基于机载激光雷达和高光谱数据的郁闭森林单株木关键参数提取研究

High density LiDAR point cloud data, as well as high spatial resolution hyper-spectrum data, have huge advantage on providing individual tree scale forest parameters. This study will extract individual trees and their key parameters using LiDAR and hyper-spectrum data in closed forest of northeast China. Meanwhile, ground surveying method for individual tree information will be improved to provide accurate validations..The study will firstly extract individual tree position and structural parameters based on LiDAR data, and then individual tree species will be classified based on the hyper-spectrum data registered with LiDAR data .And ground surveying method will be improved on the basis of feature that remote sensing data mainly present upper surface of canopy. This study aims to solve the problems of individual tree extraction in closed forest and individual tree species classification. At the same time, the improved ground survey method will provide a reliable validation solution for other remote sensing applications in stand and individual trees scales. The research results will largely improve the subsequent parameter estimation of individual trees, and reduce the input of manpower and materials in forest inventory. As a result, this study has great practical value and application prospect.

高密度的LiDAR点云数据与高空间分辨率的高光谱数据在提供单株木尺度的森林参数方面有着明显的优势。本研究将结合LiDAR数据和高光谱数据尝试在我国东北的郁闭林区分离单株木并提取树高、冠幅和树种等关键参数，并改进单株木信息地面调查方法以提供单株木提取的验证数据。.研究将首先利用LiDAR数据提取郁闭林区单株木位置并获得其结构参数，再结合与LiDAR数据配准的高光谱数据实现单株木树种识别，最后根据遥感数据重点反应冠层上表面的特点改进单株木信息的地面调查方法。研究将解决郁闭林区的单株木位置及结构参数提取和单株木树种识别两个问题，同时，为其他基于遥感的单株木及其关键参数提取提供完善的地面调查验证方法。研究成果将提高后续各种基于单株木的森林参数估计精度，减轻森林资源调查的人力物力投入，具有较大的实用价值和应用前景。

LiDAR数据能够很好的提供单木的位置、树高信息，同时也可提供一定精度的冠幅信息，而高光谱遥感数据能提供精细的目标光谱信息，因此本研究提出了基于LiDAR和高光谱数据的单木关键参数提取算法，算法首先使用结合冠层控制的分水岭算法进行单木分离，再将每个单木包含的光谱信息提取并优化，在此基础上分别应用SAM和SVM分类法进行树种识别操作；本研究还提出了一种同时获取单木树干和树顶位置的地面调查方法，匹配了遥感的自上而下观测。.试验结果表明，基于LiDAR的单木识别能识别超过90%的森林优势木和70%以上的亚优势木，树高估算精度优于95%；同时，基于LiDAR和高光谱数据的单木树种识别算法能够识别试验区的绝大多数优势树种和大部分的亚优势树种，并能够部分识别非优势树种，优势树种的识别正确率超过90%，亚优势树种的识别正确率约为60%。无论使用SVM或SAM分类法，总体分类精度都超过70%。使用SVM较SAM更能反映试验区的树种分布情况；同时新的野外调查方法极大的改善了单木分离与树种识别的样本选择与验证精度。总之，在良好数据源的支持下，基于LiDAR和高光谱数据的单木关键参数识别有利于提高后续的单木尺度或林分尺度森林参数反演的精度。