基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型构建

doi:10.13466/j.cnki.lyzygl.2021.01.008

林业资源管理 ›› 2021›› Issue (1): 50-60.doi: 10.13466/j.cnki.lyzygl.2021.01.008

基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型构建

许昌建¹^,²(), 刘迎春¹(), 左丽君³, 李建更², 张婷², 韩路萌², 方宇², 张尹², 王天²

1.国家林业和草原局调查规划设计院,北京 100714
2.北京工业大学信息学部,北京 100124
3.中国科学院空天信息研究院,北京 100094

收稿日期:2020-11-09 修回日期:2020-12-12 出版日期:2021-02-28 发布日期:2021-03-30
通讯作者: 刘迎春
作者简介:许昌建(1994-),男,江西吉安人,硕士,从事深度学习技术在林业领域应用的研究工作。Email:changjian.xu@qq.com
基金资助:
国家自然科学基金项目(31400426);国家水体污染控制与治理科技重大专项(2017ZX07101001)

Estimation on Forest Above-Ground Biomass Based on Simulated Large-Footprint LiDAR and Multi-Layer Perceptron

XV Changjian¹^,²(), LIU Yingchun¹(), ZUO Lijun³, LI Jiangeng², ZHANG Ting², HAN Lumeng², FANG Yu², ZHANG Yin², WANG Tian²

1. Academy of Inventory and Planning,National Forestry and Grassland Administration,Beijing 100714,China
2. Faculty of Information Technology,Beijing University of Technology,Beijing 100124,China
3. Aerospace Information Research Institute,Chinese Academy of Sciences,Beijing 100094,China

Received:2020-11-09 Revised:2020-12-12 Online:2021-02-28 Published:2021-03-30
Contact: LIU Yingchun

摘要/Abstract

摘要：

森林是全球重要的陆地生态系统,各国普遍采用地面样地调查的方法评估其资源量和生物量。随着激光雷达技术的发展,采用星载大光斑激光雷达估算大区域森林地上生物量将成为另一种选择。为探索利用大光斑激光雷达估算森林地上生物量的方法,提出了一种基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型。比较仿真大光斑激光雷达波形参数13种组合拟合森林地上生物量的效果后,认为多层感知器的估测精度高于多元线性回归。与样地实测地上生物量相比,多元线性回归估测结果的偏差范围为-34.96~23.28t/hm²,多层感知器估测结果的偏差范围更小,为-19.09~20.19t/hm²。因此,多层感知器估测森林地上生物量的效果优于多元线性回归。

关键词: 地上生物量, 激光雷达, 仿真波形, 多层感知器

Abstract:

Forests are important global terrestrial ecosystems.Sample survey is a commonly used method by countries to assess their forest resources and biomass.With the development of LiDAR technology,spaceborne large-footprint ladar become an option to estimate forest above-ground biomass(AGB) in large areas.In order to develop the method to estimate forest AGB with large-footprint LiDAR,the study proposes an AGB estimation model based on simulated large-footprint LiDAR and multi-layer perceptron.Based on 13 groups of LiDAR waveform parameters,the multi-layer perceptron achieves higher accuracy than multiple linear regression to estimate AGB.Compared with the field measured AGB,the deviation range of the estimated AGB from the multiple linear regression is between -34.96 to 23.28 t/hm² and the estimated deviation of the multi-layer perceptron is between -19.09 to 20.19 t/hm².Therefore,multi-layer perceptron is better than multiple linear regression in estimating forest AGB.

Key words: above-ground biomass, LiDAR, simulated waveform, multi-layer perceptron

中图分类号:

S771.8

许昌建, 刘迎春, 左丽君, 李建更, 张婷, 韩路萌, 方宇, 张尹, 王天. 基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型构建[J]. 林业资源管理, 2021,(1): 50-60.

XV Changjian, LIU Yingchun, ZUO Lijun, LI Jiangeng, ZHANG Ting, HAN Lumeng, FANG Yu, ZHANG Yin, WANG Tian. Estimation on Forest Above-Ground Biomass Based on Simulated Large-Footprint LiDAR and Multi-Layer Perceptron[J]. FOREST RESOURCES WANAGEMENT, 2021,(1): 50-60.

