劉清旺 譚炳香 胡凱龍 樊 雪 李增元 龐 勇 李世明

(*中國林業(yè)科學(xué)研究院資源信息研究所, 林業(yè)遙感與信息技術(shù)重點開放性實驗室 北京 100091)(**中國礦業(yè)大學(xué)(北京)地球科學(xué)與測繪工程學(xué)院 北京 100083)

?

機載激光雷達(dá)和高光譜組合系統(tǒng)的亞熱帶森林估測遙感試驗①

劉清旺②*譚炳香*胡凱龍***樊 雪*李增元*龐 勇*李世明*

(*中國林業(yè)科學(xué)研究院資源信息研究所, 林業(yè)遙感與信息技術(shù)重點開放性實驗室 北京 100091)(**中國礦業(yè)大學(xué)(北京)地球科學(xué)與測繪工程學(xué)院 北京 100083)

為了提高森林的類型識別及生物物理參數(shù)反演精度，采用國產(chǎn)機載激光雷達(dá)和高光譜組合系統(tǒng)(ALHIS)，選擇湖北典型亞熱帶森林開展了航空遙感試驗，獲取了試驗區(qū)激光雷達(dá)點云、高光譜和CCD影像數(shù)據(jù)，提取了森林高度和優(yōu)勢樹種類別信息。對數(shù)據(jù)的分析表明，激光雷達(dá)林分平均高的估測精度達(dá)到90.67%，激光雷達(dá)估測平均高與地面實測胸徑加權(quán)平均高之間顯著相關(guān)(R2=0.73，RMSE=1.29m)。按照優(yōu)勢樹種分類結(jié)果進行統(tǒng)計，發(fā)現(xiàn)馬尾松、栓皮櫟和其它樹種的林分平均高分別為9.62m、9.30m、8.79m，不同樹種之間的林分平均高相差不大。高光譜優(yōu)勢樹種識別總體精度達(dá)到82.00%(Kappa=0.70)，試驗區(qū)森林和非森林面積所占比例分別為60.01%和39.99%，馬尾松、栓皮櫟和其它樹種面積在森林中所占比例分別為59.77%、24.99%和15.23%。試驗證明，ALHIS能夠同時獲取高分辨率的植被遙感特征數(shù)據(jù)，以用于森林制圖、優(yōu)勢樹種/樹種組識別、碳儲量估算及生態(tài)環(huán)境建模等研究。

森林高度, 優(yōu)勢樹種, 激光雷達(dá)(LiDAR), 高光譜, 分類

0 引 言

森林作為具有復(fù)雜結(jié)構(gòu)功能的陸地生態(tài)系統(tǒng)，在減緩全球氣候變化中具有重要作用[1-3]。森林空間位置分布及垂直結(jié)構(gòu)變化反映了不同區(qū)域植被對微氣候的調(diào)節(jié)能力、森林生產(chǎn)力及碳儲存能力[4-6]。激光雷達(dá)(light detection and ranging, LiDAR)作為一種主動遙感技術(shù)，可直接獲取地表對象表面點的三維坐標(biāo)，它對植被空間結(jié)構(gòu)和地形的探測能力很強，能夠提取冠層垂直結(jié)構(gòu)參數(shù)[7-9]，用于生態(tài)過程研究和森林經(jīng)營管理、林火行為模擬、野生動物棲息地、碳源和碳匯研究等[10，11]。激光雷達(dá)與被動光學(xué)遙感的工作機理不同，它具備探測植被三維空間結(jié)構(gòu)的能力，但無法提供植被的光譜特征信息。高光譜能夠獲取不同類型植被的光譜特征信息，用于樹種或樹種組分類、森林健康狀況監(jiān)測等[12-14]。通過綜合激光雷達(dá)和光學(xué)成像儀等主被動傳感器，可以提高植被精細(xì)類型識別及生物物理參數(shù)反演精度[15-18]。高精度激光雷達(dá)反演的森林參數(shù)還可以用作光學(xué)遙感的訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)，實現(xiàn)區(qū)域尺度森林結(jié)構(gòu)參數(shù)制圖[19-22]。

