面向森林植被的星载大光斑激光雷达回波仿真

利用星载激光雷达的大光斑全波形数据估测植被结构参数、监测森林生态已受到广泛关注。为了更准确地理解森林植被的结构参数和光学特性对激光雷达回波波形的影响,利用实测森林植被数据提取植被空间分布的统计规律,考虑地形坡度变化和植被冠层反射特性的影响,生成参数化的森林植被空间轮廓反射模型,结合星载激光雷达的回波理论,建立了面向植被的星载激光雷达波形仿真器。由大兴安岭地区的实测植被数据提取的统计规律生成的森林目标仿真波形与地球科学激光测高仪系统（Geoscience Laser Altimeter System,GLAS）真实回波波形具有较好的一致性,平均相关系数R2达到0.91。通过波形仿真分析发现,光斑尺寸减小有利于大坡度地形的森林信息反演,研究成果对中国未来研制星载激光雷达载荷的系统参数设计具有参考意义。     

全波形机载激光雷达绝对辐射定标与不确定性分析

为揭示全波形激光雷达回波在森林等植被区域多回波信号的特征和对目标识别分类的影响,以激光雷达方程为模型基础,利用朗伯体目标为地面参考,提出了将激光雷达波形参数标定为后向散射截面、后向散射系数和漫反射率等物理量的方法,实现了机载小光斑全波形机载激光雷达数据绝对辐射定标。对两个不同实验区的LMS-Q680i数据标定结果表明,漫反射率与参考反射率相对误差总体分别小于10%和5.5%,误差标准差分别为0.044和0.077,有效消除了条带间差异。推导了多回波的激光雷达方程组,比较了相同系统在不同观测条件下的定标常数变化,重点分析了全波形激光雷达在穿透性目标上的多回波现象造成的能量衰减,及其对辐射定标结果的影响,证明了多回波现象是造成多回波信号减弱的主要原因。该现象是当前技术体制下激光雷达观测过程本身存在的缺陷,对基于激光雷达辐射信息的目标识别分类带来了一定的挑战,也是多光谱、高光谱激光雷达辐射信号定标必须解决的问题。     

高分二号异轨立体数据的森林高度提取

森林植被碳储量的空间分布格局及其动态变化是陆地生态系统碳收支核算的基础。作为森林地上生物量的重要指示因子,森林高度的精确估算是提高森林植被碳储量估算精度的关键。现有研究已证明,由专业星载摄影测量系统获取的立体观测数据可用于森林高度提取,但光学遥感数据最大的问题是受云雨等天气因素的影响严重。区域森林地上生物量产品的生产需要充分挖掘潜在数据源。国产高分二号卫星(GF-2)虽然不是为获取立体观测数据而设计的专业星载摄影测量系统,但其获取的图像空间分辨率可达0.8 m,且具备±35°的的侧摆能力,在重复观测区域可构成异轨立体观测。本文以分别获取于2015年6月20日和2016年7月19的GF-2数据作为立体像对,其标称轨道侧摆角分别为0.00118°和20.4984°,以激光雷达数据获取的林下地形(DEM)和森林高度(CHM)为参考,对利用GF-2立体观测数据进行森林高度提取进行了研究。通过对立体处理得到的摄影测量点云的栅格化得到DSM,以激光雷达数据提供的DEM作为林下地形,得到了GF-2的CHM。结果表明GF-2提取的CHM与激光雷达CHM空间分布格局较为一致,两者之间存在明显的相关性,像素对像素的线性相关性(R2)达到0.51,均方根误差(RMSE)为3.6 m。研究结果表明,在林下地形已知的情况下,GF-2立体观测数据可用于森林高度估算。     

吉林长白山森林冠顶高度激光雷达与MERSI联合反演

将激光雷达与光学遥感相结合进行区域林分冠顶高度联合反演,提出了大脚印激光雷达GLAS脚点波形数据处理和不同地形条件下的森林冠顶高度反演算法,并建立了区域尺度不同森林类型林分冠顶高度GLAS＋MERSI联合反演模型,制作了长白山地区森林冠顶高度图。     

全波形激光雷达的波形优化分解算法

随着数据存储能力和处理速度的提高,三维激光扫描系统逐渐具备全波形采集和分析技术。为了从全波形数据中获得脉冲时间、幅度、脉宽以及多回波分布等综合信息,波形分解成为了全波形激光雷达数据处理的关键技术之一。针对LM算法在一定程度上依赖初值,而传统激光雷达数据处理容易遗漏部分重叠的返回波,本文提出了一种改进回波分量初值设定的算法来获取回波脉冲的位置、宽度和强度。针对一套自主研发的全波形记录激光雷达演示系统进行了波形分解试验,定性和定量分析结果验证了该方法的有效性、可靠性和准确性。     

