．
区域内林窗形状指数（Ｓｉ）的均值为 １．７１，最大
３􀆰 ８５，最小 １．０７，集中分布在 １．３２～２．０３（表 ６），Ｓｉ分
布的偏度为 ２．２１７，说明其具有正偏离性，即多为较
小形状指数、边缘效应不太显著的林窗．
表 ６　 林窗基本特征
Ｔａｂｌｅ ６　 Ｇａｐｓ ｂａｓｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ
林窗特征
Ｇａｐｓ ｃｈａｒａｃｔｅｒｉｓｔｉｃ
平均值
Ｍｅａｎ
最大值
Ｍａｘｉｍｕｍ
最小值
Ｍｉｎｉｍｕｍ
中位数
Ｍｅｄｉａｎ
下四分位数
Ｑ２５
上四分位数
Ｑ７５
偏度
Ｓｋｅｗｎｅｓｓ
面积 Ａｒｅａ （ｍ２） ８５．０６ ７４７．３６ ４．０３ ７２．６３ ５７．６９ １０６．２５ ２．５１３
边界木高 Ｃａｎｏｐｙ ｈｅｉｇｈｔ （ｍ） １５．３３ ２２．６４ ７．８１ １４．８９ ９．３８ ２０．１２ １．１０４
形状指数 Ｓｈａｐｅ ｉｎｄｅｘ １．７１ ３．８５ １．０７ １．４９ １．３２ ２．０３ ２．２１７
６１６３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
３　 讨　 　 论
林窗是森林生态系统中最普遍、最重要的小尺
度干扰，是森林生态系统更新演替的驱动要素．林窗
研究的基础是准确测量林窗面积、林窗边界木高度
和林窗形状等几何特征．有关林窗几何特征的研究
很多［４，３１］，但传统手工测量方法有其局限性：１）大范
围样方数据采集难以在短时间内完成，且需要耗费
大量人力、物力；２）受人工操作、自然条件等因素的
影响，整体结果往往并不完全客观、稳定［３１］ ．近年
来，ＬｉＤＡＲ技术在诸如森林生物量反演、数字高程模
型的建立以及森林结构参数的提取等方面已经取得
了实质性进展，将 ＬｉＤＡＲ推广到森林干扰生态学领
域，为林窗研究提供更多应用支撑具有重要意义．
本研究表明，机载 ＬｉＤＡＲ能实现跨尺度林窗数
量、面积、边界木高度和形状等特征的准确、高效监
测．选择何种内插方法、插值生成数据的分辨率大
小，都会影响地物表面模型的有效性和稳定性［１５］ ．
以覆盖 １个以上点云的格网数占总格网的比例为依
据选择 ＤＥＭ和 ＣＨＭ 的栅格分辨率．在给定地形起
伏度和点云密度情况下，分别选择反距离权重法
（ＩＤＷ）和普通克里格法（ＯＫ）对植被点云和地面点
云进行高精度内插．本研究结果将有助于其他研究
者在给定栅格分辨率、点云密度和地形起伏程度等
条件下，利用 ＬｉＤＡＲ数据生成 ＤＥＭ和 ＣＨＭ时选择
合适的内插方法．
基于 ＬｉＤＡＲ的林窗识别率为 ９４．８％（表 ３），主
要影响因素是林窗面积和林窗形成木类型（表 ４）．
由于 ＬｉＤＡＲ数据的高分辨率，对大面积林窗的识别
很可靠；但在小面积林窗中，枯立和折枝情况可能会
使林窗内植被点云密度有所增加，造成 ＣＨＭ 中林
窗剖面与相邻树冠高度差达不到 ５ ｍ 阈值，抑或造