由于早期激光雷達(dá)和光學(xué)成像儀為各自獨立的數(shù)據(jù)獲取系統(tǒng)，只有通過重復(fù)飛行的方式，才可以獲得同一區(qū)域的多種傳感器數(shù)據(jù)。針對多傳感器集成的應(yīng)用需求，美國推出了一系列多傳感器集成系統(tǒng)，例如美國國家生態(tài)觀測網(wǎng)研制了機載觀測平臺(airborne observation platform, AOP)，AOP集成了可見/短波紅外成像光譜儀、波形激光雷達(dá)和高分辨率航空相機[15]；美國斯坦福大學(xué)研制了卡耐基航空觀測平臺(Carnegie airborne observatory, CAO)，CAO試驗系統(tǒng)集成了可見/近紅外成像光譜儀和波形激光雷達(dá)[14]，CAO-2代系統(tǒng)集成了可見-短波紅外成像光譜儀、雙波長波形激光雷達(dá)和高空間分辨率可見-近紅外成像光譜儀[17]；美國宇航局戈達(dá)德(Goddard)空間中心研發(fā)了由激光雷達(dá)(LiDAR)、高光譜(Hyperspectral)和熱(Thermal)成像儀組成的系統(tǒng)，簡稱為G-LiHT系統(tǒng)，并在美國北部、南部森林開展了多次飛行實驗[16]。同一時期，中國林業(yè)科學(xué)研究院(CAF)從德國定制了由激光雷達(dá)(LiDAR)、航空相機(CCD)和高光譜(Hyperspectral)三種傳感器組成的系統(tǒng)，簡稱為CAF-LiCHY系統(tǒng)，該系統(tǒng)單次飛行就可以同步獲取激光雷達(dá)和光學(xué)數(shù)據(jù)，用于中國不同森林試驗區(qū)的應(yīng)用研究[23]。我國在激光雷達(dá)和光學(xué)傳感器集成系統(tǒng)及處理軟件方面的研究相對滯后，為了提升國產(chǎn)多傳感器集成技術(shù)的水平，在國家科技項目的支持下，我們研制了具有自主產(chǎn)權(quán)的機載激光雷達(dá)和高光譜組合系統(tǒng)(Airborne LIDAR and Hyperspectral Integrated System, ALHIS)，并利用該系統(tǒng)在湖北典型試驗區(qū)獲取了多傳感器航空遙感數(shù)據(jù)。本文對森林試驗區(qū)的激光雷達(dá)和高光譜數(shù)據(jù)進行了分析，以評價ALHIS在森林高度和森林類型信息提取方面的應(yīng)用能力。

1 試驗區(qū)與數(shù)據(jù)

1.1 試驗區(qū)

森林試驗區(qū)位于湖北省荊門市東寶山，屬于北亞熱帶濕潤氣候區(qū)，試驗區(qū)位置如圖1所示，地理坐標(biāo)為東經(jīng)112:01:08E-112:13:46E，北緯30:58:18N-31:07:42N，海拔71m～340m，森林類型為常綠針葉和落葉闊葉林，優(yōu)勢樹種主要包括馬尾松(PinusmassonianaLamb.)、栓皮櫟(QuercusvariabilisBl.)等。

圖1 森林試驗區(qū)位置示意圖

1.2 ALHIS系統(tǒng)

ALHIS系統(tǒng)由激光掃描儀、高光譜成像儀和航空相機三種傳感器組成，融合了全球定位系統(tǒng)(global position system, GPS)和慣性導(dǎo)航系統(tǒng)(inertial measurement unit, IMU)，激光掃描儀用于觀測森林三維垂直結(jié)構(gòu)以及林下地形，高光譜成像儀用于觀測不同樹種的光譜特征，航空影像用于輔助激光雷達(dá)數(shù)據(jù)處理和地面調(diào)查，采用GPS同步觀測地面控制點。ALHIS系統(tǒng)的激光掃描儀是中國科學(xué)院上海技術(shù)物理研究所研制的LRS200A，激光波長為1064 nm，脈沖重復(fù)頻率為200kHz，最多可以記錄4次回波；高光譜成像儀為中國科學(xué)院上海技術(shù)物理研究所研制的PHI，波長范圍為400nm～1000nm，光譜波段數(shù)為270個，空間維像元數(shù)為480個；航空相機型號為飛思IXA180，成像波段為真彩色，圖像尺寸為10328×7760。ALHIS技術(shù)主要指標(biāo)見表1。

表1 ALHIS技術(shù)指標(biāo)

森林試驗區(qū)的航線設(shè)計需要考慮激光點云密度、高光譜像元分辨率、航片像元分辨率和航帶重疊率等因素，由于三種傳感器的視場角不同，導(dǎo)致同一飛行平臺上三種傳感器的航帶重疊率也不同。以激光雷達(dá)掃描儀為主要傳感器進行設(shè)計，航帶重疊率30%以上。飛行平臺選擇運輸機，機型為運5，機艙底部開有窗口，可以安置機載激光雷達(dá)和高光譜成像儀組合系統(tǒng)主體部分，控制器及數(shù)據(jù)記錄器安裝在旁邊。