基于体元结构车载点云行道树提取方法研究

充分挖掘车载激光扫描系统获取地物点云三维空间信息、回波强度信息,提出一种基于体元空间特征分析的行道树提取方法。首先完成原始数据预处理提取道路附属物点云数据,建立三维体元结构;以体元结构为基本单元计算体元单元中点云回波强度、曲率特征,后分析邻域范围内体元特征联系,构建体元邻域特征描述规则,提取行道树树干结构;在树干结构提取的基础上,确定行道树位置,建立冠层投影面积模型,进而提取冠层结构。实验结果提取显示：在复杂道路场景下,算法具有一定的稳健性,能够较为完整地提取道路两侧行道树信息。     

激光雷达回波模型辅助的坡地森林冠层高度反演

大光斑激光雷达数据已广泛应用于森林冠层高度提取,但通常仅限于地形坡度小于20°的平缓地区。在地形坡度大于20°的陡峭山区,地形引起的波形展宽使得地面回波和植被回波信息混合在一起,给森林冠层高度提取带来巨大挑战。本文利用激光雷达回波模型和地形信息,提出了一种模型辅助的坡地森林冠层高度反演算法。该方法以激光雷达回波信号截止点为参考,定义了波形高度指数H50和H75,使用激光雷达回波模型与已知地形信息模拟裸地的激光雷达回波,将裸地回波信号截止点与森林激光雷达回波信号截止点对齐,利用裸地回波计算常用的波形相对高度指数RH50和RH75,对森林冠层高度进行反演。并与高斯波形分解法和波形参数法的反演结果进行了比较。研究结果表明:(1)利用所提取的波形指数RH50和RH75对胸高断面积加权平均高(Lorey’s height)进行了估算,在坡度小于20°时,高斯波形分解法、波形参数法和模型辅助法的估算结果与实测值线性拟合的相关系数(R2)分别为0.70,0.78和0.98,对应的均方根误差(RMSE)分别为2.90 m,2.48 m和0.60 m,模型辅助法略优于其他两种方法;(2)在坡度大于20°时,高斯波形分解法、波形参数法和模型辅助法的R2分别为0.14,0.28和0.97,相应的RMSE分别为4.93 m,4.53 m和0.81 m,模型辅助法明显优于其他两种方法;(3)在0°—40°时,模型辅助法对Lorey’s height估算结果与实测值的R2为0.97,RMSE为0.80 m。本研究提出的模型辅助法具有更好的地形适应性,在0°—40°的坡度范围内具备对坡地森林冠层高度反演的潜力。     

无人机激光雷达人工林林分高估测模型分析EI北大核心CSCD

中国人工林面积居世界第一,精确地对人工林结构进行监测具有重要意义。本研究以内蒙古自治区赤峰市旺业甸林场内的落叶松和油松人工林为研究对象,利用无人机激光雷达LiDAR(Light Detection And Ranging)离散点云数据和地面样地调查数据对人工林林分高进行建模,通过点云特征变量与地面测量的6种林分高(包括:Lorey’s高、算术平均高、最大高、优势树高、中位数高和树冠面积加权高)间的Pearson’s相关性筛选自变量,然后利用全子集回归构建不同林分高估测模型,并采用交叉检验法进行精度评价。结果表明:激光雷达点云高度百分位数与不同林分高相关性均较高,通过一元线性回归构建的不同林分高结果最优,且估测模型的自变量均为高度特征变量。Lorey’s高(R^(2)=0.91—0.97,rRMSE=2.75%—3.96%)、优势树高(R^(2)=0.86—0.97,rRMSE=3.72%—3.83%)和树冠面积加权高(R^(2)=0.86—0.96,rRMSE=3.81%—4.73%)估测精度最高,算术平均高(R^(2)=0.85—0.94,rRMSE=4.52%—6.07%)和中位数高(R^(2)=0.80—0.95,rRMSE=5.37%—7.34%)次之,最大高(R^(2)=0.69—0.87,rRMSE=6.19%—8.09%)最低。针对不同森林类型,落叶松人工林林分高估测精度最优,优于不区分森林类型模型的估测精度(ΔR^(2)=0—0.05,ΔrRMSE=-0.69%—1.97%),优于油松林林分高模型的估测精度(ΔR^(2)=0.06—0.18,ΔrRMSE=-1.90%—1.13%)。无人机激光雷达可以用于估测北方温带针叶林的林分高,能够满足人工林资源调查快速、精确的要求。     