成 ＧＰＬ 中多边形面积进一步减少，达不到 ４ ｍ２阈
值，最终导致对小面积林窗的错判．而有效加入植被
光谱信息或改进冠层边缘提取方法或能解决这一
问题．
等角椭圆扇形 ８ 分法（ＩＥＳ８）是一种操作性强、
性能较稳定的林窗面积野外观测方法．根据朱教君
等［４］的研究结果，林窗面积的真实值应该比 ＩＥＳ８测
出的大 １８．７％ ～ ２６．２％，而 ＬｉＤＡＲ 估测的林窗面积
平均比 ＩＥＳ８高 １９．９％左右（表 ５），说明 ＬｉＤＡＲ获取
的林窗面积更接近真实值．山谷样地的林窗形状大
都是较规则的近似椭圆形， ＬｉＤＡＲ 与 ＩＥＳ８ 只有
８􀆰 ８％的差异，而山脊和山顶样地的林窗形状大都不
规则，两者差异达 ２０．８％，说明在量算大面积、不规
则林窗时 ＬｉＤＡＲ比 ＩＥＳ８准确、可靠．
研究区域内林窗面积多在 ５７．６９～１０６．２５ ｍ２，其
中，５７．６９～７２．６３ ｍ２所占数量比例最大，林窗密度为
１２．７７ 个·ｈｍ－２，这与其他中亚热带常绿阔叶林
相［６－７］基本一致．林窗形成方式多以冰雪造成的机械
性折干或折枝，其通常没有温带红松林掘根风倒形
成的林窗面积大．部分地段的森林历史上曾进行过
择伐，具有一定的次生性．这也是区域内林窗面积和
林窗形状指数偏小的原因．
ＬｉＤＡＲ获取的林窗边界木高度比野外观测的平
均低 ９．９％（表 ５），在地形陡峭的山脊或山顶部分的
林窗边界木高度估测误差为 １５．１％左右，缓坡处的
边界木高度误差只有 ７％左右．这与刘清旺等［２９］研
究的 ＬｉＤＡＲ单木树高估测精度相似．究其原因：一
是由于 ＬｉＤＡＲ点云是离散形式的，真正反映边界木
树冠顶部数据较少，大都是树冠稍低部位的信息；二
是由于地形对树高估测精度有影响［２８］ ．因此，应适
当扩大机载 ＬｉＤＡＲ航带间重叠区域，增加点云的密
度，尽量选择扫描角度小的 ＬｉＤＡＲ 数据，减少高程
测量误差，削弱地形的影响．
综上所述，机载 ＬｉＤＡＲ具备高采集速度和大范
围获取冠层三维结构特征的能力，是高效描述林窗
特征的有效工具．ＬｉＤＡＲ有很高的林窗识别率，可较
高精度地估测林窗面积、边界木高和形状等林窗几
何特征．区域内林窗面积多在 ５７．６９ ～ １０６．２５ ｍ２，边
界木高多在 ９．３８ ～ ２０． １２ ｍ，形状指数多在 １． ３２ ～
２􀆰 ０３，说明区域内多为较小面积、边缘效应不太显著
的林窗．林窗研究周期长，开展连续和深入的研究尤
为重要．利用包括机载 ＬｉＤＡＲ 在内的多源遥感数据
开展林窗动态研究，揭示其与森林结构、物种组成和
生物多样性之间的关系，将是下一步的工作目标．
参考文献
［１］　 Ｆｅｉ Ｓ⁃Ｍ （费世民）， Ｈｅ Ｙ⁃Ｐ （何亚平）， Ｈｅ Ｆ （何　
飞）， ｅｔ ａｌ． Ｒｅｖｉｅｗ ａｎｄ ｐｒｏｓｐｅｃｔｓ ｏｎ ｓｏｍｅ ｑｕｅｓｔｉｏｎｓ ｏｆ
ｆｏｒｅｓｔ ｇａｐｓ． Ｊｏｕｒｎａｌ ｏｆ Ｓｉｃｈｕａｎ Ｆｏｒｅｓｔｒｙ Ｓｃｉｅｎｃｅ ａｎｄ
