Individual tree detection and stand basal area estimation based on 16 linear array TLS data
-
摘要:目的地基激光雷达(TLS)可以对林冠下层进行快速、非破坏性的三维测量，与传统森林参数调查相比，节省了大量人力、物力和时间，在林业调查中有广泛应用。目前的研究集中在基于全方位TLS数据的参数提取，全方位扫描获取的点云数据量庞大，所需扫描时间较长，而针对快速扫描的多线阵点云数据的研究较少，相关算法有待提出，多线阵激光雷达数据的应用能力也有待验证。方法以北京市东升八家郊野公园和奥林匹克森林公园内的人工林为研究对象，基于多个单站扫描采集的16线阵TLS点云数据，提出了一种新的树干识别算法。该算法利用点云到达目标单木及周围其他物体距离的差异，检测出树干表面点云，并结合随机采样一致性(RANSAC)算法拟合圆，提取单木胸径；在此基础上引用角规抽样技术，进行林分平均胸高断面积的估测。结果对于多个单站扫描数据，单木检测率均在80%以上，株数密度最小的样地单木检测率可高达95%；对于单站数据，单木平均检测率随着扫描半径的增加而下降，在10 m左右范围内可以达到较高的检测率。以样地中被正确检测到的单木胸径估测值与实测值建立回归方程，单木胸径估测的决定系数R2在0.72~0.82之间；计算各样地单木胸径实测值与估测值的平方平均数，林分平均胸径估测精度均在90%以上，最高可达到99%，表明在样地水平上有较好的胸径估测效果。由TLS提取的胸径值结合角规抽样原理计算林分平均断面积估测值，与实测值相比，林分平均断面积估测精度可以达到90%左右。结论本文提出的算法能够基于单帧16线TLS数据提取单木参数，实现林分平均胸径及单位断面积的快速高效估算，为林业调查提供了一种新方法。Abstract:ObjectiveTerrestrial laser scanning (TLS) can be used for fast and non-destructive 3D measurement of forest canopy with less manpower, material resources and time consumption than traditional methods, and it has been widely used in forestry inventory. Most current studies use 360 degrees of scanning to conduct parameter extraction, which requires relatively long time to scan forest trees and process the big data. Fewer study has been found on the faster multi-linear array scanning; and corresponding algorithms on processing the sparse point cloud data have not yet developed. As a first trial, the application capability of multi-linear array TLS on forest parameter extraction needs to be verified.MethodA new stem detection algorithm was proposed based on the 16 linear array TLS data from a single-station scanning. The key to the algorithm is using the distance difference to the scanning station to differ tree stems from other objects around them. The random sample consensus (RANSAC) algorithm for circle was used to fit the stem point cloud at breast height and extract DBH. After detection of all stems, the angle gauge method was introduced to estimate the basal area of the forest. A case study was performed in two places: the Dongsheng Country Park and the Olympic Forest Park in Beijing.ResultThe detection rate of individual trees was above 80% if averaging multiple single-scanning TLS data; the detection rate in the sparse plot was about 95%; the detection rate decreased with the increasing distance from the scanning station, where 10 m was the maximum to achieve a relatively high detection rate. The determination coefficient of estimated DBH of individual trees calculated by the regression equation ranged in 0.72-0.82. The accuracy of stand average DBH was higher than 90%, which was good at the plot level. The forest plot basal area was estimated based on the DBH extracted from TLS using the angle gauge method. Compared with the field measurement, the relative accuracy of basal area was about 90%.Conclusion This method can accurately acquire single tree DBH and stand average DBH as well as basal area based on the 16 linear array TLS data with high efficiency, which provides a new choice for forestry survey.
