邱 琴,張文革,王 蕾,曹姍姍,孫 偉,

(1.新疆農(nóng)業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院,烏魯木齊 830052；2.新疆天山西部國(guó)有林管理局,新疆 伊寧 835000；3.新疆林業(yè)科學(xué)院現(xiàn)代林業(yè)研究所,烏魯木齊 830052；4.中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所,北京 100081)

0 引言

在森林資源數(shù)量、質(zhì)量及健康狀況等方面的調(diào)查、監(jiān)測(cè)與研究過(guò)程中,單木胸徑、樹(shù)高和冠幅等測(cè)樹(shù)因子的獲取至關(guān)重要,可為林地密度估計(jì)、生物量及碳儲(chǔ)量估算、林地變化趨勢(shì)分析、森林生長(zhǎng)與收獲預(yù)估等方面提供切實(shí)有效的科學(xué)依據(jù)[1-3]。傳統(tǒng)的單木因子獲取以野外調(diào)查和地面實(shí)測(cè)為主,費(fèi)時(shí)耗力、自動(dòng)化程度不高、效率較低,難以實(shí)現(xiàn)大尺度的森林結(jié)構(gòu)參數(shù)連續(xù)性監(jiān)測(cè)[4-5]。如何快速、精準(zhǔn)、無(wú)損、低成本獲取森林單木因子數(shù)據(jù),對(duì)森林資源高效管理和科學(xué)決策具有重要的現(xiàn)實(shí)意義。

近10多年來(lái),國(guó)內(nèi)外許多學(xué)者開(kāi)展了機(jī)載激光雷達(dá)系統(tǒng)單木因子估測(cè)的研究,進(jìn)而估算了森林單木或樣地尺度生物量[6-8]。與傳統(tǒng)地面調(diào)查方法相比,不僅顯著提高了單木因子估測(cè)精度,還減少了工作量、降低了勞動(dòng)強(qiáng)度、有效提升了工作效率。Brolly等[9]通過(guò)三維激光掃描技術(shù)預(yù)測(cè)單木結(jié)構(gòu)參數(shù),建立DTM、樹(shù)冠表面模型和樹(shù)干模型,然后從模型中獲得測(cè)樹(shù)因子,通過(guò)精度分析發(fā)現(xiàn),利用該方法測(cè)得的數(shù)據(jù)與傳統(tǒng)方法的精度一致；Wallace等[10]使用無(wú)人機(jī)攜帶激光雷達(dá)通過(guò)對(duì)研究區(qū)內(nèi)單株樹(shù)木的識(shí)別,獲取樹(shù)木的位置、高度、冠幅等數(shù)據(jù),利用激光點(diǎn)云估測(cè)樣方尺度和單木尺度上的森林調(diào)查指標(biāo),得到了較高精度的調(diào)查結(jié)果；韋雪花等[11]利用TLS點(diǎn)云數(shù)據(jù),通過(guò)體元模擬法,計(jì)算各立方格網(wǎng)內(nèi)的點(diǎn)云并進(jìn)行投影,統(tǒng)計(jì)投影個(gè)數(shù)得到樹(shù)冠體積；Goodbod 等[12]采用無(wú)人機(jī)獲取充分的機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)并建立生物量預(yù)測(cè)模型,證明了利用激光雷達(dá)對(duì)森林生物量進(jìn)行預(yù)測(cè)具有較高精度；劉峰等[13]用機(jī)載激光雷達(dá)數(shù)據(jù),采用回歸模型估測(cè)中亞熱帶森林喬木層單木地上生物量,結(jié)果表明,以激光雷達(dá)獲取的多種參數(shù)信息構(gòu)成的模型相較于單一以林分樹(shù)高為因子的傳統(tǒng)回歸模型,其估測(cè)精度明顯提高。