图/表 16

表1

图1

图2

表2

主要树种生物量异速生长方程

树种	异速生长方程	参考文献
落叶松(L.gmelinii)	$W = 0.271(D 2 H) 0.682$	[14]
油松(P.tabulaeformis)	$W = 0.160 D 2.100$	[15]
杨树(Populus L.)	$W = 0.078 D 2.558$	[16]
白桦(B.platyphylla Suk.)	$W = 0.164 D 2.400$	[17]
山杨(P.davidiana)	$W = 0.078 D 2.558$	[17]
蒙古栎(Q.mongolica)	$W = 0.131 D 2.437$	[17]
樟子松(P.sylvestnis var.)	$W = 0.153(D 2 H) 0.742$	[18]

表2

图3

表3

波形参数定义

参数	定义
$Q x$	由回波波形确定的第 $x$ 百分位数的高度( $x$ =10,20,25,30,40,50,60,70,75,80,90,95)
$Avg$	平均高,即波形起始位置到波形结束位置之间的高度加权均值
$Max$	最大高,即波形起始位置与波形结束位置之间的高度
$CV$	波形变异系数
$SD$	波形标准差

表3

图4

图5

图6

图7

图8

表4

单变量线性回归模型参数及拟合效果

输入变量	$β$	$ε$	R²	Adj.R²	MAE/(t/hm²)	RMSE/(t/hm²)	RMSEr/%
Q₁₀	[1.263]	45.067	0.01	0.01	26.79	38.99	15.27
Q₂₅	[2.297]	36.302	0.05	0.05	25.83	38.26	14.98
Q₅₀	[3.419]	23.167	0.14	0.14	23.31	36.40	14.25
Q₇₅	[4.601]	11.668	0.26	0.26	21.81	33.67	13.19
Q₉₅	[4.131]	3.678	0.40	0.40	20.29	27.88	10.92
Max	[3.735]	2.625	0.49	0.49	21.13	30.35	11.88
Avg	[2.057]	48.043	0.01	0.01	26.74	38.92	15.24
CV	[-9.357]	66.130	0.07	0.07	26.97	37.86	11.83
SD	[76.263]	34.017	0.01	0.01	27.15	38.96	15.26

表4

表5

13种波形参数组合得到的多元线性回归模型

编号	波形参数组合	$β$	$ε$
1	Avg,CV,SD	[0.423,-10.109,-35.482]	74.666
2	Q₂₅,Q₅₀,Q₇₅	[-3.503,-7.643,12.551]	14.323
3	Q₁₀,Q₅₀,Q₉₅	[-2.014,-4.683,7.631]	11.499
4	Q₁₀,Q₇₅,Q₉₅	[-2.336,-6.626,9.844]	11.534
5	Q₁₀,Q₅₀,Max	[-0.993,-1.858,4.682]	10.311
6	Q₁₀,Q₂₅,Q₅₀	[-2.534,-7.793,11.455]	31.133
7	Q₅₀,Q₇₅,Q₉₅	[-3.218,-5.908,10.787]	10.976
8	Q₅₀,Q₇₅,Max	[-4.641,2.380,4.316]	9.926
9	Q₇₅,Q₉₅,Max	[-7.749,7.178,2.679]	9.198
10	Q₁₀,Q₂₅,Q₅₀,Q₇₅,Q₉₅	[-1.897,-0.935,0.223,-7.099,10.619]	11.493
11	Q₁₀,Q₂₅,Q₅₀,Q₇₅,Q₉₅,Max	[-0.847,-1.295,-0.015,-5.287,6.608,2.218]	10.363
12	Q₁₀,Q₂₅,Q₅₀,Q₇₅,Q₉₅,Max,Avg,CV,SD	[-2.105,-2.792,-0.809,4.231,8.881,1.419,0.833,13.184,138.172]	-46.816
13	ALL^*	[-1.131,-4.441,1.826,-0.799,-0.863,1.066,-1.685,-2.498,4.522,-9.013,6.122,5.783,0.895,13.100,1.543,137.889]	-46.717

