点云密度对机载激光雷达林分高度反演的影响

摘 要 为了实现落叶松冠层叶面积密度盲区互补的协同反演，以塞罕坝机械林场为研究区，根据地基雷达
和机载激光雷达数据对落叶松林冠层点云信息进行提取；利用点云分割算法对点云信息进行枝叶分离，并对冠层
点云进行体素建模，分析落叶松林最优体素和接触频率的相关性；采用体素模型冠层分析法（ ＶＣＰ） 分别对机载雷
传感器及集成了 ＧＮＳＳ 接收器。 仪器可以在多种环
境下使用，通过同名点拼接多站扫描数据，误差范围
控制在 ０．００４ ～ ０．００５ ｍ（ 技术参数见表 １） 。
参数类型
最大视场角
最大脉冲发射频率
测距精度
最大测距范围
６０％反射率目标
２０％反射率目标
最大可飞行高度
激光等级
尺寸（ 长×宽×高）度（ＬＡＤ） 是冠层内任意高度单位体积内的叶
面积总和，描述不同高度处叶面积的分布情况，冠层
叶面积密度的高低，决定冠层叶面积指数的大小［３］ 。
在全球碳循环中，冠层叶面积密度可作为模拟
陆地植被的重要输入参数
［４］
。 传统叶面积密度的
测量采用人工分层裁剪法，尽管测量精度较高，但对
植物造成严重破坏，且耗时费力
单木的叶面积密度，进而获得林分叶面积密度值。
应用地基 ＬｉＤＡＲ 数据对冠层分析方法进行反演精
度评价，结果发现该方法的反演精度受到多个因素
（ 包括非光合作用组分、叶片倾角取向、入射激光束
数量以及激光光束入射角度等） 的影响 ［２０］ ，因此，需
要研究在林分尺度上准确快速的叶面积密度估算，
进一步验证该方法的可靠性和适用性。
分类，然后对生成的三角网进行迭代加密处理，生成
内置三轴加速器，三轴陀螺仪，三轴磁罗盘，气压计

基于激光雷达的森林高度反演
10-6闫敏Fra bibliotek摘要幻灯片
• • • • 研究森林植被高度的背景及需求 激光雷达用于森林高度反演 国内外研究现状 激光雷达反演树高的局限性
研究森林植被高度的背景及需求
• 森林高度图可以帮助科学家们了解人类 燃烧化石燃料所释放的二氧化碳，有多 少被全球的树木吸收贮存起来。数十年 来，科学家已经通过卫星图像，绘制了 全球森林的地域分布地图。森林的地域 分布地图非常有用，解决了众多科学问 题。
研究森林植被高度的背景及需求
• 例如，它可以反映出森林破坏速度是在减 缓还是增快。 但是对于另一些疑问它却无 能为力，比如，哪些森林吸收了燃烧矿物 燃料所释放的大部分二氧化碳。因为科学 家需要了解森林的生物总量信息，这时就 需要同时了解森林分布和树木高度的数据。
研究森林植被高度的背景及需求
• 而对于传统的森林冠层高度获取方法不仅 成本高，且费时费力，作为一种主动式遥 感技术手段，激光雷达（LiDAR）系统在反 演森林冠层高度方面具有很大的优势及潜 力，能够快速准确地获取林地数字高程模 型和森林高度信息。
激光雷达用于森林高度反演
– 其测距基本原理可表示为 – 即通过处理每个脉冲返回传感器哦的时间，解 算传感器和地面不同表面之间的距离。 – 用于林业的激光雷达主要有2类：记录完整波 形数据的大光斑雷达与仅记录少量回波的小光 斑激光雷达。前者主要通过回波波形用于反演 大范围森林的垂直结构与生物量，后者利用高 密度的激光点云进行精确的单木水平上的高度 估测等工作。
小光斑激光雷达森林回波点云示意图
激光雷达用于森林高度反演
• 树高的提取方法与DTM和DSM的生成紧密相关， 两者查分而生成的nDSM(normalized Digital Surface Model)上的高度即第五绝对高度，是树 高提取的直接依据。激光点云数据树高反演处理 的流程如下：

无人机载LiDAR点云密度对DEM精度的影响分析
肖杰
【期刊名称】《测绘通报》
【年(卷),期】2024()4
【摘要】无人机载LiDAR点云数据是目前生产DEM的重要数据源。

为进一步提升DEM构建效率,本文选取平地和山地两类地形作为试验区,利用基于不规则三角网的点云抽稀算法,对滤波处理后的地面点云数据分别按照80%、60%、40%等7种地面点保留率进行抽稀,并用平均误差(ME)、标准差(SD)、均方根误差(RMSE)3个指标,对不同抽稀比例下生产的DEM成果进行综合精度评定。

结果表明:(1)平地地面点云密度达2点/m^(2),山地地面点云密度达9点/m^(2)时,生产的0.5 m格网间距的DEM精度优于0.05 m;(2)随着地面点云密度的增加,DEM精度水平逐渐趋于稳定,当地面点云密度抽稀到1点/m^(2)时,DEM精度快速下降。

针对无人机载LiDAR点云数据进行大范围工程化DEM生产任务,该研究结论对降低数据获取成本、提升DEM生产效率具有一定的指导和借鉴意义。

【总页数】6页(P35-40)
【作者】肖杰
【作者单位】山西省测绘地理信息院
【正文语种】中文
【中图分类】P237
【相关文献】
1.复杂地形条件下多密度级无人机LiDAR点云DEM精度研究
——以2022年北京冬奥会延庆赛区为例2.基于机载LiDAR点云数据构建复杂山区高精度DEM方法研究3.机载LiDAR点云获取与高精度DEM建设关键技术探讨4.机载LiDAR点云密度对DEM精度的影响5.机载LiDAR点云密度和插值方法对DEM及地表粗糙度精度影响分析
因版权原因，仅展示原文概要，查看原文内容请购买。