Ｔｅｃｈｎｏｌｏｇｙ （四川林业科技）， ２００９， ３０（４）： ２８－ ３７
（ｉｎ Ｃｈｉｎｅｓｅ）
［２］　 Ｚａｎｇ Ｒ⁃Ｇ （臧润国）， Ｌｉｕ Ｊ⁃Ｙ （刘静艳）， Ｄｏｎｇ Ｄ⁃Ｆ
（董大方）． Ｇａｐ Ｄｙｎａｍｉｃｓ ａｎｄ Ｆｏｒｅｓｔ Ｂｉｏｄｉｖｅｒｓｉｔｙ． Ｂｅｉ⁃
ｊｉｎｇ： Ｃｈｉｎａ Ｆｏｒｅｓｔｒｙ Ｐｒｅｓｓ， １９９９ （ｉｎ Ｃｈｉｎｅｓｅ）
［３］　 Ｚｈｕ Ｊ⁃Ｊ （朱教君）， Ｌｉｕ Ｚ⁃Ｇ （刘足根）． Ａ ｒｅｖｉｅｗ ｏｎ
ｄｉｓｔｕｒｂａｎｃｅ ｅｃｏｌｏｇｙ ｏｆ ｆｏｒｅｓｔ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ
Ｅｃｏｌｏｇｙ （应用生态学报）， ２００４， １５（１０）： １７０３－１７１０
（ｉｎ Ｃｈｉｎｅｓｅ）
［４］　 Ｚｈｕ Ｊ⁃Ｊ （朱教君）， Ｌｉｕ Ｓ⁃Ｓ （刘世荣）． Ｓｔｕｄｉｅｓ ｏｎ Ｄｉｓ⁃
ｔｕｒｂａｎｃｅ Ｅｃｏｌｏｇｙ ｏｆ Ｆｏｒｅｓｔ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎｅｓｅ Ｆｏｒｅｓｔｒｙ
７１６３１２期　 　 　 　 　 　 　 　 　 　 　 刘　 峰等： 基于机载激光雷达的中亚热带常绿阔叶林林窗特征　 　 　 　 　 　
Ｐｒｅｓｓ， ２００７（ｉｎ Ｃｈｉｎｅｓｅ）
［５］　 Ｚｈａｏ Ｘ⁃Ｈ （赵秀海）， Ｚｈａｎｇ Ｃ⁃Ｙ （张春雨）， Ｚｈｅｎｇ Ｊ⁃
Ｍ （郑景明）． Ｃｏｒｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｇａｐ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｔｒｅｅ
ｄｉｖｅｒｓｉｔｙ ｏｆ ｍｉｘｅｄ⁃ｂｒｏａｄ⁃ｌｅａｖｅｄ Ｋｏｒｅａｎ ｐｉｎｅ ｆｏｒｅｓｔｓ ｉｎ
Ｎｏｒｔｈｅａｓｔ Ｃｈｉｎａ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应
用生态学报）， ２００５， １６（１２）： ２２３６－ ２２４０ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［６］　 Ｓｈｅｎ Ｚ⁃Ｈ （沈泽昊）， Ｌｉ Ｄ⁃Ｘ （李道兴）， Ｗａｎｇ Ｇ⁃Ｆ
（王功芳）． Ｓｔｕｄｉｅｓ ｏｎ ｔｈｅ ｇａｐ ｄｉｓｔｕｒｂａｎｃｅ ｏｆ ｔｈｅ ｍｏｕｎ⁃
ｔａｉｎ ｍｉｘｅｄ ｆｏｒｅｓｔｓ ｏｆ ｅｖｅｒｇｒｅｅｎ ａｎｄ ｄｅｃｉｄｕｏｕｓ ｂｒｏａｄ⁃
ｌｅａｖｅｄ ｓｐｅｃｉｅｓ ａｔ ＭＴ． Ｄａｂａｏｌｉｎｇ ｉｎ ｔｈｅ Ｔｈｒｅｅ Ｇｏｒｇｅｓ． Ｉ．