天山云杉(Piceaschrenkianavar.tianshanica)是新疆天山地區(qū)涵蓋范圍最廣、蓄積量最大、生態(tài)功能最為重要的針葉樹(shù)種[14],在山地森林水源涵養(yǎng)與水土保持及林區(qū)生態(tài)系統(tǒng)的形成和維護(hù)等方面發(fā)揮著關(guān)鍵作用[15-16]。遙感為快速準(zhǔn)確獲取天山云杉林單木因子提供了有效途徑,但現(xiàn)有研究多側(cè)重于應(yīng)用衛(wèi)星遙感影像[17-18]、無(wú)人機(jī)可見(jiàn)光影像[19-21]獲取天山云杉林樹(shù)冠、密度、蓄積量等信息,對(duì)于激光雷達(dá)數(shù)據(jù)估測(cè)天山云杉林關(guān)鍵參數(shù)的研究鮮有報(bào)道。目前,機(jī)載LiDAR和地基LiDAR在林業(yè)資源監(jiān)測(cè)方面的使用和研究較為廣泛,但在外業(yè)活動(dòng)采集數(shù)據(jù)過(guò)程中工作量較大、成本較高、數(shù)據(jù)分析處理較繁瑣。背包式LiDAR具有真三維測(cè)量、成本低、易操作和覆蓋廣等技術(shù)特點(diǎn),其數(shù)據(jù)采集時(shí)攜帶便捷、操作簡(jiǎn)單,不受天氣、地形等外界環(huán)境因素的約束,測(cè)量范圍易操控。作為一種新興點(diǎn)云數(shù)據(jù)獲取手段,背包式LiDAR在獲取森林三維結(jié)構(gòu)參數(shù)方面具有良好的應(yīng)用潛力。但是,對(duì)于復(fù)雜地形條件下的天山云杉為代表的山地森林,背包式LiDAR數(shù)據(jù)的處理與分析方法及適用性有待進(jìn)一步研究和驗(yàn)證。

本文以天山云杉為研究對(duì)象,使用背包LiDAR估測(cè)天山云杉的樹(shù)高、胸徑與冠幅面積,通過(guò)與樣地的地面實(shí)測(cè)結(jié)合目視解譯數(shù)據(jù)進(jìn)行相關(guān)性分析與驗(yàn)證,建立背包LiDAR樹(shù)高和冠幅變量之間的回歸模型,以期為背包式激光雷達(dá)獲取森林三維結(jié)構(gòu)參數(shù)提供方法和應(yīng)用參考。

1 材料與方法

1.1 研究區(qū)概況與數(shù)據(jù)獲取

研究區(qū)為新疆西天山森林生態(tài)系統(tǒng)國(guó)家定位觀測(cè)研究站(簡(jiǎn)稱西天山生態(tài)站),位于天山西部那拉提山北麓,伊犁河谷中部,屬于伊犁哈薩克自治州鞏留縣區(qū)域,地理坐標(biāo)為43°03′～43°15′N(xiāo),82°51′～83°06′E。研究區(qū)高差明顯、起伏大,略呈三角形,地勢(shì)東南高,西北低,海拔677～4 181m[22]。研究區(qū)呈典型的中亞溫帶大陸性半干旱特征,年均氣溫0.7℃,年降水量400～900mm,雨季集中在6—8月份,年蒸發(fā)量980～1 150mm,年均相對(duì)濕度65%。研究區(qū)內(nèi)云杉林的單位蓄積量較高,每公頃高達(dá)800～900m3。在研究區(qū)通過(guò)背包式激光雷達(dá)采集實(shí)驗(yàn)數(shù)據(jù),其地理位置如圖1所示。

圖1 研究區(qū)及數(shù)據(jù)采集地理位置Fig.1 Geographical location of study area and data acquisition

