Estimation of Single Wood Factor of Picea schrenkiana var.tianshanica Forest Based on Backpack LiDAR

doi:10.13466/j.cnki.lyzygl.2021.02.014

Abstract

Abstract:

High precision lossless rapid estimation of single wood factor is very important for forest resource monitoring and evaluation.Backpack lidar has good application potential in obtaining 3D forest structure parameters.The study takes Picea schrenkiana var.tianshanica forest as the research object,trying to obtain the point cloud data by backpack LiDAR scanning sample for single wood segmentation and estimation of single wood DBH,tree height and crown area.The accuracy evaluation and correlation test are carried out with the reference of ground measurement and visual interpretation data.The results show that:the precision F values of single wood segmentation using backpack LiDAR data are greater than 0.90,the average accuracy and recall are 0.96 and 0.90,respectively.The average recognition rate is 86.61%.R² coefficient of determination of DBH and tree height is greater than 0.90,the average value of the DBH root mean square error is 1.11 and the height of the tree is 1.05;R² coefficient of determination for area estimation of single crown is greater than 0.80,the average value of the root mean square error is 3.21.Therefore,using backpack LiDAR can achieve high precision extraction of single wood DBH and tree height parameters.

Key words: backpack radar, Picea schrenkiana var.tianschanica, single wood parameter, DBH, crown

CLC Number:

QIU Qin, ZHANG Wenge, WANG Lei, CAO Shanshan, SUN Wei. Estimation of Single Wood Factor of Picea schrenkiana var.tianshanica Forest Based on Backpack LiDAR[J]. FOREST RESOURCES WANAGEMENT, 2021, (2): 99-109.

