论文部分内容阅读
在森林资源调查中,机载LiDAR可以有效的获取森林三维结构信息,可以准确地估测林分参数,探测森林结构。本研究对2019年3月下旬以及2019年11月下旬在江苏省宿迁市泗洪县陈圩林场36块杨树人工林样地采集的两期机载LiDAR数据进行了处理,得到冠层高度模型(CHM),用局部最大值以及标记控制分水岭分割算法提取单木树高、冠幅,并与实测数据进行精度验证,然后采用三种方法研建基于机载LiDAR数据的林分参数估测模型:第一种方法是根据提取的单木树高、冠幅,得到各样地的算术平均高(AvgH)、平均冠幅(AvgCW),将这两个因子作为预测变量分别与各样地的林分条件平均高(?H)、林分胸高断面积(BA)以及林分蓄积量(M)进行回归分析;第二种方法是将各样地提取的36个机载LiDAR点云特征变量与各林分参数进行逐步回归,建立模型;第三种方法是基于冠层高度模型(CHM),提取各样地垂直角规点抽样平均高(Vt H)和各林分参数进行回归分析,旨在研建基于机载LiDAR数据的林分参数最优估测模型,根据各林分参数最优估测模型以及两期机载LiDAR数据得到各林分参数估测值的变化量,并与林分参数实测值的变化量进行线性回归,分析精度,进而探讨研究区4种不同造林密度对各林分参数变化的影响,最后研究不同造林密度下的林分结构规律,得到了以下结论:(1)基于冠层高度模型(CHM)采用局部最大值算法对树梢顶点进行标记,提取单木树高,再利用基于标记符控制的分水岭算法进行单木分割,获得树冠边界进而确定单株木的冠幅大小。本次研究共计分割1845株杨树,实测共1922株,分割正确率达到95.99%。将提取树高与实测树高进行线性回归,决定系数R~2达到了0.9116;将提取冠幅与实测冠幅进行线性回归,决定系数R~2为0.8374。说明本次研究提取的单木树高及冠幅精度较高。(2)本研究基于机载LiDAR数据采用了三种方法来估测林分参数,发现用垂直角规点抽样平均高(Vt H)估测林分条件平均高(?H)得到的估测模型精度最高,最优模型为?H=0.7675×VtH+5.5539,R~2达到0.8171,模型精度ρ达到92.24%;用垂直角规点抽样平均高(Vt H)估测林分胸高断面积(BA)得到的模型精度高,引入平均冠幅(Avg CW)因子的双变量比只有垂直角规点抽样平均高(Vt H)的单变量模型拟合效果更好,得到的最优模型为BA=0.7612×VtH-0.2645×AvgCW-2.291,决定系数R~2达到0.6746,模型精度ρ达到86.28%;采用三种方法估测林分蓄积量(M),发现依然是引入平均冠幅(AvgCW)和垂直角规点抽样平均高(Vt H)的二元回归模型精度最高,得到的最优模型方程式为lnM=2.2544×lnVtH+0.03×lnAvgCW-1.008,R~2达到0.6875,模型精度ρ达到87.71%。(3)利用两期机载LiDAR数据,通过上述最优估测模型得到各样地林分参数估测值的变化量,与两期林分参数实测值变化量进行回归分析,发现相关性较高,其中:两期林分条件平均高(?H)变化量模型拟合的决定系数R~2达到了0.8172;两期林分胸高断面积(BA)变化量模型拟合的决定系数R~2达到了0.7817;两期林分蓄积量(M)变化量模型拟合的决定系数R~2达到了0.7888。(4)根据两期林分参数变化量,分析不同造林密度对各林分参数变化的影响,发现林分平均高(?H)、林分胸高断面积(BA)以及林分蓄积量(M)这些参数的变化量都随着造林密度的增大而减小,其中造林密度为6m×6m的样地各林分参数变化量最大,两期林分条件平均高(?H)变化量均值达到了0.87m;林分胸高断面积(BA)变化量均值达到了0.75m~2/ha;林分蓄积量(M)变化量均值达到了16.05m~3/ha。(5)采用相对直径法和Weibull分布密度函数分别拟合研究区4种造林密度的直径分布,拟合效果十分接近,两种方法都是林分密度为3m×8m的拟合效果最好,R~2分别达到了0.9983和0.9997。(6)利用机载LiDAR数据提取的树高、冠幅数据计算了不同造林密度基于树冠因子的竞争指数,与用实测胸径数据计算的各造林密度简单竞争指数进行对比,发现两者结果较为接近,变化趋势一致,都随造林密度的减小而减小,4种造林密度的竞争指数均小于2,说明该研究区内杨树受到相邻木的竞争干扰较少,而造林密度为6m×6m的样地竞争指数最小,表明造林密度为6m×6m的样地在胸径和树高生长上占优势,受到相邻木的竞争干扰最少。