LiDAR數(shù)據(jù)采用LiBackpack D50背包式激光雷達(dá)設(shè)備于2019年10月12日至17日掃描獲取。通過(guò)在水平和垂直兩個(gè)方向分別設(shè)置激光雷達(dá)傳感器,同時(shí)配置高精度GNSS設(shè)備,結(jié)合同步定位與制圖構(gòu)建SLAM(simultaneous localization and mapping)技術(shù),獲取掃描范圍內(nèi)的高精度三維點(diǎn)云數(shù)據(jù)。LiBackpack D50背包激光雷達(dá)采取自下而上的掃描方式,獲取樹(shù)干/枝葉詳細(xì)的結(jié)構(gòu)信息,具有掃描范圍廣、高效率、高精度、多平臺(tái)、低成本和易操作等特點(diǎn),其系統(tǒng)參數(shù)如表1所示。

表1 LiBackpack D50背包激光雷達(dá)掃描系統(tǒng)Tab.1 LiBackpack D50 Backpack LiDAR scanning system

以西天山生態(tài)站為中心,選取6個(gè)20m×20m的正方形樣地進(jìn)行背包雷達(dá)數(shù)據(jù)采集,其中:1號(hào)、2號(hào)和3號(hào)樣地屬于人工林,分別含有140株、82株和89株天山云杉；4號(hào)、5號(hào)和6號(hào)樣地屬于天然林,分別含有19株、15株和18株天山云杉。路徑規(guī)劃對(duì)背包激光雷達(dá)數(shù)據(jù)采集至關(guān)重要,合理的路徑規(guī)劃能采集到樹(shù)木的完整信息,并減少數(shù)據(jù)冗余。針對(duì)20m×20m的樣地,考慮樹(shù)木分布比較密集,采用圖2所示的路徑規(guī)劃(序號(hào)從小到大表示采集人員行走的路線順序)。

圖2 行走路徑規(guī)劃Fig.2 Path planning

1.2 研究方法

通過(guò)LiDAR 360 V 3.2軟件對(duì)樣地的背包激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理,包含的步驟為去噪、濾波、生成DEM、點(diǎn)云歸一化。在此基礎(chǔ)上,由圖3所示,進(jìn)行單木分割處理、胸徑擬合和單木參數(shù)提取。背包激光雷達(dá)單木分割處理步驟如圖4所示(序號(hào)(a)—(j)依次表示處理順序)。

圖3 背包激光雷達(dá)單木分割流程圖Fig.3 Flow chart of single wood segmentation of backpack LiDAR

圖4 背包激光雷達(dá)單木分割處理步驟Fig.4 The processing steps of single wood segmentation for backpack LiDAR

1.2.1數(shù)據(jù)預(yù)處理

首先,對(duì)原始數(shù)據(jù)的空中點(diǎn)、低于地表點(diǎn)(高位粗差及低位粗差)及孤立點(diǎn)等噪聲點(diǎn)進(jìn)行分類(lèi)并去除,進(jìn)而提高數(shù)據(jù)質(zhì)量。其算法原理:對(duì)每一個(gè)點(diǎn)搜索指定鄰域點(diǎn)個(gè)數(shù)的相鄰點(diǎn),計(jì)算點(diǎn)到相鄰點(diǎn)的距離平均值,計(jì)算這些平均值距離的中值和標(biāo)準(zhǔn)差,如果這個(gè)點(diǎn)的平均值距離大于最大距離(中值+標(biāo)準(zhǔn)差倍數(shù)×標(biāo)準(zhǔn)差),則認(rèn)為是噪點(diǎn)，將被去掉。其次,為減小地形起伏對(duì)樹(shù)冠分割和樹(shù)冠特征因子估測(cè)的影響,采用改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法(Improved Progressive TIN Densification,IPTD)進(jìn)行激光雷達(dá)地面點(diǎn)分類(lèi)。包含點(diǎn)云格網(wǎng)化、選取種子點(diǎn)、使用種子點(diǎn)構(gòu)建三角網(wǎng)和迭代加密三角網(wǎng)。最后,由于實(shí)驗(yàn)樣地存在一定的坡度,樹(shù)木點(diǎn)云起始高程不同,需要采用文獻(xiàn)[23]中提出的方法,即:將點(diǎn)云高程歸一化，以獲得樹(shù)木點(diǎn)云的相對(duì)高度,降低地形對(duì)單木樹(shù)高估測(cè)精度的影響，去除地形對(duì)樹(shù)高估測(cè)的影響。公式為:

Z高度=Z絕對(duì)-Z地面

(1)

式中:Z高度為歸一化后各點(diǎn)高程；Z絕對(duì)為各點(diǎn)真實(shí)高程,即絕對(duì)高程；Z地面為各點(diǎn)臨近的地面點(diǎn)高程。

1.2.2單木參數(shù)估測(cè)

估測(cè)背包雷達(dá)高程在1.3 m范圍內(nèi)的點(diǎn)云數(shù)據(jù),采用二維Hough變換結(jié)合圓擬合的方法進(jìn)行單木識(shí)別,并獲取單木的胸徑(DBH)值。根據(jù)樹(shù)木生長(zhǎng)特點(diǎn)還可以選擇擬合橢圓和擬合圓柱的方式,即:如果樹(shù)干為傾斜生長(zhǎng),可采用擬合圓柱的方法；如果樹(shù)干呈現(xiàn)為橢圓,則可利用最小二乘擬合二維橢圓提取胸徑信息。擬合完成后,對(duì)聚類(lèi)出的樹(shù)干進(jìn)行置信度判斷,并采用單木篩選完成對(duì)擬合結(jié)果的分析與檢查,進(jìn)而提高估測(cè)精度。同時(shí),對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行歸一化處理后,每個(gè)點(diǎn)的歸一化高程值即為該點(diǎn)與地面的高度差,因此,通過(guò)獲取單木點(diǎn)云數(shù)據(jù)的Z坐標(biāo),即可實(shí)現(xiàn)對(duì)樹(shù)高準(zhǔn)確的估測(cè)。

1.2.3參數(shù)估測(cè)的評(píng)價(jià)

1.2.3.1單木分割精度

通過(guò)地面調(diào)查結(jié)合目視解譯值(以下簡(jiǎn)稱實(shí)測(cè)值)的分析,分別獲取分割后的樹(shù)木總數(shù)、正確分割的棵數(shù)、錯(cuò)誤分割的棵數(shù)、漏分的棵數(shù),通過(guò)(2)—(4)式計(jì)算單木分割的召回率(R)、精確率(P)和F測(cè)度(F)的值。

(2)

(3)

(4)

式中:TP表示樹(shù)木被正確分割,FN表示樹(shù)木未被檢測(cè),FP表示錯(cuò)誤檢測(cè)。

其中：1)召回率(Recall)也叫查全率,針對(duì)數(shù)據(jù)集中的所有正例(TP+FN)而言,模型正確判斷出的正例(TP)占數(shù)據(jù)集中所有正例的比例。召回率可表示樹(shù)木的檢測(cè)率,以單木識(shí)別為例,把背包雷達(dá)數(shù)據(jù)中的樹(shù)木作為正例,召回率高，代表可以識(shí)別出更多的天山云杉。2)精確率(precision)也叫查準(zhǔn)率,針對(duì)模型判斷出的所有正例(TP+FP)而言,其中真正例(TP)占的比例。精確率可表示樹(shù)木分割的正確率,以單木識(shí)別為例,精確率高，表示模型識(shí)別出的樹(shù)木中基本正確,少量識(shí)別對(duì)象不是樹(shù)。3)F測(cè)度(F)為精確率和召回率的調(diào)和平均數(shù),從兩個(gè)視角綜合考慮錯(cuò)分和漏分的總體精度。以上三者的變化范圍均在0～1之間。

1.2.3.2單木參數(shù)估測(cè)精度

單木參數(shù)估測(cè)的擬合效果采用決定系數(shù)(R2)和均方根誤差(RMSE)2個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。決定系數(shù)是用來(lái)表征方程對(duì)實(shí)測(cè)值的擬合程度；均方根誤差用于評(píng)估擬合值與實(shí)測(cè)值的偏差,進(jìn)而評(píng)價(jià)模型的回歸效果。決定系數(shù)值越高,則實(shí)測(cè)值與估測(cè)值的相關(guān)性越強(qiáng),擬合效果越好；均方根誤差越小,則表明預(yù)測(cè)值的效果越好[24]。

