## 留言板 引用本文: 陈中超, 刘清旺, 李春干, 李梅, 周相贝, 余铸. 基于无人机激光雷达的人工林碳储量线性与非线性估测模型比较[J]. 北京林业大学学报. Chen Zhongchao, Liu Qingwang, Li Chungan, Li Mei, Zhou Xiangbei, Xu Zhu. Comparison of linear and nonlinear estimation models of the carbon storage of plantations based on UAV LiDAR[J]. Journal of Beijing Forestry University. doi: 10.12171/j.1000-1522.20200417
 Citation: Chen Zhongchao, Liu Qingwang, Li Chungan, Li Mei, Zhou Xiangbei, Xu Zhu. Comparison of linear and nonlinear estimation models of the carbon storage of plantations based on UAV LiDAR[J]. Journal of Beijing Forestry University. ## Comparison of linear and nonlinear estimation models of the carbon storage of plantations based on UAV LiDAR

• 摘要:   目的  森林碳储量是生态系统结构与功能的重要指标，掌握森林碳储量现状有利于森林资源管理。激光雷达能够用于监测森林资源，但是存在森林参数估测的模型多、变量不确定和缺乏林分三维结构解析意义的变量等问题，因此，需要选择合适的林分解析变量和模型。  方法  借助无人机激光雷达点云数据与样地调查数据，以内蒙古自治区赤峰市喀喇沁旗旺业甸人工林为研究对象，分别使用多元线性模型与多元乘幂模型以不同变量对林分碳储量进行估测，选出最优模型并进行精度评价。  结果  研究表明：（1）模型方法而言，非线性模型的检验效果优于线性模型的检验效果：非线性模型（R2为0.66 ~ 0.86，rRMSE为23.51% ~ 9.91%），线性模型（R2为0.52 ~ 0.85，rRMSE为27.70% ~ 12.38%）。（2）模型使用平均高、郁闭度为基础变量，以穷举法筛选出来的变量组合，估算森林参数得出最佳模型，其中非线性模型以激光点云平均高、郁闭度、高度变动系数和叶面积变动系数的估算精度最高（R2 = 0.86，rRMSE = 9.91%）。  结论  通过激光雷达估测人工林碳储量时，加入垂直结构变量可以提高模型拟合效果，非线性模型比线性模型更适合人工林碳储量的估测。

• 图  1  研究区地理位置

Figure  1.  Geographic location of the study area

图  2  碳储量参考值与估算值的散点关系

实线为1∶1验证线。the solid line is the 1∶1 verification line.

Figure  2.  The scatter plot of Carbon storage field- measured and estimated value

表  1  样地林分特征

Table  1.   Forest stand characteristics of sample plots

 林分特征 Forest stand characteristics 变化范围 Range 均值 Mean 标准差 Standard deviation 地上生物量/(t·hm−2)Above-ground biomass/(t·ha−1) 60.41 ~ 293.85 156.65 61.73 碳储量/(t·hm−2)Carbon storage/(t·ha−1) 31.47 ~ 153.10 81.48 32.18

表  2  激光雷达点云特征变量

Table  2.   The metrics of LiDAR point cloud

 点云特征变量变量 The metrics of point cloud 特征变量描述 The description of the metrics 平均高Mean height (Hm) 归一化高度的平均值 The average of normalized heights 高度标准差Height standard deviation (Hs) 归一化高度的标准差The standard deviation of the normalized height 高度变动系数Height variation (Hv) 归一化高度的变异系数(标准差与平均数的比值)The coefficient of variation of the normalized height (The ratio of the standard deviation to the mean) 高度百分位数(hp10, hp15, …, hp95)Height percentiles (hp10, hp15, …, hp95) 激光返回点的高度分布百分位数The height percentiles of the LiDAR returns 郁闭度Canopy closure (cc) 高于2米的激光返回点所占的百分比The percentage of LiDAR returns above 2 m divided by the total returns 密度百分位数(dp10,dp15, …, dp95)Density percentiles (dp10, dp15, …, dp95) 在各百分位高度等级以上的激光返回点在所有返回点中所占的百分比The percentage of LiDAR returns above each percentile levels divided by the total returns 叶面积密度均值Mean leaf area density (Lm) 根据Beer-Lamber法则计算其叶面积，计算平均值The leaf area was calculated according to the Beer-Lamber rule and the average value was calculated 叶面积密度标准差Standard deviation of leaf area density (Ld) 叶面积密度的标准差The standard deviation of leaf area density 叶面积密度变动系数Coefficient of leaf area density variation (Lv) 叶面积密度的变异系数(标准差与平均值的比值)Coefficient of variation of leaf area density (The ratio of the standard deviation to the mean)

表  3  多元回归预测模型

Table  3.   The multi-regression predictive models

 模型 Model 碳储量估测模型 Carbon storage predictive models ${R_{{\rm{adj}}}^2}$ rRMSE/% (4_1) $y=-40.16+9.79H_{\rm{m}}+2.89{\rm{cc}}$ 0.69 21.39 (5_1) $y=-66.53+10.03H_{\rm{m}}+9.95{\rm{cc}}+11.84L_{\rm{v}}$ 0.67 21.31 (6_1) $y=-135.98+9.78H_{\rm{m}}+4.84{\rm{cc}}+7.77H_{\rm{s}}+72.09L_{\rm{m}}$ 0.88 12.90 (7_1) $y=0.72{H_{\rm{m}}}^{1.88}{{\rm{cc}}}^{0.15}$ 0.74 19.39 (8_1) $y=0.67{H_{\rm{m}}}^{1.89}{{\rm{cc}}}^{0.14}{L_{\rm{m}}}^{0.86}$ 0.82 16.18 (9_1) $y=0.76{H_{\rm{m}}}^{1.98}{{\rm{cc}}}^{0.23}{H_{\rm{v}}}^{0.18}{L_{\rm{v}}}^{0.05}$ 0.90 11.23
•  点击查看大图
##### 计量
• 文章访问数:  138
• HTML全文浏览量:  40
• PDF下载量:  42
• 被引次数: 0
##### 出版历程
• 收稿日期:  2020-12-28
• 修回日期:  2021-05-01
• 网络出版日期:  2021-07-06

### 目录 / 下载:  全尺寸图片 幻灯片
• 分享
• 用微信扫码二维码

分享至好友和朋友圈