Figures/Tables 9

Fig.1

Tab.1

Fig.2

Fig.3

Fig.4

Tab.2

Fig.5

Fig.6

Fig.7

References 34

[1]	何兴元, 任春颖, 陈琳, 等. 森林生态系统遥感监测技术研究进展[J]. 地理科学, 2018,38(7):997-1011. doi: 10.13249/j.cnki.sgs.2018.07.001
[2]	Malhi Y, Baldocchi D D, Jarvis P G. The carbon balance of tropical,temperate and boreal forests[J]. Plant,Cell & Environment, 1999,22(6):715-740.
[3]	董新宇, 李家国, 陈瀚阅, 等. 无人机遥感影像林地单株立木信息提取[J]. 遥感学报, 2019,23(6):1269-1280.
[4]	李桂林, 王红, 宋音, 等. 黄河三角洲孤岛刺槐林地上生物量的估算—基于无人机机载激光雷达[J]. 中国农学通报, 2018,34(26):52-57.
[5]	张珊珊, 孟园, 林文树. 基于三维激光扫描技术的单木参数提取精度研究[J]. 西北林学院学报, 2017,32(5):189-196.
[6]	Pflugmacher D, Cohen W B, Kennedy R E, et al. Using Landsatderived disturbance and recovery history and LiDAR to map forest biomass dynamics[J]. Remote Sensing of Environment, 2014,151(8):124-137. doi: 10.1016/j.rse.2013.05.033
[7]	GünlüA, Ercanlii, BassKent E Z, et al. Estimating aboveground biomass using Landsat TM imagery:a case study of Anatolian Crimean pine forests in Turkey[J]. Annals of Forest Research, 2014,57(2):289-298.
[8]	解宇阳, 王彬, 姚扬, 等. 基于无人机激光雷达遥感的亚热带常绿阔叶林群落垂直结构分析[J]. 生态学报, 2020,40(3):940-951.
[9]	Brolly G, Kiraly G. Algorithms for stem mapping by means of terrestrial laser scanning[J]. Acta Silvatica et Lignaria Hungarica, 2009,5(2):119-130.
[10]	Wallace L, Lucieer A, Watson C, et al. Development of a UAV-LiDAR system with application to forest inventory[J]. Remote Sensing, 2012,4:1519-1543. doi: 10.3390/rs4061519
[11]	韦雪花, 王永国, 郑君, 等, 基于三维激光扫描点云的树冠体积计算方法[J]. 农业机学报, 2013,44(7):236-238.
[12]	Goodbody, T R H, Coops N C, Tompalski P, et al. Updating residual stem volume estimates using ALS-and UAV-acquired stereo-photogrammetric point clouds[J]. International Journal of Remote Sensing, 2017,38(8/9/10):2938-2953. doi: 10.1080/01431161.2016.1219425
[13]	刘峰, 谭畅, 雷丕锋. 中亚热带森林单木地上生物量的机载激光雷达估测[J]. 应用生态学报, 2014,25(11):3229-3236
[14]	包艳丽, 牛树奎, 张国林. 天山云杉林碳储量研究[J]. 干旱区资源与环境, 2009,23(9):113-117.
[15]	新疆森林编辑委员会. 新疆森林[M]. 北京: 中国林业出版社, 1989: 60-100.
[16]	刘贵峰, 刘玉平, 郭仲军, 等. 天山云杉林生物量及其变化规律的研究[J]. 西北林学院学报, 2013,28(5):13-17.
[17]	刘玉锋, 潘英, 李虎. 基于高空间分辨率遥感数据的天山云杉树冠信息提取研究[J]. 国土资源遥感, 2019,31(4):112-119.
[18]	李擎, 王振锡, 王雅佩, 等. 基于GF-2号遥感影像的天山云杉林郁闭度估测研究[J]. 中南林业科技大学学报, 2019,39(8):48-54.
[19]	金忠明, 曹姗姗, 王蕾, 等. 天山云杉林无人机可见光影像树冠信息提取方法研究[J]. 林业资源管理, 2020(1):125-135.
[20]	朱思名, 王振锡, 裴媛, 等. 基于无人机影像的天山云杉林冠幅提取及蓄积量反演[J]. 干旱区资源与环境, 2020,34(10):160-165.
[21]	杨勇强, 王振锡, 师玉霞, 等. 基于无人机遥感的天山云杉林密度估测研究[J]. 新疆农业大学学报, 2019,42(3):194-201.
[22]	刘早阳. 西天山生态站的建设[J]. 新疆林业, 2016(3):6-8.
[23]	Lee H, Slatton K C, Roth B E, et al. Adaptive clustering of airborne LiDAR data to segment individual tree crowns in managed pine forests[J]. International Journal of Remote Sensing, 2010,31(1):117-139. doi: 10.1080/01431160902882561
[24]	贾鹏刚, 夏凯, 董晨, 等. 基于无人机影像的银杏单木胸径预估方法[J]. 浙江农林大学学报, 2019,36(4):757-763.
[25]	陈世林. 激光雷达单木参数提取与生物量估算研究[D]. 北京: 北京林业大学, 2020.
[26]	白少博. 基于点云数据的单木分割及胸径参数提取算法研究[D]. 北京: 北京建筑大学, 2020.
[27]	黄旭, 贾炜玮, 王强, 等. 背包式激光雷达的落叶松单木因子提取[J]. 森林工程, 2019,35(4):14-21.
[28]	金忠明, 曹姗姗, 王蕾, 等. 基于U-Net和分水岭算法的无人机单木树冠提取方法[J]. 西北林学院学报, 2020,35(6):194-204.
[29]	陈日强, 李长春, 杨贵军, 等. 无人机机载激光雷达提取果树单木树冠信息[J]. 农业工程学报, 2020,36(22):50-59.
[30]	孙忠秋, 吴发云, 高显连, 等. 基于机载大光斑激光雷达的森林冠层高度估测[J]. 林业资源管理, 2020(3):111-117.
[31]	范伟伟, 刘浩然, 徐永胜, 等. 基于地基激光雷达和手持式移动激光雷达的单木结构参数提取精度对比[J]. 中南林业科技大学学报, 2020,40(8):63-74.
[32]	李华玉, 张超, 陈巧, 等. 基于无人机可见光和LiDAR数据的单木树种识别[J/OL]. 西南林业大学学报:自然科学, 2021,41(5):1-9[2021-03-24]. http://kns.cnki.net/kcms/detail/53.1218.S.20210205.1610.004.html.
[33]	陶江玥, 刘丽娟, 庞勇, 等. 基于机载激光雷达和高光谱数据的树种识别方法[J]. 浙江农林大学学报, 2018,35(2):314-323.
[34]	宫铭钱, 冀杰, 种一帆, 等. 基于激光雷达和视觉信息融合的车辆识别与跟踪[J]. 汽车技术, 2020(11):8-15.

参数	数值与描述
尺寸/mm	985×300×150
重量/kg	8.0
功率/W	80
电压/V	22
电流/A	3.6
电池/mAh	5700
工作时间/h	大约2h(1块电池)
端口	HDMI,USB,网口
存储	512G SSD
LiDAR传感器	VLP16
LiDAR精度/cm	±3
垂直视场角/(°)	-90°~90°
水平视场角/(°)	0°~360°
测量范围/m	100
相对精度/cm	≤3
适用环境	室内和室外
控制及显示	无线模式(网络连接,数据同步显示)
控制及显示	有线模式(通过数据线连接设备)

样地号	单木分割结果			单木分割精度评价结果			单木识别率/ %
样地号	TP(正确分割的棵数)	FN(错误分割的棵数)	FP(漏分的棵数)	R	P	F	单木识别率/ %
1号样地	126	10	4	0.93	0.97	0.95	90.00
2号样地	72	7	3	0.91	0.96	0.94	87.80
3号样地	78	8	3	0.91	0.96	0.93	87.64
4号样地	16	2	1	0.89	0.94	0.91	84.21
5号样地	13	2	0	0.87	1.00	0.93	86.67
6号样地	15	2	1	0.88	0.94	0.91	83.33