全 文 ：中亚热带森林单木地上生物量的机载激光雷达估测*
刘摇 峰1**摇 谭摇 畅1 摇 雷丕锋2
( 1 中南林业科技大学理学院, 长沙 410004; 2 中南林业科技大学生命科学与技术学院, 长沙 410004)
摘摇 要摇 以雪峰山武冈林场为研究对象,利用遥感数据和地面实测样地数据,研究机载激光
雷达(LiDAR)估测中亚热带森林乔木层单木地上生物量的能力.利用条件随机场和最优化方
法实现 LiDAR点云的单木分割,以单木尺度为对象提取的植被点云空间结构、回波特征以及
地形特征等作为遥感变量,采用回归模型估测乔木层地上生物量.结果表明: 针叶林、阔叶林
和针阔混交林的单木识别率分别为 93% 、86%和 60% ;多元逐步回归模型的调整决定系数分
别为 0. 83、0. 81 和 0. 74,均方根误差分别为 28. 22、29. 79 和 32. 31 t·hm-2;以冠层体积、树高
百分位值、坡度和回波强度值构成的模型精度明显高于以树高为因子的传统回归模型精度.
以单木为对象从 LiDAR点云中提取的遥感变量有助于提高森林生物量估测精度.
关键词摇 地上生物量摇 机载激光雷达摇 估测摇 中亚热带森林
文章编号摇 1001-9332(2014)11-3229-08摇 中图分类号摇 S758. 1; TN958摇 文献标识码摇 A
Estimating individual tree aboveground biomass of the mid鄄subtropical forest using airborne
LiDAR technology. LIU Feng1, TAN Chang1, LEI Pi鄄feng2 ( 1College of Science, Central South
University of Forestry and Technology, Changsha 410004, China; 2College of Life Science and Tech鄄
nology, Central South University of Forestry and Technology, Changsha 410004, China) . 鄄Chin. J.
Appl. Ecol. , 2014, 25(11): 3229-3236.
Abstract: Taking Wugang forest farm in Xuefeng Mountain as the research object, using the air鄄
borne light detection and ranging (LiDAR) data under leaf鄄on condition and field data of concomi鄄
tant plots, this paper assessed the ability of using LiDAR technology to estimate aboveground bio鄄
mass of the mid鄄subtropical forest. A semi鄄automated individual tree LiDAR cloud point segmenta鄄
tion was obtained by using condition random fields and optimization methods. Spatial structure,
waveform characteristics and topography were calculated as LiDAR metrics from the segmented ob鄄
jects. Then statistical models between aboveground biomass from field data and these LiDAR met鄄
rics were built. The individual tree recognition rates were 93% , 86% and 60% for coniferous,
broadleaf and mixed forests, respectively. The adjusted coefficients of determination (R2adj) and the
root mean squared errors (RMSE) for the three types of forest were 0. 83, 0. 81 and 0. 74, and
28. 22, 29. 79 and 32. 31 t·hm-2, respectively. The estimation capability of model based on cano鄄
py geometric volume, tree percentile height, slope and waveform characteristics was much better
than that of traditional regression model based on tree height. Therefore, LiDAR metrics from indi鄄
vidual tree could facilitate better performance in biomass estimation.
Key words: aboveground biomass; airborne LiDAR; estimation; mid鄄subtropical forest.
*国家自然科学基金项目(31200346)、2013 年度湖南省教育厅科学
研究项目(13B153)、2014 湖南省大学生研究性学习和创新性实验计
划项目和 2012 中南林业科技大学人才引进科研启动基金项目资助.
**通讯作者. E鄄mail: liufeng0808@ 126. com
2014鄄03鄄03 收稿,2014鄄07鄄15 接受.
摇 摇 森林生物量对全球气候变化和可持续发展研究
具有重要意义,森林生态系统中乔木生物量是森林
的生物生产力,材积是森林的经济生产力,因此对森
林生物量和材积的动态监测越来越受到重视. 机载
激光雷达(light detection and ranging,LiDAR)光束能
够穿透植被冠层探测到植被的垂直结构信息,特别
有利于反演从单木到林分尺度的森林参数,可提高
森林生物量和材积的估测精度.
早期研究发现,激光脉冲的波形长度与森林冠
层高度相关性较强[1],近年来国外学者对森林高
度、冠层垂直结构、断面积和蓄积量等进行了大量研
究[2-7] .与基于林分或大面积尺度上的估测方式相
应 用 生 态 学 报摇 2014 年 11 月摇 第 25 卷摇 第 11 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Nov. 2014, 25(11): 3229-3236
比,越来越多的研究趋向于基于对象分类方式的森
林生物量估测[8] .基于对象的分类方式是在单木尺
度上分割回波强度和点云空间分布,使其均质性达
到优化,继而提高森林生物量估测精度. Kwak 等[9]
在长白山阔叶红松林中采用基于对象的单木识别方
法,结果表明,在不同密度的林分中采用 k均值聚类
方法的识别率高于传统方法. Reitberger 等[10]将植
被点云转换到体素空间进行处理,在二元图中利用
节点之间的相似度进行归一化图割,试验证明该方
法能有效识别林下低矮植被. Yao 等[11]应用全波形
LiDAR数据对德国巴伐利亚国家森林公园的树种进
行判别,采用了单木 3D 分割方法,结果表明,落叶
林和针叶林的识别率最高达 95% .