第４７卷㊀第２期２０２３年３月南京林业大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ）Ｖｏｌ．４７，Ｎｏ．２Ｍａｒ．，２０２３㊀收稿日期Ｒｅｃｅｉｖｅｄ：２０２２⁃０１⁃２６㊀㊀㊀㊀修回日期Ａｃｃｅｐｔｅｄ：２０２２⁃０４⁃０７㊀基金项目：国家自然科学基金面上项目（３１８７０６２１，３１９７１５８０）；中央高校基本科研业务费专项资金项目（２５７２０２１ＢＡ０８）㊂㊀第一作者：董瀚元（２４０６８５４８９８＠ｑｑ．ｃｏｍ）㊂∗通信作者：于颖（ｙｕｙｉｎｇ４４５８＠１６３．ｃｏｍ），教授㊂㊀引文格式：董瀚元，于颖，范文义．星载激光雷达ＧＥＤＩ数据林下地形反演性能验证［Ｊ］．南京林业大学学报（自然科学版），２０２３，４７（２）：１４１－１４９．ＤＯＮＧＨＹ，ＹＵＹ，ＦＡＮＷＹ．ＶｅｒｉｆｉｃａｔｉｏｎｏｆｐｅｒｆｏｒｍａｎｃｅｏｆｕｎｄｅｒｓｔｏｒｙｔｅｒｒａｉｎｉｎｖｅｒｓｉｏｎｆｒｏｍｓｐａｃｅｂｏｒｎｅｌｉｄａｒＧＥＤＩｄａｔａ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ），２０２３，４７（２）：１４１－１４９．ＤＯＩ：１０．１２３０２／ｊ．ｉｓｓｎ．１０００－２００６．２０２２０１０４１．星载激光雷达ＧＥＤＩ数据林下地形反演性能验证董瀚元，于㊀颖∗，范文义（森林生态系统可持续经营教育部重点实验室，东北林业大学林学院，黑龙江㊀哈尔滨㊀１５００４０）摘要：ʌ目的ɔ新一代天基测高系统全球生态系统动力学调查（ＧＥＤＩ）对森林观测及经营具有重要意义，为探究ＧＥＤＩＶ２（ＧＥＤＩ第２版）数据反演林下地形的性能，利用机载雷达数据验证林下地形反演精度，并探究反演精度的影响因素㊂ʌ方法ɔ分别以美国西波拉森林与中国帽儿山森林为研究对象，利用Ｇ⁃ｌｉｈｔ及帽儿山高精度机载雷达数据验证ＧＥＤＩＶ２数据在针叶林及针阔叶混交林下反演地形的性能，并分析不同光束强度㊁光斑时间㊁坡度及植被覆盖度对地形反演精度的影响㊂ʌ结果ɔ美国西波拉针叶林地区地形反演精度均方根误差（ＲＭＳＥ）为２ ３３ｍ，平均绝对误差（ＭＡＥ）为１ ４８ｍ；帽儿山针阔叶混交林地区地形反演精度ＲＭＳＥ为４ ４９ｍ，ＭＡＥ为３ ３３ｍ㊂随着坡度㊁植被覆盖度增大，两种森林类型地形反演精度均降低㊂ʌ结论ɔＧＥＤＩＶ２数据反演针叶林林下地形精度要优于针阔叶混交林，强光束优于覆盖光束，湿润地区白天效果更优，干旱地区黑夜效果更优；平缓地区数据使用效果极好，陡峭地区精度降低；中低植被覆盖度区域地形反演精度较高，高植被覆盖区域地形测定性能有所下降㊂关键词：星载激光雷达；全球生态系统动力学调查（ＧＥＤＩ）；林下地形；反演精度；坡度；植被覆盖度中图分类号：Ｓ７７１．８㊀㊀㊀㊀㊀㊀文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１０００－２００６（２０２３）０２－０１４１－０９ＶｅｒｉｆｉｃａｔｉｏｎｏｆｐｅｒｆｏｒｍａｎｃｅｏｆｕｎｄｅｒｓｔｏｒｙｔｅｒｒａｉｎｉｎｖｅｒｓｉｏｎｆｒｏｍｓｐａｃｅｂｏｒｎｅｌｉｄａｒＧＥＤＩｄａｔａＤＯＮＧＨａｎｙｕａｎ，ＹＵＹｉｎｇ∗，ＦＡＮＷｅｎｙｉ（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｕｓｔａｉｎａｂｌｅＦｏｒｅｓｔＥｃｏｓｙｓｔｅｍＭａｎａｇｅｍｅｎｔ，ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＣｏｌｌｅｇｅｏｆＦｏｒｅｓｔｒｙ，ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５００４０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ʌＯｂｊｅｃｔｉｖｅɔＴｈｅｎｅｗｇｅｎｅｒａｔｉｏｎｏｆｔｈｅｓｐａｃｅ⁃ｂａｓｅｄａｌｔｉｍｅｔｒｙｇｌｏｂａｌｅｃｏｓｙｓｔｅｍｄｙｎａｍｉｃｓｉｎｖｅｓｔｉｇａｔｉｏｎ（ＧＥＤＩ）ｓｙｓｔｅｍｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｔｏｆｏｒｅｓｔｏｂｓｅｒｖａｔｉｏｎａｎｄｍａｎａｇｅｍｅｎｔ．ＩｎｏｒｄｅｒｔｏｅｘｐｌｏｒｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＧＥＤＩｖｅｒｓｉｏｎ２ｄａｔａ（Ｖ２ｄａｔａ）ｉｎｖｅｒｓｉｏｎｏｆｕｎｄｅｒｓｔｏｒｙｔｏｐｏｇｒａｐｈｙ，ｔｈｉｓｓｔｕｄｙｕｓｅｓａｉｒｂｏｒｎｅｒａｄａｒｄａｔａｔｏｖｅｒｉｆｙｔｈｅａｃｃｕｒａｃｙｏｆｕｎｄｅｒｓｔｏｒｙｔｏｐｏｇｒａｐｈｙｉｎｖｅｒｓｉｏｎ，ａｎｄｅｘｐｌｏｒｅｓｔｈｅｆａｃｔｏｒｓａｆｆｅｃｔｉｎｇｔｈｅａｃｃｕｒａｃｙ．ʌＭｅｔｈｏｄɔＴａｋｉｎｇｔｈｅＣｉｂｏｌａｆｏｒｅｓｔｉｎｔｈｅＵｎｉｔｅｄＳｔａｔｅｓａｎｄｔｈｅＭａｏｅｒＭｏｕｎｔａｉｎｆｏｒｅｓｔｉｎＣｈｉｎａａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔｓ，ｔｈｅｐｅｒｆｏｒｍａｎｃｅｓｏｆＧＥＤＩＶ２ｄａｔａｉｎｃｏｎｉｆｅｒｏｕｓｆｏｒｅｓｔｓａｎｄｍｉｘｅｄｃｏｎｉｆｅｒｏｕｓａｎｄｂｒｏａｄ⁃ｌｅａｖｅｄｆｏｒｅｓｔｓｗｅｒｅｖｅｒｉｆｉｅｄｕｓｉｎｇＧ⁃ｌｉｈｔａｎｄＭａｏｅｒＭｏｕｎｔａｉｎｈｉｇｈ⁃ｐｒｅｃｉｓｉｏｎａｉｒｂｏｒｎｅｒａｄａｒｄａｔａ．Ｔｈｅｅｆｆｅｃｔｓｏｆｄｉｆｆｅｒｅｎｔｂｅａｍｉｎｔｅｎｓｉｔｉｅｓ，ｓｐｏｔｔｉｍｅｓ，ｓｌｏｐｅｓａｎｄｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｏｎｔｈｅａｃｃｕｒａｃｙｏｆｔｅｒｒａｉｎｉｎｖｅｒｓｉｏｎｗｅｒｅａｎａｌｙｚｅｄ．ʌＲｅｓｕｌｔɔＴｈｅｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＲＭＳＥ）ｏｆｔｏｐｏｇｒａｐｈｉｃｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｉｎｔｈｅＣｉｂｏｌａｔａｉｇａａｒｅａｏｆｔｈｅＵｎｉｔｅｄＳｔａｔｅｓｗａｓ２．３３ｍ，ａｎｄｔｈｅａｖｅｒａｇｅａｂｓｏｌｕｔｅｅｒｒｏｒ（ＭＡＥ）ｗａｓ１．４８ｍ．ＴｈｅＲＭＳＥｖａｌｕｅｏｆｔｈｅｔｏｐｏｇｒａｐｈｉｃｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｉｎｔｈｅｃｏｎｉｆｅｒｏｕｓａｎｄｂｒｏａｄ⁃ｌｅａｖｅｄｍｉｘｅｄｆｏｒｅｓｔａｒｅａｏｆＭａｏｅｒＭｏｕｎｔａｉｎｗａｓ４．４９ｍ，ａｎｄｔｈｅＭＡＥｖａｌｕｅｗａｓ３．３３ｍ．Ｗｉｔｈｔｈｅｉｎｃｒｅａｓｅｉｎｓｌｏｐｅａｎｄｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅ，ｔｈｅｔｏｐｏｇｒａｐｈｉｃｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｔｗｏｆｏｒｅｓｔｔｙｐｅｓｄｅｃｒｅａｓｅｄ．ʌＣｏｎｃｌｕｓｉｏｎɔＴｈｅＧＥＤＩＶ２ｄａｔａｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｏｆｕｎｄｅｒｓｔｏｒｙｔｏｐｏｇｒａｐｈｙｉｎｃｏｎｉｆｅｒｏｕｓｆｏｒｅｓｔｓｗａｓｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｍｉｘｅｄｃｏｎｉｆｅｒｏｕｓａｎｄｂｒｏａｄ⁃ｌｅａｖｅｄｆｏｒｅｓｔｓ．Ｓｔｒｏｎｇｂｅａｍｓｗｅｒｅｂｅｔｔｅｒｔｈａｎｃｏｖｅｒａｇｅｂｅａｍｓ，ａｎｄｔｈｅａｃｃｕｒａｃｙｗａｓｈｉｇｈｅｒｄｕｒｉｎｇｔｈｅｄａｙｔｉｍｅｉｎｈｕｍｉｄａｒｅａｓ，ａｎｄｂｅｔｔｅｒａｔｎｉｇｈｔｉｎａｒｉｄａｒｅａｓ．Ｔｈｅａｃｃｕｒａｃｙｏｆｓｔｅｅｐａｒｅａｓｗａｓｒｅｄｕｃｅｄ，ｔｈｅｔｅｒｒａｉｎｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｗａｓｈｉｇｈｅｒｉｎａｒｅａｓｗｉｔｈ南京林业大学学报（自然科学版）第４７卷ｍｅｄｉｕｍａｎｄｌｏｗｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅ，ａｎｄｔｈｅｐｅｒｆｏｒｍａｎｃｅｓｏｆｔｅｒｒａｉｎｄｅｔｅｒｍｉｎａｔｉｏｎｉｎａｒｅａｓｗｉｔｈｈｉｇｈｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｗｅｒｅｄｅｃｒｅａｓｅｄ．Ｋｅｙｗｏｒｄｓ：ｓｐａｃｅｂｏｒｎｅｌｉｄａｒ；ｇｌｏｂａｌｅｃｏｓｙｓｔｅｍｄｙｎａｍｉｃｓｉｎｖｅｓｔｉｇａｔｉｏｎ（ＧＥＤＩ）；ｔｅｒｒａｉｎｕｎｄｅｒｆｏｒｅｓｔ；ｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙ；ｓｌｏｐｅ；ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅ㊀㊀森林是陆地生态系统中具有最大生物量和生物生产力的生态系统，约占全球陆地面积的２５％［１－２］，高精度的林下地形测量无论在森林经营管理还是大范围高精度数字高程模型（ＤＥＭ）制作以及测绘工作等方面均有重要意义，是森林制图及林业科学等方面的关键组成部分㊂林下地形测量是林学㊁测绘科学㊁地图学等学科重点研究内容，在国家土地资源的管理与调研利用部分也具有举足轻重的地位㊂拥有对地观测能力的星载激光雷达系统可以提供全球范围内基于激光雷达的地面高度以及森林高度度量［３］，且拥有大尺度㊁多时相的特性，为大范围地面观测㊁森林高度观测提供重要的基础数据㊂现有的星载激光雷达地形高度反演研究大多使用上一代卫星数据，ＩＣＥＳａｔ／ＧＬＡＳ已广泛应用于森林冠层高度以及生物量的观测中［４－７］，且在地面高程测量方面也有大量研究［８－１０］㊂２０１８年，美国航空航天局ＮＡＳＡ发射了两项新的天基测高系统，分别是２０１８年９月发射的ＩＣＥＳａｔ⁃２［１１］以及２０１８年１２月发射的全球生态系统动力学调查（ＧＥＤＩ）雷达［１２］㊂ＩＣＥＳａｔ⁃２是以光子计数的方式进行测高的数据，而ＧＥＤＩ则是与ＩＣＥＳａｔ／ＧＬＡＳ相同的线性体制全波形测高数据㊂ＧＥＤＩ搭载了全球首台用于高分辨率森林垂直结构测量的多波束线性体制的激光测高仪，主要用于热带和温带地区的森林冠层高度㊁垂直结构㊁地面高程等的精准测量㊂与ＩＣ⁃ＥＳａｔ／ＧＬＡＳ约７０ｍ的足迹大小相比，ＧＥＤＩ的光斑大小为２５ｍ左右，光斑密度更大，且在与其他类型数据如Ｌａｎｄｓａｔ㊁ＴＡＮＤＥＭ⁃Ｘ等结合使用时效果较好，更适合于进行森林结构㊁林下地形的观测㊂现今ＧＥＤＩ数据的研究尚处于初始阶段，Ｑｉ等［１３］使用ＴＡＮＤＥＭ⁃ＸＩＮＳＡＲ与模拟的ＧＥＤＩＶ１数据结合进行了森林结构制图㊂Ａｄａｍ等［１４］利用机载激光雷达数据（ＡｉｒｂｏｒｎｅＬａｓｅｒＳｃａｎｎｉｎｇ，ＡＬＳ）评价了德国中部图林根自由州两个温带森林研究区ＧＥＤＩＶ１数据地面高程和冠层高度估计值的准确性，结果表明地形高度的平均绝对误差（ＭＡＥ）为２．５５ｍ，冠层高度的ＭＡＥ为３．１０ｍ㊂Ｇｕｅｒｒａ等［１５］利用ＡＬＳ数据和ＧＥＤＩＶ１数据估计３个快速增长的森林生态系统的森林动态，评估了西班牙地区ＧＥＤＩＶ１数据反演地形高度的精度，均方根差（ＲＭＳＥ）为４．４８ｍ㊂Ｌｉｕ等［１６］利用ＮＥＯＮ数据评价了美国地区ＧＥＤＩＶ２以及ＩＣＥＳａｔ⁃２数据地面高程及冠层高度估计值的准确性，得出在地面高程方面中低纬度地区ＩＣＥＳａｔ⁃２以及ＧＥＤＩ的ＲＭＳＥ分别为２．２４和４．０３ｍ，高纬度地区ＩＣＥＳａｔ⁃２的ＲＭＳＥ为０ ９８ｍ㊂以上研究大多使用Ｖ１版本数据，而对最新发布的Ｖ２版本数据研究并不充足，且缺少不同森林类型及气候等条件下的对比实验以及影响因素的具体探究，用于验证的ＡＬＳ数据精度也各有不同，难以充分说明最新版本ＧＥＤＩ数据对于地形的测定能力㊂为充分验证最新版本ＧＥＤＩ数据反演林下地形的性能，本研究以Ｌ２ＡＶ２级数据为研究对象，选取不同森林气候类型及植被覆盖条件区域，探究不同时间下强光束与覆盖光束反演林下地面高程的精度，并研究坡度及植被覆盖率对于反演精度的影响㊂１㊀材料与方法１．１㊀研究区概况由于ＧＥＤＩ数据主要用于温带和热带地区的森林观测，为对不同森林类型㊁气候条件㊁植被覆盖条件下ＧＥＤＩＶ２（第２版）数据进行验证，结合机载雷达数据获取情况，选取地区为美国新墨西哥州的西波拉森林，共选取了其中两个站点，其经纬度的范围分别为（１０６．４５６ʎ １０６．３６５ʎＷ，３５．１５６ʎ ３５．２５３ʎＮ）㊁（１０８ １６２ʎ １０８．１０８ʎＷ，３５ １０３ʎ ３５ ２３４ʎＮ），以及中国黑龙江省尚志市帽儿山地区（１２７ ４２４ʎ １２７ ７５９ʎＥ，４５ ２０７ʎ ４５ ４８６ʎＮ）㊂西波拉森林位于美国新墨西哥州西部和中部，占地面积超过６５万ｈｍ２，属于半干旱沙漠气候，研究区海拔较高，在２０００ｍ以上，植被以道格拉斯冷杉（Ｐｓｅｕｄｏｔｓｕｇａｍｅｎｚｉｅｓｉｉ）㊁美国黄松（Ｐｉｎｕｓｐｏｎｄｅｒｏｓａ）㊁西南白松（Ｐｉｎｕｓｓｔｒｏｂｉｆｏｒｍｉｓ）㊁白冷杉（Ａｂｉｅｓｃｏｎｃｏｌｏｒ）㊁蓝色云杉（Ｐｉｃｅａｐｕｎｇｅｎｓ）为主，森林类型为针叶林㊂帽儿山森林位于中国黑龙江省尚志市，地貌属低山丘陵区，属温带湿润地区㊂地势由南向北逐渐升高海拔范围２５０ ８０５ｍ，研究区植被以珍贵阔叶林㊁杨桦林㊁柞木林等为主的天然２４１㊀第２期董瀚元，等：星载激光雷达ＧＥＤＩ数据林下地形反演性能验证次生林与红松（Ｐｉｎｕｓｋｏｒａｉｅｎｓｉｓ）㊁落叶松（Ｌａｒｉｘｇｍｅｌｉｎｉｉ）㊁樟子松（Ｐ．ｓｙｌｖｅｓｔｒｉｓｖａｒ．ｍｏｎｇｏｌｉｃａ）等人工林镶嵌分布，森林类型为以阔叶树种为主的温带针阔叶混交林㊂两组研究区气候条件以及森林类型完全不同，海拔相差较大，光斑覆盖区域地势较为平缓，美国西波拉森林地区植被覆盖度大多在６０％左右，而帽儿山森林地区植被覆盖度大多在８０％以上（图１）㊂Ａ．基于全球行政区划数据库ＧＡＤＭ网站下载的２０１５年７月２．５版行政区划图制作㊂Ｂａｓｅｄｏｎｔｈｅａｄｍｉｎｉｓｔｒａｔｉｖｅｄｉｖｉｓｉｏｎｍａｐｖｅｒｓｉｏｎ２．５，Ｊｕｌｙ，２０１５，ｄｏｗｎｌｏａｄｅｄｆｒｏｍｔｈｅＧＡＤＭｗｅｂｓｉｔｅｏｆｔｈｅｇｌｏｂａｌａｄｍｉｎｉｓｔｒａｔｉｖｅｄｉｖｉｓｉｏｎｄａｔａｂａｓｅ．Ｂ．底图审图号为ＧＳ（２０２０）４６１９ＢａｓｅｄｏｎｔｈｅｓｔａｎｄａｒｄｍａｐｎｕｍｂｅｒＧＳ（２０２０）４６１９㊂图１㊀西波拉森林研究区站点及帽儿山研究区位置示意图Ｆｉｇ．１㊀ＴｈｅｍａｐｏｆｔｈｅｓｉｔｅｏｆｔｈｅＣｉｂｏｌａｆｏｒｅｓｔｒｅｓｅａｒｃｈａｒｅａａｎｄｔｈｅｌｏｃａｔｉｏｎｏｆｔｈｅＭａｏｅｒＭｏｕｎｔａｉｎｒｅｓｅａｒｃｈａｒｅａ１．２㊀研究数据１．２．