Ｔｈｅ ｅｓｓｅｎｔｉａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｇａｐｓ． Ａｃｔａ Ｐｈｙｔｏｅｃｏ⁃
ｌｏｇｉｃａ Ｓｉｎｉｃａ （植物生态学报）， ２００１， ２５（３）： ２７６－
２８２ （ｉｎ Ｃｈｉｎｅｓｅ）
［７］　 Ｙａｎ Ｓ⁃Ｊ （闫淑君）， Ｈｏｎｇ Ｗ （洪　 伟）， Ｗｕ Ｚ⁃Ｃ （吴
承祯）， ｅｔ ａｌ． Ｇａｐｓ ａｎｄ ｔｈｅｉｒ ｎａｔｕｒａｌ ｄｉｓｔｕｒｂａｎｃｅ ｃｈａｒａｃ⁃
ｔｅｒｉｓｔｉｃｓ ｉｎ ｍｉｄ⁃ｓｕｂｔｒｏｐｉｃａｌ ｅｖｅｒｇｒｅｅｎ ｂｒｏａｄ⁃ｌｅａｖｅｄ ｆｏｒｅｓｔ
ｉｎ Ｗａｎｍｕｌｉｎ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应用
生态学报）， ２００４， １５（７）： １１２６－１１３０ （ｉｎ Ｃｈｉｎｅｓｅ）
［８］ 　 Ｗｕ Ｎ （吴 宁）． Ｄｙｎａｍｉｃｓ ｏｆ ｆｏｒｅｓｔ ｇａｐｓ ｉｎ ｓｕｂａｌｐｉｎｅ
ｃｏｎｉｆｅｒｏｕｓ ｆｏｒｅｓｔｓ ｏｎ ｔｈｅ ｅａｓｔｅｒｎ ｓｌｏｐｅ ｏｆ Ｇｏｎｇｇａ Ｍｏｕｎ⁃
ｔａｉｎ． Ａｃｔａ Ｐｈｙｔｏｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （植物生态学报），
１９９９， ２３（３）： ２２８－２３７ （ｉｎ Ｃｈｉｎｅｓｅ）
［９］　 Ｃｕｉ Ｎ⁃Ｊ （崔宁洁）， Ｚｈａｎｇ Ｄ⁃Ｊ （张丹桔）， Ｌｉｕ Ｙ （刘
洋）， ｅｔ ａｌ． Ｐｌａｎｔ ｄｉｖｅｒｓｉｔｙ ａｎｄ ｓｅａｓｏｎａｌ ｄｙｎａｍｉｃｓ ｉｎ ｆｏ⁃
ｒｅｓｔ ｇａｐｓ ｏｆ ｖａｒｙｉｎｇ ｓｉｚｅｓ ｉｎ Ｐｉｎｕｓ ｍａｓｓｏｎｉａｎａ ｐｌａｎｔａ⁃
ｔｉｏｎｓ． Ａｃｔａ Ｐｈｙｔｏｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （植物生态学报），
２０１４， ３８（５）： ４７７－４９０ （ｉｎ Ｃｈｉｎｅｓｅ）
［１０］　 Ｔａｎａｋａ Ｈ， Ｎａｋａｓｈｉｚｕｋａ Ｔ． Ｆｉｆｔｅｅｎ ｙｅａｒｓ ｏｆ ｃａｎｏｐｙ ｄｙ⁃
ｎａｍｉｃｓ ａｎａｌｙｚｅｄ ｂｙ ａｅｒｉａｌ ｐｈｏｔｏｇｒａｐｈｓ ｉｎ ａ ｔｅｍｐｅｒａｔｅ ｄｅ⁃
ｃｉｄｕｏｕｓ ｆｏｒｅｓｔ． Ｊｏｕｒｎａｌ ｏｆ Ｅｃｏｌｏｇｙ， １９９７， ５８： ８３５－８４１
［１１］　 Ｔｏｒｉｍａｒｕ Ｔ， Ｉｔａｙａ Ａ， Ｙａｍａｍｏｔｏ ＳＩ． Ｑｕａｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｒｅ⁃
ｐｅａｔｅｄ ｇａｐ ｆｏｒｍａｔｉｏｎ ｅｖｅｎｔｓ ａｎｄ ｔｈｅｉｒ ｓｐａｔｉａｌ ｐａｔｔｅｒｎｓ ｉｎ
ｔｈｒｅｅ ｔｙｐｅｓ ｏｆ ｏｌｄ⁃ｇｒｏｗｔｈ ｆｏｒｅｓｔｓ： Ａｎａｌｙｓｉｓ ｏｆ ｌｏｎｇ⁃ｔｅｒｍ