庞勇和李增元[12]利用机载激光雷达反演了小
兴安岭温带森林组分生物量,结果表明 LiDAR 数据
得到的变量与森林各个组分生物量有较强的相关
性,并指出进行变量筛选建立回归模型可进一步提
高生物量的反演精度. Zhao等[13]从植被点云中得到
树冠高度分布和高度分位函数,采用线性和非线性
模型估测生物量,试验表明其 R2在 0. 80 ~ 0. 95(均
方根误差 RMSE在 14. 3 ~ 33. 7 t·hm-2).有研究表
明,森林参数与 LiDAR 数据的关系受树种构成、立
地条件、郁闭度等条件的影响[14-15],单木或优势树
种的树高与脉冲第一回波相关性强,且胸径、材积、
断面积等与单木识别和点云空间分布关系显著[8] .
本文以湖南省雪峰山南麓武冈林场的中亚热带
森林为研究对象,采用机载激光雷达估测乔木层地
上生物量,用基于条件随机场的单木识别方法,比较
不同生物量模型的估测精度,探讨影响估测精度的
关键因素,以期为精准林业资源调查提供参考.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
研究地区位于湖南省雪峰山东南部的武冈林场
(26毅25忆—27毅00忆 N,110毅22忆—113毅3忆 E),地处祁邵
丘陵区,三面环山,南高北低,海拔多在 550 ~ 850
m.该区属中亚热带季风湿润气候,雨量充沛,年均
气温 16 益,年均降水量 1400 mm,年无霜期 250 d,
土壤以山地红壤和黄棕壤为主. 主要植被类型有暖
性针叶林、常绿阔叶林、针阔混交林和落叶阔叶林.
优势树种有马尾松(Pinus massoniana)、杉木(Cun鄄
ninghamia lanceolata)、甜槠(Castanopsis eyrei)、猴樟
(Cinnamomum bodinieri)、木荷 ( Schima superba)、
水青冈(Fagus longipetiolata)等. 主要灌木有白栎
(Quercus fabri)、南方荚蒾(Viburnum fordiae)、胡枝
子(Lespedeza bicolor)、微毛柃(Eurya hebeclados)等.
1郾 2摇 遥感数据的获取
LiDAR数据获取时间为 2011 年 6 月,选择天气
晴朗少云进行飞行,根据试验地区范围和地形高度、
坡度等情况,沿着地势设计航线 10 条,航带间重叠
率为 15% ,飞行高度 800 ~ 1100 m. 采用的 LiDAR
系统是 LiteMapper5600,该系统包括 Riegl LMS鄄Q560
型激光扫描仪、AEROcontrol鄄IId 直接地理定位系统
和一台 IGI DigiCAM 14K 型数码相机. 光斑大小约
25 cm,脉冲宽度 4 ns,脉冲重复频率最高 100 kHz,
激光束散射角 0. 5 mrad,扫描角范围依22. 5毅,垂直精
度约 0. 6 m,平面精度约 0. 5 m,平均点云密度 5 ~ 7
个·m-2 .
1郾 3摇 地面样地数据的获取与处理
收集试验区内 2005 年森林资源连续清查固定
样地数据及 2011 年 9 月野外调查补充样地数据,选
择武冈林场典型森林类型为对象,沿着地形走势设
置 68 个 20 m伊20 m的样地,包括 23 块温性针叶纯
林(杉木人工林)、28 块针阔混交林(优势树种为马
尾松)、17 块常绿阔叶林(优势树种为青冈和甜槠).
对样地进行每木检尺:围尺测量胸径>3 cm 的单木
胸径;皮尺测量冠幅长短轴;伸缩式测高器测量树
高;DGPS和全站仪测量样地每木定位,位置精度控
制在 1 m以内.剔除特异样木后保留 1012 株单木,
其中,针叶树种占 85% ,阔叶树种占 15% .
乔木地上生物量计算方法:不同树种的单木生
物量等于其树干、枝、叶等器官生物量的总和,然后
累加不同树种的生物量得到该样地乔木地上生物
量,计算采用的模型见表 1,模型拟合的 R2>0郾 8.
1郾 4摇 研究方法
1郾 4郾 1 激光雷达数据预处理 摇 主要包括 LiDAR 波
形分解和点云分类两部分.