(5)

(6)

式中:n為正確分割的單木數(shù)量；Xi為分割單木參數(shù)；xi為與分割出的單木對(duì)應(yīng)的實(shí)測(cè)單木參數(shù)。

2 結(jié)果與分析

2.1 單木分割結(jié)果與分析

對(duì)于6個(gè)樣地內(nèi)的363株天山云杉,正確分割出320株,單木分割精度F值均大于0.90,平均值為0.93,精確率均值是0.96,召回率均值是0.90(表2)。各樣地單木識(shí)別率都在80%以上,平均為86.61%,總體精度較高,但漏分現(xiàn)象普遍存在。通過(guò)分析點(diǎn)云數(shù)據(jù)后發(fā)現(xiàn),人工林的識(shí)別率略高于自然林。人工林識(shí)別率均值為88.48%,天然林識(shí)別率均值為84.74%。因?yàn)槿斯ち钟讟?shù)較多,分布規(guī)整,樹(shù)木間距較為整齊,林下灌木雜草偏少,因此識(shí)別率較高；而天然林樹(shù)高整體較高,林下灌木雜草較多且密集,很大程度上影響了對(duì)樹(shù)木的識(shí)別與分割。此外,由于樣地林分郁閉度較高,樹(shù)冠之間遮擋和競(jìng)爭(zhēng)造成樹(shù)冠信息獲取不完全,對(duì)背包激光雷達(dá)單木分割結(jié)果產(chǎn)生了一定的影響。

表2 背包激光雷達(dá)單木分割驗(yàn)證Tab.2 Single-wood segmentation verification of backpack LiDAR

2.2 胸徑估測(cè)精度結(jié)果與分析

研究區(qū)6塊樣地單木胸徑的背包式激光雷達(dá)估測(cè)值與實(shí)測(cè)值的回歸關(guān)系(圖5)表明,胸徑估測(cè)值與實(shí)測(cè)值線性相關(guān)性較為明顯。在基于點(diǎn)云數(shù)據(jù)估測(cè)單木胸徑時(shí),若胸徑位置處無(wú)灌木、雜草和樹(shù)枝樹(shù)葉等遮擋,估測(cè)精度較高,但如有雜物干擾,會(huì)對(duì)胸徑估測(cè)的擬合圓算法產(chǎn)生不利影響,導(dǎo)致擬合圓偏大,進(jìn)而無(wú)法實(shí)現(xiàn)單木胸徑的精準(zhǔn)估測(cè)。6塊樣地決定系數(shù)R2均大于0.90,最低是0.923 7,最高值可達(dá)0.987 3,但在人工林和天然林中差異較為明顯。3塊人工林胸徑集中分布在5～25cm內(nèi),R2均值為0.939 9；RMSE均值為1.11,最低為0.89,最高為1.38。天然林胸徑集中分布在30～120cm內(nèi),R2均值為0.972 7；RMSE均值為4.03,最低為2.55,最高為5.02。人工林和天然林之間的誤差:一方面,可能是人工林的胸徑分布較為集中,天然林胸徑分布差異較大造成；另一方面,由于單木樹(shù)干不成標(biāo)準(zhǔn)圓形或者呈現(xiàn)畸形,采集的點(diǎn)云數(shù)據(jù)成畸形,導(dǎo)致擬合胸徑的結(jié)果中不正確或誤差較大。結(jié)果說(shuō)明,利用背包式激光雷達(dá)估測(cè)單木胸徑具有一定可靠性,可以獲取精度較高的點(diǎn)云數(shù)據(jù),但對(duì)于形狀復(fù)雜的樹(shù)干,其胸徑估測(cè)精度略低。

圖5 6塊樣地胸徑實(shí)測(cè)值與估測(cè)值回歸關(guān)系圖Fig.5 Relationship between measured and estimated values of diameter at breast height of 6 plots