-
火灾作为影响陆地生态系统循环过程和景观结构重建的重要因子[1-2]，在自然因素与人类活动的交互作用下，形成有序分异的空间分布格局[3-4]。其空间分布格局的区域分异影响局部大气环流和生态环境，同时剧烈的燃烧对当地居民的生命财产安全造成了极大的威胁。因此，对火灾的研究，尤其对大范围火灾监测相关问题的讨论，是目前国内外学者关注的热点之一。地形是表示地球表层物质与能量分配的重要指标之一，它主要通过影响植被的形成以及小区域气象条件进而影响火灾的发生与蔓延，是进行火灾地形规律性分析的重要参数。
近10年来，由于科学技术的进步，区域尺度火灾监测的手段也越来越丰富。HJ、MODIS、NOAA及Landsat系列均可实现对火灾的监测[5-10]。其中，MODIS数据由于监测时间序列长、数据稳定且适用性良好而被广泛应用。以往在火灾分布地形规律性的研究中，主要集中于包括地形、气候、植被等在内的多种因子综合分析，也曾得出地形与火灾空间分布的相互关系，取得了诸多成果[11-12]。Fang等[13]认为火险天气是影响火灾规模的主要驱动因素，而植被和地形对火烧烈度的影响则更大。通过增强回归数模型发现，地形因子能解释29.2%的火烧强度空间分布异质性。Guo等[14]研究认为高程、到铁路的距离、森林类型及月平均气温对人为火的空间分布起到决定性的作用，但进一步定量分析各地形因子与火灾分布关系的研究则相对较少。仅有的研究大多针对个别地区或单场火灾。Kushla等[15]通过回归分析研究地形因素对1991年Willamette国家森林公园大火的影响。苏漳文等[16]利用长时间序列上人为火的空间地理坐标、基础地理信息和矢量化林相图，采用Logistic回归模型深入分析地形环境因素对塔河林业局人为火的影响。陈正洪[17]利用火灾历史记录数据，定性研究地形对鄂西山区森林火灾分布特征的影响。但是，区域尺度甚至全球背景下的火灾分布地形规律性的研究则相对鲜见。
内蒙古是中国北方重要的生态屏障，同时也是全国火灾高发的省份之一。境内丰富的可燃物和频繁的人类活动为火灾的发生提供了有利条件。据统计，2014年内蒙古火场总面积为5 059 hm2，仅次于云南省和广西省，是全国火灾重点防范区[18]。本研究以MOD14A1/MYD14A1热异常产品数据集和数字高程模型为基础，采用ArcGIS空间分析法和均值变点法提取内蒙古火点与相关地形因子信息。以该数据为基础，并结合土地利用数据，分析火点与地形因子的关系，以期为区域火灾管理提供科学依据。
1. 研究区与研究方法
1.1 研究区概况
内蒙古位于中国北部边疆，地理位置介于37°24′~53°23′N，97°12′~126°04′E之间，全区土地总面积约为1.18×106 km2。地势西高东低，地貌类型以山地高平原为主，平均高原面约为1 021 m。该区域气候类型为典型大陆性季风气候，冬季寒冷漫长、夏季炎热干燥。年降水量在50~450 mm之间，降水地区分布不均匀，东部多西部少，且降水主要集中在夏季。由于受到降水、温度及土壤特性等因素的影响，植被覆盖类型由东北向西南依次为：森林→森林草原→草甸草原→典型草原→荒漠草原→草原化荒漠。
1.2 研究方法
1.2.1 数据源
1) 火点数据。选取搭载于Terra和Aqua卫星上由MODIS传感器获取的2000—2015年覆盖整个内蒙古的MOD14A1/MYD14A1(Thermal Anomalies/Fire Daily L3 Global 1km Sin Grid)热异常产品数据集，可由NASA陆地数据分发中心下载(https://ladsweb.nascom.nasa.gov/)。该数据集包含火点信息(Fire Mask)，其中，Fire Mask数据空间分辨率为1 km，时间分辨率为1 d，栅格属性值对应的内容如表 1所示。对于Fire Mask的处理，利用MRT工具对其进行批量拼接和投影转换，设置数据格式为Tiff，投影类型为Albert。
表 1 Fire Mask数据集属性值含义Table 1. Specific content of 10 levels of fire mask属性值
Attribute value对应具体含义
Corresponding meaning0 未处理像元Unprocessed pixel 1 未处理像元Unprocessed pixel 2 未处理像元Unprocessed pixel 3 水域Water pixel 4 云Cloud 5 没有火的裸地Non-fire bare land pixel 6 未知像元Unknown pixel 7 低置信检测火点Fire (low confidence, land or water) 8 中置信检测火点Fire (middle confidence, land or water) 9 高置信检测火点Fire (high confidence, land or water) 2) DEM数据。本文采用SRTM-DEM数据，空间分辨率为90 m，由地理空间数据云提供(http://www.gscloud.cn/)。其他数据包括内蒙古行政矢量边界线，投影类型统一采用Albert。
1.2.2 数据处理
1) 火点的提取。利用MRT转换工具做批量图幅拼接及投影转换，将原有的Sinusoidal投影转换为适合中国地区的Albert投影。利用ENVI/IDL软件进行波段整合、裁剪并提取MOD14A1\\MYD14A1数据集中的FireMask.HDF数据。该数据集中包含火点信息，着火像元各属性值对应内容如表 1所示。同时利用QA数据集进行质量控制，以剔除伪火点。研究结果表明，提取8+9数据集最适合区域尺度上的火点监测研究[19]。因此，本文提取数据集中的高概率火点(中置信检测火点和高置信检测火点)，从而实现大区域长时间序列上的火点监测。