1)设 追Ti (浊iWi,Ii)为一激光束中第 i 个回波数
据,其中:浊i 为点云三维坐标;Wi 为回波宽度;Ii 为
回波强度. 根据 Reitberger 和 Stilla[16]的研究,Wi =
2·滓i,Ii = 2·仔滓i·Ai,其中:Ai 为回波的幅度;滓i
为其均方差. 采用广义高斯函数拟合回波波形[17],
利用列文伯格鄄马夸尔特优化算法提取波形参数,使
激光束入射方向上区分多目标的最小间距能达到
vg子 / 2. 子 为激光脉冲宽度, vg 为光速. Riegl LMS鄄
Q560 系统的激光脉冲宽度为 4 ns,通过波形分解,
垂直精度理论上能达到 0. 6 m. Wi 和 Ii 可通过扫描
仪发射激光束高斯脉冲宽度和强度进行校正[10] .点
0323 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
表 1摇 主要树种生物量方程
Table 1摇 Biomass functions of main tree species
树种
Species
树干生物量
Stem biomass (WS)
树枝生物量
Branch biomass (WB)
树叶生物量
Foliage biomass (WF)
文献
Reference
1 WS=exp[log0. 9244-1. 6935log(D2H)] WB=exp[log0. 9268-2. 7198log(D2H)] WF=exp[log0. 9197-2. 6804log(D2H)] [18]
2 WS=exp[-log1. 7885+0. 9586log(D2H)] WB=exp[-log3. 2993+1. 2251log(D2H)] WF=exp[-log3. 7825+1. 3029log(D2H)] [18]
3 WS=-27. 373+5. 637D WB=-43. 448+25. 5989lnD WF=-14. 021+8. 1667lnD [18]
4 WS=exp[0. 4443+0. 3471log(D2H)] WB=exp[-0. 6792 +0. 4712log(D2H)] WF=exp[-1. 6908+0. 3309log(D2H)] [18]
5 WS=0. 0556(D2H)0. 850193 WB=0. 0066(D2H)1. 051841 WF=0. 0598(D2H)0. 574327 [19]
6 WS=-19. 353+4. 5207D WB=0. 002D3. 5494 WF=-0. 2251+0. 0225D2 [18]
7 WS=-583. 150+200. 431D2 WB=20. 463D0. 4419 WF=-24. 706+14. 6006D2 [18]
8 WS=0. 0105(D2H)1. 0652 WB=0. 8775(D2H)0. 9894 WF=0. 033(D2H)0. 9352 [19]
9 WS=0. 01218(D2H)0. 9998 WB=0. 00028(D2H)1. 2526 WF=0. 0234D2. 4247 [19]
10 WS=0. 9624+29. 4023log(D2H) WB=5. 2646+8. 5526伊10-7(D2H)2 WF=0. 99291+7. 8079伊10-8(D2H)2 [18]
1) 杉木 Cunninghamia lanceolata; 2) 马尾松 Pinus massoniana; 3) 青冈 Fagus longipetiolata; 4) 木荷 Schima superba; 5) 樟树 Cinnamomum bodi鄄
nieri; 6) 麻栎 Quercus acutissima; 7) 甜槠 Castanopsis eyrei; 8) 云南松 Pinus yunnanensis; 9) 思茅松 Pinus kesiya var. langbianensis; 10) 栲树 Cas鄄
tanopsis fargesii. D: 胸径 Diameter at breast height; H: 树高 Tree height. WT =WS+WB+WF .
云三维坐标根据 P i = P0 +RMA计算得出,其中:P0为
传感器的空间坐标;R 为地物采样点的距离;MA为
传感器瞬间姿态方向余弦矩阵. 试验利用航带重叠
部分中高程差>5 cm的数据进行平差处理并校正系
统性误差.
2)从散乱三维点云中分离出植被是预处理中
的重要一环. 第一步,采用自适应 TIN 模型滤波方
法[20]逐步迭代加密分类出地表点和非地表点,该方
法在合理设定距离阈值的情况下能较好地提取复杂
地形(山区或丘陵)中的地表点;第二步,从非地表
点中提取植被点,计算局域点云的平整性、法线特
征、全反差特性、一致性和分布密度[21],与回波强度
作为输入变量进行 SVM 分类;第三步,分别对地表
点和植被点进行 Kriging 插值生成 5 m 分辨率的数
字高程模型(digital elevation model, DEM)和冠层高
度模型(canopy height model, CHM),DEM作为参考
面可推算出植被的相对高度,CHM 作为植被冠层表
面模型可在二维平面上勾勒出冠层边缘.
1郾 4郾 2 基于对象的点云分割 摇 在 CHM 上正确分割
冠层边缘是预判单木株数的步骤之一. CHM 灰度值
可反映植被高度信息,但 CHM 在插值过程中可能
会产生灰度值的突变“噪音冶,试验中采用自适应中
值滤波方法[22]消除这些噪音,使灰度值高的区域与
真实的树冠范围尽可能一致,这种操作对于冠幅较
小的幼龄林尤为重要.利用 eCognition襆软件在 CHM
上进行多分辨率分割实现冠层区划,设定树冠对象
的灰度值与形状特征比值为 0. 8 颐 0. 2,平滑度与紧
凑性比值为 0. 8 颐 0. 2. CHM分割后仍需进行人工编
辑去除可能存在的错误或不合理边缘,进一步提高
单木冠层分割精度. CHM分割比较适合单木分布均
匀、冠层形状相似的针叶纯林,而对于冠层层次多、
交错起伏的混交林,该方法的判别率较低,原因是即
使第一回波生成的 CHM 在插值过程中也会将冠层
内部信息丢失或忽略.