ｃａｎｏｐｙ ｄｙｎａｍｉｃｓ ｕｓｉｎｇ ａｅｒｉａｌ ｐｈｏｔｏｇｒａｐｈｓ ａｎｄ ｄｉｇｉｔａｌ
ｓｕｒｆａｃｅ ｍｏｄｅｌｓ． Ｆｏｒｅｓｔ Ｅｃｏｌｏｇｙ ａｎｄ Ｍａｎａｇｅｍｅｎｔ， ２０１２，
２８４： １－１１
［１２］　 Ｄ’Ａｏｕｓｔ Ｖ， Ｋｎｅｅｓｈａｗ Ｄ， Ｂｅｒｇｅｒｏｎ Ｙ． Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ
ｏｆ ｃａｎｏｐｙ ｏｐｅｎｎｅｓｓ ｂｅｆｏｒｅ ａｎｄ ａｆｔｅｒ ａ ｓｐｒｕｃｅ ｂｕｄｗｏｒｍ
ｏｕｔｂｒｅａｋ ｉｎ ｔｈｅ ｓｏｕｔｈｅｒｎ ｂｏｒｅａｌ ｆｏｒｅｓｔ． Ｃａｎａｄｉａｎ Ｊｏｕｒｎａｌ
ｏｆ Ｆｏｒｅｓｔ Ｒｅｓｅａｒｃｈ， ２００４， ３４： ３３９－３５３
［１３］　 Ｐｅｎｇ Ｓ⁃Ｌ （彭少麟）， Ｇｕｏ Ｚ⁃Ｈ （郭志华）， Ｗａｎｇ Ｂ⁃Ｓ
（王伯荪）． Ｕｓｅ ｏｆ ＧＩＳ ａｎｄ ＲＳ ｔｏ ｅｓｔｉｍａｔｅ ｔｈｅ ｌｉｇｈｔ ｕｔｉｌｉ⁃
ｚａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｉｎ Ｇｕａｎｇｄｏｎｇ， Ｃｈｉｎａ．
Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学报）， ２０００， ２０（６）： ９０３－
９０９ （ｉｎ Ｃｈｉｎｅｓｅ）
［１４］　 Ｚｈｕ ＪＪ， Ｌｕ ＤＬ， Ｚｈａｎｇ ＷＤ． Ｅｆｆｅｃｔｓ ｏｆ ｇａｐｓ ｏｎ ｒｅｇｅｎｅｒａ⁃
ｔｉｏｎ ｏｆ ｗｏｏｄｙ ｐｌａｎｔｓ： Ａ ｍｅｔａ⁃ａｎａｌｙｓｉｓ． Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｓｔ⁃
ｒｙ Ｒｅｓｅａｒｃｈ， ２０１４， ２５： ５０１－５１０
［１５］　 Ｇｕｏ Ｑ⁃Ｈ （郭庆华）， Ｌｉｕ Ｊ （刘　 瑾）， Ｔａｏ Ｓ⁃Ｌ （陶胜
利）， ｅｔ ａｌ． Ｐｅｒｓｐｅｃｔｉｖｅｓ ａｎｄ ｐｒｏｓｐｅｃｔｓ ｏｆ ＬｉＤＡＲ ｉｎ ｆｏ⁃
ｒｅｓｔ ｅｃｏｓｙｓｔｅｍ ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｍｏｄｅｌｉｎｇ． Ｃｈｉｎｅｓｅ Ｓｃｉｅｎｃｅ
Ｂｕｌｌｅｔｉｎ （科学通报）， ２０１４， ５９： ４５９ － ４７８ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［１６］　 Ｙｕ Ｘ， Ｈｙｙｐａｅ Ｊ， Ｋａａｒｔｉｎｅｎ Ｈ， ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ ｄｅｔｅｃ⁃
ｔｉｏｎ ｏｆ ｈａｒｖｅｓｔｅｄ ｔｒｅｅｓ ａｎｄ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｇｒｏｗｔｈ
ｕｓｉｎｇ ａｉｒｂｏｒｎｅ ｌａｓｅｒ ｓｃａｎｎｉｎｇ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉ⁃
ｒｏｎｍｅｎｔ， ２００４， ９０： ４５１－４６２
［１７］　 Ｚｈａｎｇ ＫＱ． Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｇａｐｓ ｉｎ ｍａｎｇｒｏｖｅ ｆｏｒｅｓｔｓ
ｗｉｔｈ ａｉｒ ｂｏｒｎｅ ＬＩＤＡＲ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２００８， １１２： ２３０９ ～２３２５
［１８］　 Ｌａｔｙｐｏｖ Ｄ． Ｅｓｔｉｍａｔｉｎｇ ｒｅｌａｔｉｖｅ ｌｉｄａｒ ａｃｃｕｒａｃｙ ｉｎｆｏｒｍａｔｉｏｎ
ｆｒｏｍ ｏｖｅｒｌａｐｐｉｎｇ ｆｌｉｇｈｔ ｌｉｎｅｓ． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏ⁃
ｇｒａｍｍｅｔｒｙ ＆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００２， ５６： ２３６－２４５
［１９］　 Ｈｏｄｇｓｏｎ ＭＥ， Ｂｒｅｓｎａｈａｎ Ｐ． Ａｃｃｕｒａｃｙ ｏｆ ａｉｒｂｏｒｎｅ ｌｉｄａｒ
ｄｅｒｉｖｅｄ ｅｌｅｖａｔｉｏｎ： Ｅｍｐｉｒｉｃａｌ ａｓｓｅｓｓｍｅｎｔ ａｎｄ ｅｒｒｏｒ ｂｕｄ⁃
ｇｅｔ． Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ ＆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，
２００４， ７０： ３３１－３３９
［２０］　 Ｇｕｏ Ｑ， Ｌｉ Ｗ， Ｙｕ Ｈ， ｅｔ ａｌ． Ｅｆｆｅｃｔｓ ｏｆ ｔｏｐｏｇｒａｐｈｉｃ ｖａｒｉａ⁃
ｂｉｌｉｔｙ ａｎｄ ｌｉｄａｒ ｓａｍｐｌｉｎｇ ｄｅｎｓｉｔｙ ｏｎ ｓｅｖｅｒａｌ ＤＥＭ ｉｎｔｅｒ⁃
ｐｏｌａｔｉｏｎ ｍｅｔｈｏｄｓ． Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｒｅ⁃
ｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１０， ７６： ７０１－７１２
［２１］　 Ｌｉｕ ＸＹ． Ａｉｒｂｏｒｎｅ ＬｉＤＡＲ ｆｏｒ ＤＥＭ ｇｅｎｅｒａｔｉｏｎ： Ｓｏｍｅ
ｃｒｉｔｉｃａｌ ｉｓｓｕｅｓ． Ｐｒｏｇｒｅｓｓ ｉｎ Ｐｈｙｓｉｃａｌ Ｇｅｏｇｒａｐｈｙ， ２００８，
３２： ３１－４９
［２２］　 Ｓｍｉｔｈ ＳＬ， Ｈｏｌｌａｎｄ ＤＡ， Ｌｏｎｇｌｅｙ ＰＡ． Ｑｕａｎｔｉｆｙｉｎｇ ｉｎｔｅｒ⁃
ｐｏｌａｔｉｏｎ ｅｒｒｏｒｓ ｉｎ ｕｒｂａｎ ａｉｒｂｏｒｎｅ ｌａｓｅｒ ｓｃａｎｎｉｎｇ ｍｏｄｅｌｓ．