2) 地形因子的提取与分级。应用ArcGIS空间分析工具，从研究区DEM中提取相关的高程、坡度和地形起伏度信息并进行等级划分。对于高程级别的划分，根据研究区的实际情况，选择以200 m为一级的划分标准，将研究区高程划分为80~300 m、300~500 m、500~700 m、700~900 m、900~1 100 m、1 100~1 300 m、1 300>1 500 m、>1 500 m 8个等级。坡度的划分借鉴中国科学院地理研究所编制的中国1:1 000 000地貌图制图规范[20]，将研究区坡度划分为0°~2°、2°~7°、7°~15°、15°~25°、25°~35°、>35° 6个等级。
地形起伏度是描述区域地貌起伏变化的重要参数，常用某一确定面积内最大高程与最小高程之差来表示[21-22]。研究地形起伏度的关键是确定最佳统计单元来反映真实的地形起伏，也就是定义某一确定面积。本文采用均值变点分析法[23-24]计算最佳统计单元。
令单位地势度数据序列{xi}中的i=2，3，…，N，将样本分为x1，x2，…，xi-1和xi，xi+1，…，xn两段。计算每段样本的平均值Xi1、Xi2和分段样本离差平方和之差Si。
ˉX=N∑i=1xi/N (1) Si=N∑i=1(xi−ˉXi1)2−N∑i=1(xi−ˉXi2)2 (2) 式中：X为总的样本平均值，Xi1、Xi2为分段样本平均值，Si为分段样本离差平方和。
计算总的样本的离差平方和S，S-Si值最大时对应的窗口数就是我们所求的最佳统计窗口。
S=N∑i=1(xi−ˉX)2 (3) 由S-Si绘制出的差值曲线(图 1)可以看出在第8个点时S-Si值最大。因此，提取内蒙古地形起伏度的最佳分析窗口为8×8，最佳统计单元为0.52 km2。下文提取的内蒙古地形起伏度都是基于8×8分析窗口下的地形起伏度数据。确定好提取地形起伏度的最佳统计单元后，在最佳统计单元的基础上，获取内蒙古的地形起伏度信息。同时，根据中科院地貌图制图规范和已有研究成果[25]对地形起伏度进行了划分，将内蒙古地形起伏度划分为1~30 m、30~70 m、70~200 m、>200 m 4个等级。
![]()
图 1 S与Si差值变化曲线S代表总的样本离差平方和，Si代表分段样本离差平方和。Figure 1. Change curve of difference between S and SiS and Si represent sum of squares of total sample deviation and sum of squares of partial sample deviation, respectively.2. 结果与分析
2.1 研究区基本地形特征
由图 2可以看出，内蒙古地势西高东低，高程较高的地区主要集中在内蒙古的西南部。表 2显示了内蒙古各地形因子级别区所占的面积和比例。第1、2、3、4高程级别区(80~300 m、300~500 m、500~700 m、700~900 m)主要分布在内蒙古的最东侧，包括大兴安岭南麓平原一直向南延伸至科尔沁沙地、呼伦贝尔高平原及锡林郭勒高平原的北部。第5高程级别区(900~1 100 m)的土地面积为2.4×105 km2，所占比例为21%，是土地面积最大的高程级别区。它与第6、7高程级别区(1 100~1 300 m、1 300~1 500 m)主要分布在大兴安岭两侧、锡林郭勒高平原的大部分地区、河套平原及阿拉善高原的大部分地区。第8高程级别区(>1 500 m)的土地总面积为1.0×105 km2，占总土地面积的9%，是土地面积相对较小的地区，主要在阴山一带、贺兰山、鄂尔多斯高平原等地零星分布。
![]()
图 2 研究区高程、坡度、地形起伏度分级图Figure 2. Hierarchical map of elevation, slope degree and amplitude of landform in the study area表 2 各地形因子级别区所占面积和比例Table 2. Area and proportion of different topographic factor levels地形因子Topographic factor 1 2 3 4 5 6 7 8 高程
Elevation范围Range/m 80~300 300~500 500~700 700~900 900~1 100 1 100~1 300 1 300~1 500 >1 500 面积Area/km2 65 448 77 403 118 107 124 043 240 489 196 732 219 958 101 045 百分比Percentage/% 6 7 10 11 21 17 19 9 坡度
Slope degree范围Range/(°) 0~2 2~7 7~15 15~25 25~35 >35 面积Area/km2 656 341 308 657 141 939 32 935 3 069 283 百分比Percentage/% 57 27 12 3 0 0 地形起伏度
Amplitude of
landform范围Range/m 1~30 30~70 70~200 200~500 面积Area/km2 690 749 220 245 222 057 14 592 百分比Percentage/% 60 19 19 1 由图 2可以看出：内蒙古的坡度以前3个坡度级别区为主，3个坡度级别区的土地面积所占比例高达96%。第1坡度级别区(0°~2°)的土地面积最大，占总土地面积的57%，广泛分布于内蒙古的中、西部地区和呼伦贝尔高平原、科尔沁沙地等。第2坡度级别区的土地面积为2.7×105 km2，土地面积位居全区第2。分布相对分散，主要分布在大兴安岭、阴山、贺兰山等山地地区。
由图 2还可以看出：内蒙古地形平坦，起伏较小。地形起伏度级别区(1~30 m、30~70 m、70~200 m、>200 m)的土地面积分别为6.9×105 km2、2.2×105 km2、2.2×105 km2、0.15×105 km2，所占比例依次为60%、19%、19%、1%。内蒙古地形起伏度以1~30 m为主。地形起伏较大的地区仅分布在大兴安岭向南一直延伸至科尔沁沙地东南缘。
2.2 火点个数在高程上的分布特征
