基于归一化植被点云的林分平均高及蓄积量反演

doi:10.13466/j.cnki.lyzygl.2021.06.007

林业资源管理 ›› 2021›› Issue (6): 37-42.doi: 10.13466/j.cnki.lyzygl.2021.06.007

基于归一化植被点云的林分平均高及蓄积量反演

王照利¹(), 王浩伟², 杨佳乐¹, 段梦琦², 马胜利¹()

1.国家林业和草原局西北调查规划设计院,西安 710048
2.中煤航测遥感集团有限公司,西安 710199

收稿日期:2021-10-09 修回日期:2021-11-10 出版日期:2021-12-28 发布日期:2022-01-12
通讯作者: 马胜利
作者简介:王照利(1971-),男,陕西华县人,高工,硕士,主要从事林业调查规划与“3S”技术在林业领域应用研究。Email: wzlxby@126.com
基金资助:
中国煤炭地质总局自然资源智能感知科技创新团队(ZMKJ-2020-T04);国家林业和草原局自主研发项目(LC-1-05);中煤总局科技项目(ZMKJ-2020-J09-02)

The Inversion of Average Stand Height and Stock Volume based on Normalized Vegetation Point Cloud

WANG Zhaoli¹(), WANG Haowei², YANG Jiale¹, DUAN Mengqi², MA Shengli¹()

1. Northwest Surveying,Planning and Designing Institute of National Forestry and Grassland Administration,Xi'an,710048,China
2. Aerial Photography and Remote Sensing Group Co.Ltd.,Xi'an 710199,China

Received:2021-10-09 Revised:2021-11-10 Online:2021-12-28 Published:2022-01-12
Contact: MA Shengli

摘要/Abstract

摘要：

提出一种归一化植被点云计算方法,利用植被点云与地面点云的垂直高程差表征去除地形影响的林木绝对高度值,在此基础上提取森林特征变量,使用随机森林算法对研究区林木平均高及蓄积量进行反演估测。结果表明,该方法能够有效提高森林因子的估测精度,林木平均高及蓄积量的拟合精度分别为0.946和0.936。

关键词: 激光雷达, 归一化植被点云, 森林因子反演, 储备林

Abstract:

This paper proposed a normalized vegetation point cloud computing method,which used vertical elevation difference characterization between vegetation point cloud and ground point cloud to remove the absolute height value of forest influenced by topography,on this basis,it extracted forest characteristics variables,and used the random forest algorithm to invert and estimate the average tree height and the forest stock volume within the study area. The result showed that this method can effectively improve the estimation accuracy of forest factors,and the fitting accuracy of average tree height and forest stock volume were 0.946 and 0.936,respectively.

Key words: LiDAR, normalized vegetation point cloud, forest factor inversion, reserve forest

中图分类号:

S758.5

王照利, 王浩伟, 杨佳乐, 段梦琦, 马胜利. 基于归一化植被点云的林分平均高及蓄积量反演[J]. 林业资源管理, 2021,(6): 37-42.

WANG Zhaoli, WANG Haowei, YANG Jiale, DUAN Mengqi, MA Shengli. The Inversion of Average Stand Height and Stock Volume based on Normalized Vegetation Point Cloud[J]. FOREST RESOURCES WANAGEMENT, 2021,(6): 37-42.

图/表 11

图1

图2

图3

表1

表2

图4

图5

表3

表4

图6

图7

参考文献 10

[1]	Getzin S, Wiegand K, Schöning I. Assessing biodiversity in forests using very high-resolution images and unmanned aerial vehicles[J]. Methods in Ecology and Evolution, 2012, 3(2):397-404. doi: 10.1111/j.2041-210X.2011.00158.x
[2]	Saarinen N, Vastaranta M, NäSI R, et al. Assessing biodiversity in boreal forests with UAV-Based photogrammetric point clouds and hyper spectral imaging[J]. Remote Sensing, 2018, 10(2):59-63. doi: 10.3390/rs10010059
[3]	赵峰. 机载激光雷达数据和数码相机影像林木参数提取研究[D]. 北京:中国林业科学研究院, 2007.
[4]	鲁林. 基于随机森林和三维树模型的低密度机载LiDAR数据针叶林树高估算[D]. 福州:福州大学, 2017.
[5]	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.
[6]	刘东起, 范文义, 李明泽. 利用小光斑激光雷达估测林分参数和生物量[J]. 东北林业大学学报, 2012, 40(1):39-43.
[7]	穆喜云, 张秋良, 刘清旺, 等. 基于机载LiDAR数据的林分平均高及郁闭度反演[J]. 东北林业大学学报, 2015, 43(9):84-89.
[8]	庞勇, 赵峰, 李增元, 等. 机载激光雷达平均树高提取研究[J]. 遥感学报, 2008, 12(1):152-158.
[9]	李卉, 李德仁, 黄先锋, 等. 一种渐进加密三角网LIDAR点云滤波的改进算法[J]. 测绘科学, 2009, 34(3):39-40.
[10]	鲁林, 周小成, 余治忠, 等. 随机森林算法在机载LiDAR数据林分平均树高估算中的应用研究[J]. 地球信息科学学报, 2016, 18(8):1133-1140. doi: 10.3724/SP.J.1047.2016.01133