１㊀ＧＥＤＩＬ２Ａ数据ＧＥＤＩ搭载了全球首台用于高分辨率森林垂直结构测量的多波束线性体制激光测高仪，主要用于热带和温带地区的森林冠层高度㊁垂直结构㊁地面高程等的精准测量（表１㊁图２）㊂ＧＥＤＩ为全波形数据，共有８条光束轨道，分别为４条全功率光束以及４条覆盖光束，每个光斑直径约为２５ｍ，光斑中心点间隔６０ｍ，跨轨间距为６００ｍ，坐标系为ＷＧＳ８４地理坐标系，高程基准为ＷＧＳ８４基准面㊂与ＩＣＥＳａｔ／ＧＬＡＳ约７０ｍ的足迹大小相比，光斑密度更大，且在与其他类型数据如Ｌａｎｄｓａｔ㊁ＴＡＮＤＥＭ⁃Ｘ等结合使用时效果较好，更适合于进行森林结构㊁林下地形的观测㊂数据从２０１９年３月２５日开始发布，并在２０２１年４月１６日发布了Ｖ２版本㊂其中Ｌ２Ａ级别产品提供了每个光斑内的高度指标，可以从波形中提取出地面高程㊁冠层高度以及相对高度指标［１７］㊂在本研究中使用最新的Ｖ２版本产品，收集了美国西波拉森林两个站点２０１９年６月至１１月㊁２０２０年３月至６月以及中国帽儿山研究区２０１９年５月至１１月间的ＧＥＤＩＬ２ＡＶ２级别数据㊂ＧＥＤＩ传感器的运作模式见图２㊂表１㊀ＧＥＤＩ的技术指标参数Ｔａｂｌｅ１㊀ＴｅｃｈｎｉｃａｌｐａｒａｍｅｔｅｒｓｏｆＧＥＤＩ项目ｐｒｏｊｅｃｔ参数ｐａｒａｍｅｔｅｒ发射时间ｌａｕｎｃｈｔｉｍｅ２０１８年１２月５日周期ｃｙｃｌｅ２ａ探测器ｄｅｔｅｃｔｏｒ硅雪崩光电二极管Ｓｉ：ＡＰＤ脉冲激光波长ｐｕｌｓｅｄｌａｓｅｒｗａｖｅｌｅｎｇｔｈｐｕｌｓｅｄｌａｓｅｒｗａｖｅｌｅｎｇｔｈ１０６４ｎｍ轨道倾角和覆盖范围ｏｒｂｉｔａｌｉｎｃｌｉｎａｔｉｏｎａｎｄｃｏｖｅｒａｇｅ轨道倾角５１．６ʎ；覆盖范围５１．６ʎＮ ５１．６ʎＳ轨道ｔｒａｃｋ３个激光器共８轨光束ｂｅａｍ一束激光分裂为两束覆盖光束；另外两束为全功率，４束光束抖动为８条轨迹功率（全功率／覆盖）ｐｏｗｅｒ（ｆｕｌｌｐｏｗｅｒ／ｃｏｖｅｒａｇｅ）１５ｍＪ／４．５ｍＪ光斑直径ｓｐｏｔｄｉａｍｅｔｅｒ２５ｍ沿轨间距ｄｉｓｔａｎｃｅａｌｏｎｇｔｈｅｔｒａｃｋ６０ｍ跨轨间距ｃｒｏｓｓ⁃ｒａｉｌｓｐａｃｉｎｇ６００ｍ３４１南京林业大学学报（自然科学版）第４７卷图２㊀ＧＥＤＩ运作模式Ｆｉｇ．２㊀ＴｈｅＧＥＤＩｏｐｅｒａｔｉｏｎｍｏｄｅ１．２．２㊀Ｇ⁃ｌｉｈｔ数据Ｇ⁃ｌｉｈｔ是Ｇｏｄｄａｒｄ航天飞行中心研发的便携式机载成像仪，共包含激光雷达㊁高光谱及热红外成像系统３个主要子系统，可搭载于各种机载平台上，测量包括地面高度㊁植被高度㊁叶片光谱等内容，空间分辨率高达１ｍ［１８］㊂本研究使用２０１８年西波拉森林地区Ｇ⁃ｌｉｈｔ激光雷达数据（ｈｔｔｐｓ：／／ｇｌｉｈｔ．ｇｓｆｃ．ｎａｓａ．ｇｏｖ）根据ＫｅｙｈｏｌｅＭａｒｋｕｐＬａｎｇｕａｇｅ（ＫＭＬ）文件以及ＧＥＤＩ雷达的运行轨迹来确定研究的范围㊂Ｇ⁃ｌｉｈｔ数据发布了空间分辨率为１ｍ的数字地面模型（ＤｉｇｉｔａｌＴｅｒｒａｉｎＭｏｄｅｌ，ＤＴＭ），数据格式为Ｔｉｆｆ，数据使用ＵＴＭ投影坐标系，水平参考高程基准为ＥＧＭ９６水准模型㊂１．２．３㊀帽儿山地区机载Ｌｉｄａｒ数据帽儿山地区机载Ｌｉｄａｒ数据于２０１６年９月获取，传感器为ＲｉｅｇｌＬＭＳ⁃Ｑ６８０ｉ，波长１５５０ｎｍ，平均点云密度为５ｐｔｓ／ｍ２，以１ｍ的空间分辨率测量出地面及植被高度㊂坐标系为ＵＴＭ投影坐标系，高程基准为ＷＧＳ８４基准面，总覆盖范围约３６０ｋｍ２㊂１．２．４㊀辅助数据为评估植被覆盖度对于ＧＥＤＩ测高精度的影响，使用多光谱数据Ｌａｎｄｓａｔ８作为辅助数据进行研究㊂Ｌａｎｄｓａｔ８是美国陆地卫星计划（Ｌａｎｄｓａｔ）的第８颗卫星，于２０１３年２月１１号在加利福尼亚范登堡空军基地由Ａｔｌａｓ⁃Ｖ火箭搭载发射成功㊂携带陆地成像仪（ｏｐｅｒａｔｉｏｎａｌｌａｎｄｉｍａｇｅｒ，ＯＬＩ）和热红外传感器（ｔｈｅｒｍａｌｉｎｆｒａｒｅｄｓｅｎｓｏｒ，ＴＩＲＳ），其数据的空间分辨率为３０ｍ［１９］㊂本研究中根据所用ＧＥＤＩ数据时间㊁云量选择使用的美国西波拉森林地区Ｌａｎｄｓａｔ８数据采集时间为２０１９年１０月１３日及２０１９年１０月２７日，云量０．０２％及０．０４％；中国帽儿山地区Ｌａｎｄｓａｔ８数据采集时间为２０１９年９月２４日，云量０．５７％㊂１．３㊀研究方法验证激光测高数据精度的方法主要分为：基于野外ＧＰＳ实测点数据验证，利用其他类型高度数据验证㊂本研究为探究ＧＥＤＩ对于林下地面高的测量能力，选取ＧＥＤＩＬ２ＡＶ２级别数据进行实验㊂提取研究区域内ＧＥＤＩ数据的高程，利用处理后的帽儿山ＡＬＳ数据及Ｇ⁃ｌｉｈｔ数据验证两个研究区内ＧＥＤＩ数据提取高程的精度，并分析坡度㊁植被覆盖度对于高程提取精度的影响１．３．１㊀数据预处理１）Ｇ⁃ｌｉｈｔ数据：对Ｇ⁃ｌｉｈｔ的数字地面模型（ＤＴＭ）数据进行坡度分析，基于１ｍ空间分辨率的高程产品数据生成美国西波拉森林地区地形坡度图㊂２）ＡＬＳ数据：为生成帽儿山森林地区高精度ＤＥＭ，研究使用帽儿山２０１６年机载雷达点云数据，点云去噪处理后利用改进的渐进加密三角网滤波算法分类出地面点［２０］，利用反距离权重插值算法生成ＤＥＭ数据，空间分辨率为１ｍ㊂对ＤＥＭ数据进行坡度分析，基于１ｍ空间分辨率的高程产品数据生成中国帽儿山森林地区地形坡度图㊂３）ＧＥＤＩ数据：为使ＧＥＤＩ数据能与验证数据结合使用，首先将下载好的ＧＥＤＩＬ２Ａ数据按Ｇ⁃ｌｉｈｔ数据的ＫＭＬ文件以及帽儿山机载雷达数据范围进行空间裁剪，并将数据格式转换；其次，按参数ｑｕａｌｉｔｙ＿ｆｌａｇ㊁保留值为１的光斑点为有效光斑点，其余光斑点全部删除，在美国西波拉森林地区共筛选可用光斑点４０５１个，中国尚志市帽儿山森林可用光斑点共７７３１个；由于ＧＥＤＩ雷达的位置参数坐标使用ＷＧＳ８４地理坐标，因此按Ｇ⁃ｌｉｈｔ数据及帽儿山机载雷达数据的投影坐标系将ＧＥＤＩ数据坐标系转换为对应的ＵＴＭ投影坐标系，使数据位置相匹配㊂４）Ｌａｎｄｓａｔ８数据：为获取研究区内植被覆盖度情况，使用２０１９年西波拉及帽儿山地区Ｌａｎｄｓａｔ８数据，将Ｌａｎｄｓａｔ８数据经辐射定标㊁大气校正并重采样为１０ｍ分辨率，计算出归一化植被指数，利用像元二分法提取植被覆盖度（ｆｒａｃｔｉｏｎａｌｖｅｇｅｔａｔｉｏｎｃｏｖｅｒ，ＦＶＣ）［２１］㊂１．３．２㊀地形高度提取方法利用Ｇ⁃ｌｉｈｔ数据与帽儿山ＡＬＳ数据对ＧＥＤＩ光斑所测高程进行验证，将转换坐标系后的ＧＥＤＩ４４１㊀第２期董瀚元，等：星载激光雷达ＧＥＤＩ数据林下地形反演性能验证数据与Ｇ⁃ｌｉｈｔ的ＤＴＭ数据㊁帽儿山ＡＬＳ数据生成的ＤＥＭ位置匹配，按ＧＥＤＩ光斑大小对ＤＴＭ㊁ＤＥＭ数据裁剪，提取每个裁剪区内平均高程来作为验证㊂为了对高程数据进行一致性分析，高度必须参考相同的垂直基准，ＧＥＤＩ数据与帽儿山ＤＥＭ数据垂直基准均为ＷＧＳ８４椭球，而Ｇ⁃ｌｉｈｔ的ＤＴＭ数据垂直基准为ＥＧＭ９６高程基准，因此利用ｖｄａｔｕｍ软件将ＧＥＤＩ数据的垂直基准转换为ＥＧＭ９６高程基准，使数据间垂直基准一致㊂１．３．３㊀地形提取精度验证参数ｅｌｅｖ＿ｌｏｗｅｓｔｍｏｄｅ代表ＧＥＤＩ光斑内平均高程，利用裁剪区内平均高程对其进行精度评估，将二者绝对高程差值在２０ｍ以上的数据剔除㊂由于强光束与覆盖光束穿透森林冠层能力不同，且不同时间的大气效应及噪声情况不同，因此比较分析不同时间段以及不同光束类型ＧＥＤＩ数据所测高程与Ｇ⁃ｌｉｈｔ数据㊁ＡＬＳ数据之间关系，根据参数ｂｅａｍ＿ｆｌａｇ㊁ｄｅｌｔａ＿ｔｉｍｅ分为白天强光束㊁黑夜强光束㊁白天覆盖光束㊁黑夜覆盖光束进行分组验证，利用验证数据来衡量ＧＥＤＩ数据测地形高度的准确度㊂统计的内容包含：平均偏差［Ｂｉａｓ，式中记为σ（Ｂｉａｓ）］㊁平均绝对误差［ＭＡＥ，式中记为σ（ＭＡＥ）］㊁决定系数Ｒ２㊁均方根误差［ＲＭＳＥ，式中记为σ（ＲＭＳＥ）］㊂σ（Ｂｉａｓ）＝１ｎˑðｎｉ＝１（ｘｉ－ｙｉ）；（１）σ（ＭＡＥ）＝１ｎˑðｎｉ＝１｜ｘｉ－ｙｉ｜；（２）Ｒ２＝１－ðｎｉ＝１（ｘｉ－ｙｉ）２ðｎｉ＝１（ｙｉ－ ｙ）２；（３）σ（ＲＭＳＥ）＝１ｎðｎｉ＝１（ｘｉ－ｙｉ）２㊂（４）式中：ｘｉ为ＧＥＤＩ测定的地形高度值，ｙｉ为Ｇ⁃ｌｉｈｔ与ＡＬＳ测定的地形高度参考值， ｙ为参考值的平均值，ｎ为样本数㊂１．３．４㊀影响因素分析１）坡度㊂为更直观对比分析，提取出裁剪区内的坡度信息，将数据按坡度分组为０ʎ ５ʎ㊁ȡ５ʎ １０ʎ㊁ȡ１０ʎ １５ʎ㊁ȡ１５ʎ ２０ʎ㊁ȡ２０ʎ ３０ʎ㊁ȡ３０ʎ，分别进行测高精度对比，提出坡度对于ＧＥＤＩ测高精度的影响㊂２）植被覆盖度㊂将美国西波拉森林地区及中国帽儿山森林地区植被覆盖度分组为：０％ ２０％㊁ȡ２０％ ４０％㊁ȡ４０％ ６０％㊁ȡ６０％ ８０％㊁ȡ８０％９０％㊁ȡ９０％ １００％，分别进行测高精度对比，提出植被覆盖度对于ＧＥＤＩ测高精度的影响㊂２㊀结果与分析２．１㊀美国西波拉森林地区ＧＥＤＩ反演林下地形高度精度分析㊀㊀对于美国西波拉森林地区，将ＧＥＤＩ数据得出的地形高度值与Ｇ⁃ｌｉｈｔ数据的参考值进行比较，统计了西波拉森林地区强光束与覆盖光束㊁黑夜与白天的不同类型ＧＥＤＩ数据反演出林下地面高程的精度（图３）㊂图３㊀西波拉森林不同条件下ＧＥＤＩ数据反演地形精度Ｆｉｇ．３㊀ＴｈｅｔｏｐｏｇｒａｐｈｉｃａｃｃｕｒａｃｙｏｆＧＥＤＩｄａｔａｉｎｖｅｒｓｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃｏｎｄｉｔｉｏｎｓｏｆＣｉｂｏｌａｆｏｒｅｓｔ５４１南京林业大学学报（自然科学版）第４７卷㊀㊀美国西波拉森林地区４０５１个ＧＥＤＩ样本数据的地形高度ＲＭＳＥ为２ ３３ｍ，ＭＡＥ为１ ４８ｍ㊂这个结果相对于文献［１８］中研究结果表现出更低的ＲＭＳＥ㊁ＭＡＥ㊂在分组实验当中，得出结果为：白天强光束所测地形高度ＭＡＥ为１ ０３ｍ，ＲＭＳＥ为１ ９３ｍ；夜间强光束所测地形高度ＭＡＥ为１ ０９ｍ，ＲＭＳＥ为１ ４７ｍ；白天覆盖光束所测地形高度ＭＡＥ为１ ８２ｍ，ＲＭＳＥ为２ ７２ｍ；夜间覆盖光束所测地形高度ＭＡＥ为１ ８９ｍ，ＲＭＳＥ为２ ５９ｍ㊂可见，夜间强光束测高性能最佳，强光束的能量为覆盖光束的３ ３倍，穿透植被的能力更强，但覆盖光束也表现出了良好的测高性能，而时间的影响相对来说要更小，黑夜的采集效果要稍好于白天的采集效果㊂２．２㊀中国帽儿山地区ＧＥＤＩ反演林下地形高度精度分析㊀㊀对于中国帽儿山地区，将ＧＥＤＩ数据得出的地形高度值与帽儿山ＡＬＳ数据的参考值进行比较，统计了帽儿山地区强光束与覆盖光束㊁黑夜与白天不同类型ＧＥＤＩ数据反演出林下地面高程的精度（图４）㊂图４㊀帽儿山地区不同条件下ＧＥＤＩ数据反演地形精度Ｆｉｇ．４㊀ＴｏｐｏｇｒａｐｈｉｃａｃｃｕｒａｃｙｏｆＧＥＤＩｄａｔａｉｎｖｅｒｓｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃｏｎｄｉｔｉｏｎｓｉｎＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ㊀㊀中国帽儿山森林地区７７３１个ＧＥＤＩ样本数据的地形高度ＲＭＳＥ为４．４９ｍ，ＭＡＥ为３．３３ｍ㊂在分组实验当中，得出的结果为：白天强光束所测地形高度ＭＡＥ为２．８６ｍ，ＲＭＳＥ为３．９０ｍ；夜间强光束所测地形高度ＭＡＥ为４．６６ｍ，ＲＭＳＥ为５．９６ｍ；白天覆盖光束所测地形高度ＭＡＥ为２．８５ｍ，ＲＭＳＥ为３．８１ｍ；夜间覆盖光束所测地形高度ＭＡＥ为５ ３８ｍ，ＲＭＳＥ为６．７２ｍ㊂由中国帽儿山森林地区实验可知，白天强光束与覆盖光束效果几乎相同，且要明显好于夜间对地形高度的测量性能，在夜间的分组来说，强光束的测量效果要明显好于覆盖光束㊂２．３㊀坡度对于反演精度的影响由于ＧＥＤＩ为全波形数据，类似ＩＣＥＳａｔ／ＧＬＡＳ数据，坡度是引起误差的重要因素，按ＧＥＤＩ地形高度残差与分组坡度绘制箱线图（图５）㊂统计出美国西波拉森林地区以及帽儿山地区不同坡度条件ＧＥＤＩ反演高程精度（表２）㊂表２㊀西波拉森林与帽儿山地区不同坡度下ＧＥＤＩ反演地形高程的精度Ｔａｂｌｅ２㊀ＡｃｃｕｒａｃｙｏｆｔｅｒｒａｉｎｅｌｅｖａｔｉｏｎｉｎｖｅｒｓｉｏｎｂｙＧＥＤＩｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｌｏｐｅｓｉｎＣｉｂｏｌａｆｏｒｅｓｔａｎｄＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ坡度／（ʎ）ｓｌｏｐｅＭＡＥ／ｍＲ２ＲＭＳＥ／ｍ０ ５０．５９／０．９７１．００／１．０００．８３／１．７４ȡ５ １００．９８／１．７５１．００／１．００１．４２／２．５９ȡ１０ １５１．４０／２．８２１．００／１．００１．８９／３．７８ȡ１５ ２０１．９４／３．６４１．００／１．００２．６４／４．６６ȡ２０ ３０２．９１／４．６８１．００／１．００３．７７／５．７４ȡ３０４．２４／５．８０１．００／１．００５．３７／６．９５㊀㊀注：表格中数据分别为美国西波拉森林／中国帽儿山地区的精度统计数据㊂下同㊂ＴｈｅｄａｔａｉｎｔｈｅｔａｂｌｅａｒｅｔｈｅａｃｃｕｒａｃｙｓｔａｔｉｓｔｉｃｓｏｆｔｈｅＣｉｂｏｌａｆｏｒｅｓｔ／ＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ．Ｔｈｅｓａｍｅｂｅｌｏｗ．㊀㊀美国西波拉森林地区：坡度０ʎ ５ʎ分组地形反演精度ＭＡＥ为０．５９ｍ，ＲＭＳＥ为０．８３ｍ；ȡ５ʎ １０ʎ分组ＭＡＥ为０．９８ｍ，ＲＭＳＥ为１．４２ｍ；ȡ１０ʎ １５ʎ６４１㊀第２期董瀚元，等：星载激光雷达ＧＥＤＩ数据林下地形反演性能验证分组ＭＡＥ为１．４０ｍ，ＲＭＳＥ为１．８９ｍ；ȡ１５ʎ ２０ʎ分组ＭＡＥ为１．９４ｍ，ＲＭＳＥ为２ ６４ｍ；ȡ２０ʎ ３０ʎ分组ＭＡＥ为２．９１ｍ，ＲＭＳＥ为３．７７ｍ；３０ʎ及以上分组ＭＡＥ为４．２４ｍ，ＲＭＳＥ为５．３７ｍ㊂图５㊀不同坡度下ＧＥＤＩ反演地形高度统计Ｆｉｇ．５㊀ＳｔａｔｉｓｔｉｃｓｏｆｔｅｒｒａｉｎｈｅｉｇｈｔｉｎｖｅｒｓｉｏｎｂｙＧＥＤＩｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｌｏｐｅｓ㊀㊀中国帽儿山地区：０ʎ ５ʎ分组地形反演精度ＭＡＥ为０．９７ｍ，ＲＭＳＥ为１．７４ｍ；ȡ５ʎ １０ʎ分组ＭＡＥ为１．７５ｍ，ＲＭＳＥ为２．５９ｍ；ȡ１０ʎ １５ʎ分组ＭＡＥ为２．８２ｍ，ＲＭＳＥ为３．７８ｍ；ȡ１５ʎ ２０ʎ分组ＭＡＥ为３．６４ｍ，ＲＭＳＥ为４．６６ｍ；ȡ２０ʎ ３０ʎ分组ＭＡＥ为４．６８ｍ，ＲＭＳＥ为５ ７４ｍ；３０ʎ及以上分组ＭＡＥ为５．８０ｍ，ＲＭＳＥ为６．９５ｍ㊂可见，随着坡度增大，ＲＭＳＥ呈线性上升趋势，坡度对于ＧＥＤＩ数据地形测高精度影响较大，在平缓的地形下，ＧＥＤＩ提供了相对较为精确的测高效果，在坡度增大时测高的效果会出现较多的误差，在进行高精度测量时尽量避免坡度较大的区域，或使用科学的方法进行地形校正后再使用数据㊂２．４㊀植被覆盖度对于反演精度的影响由于植被覆盖会对ＧＥＤＩ光束造成影响，按ＧＥＤＩ地形高度残差与分组植被覆盖度绘制箱线图（图６）㊂统计出美国西波拉森林地区以及帽儿山地区不同坡度条件ＧＥＤＩ反演高程精度（表３）㊂由表３可见，在中低植被覆盖度范围内，ＧＥＤＩ能较好测量出地面高程，在植被覆盖度达到６０％后，其精度会出现明显的下降，在８０％以上植被覆盖度区域，出现了较高的ＲＭＳＥ，分析其原因可能为植被覆盖密集区域ＧＥＤＩ地面波形中会混杂较多低矮植被，导致测高精度下降㊂图６㊀不同植被覆盖度下ＧＥＤＩ反演地形高度统计Ｆｉｇ．６㊀ＳｔａｔｉｓｔｉｃｓｏｆｔｅｒｒａｉｎｈｅｉｇｈｔｒｅｔｒｉｅｖｅｄｂｙＧＥＤＩｕｎｄｅｒｔｈｅｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｓ７４１南京林业大学学报（自然科学版）第４７卷表３㊀西波拉森林与帽儿山地区不同植被覆盖度下ＧＥＤＩ反演地形高程的精度Ｔａｂｌｅ３㊀ＡｃｃｕｒａｃｙｏｆｔｅｒｒａｉｎｅｌｅｖａｔｉｏｎｉｎｖｅｒｓｉｏｎｂｙＧＥＤＩｕｎｄｅｒｔｈｅｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｎＣｉｂｏｌａｆｏｒｅｓｔａｎｄＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ植被覆盖度／％ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅＭＡＥ／ｍＲ２ＲＭＳＥ／ｍ００．９０／ １．００／ １．１９／＞０ ２０１．２４／１．１５１．００／１．００１．７３／１．２６＞２０ ４０１．２５／１．３２１．００／１．００１．９９／１．４６＞４０ ６０１．０７／１．４０１．００／１．００１．６４／１．９１＞６０ ８０１．３８／２．１７１．００／１．００２．２１／３．１３＞８０ ９０１．５７／２．８４１．００／１．００２．５０／３．９１＞９０ １００１．６９／３．８５１．００／１．００２．６０／５．００㊀㊀注：表格中数据分别为美国西波拉森林／帽儿山地区的精度统计数据㊂ＴｈｅｄａｔａｉｎｔｈｅｔａｂｌｅａｒｅｔｈｅａｃｃｕｒａｃｙｓｔａｔｉｓｔｉｃｓｏｆｔｈｅＣｉｂｏｌａｆｏｒｅｓｔｉｎｔｈｅＵｎｉｔｅｄＳｔａｔｅｓ／ＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ．㊀㊀综上，在影响因素方面，平缓的地形以及中低植被覆盖度的条件下，ＧＥＤＩ有着较好的地形高度测量能力，而陡峭的地形以及较高的植被覆盖度会明显导致精度的下降，在进行高精度测量时，要进行地形校正以及波形分解处理后再使用㊂３㊀讨㊀论对比西波拉森林与帽儿山森林的结果，ＧＥＤＩＶ２版本数据在针叶林地区测量精度误差ＲＭＳＥ为２ ３３ｍ，在以阔叶树种为主的针阔叶混交林地区ＲＭＳＥ为４ ４９ｍ，可见针叶林区域地形测定效果要明显好于以阔叶树种为主的针阔叶混交林地区，在时间与波束对比的实验中，美国亚热带地区的针叶林实验结果与Ｌｉｕ等［１６］研究结果类似：强光束性能要好于覆盖光束，且夜间采集数据精度要好于白天所采集数据㊂帽儿山针阔叶混交林地区的实验结果与美国西波拉森林的结果有明显的不同，实验中白天强光束地区植被覆盖度为９１ ６％，白天覆盖光束地区植被覆盖度为８６ ７％，黑夜强光束地区植被覆盖度为９０ ７３％，黑夜覆盖光束的植被覆盖度为９０ ３５％，结合其他研究情况考虑原因为白天覆盖光束轨道所经区域植被相对稀疏引起，与针叶林地区结果不矛盾，因此出现白天覆盖光束精度略微高于强光束，而夜间强光束精度优于覆盖光束的情况，ＧＥＤＩ探测器的本底噪声要高于太阳噪声，因此太阳背景噪声不会成为白天与夜间性能差异的主要原因，由于帽儿山为温带湿润气候，美国西波拉地区为亚热带干旱到半干旱沙漠气候，原因考虑为湿润与干旱气候造成白天及黑夜不同云量及温差㊁雨水等因素引起误差，ＧＥＤＩ数据白天与黑夜的性能并非固定，要具体视当地气候因素来确定，湿润地区白天性能更佳，干旱地区黑夜性能更佳㊂坡度因素以及植被覆盖度均为影响ＧＥＤＩ数据性能的重要因素，在坡度２０ʎ以下及植被覆盖度６０％以下的区域，地形反演的精度很高，随着坡度增大㊁植被覆盖度增加，ＧＥＤＩ数据反演林下地形的性能会变弱，原因为陡峭地区全波形数据由于地面回波与植被回波信息混合在一起造成波形混淆，因此会出现坡度增加㊁反演精度降低的情况，高植被覆盖度区域ＧＥＤＩ激光能量会在穿透冠层时有所损耗，且多层级的冠层会更大程度地影响精度，因此出现植被覆盖度增加反演精度降低的情况㊂４㊀结㊀论１）ＧＥＤＩＶ２数据反演林下地形的效果为针叶林要优于针阔叶混交林，强光束要优于覆盖光束，湿润地区白天效果更优，干旱地区黑夜效果更优㊂２）随着地面坡度提升，ＧＥＤＩＶ２的测高精度会出现线性下降趋势，平缓地区数据使用效果极好，陡峭地区地面回波与植被回波混叠造成精度降低㊂３）ＧＥＤＩＶ２数据在中低植被覆盖度区域地形反演精度较高，在高植被覆盖区域对于林下地形高度的测定性能会有所下降㊂参考文献（ｒｅｆｅｒｅｎｃｅ）：［１］蒋有绪．世界森林生态系统结构与功能的研究综述［Ｊ］．林业科学研究，１９９５，８（３）：３１４－３２１．ＪＩＡＮＧＹＸ．Ｏｎｓｔｕｄｙｏｆｓｔｒｕｃｔｕｒｅａｎｄｆｕｎｃｔｉｏｎｏｆｗｏｒｌｄｆｏｒｅｓｔｅｃｏｓｙｓｔｅｍ［Ｊ］．ＦｏｒｅｓｔＲｅｓ，１９９５，８（３）：３１４－３２１．［２］ＬＯＮＧＴＦ，ＺＨＡＮＧＺＭ，ＨＥＧＪ，ｅｔａｌ．３０ｍｒｅｓｏｌｕｔｉｏｎｇｌｏｂａｌａｎｎｕａｌｂｕｒｎｅｄａｒｅａｍａｐｐｉｎｇｂａｓｅｄｏｎｌａｎｄｓａｔｉｍａｇｅｓａｎｄｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ．［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ，２０１９，１１（５）：４８９．ＤＯＩ：１０．３３９０／ｒｓ１１０５０４８９．［３］李然，王成，苏国中，等．星载激光雷达的发展与应用［Ｊ］．科技导报，２００７，２５（１４）：５８－６３．ＬＩＲ，ＷＡＮＧＣ，ＳＵＧＺ，ｅｔａｌ．ＤｅｖｅｌｏｐｍｅｎｔａｎｄａｐｐｌｉｃａｔｉｏｎｓｏｆＳｐａｃｅｂｏｒｎｅＬｉＤＡＲ［Ｊ］．Ｓｃｉ＆ＴｅｃｈｎｏｌＲｅｖ，２００７，２５（１４）：５８－６３．ＤＯＩ：１０．３３２１／ｊ．ｉｓｓｎ：１０００－７８５７．２００７．１４．０１０．［４］ＬＥＦＳＫＹＭＡ，ＨＡＲＤＩＮＧＤＪ，ＫＥＬＬＥＲＭ，ｅｔａｌ．ＥｓｔｉｍａｔｅｓｏｆｆｏｒｅｓｔｃａｎｏｐｙｈｅｉｇｈｔａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｕｓｉｎｇＩＣＥＳａｔ［Ｊ］．ＧｅｏｐｈｙｓＲｅｓＬｅｔｔ，２００５，３２（２２）：Ｌ２２Ｓ０２．ＤＯＩ：１０．１０２９／２００５ｇｌ０２３９７１，２００５．［５］ＤＯＬＡＮＫ，ＭＡＳＥＫＪＧ，ＨＵＡＮＧＣＱ，ｅｔａｌ．ＲｅｇｉｏｎａｌｆｏｒｅｓｔｇｒｏｗｔｈｒａｔｅｓｍｅａｓｕｒｅｄｂｙｃｏｍｂｉｎｉｎｇＩＣＥＳａｔＧＬＡＳａｎｄＬａｎｄｓａｔｄａｔａ［Ｊ］．ＪＧｅｏｐｈｙｓＲｅｓ，２００９，１１４（Ｇ２）：Ｇ００Ｅ０５．ＤＯＩ：１０．１０２９／２００８ＪＧ０００８９３，２００９．［６］ＢＡＬＬＨＯＲＮＵ，ＪＵＢＡＮＳＫＩＪ，ＳＩＥＧＥＲＴＦ．ＩＣＥＳａｔ／ＧＬＡＳｄａｔａａｓａｍｅａｓｕｒｅｍｅｎｔｔｏｏｌｆｏｒｐｅａｔｌａｎｄｔｏｐｏｇｒａｐｈｙａｎｄｐｅａｔｓｗａｍｐ８４１㊀第２期董瀚元，等：星载激光雷达ＧＥＤＩ数据林下地形反演性能验证ｆｏｒｅｓｔｂｉｏｍａｓｓｉｎＫａｌｉｍａｎｔａｎ，Ｉｎｄｏｎｅｓｉａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ，２０１１，３（９）：１９５７－１９８２．ＤＯＩ：１０．３３９０／ｒｓ３０９１９５７．［７］ＨＡＹＡＳＨＩＭ．ＦｏｒｅｓｔｃａｎｏｐｙｈｅｉｇｈｔｅｓｔｉｍａｔｉｏｎｕｓｉｎｇＩＣＥＳａｔ／ＧＬＡＳｄａｔａａｎｄｅｒｒｏｒｆａｃｔｏｒａｎａｌｙｓｉｓｉｎＨｏｋｋａｉｄｏ，Ｊａｐａｎ［Ｊ］．ＩＳＰＲＳＪＰｈｏｔｏｇｒａｍｍａｎｄＲｅｍｏｔｅＳｅｎｓ，２０１３，８１：１２－１８．ＤＯＩ：１０．１０１６／ｊ．ｉｓｐｒｓｊｐｒｓ．２０１３．０４．００４．［８］ＳＨＵＭＡＮＣＡ，ＺＷＡＬＬＹＨＪ，ＳＣＨＵＴＺＢ．Ｅ，ｅｔａｌ．ＩＣＥＳａｔＡｎｔａｒｃｔｉｃｅｌｅｖａｔｉｏｎｄａｔａ：ｐｒｅｌｉｍｉｎａｒｙｐｒｅｃｉｓｉｏｎａｎｄａｃｃｕｒａｃｙａｓ⁃ｓｅｓｓｍｅｎｔ［Ｊ］．ＧｅｏｐｈｙｓＲｅｓＬｅｔｔ，２００６，３３（７）：Ｌ０７５０１．ＤＯＩ：１０．１０２９／２００５ｇｌ０２５２２７，２００６．［９］ＤＯＮＧＣＨＥＮＥ，ＳＨＥＮＱ，ＸＵＹ，ｅｔａｌ．Ｈｉｇｈ⁃ａｃｃｕｒａｃｙｔｏｐｏ⁃ｇｒａｐｈｉｃａｌｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎｆｕｓｉｏｎｏｆＡＳＴＥＲｓｔｅｒｅｏ⁃ｄａｔａａｎｄＩＣＥＳａｔ／ＧＬＡＳｄａｔａｉｎＡｎｔａｒｃｔｉｃａ［Ｊ］．ＳｃｉＣｈｉｎａＳｅｒＤＥａｒｔｈＳｃｉ，２００９，５２（５）：７１４－７２２．ＤＯＩ：１０．１００７／ｓ１１４３０－００９－００５５－６．［１０］ＪＡＷＡＫＳＤ，ＬＵＩＳＡＪ．ＳｙｎｅｒｇｉｓｔｉｃｕｓｅｏｆｍｕｌｔｉｔｅｍｐｏｒａｌＲＡＭＰ，ＩＣＥＳａｔａｎｄＧＰＳｔｏｃｏｎｓｔｒｕｃｔａｎａｃｃｕｒａｔｅＤＥＭｏｆｔｈｅＬａｒｓｅｍａｎｎＨｉｌｌｓｒｅｇｉｏｎ，Ａｎｔａｒｃｔｉｃａ［Ｊ］．ＡｄｖＳｐａｃｅＲｅｓ，２０１２，５０（４）：４５７－４７０．ＤＯＩ：１０．１０１６／ｊ．ａｓｒ．２０１２．０５．００４．［１１］ＡＢＤＡＬＡＴＩＷ，ＺＷＡＬＬＹＨＪ，ＢＩＮＤＳＣＨＡＤＬＥＲＲ，ｅｔａｌ．ＴｈｅＩＣＥＳａｔ⁃２ｌａｓｅｒａｌｔｉｍｅｔｒｙｍｉｓｓｉｏｎ［Ｊ］．ＰｒｏｃＩＥＥＥ，２０１０，９８（５）：７３５－７５１．ＤＯＩ：１０．１１０９／ＪＰＲＯＣ．２００９．２０３４７６５．［１２］ＤＵＢＡＹＡＨＲ，ＢＬＡＩＲＪＢ，ＧＯＥＴＺＳ，ｅｔａｌ．Ｔｈｅｇｌｏｂａｌｅｃｏｓｙｓ⁃ｔｅｍｄｙｎａｍｉｃｓｉｎｖｅｓｔｉｇａｔｉｏｎ：ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎｌａｓｅｒｒａｎｇｉｎｇｏｆｔｈｅＥａｒｔｈ ｓｆｏｒｅｓｔｓａｎｄｔｏｐｏｇｒａｐｈｙ［Ｊ］．ＳｃｉＲｅｍｏｔｅＳｅｎｓ，２０２０，１（Ｃ）：１００００２．ＤＯＩ：１０．１０１６／ｊ．ｓｒｓ．２０２０．１００００２．［１３］ＱＩＷ，ＤＵＢＡＹＡＨＲＯ．ＣｏｍｂｉｎｉｎｇＴａｎｄｅｍ⁃ＸＩｎＳＡＲａｎｄｓｉｍｕ⁃ｌａｔｅｄＧＥＤＩｌｉｄａｒｏｂｓｅｒｖａｔｉｏｎｓｆｏｒｆｏｒｅｓｔｓｔｒｕｃｔｕｒｅｍａｐｐｉｎｇ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓＥｎｖｉｒｏｎ，２０１６，１８７：２５３－２６６．ＤＯＩ：１０．１０１６／ｊ．ｒｓｅ．２０１６．１０．０１８．［１４］ＡＤＡＭＭ，ＵＲＢＡＺＡＥＶＭ，ＤＵＢＯＩＳＣ，ｅｔａｌ．Ａｃｃｕｒａｃｙａｓｓｅｓｓ⁃ｍｅｎｔｏｆＧＥＤＩｔｅｒｒａｉｎｅｌｅｖａｔｉｏｎａｎｄｃａｎｏｐｙｈｅｉｇｈｔｅｓｔｉｍａｔｅｓｉｎＥｕ⁃ｒｏｐｅａｎｔｅｍｐｅｒａｔｅｆｏｒｅｓｔｓ：ｉｎｆｌｕｅｎｃｅｏｆｅｎｖｉｒｏｎｍｅｎｔａｌａｎｄａｃｑｕｉｓｉ⁃ｔｉｏｎｐａｒａｍｅｔｅｒｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ，２０２０，１２（２３）：３９４８．ＤＯＩ：１０．３３９０／ｒｓ１２２３３９４８．［１５］ＧＵＥＲＲＡＨＪ，ＰＡＳＣＵＡＬＡ．ＵｓｉｎｇＧＥＤＩｌｉｄａｒｄａｔａａｎｄａｉｒｂｏｒｎｅｌａｓｅｒｓｃａｎｎｉｎｇｔｏａｓｓｅｓｓｈｅｉｇｈｔｇｒｏｗｔｈｄｙｎａｍｉｃｓｉｎｆａｓｔ⁃ｇｒｏｗｉｎｇｓｐｅｃｉｅｓ：ａｓｈｏｗｃａｓｅｉｎＳｐａｉｎ［Ｊ］．ＦｏｒＥｃｏｓｙｓｔ，２０２１，８（１）：１４．ＤＯＩ：１０．１１８６／ｓ４０６６３－０２１－００２９１－２．［１６］ＬＩＵＡ，ＣＨＥＮＧＸ，ＣＨＥＮＺＱ．ＰｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｏｆＧＥＤＩａｎｄＩＣＥＳａｔ⁃２ｌａｓｅｒａｌｔｉｍｅｔｅｒｄａｔａｆｏｒｔｅｒｒａｉｎａｎｄｃａｎｏｐｙｈｅｉｇｈｔｒｅ⁃ｔｒｉｅｖａｌｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓＥｎｖｉｒｏｎ，２０２１，２６４：１１２５７１．ＤＯＩ：１０．１０１６／ｊ．ｒｓｅ．２０２１．１１２５７１．［１７］ＤＵＢＡＹＡＨＲ，ＨＯＦＴＯＮＭ，ＢＬＡＩＲＪ，ｅｔａｌ．ＧＥＤＩＬ２ＡｅｌｅｖａｔｉｏｎａｎｄｈｅｉｇｈｔｍｅｔｒｉｃｓｄａｔａｇｌｏｂａｌｆｏｏｔｐｒｉｎｔｌｅｖｅｌＶ００２［Ｒ］．ＮＡＳＡＥＯＳＤＩＳＬａｎｄＰｒｏｃｅｓｓｅｓＤＡＡＣ，２０２１－０５－０７．ＤＯＩ：１０．５０６７／ＧＥＤＩ／ＧＥＤＩ０２＿Ａ．００２．［１８］ＣＯＯＫＢ，ＣＯＲＰＬ，ＮＥＬＳＯＮＲ，ｅｔａｌ．ＮＡＳＡｇｏｄｄａｒｄ ｓＬｉＤＡＲ，ｈｙｐｅｒｓｐｅｃｔｒａｌａｎｄｔｈｅｒｍａｌ（Ｇ⁃ｌｉｈｔ）ａｉｒｂｏｒｎｅｉｍａｇｅｒ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ，２０１３，５（８）：４０４５－４０６６．ＤＯＩ：１０．３３９０／ｒｓ５０８４０４５．［１９］ＲＯＹＤＰ，ＷｕｌｄｅｒＭＡ，ＬｏｖｅｌａｎｄＴＲ，ｅｔａｌ．Ｌａｎｄｓａｔ⁃８：ｓｃｉｅｎｃｅａｎｄｐｒｏｄｕｃｔｖｉｓｉｏｎｆｏｒｔｅｒｒｅｓｔｒｉａｌｇｌｏｂａｌｃｈａｎｇｅｒｅｓｅａｒｃｈ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓＥｎｖｉｒｏｎ，２０１４，１４５：１５４－１７２．ＤＯＩ：１０．１０１６／ｊ．ｒｓｅ．２０１４．０２．００１．［２０］柳红凯，徐昌荣，徐晓．基于渐进加密三角网机载ＬＩＤＡＲ点云滤波改进算法研究［Ｊ］．江西理工大学学报，２０１６，３７（３）：５０－５５，６０．ＬＩＵＨＫ，ＸＵＣＲ，ＸＵＸ．Ｓｔｕｄｙｏｎｉｍｐｒｏｖｅｄａｌｇｏ⁃ｒｉｔｈｍｏｆｐｏｉｎｔｃｌｏｕｄｓｆｒｏｍａｉｒｂｏｒｎｅｓｃａｎｎｅｒｂａｓｅｄｏｎｐｒｏｇｒｅｓｓｉｖｅｅｎｃｒｙｐｔｉｏｎＴＩＮ［Ｊ］．ＪＪｉａｎｇｘｉＵｎｉｖＳｃｉＴｅｃｈｎｏｌ，２０１６，３７（３）：５０－５５，６０．ＤＯＩ：１０．１３２６５／ｊ．ｃｎｋｉ．ｊｘｌｇｄｘｘｂ．２０１６．０３．００９．［２１］佟斯琴，包玉海，张巧凤，等．基于像元二分法和强度分析方法的内蒙古植被覆盖度时空变化规律分析［Ｊ］．生态环境学报，２０１６，２５（５）：７３７－７４３．ＴＯＮＧＳＱ，ＢＡＯＹＨ，ＺＨＡＮＧＱＦ，ｅｔａｌ．ＳｐａｔｉａｌｔｅｍｐｏｒａｌｃｈａｎｇｅｓｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｎＩｎｎｅｒＭｏｎｇｏｌｉａｂａｓｅｄｏｎｔｈｅｄｉｍｉｄｉａｔｅｐｉｘｅｌｍｏｄｅｌａｎｄｉｎｔｅｎｓｉｔｙａｎａｌｙｓｉｓ［Ｊ］．ＥｃｏｌＥｎｖｉｒｏｎＳｃｉ，２０１６，２５（５）：７３７－７４３．ＤＯＩ：１０．１６２５８／ｊ．ｃｎｋｉ．１６７４－５９０６．２０１６．０５．００２．（责任编辑㊀李燕文）９４１。