在三维点云中直接进行单木分割,可提高单木
参数估测精度.单木点云分割本身具有不适定性,引
入概率统计模型是解决问题的关键. 本文根据统计
决策和估计理论中的最优准则求解满足条件或消费
函数的最大概率分布,将分割问题转化为最优化问
题;利用条件随机场 ( conditional random fields,
CRFs)组织三维点云,采用 L1 正则化方法进行模型
结构学习,提取最优模型参数,实现单木点云分割.
设 CRFs模型的成对势函数为:
P(y | x) = 1Z(x)仪i 渍i(yi,x)仪{ ij} 渍ij(yi,y j,x)
(1)
式中:x为点云数据集;y 为分类标记;{ ij}为图结构
中的边;渍i 为节点势能;渍i 为边势能.设模型中节点
和边的势能形式如下:
渍i(·,x)= (eW
Ti,1xi 摇 eWTi,2xi)
渍ij(·,·,x)=
eVTij,11xij eVTij,12xij
eVTij,21xij eVTij,22x
æ
è
çç
ö
ø
÷÷
ij
(2)
式中:xi 为节点特征,是由点云空间位置、回波强度
和回波宽度值构成的特征向量;xij为边特征,通常是
两端节点特征向量的范数;xi 和 xij是模型输入变
量;W和 V是模型参数.
目标函数 y^ = arg maxyP(y | x)的学习推理通常
是 NP鄄hard 问题,采用 L1 正则化方法能在多项式
时间内解决该问题.简化上述公式,设 兹 = [W,V]是
参数集, F ( x, y ) 是 特 征 集, 则 P ( y | x ) =
132311 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 刘摇 峰等: 中亚热带森林单木地上生物量的机载激光雷达估测摇 摇 摇 摇 摇 摇
exp[兹TF(x,y)]
Z(兹,x) 、 Z(兹,x) = 移 y忆exp[兹
TF(x,y忆)] ,
参数的负对数似然(negative log likelihood)函数和
梯度分别为:
nll(兹) =移
N
n-1
- 兹TF(xn,yn) + 移
N
n = 1
logZ(兹,xn)
荦nll(兹) = - 移
n
[F(xn,yn) - Ey忆F(xn,y忆)]
式中: Ey忆F(xn,y忆)=移 y忆P(y忆 | xn,兹)F(xn,y忆) 是特
征的期望值.
在正则化处理过程中,问题等价于 min兹nll( 兹)
subject to 椰兹椰1臆姿,即将模型空间限制在 兹的一个
L1 鄄ball中,姿为稀疏性参数.上述公式通常称为最小
绝对收缩和变量选择操作( least absolute shrinkage
and selection operation,LASSO),虽然是个凸优化问
题,但 L1 正则化不仅能产生稀疏性,而且能实现显
著性变量的选择. 根据 KKT 条件,在最优解的地方
要求荦nll(兹)= 0,由于 L1 正则子是不光滑的,采用
假梯度[nll(兹)函数在 兹i 处最小范数的次梯度]反
映目标函数最深下沉方向[23],并用迭代方式得到 兹
最优解:
兹k+1 =P0{兹k+琢Ps[-H-1k 荦nll(兹k)]} (3)
式中:Ps 为符号(sign)投影;Po 为定限(orthant)投
影;H为正定矩阵;荦为假梯度.将参数集 兹 = [w,v]
带入式(2)得到图结构中节点和边的势能,采用最
小割的方法得到式(1)的最大后验概率,即最优分
割结果.
1郾 4郾 3 回归分析摇 随机选择样地中 70%的单木数据
(708 株)和对应 LiDAR 数据进行回归分析,建立模
型,以收获法实测的生物量作为参考,将剩余的单木
数据带入模型进行验证.模型变量包括 LiDAR 数据
反演的树高、点云密度、树冠面积、体积以及地形状
况(表 2),其中,前 4 组自变量在 1. 4. 2 提取的单木
点云基础上分析,利用三维凸包(3D Convex Hull)
技术近似计算树冠体积和投影面积,地形根据1. 4. 1
提取的 DEM,利用 ArcGIS 软件中的表面分析( sur鄄
face analysis)工具得到. 在回归分析时应排除变量
间多重共线性的干扰,一般剔除使得调整决定系数
和 F 值增大但 t 值变化不大的变量.通过设置检验
异常样本的标准化残差阈值来删除异常样本点,将
异常点剔除,直到没有异常值为止.然后将验证数据
带入回归模型,求出调整决定系数(式 4)、均方根误
差(式 5).由于变量在数量级和计量单位存在差别,
通常应作无量纲化处理,使得各变量的均值为 0,标
准差为 1.