表5

表6

图9

图10

参考文献 24

[1]	Fang Jingyun, Yu Guirui, Liu Lingli, et al. Climate change,human impacts,and carbon sequestration in China[J]. Proceedings of the National Academy of Sciences, 2018,115(16):4015-4020.
[2]	Nascimento H E M, Laurance W F. Total above-ground biomass in central Amazonian rainforests:a landscape-scale study[J]. Forest ecology and management, 2002,168(1-3):311-321.
[3]	Nie Sheng, Wang Cheng, Zeng Hongcheng, et al. Above-ground biomass estimation using airborne discrete-return and full-waveform LiDAR data in a coniferous forest[J]. Ecological Indicators, 2017,78:221-228.
[4]	刘茜, 杨乐, 柳钦火, 等. 森林地上生物量遥感反演方法综述[J]. 遥感学报, 2015,19(1):62-74.
[5]	刘清旺, 李增元, 陈尔学, 等. 机载LIDAR点云数据估测单株木生物量[J]. 高技术通讯, 2010,7:765-770.
[6]	洪奕丰, 张守攻, 陈伟, 等. 基于机载激光雷达的落叶松组分生物量反演[J]. 林业科学研究, 2019(5):12.
[7]	Margolis H A, Nelson R F, Montesano P M, et al. Combining satellite lidar,airborne lidar,and ground plots to estimate the amount and distribution of above-ground biomass in the boreal forest of North America[J]. Canadian Journal of Forest Research, 2015,45(7):838-855.
[8]	Muss J D, Mladenoff D J, Townsend P A. A pseudo-waveform technique to assess forest structure using discrete lidar data[J]. Remote Sensing of Environment, 2011,115(3):824-835.
[9]	吴娇娇, 欧光龙, 舒清态. 基于BP神经网络模型思茅松天然林生物量遥感估测[J]. 中南林业科技大学学报, 2017,37(7):30-35.
[10]	孙翊, 姜树海, 陈至灵. 人工神经网络在林业上的应用研究进展[J]. 世界林业研究, 2019,32(3):7-12.
[11]	徐辉, 潘萍, 宁金魁, 等. 多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用[J]. 东北林业大学学报, 2018,46(1):63-67.
[12]	徐奇刚, 雷相东, 国红, 等. 基于多层感知机的长白落叶松人工林林分生物量模型[J]. 北京林业大学学报, 2019,41(5):97-107.
[13]	Le Cun Y, Bengio Y, Hinton G. Deep learning[J]. nature, 2015,521(7553):436-444. doi: 10.1038/nature14539 pmid: 26017442
[14]	罗云建, 张小全, 王效科, 等. 华北落叶松人工林生物量及其分配模式[J]. 北京林业大学学报, 2009,6(1):13-18.
[15]	白静. 油松人工林生长特征及其与林分结构关系研究[D]. 呼和浩特:内蒙古农业大学, 2008.
[16]	吴俊民, 苏贵林, 刘成志, 等. 黑龙江省西部杨树人工林生物量的估算方法[J]. 林业科技, 2000(3):14-16.
[17]	Wang Chuankuan. Biomass allometric equations for 10 co-occurring tree species in Chinese temperate forests[J]. Forest Ecology and Management, 2006,222(1-3):9-16.
[18]	贾炜玮, 于爱民. 樟子松人工林单木生物量模型研究[J]. 林业科技情报, 2008,40(2):1-2
[19]	Hancock S, Armston J, Hofton M, et al. The GEDI simulator:a large-footprint waveform Lidar simulator for calibration and validation of spaceborne missions[J]. Earth and Space Science, 2019,6(2):294-310. doi: 10.1029/2018EA000506 pmid: 31008149
[20]	Chen J M, Pavlic G, Brown L, et al. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements[J]. Remote Sensing of Environment, 2002,80(1):165-184. doi: 10.1016/S0034-4257(01)00300-5
[21]	Richardson J J, Moskal L M, Kim S H. Modeling approaches to estimate effective leaf area index from aerial discrete-return LIDAR[J]. Agricultural and Forest Meteorology, 2009,149(6-7):1152-1160. doi: 10.1016/j.agrformet.2009.02.007
[22]	Hyer E J, Goetz S J. Comparison and sensitivity analysis of instruments and radiometric methods for LAI estimation:assessments from a boreal forest site[J]. Agricultural and Forest Meteorology, 2004,122(3-4):157-174. doi: 10.1016/j.agrformet.2003.09.013
[23]	张志, 田昕, 陈尔学, 等. 森林地上生物量估测方法研究综述[J]. 北京林业大学学报, 2011,33(5):144-150.
[24]	Goodfellow I, Bengio Y, Courville A. Deep learning[M]. Cambridge,MA:MIT press, 2016.