基于机载激光雷达点云的桉树林分蓄积量估算模型构建邓 焯1,2,3，李 斌1,2,3，范光鹏1,2,3，赵天忠1,2,3，于永辉4（1. 北京林业大学 信息学院，北京 100083；2. 北京林业大学 国家林业草原林业智能信息处理工程技术研究中心，北京 100083；3. 北京林业大学 林业信息化研究所，北京 100083；4. 广西壮族自治区国有高峰林场，广西 南宁 530001）摘要：【目的】通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据，采用参数方法和非参数方法建立回归模型，反演桉Eucalyptus 树人工林森林蓄积量。

【方法】通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量，采用参数方法(逐步回归、偏最小二乘回归)和非参数方法(随机森林回归、支持向量机回归)进行林分蓄积量构建，通过与样地实测数据对比，进行模型回归预测性能评估，进而选择出表现最优蓄积量反演模型。

【结果】采用留一法对以上4种模型进行验证，结果显示：逐步回归模型R 2为0.85、均方根误差(RMSE)为23.93 m 3·hm −2、平均绝对误差(MAE)为18.18 m 3·hm −2；偏最小二乘回归模型R 2为0.81、RMSE 为26.52 m 3·hm −2、MAE 为19.94 m 3·hm −2；核函数为RBF 的支持向量回归模型R 2为0.88、RMSE 为21.35 m 3·hm −2、MAE 为16.62 m 3·hm −2；随机森林回归模型R 2为0.84、RMSE 为24.53 m 3·hm −2、MAE 为17.41 m 3·hm −2。