R2adj = 1 -
n - 1( )n - p
移
n
i = 1
(Ti - E i) 2
移
n
i = 1
(Ti - 軈Ti) 2
(4)
表 2摇 回归分析中 LiDAR提取的自变量
Table 2摇 Independent variables extracted from LiDAR metrics in the regression analysis
自变量
Independent variable
度量摇 摇 摇
Metrics摇 摇 摇
树高
Height(m)
树冠第一、第二和所有回波 For 1st , 2nd and all canopy returns
Hi, <1,2,a> i=10% ,20% ,…,100%百分位高度 Percentile height
Hmean , <1,2,a>高度均值 Mean of height
Hstd , <1,2,a>高度均方差 Stand deviation of height
Hcv, <1,2,a>高度方差系数 Coefficient of variance of height
点云密度
Point cloud density (% )
树冠所有回波点云密度 Point density of all canopy returns
(Di,i=10% ,20% ,…,100%百分位密度 Percentile density)
点云特征值
Point cloud eigenvalue
树冠第一、第二和所有回波 For 1st , 2nd and all canopy returns
Intmean,<1,2,a>强度均值 Mean of intensity
Intstd, <1,2,a>强度均方差 Stand deviation of intensity
Intrange, <1,2,a>强度范围 Range of intensity
Widthmean, <1,2,a>宽度均值 Mean of return width
Widthstd, <1,2,a>宽度均方差 Stand deviation of return width
Widthrange, <1,2,a>宽度范围 Range of return width
树冠面积
Crown area (m2)
单木树冠投影面积 Area of individual crown segment (Ga)
树冠体积
Canopy geometric volume (m3)
单木树冠三维体积 Geometric volume for a segment by convex hull (G)
地形
Topography
坡度 Slope: 平坡 Flatland (0 ~ 10毅); 缓坡 Gentle slope (10 ~ 25毅); 陡坡 Steep slope (>25毅)
坡向 Aspect: 阳坡 Sunny slope; 阴坡 Shady slope
2323 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
摇 摇 RMSE = 1n移
n
i = 1
(Ti - E i) 2 (5)
式中:Ti为实测数据;E i为估测数据;軈Ti 为实测均值;
p为回归系数个数;n为样本数.
2摇 结果与分析
2郾 1摇 单木识别
本文单木识别的标准是,已分割单木点云的中
心位置与参考木之间的距离不超过该林分平均株距
的 60% ,且反演树高误差不超过实际树高的 20% ,
若参考木与分割单木是 1 颐 N 的情况,则选择距参
考木最近的单木点云作为单木识别结果. 针对试验
区内所有样本,利用本文和其他方法进行不同森林
类型的单木识别(表 3),结果表明,利用本文方法在
针叶林、阔叶林和针阔混交林得到的单木识别率分
别为 93% 、86%和 60% .针叶林的识别率最高,主要
原因是试验区中针叶林大多为中龄和近熟杉木林,
单木分布均匀,冠形完整且少叠置,本文方法和归一
化图割都是在三维点云直接进行单木分割,结果比
在二维 CHM 上进行冠层分割的好. 阔叶林的识别
率次之,原因是试验区中阔叶林郁闭度高,点云分布
集中,该情况对分水岭方法影响较大,本文方法能较
好地分割冠层连片的单木,但对距离很近且冠层叠
置的单木容易造成错判. 以马尾松为主的针阔混交
林的识别率最低,由于种群丰富、林层较多,下层单
木的回波点云很少,造成漏判的情况较多.
2郾 2摇 乔木层地上生物量估测
分别对针叶林、阔叶林和针阔混交林建立 7 种
乔木层地上生物量的估测模型(表 4),其中前 3 种
模型选取的是最优验证结果的线性或非线性模型,
后 4 种模型为多元逐步回归模型. 结果表明,总体
上,多元逐步回归模型的拟合精度优于线性或非线
性模型,针叶林优于针阔混交林和阔叶林(M1和 M4
模型除外).由全部回波百分位高度(H0. 11190,a )构成的
M1模型的精度最低,由冠层体积构成的 M2和 M3模
型的精度显著提高,由表 2 中全部变量逐步回归分
析得出的 M7模型的精度最高,以冠层体积、树高百
分位值、坡度和回波强度值构成的模型精度明显高
于单独以树高为因子的传统模型精度. M7模型中针
叶林、阔叶林和针阔混交林的调整决定系数(R2adj)
分别为 0. 83、0. 81 和 0. 74,RMSE 分别为 28郾 22、
2 9郾 79和32郾 31 t·hm-2 . M7模型保留了4个变量
表 3摇 不同分割方法的单木识别结果
Table 3摇 Recognized results of different segmentation methods on individual tree
方法
Method
识别株数 /实测株数(单木识别率)
Recognized number / actual number (recognized rate)
针叶林
Coniferous forest
阔叶林
Broadleaf forest
混交林
Mixed forest
平均
Mean
分水岭 Watershed 592 / 740 (80% ) 75 / 121 (62% ) 74 / 151 (49% ) 61%
归一化图割 Normalized cuts 673 / 740 (91% ) 94 / 121 (78% ) 91 / 151 (60% ) 82%
本文方法 This method 688 / 740 (93% ) 104 / 121 (86% ) 91 / 151 (60% ) 87%
表 4摇 地上生物量估测模型