2.3 樹(shù)高估測(cè)精度結(jié)果與分析

研究區(qū)6塊樣地單木樹(shù)高的背包式激光雷達(dá)估測(cè)值與實(shí)測(cè)值的回歸關(guān)系(圖6)表明,6塊樣地決定系數(shù)R2均在0.90以上,最低為0.903 6,最高可達(dá)0.998 5,RMSE均值為1.05,具有較好的擬合和預(yù)測(cè)效果。人工林樹(shù)高普遍較低,集中分布在3～18m內(nèi),3塊人工林R2均值為0.936 6,RMSE分布均衡,均值為0.49。天然林樹(shù)高較高,集中分布在20～40m內(nèi),3塊天然林R2均值為0.981 3；RMSE均值為1.61,最低為0.57,最高為3.02。林分密度是導(dǎo)致人工林和天然林之間差異的重要因素,在林分密度低的人工林條件下,LiDAR很容易探測(cè)到樹(shù)木的頂端部分,從而估測(cè)樹(shù)木高度值。在林分密度較大的天然林條件下,受到樹(shù)枝和相鄰樹(shù)木的部分遮擋,LiDAR難以準(zhǔn)確地探測(cè)到樹(shù)木頂端部分。結(jié)果表明,樹(shù)高實(shí)測(cè)值與估測(cè)值的相關(guān)性較高,說(shuō)明,利用背包式激光雷達(dá)對(duì)單木樹(shù)高進(jìn)行估測(cè)具有較高的可行性。

圖6 6塊樣地樹(shù)高實(shí)測(cè)值與估測(cè)值回歸關(guān)系圖Fig.6 Relationship between the measured and the estimated values tree heights of 6 plots

2.4 冠幅面積估測(cè)精度結(jié)果與分析

研究區(qū)6塊樣地單木冠幅面積的背包式激光雷達(dá)估測(cè)值與實(shí)測(cè)值的回歸關(guān)系(圖7)表明,6個(gè)樣地R2均大于0.80,均值為0.862 7,最小值為 0.835 6,最大值為0.895 5；RMSE均值為3.21。3塊人工林冠幅面積集中分布于2～14m2內(nèi),R2均值為0.861 1,RMSE均值為1.2,3塊樣地之間差異不大。3塊天然林冠幅面積集中分布于20～60m2內(nèi),R2均值為0.864 2；RMSE均值為5.23,最小值為4.13,最大值為 5.96。分析發(fā)現(xiàn)由于背包式激光雷達(dá)設(shè)備的空間采樣率較低,并且樹(shù)木和雜物之間的遮擋,導(dǎo)致未能獲取樹(shù)冠頂部完整的點(diǎn)云數(shù)據(jù)。結(jié)果表明,利用背包式激光雷達(dá)估測(cè)的冠幅面積的精度與胸徑和樹(shù)高相比較低。由于背包式激光雷達(dá)獲取的樹(shù)冠頂部數(shù)據(jù)不完整,極大程度上影響了樹(shù)冠的估測(cè)精度。分布不規(guī)則的天然林誤差明顯高于分布規(guī)整的人工林。

圖7 6塊樣地冠幅面積實(shí)測(cè)值與估測(cè)值回歸關(guān)系圖Fig.7 Relationship between measured and estimated crown area of 6 plots