【结论】采用随机森林进行变量筛选后，RBF-SVR 模型拟合优度及泛化能力最优；通过逐步筛选法结合方差膨胀因子(VIF)方法优选变量的逐步回归模型次之；最后为随机森林回归模型与偏最小二乘回归模型。

机载LiDAR点云数据密度的影响因素研究作者：金振振靳海亮李志杰黄兵来源：《科技风》2019年第12期摘要：机载激光雷达获取的点云数据是分布于对象表面的三维坐标点，由于受多种因素的共同作用，用户得到的点云在空间上是呈离散分布的，局部点云密度会呈现非常显著的区别。

点云密度作为点云数据质量评价体系中的一项重要指标，研究其影响因素以帮助项目进行合理的设计实施，既能提高点云产品质量，又能帮助提高扫描作业的效率，节约工程成本。

本文通過总结大量的工程应用实例，结合已有的科研成果，综合分析了能够影响机载LiDAR点云密度的主要因素。

关键词：机载LiDAR；点云密度；数据质量；影响因素1 密度影响因素1.1 激光扫描仪的选择及预设激光扫描仪是机载LiDAR系统的核心。

机载LiDAR自1995年开始商业化后，目前已有众多厂商生产机载激光扫描仪，可选择的型号超过30多种。

机载LIDAR技术的硬件集成和数据后处理系统的开发方面发展迅速，依据不同用途和设计思想，扫描仪的特性也有所不同。

能够对点云密度造成影响的主要表现在扫描方式和脉冲重复频率。

不同的扫描方式是造成扫描条带中数据分布不均匀的主要原因，常见的扫描方式有镜摆扫描、光纤扫描、旋转棱镜扫描。

在扫描作业前需要对脉冲频率进行预设，如今最先进的激光扫描仪的扫描频率可以达到22万点/秒，需要根据点云密度需求设置合适的频率。

1.2 激光扫描仪自身不稳定性仪器自身的不稳定性也会激光的正常工作带来一定影响，如扫描镜的镜面平面角误差、扫描镜转动的微小震动、扫描电机的非匀速旋转、多个传感器之间的安置角误差等，这些问题都会给激光的均匀稳定发射带来一定的影响。

激光的不稳定发射必定会给激光点云的数目造成一定的影响，但如果其偏差若保持在一定的范围之内时，适当的调整预设参数即可满足所需的点云密度要求。

1.3 飞机的飞行高度LiDAR系统的每秒发射的激光脉冲数目（脉冲频率）和扫描频率为固定值，则一定时间内所发射的激光束数目是固定的，不考虑多次回波的情况时，获取的点云数目也应该是一定的。