森林試驗區(qū)航空數(shù)據(jù)觀測時間為2014年12月4日，共飛行了6條航線，航線分布如圖2所示。圖2中ASL_MIN、ASL_MAX和ASL_AVG分別表示各航線飛行高度的最小值、最大值和平均值；AGL_MIN、AGL_MAX和AGL_AVG分別表示各航線距離地面飛行高度的最小值、最大值和平均值。圖2(a)為航線水平分布，圖2(b)為航線高程分布，平均航線長度為24.70km，航線長度之和為148.20km，平均飛行速度為48.50m/s，即174.60 km/h，航線的平均海拔為875.97m，距離地面的平均高度為715.84m。

圖2 飛行航線分布圖

1.3 LIDAR數(shù)據(jù)

激光雷達(dá)點云數(shù)據(jù)為來自森林冠層、林下地形等地物的回波點，全部點個數(shù)為0.93億，點云覆蓋面積43.28km2。點云密度決定了對植被垂直結(jié)構(gòu)描述的詳細(xì)程度，其空間分布如圖3所示，點云密度平均值為2.16點/m2，最小值為0.04點/m2，最大值為48.32點/m2。由于飛行平臺受空氣湍流影響，沿著航向方向的點云密度呈現(xiàn)疏密相間的特征；激光掃描儀采用正弦振鏡掃描方式，掃描線邊緣處的點云密度明顯高于掃描線內(nèi)部的點云密度。測區(qū)存在很多水體，例如河流、水庫、水塘等，使得點云數(shù)據(jù)中出現(xiàn)不少孔洞現(xiàn)象。

圖3 點云密度分布圖

激光雷達(dá)點云數(shù)據(jù)高度包含了地形信息以及位于地表之上的植被、建筑物等地物信息，其空間分布如圖4所示，點云高程平均值為163.26m，最小值為71.18m，最大值為330.48m。從圖中可以看出，從西北向東南，森林試驗區(qū)高程具有逐漸降低的趨勢，測區(qū)高程落差為259.30m，屬于低山丘陵特征。

圖4 點云高度分布圖

1.4 高光譜數(shù)據(jù)

高光譜數(shù)據(jù)反映了不同地物的光譜特征信息，在理想光照條件下，高光譜成像儀能夠采集270個波段信息，波段的中心波長標(biāo)定見下式：

Y=327.52622+2.95375×x

(1)

光照條件對地物的光譜特征響應(yīng)影響很大，當(dāng)光照環(huán)境差時，波譜兩端的噪聲很大，影響高光譜數(shù)據(jù)的有效性。森林測區(qū)高光譜觀測時間為2014年12月4日15時45分至16時51分，太陽高度較低，光照強度弱。選取森林區(qū)域高光譜數(shù)據(jù)進行分析發(fā)現(xiàn)，位于高光譜波譜兩端數(shù)據(jù)存在嚴(yán)重的條帶噪聲，主要為波長小于420nm和大于920nm的波譜范圍，這部分?jǐn)?shù)據(jù)不能使用；波長420nm～430nm和900nm～920nm的波譜范圍內(nèi)，屬于嚴(yán)重條帶噪聲過渡為輕度條帶噪聲區(qū)域，也不適合識別地物類型；波長430nm～520nm時，屬于植被光譜強吸收波譜范圍，不適合于識別森林類型；波長520nm～900nm時植被光譜特征顯著，大部分波段能夠用于識別森林類型。因此，實際采用的有效波段為140個，去除了噪聲比較大的前30個波段和后100個波段。

高光譜數(shù)據(jù)空間分辨率為1.65m，像元值物理含義為輻照亮度，單位為W/(m2·μm·sr)，高光譜數(shù)據(jù)彩色合成圖像(R:859nm, G:649nm, B: 549nm)見圖5。采用UTM-49帶投影，其中(a)為測區(qū)彩色合成圖像，(b)為局部放大圖。

圖5 高光譜彩色合成圖

1.5 航空影像數(shù)據(jù)

航空影像數(shù)據(jù)的空間分辨率為0.13m，高于高光譜數(shù)據(jù)空間分辨率，能夠提供更精細(xì)的植被空間分布特征，用于輔助不同地物的分類和驗證。由于光照條件的變化，使得航片的內(nèi)部光譜響應(yīng)特征差異較大，特別是山體的光照面和背光面差異顯著，試驗區(qū)航空正射影像見圖6。

圖6 航空正射影像圖

1.6 地面調(diào)查數(shù)據(jù)

