论文部分内容阅读
森林是一个空间动态和连续变化的生态系统,提供了人类社会所需的木材以及非林木价值的产品,如野生动物栖息地、碳水循环、生态多样性等。亚热带森林物种丰富、森林生产力高且具有复杂和异质的森林结构。精确、实时地获取亚热带森林结构参数以及蓄积分布信息是实现森林可持续经营、理解生态系统功能、维持生物多样性和增强区域碳循环功能的重要前提。传统的森林调查方式通常需要外业实地测量,其劳动强度大、成本高且往往只能获取“点”上的信息。遥感技术能够快速、准确、高效地获取高空间、时间和光谱分辨率的森林信息,大幅度地降低了劳动强度和成本。机载激光雷达(LiDAR,Light Detection And Ranging)作为近年来快速发展的主动遥感技术,可以提供高精度和“面”上三维的森林结构信息。过去研究已表明LiDAR数据提取的传统特征变量(SM,Standard Metrics)如高度百分位数等能够较好地反演森林结构参数,然而这些变量往往忽略了森林冠层结构特性等方面的机理解释,没有充分挖掘连续的森林结构分布信息且变量之间大多具有很强的相关性。基于冠层垂直剖面的冠层特征变量(CM,Canopy Metrics)能够有效地挖掘森林空间结构信息,体现森林结构空间异质性,有利于更好地从机理上解释森林结构参数的反演模型。本研究以亚热带森林为研究对象,借助机载LiDAR数据,基于冠层垂直剖面的冠层特征变量(CM,Canopy Metrics)和传统特征变量(SM,Standard Metrics)二者相结合对包括胸径、Lorey’s树高、株数、胸高断面积、蓄积量、生物量在内的森林结构参数进行高精度反演,旨在探索挖掘冠层特征变量反演森林结构参数的能力。同时,机载LiDAR技术可以快速、实时、精确地估测森林蓄积量分布信息,这有利于森林结构的合理调整、经营管理的决策支持和森林收获量的精准预测,因此研究还借助LiDAR数据对蓄积量分布进行估测研究。本文首先使用LiDAR特征变量反演总蓄积量,通过参数预测法(PPM,Parameter Prediction Method)、基于百分位数参数回收法(PPRM,Percentile-based Parameter Recover Method)、基于矩估计参数回收法(MPRM,Moment-based Parameter Recover Method)分别直接或间接地估测Weibull参数。然后根据预测的Weibull参数计算出各个样地平均材积,通过反演的总蓄积量和平均材积来反演株数。最后基于三种参数预测方法预测的Weibull参数和株数对样地内蓄积量分布进行估测。研究表明:(1)通过基于机载LiDAR数据提取的特征变量反演森林结构参数,Lorey’s树高(R~2=0.65-0.92,rRMSE=5.13–12.79%)和地上生物量(R~2=0.58-0.84,rRMSE=12.19–28.42%)预测效果最好,蓄积量(R~2=0.45-0.80,rRMSE=12.02–19.22%)、平均胸径(R~2=0.50-0.78,rRMSE=8.59–13.31%)和胸高断面积(R~2=0.44-0.74,rRMSE=11.34–20.48%)次之,株数最低(R~2=0.44-0.71,rRMSE=18.68–29.86%)。研究分所有样地、针叶林、阔叶林、混交林讨论建模,结果发现,分森林类型模型(R~2=0.50-0.92,rRMSE=5.13–28.42%)相比于所有样地无区分森林类型建模的总体模型精度有所提高(R~2=0.44-0.79,rRMSE=8.54–29.86%)。此外,分森林模型中表现出针叶林模型(R~2=0.58-0.84,rRMSE=8.59–26.55%)优于阔叶林模型(R~2=0.53-0.92,rRMSE=6.39–28.42%)和混交林模型(R~2=0.50-0.87,rRMSE=5.13–28.52%)。(2)本研究比较分析传统特征变量(SM)和冠层特征变量(CM)单独建模和综合建模结果表明,加入CM特征变量建模后,对森林结构参数反演精度有所提高,其综合建模的精度为R~2=0.44-0.88,rRMSE=6.94–29.26%。本研究所提取的冠层容积(CV)特征变量基于体元化的冠层容积模型(CVM),体元大小对特征变量的提取及最终建模的反演精度有所影响,因此本文对体元大小进行敏感性分析,结果表明5 m×5 m×0.5 m为本研究最优体元。(3)基于机载LiDAR的森林蓄积量分布研究表明,对于蓄积量、Weibull参数b和c(PPM)、百分位数(PPRM)、矩参数(MPRM)以及株数反演模型,分森林类型模型(R~2=0.49-0.91,rRMSE=10.65-39.81%)精度高于无区分森林类型的总体模型(R~2=0.32-0.80,rRMSE=23.60-49.70%)。以实测株数作总体预测蓄积量分布的精度(平均Reynolds误差指数(?)_R=28.07-41.92,平均Packalén误差指数(?)_P=0.14-0.21)比以预测株数作总体预测蓄积分布精度略高((?)_R=31.47-54.07,(?)_P=0.14-0.21)。同时,以基于PPRM(平均(?)_R=37.75,平均(?)_P=0.17)的蓄积量分布预测好于MPRM(平均(?)_R=40.43,平均(?)_P=0.18)和PPM(平均(?)_R=41.22,平均(?)_P=0.18)。