基于机载激光雷达技术的茂密林地单株木识别刘峰;龚健雅【摘要】By analyzing the shortage of traditional approach, a new individual trees recognition method was proposed. Firstly, the generalized Gaussian function was used to analyze the fitting pulse shape LiDAR data, and the high density point cloud and the waveform parameters were obtained, then the non-ground points were' gained by establishing DEM; secondly, the spatial characteristics of point cloud was computed to receive forest points; lastly, Markov random fields were exploited to label individual trees in 3D. The experimental results show that this method can effectively improve the recognition accuracy, especially in the low dense, small trees identification effect, and the average recognition accuracy is 75%.%提出一种利用LiDAR数据进行单株木识别的方法,首先利用广义高斯模型分解全波形LiDAR数据,得到高密度的点云和相应的波形参数,通过建立数字高层模型得到非地面点云,然后计算点云的空间特征得到林木点云,最后在3D空间中利用马尔可夫随机场重新标记得到单株木点云.实验表明,与传统方法相比,本文方法能有效提高单株木识别的准确性,特别是对茂密林地中低矮、细小林木识别效果明显,平均识别精度达到75％.【期刊名称】《农业机械学报》【年(卷),期】2011(042)007【总页数】5页(P200-203,209)【关键词】单株木;模式识别;机载激光雷达;马尔可夫随机场【作者】刘峰;龚健雅【作者单位】中南林业科技大学理学院,长沙410004;武汉大学测绘遥感信息工程国家重点实验室,武汉430079【正文语种】中文【中图分类】TN959.3;S758引言激光雷达(light detection and ranging，简称LiDAR)技术是一种主动遥感技术。

ｄ ｅ ｐ ａ ｒ ｔ ｍｅ ｎ ｔ ｔ ｏ ｒａ ｇ ｓ ｐ ｔ ｈ ｅ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｆ ｏ ｆ ｏ ｒ ｅ ｓ ｔ ｒ ｅ ｓ ｏ ｕ ｒ ｃ ｅ ｓ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ｌ ｙ ａ ｎ ｄ ｔ ｉ ｍｅ ｌ ｙ ．
面积大 ． 植 物种类广 ． 所处地理环境位置的特殊 ， 在研 究的过程 中带来了诸 多的不便 。 在森林研 究方面， 越 来越 多的使 用到机载激光雷达提供的
数 据 本文利 用机载激光 雷达数据进行 了 Ｄ Ｓ Ｍ和 Ｄ Ｅ Ｍ研 究． 并利 用 Ｃ Ｈ Ｍ对森林 密度 、 单木参数 等植被 参数进 行反演研 究 ， 可帮助林业部 门准
０ 弓 ｌ 言
随着社 会 的发展 ． 人们对 森林 的关 注程度逐渐 的提高 ． 对 于森林 的研究传统 的方法越 来越 不能够满足我们 的研究 需求 ． 由于森林 面积 大． 植物种类广 ． 所 处地理环境位置的特殊 ， 在研究 的过程 中带来 了诸 多的不便 。 随着机载激光雷达 的发展 ． 在森林研究方 面 ． 越来越 多的使 用到机 载激光 雷达提供的数据 ． 机载激光雷达 系统 可以为研究需要快 速获取森林地 区的数字表面模 型ｆ Ｄ ｓ Ｍ） ． 然后通过 滤波的处理 ． 可 以得 到所需要 的森林 的数字高程模型（ Ｄ Ｅ Ｍ） 对 于森林 的研究 ． 通常对林 冠的研究来研究森林的长势 ． 通过长势 来判断森林的木材产量 ． 森林 的分 布立体结构 ． 同时也可以根据这 些参 数来判断森林 的密度 ．而传统数字摄影测晕法存在精度低甚至无 法满 足要求 利用机载激光雷达技术 能够获取树冠底部地形及树高信 息的 高精度数值 。 本文利用机载激光雷达数据进行 了 Ｄ Ｓ Ｍ和 Ｄ Ｅ Ｍ研究 ． 并 利用 Ｃ Ｈ Ｍ 对森林 密度 、单木参 数以及胸高断面积和蓄积量等植 被参 数进行 反演研究 。 可帮助林业部门准确、 及 时掌握森林资源等信息。

激光雷达森林参数反演技术与方法
激光雷达森林参数反演技术与方法是一种利用激光雷达数据来反演森林参数的方法。

该方法主要包括以下几个步骤：
1. 数据采集：利用激光雷达传感器在森林区域进行数据采集，获取树木的高度、枝叶分布等参数。

2. 数据预处理：对采集到的原始数据进行预处理，包括去除噪声、滤波、去除地面点等操作，以便更好地提取树木参数。

3. 参数提取：从预处理后的数据中提取森林参数，如树木高度、枝叶密度、树木间距等。

4. 模型构建：利用提取的森林参数，构建反演模型，将激光雷达数据与森林参数建立数学关系。

5. 参数反演：通过反演模型，将激光雷达数据转化为森林参数，实现对森林的参数化描述。

6. 结果应用：将反演得到的森林参数应用于林业资源调查、森林生长模拟、森林生态评估等领域。

需要注意的是，激光雷达森林参数反演技术与方法仍处于发展阶段，其精度和可靠性有待进一步提高。

同时，该方法也需要考虑成本和可行性等因素，以更好地应用于实际生产中。

机载激光雷达点云密度特征应用现状及进展赖旭东;刘雨杉;李咏旭;祝勇【摘要】点云密度是机载激光雷达(light detection and ranging,LiDAR)点云数据的重要特征,也是硬件制造、数据采集、数据处理及数据应用中常用的关键指标.随着LiDAR硬件技术的发展,点云密度越来越高,能够更精确地描述地形地物的特征和规律,已有众多学者针对点云密度开展相关研究.基于此,归纳了目前点云密度的研究和应用现状,探讨了存在的主要问题;研究了不同密度点云数据生产DEM的能力;验证了点云抽稀及点云加密方法.【期刊名称】《地理空间信息》【年(卷),期】2018(016)012【总页数】5页(P1-5)【关键词】LiDAR;点云密度;DEM;点云抽稀;点云加密【作者】赖旭东;刘雨杉;李咏旭;祝勇【作者单位】武汉大学遥感信息工程学院,湖北武汉 430079;地理国情监测国家测绘地理信息局重点实验室, 湖北武汉 430079;武汉大学遥感信息工程学院,湖北武汉 430079;武汉大学遥感信息工程学院,湖北武汉 430079;湖北锐捷信息集成有限公司,湖北武汉430014【正文语种】中文【中图分类】P225密度是机载激光雷达点云数据的重要属性，反映了激光脚点空间分布的特点及密集程度，而激光脚点的空间分布直接反映了地物的空间分布状态和特点。

一般认为，点云密度的作用类似遥感影像的分辨率，点云密度越大，则能探测更微小目标。

LiDAR设备生产商常以能获取更高密度的点云数据来体现其新型号设备的先进性；LiDAR数据获取也以点云密度为主要指标，围绕密度指标来设置航高、发射频率、扫描角度以及带宽等参数；评价数据质量时也常常将点云密度作为重要指标。

例如，在测绘行业规范中规定，只有达到了相应点云密度才能生产对应比例尺的产品，很多LiDAR数据处理算法也对点云密度有要求。

可见点云密度涉及了LiDAR技术的硬件制造、数据采集和数据处理及应用的整个链条，是LiDAR技术的关键指标。

国内外研究现状
国外研究现状
激光雷达和遥感技术在森林参数反演方面的应用研究在国外已经取得了一定的进展。一 些发达国家已经建立了基于激光雷达和遥感技术的森林资源调查和管理系统，实现了对 森林资源的快速、准确和全面的监测和管理。同时，国外的研究机构和高校也在不断开
展相关研究，探索更加高效和准确的森林参数反演方法和技术。
国内研究现状
相比之下，我国在这方面的研究起步较晚，但近年来也取得了一定的进展。国内的一些 研究机构和高校开始开展基于激光雷达和遥感技术的森林参数反演研究，取得了一些初 步成果。然而，与国外相比，我国在这方面的研究还存在一定的差距，需要进一步加强
研究和探索。
02
激光雷达数据与多角度遥感模 型基础
激光雷达数据介绍
未来研究可以进一步优化算法和模型，提高反演精度和效率，同时降低成 本和时间消耗。
此外，可以考虑将该技术应用于更多的森林类型和地区，以验证其普适性 和应用价值。
THANKS
谢谢您的观看
模型验证与评估
采用实际数据对反演模型进行验证和评估，分析模型 的精度和误差来源，提出改进措施。
06
实验结果与分析
实验数据与实验环境
实验数据
采用激光雷达数据和多角度遥感影像 作为主要数据源，数据覆盖了不同地 区和不同类型的森林。
实验环境
在高性能计算机上运行算法，使用 Python编程语言和相关数据处理和分 析软件。
数据融合策略
激光雷达数据预处理
对原始激光雷达数据进行滤波、去噪等处理，以提高数据质量。
多角度遥感影像配准
将不同角度获取的遥感影像进行几何校正和配准，确保数据空间位 置的一致性。
数据层叠加
将处理后的激光雷达数据与多角度遥感影像进行叠加，形成多源数 据层。

激光雷达点云技术在林业调查中的应用发布时间：2021-06-17T11:22:53.027Z 来源：《基层建设》2021年第7期作者：孙原[导读] 摘要：林业调查是林业资源管理和保护的基础研究工作，而传统的人工调查既浪费时间又容易出现误差。

天津市测绘院有限公司天津 300381摘要：林业调查是林业资源管理和保护的基础研究工作，而传统的人工调查既浪费时间又容易出现误差。

利用无人机遥感技术，将高分辨率遥感影像和激光雷达点云技术相融合，能够有效地提高了林业调查的效率，并且极大的增强了调查数据的真实性和准确性。

本文选取天津市武清区一处储备林作为样地，阐述利用激光雷达点云技术判别林木种类，统计株数、成活率等林业调查工作的方法，并在此基础上探讨当前应用研究中面临的问题以及未来的发展方向。

关键词：林业调查；无人机遥感技术；激光雷达点云技术1、引言长期以来，开展林业调查特别是测量林木的株数、胸径、株行距等指标主要是外业人员利用计数器、围径尺、皮尺等工具。

利用这种传统的方法进行林业调查和管理，相当费时、费力，而且难以获得各个林木指标的准确数值。

随着无人机遥感技术的快速发展和完善，如今精细化、高效的森林资源监测时代己经到来。

激光雷达对植被空间结构以及地形具有较强的探测能力。

因此，机载激光雷达（light detection and ranging，LiDAR）系统与高分辨率CCD相机的结合，提供了一种新型的林业调查数据采集手段。

它在获得高分辨率遥感影像的同时，还可以获取林木三维坐标，从而可以获得林木的树高、林木密度等信息，因此，基于激光雷达点云数据采集提取林木信息已成为当前研宄的热点之一。

本文选取天津市武清区一处储备林作为样地，利用0.04米高分辨率遥感影像和激光雷达点云数据开展林木类别、株数、成活率等指标信息的调查采集，并在此基础上探讨当前应用研究中面临的问题以及未来的发展方向。

2、应用分析本次监测调查选取天津市武清区一处储备林作为样地，实际监测面积为0.44km2，如图所示：图1 飞行区域1）航摄数据获取及处理根据调查需要，确定航摄范围，开展空域申请、进行实地踏勘，确定起降场地、选择合适的航摄相机、根据地形资料布设航线；选择合适的天气开展影像获取任务，将获取的影像进行质量检查，合格后进行成果整理与验收。

机载激光雷达在森林资源调查中的应用与展望摘要：森林资源是陆地生态系统的支撑，及时、高效、准确地调查与监测森林资源，对生态环境的保护与可持续发展具有重要意义。

机载激光雷达（LiDAR）技术可以直接获取地表地物的三维信息，在森林参数估测方面具有独特的优势，因此，在森林资源调查中有着广泛应用。

关键词：机载激光雷达；森林资源调查；应用；展望1激光雷达技术特点相比传统的雷达技术，激光雷达技术在应用中具备了以下技术特征：第一，激光雷达的激光光束相对较窄，可以根据实际情况展开多次勘测，从而获取到更多的基础数据，便于后续工作的顺利展开。

而且激光波长比较短，探测频率高，从而使激光雷达的测量精度达到极高的水平，综上，激光雷达技术具有数据密度大、测量精度高的特点。

第二，激光雷达在应用中属于主动测量式雷达，不会受到光源影响，并且其不会受到时间、太阳高度、地物阴影等内容干扰，借此来获取到全地形数据，并且能够确保数据精度的可靠性。