地面調(diào)查需要根據(jù)不同森林類型和林齡布設(shè)樣地，觀測樣地的單木因子和林分因子，單木因子包括胸徑、樹高、冠幅、枝下高等內(nèi)容，林分因子包括郁閉度、葉面積指數(shù)(leaf area index, LAI)等內(nèi)容；樣地布設(shè)為15m半徑圓形樣地，樣地中心點位置采用GPS進行定位，采用圍尺測胸徑大于4cm的樣木，測高器或標(biāo)桿測量樹高和枝下高，皮尺測量樹冠兩個方向的冠幅，抬頭法測量郁閉度，LAI-2200和HeimiView儀器測量LAI。樣地測量因子統(tǒng)計結(jié)果見表2。

表2 測樹因子基本統(tǒng)計量

2 方 法

2.1 激光雷達(dá)提取林分平均高

森林高度是森林冠層上表面與林下地形之間的高度，用于表征森林生長狀況。激光雷達(dá)可以直接測量森林三維空間結(jié)構(gòu)，通過計算樹冠的空間特征變量來得到森林高度信息[24,25]。激光雷達(dá)數(shù)據(jù)處理過程可以劃分為三部分。第一部分是對激光點云數(shù)據(jù)進行分類，分為地面點、植被點和非植被點三類；第二部分是根據(jù)地面點和植被點生成冠層高度模型(canopy height model,CHM)；第三部分是對CHM進行處理，提取單木樹高和冠幅信息，進而得到林分高度信息。

(1)點云分類

激光雷達(dá)點云數(shù)據(jù)包含了來自地面、森林、建筑物等其它地物的回波信息，根據(jù)回波點之間的空間位置關(guān)系，可以很好地識別來自不同地物的回波點。點云分類的主要步驟如下：首先，通過高度閾值法去除噪聲點，設(shè)置高度閾值時，需要考慮地物回波點的最小高度值和最大高度值；然后，通過迭代建立三角網(wǎng)(triangular irregular network, TIN)表面模型提取地面點，迭代參數(shù)決定了距離三角形平面多近的點能夠被模型接受，確保迭代時不會向上跳躍太大，將回波點分為地面點和非地面點；最后，對非地面點進行分類，采用手工編輯的方式去除建筑物等非植被點，按照距離地面高度的不同，可以提取低矮植被點、中等高度植被點和高植被點[26]。

(2)生成冠層高度模型(CHM)

CHM反映了整個森林冠層的高度變化，能夠提供冠層的水平和垂直分布情況。由地面點采用TIN內(nèi)插算法生成數(shù)字高程模型(digital elevation model, DEM)，由植被點和地面點采用TIN內(nèi)插算法生成植被覆蓋區(qū)的數(shù)字表面模型(vegetation-digital surface model, V-DSM)，由V-DSM和DEM相差得到CHM。

(3)提取林分平均高

冠層高度模型包含了單木樹冠頂點、肩部和邊緣的高度值。通過單木樹冠頂點的位置，可以得到單木樹高。判斷樹冠頂點位置時，假設(shè)樹冠頂點高于樹冠的其他區(qū)域，在CHM中使用局部最大值搜索窗口搜索潛在的樹冠頂點。單木樹高邊界識別算法通過計算冠頂與其周圍點之間的兩個正切角作為識別樹冠邊緣的依據(jù)，由樹冠邊界計算得到冠幅面積[27,28]。按照一定統(tǒng)計單元由單木樹冠識別結(jié)果得到林分平均高。

2.2 高光譜優(yōu)勢樹種識別

森林試驗區(qū)針葉林優(yōu)勢樹種主要為馬尾松，還有少量柏樹等其它樹種，闊葉林優(yōu)勢樹種主要為栓皮櫟，還有少量楊樹等其它樹種。通過高光譜圖像識別的類型分為馬尾松、栓皮櫟、其它樹種和非森林。高光譜數(shù)據(jù)預(yù)處理過程主要包括大氣校正和數(shù)據(jù)降噪，大氣校正采用暗像元進行數(shù)據(jù)處理[29]，數(shù)據(jù)降噪采用獨立成分分析法(independent component analysis, ICA)進行數(shù)據(jù)處理[30]。