机载激光雷达全波形数据与系统点云差异的定量分析

目前常用的小光斑机载LiDAR波形数据与系统点云数据的来源相关性较大,波形数据的优势难以严格定量地评价和比较。LeicaALS60机载LiDAR系统记录的全波形数据与点云数据相对独立,点云数据来自硬件系统脉冲探测方法,而波形数据是未加处理的原始回波序列。本文对原始波形数据进行分解获取发射脉冲的全部回波,与系统探测点云进行了定量对比,并选取典型林区和城区数据,得到波形在两种地物类型中垂直信息获取能力的定量表征参数。结果表明,波形数据对不同地物类型均能丰富垂直结构信息和提高点云垂直分辨率,且这种提高在林区表现优于城区人工建筑和裸地;激光对树木冠层的穿透能力更明显地表现在回波波形信息中,相较于传统点云激光雷达,全波形LiDAR在森林垂直参数获取方面潜力更大。     

基于机载激光雷达点云数据提取林木参数方法研究

本文通过黑河流域遥感—地面观测同步试验,获取林木参数,对机载激光雷达与实地观测获取的林木参数进行对比分析,论证了本文提出的基于机载激光雷达点云数据提取林木参数的算法是可行的。试验通过机载激光雷达点云数据,研究由点云数据生成冠层高度模型(CHM),提出从CHM中提取单株木参数(树高、冠幅等)的关键算法;同时,通过在试验区布设1个100m×100m超级样地和16个25m×25m的子样地,利用DGPS和全站仪对单株木进行精确定位与树木参数测量。     

激光雷达在森林参数反演中的应用

激光雷达是近年来国际上发展十分迅速的主动遥感技术,在森林参数的定量测量和反演上取得了成功的应用。在林业上,高采样密度激光雷达能够获取单株木3维结构特征,采用不同的数据处理方法,可以得到不同精度的单株木参数。利用激光雷达测量森林参数不仅节省了人力,还提高了工作效率,现在已经成为快速获取树木几何参数的一种有效方法。文中主要介绍了LiDAR工作原理、类型及特点、影响LiDAR数据质量的因素、国内外LiDAR的发展状况及应用领域,重点介绍了国内外利用LiDAR数据反演森林参数(树高、郁闭度、冠幅、林分密度、断面积和蓄积量等)的方法和研究进展,同时对今后LiDAR在森林参数反演方面的研究作了展望。     

林木空间格局对大光斑激光雷达波形的影响模拟

激光雷达是近年来国际上发展十分迅速的主动遥感技术，在森林参数的定量测量和反演上取得了成功应用。激光雷达具有与被动光学遥感不同的成像机理，对植被空间结构和地形的探测能力很强。大光斑激光雷达系统一般指光斑直径在8—70m、连续记录激光回波波形的激光雷达系统。由于大光斑连续回波的激光雷达的光斑尺寸通常大于林木冠幅，波形中往往包含了森林冠层和许多森林元素的信息而不仅仅是单株树的信息。对于搭载在ICESAT卫星上的GLAS而言，光斑直径为70m，因此光斑对应着一片森林，包括很多棵树，在GLAS的激光光斑内树木的空间分布会有一定变化。同时激光雷达发射的脉冲信号在激光光斑内的分布也不均匀，而是从中心到边缘呈递减的分布。因此树木空间分布模式的变化对波形会产生一定的影响。通过对几种典型的树木空间格局进行模拟（包括规则分布、均匀（随机）分布和集群分布），假定激光光斑内能量呈高斯分布，模拟了各种树木分布模式林分的激光雷达信号。从模拟结果可见，森林的空间分布模式对大光斑激光雷达波形有明显的影响，对于波形面积（AWAV）和波形半能量高度（HOME），规则分布〉随机分布〉团状分布。其中对于HOME而言，规则分布和随机分布十分接近，而对于AWAV而言，聚集中心的变动不太敏感。     

The effect of leaf-on and leaf-off forest canopy conditions on LiDAR derived estimations of forest structural diversity

Forest structural diversity metrics describing diversity in tree size and crown shape within forest stands can be used as indicators of biodiversity. These diversity metrics can be generated using airborne laser scanning (LiDAR) data to provide a rapid and cost effective alternative to ground-based inspection. Measures of tree height derived from LiDAR can be significantly affected by the canopy conditions at the time of data collection, in particular whether the canopy is under leaf-on or leaf-off conditions, but there have been no studies of the effects on structural diversity metrics. The aim of this research is to assess whether leaf-on/leaf-off changes in canopy conditions during LiDAR data collection affect the accuracy of calculated forest structural diversity metrics. We undertook a quantitative analysis of LiDAR ground detection and return height, and return height diversity from two airborne laser scanning surveys collected under leaf-on and leaf-off conditions to assess initial dataset differences. LiDAR data were then regressed against field-derived tree size diversity measurements using diversity metrics from each LiDAR dataset in isolation and, where appropriate, a mixture of the two. Models utilising leaf-off LiDAR diversity variables described DBH diversity, crown length diversity and crown width diversity more successfully than leaf-on (leaf-on models resulted in R² values of 0.66, 0.38 and 0.16, respectively, and leaf-off models 0.67, 0.37 and 0.23, respectively). When LiDAR datasets were combined into one model to describe tree height diversity and DBH diversity the models described 75% and 69% of the variance (R² of 0.75 for tree height diversity and 0.69 for DBH diversity). The results suggest that tree height diversity models derived from airborne LiDAR, collected (and where appropriate combined) under any seasonal conditions, can be used to differentiate between simple single and diverse multiple storey forest structure with confidence.     