第三，激光雷达产生的激光波束较窄，并且其传播方向良好，同时其口径较小，只能定向接收区域的回波，因此其采集的数据也具备了很强的隐蔽性和安全性。

第四，在使用中激光雷达的发射器总重量较小，并且所需安装空间较小，提高了作业过程的便捷性。

2机载LiDAR在森林资源调查中的应用2.1机载LiDAR进行森林资源调查的步骤机载LiDAR进行森林调查，大都需要进行森林样地划分、外业人工调查、外业航飞采集、内业点云数据处理等几个步骤。

森林进行样地划分便于对样地进行人工调查以及统计森林信息。

外业人工调查，通过每木检尺等手段，可以获取样地具体的树高、冠幅、胸径、叶面积指数、郁闭度、生物量等信息。

外业航飞采集可以获得森林大尺度范围的单木与林分信息。

内业点云处理可以对采集的森林点云数据进行滤波、单木分割，提取树高、冠幅、穿透率等数据，进而获得相关单木因子和林分因子。

人工调查的数据可以与机载LiDAR采集的点云数据进行相关反演模型的建立，或者对模型进行精确度检验。

机载激光雷达点云数据处理技术探讨摘要：机载激光雷达是一项基于激光技术的高精度、高分辨率测绘技术，在地理空间信息获取和处理领域得到广泛应用。

机载激光雷达采集数据时会产生大量原始点云，因此点云数据处理是该测量系统中的关键技术，直接影响数据的质量和精度。

关键词：机载激光雷达；点云数据；处理技术一、点云数据的特点及分类随着机载激光雷达技术的不断进步，机载激光雷达作为一种传感器可以实现对目标的三维点云数据的采集。

机载激光雷达具有扫描范围广、测量精度高、抗干扰能力强等优点，使其成为一种重要的测量工具。

机载激光雷达主要利用激光测距技术来收集点云数据，这些数据包含了丰富的地面点、建筑点和植被点等信息。

具有以下主要特点：（1）点云数据是一组位于三维立体空间中的点的集合，其密度约为平面上的两倍左右；（2）点云数据中包含大量地面点的信息，因此数据点非常密集；（3）点云数据中有许多地表的信息，比如路面、建筑物表面等；（4）点云数据中存在大量的地面植被，其中包括许多高大树木、小灌木和绿草地等；（5）点云数据中含有许多建筑物，如房屋、桥梁、道路等。

通过分析机载激光雷达获取的数据点云分布，可以将其划分为地面点和植被点两个主要类别。

地面点包括各种建筑物，例如楼房、房屋、树木和道路等；植被点则包括乔木、灌木和草地等。

二、基于聚类算法的电力线激光点云的分割流程基于密度的聚类算法即随机找到一个核心点的时候就建立一个簇，里面的所有点是它的下线，然后一直发展下线，一般边界点就不会继续发展了，里面的核心点继续发展下线，并且需要把访问的点标记为已访问，直到该核心点结束，继续访问剩下的点找到一个新的核心，继续发展下线，每次没有下线发展的时候，开始新的一轮发展下线的时候，该点不是核心点就是离群点了。

按照聚类算法的基本计算流程，在对电力线聚光点云的分割过程中，可以按照以下流程，首先采用最小二乘法对电力线进行平面上的直线拟合；然后根据激光点云数据对其长度进行计算；再按照一定的规则对提取到的电力线激光点云进行分段处理，这样处理的最终目的是为了能够分段计算投影面积，为后面危险区域面积的计算奠定基础；后对整个计算结果进行归纳、整理和汇合，得到电力线完整的激光点云。

第 54 卷第 11 期2023 年 11 月中南大学学报(自然科学版)Journal of Central South University (Science and Technology)V ol.54 No.11Nov. 2023星载光子计数激光雷达数据森林高度及林下地形反演研究进展李毅，朱建军，付海强，高士娟，吴可夫(中南大学 地球科学与信息物理学院，湖南 长沙，410083)摘要：森林高度是衡量森林生物量、森林生态系统碳汇的重要参数，位于森林下的地形(林下地形)是支撑国家重大基础设施建设、灾害监测的战略信息资源。

新一代星载激光雷达ICESat-2/ATLAS 采用一种多波束微脉冲的光子计数技术，以10 kHz 的重复频率对地发射激光脉冲，从而导致出现间隔为0.7 m 、光斑半径为8.5 m 的重叠光斑。

相比于ICESat-1/GLAS ，ICESat-2/ATLAS 具有更高的空间采样率以及对坡度的不敏感性，是目前反演森林高度参数和林下地形的重要手段。

本文介绍了ICESat-2/ATLAS 的主要参数指标，总结了各类误差因素对ATL08官方产品的影响，分析了各种森林区光子点云滤波方法、ICESat-2林下地形反演方法及森林高度参数反演方法的适用性及面临的主要问题，展望了ICESat-2/ATLAS 光子点云滤波、林下地形及森林高度参数反演的发展趋势及应用前景。

关键词：星载光子计数激光雷达ICESat-2；光子点云滤波；林下地形；森林高度；研究进展中图分类号：P237 文献标志码：A 文章编号：1672-7207（2023）11-4380-11Research progress on retrieving forest canopy height and sub-canopy topography from spaceborne photon-counting LiDAR dataLI Yi, ZHU Jianjun, FU Haiqiang, GAO Shijuan, WU Kefu(School of Geosciences and Info-physics, Central South University, Changsha 410083, China)Abstract: Forest height is an important parameter to measure forest biomass and carbon sink of the forest ecosystem. The topography under the forest(sub-canopy topography) is a strategic information resource supporting national infrastructure construction and disaster monitoring. The new generation space-borne lidar ICESat-2/ATLAS adopts a multi-beam micro-pulse photon counting technology for the first time, with a repetition frequency收稿日期： 2023 −01 −12； 修回日期： 2023 −03 −25基金项目(Foundation item)：国家自然科学基金资助项目(41904004，42030112，62207032)；中南大学中央高校基础科研基金资助项目(506021729) (Projects(41904004, 42030112, 62207032) supported by the National Natural Science Foundation of China; Project(506021729) supported by the Fundamental Research Funds for the Central Universities of Central South University)通信作者：朱建军，博士，教授，从事测量平差与数据处理、复数平差理论及其在InSAR/PolInSAR 中的应用研究；E-mail ：***********.cnDOI: 10.11817/j.issn.1672-7207.2023.11.016引用格式： 李毅, 朱建军, 付海强, 等. 星载光子计数激光雷达数据森林高度及林下地形反演研究进展[J]. 中南大学学报(自然科学版), 2023, 54(11): 4380−4390.Citation: LI Yi, ZHU Jianjun, FU Haiqiang, et al. Research progress on retrieving forest canopy height and sub-canopy topography from spaceborne photon-counting LiDAR data[J]. Journal of Central South University(Science and Technology), 2023, 54(11): 4380−4390.第 11 期李毅，等：星载光子计数激光雷达数据森林高度及林下地形反演研究进展of 10 kHz to the ground. Compared with ICESat-1/GLAS, ICESat-2/ATLAS has a higher spatial sampling rate and insensitivity to slope and is currently important data for inverting the forest canopy height of forest ecosystems and sub-canopy topography. Some main indicators of ICESat-2/ATLAS were introduced and the influence of various errors on ATL08 products were summarized. The applicability of various photon point cloud filtering methods sub-canopy topography inversion and forest canopy height inversion were analyzed. The research progress and application prospects on photon point cloud filtering, sub-canopy topography inversion, and forest canopy height retrieval were put forward.Key words: space borne photon-countiong LiDAR ICESat-2; photon cloud filtering; sub-canopy topography;forest height; research progress森林生态系统是地球上最大的陆地碳库之一，拥有世界3/4以上的陆地生物[1]，通过“碳汇”和“固碳”的方式调节全球范围内二氧化碳的含量[2]，控制着全球碳循环。

第44卷第2期2019年3月林　业　调　查　规　划Forest Inventory and PlanningVol.44　No.2Mar.2019doi :10.3969/j.issn.1671⁃3168.2019.02.006激光雷达技术在森林高度反演中的研究进展邱世平(崇左市林业勘测设计院,广西南宁530001)摘要:遥感技术被广泛应用于我国森林资源,森林生态环境的监测中。

区别于传统光学遥感技术的是激光雷达(Lidar )属于主动遥感,对森林的空间结构,特别是对森林高度的探测能力有着巨大的优势。

文中介绍了激光雷达测量树高的原理、特点和应用,对激光雷达在测量树高上的应用研究进行回顾,对激光雷达森林高度的测量应用前景进行了分析和展望。

关键词:激光雷达(Lidar );森林高度反演;测量树高;冠层高度;森林结构参数中图分类号:S757;TN958.98 文献标识码:A 文章编号:1671-3168(2019)02-0026-04引文格式:邱世平.激光雷达技术在森林高度反演中的研究进展[J].林业调查规划,2019,44(2):26-29,35.QIU Shiping.Research Progress of Lidar Technology in Forest Height Inversion[J].Forest Inventory and Planning,2019,44(2):26-29,35.Research Progress of Lidar Technology in Forest Height InversionQIU Shiping(Chongzuo Institute of Forestry Survey and Design,Nanning 530001,China)Abstract :The remote sensing technology has been widely used in the monitoring of forest resources and forest ecological environment in China.Different from traditional optical remote sensing technology,Lidar is active remote sensing,which has great advantages in detecting the spatial structure of forest,especially the height of forest.This paper introduced the principle,characteristics and application of lidar in meas⁃uring tree height,reviewed the application research of lidar,and analyzed the application prospect of this technology.Key words :Lidar;forest height inversion;measuring tree height;canopy height;forest structure pa⁃rameters收稿日期:2018-10-08.第一作者:邱世平(1983-),男,广西梧州人,工程师.研究方向:林业调查规划设计、森林资源监测和3S 技术在林业上的应用.1引言森林是地球生态系统中的重要组成部分,其结构复杂多样,物种资源丰富,其强烈的能量转换和物质循环对全球气候环境变化有着巨大的影响[1]。

点云密度对无人机激光雷达森林参数估测精度的影响周梅;李春干;李振;余铸【期刊名称】《林业科学研究》【年(卷),期】2024(37)2【摘要】[目的]点云密度是影响无人机激光雷达数据获取和预处理成本和效率的关键因素,探明点云密度对林分尺度无人机激光雷达森林参数估测精度的影响,有助于优化无人机激光雷达森林应用技术方案。

[方法]以马尾松、桉树人工林为研究对象,采用百分比重采样方法,对密度为247点·m^(-2)的原始点云按40%、20%、8%、4%和2%的比例降低点云密度,得到1个全密度原始点云数据集和5个稀疏密度点云数据集;每个数据集独立进行点云分类、地面点滤波和数字高程模型生成、点云高度归一化等预处理并提取激光雷达变量;对于同一森林类型的同一个森林参数(林分蓄积量、断面积、平均高和平均直径)的估测,各个数据集都采用相同的乘幂模型结构式进行模型拟合,然后比较分析模型优度统计指标的差异,包括:决定系数(R^(2)),相对根方根误差(rRMSE)和平均预报误差(MPE);采用配对样本t检验方法对各个数据集的森林参数估测结果和激光变量的差异进行统计分析。

[结果]当点云密度分别稀疏至100、50、…、5点·m^(-2)时,各个森林参数估测模型的精度保持基本一致;各个稀疏密度点云数据集的森林参数估测值的均值与原始点云数据集的估测值的均值不存在显著性差异(p≥0.05);各个稀疏密度点云数据集激光变量的均值和原始点云数据集激光变量的均值基本上不存在显著性差异(p>0.05)。

[结论]在无人机激光雷达森林资源调查监测应用中,点云密度可低至5点·m^(-2)。

然而,本试验结果仍需通过不同飞行高度获取不同密度点云数据予以验证。

【总页数】9页(P39-47)【作者】周梅;李春干;李振;余铸【作者单位】广西大学计算机与电子信息学院;广西大学林学院;广西林业勘测设计院【正文语种】中文【中图分类】S757.2【相关文献】1.基于机载激光雷达点云和随机森林算法的森林蓄积量估测2.近地面激光雷达点云密度对森林冠层结构参数提取准确性的影响3.点云密度对机载激光雷达大区域亚热带森林参数估测精度的影响4.无人机激光雷达点云密度对森林遥感反演指数提取的影响5.融合无人机和地基激光雷达点云数据估测单木结构参数因版权原因，仅展示原文概要，查看原文内容请购买。