(1)建立訓(xùn)練樣本

高光譜數(shù)據(jù)分類時需要建立訓(xùn)練樣本，根據(jù)地面樣地調(diào)查的樹種信息，結(jié)合高光譜彩色合成影像進行分析，建立優(yōu)勢樹種光譜特征的經(jīng)驗知識。影像獲取時馬尾松針葉常綠，栓皮櫟樹葉已經(jīng)枯黃，兩種優(yōu)勢樹種的光譜差異顯著，采用目視判斷建立訓(xùn)練樣本。對于山體陰影區(qū)域，由于光照不足，同一樹種的光譜差異較大，作為不同的樹種建立訓(xùn)練樣本，分類完成后進行類別合并。

(2)監(jiān)督分類

建立訓(xùn)練樣本之后，采用支持向量機(support vector machine,SVM)算法進行優(yōu)勢樹種監(jiān)督分類[30,31]，核函數(shù)采用徑向基函數(shù)(radial basis function, RBF)，Gamma采用0.02，懲罰系數(shù)采用100，用于控制分類誤差的容許程度，依次對各航帶高光譜數(shù)據(jù)進行處理，最后合并分類結(jié)果。地面調(diào)查數(shù)據(jù)作為驗證樣本，參與分類精度評價。

3 結(jié) 果

3.1 林分平均高

激光雷達(dá)點云數(shù)據(jù)分類采用TerraSolid軟件，將點云數(shù)據(jù)劃分為1km×1km塊，地面點搜索算法的窗口尺寸為30m。為了保證相鄰塊地面點的一致性，塊緩沖區(qū)采用30m，逐塊檢查點云分類結(jié)果，手工去除錯分的地面點，結(jié)合光學(xué)影像，目視判斷識別來自低矮建筑物、高壓線塔等人工地物的回波點。點云分類結(jié)果參見文獻(xiàn)[26]。

通過LIDARInfo軟件生成冠層高度模型(CHM)、提取單木信息和林分信息。CHM是連續(xù)分布的冠層上表面高度，空間分辨率為0.5m。CHM平均值3.19m，最小值為0m，最大值為28.32m。通過樹冠特征識別算法提取單木樹高和冠幅信息，去除樹高小于2m的偽樹冠頂點。林分平均高空間分辨率為30m，按照樹冠頂點所在的柵格計算林分平均高，其平均值為9.01m，最小值為4.51m，最大值為22.25m。

森林高度的變化反映了不同區(qū)域森林垂直結(jié)構(gòu)的差異性，由激光雷達(dá)得到的林分平均高空間分布如圖7所示。較高的森林主要分布在山坡上，由于人為干擾，山谷區(qū)域主要為農(nóng)田或低矮灌木。按照5m間隔，將森林高度劃分為不同區(qū)間進行統(tǒng)計，發(fā)現(xiàn)5m～10m的樹高所占比例最大(65.84%)，10m～15m的樹高所占比例次之(29.90%)，15m～20m的樹高所占比例很小(3.34%)，5m以下和20m以上的樹木很少。

圖7 激光雷達(dá)林分平均高分布圖

按照優(yōu)勢樹種分類結(jié)果對提取的單木進行統(tǒng)計(見表3)，發(fā)現(xiàn)馬尾松株數(shù)所占比例為66.94%，其林分平均高為9.62m；栓皮櫟株數(shù)所占比例為24.51%，其林分平均高為9.30m；其它樹種株數(shù)所在比例為8.55%，其林分平均高為8.79m，不同樹種之間的林分平均高相差不大。

表3 優(yōu)勢樹種的樹高統(tǒng)計量(樹高單位為m)

通過地面調(diào)查樣地數(shù)據(jù)計算得到樣地平均高對激光雷達(dá)林分平均高進行驗證。圖8為地面實測平均高和LiDAR估測平均高散點圖。由地面調(diào)查樣地與激光雷達(dá)進行位置匹配發(fā)現(xiàn)，部分樣地位置的誤差較大，存在距離道路和林間空地較近的樣地。按照樣地周圍林分較均一的篩選條件，選擇50塊樣地進行精度驗證，平均估測精度為90.67%。地面實測胸徑加權(quán)平均高記為Hs，激光雷達(dá)估測平均高記為He，Hs和He回歸分析的相關(guān)系數(shù)R2為0.73，均方根誤差(root mean square error, RMSE)為1.29m?；貧w方程為

圖8 地面實測平均高和LiDAR估測平均高散點圖

Hs =2.833+0.8106He

(2)

3.2 優(yōu)勢樹種分類

通過ENVI軟件進行高光譜數(shù)據(jù)大氣校正和SVM分類處理。高光譜優(yōu)勢樹種分類結(jié)果如圖9所示。森林主要分布在丘陵山區(qū)，非森林區(qū)域包括測區(qū)東南部的荊門市區(qū)以及山區(qū)內(nèi)零散分布的村莊；測區(qū)森林面積所占比例為60.01%，非森林面積所占比例為39.99%，其中馬尾松林面積占森林面積的59.77%，栓皮櫟林面積占森林面積的24.99%，其它樹種面積占森林面積的15.23%。

