基于機(jī)載LiDAR和高光譜融合的森林參數(shù)反演研究.pdf

1、森林資源是進(jìn)行物質(zhì)循環(huán)和能量交換的樞紐,具有調(diào)節(jié)氣候、涵養(yǎng)水源、防風(fēng)固沙、減少污染、保持生物多樣性等多種功能,在維持生態(tài)平衡、人類生存與發(fā)展和社會(huì)進(jìn)步等方面有著極為重要的作用。但是,由于人類長期過度采伐利用和破壞森林資源,致使地球生態(tài)環(huán)境遭受嚴(yán)重破壞。保護(hù)和發(fā)展森林資源使之可以永續(xù)利用已經(jīng)得到世界上越來越多國家的廣泛關(guān)注。先進(jìn)的遙感技術(shù)已經(jīng)逐步替代傳統(tǒng)費(fèi)時(shí)費(fèi)力的地面調(diào)查工作,利用地物特有的光譜特性在遙感影像上的反映,對森林實(shí)行大面積的資

2、源調(diào)查與監(jiān)測。但是由于各方面條件的限制,目前研究還多限于星載較低空間分辨率且單一傳感器的遙感數(shù)據(jù),而對于水平和垂直結(jié)構(gòu)都很復(fù)雜的北方森林而言,調(diào)查和監(jiān)測工作很難做到細(xì)化。本文的研究工作正是基于機(jī)載高空間、高光譜分辨率數(shù)據(jù)和LiDAR數(shù)據(jù)相結(jié)合展開的,結(jié)合兩種數(shù)據(jù)各自的特點(diǎn),進(jìn)行了復(fù)雜森林的樹種識別、葉面積指數(shù)(LAI)及冠層葉綠素含量的森林參數(shù)反演研究。主要的內(nèi)容、成果和結(jié)論為:
　　 1)基于小腳印LiDAR獲得的高密度點(diǎn)云數(shù)

3、據(jù),分離地面點(diǎn)與非地面點(diǎn),得到表征冠層高度的冠層高度模型CHM,并結(jié)合樣地實(shí)測樹種的樹高統(tǒng)計(jì),對林間空隙掩膜,去除非林地區(qū)域,減小了非林地對樹種光譜的干擾,提高了影像上樹種光譜與參考光譜的識別與匹配,為分類前訓(xùn)練樣本提取做好數(shù)據(jù)準(zhǔn)備。
　　 2)為減少噪聲對光譜的影響,利用光譜微分技術(shù)將影像光譜和參考光譜進(jìn)行一階微分變換,選取代表地物特征的區(qū)間,計(jì)算兩光譜的相關(guān)系數(shù),提取相關(guān)系數(shù)高的像元光譜作為參考樣本同類別的訓(xùn)練樣本,實(shí)現(xiàn)了訓(xùn)

4、練樣本的自動(dòng)提取。
　　 3)對于高空間分辨率影像中的陰影像元,考慮到傳統(tǒng)陰影像元信息補(bǔ)償方法中存在的一些問題,提出通過計(jì)算太陽入射輻射方位來確定遮擋方向,進(jìn)而對分類結(jié)果中陰影像元采取鄰近填充的方法,既有科學(xué)依據(jù),又簡單易實(shí)現(xiàn)。
　　 4)比較了僅高光譜數(shù)據(jù)和融合數(shù)據(jù)分別利用SAM和SVM分類器進(jìn)行分類的結(jié)果,并得出LiDAR與CASI融合應(yīng)用SVM分類器,并對分類后結(jié)果進(jìn)行陰影填充的樹種分類結(jié)果總體精度最高,達(dá)到86.

5、68％,說明本文提出的對IADAR與CASI融合數(shù)據(jù)的樹種分類方法是可行的。
　　 5)基于統(tǒng)計(jì)模型反演LAI。由于僅利用植被指數(shù)建立與LAI的相關(guān)關(guān)系會(huì)有一定的片面性,本文除提取高光譜植被指數(shù)外,還基于LiDAR的回波數(shù)量、回波強(qiáng)度等信息,提取了表征森林垂直結(jié)構(gòu)信息的參數(shù),共同作為統(tǒng)計(jì)模型的輸入自變量；根據(jù)不同的森林類型,將實(shí)測的有效LAI轉(zhuǎn)為真實(shí)的LAI作為因變量,通過逐步回歸進(jìn)行變量篩選,建模反演LAI并進(jìn)行精度驗(yàn)證。LA

6、I模擬值與真實(shí)值之間的R2為0.85,RMSE為0.456,表明兩者相關(guān)性較高,用該模型進(jìn)行的LAI反演精度是可靠的。
　　 6)物理模型反演森林冠層生化參數(shù)涉及模型的尺度轉(zhuǎn)換問題。對于第三章分類結(jié)果掩膜后的林地區(qū)域,根據(jù)樹種類型,葉片模型分別選擇闊葉PROSPECT和針葉LIBERTY、冠層選擇SAIL輻射傳輸模型,并通過敏感性分析確定葉片模型輸入?yún)?shù)的變動(dòng)范圍,最后模擬得到冠層的反射率。
　　 7)建立輸入?yún)?shù)與輸出