由MOD14A1/MYD14A1热异常数据集提取内蒙古的火点分布信息，结果显示2000—2015年内蒙古共有12 002个火点。将高程图与火点分布图叠加，统计得到单位高程上的火点分布特征。由图 3可以看出，火点分布的高程范围广，在83~2 291 m之间均有火点分布。在高程为138 m时，火点分布个数最多(37个)。高程在小于100 m和大于1 500 m处，火点仅有零星分布。从整体来看，火点个数与高程的分布曲线呈现倒“V”形，即随着高程的升高，火点个数呈现先增加后减少的变化趋势。对高程进行分级后，得出火点个数在不同高程级别区的分布(表 3)。其中，前3个高程级别区内，火点个数均在2 000个左右，分别为1 993、2 972、2 316个，所占比例分别为17%、25%、19%，达到整个研究时段总火点个数的63%。因此，火点主要分布在高程为80~700 m之间的区间范围内。
表 3 火点个数在不同高程级别区的分布Table 3. Distribution of firepots at different elevation levels项目Item 1 2 3 4 5 6 7 8 高程值Elevation value/m 80~300 300~500 500~700 700~900 900~1 100 1 100~1 300 1 300~1 500 >1 500 火点个数Number of firepot 1 993 2 972 2 316 1 797 1 197 935 593 199 百分比Percentage/% 17 25 19 15 10 8 5 2 2.3 火点个数在坡度上的分布特征
将坡度图与火点分布图叠加，统计得到单位坡度上的火点分布特征。由图 4可以看出：坡度在0.3°时，火点个数最多(308个)。坡度大于10°时，火点仅零星分布。从整体来看，火点个数随坡度的增加呈现降低的变化趋势。对坡度进行分级后，得出火点个数在不同坡度级别区的分布(表 4)。第1坡度级别区(0°~2°)内，坡度十分平缓，近乎平地。火点个数为5 071，所占比例为42%，是火点分布个数最多的坡度级别区。其次为第2、3坡度级别区(2°~7°、7°~15°)，其火点个数分别为4 361和2 267，所占比例依次为36%和19%。前2个坡度级别区的火点总数达9 432个，占整个研究时段火点总个数的79%。因此，火点主要分布在坡度小于7°的地区，随着坡度的升高，火点个数逐渐减少。
表 4 火点个数在不同坡度级别区的分布Table 4. Distribution of firepots at different slope levels项目Item 1 2 3 4 5 6 坡度值Slope degree value/(°) 0~2 2~7 7~15 15~25 25~35 >35 火点个数Number of firepot 5 071 4 361 2 267 290 11 2 百分比Percentage/% 42 36 19 2 0 0 2.4 火点个数在地形起伏度上的分布特征
将地形起伏度与火点分布图叠加，统计得到单位地形起伏度上的火点分布特征。由图 5可以看出：地形起伏度为4 m时，火点个数最多(542个)；地形起伏度大于200 m时，火点仅零星分布。从整体来看，火点个数随着地形起伏度的增加呈现一直降低的变化趋势，但降低的趋势较平缓。对地形起伏度进行分级后，得出火点个数在不同地形起伏度级别区上的分布(表 5)。第1、2个地形起伏度级别区(1~30 m、30~70 m)内，火点个数分别为4 780和3 602，所占比例依次为40%和30%。前两个地形起伏度级别区内火点总个数达8 382个，集中了整个研究时段总火点个数的70%。因此，内蒙古火点多分布在1~70 m的地形起伏度区间内。这类地区地形相对平坦、起伏较小。
表 5 火点个数在不同地形起伏度级别区的分布Table 5. Distribution of firepots at different levels of amplitude of landform项目Item 1 2 3 4 地形起伏度值Amplitude value of landform/m 1~30 30~70 70~200 >200 火点个数Number of firepot 4 780 3 602 3 528 92 百分比Percentage/% 40 30 29 1 3. 讨论与结论
3.1 讨论
基于MODIS数据提取的2000—2015年火点信息与内蒙古地形因子叠加可知，火灾主要发生在高程低(80~700 m)、地形平坦(0°~7°)、起伏小(1~70 m)的地区。一般情况下，地形平坦、起伏小的区域，有利于农牧业生产的开展。因此，与农牧业生产相关的人类活动在这类区域分布集中。李兴华等[26]统计近20年内蒙古森林草原火灾的起火原因发现，人为因素引发的火灾占火灾总数的61%，未查明原因的火灾占33%。由此可知，高程低、地形平坦、起伏小的区域，火点分布较多可能是由于土地利用和人类活动造成的。但起火后，坡度与火灾燃烧的关系表现为：小坡度的燃烧相对稳定，火焰高度较小，蔓延速度缓慢。随着坡度的增大，火焰蔓延速度加快，火焰高度增大[27]。
为了进一步明确高程低、地形平坦、起伏小等火点集中分布区内，土地利用类型的分布特征，研究获取2005年的MCD12Q1土地利用/土地覆被产品数据。根据本文的研究目的，将国际地圈生物圈计划(International Geosphere Biosphere Programme，IGBP)的土地利用/土地覆被分类体系中的17大地类合并为林地、草地、农业用地及其他类型4大类。首先，提取高程区间在80~700 m之间的主要土地利用类型。结果显示该类地区草地占绝对优势，达到58%；其次为耕地和林地，分别为26%和16%；其他类型仅占1%。其次，提取地形起伏度为1~70 m的土地利用类型。结果表明，该地区的土地类型分别为草地、其他类型、耕地和林地，所占比例依次为59%、29%、8%和5%。由此可知，火灾发生最佳高程和地形起伏度区间内，火点个数分布最多的土地利用类型均为草地。这可能是由于草地可燃物丰富，在植被返青前枯草量大，一旦经受外界环境的干扰极易发生火灾[28]。
