论文部分内容阅读
获取全林单木信息是开展森林精准经营的前提,而传统的森林资源调查无法高效满足该要求。无人机可见光遥感技术在指定时间和指定空间的资源调查上具有明显优势,而且其价格低廉容易被广泛使用。但是,目前将无人机可见光影像应用在郁闭山地森林中单木和林分结构参数提取研究仍然少见报道。本文以亚热带典型郁闭山地人工杉木林为研究对象,利用大疆精灵4 Pro无人机获取高空间分辨率影像,开展了单木和林分结构参数提取研究,并试图将研究成果应用于抚育间伐设计。主要研究结果为:(1)基于DSM数据的局部最大值探测方法的单木识别精度较高本研究提出了基于DSM数据的局部最大值单木识别方法。以实地调查时用RTK测量的树桩中心位置为单木坐标真值,检验本文提出的基于DSM数据的局部最大值探测方法的单木识别精度;并将本文提出的方法与另外四种常用的单木识别方法进行对比(基于正射影像的局部最大值单木识别方法、基于规则的面向对象分类的单木识别方法、基于多尺度分割的面向对象分类的单木识别方法和人工目视解译单木识别方法)。结果表明本文所提出的方法总体精度最高,达到了84.5%,并且在重复识别和错误识别的误差方面,能保持一致性且相对偏低。(2)基于标记控制的分水岭分割方法可以有效提取单株树冠区域本研究将基于DSM数据的局部最大值单木识别方法的单木识别结果作为分水岭分割方法的前景标记数据,与DOM影像叠加,编写程序进行标记控制的分水岭分割,实现林分树冠区域的快速提取。将程序实现的树冠提取结果与人工目视勾绘的树冠区域面积进行精度分析,发现两者呈现线性关系,其中树冠面积的回归模型的R~2为0.9488,总体精度达到96.31%。(3)基于VEG植被指数分类的精细小班精度高本研究以郁闭度为空间异质性作为划分精细小班的依据,人工目视分类精细小班作为检验真值,对比8种划分指标的精细小班的精度差异,发现基于VEG植被指数划分的精细小班与检验真值最为接近,总体精度达到了77.0%,Kappa系数达到了0.679。(4)构建的胸径-冠幅和树高-冠幅模型的精度较高将从无人机可见光影像上获取的单木冠幅与实地调查的林木胸径和树高数据分别建立胸径-影像冠幅模型和树高-影像冠幅模型。研究发现两个模型的最优拟合形式分别为线性模型和复合模型,两者最高的决定系数分别为0.759和0.688,精度分别在(75.62%,99.99%)和(88.75%,99.97%)之间,平均精度分别为94.64%和97.27%。(5)同一个小班内的不同区域具有不同的林分结构特征基于单木识别和单株树冠分割结果,分别计算整个林分区域和其中多个空间异质性强度不同的精细小班区域的林分结构参数,发现连续地段精细小班之间的林分结构参数具有显著性差异,表明小班有划分精细小班的必要。(6)精细小班可以用于设计抚育间伐将基于精细小班林分结构参数的间伐设计与其它两种间伐方式(基于完整区域的采小留大间伐方式和基于完整区域的林分结构参数的间伐方式)进行对比,发现三种方式的采伐强度有明显差异。基于精细小班的间伐设计能够针对空间异质性的强弱定制个性化的采伐强度。综上,基于郁闭山地人工林的无人机可见光遥感影像,利用局部最大值法和基于标记的分水岭算法可以有效提取单木和林分结构参数,对精准经营有实质性的指导意义和实践价值。