特征变量	详细描述
最大高程	NVPC中高程最大值
最小高程	NVPC中高程最小值
平均高程	NVPC中高程平均值
高程四分位间距	NVPC中上四分位数与下四分位数高程之差
方差	NVPC中高程方差
标准差	NVPC中高程标准差
上四分位数高程	NVPC中高程上四分位数

特征变量	详细描述
上四分位密度	上四分位数高程以上点在植被点中所占比
下四分位密度	下四分位数高程以上点在植被点中所占比
密度四分位间距	上四分位密度与下四分位密度之差

序号	实测树高	反演结果
序号	实测树高	改进前	差值1	改进后	差值2
1	9.4	10.442	1.042	9.439	0.039
2	10.6	10.879	0.279	10.387	0.213
3	11.1	12.561	1.461	11.563	0.463
4	13.0	12.346	0.654	12.863	0.137
5	16.5	16.846	0.346	16.575	0.075
6	9.8	9.865	0.065	9.880	0.080
7	12.4	12.660	0.260	12.339	0.061
8	11.8	12.120	0.320	11.809	0.009
9	10.1	10.367	0.267	10.010	0.090
10	8.9	9.285	0.385	9.100	0.200

序号	实测蓄积	反演结果
序号	实测蓄积	改进前	差值1	改进后	差值2
1	3.8	4.671	0.871	3.778	0.022
2	5.3	4.595	0.705	5.194	0.106
3	6.2	6.536	0.336	5.831	0.369
4	7.6	6.819	0.781	7.658	0.058
5	8.4	9.132	0.732	8.707	0.307
6	10.4	11.098	0.698	9.765	0.635
7	11.1	12.644	1.544	11.090	0.010
8	12.5	11.543	0.957	11.950	0.550
9	13.9	13.088	0.812	12.620	1.280
10	18.0	16.245	1.755	17.594	0.406

[1]	唐佳俊, 柴宗政. 基于机载激光雷达和机器学习的林分平均胸径遥感估测[J]. 林草资源研究, 2024, 0(1): 56-64.
[2]	唐佳俊, 汪刚, 柴宗政. 基于机载激光雷达点云数据的马尾松单木材积估测[J]. 林草资源研究, 2023, 0(6): 105-112.
[3]	罗丹, 王庆飞, 晁碧霄, 李乐, 郝泽周, 卢渊, 王成, 武瑞琛, 刘飞鹏, 裴男才. 广州市森林和城镇交界域林分尺度上的火险等级评价[J]. 林业资源管理, 2023, 0(3): 56-64.
[4]	邱洁, 李倩楠, 虞瑶. 机载激光雷达数据估测森林资源蓄积量研究[J]. 林业资源管理, 2023, 0(1): 153-160.
[5]	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.
[6]	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.
[7]	宋志伟, 周红斌, 朱丽艳, 王海亮, 路飞, 吴落军. 基于SWOT-AHP的普洱市国家储备林发展战略分析[J]. 林业资源管理, 2022, 0(2): 19-26.
[8]	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.
[9]	谷志新, 裴方睿. 基于多层K-means在森林点云中的单木识别算法[J]. 林业资源管理, 2022, 0(1): 124-131.
[10]	刘迎春, 吴发云, 孙忠秋, 付安民, 高金萍, 高显连, 高剑新, 崔晨彦, 晁智. 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, 0(4): 138-148.
[11]	高金萍, 孙忠秋, 于慧娜, 高显连, 吴发云, 刘迎春. 基于航空点云的落叶松林分蓄积量建模和应用测试初探[J]. 林业资源管理, 2021, 0(4): 54-61.
[12]	陈京华, 国红, 贺鹏, 雷相东, 卢军, 刘宪钊. 雄安新区国家储备林栽培模型设计[J]. 林业资源管理, 2021, 0(3): 47-52.
[13]	刘迎春, 高显连, 贺岩, 崔晨彦, 高剑新, 俞家勇, 蔡龙涛, 吴发云. 全国林草资源调查机载大光斑激光雷达挂飞检校和验证[J]. 林业资源管理, 2021, 0(2): 52-60.
[14]	罗廉. 央地合作共建国家储备林项目的实践与启示——以重庆国家储备林项目为例[J]. 林业资源管理, 2021, 0(1): 11-16.
[15]	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.

基于归一化植被点云的林分平均高及蓄积量反演

The Inversion of Average Stand Height and Stock Volume based on Normalized Vegetation Point Cloud

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 10

相关文章 15

编辑推荐

Metrics

本文评价