林分特征参数及生物量的精确估测和反演是评估森林生产力,估测森林生态系统碳储量以及评价森林生态服务功能的前提。近年来无人机(Unmanned Aerial Vehicle,UAV)技术发展迅速,其凭借高度的灵活性和相对低廉的数据获取成本,被广泛应用于不同的领域。随着图像三维重构技术的不断完善,利用无人机航空摄影测量(Digital Aerial Photography,DAP)不仅可以获取平面影像,还可以生成高精度的三维点云产品,进而获取地物的空间垂直结构,为其在森林生态遥感中的研究和应用提供了良好的基础。本文将UAV-DAP与激光雷达(LiDAR)技术相结合,进行了森林林分尺度的特征参数估测及生物量反演,开展了以下几个方面的研究工作:(1)将无人机航空摄影测量与LiDAR技术相结合,生成森林冠层高度模型,并分析了其插值误差和精度影响因素。DAP点云表达的是森林冠层上部的结构信息,通过与LiDAR获取的DEM结合实现点云的归一化,点云进行空间插值运算后生成森林冠层高度模型是林分特征参数和生物量估测的基础。插值方法、森林类型、图像分辨率等因素对插值结果精度均有影响,点云坡度、粗燥度、颜色分量等点云因子与插值误差也有着相关关系。研究发现,插值方法中自然邻近法的插值误差最小(RMSE=0.76-2.68),其次为不规则三角网(RMSE=0.92-3.53)、克里金(RMSE=0.83-4.29)和反距离权重法(RMSE=0.83-4.76)。点云密度、亮度和图像分辨率的增加能显著减少插值误差,而点云坡度、粗燥度的加大会增大插值误差。自然状态下的次生林较之冠层结构相对规整的人工林总体误差较大。(2)以人工林为研究对象,通过对比不同建模方法选取最优化DAP点云变量和建模方法,将建模结果由样地推升至整个研究区域,并比较不同树种间的建模差异,构建UAV-DAP进行森林生态系统的林分结构参数估测、生物量反演、成果输出及应用的完整技术流程。在进行各参数和生物量建模时发现,高度分位数变量是建模时的首选,其中p10(10%高度分位数)、hmax(最大高度)和hcv(高度变异系数)在各模型中表现力度较高。由于光学遥感缺乏对冠层的穿透,DAP点云低分位数高度变量相当于LiDAR点云的中等分位高度变量,hmax变量在很大程度上反映了人工林研究区整体林木高度信息,hcv在一定程度上能够表示了冠层的垂直结构。统计方法的选择对模型的精度有着直接的影响,通过比较了主成分分析法、多元线性回归法和随机森林法在DAP点云估测林分特征参数及生物量的精度发现,三种方法均能够较好的反演常见的林分特征参数及生物量,其中多元线性回归的精度相对较高,随机森林法在个别参数上的估测精度略高。三种模型估测的参数精度由高到低的趋势大致相同,其中优势木胸径(R~2为0.712~0.85,cv为10.355%~14.354%)、优势木树高(R~2为0.699~0.783,cv为12.289%~14.483%)、平均胸径(R~2为0.709~0.793,cv为12.984%~15.378%)、平均树高(R~2为0.651~0.729,cv为15.639%~17.727%)、Lorey’s树高(R~2为0.722~0.792,cv为13.241%~15.315%)的精度明显高于其他参数,地上生物量(R~2为0.408~0.594,cv为28.289%~32.023%)、蓄积量次之(R~2为0.307~0.489,cv为34.544%~38.988%),株数(R~2为0.399~0.784,cv为51.417%~85.824%)和胸高断面积(R~2为0.073~0.262,cv为27.411%~30.691%)最低。树种也对估测精度有着显著的影响,同为阔叶林的三类树种之间有着显著的空间差异,杨树的各项参数估测和分布较为集中,呈明显的块状分布,体现了人工管理和速生林的特点;水杉的参数分布和内部差异则较为稳定,银杏较之其他两类树种估测精度略低,可能是因为其冠层结构更为复杂所致。(3)将无人机航空摄影测量与LiDAR应用于次生林区域,估算常用林分特征参数,并将从影像提取的植被覆盖度和颜色指数等色彩分量引入估测模型,提高部分因子的估测精度。利用图像三维重构技术生成研究区DAP点云,与LiDAR提取的DEM计算树冠冠层模型,再结合地面实测林分调查数据与归一化点云变量,构建多元回归估算模型并验证其精度,相关分析表明联合提取的点云变量与树高因子具有很高的敏感性(R~2=0.58–0.95),蓄积量,地上生物量次之(R~2=0.29–0.7),林分密度和胸高断面积最低(R~2=0.18–0.52)。构建的多元回归模型自变量包括了高度分位数、点云密度和高度信息三组点云特征变量和植被覆盖度、绿叶指数和过绿指数三类色彩变量;高度分位数与林分的垂直信息相关度较高。Lorey’s树高拟合度最高(rRMSE=5.32%),其次为蓄积量(rRMSE=6.35%)、地上生物量(rRMSE=10.41%)、胸高断面积(rRMSE=16.38%)和株数(rRMSE=27.04%)。模型采用的色彩变量与可见光绿波段的光谱信息相关,其参与建模后,使得Lorey’s树高(rRMSE提高度为0.08%)、蓄积量(rRMSE提高度为0.58%)和地上生物量(rRMSE提高度为3.11%)三类因子的模型精度略有提高,一定程度上反映了可见光绿波段与植被生长状态的响应关系。(4)对相同区域的DAP与LiDAR点云进行比较研究,探索两类技术在森林生态遥感应用中的异同,并比较两者在林分特征参数估测模型的因子选择,估测精度等方面的差异。相同的研究区内,DAP点云和LiDAR点云的水平精度相当,对于冠层上层的指标(P95、P75、hmax等)的描述具有一定的相似性(R=0.91-0.93),而冠层下部指标(如P25、d3)及表达垂直结构的变量(如hcv、Oligophotic等)在两类点云的描述差异较大(R=0-0.45)。UAV-DAP点云的hcv、CC2及CCmean等描述冠层内部垂直结构的变量在胸高断面积、蓄积量等与冠层垂直结构相关度较高的因子估测模型中的重要性远低于同类LiDAR变量,而在树高、胸径等高度相关的因子估测模型的重要性则较为相近。相同参数的估测模型精度LiDAR(R~2=0.515-0.895)要高于DAP(R~2=0.288-0.835),尤其是与垂直结构相关度较高的参数(优势木胸径、平均胸径、优势木树高、Lorey’s树高)。总之,利用无人机航空摄影测量与LiDAR技术相结合,可以实现林分特征参数估测及生物量反演,且在lorey’s H、胸径等与高度信息敏感度较高的特征参数估测中可以达到与LiDAR相近的精度,对蓄积量,地上生物量也有着较好的预测效果。