【目的】植物的可视化技术是数字林业研究的重要组成部分。针对植物进行三维点云重建时茎干部分容易缺失的问题,基于拓扑连接的缺失部分位置判断及L1中值骨架提取提出一种茎干补全方法,为实现植物可视化提供技术支撑。【方法】依据概率图模型及最小生成树确定点云簇之间的拓扑连接情况,判断缺失部位所在位置。提出了一种基于搜索的待拟合点点集确定方法,使用基于 L1 中值的局部迭代方法提取茎干点云骨架,并对骨架点集进行排序,确定缺失部分待拟合点。最终使用Bezier曲线拟合缺失部分茎干轴线并使用三维参数圆补全缺失部分点云。【结果】对于叶片与茎干缺失分离的植物点云,茎干补全方法可以真实且有效地对其进行补全,拟合结果整体平滑且具有一定的实际物理意义。【结论】通过三维扫描得到的不完整点云在补全后,能在一定程度上弥补扫描的缺陷,构建出完整且逼真的植物三维点云模型,使其能够更加有效地应用于植物的三维可视化建模。
【目的】定量研究林分空间结构对杉木枝下高的影响,构建基于空间结构的枝下高模型,结合杉木生长模型,应用三维可视化技术,实现杉木枝下高可视化模拟。【方法】利用湖南省黄丰桥国有林场6块杉木人工林临时样地的调查数据,选择5个常用枝下高基础模型,分析水平空间结构参数(PH)、垂直空间结构参数(PV)和空间结构单元平均距离(dDIS)及其组合对枝下高的影响,构建综合指标较好且变量少的枝下高模型。基于林分三维模型实时生成方法,建立一种枝干可控的杉木三维模型;结合单木胸径连年生长量模型、树高-曲线模型和冠幅面积估计模型,模拟林木的生长状态。【结果】Logistic模型综合指标较好且模型参数可解释,可选为基础模型;3个空间结构参数中垂直空间结构影响较为显著,将PV加入到Logistic模型中,改善了枝下高模型的拟合效果,决定系数(R2)从0.717提升到0.741,估计值的标准差从1.407 m减小到1.321 m,并使各项模型检验误差指标有所减小;构建的杉木三维模型可以动态调节枝干,实现了杉木枝下高模拟。【结论】构建的枝下高模型可以应用于林木年龄和部分林分信息未知的杉木林中,体现了林木间的相互竞争影响;结合枝干可控的杉木三维模型,模拟杉木生长过程,形象直观地表现了杉木枝下高的变化,为进一步研究林分生长动态可视化模拟和森林经营可视化模拟提供支持。
【目的】森林地上生物量的准确估测对于实时掌握全球碳储量变化及应对气候变化有着重要的意义。组合多种遥感数据特征优选,分类建模反演森林地上生物量,是提高森林地上生物量精度的有效方法。【方法】以根河市大兴安岭生态观测站寒温带天然林为研究对象,以机载激光雷达(LiDAR)、Landsat8 OLI两种遥感数据源结合55块地面调查数据,采用偏最小二乘算法优化筛选变量,再以线性多元逐步回归和快速迭代特征选择的最近邻算法(KNN-FIFS)构建模型,在两种数据源的不同组合方式下进行森林地上生物量反演。【结果】①基于线性多元逐步回归模型下的单一LiDAR数据反演精度决定系数(R2)为 0.76,均方根误差(RMSE)为 21.78 t/hm2;单一Landsat8 OLI数据的反演精度R2为 0.24,RMSE为39.27 t/hm2;LiDAR和Landsat8 OLI联合反演精度R2 为 0.84,RMSE为18.16 t/hm2;②基于KNN-FIFS模型下的单一LiDAR数据反演精度R2为 0.74,RMSE为23.83 t/hm2;单一Landsat8 OLI数据的反演精度R2为0.60,RMSE为 29.63 t/hm2;LiDAR和Landsat8 OLI联合反演精度R2为0.80,RMSE为21.15 t/hm2。【结论】①特征优选支持下的3种组合方式中,LiDAR和Landsat8 OLI两种数据的组合在两种模型中反演精度均最高,其中线性多元逐步回归模型的反演精度最高,说明LiDAR和Landsat8 OLI数据组合,激光雷达与光学数据优势特征互补,协同反演可有效提高森林地上生物量的反演精度;②单一数据源反演森林地上生物量精度中,LiDAR数据比Landsat8 OLI数据在两种模型反演精度中均较高,这与LiDAR数据空间分辨高、可获得垂直结构特征参数有关。