圖9 試驗區(qū)優(yōu)勢樹種分類圖

通過地面實測樣地對分類結(jié)果進行了精度驗證，總體精度可達(dá)82.0%(Kappa= 0.70)，馬尾松分類精度為88.0%，栓皮櫟分類精度為78.95%，其它樹種的分類精度為66.67%。

4 討 論

4.1 森林高度影響因素

森林高度的影響因素包括點云定位誤差、激光點采樣密度、數(shù)據(jù)處理算法等。點云定位誤差主要來源為激光掃描儀系統(tǒng)誤差及航帶匹配誤差，其中激光掃描儀系統(tǒng)誤差包括GPS定位誤差、IMU姿態(tài)誤差、激光時間記錄誤差、掃描角誤差等，這部分誤差通過檢校場進行標(biāo)定。激光點云數(shù)據(jù)預(yù)處理時，通過航帶匹配算法可以盡可能地減小這部分誤差。激光點采樣密度引起的誤差是影響森林高度的主要因素。點云數(shù)據(jù)掃描線之間的間隔呈現(xiàn)不規(guī)律變化，掃描線間隔主要在0.5m～1.5m范圍內(nèi)變化，掃描線內(nèi)部點之間的間隔也不均勻，主要在0.1m～0.8m范圍內(nèi)變化，掃描線邊緣點之間的間隔明顯小于掃描線中間點之間的間隔，在重疊區(qū)范圍內(nèi)點云密度較高。不同數(shù)據(jù)處理算法對森林高度估測精度也有一定的影響。

4.2 優(yōu)勢樹種分類影響因素

高光譜優(yōu)勢樹種分類的影響因素為地物的光譜響應(yīng)特征，由于地形起伏影響，山坡陽面的光照強度一般大于山坡陰面的光照強度，特別是在太陽高度角較低的情況下，這種差異更加顯著。另外，山谷河流之上大氣、村莊之上大氣與山坡之上大氣的氣溶膠光學(xué)厚度具有非均勻性，均會導(dǎo)致地物的光譜特征差異變化。為了提高分類精度，采用增加訓(xùn)練樣本類別的方式，將同種地物的不同光譜看作不同的類別，分類完成后進行類別合并，但是增加了分類工作量。

5 結(jié) 論

機載激光雷達(dá)和高光譜組合系統(tǒng)(ALHIS)由激光掃描儀、高光譜成像儀和航空相機三種傳感器組成，是國內(nèi)自主研發(fā)的多傳感器集成航空系統(tǒng)，能夠同時獲取高空間分辨率的植被垂直結(jié)構(gòu)、光譜特征觀測數(shù)據(jù)，用于森林高度制圖、優(yōu)勢樹種/樹種組制圖、生物多樣性分析、碳儲量估算及植被生長研究等方面。

森林試驗區(qū)結(jié)果表明激光雷達(dá)林分平均高的估測精度達(dá)到90.67%，激光雷達(dá)估測平均高與地面實測胸徑加權(quán)平均高之間相關(guān)性顯著(R2=0.73,RMSE=1.29m)。按照樹高間隔進行分析，發(fā)現(xiàn)5m～10m的樹高所在比例最大(65.84%)，10m～15m的樹高所在比例次之(29.90%)，15m～20m的樹高所在比例很小(3.34%)，5m以下和20m以上的樹木很少。按照優(yōu)勢樹種分類結(jié)果進行統(tǒng)計，發(fā)現(xiàn)馬尾松所林分平均高為9.62m，栓皮櫟林分平均高為9.30m，其它樹種林分平均高為8.79m，不同樹種之間的林分平均高相差不大。高光譜優(yōu)勢樹種識別總體精度達(dá)到82.00%(Kappa=0.70)；試驗區(qū)森林面積所占比例為60.01%，非森林面積所占比例為39.99%，馬尾松占森林面積的59.77%，栓皮櫟占森林面積的24.99%，其它樹種占森林面積的15.23%。

多傳感器集成航空系統(tǒng)可以采用不同的配置方案，滿足于不同的行業(yè)應(yīng)用需求，提供多種遙感數(shù)據(jù)產(chǎn)品，為現(xiàn)有衛(wèi)星任務(wù)提供驗證數(shù)據(jù)，提升遙感數(shù)據(jù)綜合服務(wù)能力。