Ｇｅｏｇｒａｐｈｉｃａｌ Ａｎａｌｙｓｉｓ， ２００５， ３７： ２００－２２４
［２３］　 Ｖｅｐａｋｏｍｍａ Ｕ， Ｓｔ⁃Ｏｎｇｅ Ｂ， Ｋｎｅｅｓｈａｗ Ｄ． Ｓｐａｔｉａｌｌｙ ｅｘ⁃
ｐｌｉｃｉｔ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｏｆ ｂｏｒｅａｌ ｆｏｒｅｓｔ ｇａｐ ｄｙｎａｍｉｃｓ ｕｓｉｎｇ
ｍｕｌｔｉ⁃ｔｅｍｐｏｒａｌ ｌｉｄａｒ ｄａｔａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎ⁃
ｍｅｎｔ， ２００８， １１２： ２３２６－２３４０
［２４］　 Ｂｌａｃｋｂｕｒｎ ＧＡ， Ａｂｄ Ｌａｔｉｆ Ｚ， Ｂｏｙｄ ＤＳ． Ｆｏｒｅｓｔ ｄｉｓｔｕｒ⁃
ｂａｎｃｅ ａｎｄ ｒｅｇｅｎｅｒａｔｉｏｎ： Ａ ｍｏｓａｉｃ ｏｆ ｄｉｓｃｒｅｔｅ ｇａｐ ｄｙｎａ⁃
ｍｉｃｓ ａｎｄ ｏｐｅｎ ｍａｔｒｉｘ ｒｅｇｉｍｅｓ？ Ｊｏｕｒｎａｌ ｏｆ Ｖｅｇｅｔａｔｉｏｎ Ｓｃｉ⁃
ｅｎｃｅ， ２０１４， ２５： １３４１－１３５４
［２５］　 Ｐｏｐｅｓｃｕ ＳＣ， Ｗｙｎｎｅ ＲＨ． Ｓｅｅｉｎｇ ｔｈｅ ｔｒｅｅｓ ｉｎ ｔｈｅ ｆｏｒｅｓｔ：
Ｕｓｉｎｇ ｌｉｄａｒ ａｎｄ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｄａｔａ ｆｕｓｉｏｎ ｗｉｔｈ ｌｏｃａｌ ｆｉｌｔｅ⁃
ｒｉｎｇ ａｎｄ ｖａｒｉａｂｌｅ ｗｉｎｄｏｗ ｓｉｚｅ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｔｒｅｅ ｈｅｉｇｈｔ．
Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，
２００４， ７０： ５８９－６０４
［２６］　 Ｒｅｉｔｂｅｒｇｅｒ Ｊ， Ｓｃｈｎｏｒｒ Ｃｌ， Ｋｒｚｙｓｔｒｅｋ Ｐ， ｅｔ ａｌ． ３Ｄ ｓｅｇ⁃
ｍｅｎｔａｉｏｎ ｏｆ ｉｎｄｉｖｉｄｕａｌ ｔｒｅｅ ｅｘｐｌｏｉｔｉｎｇ ｆｕｌｌ ｗａｖｅｆｏｒｍ ｌｉｄａｒ
ｄａｔａ． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ， ２００９， ４： １－１４
［２７］　 Ｑｉ Ｈ （齐　 华）． Ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ｉｍｐｒｏｖｅｍｅｎｔ ｆｏｒ
ｔｈｅ ａｌｇｏｒｉｔｈｍ ｓｔｅｐｓ ｏｎ ｔｈｅ ａｕｔｏｍａｔｉｃ ｃｒｅａｔｉｏｎ ｏｆ ｔｏｐｏｌｏｇｙ
ｒｅｌａｔｉｏｎ ｏｆ ｐｏｌｙｇｏｎｓ． Ａｃｔａ Ｇｇｏｄａｅｔｉｃａ ｅｔ Ｃａｒｔｏｇｒａｐｈｉｃａ