【目的】目前关于林型识别的研究区域主要为小范围森林区域和林场,为了探究较大范围内林型的识别方法,本研究使用Sentinel-2光学遥感影像、森林资源二类调查数据、数字高程模型(DEM)和Sentinel-1雷达遥感影像数据建立林型识别模型。【方法】以淳安县作为研究区域,针对淳安县各个小班中的7种林型:毛竹(Phyllosstachys edulis)林、茶树(Camellia sinensis)林、山核桃(Carya cathayensis)林、杉木(Cunninghamia lanceolata)林、马尾松(Pinus massoniana)林、阔叶混交林、其他硬阔林进行识别。研究采用分层的方法对林型进行识别,整体分为3层。第1层使用RF算法建立林地与非林地识别模型;第2层对林地数据进行树种结构识别,分别使用随机森林(random forest, RF)、极端梯度提升(eXtreme gradient boosting, XGBoost)和 轻量级梯度提升机(light gradient boosting machine, LightGBM)方法建立不同模型并对比分析实验结果;第3层将树种结构细分为林型。【结果】第1层RF林地与非林地识别模型总体精度为98.08%;第2层树种结构识别模型中对比了3个模型不同特征组合下的性能,其中LightGBM模型总体精度最高,达到81.43%;第3层模型对林型进行识别,基于所有特征结合雷达遥感因子建模的情况下,LightGBM模型精度为84.51%,经递归特征消除法(recursive feature elimination, RFE)选择特征后,最优精度为83.21%。【结论】通过各个模型的特征重要性图发现,光学遥感中的绿光、红光、近红外波段和红边波段,以及DEM提取的地形因子对研究区域小班林型识别有较好的效果,而Sentinel-1雷达中提取的自变量对林型的识别没有特别明显的帮助。
【目的】通过分析实测枝下高分布方向与空间竞争强度的关系,解决基于传统林学研究调查数据所构建的林木三维模型对不同方向枝下高分布差异难以直观表达,林木三维模型多态性表现不足的问题。【方法】以江西省新余市分宜县亚热带林业实验中心山下林场8块杉木临时样地为数据源,以已有枝下高模型为理论基础,将空间分析方法缓冲区构建与林分空间结构单元构建结合,构建对林木造成直接影响的水平空间结构参数与垂直空间结构参数,分析空间结构参数与枝下高相关性,并以此计算各方向空间竞争强度,建立空间竞争强度与实测枝下高的分布关系,再按照枝下高模型求解剩余方向枝下高,最终按照实测数据与分析计算结果加载分枝、主干模型,构建林木三维模型。【结果】所选模型变量包括林木属性与空间结构参数,原始模型决定系数为0.720,消除树高影响的调整后实测枝下高与水平空间结构参数相关系数为0.410、与垂直空间结构参数相关系数为0.782,且均呈正相关;将各自相关系数为权重计算对应方向空间竞争强度,将最小竞争强度方向空间结构参数代入模型,拟合结果决定系数为0.790,相比原始模型拟合精度有所提高;将实测枝下高分配到竞争强度最小的方向,根据模型可对其他方向枝下高进行估算。【结论】以杉木为例,通过空间竞争强度判别枝下高分布,在提高已有数据利用率、减小外业工作强度的基础上,可直观表现林木不同方向枝下高分布的差异性,增强了林木三维模型的多态性表达。