但是，在本研究中，在最佳高程区间和最佳地形起伏度区间上提取的第2大土地利用类型并不一致。最佳高程区间(80~700 m)内，提取的第2大土地利用类型为耕地(26%)；而最佳地形起伏度区间(1~70 m)内，提取的第2大土地利用类型为其他类型(29%)。实际情况显示，其他类型主要分布在内蒙古西部的阿拉善高原，这类地区火点分布较少。造成这种错判的原因可能是其他类型分布的地区地形平坦，而火点正好主要分布在地形起伏较小的地区。因此，很难将二者区分出来。由于耕地是人类生产活动的主要载体，尤其是春秋季的烧荒活动极易引发火灾，因此，耕地是火灾发生的第2大土地利用类型，其次为林地和其他类型。
3.2 结论
本文基于内蒙古栅格数字高程模型，运用GIS空间分析方法，提取基于栅格尺度上的内蒙古高程、坡度和地形起伏度3个地形因子，同时利用由MODIS传感器获取的2000—2015年覆盖整个内蒙古的MOD14A1/MYD14A1热异常数据集提取火点分布，通过对火点在不同地形因子级别上分布特征的分析，揭示内蒙古火灾的地形特征规律性。
1) 总体来看，内蒙古的地形特征呈现地势西南高东北低，地形平坦、起伏小的分布特征。地形起伏较大的地区仅分布在大兴安岭向南延伸至科尔沁沙地南缘一带。
2) 采用均值变点分析法，确定内蒙古地形起伏度的最佳统计单元为0.52 km2。火灾分布在地形因子的作用下表现出一定的地形梯度性。火点个数随高程的升高呈现先增大后减小的变化趋势，而火点个数随地形起伏度和坡度的增大呈现逐渐下降的趋势。其中，火点分布较多的高程、坡度、地形起伏度区间分别为80~700 m、0°~7°、1~70 m。火灾主要发生在高程低、地形平坦、起伏小的地区。
3) 火点分布最多的地形因子区间内，土地利用类型面积排序为草地>耕地>林地>其他类型。
-
![]()
图 1 研究区地理位置分布和样地概况图
Figure 1. Geographical distribution of the study area and the overview of sample plots
![]()
图 5 按单一线阵点云距离值绘制的二维图
Figure 5. Two-dimensional graphics drawn by distance value of a single linear array point cloud
表 1 样地实地调查情况统计
Table 1 Statistics of field survey for sample plots
样地编号
Sample plot No.主要树种
Main tree species最小胸径
Min. DBH/cm最大胸径
Max. DBH/cm平均胸径
Mean DBH/cm株数
Plant number密度/(株·hm-2)
Plant density/ (plant·ha-1)1 毛白杨Populus tomentosa 6 26.8 15 91 724 2 国槐Sophora japonica 11.2 31.2 19.72 72 573 3 毛白杨，国槐Populus tomentosa, Sophora japonica 13.5 33.7 22 85 676 
下载: 导出CSV
表 2 VLP-16技术参数
Table 2 Technical parameters of VLP-16
参数类型Parameter type 参数值
Parameter value激光波长Laser wavelength/nm 903 扫描距离Scanning range/m 100 水平视场角Field of horizontal view/(°) 360 垂直视场角Field of vertical view/(°) 30(-15~15) 水平角分辨率Horizontal regular resolution/(°) 0.1~0.4 垂直角分辨率Vertical regular resolution/(°) 2 激光发射频率/(点·秒-1) Frequency of laser generated/(point·second-1) 300 000
下载: 导出CSV
表 3 各样地单木识别结果
Table 3 Individual tree detection results in each sample plot
项目Item 样地编号Sample plot No. 1 2 3 实测株数Measured tree number 91 72 85 检测株数Detected tree number 83 72 78 漏检误差Type Ⅰ error 11 3 9 过检误差Type Ⅱ error 3 3 2 胸径5~10 cm的识别结果Detection results of trees with DBH of 5-10 cm 2/7 0/0 0/0 胸径10~15 cm的识别结果Detection results of trees with DBH of 10-15 cm 46/49 13/14 5/6 胸径15~20 cm的识别结果Detection results of trees with DBH of 15-20 cm 29/31 28/28 22/25 胸径20~25 cm的识别结果Detection results of trees with DBH of 20-25 cm 2/3 19/21 34/38 胸径25~30 cm的识别结果Detection results of trees with DBH of 25-30 cm 1/1 7/7 11/12 胸径30~35 cm的识别结果Detection results of trees with DBH of 30-35 cm 0/0 2/2 4/4 检测率Detection rate/% 82.5 95.83 89.41 注：斜线(/)左、右侧数值分别为对应胸径范围内的正确检测株数和实测株数。Note:The left and right values of the slash(/) represent the correct number of detected trees and the number of measured trees in the corresponding DBH rang.