致謝：感謝湖北荊門亞熱帶森林航空試驗與地面調(diào)查試驗全體參加人員付出的辛苦勞動。

[1] Hese S, Lucht W, Schmullius C, et al. Global biomass mapping for an improved understanding of the CO2balance-the earth observation mission Carbon-3D.RemoteSensingofEnvironment, 2005, 94(1): 94-104

[2] Toan T L, Quegan S, Davidson M W J, et al. The BIOMASS mission: mapping global forest biomass to better understand the terrestrial carbon cycle.RemoteSensingofEnvironment, 2011, 115 (11): 2850-2860

[3] Chen Q. Modeling aboveground tree woody biomass using national-scale allometric methods and airborne lidar.IsprsJournalofPhotogrammetryandRemoteSensing, 2015, 106: 95-106

[4] Kokaly R F, Asner G P, Ollinger S V, et al. Characterizing canopy biochemistry from imaging spectroscopy and its application to ecosystem studies.RemoteSensingofEnvironment, 2009, 113: S78-S91

[5] Domke G M, Woodall C W, Smith J E, et al. Consequences of alternative tree-level biomass estimation procedures on US forest carbon stock estimates.ForestEcology&Management, 2012, 270(4): 108-116

[6] Asner G P, Mascaro J. Mapping tropical forest carbon: calibrating plot estimates to a simple LiDAR metric.RemoteSensingofEnvironment, 2014, 140: 614-624

[7] Lefsky M A, Harding D, Cohen W B, et al. Surface lidar remote sensing of basal area and biomass in deciduous forests of eastern Maryland, USA.RemoteSensingofEnvironment, 1999, 67(1): 83-98

[8] Naesset E. Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data.RemoteSensingofEnvironment, 2002, 80: 88-99

[9] Gleason C J, Im J. Forest biomass estimation from airborne LiDAR data using machine learning approaches.RemoteSensingofEnvironment, 2012, 125: 80-91

[10] Korhonen L, Korpela I, Heiskanen J, et al. Airborne discrete-return LIDAR data in the estimation of vertical canopy cover, angular canopy closure and leaf area index.RemoteSensingofEnvironment, 2011, 115: 1065-1080

[11] Parent J R, Volin J C. Assessing the potential for leaf-off LiDAR data to model canopy closure in temperate deciduous forests.IsprsJournalofPhotogrammetryandRemoteSensing, 2014, 95: 134-145

[12] Lu D. The potential and challenge of remote sensing-based biomass estimation.InternationalJournalofRemoteSensing, 2006, 27: 1297-1328

[13] Cho M A, Mathieu R, Asner G P, et al. Mapping tree species composition in South African savannas using an integrated airborne spectral and LiDAR System.RemoteSensingofEnvironment, 2012, 125: 214-226

[14] Dalponte M, Bruzzone L, Gianelle D. Tree species classification in the Southern Alps based on the fusion of very high geometrical resolution multispectral/hyperspectral images and LiDAR data.RemoteSensingofEnvironment, 2012, 123: 258-270

[15] Kampe T U, Brian R J, Michele K, et al. NEON: the first continental-scale ecological observatory with airborne remote sensing of vegetation canopy biochemistry and structure.JournalofAppliedRemoteSensing, 2010, 4(1): 043-510

[16] Asner G P, Knapp D E, Kennedy-Bowdoin T, et al. Carnegie airborne observatory: In-flight fusion of hyperspectral imaging and waveform light detection and ranging (wLiDAR) for three dimensional studies of ecosystems.JournalofAppliedRemoteSensing, 2007, 1: 013536

[17] Asner G P, Knapp D E, Boardman J, et al. Carnegie airborne observatory-2: Increasing science data dimensionality via high-fidelity multi-sensor fusion.RemoteSensingofEnvironment, 2012, 124: 454-465

[18] Cook B D, Corp L W, Nelson R F, et al. NASA goddard’s LiDAR, hyperspectral and thermal (G-LiHT) airborne imager.RemoteSensing, 2013, 5:4045-4066

[19] Korhonen L, Heiskanen J, Korpela I. Modeling lidar-derived boreal forest canopy cover with SPOT 4HRVIR data.InternationalJournalofRemoteSensing, 2013, 34: 8172-8181

[20] Ahmed O S, Franklin S E, Wulder M A, et al. Characterizing stand-level forest canopy cover and height using Landsat time series, samples of airborne LiDAR, and the random forest algorithm.IsprsJournalofPhotogrammetryandRemoteSensing, 2015, 101: 89-101

[21] Pu R, Gong P. Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping.RemoteSensingofEnvironment, 2004, 91: 212-224