Table 4摇 Models for predicting aboveground biomass
模型
Model
回归方程
Regression equation
针叶林
Coniferous forest
R2adj RMSE
(t·hm-2)
阔叶林
Deciduous forest
R2adj RMSE
(t·hm-2)
针阔混交林
Mixed forest
R2adj RMSE
(t·hm-2)
M1 =茁1HcX M1 =2. 6444H0. 11190,a 0. 52 39. 74 0. 57 37. 06 0. 56 37. 95
M2 =茁1Gc M2 =0. 801G1. 56 0. 76 32. 07 0. 74 33. 64 0. 71 32. 89
M3 =茁1G M3 =0. 523G 0. 76 30. 75 0. 75 31. 75 0. 72 30. 23
M4 =stepwise({Hx}) M4 =-52. 92+7. 036H80,a+
14郾 002Hstd,1
0. 66 33. 53 0. 69 32. 12 0. 68 32. 23
M5 =stepwise({Hx},G) M5 =68. 499-7. 847Hmean,a+
8郾 235H70,1 +52. 367G
0. 80 30. 88 0. 76 30. 70 0. 73 30. 82
M6 =stepwise({Hx},G,
D,S)
M6 =69. 335-1. 997D30 +
1郾 579Aspect
0. 80 28. 55 0. 79 29. 35 0. 73 30. 83
M7 =stepwise({Hx},G,
D,Ch,S)
M7 =60. 214+50. 418G+
0郾 534H90,1+1. 222 Slope+
0郾 48Intstd,a
0. 83 28. 62 0. 81 29. 79 0. 74 32. 31
Hx: 树高统计量的集合 Tree height statistics sets; R2adj:调整决定系数 Adjusted correlation coefficient; stepwise:逐步回归 Stepwise regression. 下同
The same below.
332311 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 刘摇 峰等: 中亚热带森林单木地上生物量的机载激光雷达估测摇 摇 摇 摇 摇 摇
表 5摇 M7模型系数、t值和共线性检验结果
Table 5摇 Results of M7 regression model coefficients, t values and collinearity
变量 Variable Uns_coefficient S_coefficient t Sig. VIF
常数 Constant 60. 214 100. 663 0. 000
树冠体积 Canopy geometric volume (G) 52. 418 0. 96 17. 261 0. 000 1. 126
第一回波百分位高度 H90,1 0. 534 0. 10 5. 261 0. 195 1. 177
坡度 Slope 1. 222 0. 22 1. 989 0. 074 1. 006
全部回波的特征值 Intstd,a 0. 480 0. 09 1. 304 0. 282 1. 001
Uns_coefficient: 非标准化系数 Non鄄standardized coefficient; S_coefficient: 标准化系数 Standardized coefficient; t: t检验值 t鄄test value; Sig. : 显著
性 Significance; VIF: 方差膨胀因子 Variance expansion factor.
表 6摇 基于树高因子估测单木材积模型拟合
Table 6摇 Fitting statistics for the model that predicted the individual volume from height metrics
树高因子
Height factor
第一回波
1 st canopy return
R2adj RMSE (m3)
第二回波
2nd canopy return
R2adj RMSE (m3)
全部回波
All canopy returns
R2adj RMSE (m3)
H10 0. 24 0. 41 0. 12 0. 46 0. 10 0. 48
H20 0. 35 0. 40 0. 15 0. 45 0. 25 0. 44
H30 0. 37 0. 39 0. 15 0. 45 0. 26 0. 40
H40 0. 42 0. 39 0. 22 0. 43 0. 28 0. 39
H50 0. 45 0. 39 0. 21 0. 43 0. 33 0. 37
H60 0. 48 0. 38 0. 24 0. 41 0. 39 0. 38
H70 0. 49 0. 38 0. 45 0. 39 0. 47 0. 37
H80 0. 51 0. 33 0. 50 0. 35 0. 52 0. 36
H90 0. 54 0. 32 0. 50 0. 35 0. 54 0. 34
H100 0. 53 0. 33 0. 50 0. 35 0. 52 0. 35
Hmean 0. 45 0. 37 0. 11 0. 45 0. 40 0. 38
Hstd 0. 42 0. 38 0. 45 0. 38 0. 50 0. 34
Hcv 0. 17 0. 54 0. 20 0. 44 0. 08 0. 48
(表 5),说明该模型的解释性较强,稳定性较好. 根
据 t 值检验和逐步回归顺序, 乔木层地上生物量的
影响因素次序依次为冠层体积(G)、第一回波百分
位高度(H80,1)、坡度(Slope)和全部回波的特征值
( Intstd,a),其方差膨胀因子都<2,表明 4 个自变量之
间的共线性干扰较小.
3摇 讨摇 摇 论
单木尺度的参数反演是机载激光雷达技术精确
估测森林生物量的趋势之一. 在高密度激光点云的
基础上,利用统计决策理论中的最优准则求解满足
条件随机场的最大概率分布,可实现单木三维点云
的正确分割.为进一步提高单木识别率,一应正确分
解回波波形,提高点云的密度,特别是多回波的分解
能有效获取垂直方向上多层树冠信息;二应融合其
他遥感影像,如高分辨率影像的纹理信息或高光谱
影像的波谱信息.