下载: 导出CSV
表 4 各样地单站不同扫描范围内单木平均检测率
Table 4 Average detection rate of individual trees within different scanning range at single station of each sample plot
样地编号
Sample plot No.距离
Distance/m检测率
Detection rate/%1 10 88.82 15 60.3 2 10 92.45 15 75.78 3 10 87.09 15 67.49
下载: 导出CSV
表 5 各样地林分平均胸径结果
Table 5 Stand average DBH results in each sample plot
样地编号
Sample plot No.林分平均胸径
Stand average DBH/cm估测平均胸径
Estimated average DBH/cm相对误差
Relative error/%1 15.26 16.31 6.88 2 20.24 20.32 0.40 3 22.43 22.30 0.58
下载: 导出CSV
表 6 林分每公顷平均断面积结果
Table 6 Results of average stand basal area per hectare
样地编号
Sample plot No.站点数
Number of station实测值/(m2·hm-2)
Measured value/(m2·ha-1)估测值/(m2·hm-2)
Estimated value/(m2·ha-1)相对误差
Relative error/%1 5 19.19 17.88 6.83 2 5 23.38 20.38 12.83 3 5 27.13 25.25 6.93
下载: 导出CSV
表 7 TLS测量与实地调查成本对比
Table 7 Comparison of TLS measurement cost against field survey
测量方式
Measurement method所需人力/人
Manpower required/person耗时/h
Time required/hour仪器费用/元
Cost of instrument/￥人工费用/元
Cost of manpower/￥总费用/元
Total cost/￥实地调查 Field measurement 2 4 50 200 250 TLS测量 TLS measurement 1 0.4 80 10 90
下载: 导出CSV
-
[1] 李丹, 庞勇, 岳彩荣.地基激光雷达在森林参数反演中的应用[J].世界林业研究, 2012, 25(6): 34-39. http://d.old.wanfangdata.com.cn/Periodical/sjlyyj201206006 Li D, Pang Y, Yue C R. A review of TLS application in forest parameters retrieving[J]. World Forestry Research, 2012, 25(6): 34-39. http://d.old.wanfangdata.com.cn/Periodical/sjlyyj201206006
[2] 黄华国.激光雷达技术在林业科学研究中的进展分析[J].北京林业大学学报, 2013, 35(4): 134-143. http://j.bjfu.edu.cn/article/id/9915 Huang H G. Progress analysis of LiDAR research on forestry science studies[J]. Journal of Beijing Forestry University, 2013, 35 (4): 134-143. http://j.bjfu.edu.cn/article/id/9915
[3] 刘鲁霞.机载和地基激光雷达森林垂直结构参数提取研究[D].北京: 中国林业科学研究院, 2014. http://cdmd.cnki.com.cn/Article/CDMD-82201-1014331860.htm Liu L X. Retrieving vertical structural parameters of forest using terrestrial and airborne laser scanning data[D]. Beijing: Chinese Academy of Forestry, 2014. http://cdmd.cnki.com.cn/Article/CDMD-82201-1014331860.htm
[4] Koreň M, Mokroš M, Bucha T. Accuracy of tree diameter estimation from terrestrial laser scanning by circle-fitting methods[J]. International Journal of Applied Earth Observation & Geoinformation, 2017, 63:122-128. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=2691093fee2127c114b11082818a8118
[5] Wang D, Hollaus M, Puttonen E, et al. Automatic and self-adaptive stem reconstruction in landslide-affected forests[J]. Remote Sensing, 2016, 8(12): 974-996. doi: 10.3390/rs8120974
[6] Yang B, Dai W, Dong Z, et al. Automatic forest mapping at individual tree levels from terrestrial laser scanning point clouds with a hierarchical minimum cut method[J]. Remote Sensing, 2016, 8(5): 372-389. doi: 10.3390/rs8050372
[7] Pueschel P, Newnham G, Rock G, et al. The influence of scan mode and circle fitting on tree stem detection, stem diameter and volume extraction from terrestrial laser scans[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 77(3): 44-56. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=932c1f2b449e65ea01fb286bbfa450c4
[8] 李丹, 庞勇, 岳彩荣, 等.基于TLS数据的单木胸径和树高提取研究[J].北京林业大学学报, 2012, 34(4): 79-86. http://d.old.wanfangdata.com.cn/Periodical/bjlydxxb201204015 Li D, Pang Y, Yue C R, et al. Extraction of individual tree DBH and height based on terrestrial laser scanner data[J]. Journal of Beijing Forestry University, 2012, 34(4): 79-86. http://d.old.wanfangdata.com.cn/Periodical/bjlydxxb201204015