Individual tree crown delineation using localized contour tree method and airborne LiDAR data in coniferous forests

Individual tree crown delineation is of great importance for forest inventory and management. The increasing availability of high-resolution airborne light detection and ranging (LiDAR) data makes it possible to delineate the crown structure of individual trees and deduce their geometric properties with high accuracy. In this study, we developed an automated segmentation method that is able to fully utilize high-resolution LiDAR data for detecting, extracting, and characterizing individual tree crowns with a multitude of geometric and topological properties. The proposed approach captures topological structure of forest and quantifies topological relationships of tree crowns by using a graph theory-based localized contour tree method, and finally segments individual tree crowns by analogy of recognizing hills from a topographic map. This approach consists of five key technical components: (1) derivation of canopy height model from airborne LiDAR data; (2) generation of contours based on the canopy height model; (3) extraction of hierarchical structures of tree crowns using the localized contour tree method; (4) delineation of individual tree crowns by segmenting hierarchical crown structure; and (5) calculation of geometric and topological properties of individual trees. We applied our new method to the Medicine Bow National Forest in the southwest of Laramie, Wyoming and the HJ Andrews Experimental Forest in the central portion of the Cascade Range of Oregon, U.S. The results reveal that the overall accuracy of individual tree crown delineation for the two study areas achieved 94.21% and 75.07%, respectively. Our method holds great potential for segmenting individual tree crowns under various forest conditions. Furthermore, the geometric and topological attributes derived from our method provide comprehensive and essential information for forest management.     

机载激光雷达及高光谱的森林乔木物种多样性遥感监测

利用机载LiDAR和高光谱数据并结合37个地面调查样本数据,基于结构差异与光谱变异理论,通过相关分析法分别筛选了3个最优林冠结构参数和6个最优光谱指数,在单木尺度上利用自适应C均值模糊聚类算法,在神农架国家自然保护区开展森林乔木物种多样性监测,实现了森林乔木物种多样性的区域成图。研究结果表明,(1)基于结合形态学冠层控制的分水岭算法可以获得较高精度的单木分割结果(R~2=0.88,RMSE=13.17,P0.001);(2)基于LiDAR数据提取的9个结构参数中,95%百分位高度、冠层盖度和植被穿透率为最优结构参数,与Shannon-Wiener指数的相关性达到R~2=0.39—0.42(P0.01);(3)基于机载高光谱数据筛选的16个常用的植被指数中,CRI、OSAVI、Narrow band NDVI、SR、Vogelmann index1、PRI与Shannon-Wiener指数的相关性最高(R~2=0.37—0.45,P0.01);(4)在研究区,利用以30 m×30 m为窗口的自适应模糊C均值聚类算法可预测的最大森林乔木物种数为20,物种丰富度的预测精度为R~2=0.69,RMSE=3.11,Shannon-Wiener指数的预测精度为R~2=0.70,RMSE=0.32。该研究在亚热带森林开展乔木物种多样性监测,是在区域尺度上进行物种多样性成图的重要实践,可有效补充森林生物多样性本底数据的调查手段,有助于实现生物多样性的长期动态监测及科学分析森林物种多样性的现状和变化趋势。     

Inversion of a lidar waveform model for forest biophysical parameter estimation

Due to its measurement principle, light detection and ranging (lidar) is particularly suited to estimate the horizontal as well as vertical distribution of forest structure. Quantification and characterization of forest structure is important for the understanding of the forest ecosystem functioning and, moreover, will help to assess carbon sequestration within forests. The relationship between the signal recorded by a lidar system and the canopy structure of a forest can be accurately characterized by physically based radiative transfer models (RTMs). A three-dimensional RTM is capable of representing the complex forest canopy structure as well as the involved physical processes of the lidar pulse interactions with the vegetation. Consequently, the inversion of such an RTM presents a novel concept to retrieve biophysical forest parameters that exploits the full lidar signal and underlying physical processes. A synthetic dataset and data acquired in the Swiss National Park (SNP) successfully demonstrated the feasibility and the potential of RTM inversion to retrieve forest structure from large-footprint lidar waveform data. The SNP lidar data consist of waveforms generated from the aggregation of small-footprint lidar returns. Derived forest biophysical parameters, such as fractional cover, leaf area index, maximum tree height, and the vertical crown extension, were able to describe the horizontal and vertical forest canopy structure.