表 4 中 Hx指数形式模型(M1)说明仅利用树高
因子估测生物量的效果并不好,虽然采用逐步回归
模型(M4)的精度有所提高,但仍不及与其他因子组
合生成的模型精度.树高反演是大多数 LiDAR 生物
量估测研究中要考虑的主要问题之一,因为树高是
能直接测量得到的关键因子,本文讨论基于 M1模
型,利用百分位高度估测单木材积(表 6).树高因子
中百分位值对应的精度逐渐增强,第一回波和全部
回波在 90%百分位的 R2adj最大,100%百分位次之.
主要原因是针叶林中的杉木冠层呈圆锥状,激光回
波很少来自树冠顶部,大多来自稍低的部分,阔叶林
的冠层呈圆弧形,树顶部能返回较多的回波,所以
90%或 100%百分位高度与实际树高相近.另外,第
一回波信号一般很稳定且来自树冠上部,因此该回
波的高度百分位值对应的 R2adj比其他回波大.
摇 摇 表 4 中 M2模型的精度明显比 M1模型高,说明
基于 G的地上生物量拟合效果比基于树高因子的
更好.主要原因是:1)G反映了单木冠层结构三维特
征,而百分位高度只是垂直方向上的特征;2)试验
区中杉木人工林林相整齐,均质性高,冠状完整,而
阔叶林中青冈或甜槠冠层呈椭球状,高大突出,从
LiDAR数据中能较好地提取单木三维冠层;3)针阔
混交林中群落交替,冠层叠置,虽然单木级别的冠层
有一定误差,但林分级别的冠层误差较小. M3模型
不仅模型结构简单,易解释,而且能较好反映出G
4323 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
表 7摇 坡度对树高估测的影响
Table 7摇 Influence of the slope on tree height estimation
坡度
Slope
(毅)
树高均值
Mean height
(m)
树高方差
Height variance
(m)
R2 RMSE
(m)
0 ~ 5 14. 20 2. 05 0. 93 2. 04
5 ~ 10 16. 51 2. 76 0. 88 3. 11
10 ~ 25 15. 35 3. 42 0. 79 3. 64
>25 15. 26 4. 18 0. 68 4. 57
与地上生物量的线性关系,这与 West 等[24]提出的
“生物量与树冠层体积呈比例冶理论相符.说明以 G
为基础的模型能得到更好的生物量估测结果.
坡度是另一个要考虑的因素,原因是坡度对树
高估测有影响[25-26] .以林龄为 20 年的杉木林为例,
随着坡度增加,估测树高的精度呈下降趋势,对于平
地(0 ~ 5毅)和缓坡(5 ~ 10毅)地区,树高估测精度较
高,而在陡坡( >25毅)地区的精度显著降低(表 7).
为提高树高估测精度,特别是在陡坡区域,尽量选择
扫描角度小的激光雷达数据,减少高程测量的误差,
削弱地形的影响. 另外,回波强度也是误差来源之
一,因为在复杂林况中回波强度反映的树高和森林
类型可能与实际情况存在误差,进而影响回归模型
的精度.
摇 摇 本文以湖南省雪峰山南麓武冈林场的中亚热带
森林为试验区,通过机载 LiDAR点云数据处理分析
和外业测量,应用基于对象的方法和回归分析进行
了乔木层地上生物量的估测试验,结果表明:三维激
光点云中以单木尺度为研究对象是机载激光雷达估
测森林生物量的趋势之一,利用条件随机场模型和
最优化方法能得到较高的单木识别率,有助于单木
参数提取.以单木为对象的 LiDAR反演变量组所构
成的多元逐步回归模型,其生物量估测精度较高,就
森林类型而言,针叶林最好,其次是阔叶林和针阔混
交林.就生物量估测模型中变量的重要性而言,冠层
体积最重要,其次是树高百分位值、坡度和回波
强度.