[9] 刘鲁霞, 庞勇, 李增元.基于地基激光雷达的亚热带森林单木胸径与树高提取[J].林业科学, 2016, 52(2): 26-37. http://d.old.wanfangdata.com.cn/Periodical/lykx201602004 Liu L X, Pang Y, Li Z Y. Individual tree DBH and height estimation using terrestrial laser scanning (TLS) in a subtropical forest[J]. Scientia Silvae Sinicae, 2016, 52(2): 26-37. http://d.old.wanfangdata.com.cn/Periodical/lykx201602004
[10] Olofsson K, Holmgren J, Olsson H. Tree stem and height measurements using terrestrial laser scanning and the RANSAC algorithm[J]. Remote Sensing, 2014, 6(5): 4323-4344. doi: 10.3390/rs6054323
[11] 刘鲁霞, 庞勇, 李增元, 等.用地基激光雷达提取单木结构参数:以白皮松为例[J].遥感学报, 2014, 18(2): 371-377. http://d.old.wanfangdata.com.cn/Periodical/gjstx98201002015 Liu L X, Pang Y, Li Z Y, et al. Retrieving structural parameters of individual tree through terrestrial laser scanning data[J]. Journal of Remote Sensing, 2014, 18(2): 371-377. http://d.old.wanfangdata.com.cn/Periodical/gjstx98201002015
[12] 尚任, 习晓环, 王成, 等.利用地面激光扫描数据提取单木结构参数[J].测绘科学, 2015, 40(9): 78-81. http://d.old.wanfangdata.com.cn/Periodical/chkx201509016 Shang R, Xi X H, Wang C, et al. Retrieval of individual tree parameters using terrestrial laser scanning data[J]. Science of Surveying and Mapping, 2015, 40(9): 78-81. http://d.old.wanfangdata.com.cn/Periodical/chkx201509016
[13] Bienert A, Scheller S, Keane E, et al. Application of terrestrial laser scanners for the determination of forest inventory parameters[J/OL]. [2017-08-01]. http://www.isprs.org/proceedings/XXXVI/part5/paper/1270_Dresden06.pdf.
[14] 步国超, 汪沛.基于单站地面激光雷达数据的自适应胸径估计方法[J].激光与光电子学进展, 2016(8): 278-286. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jgygdzxjz201608038 Bu G C, Wang P. Adaptive estimation method for diameter at breast height based on terrestrial laser scanning[J]. Laser & Optoelectronics Progress, 2016(8): 278-286. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jgygdzxjz201608038
[15] Maas H G, Bienert A, Scheller S, et al. Automatic forest inventory parameter determination from terrestrial laser scanner data[J]. International Journal of Remote Sensing, 2008, 29(5): 1579-1593. doi: 10.1080/01431160701736406
[16] Kiraly G, Brolly Y G. Tree height estimation methods for terrestrial laser scanning in a forest reserve[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2007, 36: 211-215. http://cn.bing.com/academic/profile?id=b14b776db2290b9cffacd40e1684abf3&encoded=0&v=paper_preview&mkt=zh-cn
[17] Xia S, Wang C, Pan F, et al. Detecting stems in dense and homogeneous forest using single-scan TLS[J]. Forests, 2015, 6: 3923-3945. doi: 10.3390/f6113923
[18] Rutzinger M, Pratihast A K, Elberink S O, et al. Detection and modelling of 3D trees from mobile laser scanning data[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2010, 38: 520-525. http://cn.bing.com/academic/profile?id=2772bdd5334282c31da3cc77c07e218e&encoded=0&v=paper_preview&mkt=zh-cn
[19] Liang X, Litkey P, Hyyppä J, et al. Automatic stem mapping using single-scan terrestrial laser scanning[J]. IEEE Transactions on Geoscience of Remote Sensing, 2012, 50:661-670. doi: 10.1109/TGRS.2011.2161613
[20] Vonderach C, Voegtle T, Adler P. Voxel-based approach for estimating urban tree volume from terrestrial laser scanning data[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2012, 39: 451-456. http://cn.bing.com/academic/profile?id=ac7cc4bd3785fcd384a068a94ac9eac2&encoded=0&v=paper_preview&mkt=zh-cn