3 結(jié)論與討論

以西天山生態(tài)站6塊天山云杉林樣地作為研究區(qū)域,基于背包式激光雷達(dá)進(jìn)行天山云杉林單木因子估測(cè),單木識(shí)別率平均為86.61%,單木分割精度F值均大于0.90,精確率均值是0.96,召回率均值是0.90,總體精度較高。單木胸徑和樹(shù)高估測(cè)結(jié)果決定系數(shù)R2均大于0.90,胸徑均方根誤差RMSE均值為1.11,樹(shù)高為1.05。胸徑和樹(shù)高估測(cè)差異主要與天然林與人工林的林分密度和樹(shù)干形狀有關(guān),在林分密度較大的天然林中,導(dǎo)致小樹(shù)的樹(shù)冠被大樹(shù)樹(shù)枝部分遮擋,其胸徑值被高估,大樹(shù)高度被低估則是由于小樹(shù)及其樹(shù)枝的遮擋未能獲得大樹(shù)頂端充分的點(diǎn)云數(shù)據(jù),這一結(jié)論與陳世林[25]基于激光雷達(dá)單木參數(shù)估測(cè)結(jié)論一致；由于單木樹(shù)干不成標(biāo)準(zhǔn)圓形或者呈現(xiàn)畸形,導(dǎo)致擬合胸徑的結(jié)果誤差較大,與白少博[26]所得結(jié)論相仿。本研究胸徑、樹(shù)高和冠幅面積信息估測(cè)結(jié)果與黃旭等[27]基于背包式激光雷達(dá)估測(cè)落葉松單木因子信息精度相符合,且高于金忠明等[28]基于無(wú)人機(jī)遙感影像采用深度卷積神經(jīng)網(wǎng)絡(luò)U-Net和標(biāo)記控制分水嶺算法估測(cè)天山云杉單木樹(shù)冠面積和冠幅的精度,證明了使用背包激光雷達(dá)估測(cè)天山云杉林單木因子信息具有較高的可靠性和可行性,能夠滿足林下三維參數(shù)高精度無(wú)損快速采集需求。但是,受限于本研究?jī)H在地面開(kāi)展了背包雷達(dá)數(shù)據(jù)采集,林木樹(shù)冠部分掃描并不完全,與胸徑和樹(shù)高提取精度相比,單木冠層信息估測(cè)精度略低。

基于背包式激光雷達(dá)估測(cè)單木胸徑、樹(shù)高、冠幅面積信息,可以極大減少人工調(diào)查的工作量,提高單木因子信息估測(cè)效率。但由于背包式激光雷達(dá)測(cè)量手段尚處于蓬勃興起階段,隨著新一代信息技術(shù)的飛速發(fā)展,背包式激光雷應(yīng)用研究將會(huì)呈現(xiàn)如下趨勢(shì):

1)與天基、空基和地基激光雷達(dá)數(shù)據(jù)多尺度融合。近年來(lái),研究人員對(duì)單木尺度樹(shù)木冠層構(gòu)型精細(xì)化處理要求越來(lái)越高,但由于背包式激光雷達(dá)設(shè)備不能獲取樹(shù)冠頂層完整的點(diǎn)云數(shù)據(jù),尤其是對(duì)于高郁閉度林分條件下的單木冠幅和樹(shù)高等因子估測(cè)的局限性較明顯,因此,可與機(jī)載激光雷達(dá)[29-30]、地基激光雷達(dá)[31]等多源數(shù)據(jù)進(jìn)行多尺度聯(lián)合監(jiān)測(cè),獲取森林單木全息立體信息,有利于進(jìn)一步提升估測(cè)精度。

2)與被動(dòng)式光學(xué)遙感數(shù)據(jù)多源融合。激光雷達(dá)傳感器在獲取森林關(guān)鍵參數(shù)的時(shí)空分布上有一定局限性,而被動(dòng)光學(xué)遙感在獲取森林生物物理參數(shù)的光譜信息方面具有獨(dú)特優(yōu)勢(shì),因此,將光學(xué)影像[32]、多光譜[33]、高光譜[34]和激光雷達(dá)技術(shù)相融合已成為激光雷達(dá)硬件發(fā)展的方向之一。

3)深度學(xué)習(xí)融合的激光雷達(dá)單木因子提取算法研究有待增強(qiáng)。隨著深度學(xué)習(xí)方法在圖像識(shí)別與分類(lèi)領(lǐng)域的深入研究與應(yīng)用,基于深度學(xué)習(xí)方法融合三維激光雷達(dá)[35]的點(diǎn)云數(shù)據(jù)進(jìn)行單木識(shí)別并獲取單木因子信息,將極大提高識(shí)別精度及其效率。