参考文献
[1]摇 Nelson R, Krabill W, Tonelli J. Estimating forest bio鄄
mass and volume using airborne laser data. Remote
Sensing of Environment, 1998, 24: 247-267
[2]摇 Naesset E. Practical large鄄scale forest stand inventory
using a small鄄footprint airborne scanning laser. Scandi鄄
navian Journal of Forest Research, 2004, 19: 164-179
[3]摇 Popescu SC, Zhao K. A voxel鄄based lidar method for
estimating crown base height for deciduous and pine
trees. Remote Sensing of Environment, 2008, 112:
767-781
[4]摇 Edson C, Wing G. Airborne light detection and ranging
(LiDAR) for individual tree stem location, height, and
biomass measurements. Remote Sensing, 2011, 3:
2494-2528
[5]摇 Lefsky MA, Cohen WB, Acker SA, et al. Lidar remote
sensing of the canopy structure and biophysical proper鄄
ties of Douglas鄄fir and western hemlock forests. Remote
Sensing of Environment, 1999, 70: 339-361
[6]摇 Popescu SC. Estimating biomass of individual pine trees
using airborne lidar. Biomass & Bioenergy, 2007, 31:
646-655
[7]摇 Sun GQ, Ranson KJ, Guo Z, et al. Forest biomass
mapping from lidar and radar synergies. Remote Sensing
of Environment, 2011, 115: 2906-2916
[8]摇 van Aardt J, Wynne RH, Oderwald RG. Forest volume
and biomass estimation using small鄄footprint LiDAR:
Distributional parameters on a per鄄segment basis. Forest
Science, 2006, 52: 636
[9]摇 Kwak DA, Lee WK, Cho HK, et al. Estimating stem
volume and biomass of Pinus koraiensis using LiDAR
data. Journal of Plant Research, 2010, 123: 421-432
[10]摇 Reitberger J, Schnorr CL, Krzystrek P, et al. 3D seg鄄
mentation of single tree exploiting full waveform LiDAR
data. ISPRS Journal of Photogrammetry and Remote
Sensing, 2009, 4: 1-14
[11]摇 Yao W, Krzystek P, Heurich M. Tree species classifi鄄
cation and estimation of stem volume and DBH based
on single tree extraction by exploiting airborne full鄄
waveform LiDAR data. Remote Sensing of Environment,
2012, 123: 368-380
[12]摇 Pang Y (庞摇 勇), Li Z鄄Y (李增元). Inversion of bio鄄
mass components of the temperate forest using airborne
Lidar technology in Xiaoxing爷 an Mountains, Northeast鄄
ern of China. Chinese Journal of Plant Ecology (植物生
态学报), 2012, 36(10): 1095-1105 (in Chinese)
[13]摇 Zhao K, Popescu S, Nelson R. LiDAR remote sensing
of forest biomass: A scale鄄invariant estimation approach
using airborne lasers. Remote Sensing of Environment,
2009, 113: 182-196
[14]摇 Liu Q鄄W (刘清旺), Li Z鄄Y (李增元), Chen E鄄X (陈
尔学), et al. Estimating biomass of individual trees
using point cloud data of airborne LiDAR. Chinese High
Technology Letters (高技术通讯), 2010, 20 ( 7 ):
765-770 (in Chinese)
[15]摇 Xing Y鄄Q (邢艳秋), Wang L鄄H (王立海). ICESat鄄
GLAS full wave form鄄based study on forest canopy height
retrieval in sloped area: A case study of forests in
Changbai Mountains, Jilin. Geomatics and Information
Science of Wuhan University (武汉大学学报·信息科
学版), 2009, 34(6): 696-700 (in Chinese)
[16] 摇 Reitberger J, Stilla KP. Analysis of full wave form Li鄄
DAR data for the classification of deciduous and conifer鄄
ous trees. International Journal of Remote Sensing,
2008, 29: 1407-1431
[17]摇 Chauve A, Mallet C, Bretar F, et al. Processing full
waveform lidar data: Modelling raw signals. Remote
532311 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 刘摇 峰等: 中亚热带森林单木地上生物量的机载激光雷达估测摇 摇 摇 摇 摇 摇
Sensing and Spatial Information Sciences, 2007, 39:
102-107
[18]摇 Feng Z鄄W (冯宗炜). Biomass and Productivity of For鄄
est Ecosystems in China. Beijing: Science Press, 1999
(in Chinese)
[19]摇 Luo T鄄X (罗天祥). Patterns of Net Primary Productivi鄄
ty for Chinese Major Forest Types and Their Mathemati鄄
cal Models. PhD Thesis. Beijing: Chinese Academy of
Sciences, 1996 (in Chinese)
[20]摇 Axellson P. Generation from laser scanner data using
adaptive TIN models. ISPRS Journal of Photogrammetry
and Remote Sensing, 2000, 33: 100-117
[21]摇 Liu F (刘 摇 峰), Gong J鄄Y (龚健雅). Detection of
urban vegetation with 3D LiDar. Geography and Geo鄄
Information Science (地理与地理信息科学), 2009,
25(3): 5-8 (in Chinese)
[22]摇 Hwang H, Haddad R. Adaptive median filters: New
algorithms and results. IEEE Transactions on Image
Processing, 1995, 4: 499-502
[23] 摇 Andrew G, Gao J. Scalable training of L1鄄regularized
log鄄linear models. Proceedings of the 24th International
Conference on Machine Learning, Michigan, 2007: 33-
40
[24]摇 West GB, Brown JH, Enquist BJ. A general model for
the structure and allometry of plant vascular systems.
Nature, 1999, 400: 664-667
[25]摇 Zhang Z鄄C (张昭臣), Hao Z鄄Q (郝占庆), Ye J (叶
吉), et al. Short鄄term death dynamics of trees in natu鄄
ral secondary poplar鄄birch forest in Changbai Mountains
of Northeast China. Chinese Journal of Applied Ecology
(应用生态学报), 2013, 24(2): 303-310 ( in Chi鄄
nese)
[26]摇 Hu L鄄L (胡理乐), Yan B鄄Q (闫伯前), Liu Q鄄J (刘
琪璟), et al. Interspecific association between under鄄
story species in a southern highland plantation. Chinese
Journal of Applied Ecology (应用生态学报), 2005, 16
(11): 2019-2024 (in Chinese)
作者简介摇 刘摇 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鄄mail: liufeng0808@126. com
责任编辑摇 杨摇 弘
6323 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