[21] 黄武陵.激光雷达在无人驾驶环境感知中的应用[J].单片机与嵌入式系统应用, 2016, 16(10):3-7. http://d.old.wanfangdata.com.cn/Periodical/dpjyqrsxtyy201610002 Huang W L. Application of Lidar in perception of autonomous driving environment[J]. Microcontrollers & Embedded Systems, 2016, 16 (10):3-7. http://d.old.wanfangdata.com.cn/Periodical/dpjyqrsxtyy201610002
[22] 于金霞, 蔡自兴, 邹小兵, 等.基于激光雷达的移动机器人障碍测距研究[J].传感器与微系统, 2006, 25(5):31-33. doi: 10.3969/j.issn.1000-9787.2006.05.010 Yu J X, Cai Z X, Zou X B, et al. Study on obstacles detection of mobile robot based on laser scanner[J]. Transducer and Microsystem Technologies, 2006, 25(5):31-33. doi: 10.3969/j.issn.1000-9787.2006.05.010
[23] Pierzchała M, Giguère P, Astrup R. Mapping forests using an unmanned ground vehicle with 3D LiDAR and graph-SLAM[J]. Computers & Electronics in Agriculture, 2018, 145:217-225. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=a01b851ad6210844d1b1597674a465c6
[24] Liang X, Kankare V, Hyyppä J, et al. Terrestrial laser scanning in forest inventories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 115:63-77. doi: 10.1016/j.isprsjprs.2016.01.006
[25] Huang H, Li Z, Gong P, et al. Automated methods for measuring DBH and tree heights with a commercial scanning Lidar[J]. Photogrammetric Engineering & Remote Sensing, 2011, 77(3):219-227. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=4065c284751b824eb09cf6718e8f7237
[26] Zhang W, Chen Y, Wang H, et al. Efficient registration of terrestrial LiDAR scans using a coarse-to-fine strategy for forestry applications[J]. Agricultural and Forest Meteorology, 2016, 225:8-23. doi: 10.1016/j.agrformet.2016.05.005
[27] Liang X, Hyyppä J. Automatic stem mapping by merging several terrestrial laser scans at the feature and decision levels[J]. Sensors, 2013, 13(2):1614-1634. http://d.old.wanfangdata.com.cn/OAPaper/oai_doaj-articles_ce162da7876f0b25edeb7c034e1ebbd5
[28] Roesch F A, Deusen P C V. Anomalous diameter distribution shifts estimated from FIA inventories through time[J]. Forestry, 2010, 83(83):269-276. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0217088495/
[29] 惠刚盈, von Gadow K.结构化森林经营原理[M].北京:中国林业出版社, 2016. Hui G Y, von Gadow K. Principles of structure-based forest management[M]. Beijing: China Forestry Publishing House, 2016.
[30] Zhang W, Qi J, Wan P, et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016, 8(6):501-522. doi: 10.3390/rs8060501
[31] 孟宪宇.测树学[M].北京:中国林业出版社, 2006. Meng X Y. Forest measurements[M]. Beijing: China Forestry Publishing House, 2006.
-
期刊类型引用(8)
1. 马丹，汤志伟，马小玉，邵尔辉，黄达沧. 基于GEE的中国不同生态系统林火驱动力研究. 应用科学学报. 2024(04): 684-694 . 
百度学术
2. 张吕成，孙志超，董灵波. 基于Landsat时间序列数据的火烧迹地识别与恢复效果评价. 森林工程. 2024(05): 8-16 . 百度学术
3. 侯波，李倩倩，杨艳蓉，张乐英. 基于MODIS数据的2003—2020年西南地区林火随地形因子的动态变化. 生态科学. 2024(05): 131-137 . 百度学术
4. 刘海新，钱以临，孔俊杰，张灿，刘韦志. 2003—2019年内蒙古FIRMS＿MODIS植被火点时空变化. 林业科技情报. 2023(01): 1-8 . 百度学术
5. 崔阳，狄海廷，邢艳秋，常晓晴，单炜. 基于MODIS数据的2001—2018年黑龙江省林火时空分布. 南京林业大学学报(自然科学版). 2021(01): 205-211 . 百度学术
6. 吴立志，陈振南，张鹏. 基于随机森林算法的城市火灾风险评估研究. 灾害学. 2021(04): 54-60 . 百度学术
7. 孙宝军. 内蒙古电力系统自然灾害链分析. 灾害学. 2020(04): 8-12+47 . 百度学术
8. 潘霞，汪季，高永，王祯仪. 基于MODIS数据的阿拉善盟植被指数变化的地形分异性. 生态环境学报. 2019(02): 226-234 . 百度学术
其他类型引用(9)
计量
- 文章访问数: 1914
- HTML全文浏览量: 499
- PDF下载量: 62
- 被引次数: 17