参数名称	参数数值
激光发射频率/(kHz)	400
飞行速度/(km/h)	20
平均绝对航高/m	1650
高程/m	1500
相对航高/m	150
航线间距/m	260
旁向重叠度/%	50

编号	参数组合	R² (MLR\|MLP)	Adj.R² (MLR\|MLP)	MAE(t/hm²) (MLR\|MLP)	RMSE(t/hm²) (MLR\|MLP)	RMSE_r/% (MLR\|MLP)
1	Avg,CV,SD	0.07\|0.23	0.07\|0.22	26.75\|23.39	37.81\|36.62	14.80\|14.34
2	Q₂₅,Q₅₀,Q₇₅	0.43\|0.44	0.43\|0.44	19.57\|16.58	29.60\|31.18	11.59\|12.18
3	Q₁₀,Q₅₀,Q₉₅	0.53\|0.66	0.53\|0.66	19.05\|13.44	26.75\|24.31	10.47\|9.52
4	Q₁₀,Q₇₅,Q₉₅	0.55\|0.71	0.54\|0.71	18.92\|12.73	26.43\|22.31	10.35\|8.74
5	Q₁₀,Q₅₀,Max	0.54\|0.77	0.54\|0.77	19.46\|11.12	26.70\|19.97	10.46\|7.81
6	Q₁₀,Q₂₅,Q₅₀	0.28\|0.42	0.28\|0.41	20.76\|17.83	33.33\|31.90	13.05\|12.49
7	Q₅₀,Q₇₅,Q₉₅	0.54\|0.69	0.53\|0.68	19.34\|12.24	26.73\|23.35	10.47\|9.14
8	Q₅₀,Q₇₅,Max	0.54\|0.78	0.54\|0.77	19.64\|11.04	26.66\|19.69	10.44\|7.71
9	Q₇₅,Q₉₅,Max	0.55\|0.76	0.55\|0.76	19.40\|11.79	26.27\|20.30	10.29\|7.95
10	Q₁₀,Q₂₅,Q₅₀,Q₇₅,Q₉₅	0.55\|0.75	0.54\|0.74	18.96\|11.97	26.42\|20.90	10.35\|8.18
11	Q₁₀,Q₂₅,Q₅₀,Q₇₅,Q₉₅,Max	0.56\|0.76	0.56\|0.75	19.12\|11.15	26.04\|20.62	10.20\|8.08
12	Q₁₀,Q₂₅,Q₅₀,Q₇₅,Q₉₅,Max,Avg,CV,SD	0.60\|0.77	0.60\|0.76	17.44\|10.81	24.74\|19.97	9.69\|7.82
13	ALL	0.60\|0.80	0.60\|0.79	17.45\|10.48	24.66\|18.52	9.65\|7.25

基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型构建

Estimation on Forest Above-Ground Biomass Based on Simulated Large-Footprint LiDAR and Multi-Layer Perceptron

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

[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]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[4]	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.
[5]	张绘芳, 朱雅丽, 张景路, 高健, 地力夏提·包尔汉. 基于高分遥感数据的阿尔泰山乔木林地上生物量预测[J]. 林业资源管理, 2023, 0(2): 104-110.
[6]	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.
[7]	蔡会德, 卢峰, 徐占勇, 潘黄儒, 孟想, 曾伟生. 桉树相容性可加性立木生物量模型系统研建[J]. 林业资源管理, 2023, 0(1): 87-93.
[8]	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.
[9]	聂靖, 陆驰, 欧光龙, 胥辉. 基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测[J]. 林业资源管理, 2022, 0(6): 68-75.
[10]	朱雅丽, 张景路, 张绘芳, 地力夏提·包尔汉, 廉佳佳. 天山中部锦鸡儿生物量分析及模型构建[J]. 林业资源管理, 2022, 0(5): 129-135.
[11]	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.
[12]	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.
[13]	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.
[14]	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, 0(6): 37-42.
[15]	唐金灏, 张加龙, 陈立业, 程滔. 高山松地上生物量估测与尺度转换研究[J]. 林业资源管理, 2021, 0(6): 83-89.