论文部分内容阅读
森林作为生物圈的主体,对生态系统平衡起着重要作用。利用遥感技术对森林蓄积量/生物量进行估测,对森林碳储量的空间分布和动态变化监测具有重要意义。激光雷达技术(Light Detection And Ranging,LiDAR)是一种激光探测和测距系统,是现代对地观测领域的最新热门技术之一,可以提供高精度的地物三维信息,其在森林资源调查方面的应用潜力急需研究。合成孔径雷达技术(Synthetic Aperture Radar ,SAR)不受天气、云雾、日照的影响,且对地物具有一定的穿透能力,相比光学遥感有不可替代的优势。定量遥感是当前遥感研究的发展方向,然而,大多数单一传感器不能同时满足大范围、高精度的需求,这就需要多源数据协同反演来实现这一目标。本文就是围绕森林蓄积量定量反演这一目的,研究在山区复杂地形环境下,利用新型多源遥感数据进行大范围森林蓄积量反演问题,对探索新的森林蓄积量和碳储量遥感定量估测方法具有重要意义。首先,基于低密度机载激光雷达数据(0.39个点/m2)利用改进的树冠识别算法进行了林分平均高、蓄积量估测试验。其次,利用L波段全极化SAR评价了极化SAR数据用于森林蓄积量估测的潜力。最后基于LiDAR和极化SAR数据进行了森林蓄积量联合反演试验。主要研究内容如下:(1)机载激光雷达点云数据的分类及表面模型提取。通过分类后的地面点内插得到数字高程模型(Digital Elevation Model,DEM),点云数据内插得到数字表面模型(Digital Surface Model,DSM),由DSM和DEM相差,得到归一化的冠层高度模型(Canpoy Height Model,CHM)。(2)基于机载激光雷达数据的森林参数提取。利用改进的树冠识别算法从CHM上提取树高信息,在林分水平上,生成整个山区林分平均高分布图,总体精度在75%以上。预测刺槐林分蓄积量与实测刺槐林分蓄积量相关系数达0.696,均方根误差RMSE为21.056m3/hm2;预测油松林分蓄积量与实测油松林分蓄积量相关系数达0.453,均方根误差RMSE为21.866m3/hm2,油松林分估测结果较刺槐林分差。(3)基于极化SAR数据的森林参数估测。研究分析了PALSAR数据林分尺度上,极化SAR信号对森林蓄积量的响应特征。林分尺度上估测森林蓄积量,采用极化比值建立估测模型是一个相对较好的方法。林分的异质性对雷达信号有较大的影响。刺槐蓄积量和油松蓄积量反演相比较,刺槐蓄积量与雷达信号参数回归模型的相关系数为0.787,油松蓄积量与雷达信号参数回归模型的相关系数为0.743,差别不大,但均方根误差相比较,刺槐林分为17.893m3/hm2,油松林分为29.3m3/hm2,油松林分预测结果总体精度较差。(4)基于多源数据协同反演森林蓄积量研究。结合激光雷达数据和全极化SAR数据,探索了多源数据估测森林蓄积量的潜力。激光雷达和极化SAR数据相结合刺槐林分蓄积量回归模型的相关系数为0.864,油松林分蓄积量回归模型的相关系数为0.813,相关系数可以较好的反应森林蓄积量和遥感提取因子之间的相关关系,而均方根误差刺槐蓄积量为20.064m3/hm2,油松蓄积量为24.730m3/hm2。