[22] Vanhatalo K M, Rautiainen M, Stenberg P. Monitoring the broadleaf fraction and canopy cover of boreal forests using spectral invariants.JournalofQuantitativeSpectroscopyandRadiativeTransfer, 2014, 133, 482-488

[23] Pang Y, Li Z Y, Ju H B, et al. LiCHy: CAF′s LiDAR, CCD and hyperspectral airborne observation system. In: Proceedings of the 13th International Conference on Lidar Applications for Assessing Forest Ecosystems, Beijing, China, 2013. 45-54

[24] Liu Q W, Li Z Y, Chen E X, et al. Feature analysis of LIDAR waveforms from forest canopies.ScienceChinaEarthScience, 2011, 54(8): 1206-1214

[25] Chen Q, Laurin G V, Battles J J, et al. Integration of airborne LiDAR and vegetation types derived from aerial photography for mapping aboveground live biomass.RemoteSensingofEnvironment, 2012, 121: 108-117

[26] Liu Q W, Li Z Y, Pang Y, et al. Optimized process chain for mountainous forest and non-forest classification using airborne LiDAR data. In: Proceedings of the 14th International Conference on Lidar Applications for Assessing Forest Ecosystems, La Grande-Motte, France, 2015. 260-264

[27] 劉清旺,李增元,陳爾學(xué)等. 利用機載激光雷達(dá)數(shù)據(jù)提取單株木樹高和樹冠. 北京林業(yè)大學(xué)學(xué)報， 2008,30(6): 83-89

[28] 劉清旺,李增元，陳爾學(xué)等. 機載LIDAR點云數(shù)據(jù)估測單株木生物量. 高技術(shù)通訊, 2010,20(7):765-770

[29] 鄭求根,權(quán)文婷. 基于暗像元的Hyperion高光譜影像大氣校正. 光譜學(xué)與光譜分析, 2010(10): 2710-2713

[30] 梁亮,楊敏華,李英芳. 基于ICA與SVM算法的高光譜遙感影像分類. 光譜學(xué)與光譜分析, 30(10): 2724-2728

[31] 譚琨,杜培軍. 基于支持向量機的高光譜遙感圖像分類. 紅外與毫米波學(xué)報, 2008,27(2): 123-128

The remote sensing experiment on airborne LiDAR and hyperspectral integrated system for subtropical forest estimation

Liu Qingwang*, Tan Bingxiang*, Hu Kailong***, Fan Xue*, Li Zengyuan*, Pang yong*, Li Shiming*

(*State Laboratory for Forest Remote Sensing and Information Techniques, Research Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091)(**College of Geoscience and Surveying Engineering, China University of Mining & Technology, Beijing 100083)

To improve the accuracy of forest’s type extraction and biophysical parameters inversion, an aviation experiment on the typical subtropical forest area in Hubei was conducted by using the Airborne Light detection and ranging and Hyperspectral Integrated System (ALHIS), and acquired the point cloud data and the hyperspectral and CCD (Charge Couple Device) images.The forest heights were extracted and the dominate tree species were identified by using these data. The estimation accuracy of average height reached 90.67% at stand level. The correlation between the average height estimated by using the light detection and ranging (LiDAR) and the average height of field measurements weighted by DBH (diameter at breast height) was significant (R2=0.73,RMSE=1.29m). According to the dominant tree species classification, the average heights ofPinusmassonianaLamb.,QuercusvariabilisBl. and other species were 9.62m, 9.30m and 8.79m, respectively. The variation between different species was not significant. The classification accuracy of dominant tree species using hyperspectual image was 82.00% (Kappa=0.70). The proportions of the forest area and the non-forest area were 60.01% and 39.99% respectively. The proportions of the areas ofPinusmassonianaLamb.,QuercusvariabilisBl. and other species were 59.77%, 24.99% and 15.23%, respectively. The experiment shows that the ALHIS can acquire high resolution remote sensing data describing vegetation characteristics for forest mapping, dominant tree species / group species recognition, carbon estimation, ecological environment modeling, etc.

forest height, dominant tree species, light detection and ranging (LiDAR), hyperspectual, classification

10.3772/j.issn.1002-0470.2016.03.006

①863計劃(2013AA12A302)，國家自然科學(xué)基金(41201334)和國家科技支撐計劃(2012BAH34B02)資助項目。

2015-11-26)

②男，1978年生，博士；研究方向：林業(yè)遙感，激光雷達(dá)技術(shù)；聯(lián)系人，E-mail: liuqw@ifrit.ac.cn(