Ｓｉｎｉｃａ （测绘学报）， １９９７， ２６（３）： ２５４－２６０ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［２８］　 Ｌｉｕ Ｆ （刘 　 峰）， Ｔａｎ Ｃ （谭 　 畅）， Ｌｅｉ Ｐ⁃Ｆ （雷丕
锋）． Ｅｓｔｉｍａｔｉｎｇ ｉｎｄｉｖｉｄｕａｌ ｔｒｅｅ ａｂｏｖｅｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｏｆ
ｔｈｅ ｍｉｄ⁃ｓｕｂｔｒｏｐｉｃａｌ ｆｏｒｅｓｔ ｕｓｉｎｇ ａｉｒｂｏｒｎｅ ＬｉＤＡＲ ｔｅｃｈｎｏ⁃
ｌｏｇｙ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应用生态学
报）， ２０１４， ２５（１１）： ３２２９－３２３６ （ｉｎ Ｃｈｉｎｅｓｅ）
［２９］　 Ｌｉｕ Ｑ⁃Ｗ （刘清旺）， Ｌｉ Ｚ⁃Ｙ （李增元）， Ｃｈｅｎ Ｅ⁃Ｘ （陈
尔学）， ｅｔ ａｌ． Ｅｘｔｒａｃｔｉｎｇ ｈｅｉｇｈｔ ａｎｄ ｃｒｏｗｎ ｏｆ ｉｎｄｉｖｉｄｕａｌ
ｔｒｅｅ ｕｓｉｎｇ ａｉｒｂｏｒｎｅ ＬＩＤＡＲ ｄａｔａ． Ｊｏｕｒｎａｌ ｏｆ Ｂｅｉｊｉｎｇ Ｆｏ⁃
ｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ （北京林业大学学报）， ２００８， ３０（６）：
８３－８９ （ｉｎ Ｃｈｉｎｅｓｅ）
［３０］　 Ｏｈｍａｎ Ｋ， Ｌａｍａｓ Ｔ． Ｒｅｄｕｃｉｎｇ ｆｏｒｅｓｔ ｆｒａｇｍｅｎｔａｔｉｏｎ ｉｎ
ｌｏｎｇ⁃ｔｅｒｍ ｆｏｒｅｓｔ ｐｌａｎｎｉｎｇ ｂｙ ｕｓｉｎｇ ｔｈｅ ｓｈａｐｅ ｉｎｄｅｘ． Ｆｏｒｅｓｔ
Ｅｃｏｌｏｇｙ ａｎｄ Ｍａｎａｇｅｍｅｎｔ， ２００５， ２１２： ３４６－３５７
［３１］　 Ｈｕ Ｌ⁃Ｌ （胡理乐）， Ｌｉ Ｊ⁃Ｓ （李俊生）， Ｗｕ Ｘ⁃Ｐ （吴晓
莆）， ｅｔ ａｌ． Ｒｅｖｉｅｗ ｏｎ ｍｅｔｈｏｄｓ ｏｆ ｍｅａｓｕｒｉｎｇ ｇｅｏｍｅｔｒｉｃ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｆｏｒｅｓｔ ｇａｐｓ ｉｎｖｏｌｖｉｎｇ ｇａｐ ｓｉｚｅ， ｇａｐ
ｓｈａｐｅ， ａｎｄ ｔｈｅ ｈｅｉｇｈｔ ｏｆ ｃａｎｏｐｙ ｔｒｅｅｓ ｓｕｒｒｏｕｎｄｉｎｇ ｔｈｅ
ｇａｐ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学报）， ２０１０， ３０（７）：
１９１１－１９１９ （ｉｎ Ｃｈｉｎｅｓｅ）
作者简介　 刘　 峰，男，１９７５年生，博士，副教授．主要从事林
业遥感和地理信息系统研究． Ｅ⁃ｍａｉｌ： ｌｉｕｆｅｎｇ０８０８＠ １２６．ｃｏｍ
责任编辑　 杨　 弘
８１６３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